一种基于多尺度HOG和SVM的手指静脉识别方法技术

本发明专利技术涉及指静脉识别技术领域，具体涉及一种基于多尺度HOG和SVM的手指静脉识别方法，包括如下步骤：采集多个人的多幅原始手指静脉图像并将其划分为训练集和测试集；对训练集和测试集中的所有图像依次分别进行感兴趣区域提取、预处理、及图像增强处理以获取手指静脉纹路信息，然后对纹路信息提取多尺度HOG特征，其次将从训练集图像提取到的多尺度HOG特征送至SVM多类分类器进行训练得到一个训练好的SVM多类分类器，最后再将从测试集图像提取到的多尺度HOG特征送至已训练好的SVM多类分类器进行识别，以得出匹配结果。本发明专利技术一种基于多尺度HOG和SVM的手指静脉识别方法，将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来，以对手指静脉进行精确的特征表达，识别精度高、鲁棒性强。

A finger vein recognition method based on multi-scale HOG and SVM

The invention relates to the technical field of finger vein recognition, in particular to a finger vein recognition method based on multi-scale HOG and SVM, including the following steps: collecting multiple original finger vein images of multiple people and dividing them into training sets and test sets; and being interested in all the images in training sets and test sets in turn. Region extraction, preprocessing, and image enhancement are used to obtain finger vein vein pattern information. Then multi-scale HOG features are extracted from finger vein pattern information. Secondly, multi-scale HOG features extracted from training set images are sent to SVM multi-class classifier for training to obtain a trained SVM multi-class classifier. Finally, the trained SVM multi-class classifier is trained from test set images. The extracted multi-scale HOG features are sent to the trained SVM multi-class classifier for recognition, and the matching results are obtained. The invention is a finger vein recognition method based on multi-scale HOG and SVM, which combines the finger vein recognition method based on striation with the finger vein recognition method based on non-striation, so as to accurately express the finger vein characteristics, and has high recognition accuracy and strong robustness.

