TWI531985B - Palm biometric method - Google Patents

Description

手掌生物辨識方法

本發明是有關於一種手掌生物辨識方法，特別是指一種可以有效辨識以任何方向及任何角度輸入待測手掌影像之手掌生物辨識方法。

手掌辨識技術因為具有低成本極高辨識率等優點，而逐漸成為現今以生物特徵進行身份確認的主流技術之一。

Ribaric,S.等人於2009年在IEEE Transactions on Pattern Analysis and Machine Intelligence中所提出之「A biometric identification system based on eigenpalm and eigenfinger features」，其中，該先前技術藉由一待測手掌及其手指之多數個子影像以得到相關的特徵值，進而藉由該等特徵值以進行生物特徵辨識，然而，該先前技術對於所偵測的該待測手掌的角度及背景亮度的變化，皆有特定的要求，因此在實際應用上往往會容易產生誤判。

而Wu,X.,Zhang等人於2006年在IEEE Transactions on Systems,Man,and Cybernetics中所提出之「Palm line extraction and matching for personal authentication」，其中，該先前技術利用一鏈結編碼(chaining coding)技術，得到多數條手掌切割線(palm lines)以進行生物特之辨識，然而，該先前技術往往因為該鏈結編碼的演算法靈敏度太高導致很難得到該等適當的手掌切割線。

此外，Li,F.,Leung等人於2006年在Proceedings of 18th Conference on Pattern Recognition中所提出之「Hierarchical identification of palmprint using line-based Hough transform」，以及Wu,J.,Qiu等人於2006年在Proceedings of 18th Conference on Pattern Recognition中所提出之「A hierarchical palmprint identification method using hand geometry and grayscale distribution features」，該等先前技術皆是利用手掌幾何及其灰階分布(Gray-scale distribution)特徵以進行生物特之辨識，然而該等先前技術對於一非垂直放置之待測手掌影像(亦即具有一旋轉角度之手掌影像)，無法校正其旋轉角度而得到該手掌之正確相關位置。

因此，Ouyang,C.-S.等人於2006年在Proceedings of 21th International Conference on Industrial,Engineering & Other Applications of Applied Intelligent Systems中所提出之「An adaptive biometric system based on palm texture feature and LVQ neural network」，其根據一局部模糊樣本(Local fuzzy pattern,LFP)之特徵描述態樣(Texture descriptor)，將每一待測手掌之子影像(Subimage)轉換為一對應的特徵向量(Feature vector)，然後利用該等特徵向量偵測出該待測手掌的轉動角度及位置，雖然相較於前面所述之該等先前技術而言，可以克服需要特定角度及背景亮度、演算法靈敏度過高、具有轉動角度等等的問題，然而，該先前技術掃描該待測手掌影像時，若是該待測手掌之旋轉角度大於50度時將可能產生誤判動作，使得一合法使用者因該手掌辨識系統無法判讀其待測手掌影像而發生無法登入的情形。

此外，Ouyang,C.-S.等人於2010年在International conference on machine learning and cybernetics(ICMLC)中所提出之「An improved neural-network-based biometric system with rotation detection mechanism」，雖可接受該待測手掌以任意旋轉角度掃描之影像，然而其為了降低辨識演算法複雜度而降低該待測手掌影像之解析度，同時將對應產生之多數個子影像(Subimage)正規化成直方圖後，會使所有手指子影像的長度、寬度等資訊有所漏失，因此，該先前技術雖然可增加辨識待測手掌之位置的準確率，但卻可能發生具有相似手掌特徵之使用者，因為對應之子影像中漏失部分資訊而導致該手掌辨識系統的誤判率上升之情形，使得該手掌辨識系統誤將一合法使用者判定為一非法使用者、或是將一非法使用者判定為一合法使用者。

因此，如何找到一個既可提升該待測手掌影像之辨識度且可有效降低辨識所需花費之時間的方法，使得一手掌辨識系統的辨識準確率及辨識效率可以有效改善，是值得相關人士持續研究以改善的目標。

