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 ...
【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。