本發(fā)明屬于圖像處理領域，尤其涉及一種用于掌紋識別的頻段選擇方法和裝置。

背景技術：

隨著成像技術和計算性能的提高，掌紋識別逐步發(fā)展成為主流的生物識別技術之一，而隨著深度攝像頭、多光譜/超光譜攝像頭的應用，基于手掌掌紋靜脈、3D信息、多光譜和超光譜圖像的識別也成為可能。人的手掌除了表面有復雜的掌紋以外，內(nèi)部還有錯綜復雜的動脈靜脈血管和各種結(jié)締組織。由于不同組織在不同光譜下的光學特性不同，在不同的光譜下可以得到不同的圖像，因此，結(jié)合各種光譜下手掌圖像，可以提供更多的有效信息，從而提高手掌識別的準確率。

為進一步提高掌紋識別的準確率，一種現(xiàn)有的掌紋識別方法引入了多光譜成像技術。多光譜成像技術可以取得在不同光譜下的手掌表皮及內(nèi)部組織、血管的圖像。然而，由于圖片數(shù)量過多，造成運算量急劇增長?，F(xiàn)有的另一種掌紋識別的方法是基于像素級別的多波段圖像融合，并應用小波和曲波變換。在這種方法中，頻帶的選擇是關鍵。鑒于此，一種對頻帶的選擇方法是通過窮舉選擇最優(yōu)的頻帶組合。

然而，由于超光譜的的頻段數(shù)量一般在10^2數(shù)量級或者更大，因此，對于超光譜的掌紋識別而言，上述通過窮舉選擇最優(yōu)頻帶組合的掌紋識別方法效率 太低。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種用于掌紋識別的頻段選擇方法和裝置，以減少掌紋識別過程中的運算量并提高掌紋識別的效率。

本發(fā)明第一方面提供一種用于掌紋識別的頻段選擇方法，所述方法包括：

剔除掌紋圖像中對應于信息量較少的頻段，得到第一備選頻段；

基于Gabor濾波器從所述掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段；

根據(jù)k聚類算法，從所述第一備選頻段與所述第二備選頻段的重疊部分中計算出若干聚類良好的頻段聚類，所述聚類良好的頻段聚類的中心對應的頻段作為最終用于掌紋識別的頻段。

本發(fā)明第二方面提供一種用于掌紋識別的頻段選擇裝置，所述裝置包括：

第一選擇模塊，用于剔除掌紋圖像中對應于信息量較少的頻段，得到第一備選頻段；

第二選擇模塊，用于基于Gabor濾波器從所述掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段；

聚類模塊，用于根據(jù)k聚類算法，從所述第一備選頻段與所述第二備選頻段的重疊部分中計算出若干聚類良好的頻段聚類，所述聚類良好的頻段聚類的中心對應的頻段作為最終用于掌紋識別的頻段。

從上述本發(fā)明技術方案可知，一方面，在進行k聚類算法之前，通過對掌紋圖像的處理，篩選出掌紋圖像的信息量較多的頻段和等錯誤率較低的頻段，因此，在掌紋識別過程中，只處理這兩種頻段的重疊部分所對應的掌紋圖像大 大減少了運算量，能夠顯著提高掌紋識別的效率；另一方面，通過對信息量較多的頻段和等錯誤率較低的頻段對應的掌紋圖像進行k聚類算法，計算出聚類良好的頻段聚類，選擇出最優(yōu)的頻段組合，不僅能夠減少掌紋識別的運算量，而且能夠顯著提高掌紋識別的準確率。

附圖說明

圖1是本發(fā)明實施例一提供的用于掌紋識別的頻段選擇方法的實現(xiàn)流程示意圖；

圖2是本發(fā)明實施例二提供的圖像中熵的值與頻段的對應關系示意圖；

圖3是本發(fā)明實施例三提供的圖像中不同頻段與其等錯誤率的關系示意圖；

圖4是本發(fā)明實施例四提供的用于掌紋識別的頻段選擇裝置的結(jié)構示意圖；

圖5是本發(fā)明實施例五提供的用于掌紋識別的頻段選擇裝置的結(jié)構示意圖；

圖6是本發(fā)明實施例六提供的用于掌紋識別的頻段選擇裝置的結(jié)構示意圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及有益效果更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實施例提供一種用于掌紋識別的頻段選擇方法，所述方法包括：剔除掌紋圖像中對應于信息量較少的頻段，得到第一備選頻段；基于Gabor濾波 器從所述掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段；根據(jù)k聚類算法，從所述第一備選頻段與所述第二備選頻段的重疊部分中計算出若干聚類良好的頻段聚類，所述聚類良好的頻段聚類的中心對應的頻段作為最終用于掌紋識別的頻段。本發(fā)明實施例還提供相應的用于掌紋識別的頻段選擇裝置。以下分別進行詳細說明。