因此，本發明之目的，即在提供一種手掌生物辨識方法，適用於以一處理器接收一使用者手掌所對應之待測手掌影像，其包含以下步驟：組配該處理器，以處理該待測手掌影像，以得到一組邊界像素；組配該處理器，以偵測該待測手掌之旋轉角度；組配該處理器，依據該待測手掌方向，依序搜尋該組邊界像素中每一邊界像素座標之y值與前後邊界像素座標之y值的變化情形，設定多數個特徵點，其中該等特徵點包括多數個指谷點、指尖點及目標點；組配該處理器，以根據該等特徵點得到多數個子影像，其包括以下子步驟：組配該處理器，根據一指尖點與對應之二指谷點，或一指尖點與對應之一目標點與一指谷點，計算出對應每一指尖點對應之中點，再根據該等中點與對應之指尖點的連線分別得到五個間隔點，且每一間隔點於該組邊界像素中對應得到二交越點，而該等交越點與該指尖點、該中點、該等指谷點或該指谷點與該目標點得到一對應之第一子影像；組配該處理器，根據二目標點所形成之一第一設定線段，並根據該第一設定線段為一邊長所形成之正方形以得到一特定點，再根據該特定點、該等目標點及對應之該等指谷點得到一第二子影像；組配該處理器，將該等子影像之亮度正規化；及組配該處理器，將每一子影像轉換為一對應的特徵向量；及組配該處理器，根據該等特徵向量，得到並儲存該使用者所對應之生物代表模型。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之一個較佳實施例的詳細說明中，將可清楚的呈現。

根據Ouyang,C.-S.等人於2006年在Proceedings of 21th International Conference on Industrial,Engineering & Other Applications of Applied Intelligent Systems中所提出之「An adaptive biometric system based on palm texture feature and LVQ neural network」相關技術中，一手掌生物辨識方法包含以下程序：一註冊程序(Registration)及一驗證程序(Identification and verification)。

該註冊程序包括接收一組合法使用者的手掌特徵向量(Palm feature vector)，並經由一學習向量量化(Learning vector quantization,LVQ2)演算法運算之後，得到該合法使用者所對應之生物代表模型(Representative prototype)，並將該等生物代表模型儲存於一合法使用者資料庫(Registration user database)中，其中，每一生物代表模型具有六個特徵向量。

該驗證程序包括接收一組未知使用者的手掌特徵向量，並將該等手掌特徵向量與儲存於該合法使用者資料庫中的每一生物代表模型之六個特徵向量進行比對，若是存在一生物代表模型之六個特徵向量與該組未知使用者的手掌特徵向量相等時，則該未知使用者將被視為一合法使用者而接受其登入請求，若否，則該未知使用者將被視為一非法使用者而拒絕其登入請求。

因此，本發明之特色著重於：如何有效得到一組合法使用者的手掌特徵向量，以將其轉換為對應之生物代表模型後並儲存之，或是得到一組未知使用者的手掌特徵向量，以將其與該合法使用者資料庫中的每一生物代表模型之六個特徵向量進行比對，判定該未知使用者是否為一合法使用者。

參閱圖1，本發明之手掌生物辨識方法9之一較佳實施例，適用於以一處理器接收一使用者手掌所對應之待測手掌影像，其包括以下步驟：步驟91是組配該處理器，以處理該待測手掌影像；步驟92是組配該處理器，以偵測該待測手掌之旋轉角度；步驟93是組配該處理器，以搜尋該待測手掌之所有特徵點；及步驟94是組配該處理器，以根據該等特徵點得到該待測手掌之特徵向量。

每一步驟91~94分別說明如下：參閱圖2，步驟91是處理該待測手掌影像之步驟，具有以下子步驟：子步驟911是組配該處理器，以設定一灰階像素臨界值(Threshold of gray level)T，並根據該灰階像素臨界值，將該待測手掌影像轉換為一個二位元影像(Binary image)，其中，該灰階像素臨界值T的設定方式如下方程式(F.1)所示：

M、N代表該待測手掌影像之解析度為M×N，而g(x,y)代表該待測手掌影像中座標為(x,y)之像素值(Pixel value)。

此外，該二位元影像之該轉換方式為：當該處理器判斷該待測手掌影像中座標為(x,y)之像素的像素值g(x,y)大於該灰階像素臨界值T時，組配該處理器將該像素值g(x,y)設定為255，反之，當該像素值g(x,y)小於該灰階像素臨界值T時，組配該處理器將該像素值g(x,y)設定為0；子步驟912是組配該處理器，根據一3×3的中位濾波器(Median filter)，消除該二位元影像中的雜訊點；子步驟913是組配該處理器，利用一拉普拉斯濾波器(Laplacian filter)，以完成該二位元影像中的邊緣偵測(Edge detection)，進而得到一組邊界像素，其中，該組邊界像素中的每一邊界像素皆為該待測手掌影像中手掌輪廓上之一像素；及子步驟914是組配該處理器，依序標記該子步驟914中之該組邊界像素，其依序方式為，由(M-1,N-1)、(M-1,N-2)、...、(M-1,0)、(M-2,N-1)、(M-2,N-2)、...、(0,0)。

