1、掌纹识别的研究与DSP实现,1 绪论,1.1课题研究的背景和意义当今信息社会，信息安全已成为世界各国广泛关注的重要问题 。生物特征识别技术就是通过计算机与各种传感器和生物统计学原理等高科技手段密的切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。全球各国纷纷将生物特征识别技术的发展作为关系国家安全的重大基础技术加以扶持、推广。掌纹识别是生物特征识别领域的又一新兴技术，它是指根据人手掌上的有效信息来识别哪些掌纹图像是来自同一只手掌，哪些掌纹图像是来自不同的手掌。,1.2生物特征识别的简介生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天性的。将生理和行为特征统称为生物特
2、征。身份鉴别可利用的生物特征必须满足以下几个条件：第一，普遍性：第二，唯一性：第三，可测量性：第四，稳定性： 掌纹识别作为新兴生物识别技术，其以上条件都满足。掌纹面积较大涵括信息丰富、特征稳定且明显，提取特征时不容易受到噪声的干扰、采集设备简单低分辨率图像就可以满足要求、和指纹相比 用户接受程度高 ，被窃取的可能性小。,1.3掌纹识别的研究现状1) 掌纹识别算法研究现状 掌纹识别算法有很多种，主要分为两大类：基于掌纹结构特征的识别方法和基于统计特征的识别方法。基于统计特征的识别方法是将掌纹图像进行某种变换，使得掌纹在变换域中区分性更好或维数更低，将掌纹特征在变换域中体现的更好或者便于提取、分类
3、、识别。例如：傅立叶变换 、K_L变换小波变换等。基于掌纹结构特征的识别方法主要是将掌纹图像看作纹理图像，手掌不同纹理也不同。这些方法传承指纹识别的思想,受掌纹图像分辨率的影响较大；并且受掌纹相似程度的影响，该方法对小型数据库有效，对大型系统而言，识别精度会大大下降,2）掌纹识别系统应用现状 2002年香港理工大学和哈尔滨工业大学联合研制了世界上第一套民用掌纹识别系统；2007年张大鹏教授等研制成功了国际上第一套高精度自动掌纹识别系统；近期，日本富士通开发了非触式掌纹识别系统并投放国际市场。目前掌纹识别系统在各种生物识别系统应用分额中占很小的部分，民用掌纹识别系统少之又少，在国内民用掌纹识别系
4、统应用市场几乎空白。那么研制体积小巧、价格便宜、开发周期短、维护方便、满足中/低级别安全要求的掌纹识别系统，以便在民用领域推广和普及应用将是一个很有意义的研究课题，也是掌纹识别系统研究应用的发展趋势。,2 掌纹识别软件框架与DSP硬件平台,2.1软件框架及算法流程 2.1.1掌纹识别的核心思想本文掌纹识别核心思想是基于最大内接正方型边长为粗匹配、FFT变换为细匹配的双重匹配识别思想。第一级(又称粗匹配)匹配阶段利用手掌的掌面最大内接正方形边长作为匹配标准：由于不同的人的手掌大小有所区别；第二级(又称细匹配)匹配阶段是将粗匹配阶段得到的掌面识别的有效区域作为匹配区域, 对有效区域的掌纹信息进行特
5、征提取，得到掌纹的频谱域图像，含有不同掌纹信息的图像在频域图中的能量分布也不同。,本文掌纹识别的主要处理过程有定位、分割、特征图像预处理、特征提取和匹配。掌纹识别预处理的关键处理步骤见图2.1。图2.1掌纹图像预处理关键步骤示意图,2.1.2软件系统框架本文软件系统 设计主要分两大块， 一是“算法实现模块”， 一是“系统应用模块”。 “算法实现模块”主 要实现掌纹的预处理、 特征提取、匹配过程； “应用模块”主要是 根据匹配的结果，实 现识别库的管理以及 图2.2 软件结构示意图 识别过程。算法基本设计思路如图2.2所示 。,2.1.3算法流程本文掌纹识别算法分为若干实现模块，见图2.3：图2