請參閱附圖1，是本發(fā)明實施例一提供的用于掌紋識別的頻段選擇方法的實現(xiàn)流程示意圖，主要包括以下步驟S101至步驟S103：

S101，剔除掌紋圖像中對應于信息量較少的頻段，得到第一備選頻段。

需要說明的是，不同頻段下所得的圖像，所包含的信息量并不相同，掌紋圖像也符合這一規(guī)律，而且，信息量豐富的掌紋圖像相對信息量少的掌紋圖像易于識別。因此，在本發(fā)明實施例中，可以先剔除掌紋圖像中對應于信息量較少的頻段，得到第一備選頻段，其具體可通過如下步驟S1011和步驟S1012來實現(xiàn)：

S1011，計算掌紋圖像的灰度分布值。

在本發(fā)明實施例中，計算掌紋圖像的灰度分布值p_d可通過如下公式(1)得到：

..............公式(1)

其中，I_i,j表示8位編碼的掌紋圖像，I_i,j的下標i和j表示圖像的位置，m和n是掌紋圖像的尺寸，k是掌紋圖像I_i,j的灰度。

S1012，根據(jù)步驟S1011計算出的灰度分布值，計算掌紋圖像中對應于各個頻段的熵，將熵的值較大的頻段作為第一備選頻段。

在本發(fā)明實施例中，根據(jù)步驟S1011計算出的灰度分布值，可通過如下公式(2)計算掌紋圖像的熵E：

..............公式(2)

對于一幅圖像，其熵的值越大，包含的信息量則越多，質(zhì)量越好；掌紋圖像亦符合這一規(guī)律。因此，在本發(fā)明實施例中，在計算掌紋圖像中對應于各個頻段的熵，可以將熵的值較大的頻段作為第一備選頻段，以提高后續(xù)掌紋識別時的識別率。

如附圖2所示，是圖像中熵的值與頻段的對應關系。在本發(fā)明實施例中，顯然，如果剔除掌紋圖像對應于波長在590nm以下以及在1020nm以上的頻段，余下的波長在590nm至1020nm之間的頻段，其熵的值相對較大，說明在這一頻段范圍內(nèi)的圖像的信息量比較，因此，可以將波長在590nm至1020nm之間的頻段作為第一備選頻段。

S102，基于Gabor濾波器從掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段。

在圖像處理領域，等錯誤率(Equal Error Rate，EER)是從誤拒率(FRR，F(xiàn)alse Rejection Rate)和誤識率(FAR，F(xiàn)alse Acceptation Rate)這兩個概念引申而來，其中，誤拒率即錯誤拒絕的概率，是從類內(nèi)匹配來闡述問題，如果有10個志愿者的樣本，每個志愿者20幅樣本，那么相對于類內(nèi)測試，例如，對1號志愿者，同一類的這20幅圖像之間，互相匹配(假設1:1的匹配)，互相不重復能夠進行(20*19)/2次；如果10個志愿者都進行這樣的測試，就是10*(20*19)/2次，以上是總的類內(nèi)匹配次數(shù)，每一次匹配，都會根據(jù)匹配算法得到一個匹配值th，預設定閾值為TH，如果th>TH就會錯誤拒絕；誤識率即錯誤接受的概率，是從類間匹配來闡述問題，即不同的類之間進行的匹配，如果根據(jù)匹配算法得到的匹配值th小于預設閾值TH，就會認為屬于同一類，這種情況就是錯誤接受。FRR計算公式為FAR計算公式為其中，NGRA是類內(nèi)測試的總次數(shù)，NIRA是類間測試的總次數(shù)，NFR和NFA是錯誤拒絕和錯誤接受的次數(shù)。由于FRR和FAR互相矛盾，因此，當FRR和FAR相等時的概率就是EER。

作為本發(fā)明一個實施例，基于Gabor濾波器從所述掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段可通過如下步驟S1021至步驟S1022實現(xiàn)：

S1021，基于Gabor濾波器對掌紋圖像濾波。

具體地，基于Gabor濾波器對掌紋圖像濾波可以是基于函數(shù)G(x,y,θ,u,σ)表示的Gabor濾波器，在函數(shù)G(x,y,θ,u,σ)的六個方向上對所述掌紋圖像濾波，其中，函數(shù)G(x,y,θ,u,σ)定義為：