聯合參閱圖3、4，步驟92是偵測手掌旋轉角度之步驟，具有以下子步驟：子步驟921是組配該處理器，設定多數條與該待測手掌影像交錯之水平線段，並判斷當一條水平線段上的一座標值與該組邊界像素中的一像素座標值相等時，即代表該水平線段與該待測手掌影像中之手掌輪廓有一交錯點；子步驟922是組配該處理器，選取一與該手掌輪廓有八個交錯點P1~P8之水平線段，作為一第一參考線段；子步驟923是組配該處理器，選取該等交錯點P2與P3之中心點PM1，並根據該中心點PM1由該組邊界像素中選取一對應之參考點P_ref；子步驟924是組配該處理器，根據該參考點P_ref座標與該交錯點P2判斷該待測手掌方向，當該參考點P_ref座標之y座標大於該該交錯點P2之y座標，代表該待測手掌方向為手指尖端方向朝-y方向，反之，當該參考點P_ref座標之y座標小於該該交錯點P2之y座標，代表該待測手掌方向為手指尖端方向朝+y方向；子步驟925是組配該處理器，根據該等交錯點P3、P4設定一第一標記點，其中，當該待測手掌方向為手指尖端方向朝+y方向時，該第一標記點的設定方式為計算其交錯點P3、P4之中點PM2之後，再計算該組邊界像素中，x座標介於該交錯點P3、P4之間且y座標大於該中點PM2之y座標的每一像素與該中點PM2之距離，其中具有最大距離之像素即為該第一標記點，相似的，若是該待測手掌方向為手指尖端方向朝-y方向時，則計算該組邊界像素中，x座標介於該交錯點P3、P4之間且y座標小於該中點PM2之y座標的每一像素與該中點PM2之距離，其中具有最大距離之像素即為該第一標記點；同理，組配該處理器根據該等交錯點P5、P6與該等交錯點P5、P6之中點PM3設定一第二標記點；子步驟926是組配該處理器，分別計算出該第一標記點與中點PM2的斜率為一第一斜率，該第二標記點與中點PM3的斜率為一第二斜率，再計算該第一斜率與該第二斜率之平均值為一平均斜率；及子步驟927是組配該處理器，根據該平均斜率即可得到一對應之轉動角度，例如：當該平均斜率為1時，根據畢氏定理可以得知，其對應之轉動角度為45度，其他依此類推。

聯合參閱圖5、6，步驟93是搜尋手掌特徵點之步驟，具有以下子步驟：子步驟931是組配該處理器，依據該待測手掌方向，依序搜尋該組邊界像素中每一邊界像素之y值與前後邊界像素之y值的變化情形，當該待測手掌方向為手指尖端方向朝+y方向時，一目標邊界像素S_n的y值分別小於前一邊界像素S_n-1與後一邊界像素S_n+1的y值，該目標邊界像素S_n被定義為一指谷點(Valley-point)，而若是一目標邊界像素S_m的y值分別大於前一邊界像素S_m-1與後一邊界像素S_m+1的y值，該目標邊界像素S_m被定義為一指尖點(fingertip-point)，因此最終可以得到五個指尖點T1~T5、及四個指谷點B1~B4，其中，該第二指尖點T2即為該第一標記點，該第三指尖點T3即為該第二標記點；反之，當該待測手掌方向為手指尖端方向朝-y方向時，一目標邊界像素S_n的y值分別小於前一邊界像素S_n-1與後一邊界像素S_n+1的y值，該目標邊界像素S_n被定義為一指尖點，而若是一目標邊界像素S_m的y值分別大於前一邊界像素S_m-1與後一邊界像素S_m+1的y值，該目標邊界像素S_m被定義為一指谷點；及子步驟932是組配該處理器，根據該第一指尖點T1與該第一指谷點B1之距離，得到在該組邊界像素中具有相等距離之一邊界像素，且定義其為一第一目標點K1，相似的，組配該處理器，根據該第四指尖點T4與該第三指谷點B3，得到在該組邊界像素中具有相等距離之一邊界像素，且定義其為一第二目標點K2，及根據該第五指尖點T5與該第四指谷點B4，得到在該組邊界像素中具有相等距離之一邊界像素，且定義其為一第三目標點K3。