【技术实现步骤摘要】
一种基于多尺度HOG和SVM的手指静脉识别方法
本专利技术涉及指静脉识别
，更具体地，涉及一种基于多尺度HOG和SVM的手指静脉识别方法。
技术介绍
现有的手指静脉识别方法可分为两类，即非纹路方法和基于纹路的方法。非纹路方法在手指静脉图像的整个感兴趣区域提取特征，不区分纹路区域和非纹路区域。而基于纹路的方法，首先在感兴趣区域中提取静脉纹路，然后利用提取的纹路信息进行相似度度量。常用的非纹路方法包括LBP、细节点、主成分分析及超像素特征等，这些特征在匹配时由于利用了非纹路区域的信息，容易增加异源图像的相似性，导致错误接受，识别性能较差。像线性跟踪、最大曲率点、Gabor滤波器及平均曲率等基于纹路的方法虽然仅使用了静脉区域的信息，但其识别性能仍然不理想，主要原因是提取纹路不完整并带有噪声，同时匹配方法也不鲁棒。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于多尺度HOG和SVM的手指静脉识别方法，识别精度高、鲁棒性强。为解决上述技术问题，本专利技术采用的技术方案是：提供一种基于多尺度HOG和SVM的手指静脉识别方法，用于识别待定的原始手指静脉图像属于哪个人，包括如下步骤：S1.获取训练集和测试集：分别采集多个人的多幅原始手指静脉图像，将每个人的一部分幅原始手指静脉图像作为训练集，每个人的另一部分幅原始手指静脉图像作为测试集，其中测试集中的每幅原始手指静脉图像即为待定的原始手指静脉图像；S2.多尺度HOG特征提取阶段，包括如下步骤：S21.对训练集和测试集中的所有图像分别进行感兴趣区域提取，并对感兴趣区域进行预处理，以减弱背景信息得到预处理后的图像集F1及F2，其中感兴趣区域为包含手指静脉信息的图像；S22.对经过预处理后的图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2；S23.对图像集P1及P2中的每幅图像分别进行相同的多种尺度变换处理，分别对每种尺度变换后的图像提取HOG特征，并将与每幅图像对应的HOG特征串联起来得到该图像相应的特征向量X；将与图像集P1及P2中图像对应的所有特征向量X分别集合起来作为训练特征向量集Y1及测试特征向量集Y2；S3.训练阶段：将训练特征向量集Y1输入SVM多类分类器中进行训练以得到训练好的SVM多类分类器；S4测试阶段：将测试特征向量集Y2输入已训练好的SVM多类分类器中进行识别，得出匹配结果。上述方案中，首先依次对图像进行感兴趣区域提取、预处理及图像增强处理以获取手指静脉纹路信息，然后对纹路信息提取多尺度HOG特征，其次将从训练集图像提取到的多尺度HOG特征集合起来作为训练特征向量集送至SVM多类分类器进行训练，得到一个训练好的SVM多类分类器，最后再将从测试集图像提取到的多尺度HOG特征集合起来作为测试特征向量集送至已训练好的SVM多类分类器进行识别，以得出匹配结果。本专利技术将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来，以对手指静脉进行精确的特征表达，且将多尺度HOG特征与SVM多类分类器结合起来以对特征进行训练和识别，识别精度高、鲁棒性强。优选地，步骤S21中感兴趣区域提取及对提取的感兴趣区域的预处理包括如下步骤：S211.对训练集和测试集中的所有图像分别进行边缘检测处理，并根据边缘图像完成手指倾斜检测及校正处理；S212.对经过边缘检测处理、手指倾斜检测处理及校正处理后的图像分别截取感兴趣区域ROI；S213.对ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理。感兴趣区域提取及对提取的感兴趣区域的预处理使得图像中的背景信息减弱，手指静脉信息增强，便于提高识别精度；尺寸归一化便于后续的处理，灰度归一化便于提高图像的清晰度，高斯滤波能对图像去燥。进一步优选地，步骤S212中截取感兴趣区域ROI时根据手指两边界的内切边确定感兴趣区域ROI的高度，根据手指关节位置确定感兴趣区域ROI的宽度。这样设置能采集到精确的感兴趣区域ROI，防止感兴趣区域ROI过大导致的异源图像相似性的增加情况，和防止感兴趣区域ROI过小导致的提取的纹路特征不完整情况。优选地，步骤S211中使用扩展的水平边缘检测算子对所有原始手指静脉图像分别进行边缘检测处理。因为手指静脉图像中手指边界近似水平，所以使用水平边缘检测算子能得到更精确的手指边缘图像。优选地，步骤S22中使用静脉纹路提取和多阈值模糊增强算法相结合的增强方法对图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2。多阈值模糊增强处理使得手指静脉结构更清晰，便于提高识别精度。进一步优选地，步骤S22中的图像增强处理包括如下步骤：S221.提取静脉特征图像；对于经过预处理后的每幅图像中的每个像素，在以该像素为中心的9x9的窗口内，分别计算与之对应的8个方向上算子的卷积响应，然后以这8个方向上的最大卷积响应作为该点新的像素值，以获取与每幅图像对应的静脉特征图像；Gray(m,n)＝Max(Fgray(i))i＝1,2，···，8式(1)S222.模糊增强处理；对于每个静脉特征图像，先定义一个隶属度函数，计算静脉特征图像的隶属度以获得隶属度矩阵，然后以隶属度矩阵的邻域均值作为阈值，调整隶属度，获得新的隶属度矩阵，最后根据隶属度函数，对新的隶属度矩阵进行逆变换，以获得增强后的图像；其中选取不同的邻域时，邻域均值不同；计算隶属度，即新的隶属度矩阵，即逆变换，即Gray(m,n)'＝(K-1)u'mn式(4)其中，K为灰度级，为隶属度矩阵的邻域均值。模糊增强处理能剔除图像中的伪静脉信息，降低图像的噪声。优选地，步骤S23中，对图像集P1及P2中的每幅图像分别进行五种尺度变换处理。进一步优选地，当图像的尺寸为W*H时，五种尺度分别为W*H、W/2*H/2、W/4*H/4、W*H/2、W/2*H。与现有技术相比，本专利技术的有益效果是：本专利技术一种基于多尺度HOG和SVM的手指静脉识别方法，首先依次对图像进行感兴趣区域提取、预处理及图像增强处理以获取手指静脉纹路信息，然后对纹路信息提取多尺度HOG特征，其次将从训练集图像提取到的多尺度HOG特征集合起来作为训练特征向量集送至SVM多类分类器进行训练，得到一个训练好的SVM多类分类器，最后再将从测试集图像提取到的多尺度HOG特征集合起来作为测试特征向量集送至已训练好的SVM多类分类器进行识别，以得出匹配结果，本专利技术将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来，以对手指静脉进行精确的特征表达，且将多尺度HOG特征与SVM多类分类器结合起来以对特征进行训练和识别，识别精度高、鲁棒性强。附图说明图1为本实施例一种基于多尺度HOG和SVM的手指静脉识别方法的流程图。图2为本实施例中感兴趣区域提取的流程图。图3为本实施例中提取感兴趣区域时中间的处理结果图，其中每一列从上至下依次为原始手指静脉图像、手指边缘图像、校正的手指静脉图像、校正的手指边缘图像及截取的感兴趣区域，(a)所在列、(b)所在列及(c)所在列分别为高质量手指静脉图像、旋转图像及低质量手指静脉图像的中间处理结果图。图4为本实施例中提取的感兴趣区域经过预处理后的图像，其中(a)、(b)及(c)分别为高质量手指静脉图像、旋转图像及低质量手指静脉图像经本文档来自技高网...

