基于在线极限学习机的腕部静脉认证系统技术方案

本发明专利技术公开了一种基于在线极限学习机的腕部静脉认证系统，包括识别部分和注册部分；所述的识别部分包括读图模块、图像预处理模块、特征提取模块、手腕静脉特征数据库和识别对比模块，注册部分包括图像采集模块、图像预处理模块和特征提取模块；该系统当有新成员注册时，只对新成员的信息训练，不需要将所有成员信息重新训练就能完成对新旧成员的准确识别，在保证识别准确率的前提下大大节省了注册所需时间。另外，该系统人数容量是可以自动添加的，不必担心人过多而造成系统出错。

【技术实现步骤摘要】

本专利技术涉及一种基于在线极限学习机的腕部静脉认证系统。
技术介绍
信息技术的飞速发展推动了社会的发展，随之现代社会对于信息技术又提出了更 新、更高的要求，例如计算机使得经济与金融网络化，而网络经济与金融又要求更可靠的信 息安全系统。身份验证是人们进行加强信息安全性的基本方法之一。传统的身份验证是基 于标识物（如证件、钥匙等）或者知识（如密码、PIN等）来完成，然而这些方式不方便、不 安全、不可靠的缺点不言而喻：证件、钥匙携带不便、容易丢失伪造；密码可能会被遗忘或 被蓄意窃取。因此，急需一种不易被他人替代、仿制、方便、有效、安全的身份识别技术来保 障人们的生活和社会的安全，这种技术就是基于人体生理特征的生物识别技术。 生物特征识别技术（BiometricIdentificationTechnology)是指利用人体生物 特征进行身份认证的一种技术。与传统的方法不同在于，生物特征识别方法的依据是我们 人体本身所拥有的东西，是我们的个体特性。事实上，任何生理上的特征都可以用来进行识 另IJ。生物特征分为基于身体特征和基于行为特点两类。身体特征包括：指纹、掌型、眼睛 (视网膜和虹膜）、人体气味、脸形、皮肤毛孔、手腕/手的血管纹理和DNA等；行为特点包 括：签名、语音、行走的步态、击键的力度等。 本专利技术是申请号为：201410337530. 5《腕部静脉认证系统》上进行的改进，改善了 现有装置中需要将所有成员信息重新训练才能完成对新旧成员的准确识别的问题。
技术实现思路
本专利技术提供了一种基于在线学习机的腕部静脉认证系统，该系统当有新成员注册 时，只对新成员的信息训练，不需要将所有成员信息重新训练就能完成对新旧成员的准确 识别，在保证识别准确率的前提下大大节省了注册所需时间。另外，该系统人数容量是可以 自动添加的，不必担心人过多而造成系统出错。 本专利技术采用的技术方案为： -种基于在线学习机的腕部静脉认证系统，包括识别部分和注册部分；所述的识 别部分包括读图模块、图像预处理模块、特征提取模块、手腕静脉特征数据库和识别对比模 块，注册部分包括图像采集模块、图像预处理模块和特征提取模块；图像采集模块，通过手腕静脉采集装置采集手腕静脉红外图像； 图像预处理模块，对采集的手腕静脉红外图像截取感兴趣区域后，对该区域采用 均值滤波方法进行滤波处理，进行灰度化、归一化，并采用直方图拉伸的方法进行对比度增 强处理； 特征提取模块，对预处理后的图像进行主成分特征提取、小波特征提取； 识别对比模块，利用在线极限学习机对手腕静脉图像进行分类识别，用图像信息 的主成分与高频低频特征，与手腕静脉特征数据库进行识别对比； 其中，所述的在线极限学习机模型为： 给定ELM隐含节点数L及对应的参数【主权项】1. 一种基于在线极限学习机的腕部静脉认证系统，包括识别部分和注册部分；所述的 识别部分包括读图模块、图像预处理模块、特征提取模块、手腕静脉特征数据库和识别对比 模块，注册部分包括图像采集模块、图像预处理模块和特征提取模块； 图像采集模块，通过手腕静脉采集装置采集手腕静脉红外图像； 图像预处理模块，对采集的手腕静脉红外图像截取感兴趣区域后，对该区域采用均值 滤波方法进行滤波处理，进行灰度化、归一化，并采用直方图拉伸的方法进行对比度增强处 理； 特征提取模块，对预处理后的图像进行主成分特征提取、小波特征提取； 识别对比模块，利用在线极限学习机对手腕静脉图像进行分类识别，用图像信息的主 成分与高频低频特征，与手腕静脉特征数据库进行识别对比； 其特征在于：所述的在线极限学习机模型为： 给定ELM隐含节点数L及对应的参数丨七為丨=，初始批次的训练数据A=[(%々)丨^，隐含节点权值参数矩阵可以通过公式以下求解： H〇0〇=T〇 假定巧=W"".a= ，则公式HQQ=T。等价于PQQ=Q。 给定一批新的训练数据A= ，隐含节点权值参数矩阵自i可以根据以下公 式计算：假5等价于P: 1^=0y将上述过程推广到第k+1批训练数据A+1 ，可以 m 得到，隐含节点权值参数矩阵0 ^可 1-' 以通过以下公式求解： Pk+1 ^k+1 一Qk+1 其中乃+1=巧+扣+1 巧+1,a+1=a+扣+17；+1。2. -种在基于在线注册极限学习机的腕部静脉认证系统中的注册方法，其步骤如下： 51、 对系统进行初始化设置； 52、 在系统中输入权限密码； 53、 在系统中输入注册姓名； 54、 输入的姓名被暂时存入姓名变量s中。3. 根据权利要求2所述的一种在基于在线注册学习机的腕部静脉认证系统中的注册 方法，其特征在于：所述的姓名变量s的编号方式为： S!=fix(trainnum-pXn)+n+l 其中fix(x)表示对x向零取整，trainnum代表训练样本的个数，n为初始分配的人数，P为每个人采集的手腕静脉图像的训练样本个数。【专利摘要】本专利技术公开了一种基于在线极限学习机的腕部静脉认证系统，包括识别部分和注册部分；所述的识别部分包括读图模块、图像预处理模块、特征提取模块、手腕静脉特征数据库和识别对比模块，注册部分包括图像采集模块、图像预处理模块和特征提取模块；该系统当有新成员注册时，只对新成员的信息训练，不需要将所有成员信息重新训练就能完成对新旧成员的准确识别，在保证识别准确率的前提下大大节省了注册所需时间。另外，该系统人数容量是可以自动添加的，不必担心人过多而造成系统出错。【IPC分类】G06K9-00【公开号】CN104809450【申请号】CN201510245415【专利技术人】梁静, 岳彩通, 瞿博阳, 韩玉红 【申请人】郑州大学【公开日】2015年7月29日【申请日】2015年5月14日本文档来自技高网...