6、.3 主要算法流程图,2.2 DSP实现本文设计实现的DSP硬件平台是闻亭公司的DM642开发板。TDS642EVM 多路实时图像处理平台是基于TI的TMS320DM642 DSP芯片设计的评估开发板。图2.4 DM642功能结构示意图,图2.5 DM642系统参数图,图2.6 DM642存储器编址示意图,表2.1 存储器分配,3 掌纹图像的预处理,3.1边缘提取 3.1.1改进型sobel算法原理用Sobel算子做图像边缘提取是现在常用的边缘提取方法之一 。本文采用8方向模板改进型Sobel算子做边缘提取的运算模板。见图3.1 ：图3.1 改进型Sobel算子方向8模板、经典Sobel算子,
7、3.1.2改进型sobel算法原理结果分析在对同一幅二值化的掌纹图像做轮廓边缘提取的时候，由于改进型Sobel算法结果边缘平整连续，没有边缘缺失的情况。在利用形态学的方法进行拐点提取的时候，可以最大程度减小拐点搜索缺失的情况，增加定位的精确程度。见图3.2：图3.2 (a)经典Sobel边缘提取效果图 (b)改进Sobel边缘提取效果图,3.2拐点的提取 3.2.1形态学算法原理(a) (b) (c) (d) (e) (f) (g) 图3.3 (a)采样图像 (b)二值图像 (c)轮廓边缘图像 (d)膨胀图像 (e)腐蚀图像 (f)拐点区域图像 (g)拐点图像,3.2.2结果分析错误情况一，见
8、图3.4： 图3.4 错误情况一示意图 结果中小拇指和无名指之间的拐点没有计算出来。分析原因是因为无名指和小拇指张开角度过大，膨胀和腐蚀以后没有产生联通的区域。,错误情况二，见图3.5：图3.5错误情况二示意图 上面结果中第3个拐点的坐标位置不正确。分析原因是由于中指和无名指张开角度过小，膨胀和腐蚀以后中指和无名指之间的联通区域过长，导致搜索计算的时候搜索到记录相邻两点之间距离大于所设置的阈值情况，则搜索的第三个拐点仍然在第2个联通区域内。,形态学原简单，实现方便、快速。但由以上结果可知，用形态学原理来提取拐点进行定位的方法，其本身有局限性，定位准确性受到手指张合程度的影响较大。使用改进型So
9、bel边缘算法可以一定程度的减少错误的发生，但不能根本上消除其影响。所以在实际系统中，采集掌纹图像的时候应当对手掌的摆放稍微加以限制，例如在采集屏上标记手掌和手指形状的图形，要求用户手掌摆放在图形之内；或者在采集屏上安装小的触摸丁，让用户手指触摸；或者直接设计指环，让用户手指套入指环内等。这样可以最大限度避免甚至消除以上错误的发生。例如图3.10的示范，在采集屏上加上小螺钉(1,2,3,4,5)对手指的张合加以限定。,图3.10 手掌图像采集定位示意图,3.3掌纹图像的旋转 3.3.1“错切”原理简介传统的图像旋转方法是根据图像旋转的角度，构造旋转矩阵，正值为逆时针旋转，负值为顺时针旋转。“错
10、切”原理旋转时可以将原来的二维图像旋转变换成三次一维“移切”运算，并且“移切”过程中变换系数为1，有效的克服了二维旋转的“放大效应”。,3.3.2旋转结果分析 (a) (b) (c) (d) 图3.7 (a) 45度旋转 (b)60度旋转 (c)90度旋转 (d)180度旋转 本文为简化算法，提高运算速度，逆向映射时不进行插值运算，所以必须保证图像旋转角度不超过正负45度，避免像素的损失。考虑到掌纹图像旋转是可顺可逆的，所以实际上图像的最大旋转角度为180度。如果旋转角度小于135度，则分为3次45度之内的旋转完成;如果旋转角度超过135度，则只需要逆向旋转其补角的角度即可。,3.4掌纹图像的
