掌紋圖像的獲取及其預處理

摘 要：提出了一種無限制的獲取掌紋圖像的方法，并使用該方法構建了掌紋庫。該掌紋庫可以成為掌紋識別算法訓練集和測試集的來源，也可以成為進一步推進掌紋識別研究與發展的基礎。在該掌紋庫的基礎上，對掌紋庫中的掌紋圖像進行了預處理，將原始圖像二值化后利用定位點自動檢測技術檢測出掌紋圖像中兩個關鍵的定位點，并以此為基礎對掌紋圖像進行旋轉校正，最后切取一定區域的掌紋子圖，為進一步提取掌紋特征打下了較好的基礎。

關鍵詞：生物特征識別；圖像獲取；掌紋庫；預處理；圖像定位

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695(2007)06-0161-04

0 引言

隨著社會的迅速發展，生物特征識別技術已經逐漸應用到人們的日常生活中，身份鑒別和驗證已經成為現代社會必不可少的安全措施［1，2］。所謂的生物特征識別，是指通過計算機利用人體所固有的生理特征或行為特征來進行個人的身份鑒別［3］。它被認為是一種可靠且有效的身份識別方法，無論在科學研究還是在實際應用中都十分重要。目前廣泛用于身份鑒別的生物統計學特征主要有指紋、人臉、掌紋、視網膜、虹膜、聲音、動態簽名等［4］。評價生物特征識別技術性能的優劣主要有以下五條標準：①識別系統的成本；②被測試者的可接受程度;③正確識別率；④識別速度；⑤識別設備的標準化程度［5］。

利用掌紋的線特征、點特征、紋理特征、幾何特征等完全可以確定一個人的身份［6］。作為一種新的人體生物特征，掌紋相對于其他生物特征有著其獨特的優勢：易于被用戶接受；具有豐富且穩定的信息來識別個體；識別系統的硬件標準化程度比人臉識別、語音識別等方法高；基于低分辨率圖像，識別速度較快，能夠達到實時識別的需要。因此掌紋識別是身份識別領域一種非常重要的方法［7，8］。

在生物特征識別中，標準數據庫為識別算法的研究以及算法識別率高低的比較提供了一個標準的數據平臺。在相同的數據平臺下進行算法優劣的比較才有意義。此外，標準數據庫也常常成為生物特征識別算法訓練集和測試集的來源。目前，人臉數據庫、虹膜數據庫等用于生物特征識別研究的標準數據庫已經建立，為人臉識別、虹膜識別的研究建立了良好的平臺。香港理工大學曾建立了一個小型的掌紋數據庫，但他們用固定柱限制了手掌的移動與旋轉，無法滿足研究不限制手掌移動與旋轉的掌紋識別算法的要求。因此，本文欲建立一個更廣泛的、無限制的掌紋庫，進一步研究掌紋識別算法。

1 掌紋庫的建立

1.1 掌紋圖像的獲取

可以用來作為掌紋圖像獲取的方法有墨印采集法、超聲采集法、溫度采集法、照相采集法、掃描采集法等。墨印采集法將被采集者的手掌上涂上墨，再將掌紋圖像按到紙上；這樣的采集方法因其采集時間長、采集的圖像不清晰、圖像不易于保存等原因而不被采用。超聲采集法和溫度采集法根據掌紋上的凹凸對超聲或溫度的不同反射感應不同而采集到掌紋信息；但因為這樣的采集設備昂貴而不具可行性。照相采集法采用數碼照相機或攝像機將掌紋圖像直接存儲到計算機中。隨著數碼產品的普及化，幾百萬像素的數碼相機已經相對較便宜，而且該方法采集到的圖像較為清晰，因此該方法比較可行。掃描采集法是通過掃描儀將個體的掌紋圖像通過掃描存儲到計算機中；與照相采集法類似，該方法也可以將得到的掌紋圖像直接存儲在計算機中，掃描得到的圖像較為清晰。更重要的是，可以根據需要設定掃描分辨率（dpi），從而獲得不同品質的掌紋圖像。

根據前面的對比與分析，采用平板式掃描儀作為采集工具。具體參數如下：

掃描儀 清華紫光E46型平板式掃描儀；

掃描圖像類型 256級灰度圖像；

圖像存儲格式 BMP格式；

掃描分辨率 72 dpi；

圖像幅面寬高 210×279 mm；

采集手掌 每個個體的左右手掌；

個體采集數量 左右手各10幅。

參照人臉數據庫的建立方法，對不同個體的雙手掌紋圖像進行采集，并按照一定的方法加以組織整理，從而形成掌紋數據庫。由于不限制手放置的位置，而且掌紋具有彈性形變，實際操作中無法保證同一個個體的同一個手掌兩次采集得到的掌紋圖像是相同的。所以筆者對每個個體同一只手的掌紋采集10幅圖像，采集時，被采集者手指向上，手腕向下，五指自然分開，自然放置于掃描儀的玻璃板上。采集完一幅圖像后要求被采集者將手抬起后再重新放到掃描儀的玻璃板上，這樣采集到的圖像便有了一定的差異，而不是簡單地重復10次掃描。這樣建立的數據庫更符合實際情況，也更具有使用價值。