其中，x和y表示Gabor濾波器的位置坐標，u為正弦波的頻率，θ是函數(shù)G(x,y,θ,u,σ)的方向，σ是高斯函數(shù)的方差，而函數(shù)G(x,y,θ,u,σ)的六個方向分別為0、和

在本發(fā)明實施例中，二維的Gabor濾波器可以有效地提取出掌紋圖像中的方向信息，濾波之后的掌紋圖像，不同的方向被表示成不同的灰度。

S1022，對濾波后的掌紋圖像，計算各個頻段的等錯誤率，將等錯誤率小于預設閾值的對應頻段作為第二備選頻段。

掌紋圖像經(jīng)過Gabor濾波器之后，得到的是一個進行了編碼的灰度圖，圖中的每一個像素都被編碼成3位(bit)的數(shù)碼，對于任意兩個掌紋圖像，都可以先轉(zhuǎn)換成Gabor Filter Map，然后計算二者之間的漢明(Hamming)距離也即類內(nèi)或類間匹配的“匹配值”，從而計算得到EER。

由于EER越低，表明識別系統(tǒng)的精度越高，在計算各個頻段的等錯誤率后，可以將等錯誤率小于預設閾值的對應頻段作為第二備選頻段。如附圖3所示的不同頻段與其等錯誤率的關系，從附圖3可知，波長在580nm至1080nm之間的頻段，其等錯誤率是比較低的，因此，作為本發(fā)明一個實施例，可以將波長在580nm至1080nm之間的頻段作為第二備選頻段。

S103，根據(jù)k聚類算法，從第一備選頻段與第二備選頻段的重疊部分中計算出若干聚類良好的頻段聚類，所述聚類良好的頻段聚類的中心對應的頻段作為最終用于掌紋識別的頻段。

k聚類(K-Means)算法是無監(jiān)督的學習方法，可以揭示出各個頻段之間的關系。本發(fā)明實施例的目的是要挑選出既包含較多信息量，同時等錯誤率較低的頻段用于掌紋識別，如此，前述實施例提及的第一備選頻段與第二備選頻段，例如，附圖2示例的波長在590nm至1020nm之間的頻段以及附圖3示例的波長在580nm至1080nm之間的頻段，其重疊部分即波長在580nm至1020nm之間的頻段能夠兼顧既包含較多信息量，等錯誤率又較低的優(yōu)點，因此，可以根據(jù)k聚類算法，從波長在580nm至1020nm之間的頻段計算出若干聚類良好的頻段聚類。

作為本發(fā)明一個實施例，波長在580nm至1020nm之間的頻段有45個頻段，根據(jù)k聚類(K-Means)算法，這45個頻段被聚類為4個類，其中心分別600nm、770nm、850nm和1000nm對應的頻段；算法的計算過程和結(jié)果表明，這4個類是聚類良好的頻段聚類，其中心對應的頻段作為最終用于掌紋識別的頻段。所謂聚類良好，是指在k聚類算法過程中，當設置聚類數(shù)目為4時，從波長在580nm至1020nm之間的頻段隨機選取四個值作為初始聚類中心，類中各頻段和類中心之間的漢明(Hamming)距離之和S被選取來衡量聚類情況的好。隨 著四個類的中心取值不同，所求取的S的值也不同，當S的值不變時，即可認為找到穩(wěn)定的k聚類的中心，即600nm、770nm、850nm和1000nm對應的4個頻段。此時，這4個頻段的組合是最優(yōu)的，是最適宜用于掌紋識別的頻段。

從上述附圖1示例的用于掌紋識別的頻段選擇方法可知，一方面，通過對掌紋圖像的處理，篩選出掌紋圖像的信息量較多的頻段和等錯誤率較低的頻段，因此，在掌紋識別過程中，只處理這兩種頻段的重疊部分所對應的掌紋圖像大大減少了運算量，能夠顯著提高掌紋識別的效率；另一方面，通過對信息量較多的頻段和等錯誤率較低的頻段對應的掌紋圖像進行k聚類算法，計算出聚類良好的頻段聚類，選擇出最優(yōu)的頻段組合，不僅能夠減少掌紋識別的運算量，而且能夠顯著提高掌紋識別的準確率。