11、分割 3.4.1基于手掌最大内接正方形的分割算法原理 直接搜索掌面最大内切 圆，以该圆为分割图像进行FFT变换的方法，本文认为搜索最大圆的计算量 过大、耗时长，不能满足实时性要求；而且直接对分割圆进行FFT变换，即使是同一手掌在不同时刻的采样，其掌面半径也不可能完全一样，其FFT变换结果差异较大，影响识别的精准度。,3.4.2分割结果分析,(a) (b) 图3.9 分割效果图(a)、(b)来源于同一手掌不同采样图像的分割效果,图3.9所示的是同一手掌在不同时刻采样的两幅图像做分割处理的结果，这两幅图像有2个像素的平移差异。 (1)由于手指张合程度的差异，手掌摆放位置的不同，拐点位置也有差异；(
12、2)旋转运算后，像素坐标值一般为小数，强制转换为整数后也有误差。使用本文方法进行定位运算，无法避免或消除以上误差；但是分割图像差异一般保持在几个像素间，差异不大，对匹配结果的准确性不会有太大的影响 。,4 掌纹图像的特征提取和特征匹配,4.1特征提取的预处理过程 4.1.1图像增强和灰度平衡 本文在对分割图像做FFT变换提取特征值运算之前，考虑到噪声影响以及不同光源背景对提取掌纹纹线时设定阈值的影响，在FFT变换之前要做一些必要的预处理。本文分别采用3种预处理方法：经典Sobel算法结合双阈值处理、改进Sobel算法结合单阈处理、基于改进Sobel算子图像增强处理。所谓灰度平衡，由于图像背景灰
13、度的差异会影响阈值的设定，为了使同一阈值能够适应不同灰度背景的图像，就必须将不同图像背景归一到同一灰度平面内，即灰度平衡处理 。本文设定的灰度均差为180。,拉普拉斯图像增强和灰度平衡处理：拉普拉斯模板如图4.1：(a) (b) 图4.1 拉普拉斯变换的两种模板 (a)中心系数为正(b)中心系数为负,图4.1 (a)原分割图像 (b)拉普拉斯增强效果 (c)亮度平衡图像,(a) (b) (c),4.1.2掌纹纹线提取,图4.3.(a)经典Sobel提取边缘效果 (b)双峰阈值提取的二值化纹线图 (c)改进Sobel提取边缘效果 (d)单阈值提取的二值化纹线图,4.1.4基于改进Sobel算子的
14、图像增强原理 由于改进Sobel算法在提取图像边缘的时候，不仅可以有效的抑制噪声，锐化效果也比较突出，基于上述优点，根据拉普拉斯算子做图像增强的思路原理，本文提出了利用改进Sobel算子对掌纹图像做增强的处理方法，并以此增强结果作为掌纹特征提取的输入进行匹配。 用改进Sobel算子对掌纹图像做增强的实现步骤：(1)对分割图像进行改进Sobel边缘提取，改进模板见图3.1。(2)对(1)的计算结果做标定：用255/MAX去乘图像每个像素值，得到标定图像；(3)将原分割图像与标定后的图像做加权加法：原图像权系数为0.5，标定图像的权系数为1.2：即原图像0.5+标定图像1.2=增强图像。(权系数由
