掌紋識別是近幾年提出的一種較新的生物特徵識別技術。掌紋是指手指末端到手腕部分的手掌圖像。其中很多特徵可以用來進行身份識別：如主線、皺紋、細小的紋理、脊末梢、分叉點等。掌紋識別也是一種非侵犯性的識別方法，用戶比較容易接受，對採集設備要求不高。
基本介紹
- 中文名：掌紋識別
- 特點：分辨能力和更高的鑑別能力
- 性質：生物特徵識別技術
- 目的：進行身份識別
掌紋特徵,定義,詳細,系統組成,預處理,特徵提取,分類決策,掌紋識別算法,點與線特徵,掌紋紋理,子空間,分級融合,技術展望,
掌紋特徵
定義
掌紋是指手腕與手指之間的手掌表面上的各種紋線。掌紋的形態由遺傳基因控制，即使由於某種原因表皮剝落，新生的掌紋紋線仍保持著原來的結構。每個人的掌紋紋線都不一樣，即使是孿生同胞，他們的掌紋也只是比較相似，而不會完全一樣。
詳細
掌紋中最重要的特徵是紋線特徵，而且這些紋線特徵中最清晰的幾條紋線基本上是伴隨人的一生不發生變化的。並且在低解析度和低質量的圖像中仍能夠清晰的辨認。
點特徵主要是指手掌上所具有的和指紋類似的皮膚表面特徵，如掌紋乳突紋在局部形成的奇異點及紋形。點特徵需要在高解析度和高質量的圖像中獲取，因此對圖像的質量要求較高。
紋理特徵，主要是指比紋線更短、更細的一些紋線，但其在手掌上分布是毫無規律的。掌紋的特徵還包括幾何特徵：如手掌的寬度、長度和幾何形狀，以及手掌不同區域的分布。
掌紋中所包含的信息遠比一枚指紋包含的信息豐富，利用掌紋的紋線特徵、點特徵、紋理特徵、幾何特徵完全可以確定一個人的身份。因此，從理論上講，掌紋具有比指紋更好的分辨能力和更高的鑑別能力。
系統組成
掌紋識別系統同其他生物特徵識別系統在結構上是一樣的，他們都由兩個部分構成：訓練樣本錄入階段和測試樣本分類階段，如圖1-3所示。訓練樣本錄入階段可以描述如下：首先對採集的掌紋訓練樣本進行預處理，然後進行特徵提取，把提取的掌紋特徵存入特徵資料庫中留待與被分類樣本進行匹配。測試樣本分類階段是對獲取的測試樣本經過與訓練樣本相同的預處理、特徵提取步驟後，送入分類器進行分類。這兩部分都包括以下三步：掌紋圖像採集、預處理以及特徵提取，下面將分別介紹。
掌紋圖像採集：掌紋圖像採集的目的就是利用某種數字設備實現把掌紋轉換成可以用計算機處理的矩陣數據。一般採集的都是二維灰度圖像。
預處理
預處理的目的是使所採集的掌紋圖像能方便的對圖像後續處理，如去除噪聲使圖像更清晰，對輸入測量引起或其他因素所造成的退化現象進行復原，並對圖像進行歸一化處理。
特徵提取
經過預處理的信息數據往往十分龐大。因此需要對信息數據進行特徵提取和選擇，即用某種方法把數據從模式空間轉換到特徵子空間。使得在特徵空間中，數據具有很好的區分能力。
分類決策
掌紋識別算法
研究人員已經對掌紋識別技術進行了廣泛而深入的研究，並取得了一定的成果。本文對掌紋識別技術的國內外研究現狀作簡單介紹。下面分別介紹基於掌紋的點特徵與線特徵、紋理特徵、子空間分析和分級特徵融合的掌紋識別算法。
點與線特徵
與指紋相似，掌紋圖像上也含有脊線和細節點。Funada J提出了一種通過消除掌紋的褶皺提取乳突紋的方法[9]，然而這種方法僅限於提取掌紋圖像的脊線，並沒有成功用於掌紋識別。Duta提出了一種基於掌紋圖像特徵點的掌紋識別方法[10]。Chen等嘗試通過產生局部灰度方向場圖像來估計掌紋的褶皺點[11]，將這些點連線起來組成直線段的形式用於後續的匹配。
手掌上的紋線是最直觀的特徵，很多文獻都研究了掌紋的線特徵[12~15]，提取紋線特徵實際上是低對比度、高噪聲背景條件下的邊緣檢測。文獻[13]最早使用了掌紋的線特徵用於掌紋識別，這種方法只提取手掌上的短直線。Han等人則採用形態學和Sobel邊緣特徵描述掌紋[12]，並訓練一個神經網路分類器用於驗證。基於堆疊濾波的金字塔邊緣檢測算法和依據灰度形態學中的腐蝕、膨脹等概念構造的運算元也被用於提取掌紋線特徵。
基於點、線特徵的識別算法是掌紋識別中最直接的方法。點特徵可以精確的描述掌紋圖像，且魯棒性較強、鑑別能力高。但是點特徵需要在高解析度的圖像中提取。若點的數量較多，則匹配時需要大量的計算消耗。線特徵明顯穩定，表示方法簡單，特徵空間小。但是，點特徵和線特徵無法表示掌紋紋線的深淺和力度，並且受噪聲的干擾較大。
掌紋紋理