請參閱附圖4，是本發(fā)明實施例四提供的用于掌紋識別的頻段選擇裝置的結(jié)構示意圖。為了便于說明，附圖4僅示出了與本發(fā)明實施例相關的部分。附圖4示例的用于掌紋識別的頻段選擇裝置可以是附圖1示例的用于掌紋識別的頻段選擇方法的執(zhí)行主體。附圖4示例的用于掌紋識別的頻段選擇裝置主要包括第一選擇模塊401、第二選擇模塊402和聚類模塊403，其中：

第一選擇模塊401，用于剔除掌紋圖像中對應于信息量較少的頻段，得到第一備選頻段；

第二選擇模塊402，用于基于Gabor濾波器從掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段；

聚類模塊403，用于根據(jù)k聚類算法，從第一備選頻段與第二備選頻段的重疊部分中計算出若干聚類良好的頻段聚類，所述聚類良好的頻段聚類的中心對應的頻段作為最終用于掌紋識別的頻段。

需要說明的是，以上附圖4示例的用于掌紋識別的頻段選擇裝置的實施方 式中，各功能模塊的劃分僅是舉例說明，實際應用中可以根據(jù)需要，例如相應硬件的配置要求或者軟件的實現(xiàn)的便利考慮，而將上述功能分配由不同的功能模塊完成，即將所述用于掌紋識別的頻段選擇裝置的內(nèi)部結(jié)構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。而且，實際應用中，本實施例中的相應的功能模塊可以是由相應的硬件實現(xiàn)，也可以由相應的硬件執(zhí)行相應的軟件完成，例如，前述的第二選擇模塊，可以是具有執(zhí)行前述基于Gabor濾波器從所述掌紋圖像中選擇對應于等錯誤率較低的頻段作為第二備選頻段的硬件，例如第二選擇器，也可以是能夠執(zhí)行相應計算機程序從而完成前述功能的一般處理器或者其他硬件設備；再如前述的聚類模塊，可以是執(zhí)行根據(jù)k聚類算法，從第一備選頻段與第二備選頻段的重疊部分中計算出若干聚類良好的頻段聚類的硬件，例如聚類器，也可以是能夠執(zhí)行相應計算機程序從而完成前述功能的一般處理器或者其他硬件設備(本說明書提供的各個實施例都可應用上述描述原則)。

附圖4示例的第一選擇模塊401可以包括灰度計算單元501和熵計算單元502，如附圖5所示本發(fā)明實施例五提供的用于掌紋識別的頻段選擇裝置，其中：

灰度計算單元501，用于計算掌紋圖像的灰度分布值；

熵計算單元502，用于根據(jù)灰度計算單元501計算出的灰度分布值，計算掌紋圖像中對應于各個頻段的熵，將熵的值較大的頻段作為第一備選頻段。

附圖4示例的第二選擇模塊402可以包括濾波單元601和等錯誤率計算單元602，如附圖6所示本發(fā)明實施例六提供的用于掌紋識別的頻段選擇裝置，其中：

濾波單元601，用于基于Gabor濾波器對掌紋圖像濾波；

等錯誤率計算單元602，用于對濾波后的掌紋圖像，計算各個頻段的等錯 誤率，將所述等錯誤率小于預設閾值的對應頻段作為第二備選頻段。

在附圖6示例的用于掌紋識別的頻段選擇裝置中，濾波單元601具體用于基于函數(shù)G(x,y,θ,u,σ)表示的Gabor濾波器，在函數(shù)G(x,y,θ,u,σ)的六個方向上對掌紋圖像濾波，其中，函數(shù)G(x,y,θ,u,σ)定義如下：

其中，x和y表示Gabor濾波器的位置坐標，u為正弦波的頻率，θ是函數(shù)G(x,y,θ,u,σ)的方向，σ是高斯函數(shù)的方差，而函數(shù)G(x,y,θ,u,σ)的六個方向分別為0、和

需要說明的是，上述裝置各模塊/單元之間的信息交互、執(zhí)行過程等內(nèi)容，由于與本發(fā)明方法實施例基于同一構思，其帶來的技術效果與本發(fā)明方法實施例相同，具體內(nèi)容可參見本發(fā)明方法實施例中的敘述，此處不再贅述。

本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，該程序可以存儲于一計算機可讀存儲介質(zhì)中，存儲介質(zhì)可以包括：只讀存儲器(ROM，Read Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁盤或光盤等。

以上對本發(fā)明實施例所提供的用于掌紋識別的頻段選擇方法和裝置進行了詳細介紹，本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據(jù)本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應理解為對本發(fā)明的限制。