【技术保护点】
一种基于在线极限学习机的腕部静脉认证系统，包括识别部分和注册部分；所述的识别部分包括读图模块、图像预处理模块、特征提取模块、手腕静脉特征数据库和识别对比模块，注册部分包括图像采集模块、图像预处理模块和特征提取模块；图像采集模块，通过手腕静脉采集装置采集手腕静脉红外图像；图像预处理模块，对采集的手腕静脉红外图像截取感兴趣区域后，对该区域采用均值滤波方法进行滤波处理，进行灰度化、归一化，并采用直方图拉伸的方法进行对比度增强处理；特征提取模块，对预处理后的图像进行主成分特征提取、小波特征提取；识别对比模块，利用在线极限学习机对手腕静脉图像进行分类识别，用图像信息的主成分与高频低频特征，与手腕静脉特征数据库进行识别对比；其特征在于：所述的在线极限学习机模型为：给定ELM隐含节点数L及对应的参数初始批次的训练数据隐含节点权值参数矩阵β0可以通过公式以下求解：H0β0＝T0假定则公式H0β0＝T0等价于P0β0＝Q0给定一批新的训练数据隐含节点权值参数矩阵β1可以根据以下公式计算：假定则公式等价于P1β1＝Q1；将上述过程推广到第k+1批训练数据可以得到隐含节点权值参数矩阵βk+1可以通过以下公式求解：Pk+1βk+1＝Qk+1其中...

【技术特征摘要】

【专利技术属性】
技术研发人员：梁静，岳彩通，瞿博阳，韩玉红，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南;41