掌纹特征提取竞争编码

基于gabor滤波器的掌纹特征提取的方法：掌纹编码palmcode，融合编码fusioncode，竞争编码competitive code

竞争编码：在特征提取中，运用6个不同方向的gabor滤波器围绕在掌纹图像上，然后把处于优势方向的滤波器编码成按位表示，然后对这些相位生成特征码，然后用hamming距离表示匹配度；竞争编码是基于方向的表达方法，求掌纹图像的每个像素，从而把图像从灰度空间映射到方向信息空间，然后进行匹配。

使用角度的索引值来代表特征

 Gabor滤波器

利用Gabor滤波器可以获得掌纹线段的方向信息。2DGabor滤波器定义如下：

将gabor函数去掉核分量，对光照影响不敏感

结合小波变换的理论，对gabor函数进行了改造。

利用Gabor滤波器可以获得掌纹线段的方向信息。Gabor滤波器定义如下。

其中：

(x0,y0)表示滤波器中心点；表示径向频率；表示滤波器角度；

，表示频率响应的半幅带宽。

根据欧拉公式，Gabor滤波器又可以表示为以下的形式：

直线模型

首先，建立一个线段的模型，这种模型是自上而下的高斯形状，定义如下：

是标准差，也可以看做是直线的宽度；

为直线的中心点；

A是控制直线梯度（对比度）的一个正实数，取决于采集设备；

C是表示亮度，取决于采集设备和采集环境；

表示直线的角度。

3.直线的角度相应

对于一条直线，利用Gabor滤波器在其中点进行滤波，响应如下。

响应函数有以下六条属性：

1. 当时响应最小；

2.在(0,PI/2)区间时，R是单调递增；

3. R是关于的对称函数；

4. R与A是成比例的；

5. R与C无关，即与亮度无关；

6. 当线段角度与滤波器角度垂直，R为0.

4.竞争编码

算法的目的是对直线进行编码，在这个角度下，各种直线是无差别的，需要与环境与

采集设备无关（与直线强度也无关）。因此，这里不直接使用相应R，而是采用一种

竞争规则来获取直线角度。这种规则被称为“Winner-take-all”。

竞争规则可以定义为：

（因为掌纹为暗纹，比非掌纹区域灰度值小，所以是Min）

I是预处理后的图像，是Gabor滤波器的实部。是滤波器角度，其中j={0,1,2,3,4,5}

表示滤波器选取的[0, Pi/6,…Pi]的六个角度。

在检测直线角度信息的时候，需要面临两个问题：

（1）图像中的某一点究竟属于那一条直线；

（2）即使能精确的知道没一点所归属的线段，想要实时的对所有点进行特征分析从而匹配目标十分

         困难，因为特征点的数量很不稳定，即使是同一个目标，两次采集时可能有不同的特征点。

为了解决以上的两个问题，在这里，将所有的特征点看做属于同一条直线。因此在可以在同一维度

空间内对特征点编码，提取特征向量，称这种编码方式为“竞争编码”

基于竞争编码的角度匹配

提到匹配，首先要引入一种相似性度量方法。相似性度量，在这里即设计一种两幅图片（两组特征向量）

“距离”的定义，距离越小，两幅图片越相似。本文中，需要度量的是已经进行编码后的特征向量P和Q。在

这里需要说明一点，对预处理后的图片进行竞争编码，图片区域可能仍有部分不属于ROI区域，因此在下

文中需要引入Mask对特征区域进行限定。为待匹配图像的掩膜。两幅编码后的图片距离D(P,Q)的计

算方法如下。

其中G(P(x,y), Q(x,y))表示编码图像对应点之间角度差的绝对值，因为每一个点有0，Pi/6，Pi/3，Pi/2，2Pi/3，Pi。

六个值，分别表示为0~5，因此两特征点之间角度的差的范围在0~3。具体计算方式如下。

可以看到D(P,Q)是一个0~1之间的数，越小，距离越近。

需要说明的一点：这种匹配方式的前提是两幅图片（若属于同一手掌）进行匹配的前提是特征点能在相应位置一一

对应，但这必然是不能保证的。因此实际操作是以模板图像为标准，样本图像分别在基准点水平和竖直[-2,2]的区域

滑动，即25种匹配，取D最小的为最终答案。

用4bit来表示竞争编码，第一位表示掩膜，后三位可以表达0~5。这样，D的计算可以用一个更为有效的方式，如下式。

是异或操作。

具体的竞争编码规则如下。

转载于:https://my.oschina.net/u/3311443/blog/848818