15、实验经验得到)增强效果见图4.5。,(a) (b),(c) (d) 图4.5 (a)原图像 (b) 改进Sobel提取边缘图像 (c)标定后的图像 (d)Sobel增强图像,4.1.3快速二维傅立叶变换的实现,(a) (b) (c)图4.4 (a)( 图4.3b)的FFT频谱图像 (b)(图4.3d)的FFT频谱图像 (c)（图4.5d）的FFT频谱图像,4.2特征提取和匹配 4.2.1特征提取,为16个方向上的频谱和，在FFT变换图像中就是16个方向上所有像素值的和。根据上式就可以计算出反应掌纹图像能量分布特征的16个特征值，又因为FFT频谱图像成中心对称，所以实际计算中只需要计算8个方向上
16、的特征值（即i的最大值为8）。,4.2.2匹配原理 粗匹配阶段，以20个人每人8幅右手图像做20组测试，相同手掌间掌面半径差异一般不大于5，所以本文将粗匹配的阈值设为5。如果两手掌掌面半径之差的绝对值小于5，则认为属于同一人；如果如果两手掌掌面半径之差的绝对值大于5则判定两个手掌属于不同的人 。细匹配阶段，是以两幅手掌图像之间的统计相似程度来进行区分的。设X8和Y8分别为两幅待测图像的频谱域特征值数组， 和 分别为X和Y的特征分量，则X的方差Lxx为式(4.12)：,(4.12),Y的方差Lyy为式(4.13)：,(4.13),X 和图像Y 的相关系数：,(4.15),X和Y的相似程度为式(4
17、.16)：,(4.16),越大则表明两幅掌纹图像越相似, 可以通过对设定合适的阈值来判断这两幅掌纹图像是否属于同一手掌。,5 掌纹识别库,5.1掌纹用户的注册和删除以及识别过程掌纹识别库主要存储掌纹图像的粗匹配特征值、细匹配特征值、注册标记三个数据内容。粗匹配特征值即掌面的最大半径，细匹配特征值即掌纹图像频谱域中8个方向上的特征值数组，注册标记用来记录注册用户的编号。本文对掌纹数据库的操作分为用户注册、用户删除、用户识别三个模块。识别模块是系统的基本功能模块，完成待测掌纹与掌纹库的匹配过程；注册模块又称建库模块 用来注册用户和建立掌纹识别库；用户删除模块也是系统应用的重要模块，用来删除过期用户
18、同。,图5.1 识别过程示意图,图5.2 注册过程示意图,图5.3 删除过程示意图,5.2掌纹识别库相关问题说明(1) 由于Flash是非可现场擦除的，为了方便测试，观测结果，掌纹库信息以文本形式在PC上读写。根据掌纹库存储的三种数据，建立三个头文件TZ_K.h、TZ_MAX_R.h和TZ_FLAG.h分别用来存储掌纹细匹配特征数组、掌纹粗匹配最大半径和注册用户编号。(2) 掌纹库信息是以结构体数组变量的形式进行数据读写操作和数据传递的。每次中断加载程序的时候，从以上三个头文件中读取数据，写入结构体数组变量。在实际应用系统中，掌纹库的特征数值和标记是写在可现场读写Flash或者EPROM中的，
19、加载程序时只需要从固定的地址读数据即可。,(3)主程序一共有3个工作模式，分别为识别模式、注册模式和删除模式，按照用户操作意图来决定加载哪种模式。本文预设了一个中断变量MPX,当中断变量值发生改变时响应中断，CPU复位并重新加载主程序，根据中断变量的不同数值来加载对应程序段数据，其对应关系如表5.1所示：,6 系统性能分析及总结,6.1软件优化与实时性评价由于掌纹识别系统要求实时性高，现在的存储芯片一般容量较大，所以本文优化的重点是提高程序运行效率，而不考虑空间资源的优化。,图6.1 DM642EVM存储器结构图,本文在未作软件优化前，系统运行一次需要的时钟周期数为4710+8,DM642的时