因此，此步驟完成之後可以得到五個指尖點T1~T5、四個指谷點B1~B4，及三個目標點K1~K3等共計十二個手掌特徵點。

參閱圖7，步驟94是得到該待測手掌特徵向量之步驟，具有以下子步驟：步驟941是組配該處理器，得到六個子影像(Sub image)，其中，包括五個手指子影像及一個手掌子影像，而該處理器根據該第一目標點K1、該第一指谷點B1及該第一指尖點T1得到一第一手指子影像，根據第一、第二指谷點B1、B2及該第二指尖點T2得到一第二手指子影像，根據第二、第三指谷點B2、B3及該第三指尖點T3得到一第三手指子影像，根據該第二目標點K2、該第三指谷點B3及該第四指尖點T4得到一第四手指子影像，根據該第三目標點K3、該第四指谷點B4及該第五指尖點T5得到一第五手指子影像；參閱圖8，現以該第一手指子影像說明其設定方式如下：該處理器計算該第一目標點K1及該第一指谷點B1之中點m1，並且根據一以該中點m1與該第一指尖點T1為兩端點之線段，分別於六分之一線段長度處、六分之二線段長度處、六分之三線段長度處、六分之四線段長度處，及六分之五線段長度處，設定一間隔點m2、m3、m4、m5、m6，再根據該等間隔點m2~m6分別延伸交越該第一手指之輪廓於一組交越點(F1,F2)、(F3,F4)、(F5,F6)、(F7,F8)、(F9,F10)，因此，依序沿著該第一目標點K1、該等交越點F1、F3、F5、F7、F9、該第一指尖點T1、該等交越點F10、F8、F6、F4、F2、該第一指谷點B1及該中點m1，取得一封閉的第一手指子影像。

其餘之手指子影像之取得方式相同於該第一手指子影像，在此不多作贅述。

另外，參閱圖9，該手掌子影像之設定方式如下所述：該處理器根據一以該第一目標點K1與該第二目標點K2得到一第一設定線段，然後以該第一設定線段為一邊長形成一正方形，以得到一與該第一目標點相連之一特定點S1，最後，組配該處理器於依序沿著該特定點S1、該第一目標點K1、該第一指谷點B1、該第三指谷點B3、該第二目標點K2，及該第三目標點K3，取得一封閉的手掌子影像。

因此，參閱圖10，可以得到對應之五個手指子影像及一個手掌子影像。

回復參閱圖7，步驟942是組配該處理器，根據直方圖等化(histogram equalization)之方法將該等子影像之亮度正規化，使得每一子影像之亮度較為均勻；及步驟943是組配該處理器，根據局部模糊樣本(Local fuzzy pattern,LFP)之特徵描述態樣(Texture descriptor)，將每一待測手掌之子影像轉換為一對應的特徵向量(Feature vector)，其轉換方式說明如下：假設一子影像的每個像素點P(x,y)，且其對應的亮度值為I(x,y)，且其鄰域N ₁中P ₁個參考方塊之亮度值集合為{I(x _i ,y _i )|1 i P ₁)。首先，計算下列之向量：

而μ _i (1)=1/(1+exp{-α(I(x _i ,y _i )-I(x,y))}),μ _i (0)=1-μ _i (1)，其中，μ _i (1)及μ _i (0)分別為一模糊歸屬函數，用以表示在一鄰域中參考像素P(x _i ,y _i )與像素P(x,y)之間亮度差值編碼成1及0的程度值。接著，計算下列之向量H(x,y)：

H(x,y)=(ω₁,ω₂,...,ω _Q ).....(F.2)

其中，ω _j =μ₁(b ₁)×μ₂(b ₂)×...×，Q=-1，b ₁ b ₂...為第j組P ₁位元之二進位數字，共有Q=-1組可能的二進位組合。故ω _j 表示編碼成b ₁ b ₂...b _P 的程度值。再將其正規化，取得正規化後的向量H'(x,y)=()。最後，將子圖中所有像素的H'(x,y)相加並做正規化，便可以取得該子影像對應的特徵向量。