掌紋可以被認為是無規則但在個體間獨一無二的一種紋理。有很多方法是針對紋理分析處理掌紋圖像的。如Gabor濾波[18~20]、小波變換[21~23]、傅立葉變換[24]和局部能量[25]等方法。與指紋相比，掌紋上有很多摺痕，Wu提取有向線能量特徵將這些摺痕特徵向量化[25]，用於掌紋識別。李文新通過傅立葉變換將掌紋圖像變換到頻域[24]，然後再將變換後的圖像分別計算R能量和 能量，最後通過分級匹配方法對提取的特徵進行匹配識別。
Kong等人將虹膜識別[26]中的基於二維Gabor的相位編碼方法用於掌紋圖像的特徵提取。該方法把Gabor濾波後的圖像進行相位編碼，稱作PalmCode，這樣在特徵向量中只保存了相位信息。由於這種算法只採用了一個方向的Gabor濾波器提取掌紋圖像的特徵，掌紋圖像其他方向的信息丟失。文獻在這種算法的基礎上進行改進，提出了採用4個方向的Gabor濾波器同時提取掌紋圖像的相位特徵，然後通過融合準則將這4個方向的相位特徵融合為一個，稱為FusionCode。這種算法很好的利用了Gabor濾波器的方向性，使得算法的正確識別率大大提高。但是，這種算法需要計算4次Gabor濾波器與圖像的卷積運算，使得計算複雜度明顯增加。
採用紋理分析的方法處理掌紋圖像可以有效的避免圖像在空域中噪聲的影響，簡化甚至免去圖像預處理步驟。同時，採用紋理能量描述掌紋，除了空間位置外，還能夠利用紋線的粗細程度這一性質進行區分。這種方法能夠較好的保持掌紋圖像的類間區分性和類內緊湊性。
子空間
基於子空間的特徵提取指的是將掌紋圖像通過映射變換或是矩陣運算，實現從樣本空間到特徵子空間的轉換。根據映射變換的性質，變換後的子空間可分為線性子空間和非線性子空間。運用在掌紋識別上的多為線性子空間方法。
主成分分析是多元變數統計中的一種降維技術。這種方法認為任何一幅圖像都可以分解為一系列向量與係數的線性組合，該係數彼此不相關，並且服從高斯分布，將其中包含信息成分最多的向量方向視為主要組成成分方向。具體實現是將掌紋圖像按行展開後，所形成的一維向量進行K-L變換，獲得其正交的n維K-L基底，以對應前m個最大特徵值的基底張成的子空間，將掌紋圖像投影到該子空間上，實現維數的降低以減少計算複雜度。其中，對應較大特徵值的基底具有類似掌紋圖像一樣的紋理，被稱作特徵掌，可以利用特徵掌集來描述掌紋[28,32]。二維主成分分析是在主成分分析的理論基礎上建立起來的，他與主成分分析不同之處主要在於它是直接基於二維矩陣的變換，而無需先將二維圖像化為一維。文獻[30,31]採用了二維主成分分析的方法對掌紋圖像進行特徵提取。
Fisher是線性判別中的經典算法，該算法的主要思想是：在一般情況下，總可以找到某一個或某一些投影方向，使得樣本投影在該方向上的結果能夠符合類內離散度最小、類間離散度最大的標準。即投影后的模式具有最佳的可分離性。文獻[33,34]採用Fisher算法對掌紋圖像進行分類識別，取得了很好的效果。
子空間法提取特徵具有描述性強，計算代價小，易實現和可分性好等特點。使用較少的特徵向量數目就能夠取得較高的識別率。但PCA方法的本質決定了在該方法下得到的特徵在一般情況下是最佳描述而不是最佳分類特徵，這不利於分類匹配。FLD方法同樣能大大降低原始特徵空間的維數，並且和PCA方法相比，FLD方法對光照條件更為不敏感。
分級融合
從上面的分析可以看出，每種掌紋圖像的識別算法都各有優缺點，如果只採用一種識別算法很難做到快速、高精度的身份識別。因此，多特徵融合的方法將是掌紋識別發展的重要方向。
這裡的融合，可以是特徵級的融合，通過定義的融合準則將提取的多個特徵融合為一個新的特徵。如文獻[27]通過融合準則將4個不同方向的Gabor濾波器提取的掌紋圖像的相位特徵融合為一個。有效的表達了掌紋圖像的方向和相位信息。文獻用競爭編碼的方式，將Gabor濾波器提取的6個方向的掌紋圖像的相位信息融合。從而在提高識別精度的同時使得匹配速度也大大提高。
也可以是匹配級的融合[36~38]，也就是從粗到細，不同匹配層次採用不同特徵，例如粗匹配層次採用紋理能量作為特徵，精匹配層次提取點特徵進行匹配。You利用多種特徵對掌紋進行分層編碼，以實現在大規模掌紋資料庫中進行快速的身份識別。
技術展望
隨著信息技術和網路技術的高速發展，信息安全顯示出前所未有的重要性。生物識別技術以其特有的穩定性、唯一性和方便性，得到越來越廣泛的套用。掌紋識別作為一項新興的生物識別技術，因具有採樣簡單、圖像信息豐富、用戶接受程度高、不易偽造、受噪聲干擾小等特點受到國內外研究人員的廣泛關注。但是由於掌紋識別技術起步較晚，尚處於學習和借鑑其他生物特徵識別技術的階段。
