掌纹掌脉融合识别技术与泛地铁环境的应用

根据掌脉图像的纹线特征，借鉴现今非常成熟的指纹识别相关算法和经验，采用提取掌脉图像细节点的方法和点模式匹配算法，即提取出静脉纹路的关键细节点相关信息并用于身份识别。

6.3.3.1　关键点提取

对于细化后图像上的任意点p1（p1为像素点的灰度值），在8邻域图中其交叉数和8邻域纹线点数分别定义为：

遍历细化后图像中的每一个像素点，计算其cn（p1）和sn（p1），根据下面的条件判据即可得到所有的端点和分支点：

当p1=1、cn（p1）=1且sn（ p1）=1时，细节特征点p1为端点。

当p1=1、cn（p1）= 3且sn（p1）= 3时，细节特征点p1为三叉点。

当p1=1、cn（p1）= 4且sn（p1）=4时，细节特征点p1为四叉点。

6.3.3.2　匹配识别

本节采用较为成熟的点匹配算法提取的关键点序列进行匹配识别。点模式匹配算法是假设通过某些变换（如平移变换、伸缩变换、旋转变换）把两个点集中的对应点匹配起来。设点模式匹配的两个点集P和Q，其中P从第一幅图像中抽取，有k个点特征构成，P=｛P1，P2，…，Pk ｝；Q从第二幅图像中抽取，由l个点特征构成，Q=｛Q1，Q2，…，Ql｝。它们之间的匹配就是找到一个校准函数H（tx，ty，s，θ），以使两个点集有最大数量点对存在稳定的一一对应关系，即H（Pi）=Qj。函数H（tx，ty，s，θ）是一个含有四个参数的映射变换，其中s是两幅图像的伸缩系数，θ为偏转角度，tx和ty分别是沿x方向和y方向的位移。下面介绍函数H（tx，ty，s，θ）中四个参数的求解过程。

用x方向和y方向的坐标来描述两个点集中的特征点：

显然，若P和Q中存在一对匹配的点Pi和Qm，则其对应关系为：(www.xing528.com)

由以上两个方程可以得到函数H（tx，ty，s，θ）的四个参数变量值为：

由此，在计算出的值后，可以求出变量tx、ty、s和θ的值。

具体算法有以下几个步骤：

1）初始匹配点对的确定

点模式匹配算法首先要在两个待匹配点集合P（P为该类模板图像的特征点集合）和Q中寻找到肯定匹配的两对点，即参考点。采用匹配点支持算法来确定参考点，其核心思想是，假定Pi和Qm是可以真正匹配的一对点对，则分别从Pi和Qm向点集内其他特征点作矢量线段和，j=1，2，…，k，j≠i，n=1，2，…，l，n ≠m。那么在矢量段组成的两个集合中，肯定存在一个转角参数θ0，使得大多数矢量段满足参数（0，0，θ0）下的映射关系。

2）映射参数的求取

计算每对匹配点Pi和Qm的支持数W i，m（支持数表示当Pi和Qm匹配时还有Wi，m个点对存在一一匹配的关系）。当Pj↔Qn是一对真正匹配的特征点时，Wj，n可能是｛Wi，m | i=1，2，…，k；m=1，2，…，l｝中的最大值。反过来说，如果Wj，n是｛ W i，m|i=1，2，…，k；m=1，2，…，l｝中的最大值，则Pj↔Qn一定是成功匹配的一对，同时表明存在另外的匹配特征点对支持Pj↔Qn相匹配。寻找到具有最大支持数的匹配点，就可以确定两幅图像间转角参数，从而确定H（tx，ty，s，θ）。

3）匹配识别

特征点以具有最大支持数的匹配点为原点，以函数参数为基础，进行旋转坐标变换，求取点集Q和模板点集P之间匹配的点对数SQ（1≤SQ≤min（k，l））；然后用SQ除以该类模板图像的总特征点数k得到匹配分数TQ，TQ=SQ/k；最后将TQ与预置的匹配阈值T（0＜T≤1）比较，当TQ ≥ T时，则两幅图像匹配，否则不匹配。