基于多尺度小波边缘检测的掌纹特征提取

g . Seshikala¹umakanth Kulkarni博士², Dr.M.N。Giriprasad^3.

印度卡纳塔克邦AIT欧洲经委会教授兼系主任(电子邮件保护)
印度达尔瓦德市理工学院CSE系教授;(电子邮件保护)
印度，安得拉邦，j.n.t.u.，教授，欧洲经委会系主任(电子邮件保护)

摘要

利用掌纹进行生物特征识别是一种可靠的技术，与其他生物特征相比具有许多优点。本文采用多尺度小波边缘检测方法对掌纹进行特征提取。结果和性能与传统的边缘检测技术如Sobel和Canny方法进行了比较。在polyu数据库上进行了实验，分析结果表明，小波多尺度边缘检测的掌纹特征提取效果明显优于Sobel和Canny方法。

关键字

掌纹特征提取，边缘检测，多尺度小波，索贝尔，坎尼。

介绍

在当今信息化和网络化的社会中，可靠、方便、经济的人体自动识别是一个关键问题。掌纹是一种可靠的新兴技术。提取掌纹特征，如主纹、皱纹、脊、奇异点、纹理等，用于人的验证和身份验证。目前使用的特征提取技术有很多。边缘检测技术在图像处理中有着广泛的应用。基于边缘检测的掌纹特征提取还有待进一步研究。

在当今信息化和网络化的社会中，可靠、方便、经济的人体自动识别是一个关键问题。掌纹是一种可靠的新兴技术。提取掌纹特征，如主纹、皱纹、脊、奇异点、纹理等，用于人的验证和身份验证。目前使用的特征提取技术有很多。边缘检测技术在图像处理中有着广泛的应用。基于边缘检测的掌纹特征提取还有待进一步研究。利用小波变换有效地处理了奇异点的空间分布。基于小波边缘检测的掌纹特征提取取得了令人满意的效果。

本文的其余部分组织如下:第二节为文献综述。第三部分给出了基于多尺度小波边缘检测的掌纹特征提取方法。第四节是对索贝尔和坎尼的比较，最后第五节给出结论。实验分析采用poly-U数据库[2][4][11][12][13]。

文献调查

掌纹识别的准确性取决于所提取的掌纹特征，如主纹、皱纹、纹理等。开发了各种特征提取算法，并将其用于掌纹识别。边缘检测是图像处理中应用最广泛的图像特征提取方法。Canny、Sobel等传统边缘检测方法在图像特征提取中更为常用。将小波多尺度边缘检测应用于掌纹特征提取，包括图像采集、预处理、匹配和决策。首先提取手掌的ROI，然后利用该方法提取特征。结果与Canny和Sobel[1][2][3][4][7][14]等传统边缘检测技术进行了比较和分析。

掌纹特征提取

为了评估掌纹识别系统的性能，使用POLY U数据库，该数据库包含600张100个人的图像。手掌被用作可靠、经济、容易获得的身份识别方式。手掌内表面包含许多独特的特征，如主线、脊线、皱纹和三角点，这些特征需要提取并与更大的数据集进行匹配。首先在图像上应用低通滤波器来去除噪声。为了区分掌纹图像和背景图像，利用直方图分析方法将掌纹图像转换为二值图像。

F(x,y) = 255 if F(x,y) _灰度。

F(x,y) = 0 if F(x,y) _灰度。

感兴趣的区域(roi)

对齐指定区域并扫描二值图像到其中。在X轴上的手掌边缘上选择一个点P，并按指定的行方向递减它。从Y轴的底部边缘在P的同一水平上选择另一个点，并按行递增。如果递减级别等于递增级别，则向外图像被裁剪。这个过程是重复的Y轴点选择在手掌边缘。再次指定一个新的区域，整个过程重复进行，直到我们最终得到手掌的中心区域。手掌的中心被裁剪以进行特征提取。

B.特征提取

将Jpeg手掌图像分割成小窗口，并利用小波变换进行分析。Mallat定义平均值为0的小波函数为:

用尺度参数s展开，用u平移。

通过将信号与平滑函数在所有可能的平移和尺度下进行相关，得到连续的小波变换，由于缩放和位置参数，得到一个随频率和像素位置变化的二维小波变换。信号的结构与原始信号保持一致，但边缘更光滑，更圆，并且包含锐边，锐边定义了图像变化中的亮度。采用多尺度因子，得到了更多的数值。信号中的采样数。由于连续小波变换是昂贵的，因此采用了二进变换，其中只使用了2次幂的尺度。在这种方法中，平滑函数被拉伸到一个选择的尺度上，并在多个尺度上重复这个过程，在小波变换中包含图像中每个位置的信息。带平滑函数的小波变换相当于巧妙的边缘检测，其中高斯函数的导数与图像进行卷积，使图像的局部最大值和最小值对应于边缘。利用小波变换可以提取更多的边缘信息。给出的利普希茨规则在数学上对边进行了表征

Mallat表明，如果小波变换为Lipschitz α，则函数Lipschitz α为:

多尺度小波边缘检测算法:提取掌纹图像的ROI，利用二进尺度对图像进行小波变换。在每一步图像与小波进行卷积以获得该级别的系数，然后用规模递增的高斯平滑。完成了小波滤波和高斯滤波。模极大值图像结合了两个滤波后的图像，表示为

计算角度图像

使用模数和角度图像来选择最大值线，如果一个像素沿着梯度矢量的角度大于它的两个邻居，那么它就是模数最大值，一个考虑有8个邻居的像素被选择，一个最大值的阈值被设置，一个像素值被选择。采集最大边缘点，形成多尺度图像边缘。从提取的ROI中检测出所有边缘中最锐利的边缘。

C. SOBLE和CANNY边缘检测

Sobel算子对图像进行空间梯度测量，找到与边缘对应的高空间频率区域。Sobel在输入的灰度图像中求出每个点的近似绝对梯度大小。该算子由3x3个卷积核组成，如图所示。一个核就是另一个核旋转90度。这些核被设计为最大限度地响应相对于像素网格垂直和水平运行的边缘，两个垂直方向各有一个核。这两者可以结合在一起，以找出在每个点梯度的绝对大小和梯度的方向。梯度的大小由

Canny检测器被认为是一种较好的边缘检测器，它具有较低的错误率，并能找到边缘像素之间的距离。Canny首先对图像进行平滑处理以消除噪声，并找到图像梯度以突出具有高空间导数的区域。然后，算法沿着这些区域进行跟踪，并抑制任何未达到最大值的像素。通过迟滞进一步减小梯度阵列。迟滞跟踪未被抑制的剩余像素。Canny使用两个阈值，如果幅度低于第一个阈值，则设置为零(非边缘)，如果幅度高于高阈值，则设置为边缘;如果大小在两个阈值之间，则设置为零，除非从该像素到梯度高于阈值two[1][3][5][9][10][11]的像素有一条路径。