20、钟频率为600MHZ,换算成时间约为7.9s。本文优化的主要方法如下：(1)利用汇编工具选项优化代码执行效率：-g开关使能C/C+语言的反汇编过程； -o2开关可以对文件级别进行最强的优化，对循环结构的指令进行调度安排流水线，使循环的多次迭代能够并行执行；-mt开关可以关闭流水线监测状态，大大减小程序量。联合使用-g /o2 /mt开关可以最大程度的对文件级代码进行优化。 (2) 尽量用逻辑移位运算来代替乘除操作，加快指令的运行时间。 (3) 将原基2的FFT变换改写为基32的FFT变换。由于FFT变换循环次数多，系数数量大，为了进一步提高效率，将事先计算好的变换系数放入片内L2中进行运算。(
21、4) 在进行大规模数据运算处理时，导致CPU经常处于空闲状态。所以适量减少局部变量的个数，将常用数据量设为全局变量供各模块使用。,通过以上方法，优化后的代码执行所需要的时钟周期数为10.8610+8见图6.2，约为1.8s。运算效率比优化前有大幅度提高。,图6.2 优化后系统运行所需时钟周期示图,6.2识别精度评价 6.2.1测试方法和结果,(1)定位准确率的测试。在进行匹配率测试之前，必须先要进行掌纹定位算法准确度的测试，因为定位的准确程度直接影响匹配的结果。本文从673幅图像中，随机抽取80人每人右手手掌图像5幅共400幅图像进行测试。测试结果如表6.1所示：,(2)错误拒绝率的测试。本文
22、以定位正确的373幅图像作为匹配测试的可选样本空间，测试以人数为单位分为80组，每组随机选取5幅图，分别测试相同来源的掌纹图像两两匹配的结果，见表6.2。,(3)错误接受率的测试。取80个人每人第一幅图像进行注册建立掌纹识别库，取80个人每人第二幅图像作为待测样本空间1，取80个人每人任意一副图像(第一幅图像想和第二幅图像仍然可选)作为待测样本空间2。将待测样本空间1中的掌纹图像依次与掌纹库进行匹配，再待测将样本空间2中掌纹图像依次与掌纹库匹配，测试结果见表6.3：,(4)总识别率测试。测试方法一：取80个人每人任意一幅图像进行注册，建立掌纹库1；取80个人每人任意一幅图像作为待测样本1，取8
23、0个人每人任意一幅图像进行注册，建立掌纹库2(与库1图像均不同)，取80个人每人任意一幅图像作为待测样本2(与待测样本空间1图像均不相同)，分别用待测样本1与掌纹库1匹配，待测样本2与掌纹库2匹配，其结果见表6.4：,测试方法二：将373幅图像全部注册到掌纹识别库中，取80个人每人任意一幅图像为待测样本空间，依次与掌纹库匹配，得到结果见表6.5 ：,6.2.2结果分析（1）提取特征值，进行匹配测试得到的识别率为99.45%，本文使用方法最高系统识别率分别为96.25%、98.125%和97.5%，与之相相比识别率稍低；传统FFT变换识别率94.53%。（2）经典Sobel算法结合双阈值处理法系
24、统识别率最低、错误接受率最低、错误拒绝率最高；改进Sobel算法结合单阈处理法系统识别率最高；系统识别率最高、错误接受率最高、错误拒绝率最低；改进Sobel算子图像增强处理法各识别率在二者之间。 （3）在系统应用时，要根据应用背景的不同和上述三种算法的性能特性，选择最实用的算法。门禁系统 、刑侦领域 、身份核实（例如银行卡输入密码）。,7 结论,本文方法识别率可以满足中低安全级别的需求对大型数据库系统和高精度要求的系统而言，本文的识别精度达不到要求。所以希望在后续的研究中寻找更有效的预处理方法提高基于FFT变换的掌纹识别率；或者改用其他方法实现。本文没有涉及硬件电路设计和图像采集模块的设计,希望在后续研究中，设计一个集采集为一体的掌纹识别DSP最小系统。硬件设计原理框图如图7.1：,图7.1 掌纹识别DSP最小系统原理框图,谢 谢！,