【技术保护点】
1.一种基于多尺度HOG和SVM的手指静脉识别方法，用于识别待定的原始手指静脉图像属于哪个人，其特征在于，包括如下步骤：S1.获取训练集和测试集：分别采集多个人的多幅原始手指静脉图像，将每个人的一部分幅原始手指静脉图像作为训练集，每个人的另一部分幅原始手指静脉图像作为测试集，其中测试集中的每幅原始手指静脉图像即为待定的原始手指静脉图像；S2.多尺度HOG特征提取阶段，包括如下步骤：S21.对训练集和测试集中的所有图像分别进行感兴趣区域提取，并对感兴趣区域进行预处理，以减弱背景信息得到预处理后的图像集F1及F2，其中感兴趣区域为包含手指静脉信息的图像；S22.对经过预处理后的图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2；S23.对图像集P1及P2中的每幅图像分别进行相同的多种尺度变换处理，分别对每种尺度变换后的图像提取HOG特征，并将与每幅图像对应的HOG特征串联起来得到该图像相应的特征向量X；将与图像集P1及P2中图像对应的所有特征向量X分别集合起来作为训练特征向量集Y1及测试特征向量集Y2；S3.训练阶段：将训练特征向量集Y1输入SVM多类分类器中进行训练以得到训练好的SVM多类分类器；S4测试阶段：将测试特征向量集Y2输入已训练好的SVM多类分类器中进行识别，得出匹配结果。...

【技术特征摘要】
1.一种基于多尺度HOG和SVM的手指静脉识别方法，用于识别待定的原始手指静脉图像属于哪个人，其特征在于，包括如下步骤：S1.获取训练集和测试集：分别采集多个人的多幅原始手指静脉图像，将每个人的一部分幅原始手指静脉图像作为训练集，每个人的另一部分幅原始手指静脉图像作为测试集，其中测试集中的每幅原始手指静脉图像即为待定的原始手指静脉图像；S2.多尺度HOG特征提取阶段，包括如下步骤：S21.对训练集和测试集中的所有图像分别进行感兴趣区域提取，并对感兴趣区域进行预处理，以减弱背景信息得到预处理后的图像集F1及F2，其中感兴趣区域为包含手指静脉信息的图像；S22.对经过预处理后的图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2；S23.对图像集P1及P2中的每幅图像分别进行相同的多种尺度变换处理，分别对每种尺度变换后的图像提取HOG特征，并将与每幅图像对应的HOG特征串联起来得到该图像相应的特征向量X；将与图像集P1及P2中图像对应的所有特征向量X分别集合起来作为训练特征向量集Y1及测试特征向量集Y2；S3.训练阶段：将训练特征向量集Y1输入SVM多类分类器中进行训练以得到训练好的SVM多类分类器；S4测试阶段：将测试特征向量集Y2输入已训练好的SVM多类分类器中进行识别，得出匹配结果。2.根据权利要求1所述的一种基于多尺度HOG和SVM的手指静脉识别方法，其特征在于，步骤S21中感兴趣区域提取及对提取的感兴趣区域的预处理包括如下步骤：S211.对训练集和测试集中的所有图像分别进行边缘检测处理，并根据边缘图像完成手指倾斜检测及校正处理；S212.对经过边缘检测处理、手指倾斜检测处理及校正处理后的图像分别截取感兴趣区域ROI；S213.对ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理。3.根据权利要求2所述的一种基于多尺度HOG和SVM的手指静脉识别方法，其特征在于，步骤S212中截取感兴趣区域ROI时根据手指两边界...

【专利技术属性】
技术研发人员：秦传波，谌瑶，曾军英，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东,44