刘英旋+王飞+万晓宇+王长明+孙永刚+刘杰

【摘 要】针对现有的手形认证方法的不足，提出一种基于几何不变矩的手形认证方法。图像经过二值化处理和分割手腕后，需要对所得到得手掌及手指部分图像进行平移和缩放归一化处理，以提取图像的几何矩特征，再由7个矩特征构成一组特征向量。最后通过支持向量机方法对图像库中的100幅图像数据进行训练，并随机抽取15幅图像进行测试，结果表明手形认证准确率可达到93.3%。提取手形几何矩特征作为手形认证的有效特征，该方法具有算法简单、运算量小、认证准确率高等特点，并且解决了由于去除定位栓所带来的手形采集平移、旋转和缩放等问题。

【关键词】手形认证；图像预处理；不变矩；特征提取；支持向量机

0 前言

手形识别是利用人手的生物特征来进行识别的身份认证技术，与其他的生物特征相比，基于手形的身份识别技术有以下优点：对图像获取设备的要求较低，手形处理算法相对简单、认证速度最快，目前手形认证已经成为生物特征识别技术的一个重要组成部分，并受到越来越多的重视。本文提出一种适用于无定位的非接触式手形图像采集和处理方法，将几何不变矩方法应用于手形特征识别，解决了由于去除定位栓所带来的图像平移、旋转和缩放等问题，并通过实验验证了算法的识别率。

1 几何矩定义

几何矩是一种基于统计分析的方法，1962年，M.K.Hu首次提出了图像识别的几何矩理论，并证明了所提出的7个矩组队图像的平移、缩放和旋转变化均保持不变。本文采用几何矩进行特征提取，并应用到手形识别中去，很好地解决了手形识别过程中手形的旋转缩放和尺度变换所带来的问题，使手形识别系统具有很好的鲁棒性。低阶矩主要描述图像的整体特征，如面积、主轴、方向角等；而高阶矩主要描述图像的细节。这七个矩不变量适合描述目标函数的整体形状，因此在边缘提取、图像匹配及目标识别中具有广泛的应用[7]。目前矩特征广泛应用于图像匹配、目标识别、形状特征分析等许多领域。

2 手形图像预处理

2.1 图像分割

提取特征前需要对采集到的手形图像进行预处理，得到感兴趣的区域。首先采用阈值分割方法对采集到的手形图像作二值化和中值滤波处理，以滤除图像中的离散噪声点。由于本论文采集手形图像采用无定位栓的方法，手的摆放位置有一定的自由性，而且手腕部分的分割误差较大，所以采用手掌及手指的形状特征作为分类特征。需要在采集到的手形图像中将手腕部分分割[8]。最后采用手掌及手指图像作为特征提取的对象。

2.2 归一化

由于离散情况下的Hu矩具有旋转和平移不变性，但是并不具有尺度不变性，所以需要在预处理阶段将图像进行尺度和平移归一化。归一化步骤为：

3 手形图像矩特征提取

传统的基于手部特征矢量的方法采用手部的几何尺寸作为匹配特征，算法简单匹配速度快，但是需要在采集台上设置固定栓来对待测手的摆放位置进行限制，并且需要用户进行配合。而采用矩特征表示图像是一种基于统计分析的算法，描述了图像的整体形状特征，本文中提出的方法只需将摄像机位置固定后对手形进行采集。由于手的摆放位置有很大的自由性（小角度旋转或者平移），所以提取的图像特征必须要对旋转或者平移具有不变性，HU矩正满足这样的要求，以下我们采集了同一人的手形，并进行不同角度的旋转、平移及不同比例的缩放，并计算其HU矩结果。

4 实验结果

身份认证需要解决的问题是，对于某一待测者采集识别手形，并和手形库中输入的注册样本进行比对，如果属于同一被测者，则认证成功，否则需要重新采集或者判断为不属于同一人。本文选取了实验室10人的手形样本，分别在一天的不同时间段进行采集20次，采集时手形摆放的位置和角度不受限制。本文采用支持向量机典型二分类问题，即通过将采集的手形与图像库中用户注册的手形进行比对，判断是否属于同一个人。

传统的分类方法只考虑分类器对训练样本的拟合情况，以最小化训练集上的分类错误为目标，通过为训练过程提供充足的训练样本来试图提高分类器在未见过的测试集上的识别率。然而，对于少量

的训练样本集合来说，不能保证一个很好地分类了训练样本的分类器也能很好地分类测试样本。

5 结论

为了解决传统手形识别设备中，借助于定位栓对手形采集而给用户带来的不方便、不友好的问题，本文提出了一种针对手指自然张开、无定位栓和非接触式采集手形图像进行身份认证的方法。采用手形归一化二值图像的几何不变矩作为特征矩阵，解决了在采集时手形旋转、平移以及由于尺度变化引起的图像缩放给识别结果带来的影响。

支持向量机以结构化风险最小化为原则，即兼顾训练误差与测试误差的最小化，在模式识别（人脸识别、字符识别、目标自动分类）和非线性系统控制中应用很广泛。对于支持向量机分类来说，首先要解决的问题就是核函数的选择，为了评价分类算法的准确性，首先从所采集的200幅图像中同一人手形选取10幅共100组特征进行训练，然后在图像库中随机挑选15幅手形图像作为测试集以驗证算法的分类准确性。分类准确率可达到93.3%，15幅图像的分类时间为0.87秒。

本文建立了一个包括200组特征的手形库，选取7个几何矩不变量作为特征值，采用支持向量机先对样本图像进行训练，然后利用训练模型对随机抽取的图像进行分类测试，结果表明认证准确率可达到93.3%。本文提出的方法识别准确率高，计算量小，特征数少，便于传输和存储，可以应用于嵌入式手形识别设备的开发。

【参考文献】

[1]Nicolae Dta.A survey of biometric technology based on hand shape[J].Pattern Recognition，2009，42：2797-2806.

[2]桑海峰，赵云，苑玮琦，陈静.基于人手自然张开的多生物特征识别[J].仪器仪表学报，2011，32（11）：2549-2556.

[3]苑玮琦，董茜.基于手部尺寸特征的手形认证方法[J].光学学报，2010，30（10）：2994-2999.endprint