綜上所述，本發明可以有效辨識以任何位置、任何角度輸入之待測手掌影像，而且藉由精準的設定該等子影像，可以對應得到更為精確的該等特徵向量以降低一手掌辨識系統之誤判率，故確實能達成本發明之目的。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

9．．．手掌生物辨識方法

91~94．．．步驟

911~914．．．子步驟

921~927．．．子步驟

931~932．．．子步驟

941~943．．．子步驟

圖1是本發明之較佳實施例之流程圖；

圖2是該處理該待測手掌影像之子步驟之流程圖；

圖3是該偵測手掌旋轉角度之子步驟之流程圖；

圖4是該偵測手掌旋轉角度之一範例之示意圖；

圖5是該搜尋手掌特徵點之子步驟之流程圖；

圖6是該待測手掌之特徵點之示意圖；

圖7是該得到該待測手掌特徵向量之子步驟之流程圖；

圖8是設定一手指子影像之示意圖；

圖9是設定一手掌子影像之示意圖；及

圖10是該較佳實施例得到該等子影像之示意圖。

9．．．手掌生物辨識方法

91~94．．．步驟

Claims (4)

1. 一種手掌生物辨識方法，適用於以一處理器接收一使用者手掌所對應之待測手掌影像，其包含以下步驟：組配該處理器，以處理該待測手掌影像，以得到一組邊界像素；組配該處理器，以偵測該待測手掌之旋轉角度，包括以下子步驟：組配該處理器，根據一第一參考線段中二交錯點之中心點，由該組邊界像素中選取一對應之參考點；組配該處理器，根據該參考點座標與該等交錯點之座標，以判斷該待測手掌方向；及組配該處理器，分別根據相鄰之二交錯點設定一第一標記點與一第二標記點，且計算出該等對應之中點，然後，再根據該等中點及該第一、第二標記點計算出一第一斜率與一第二斜率，並由該第一、第二斜率之平均值得到一平均斜率；及組配該處理器，根據該平均斜率得到一對應之轉動角度；組配該處理器，依據該待測手掌方向，依序搜尋該組邊界像素中每一邊界像素座標之y值與前後邊界像素座標之y值的變化情形，設定多數個特徵點，其中該等特徵點包括多數個指谷點、指尖點及目標點；組配該處理器，以根據該等特徵點得到多數個子影 像，其包括以下子步驟：組配該處理器，根據一指尖點與對應之二指谷點，或一指尖點與對應之一目標點與一指谷點，計算出對應每一指尖點對應之中點，再根據該等中點與對應之指尖點的連線分別得到五個間隔點，且每一間隔點於該組邊界像素中對應得到二交越點，而該等交越點與該指尖點、該中點、該等指谷點或該指谷點與該目標點得到一對應之第一子影像；組配該處理器，根據二目標點所形成之一第一設定線段，並根據該第一設定線段為一邊長所形成之正方形以得到一特定點，再根據該特定點、該等目標點及對應之該等指谷點得到一第二子影像；組配該處理器，將該等子影像之亮度正規化；及組配該處理器，將每一子影像轉換為一對應的特徵向量；及組配該處理器，根據該等特微向量，得到並儲存該使用者所對應之生物代表模型。
2. 依據申請專利範圍第1項所述之手掌生物辨識方法，其中，在偵測該待測手掌之旋轉角度步驟中，當該參考點座標之y座標大於該等交錯點之y座標時，判斷該待測手掌方向為手指尖端朝-y方向，當該參考點座標之y座標小於該等交錯點之y座標時，代表該待測手掌方向為 手指尖端方向朝+y方向。
3. 依據申請專利範圍第1項所述之手掌生物辨識方法，其中，在偵測該待測手掌之旋轉角度步驟中，該第一參考線段是一與該待測手掌影像有八個交錯點之水平線段。
4. 依據申請專利範圍第1項所述之手掌生物辨識方法，其中，該搜尋該待測手掌之所有特徵點之步驟還包括：組配該處理器，根據一指尖點與對應之指谷點之距離，設定一在該組邊界像素中具有相等距離之一邊界像素為一目標點。