掌纹作为人体的重要生物特征之一，具有特征唯一、稳定性高、安全性好和易于采集等特点，被广泛应用于生物特征识别领域。
中国科学院声学研究所声场声信息国家重点实验室副研究员李超联合法国国家科学研究中心电子图像信息处理实验室（Le2I UMR CNRS）与日本本田研究所(Honda Research Institute)的研究人员，共同提出了一种低功耗高精度多光谱掌纹识别的新方法。相关研究成果于5月16日在线发表于国际学术期刊Journal of Systems Architecture。
根据香港理工大学教授David ZHANG此前的研究，由于皮肤组织对于不同波长的光的传播能力不同，将多光谱成像技术应用于掌纹信息采集，可以得到不同皮层下的更细致的特征信息，有效提升目标特征的可辨识度，得到理想的可识别生物特征（图1）。
但是，传统的多光谱掌纹识别方法忽略了特征信息的多重共线性问题，这成为了提升识别精度的重要瓶颈。
特征的多重共线性，是指基于线性回归的识别模型中的解释变量之间，由于存在精确相关或高度相关关系，而使模型估计失真或难以估计准确。简单来说，如果我们想通过身高、体重和年龄三个特征分量来判断一个人的性别，由于身高较高的人通常体重也会较重，两者高度相关，这就引发了共线性，有可能降低模型的准确性。
在多光谱掌纹图像中，特征信息并非均匀地分布在图像的各个区域，而是集中在某些关键区域，导致特征分量即像素值之间出现多重共线性。
针对这个问题，研究人员首先采用偏最小二乘回归算法为各个波段下的掌纹图像特征建立了新的识别模型。偏最小二乘回归算法可以自动对特征分量之间的关系进行量化分析，有效提取出反应数据变异的最大信息，降低像素值内部的共线性问题对模型准确度的负面影响。接下来，将各波段的识别结果进行加权融合。这种评估层融合的方法有助于充分利用不同波段的信息，保证各个处理通道的独立性与信息完整性，从而提升识别效果。
实验结果表明，新的识别模型在图像分辨率极低的情况下（13 x 13 pixels），对单波段掌纹图像特征的识别率可以达到90%以上（图2），具有很好的可靠性。结合多波段数据融合技术，整体识别率可以达到99.9%以上。经并行优化后，每0.73 毫秒可以识别一个掌纹（1000毫秒=1秒），具有精度高、运算量小、可并行度高等多项优点。
该研究由中科院百人计划和日本本田研究院资助。
论文信息: LI Chao, BENEZETH Yannick, NAKAMURA Keisuke, GOMEZ Randy, YANG Fan. A Robust Multispectral Palmprint Matching Algorithm and Its Evaluation for FPGA Applications. Journal of Systems Architecture(Volume 88, August 2018, Pages 43-53). DOI: 10.1016/j.sysarc.2018.05.008.
论文链接
图1 不同波段下的掌纹光学特征（图/香港理工大学）
图2 单通道模型识别率/运行时间与图像分辨率关系曲线（图/李超）