1.2 掌紋圖像命名方法

采集到的圖像需要經過一定的組織才能最終成為標準數據庫。圖像的采集參數在上面已經作了介紹。這里使用下面的命名規則將這些采集得到的掌紋圖像組織起來。命名規則符合唯一性法則，即在此掌紋庫中沒有兩幅名字一樣的圖像。具體命名方法如下：

每幅圖像用三個字段表示，即表示為ABC.bmp的形式。其中，字段A表示被采集者的編號，是ulong型數據，每個被采集者具有一個全局唯一的編號，這樣保證了掌紋庫的可擴展性和記錄的唯一性；字段B區分采集人的左右手，左手用“L”表示，右手用“R”表示；字段C表示圖像編號，是2位定長uint型數據。例如編號為2345R08.bmp的圖像表示編號為2345的個體的右手掌紋的第八幅采集圖像。

1.3 對掌紋圖像的截取

為了去除采集到的掌紋圖像中的無用信息，筆者后期對圖像進行了截取，保留掌紋的部分，而將大面積的無用背景截取掉。截取后的圖像大小為398×535×256 bmp。

2 掌紋圖像預處理基本算法描述

文獻[2]提出了一種對掌紋圖像進行預處理的算法。基于以上算法，并考慮到在實際應用中編程實現的可行性，根據如下算法對獲得的掌紋圖像進行預處理，其步驟如下：

（1）將原始圖像二值化，轉換為二值圖像；

（2）根據二值化后的圖像，自動檢測出兩個定位點A和B；

（3）根據兩個定位點及這兩個定位點連線的中點建立直角坐標系；

（4）旋轉原始掌紋圖像，使其置于新的直角坐標系中；

（5）切取128×128大小的掌紋子圖。

基于以上算法，對獲得的掌紋圖像進行預處理，分下面幾個步驟進行：

(1)將掌紋圖像二值化

設F為一幅經過截取的大小為398×535的256級灰度掌紋圖像，Point(x，y)表示坐標為(x，y)的點的像素值。以40（經驗值）作為閾值，將圖像F二值化。在二值化處理后得到的圖像F′中，Point(x，y)=0表示坐標為(x，y)的點的像素值為0，即該點為黑點；Point(x，y)=255表示坐標為(x，y)的點的像素值為255，即該點為白點。

(2)掌紋圖像定位點的自動檢測

3 對掌紋圖像的旋轉校正

在檢測出掌紋圖像的定位點之后，下一步就要對圖像進行旋轉校正，以便于正確地切取掌紋子圖。首先，根據得到的定位點計算出旋轉角度：

4 切取掌紋子圖

對掌紋圖像進行上述處理后，從每幅掌紋圖像中切取一塊子圖，使得對于同一個人的不同掌紋樣本，每次都切取手掌同一區域來進行特征提取［2］。

5 實驗結果及分析

5.1 掌紋庫的建立

目前已經按照上面介紹的采集方法成功地采集到了80人的雙手掌紋圖像，共計80×2×10=1 600幅。并且記錄了被采集個體的姓名、性別和年齡，便于以后進行識別和分析不同人群的掌紋特征。

圖2的10幅圖像為按照上述采集方法得到的掌紋庫中的部分掌紋圖像。其中，圖2（a）中五幅圖像為編號為0－4的五個個體編號為00的左手掌紋圖像，圖2(b)中五幅圖像為編號為0－4的五個個體編號為00的右手掌紋圖像。采集完畢后，筆者對得到的掌紋庫進行了分析，得出了以下一些該掌紋庫的數據及特性：①掌紋圖像共計1 600幅，分別來自80個不同個體的左右兩手；②被采集者未經過任何訓練；③被采集者年齡集中于18－28歲，均為在校大學生及研究生；④在80個被采集者中，女性個體數量為33，男性個體數量為47；⑤掌紋圖像的大小為398×535像素點，數據大小為210 KB；⑥采集環境：AMD 1.84 GHz，512 MB內存，操作系統為Windows XP。

5.2 掌紋圖像的預處理

圖3中的10幅圖像為對圖2中的10幅圖像進行二值化并自動檢測定位點后的結果。

二值化并自動檢測到定位點后，對圖3中的圖像進行旋轉校正，旋轉角度如表1所示。旋轉結果如圖4所示。

對筆者構建的掌紋庫利用上面提到的算法進行掌紋定位點的自動檢測，結果如表2所示。

對以上結果進行分析，尤其是對錯誤定位的情況進行分析，可以看出，當將圖像截取為398×535大小時，當除拇指外的其他四根手指沒有完全包含在這大小為398×535的圖中時，該算法的正確定位率受到很大影響，不能完全正確地完成定位點的自動檢測。因此要求在對圖像進行截取時，應盡可能地將除拇指外的四根手指完全包含在截取后大小為398×535的圖中。另外，手掌放置時如果中指所在的方向偏離豎直方向太大，或者對于拇指較長的個別情況，前面所做的直線la不能與除拇指外的四根手指的邊緣相交于八個點，影響了正確定位率。在實際的掌紋圖像的采集過程中，如果對被采集者手的擺放位置作出一定要求的話，則可以大幅提高算法的正確定位率。

6 結束語

目前筆者所建立的掌紋數據庫中個體的數量還不夠多，而且被采集者集中于18－28歲的在校學生，采集人群比較單一。今后將進一步采集不同年齡、不同職業個體的掌紋，進一步豐富和完善該掌紋數據庫。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。