一种手指静脉图像识别方法技术

一种手指静脉图像识别方法。其包括将手指静脉ROI图像分为训练和测试样本；将图像尺寸归一化为46*102像素；利用Gabor滤波器进行增强；将每个像素点进行比较选择后得到ROI增强图像；采用PCA对ROI增强图像进行降维；将降维后的ROI增强图像进行超球粒化，得到新粒集；计算测试样本中每一张手指静脉ROI图像与新粒集中每个大超球粒的距离而进行识别等步骤。本发明专利技术通过将PCA与超球粒化相结合方法把属于同一个体的所有手指静脉ROI图像粒化融合成一个大超球粒，更好地描述了来自于不同时间采集的同一个体样本的共性。识别时，只需将待测试样本也处理为超球粒，与融合后的所有大超球粒进行距离比对即可。

【技术实现步骤摘要】

本专利技术属于生物特征识别
，特别是涉及。
技术介绍
目前，由于传统的生物特征识别技术的安全性较低，因此满足不了人们对高精度 身份识别的需求。随着生物特征识别技术的发展，手指静脉作为一种新型的生物特征识别 技术存在很多优势。首先，手指静脉识别为活体识别，不同的人血管网络结构几乎在成年后 终身不变；其次，手指静脉是内部特征，不存在任何外界因素（如：磨损等）带来的识别障 碍；手指静脉的采集系统是非接触性的，不存在易盗取问题。 手指静脉识别的方法很多，但大部分传统方法都没有考虑到数据库中来自同一个 个体（类别）的样本之间的共性，均需将待识别的样本与数据库中所有样本无差别地进行 逐一对比，因此识别效率低下。
技术实现思路
为了解决上述问题，本专利技术的目的在于提供一种能够提高识别效率的手指静脉图 像识别方法。 为了达到上述目的，本专利技术提供的手指静脉图像识别方法包括按顺序进行的下列 步骤： 1)将所有待检测的手指静脉ROI图像分为两部分，一部分作为训练样本，一部分 作为测试样本，然后将上述所有图像进行分类，并给定类别标签，如果某些图像来自于同一 根手指，则类别标签相同； 2)将上述所有手指静脉ROI图像的尺寸归一化为46*102 (4692)像素，得到ROI归 一化静脉图像； 3)利用Gabor滤波器对上述所有ROI归一化静脉图像进行Gabor增强，分别获得8 个方向即 0°，22. 5° ,45° ,67.5° ,90° ,112.5° ,135° 和 157. 5° 的 ROI 特征图像； 4)将上述每一个8个方向的ROI特征图像中相同位置的像素点灰度值--进行比 较，将最大灰度值对应的ROI特征图像的方向作为ROI增强图像像素点的方向特征，这样依 次将每个像素点进行比较选择后，得到ROI增强图像，并将每个ROI增强图像表示成ROI增 强图像矩阵A4witi2; 5)采用PCA对所有ROI增强图像进行降维，并获取主成分特征，通过调节主成分特 征占整个特征空间的贡献率，将ROI增强图像降到不同的维数； 6)将每一个降维后的ROI增强图像都用降维后的样本特征向量来表征，即将每一 个降维后的ROI增强图像用高维空间中的一个超球粒来表示，超球粒的球心即为降维后的 样本特征向量，半径设为〇,这样每个降维后的ROI增强图像都被抽象为高维空间中具有球 心和半径的一个原粒，然后对其进行超球粒化而得到X个大超球粒，由此得到一个新的粒 集； 7)利用欧氏距离公式计算测试样本中每一张手指静脉ROI图像Gt与上述新的粒 集中每个大超球粒的距离，选出和其距离最小的那个大超球粒Gni，那么大超球粒粒Gni的类 别即为测试样本中该手指静脉ROI图像匕的类别。 在步骤3)中，所述的Gabor滤波器的表达式如式（1)所示： 其中，σ代表Gabor滤波器的尺度，〇 =4, 5,6;0k表示第k个方向的角度值。 在步骤5)中，所述的PCA降维具体过程如下： (1)将上述ROI增强图像矩阵A46_的每一列作为一维，将每一维的数据都减去该 维的均值，使其特征中心化而得到矩阵B ; (2)计算矩阵B的协方差矩阵C ; (3)计算协方差矩阵C的特征值和特征向量； (4)将特征值由大到小进行排列，若前η个特征值之和已经超过了所有特征值之 和的97%，则取前η个特征值对应的特征向量，得到一个新的数据集。 在步骤6)中，所述的对降维后的ROI增强图像进行超球粒化的具体步骤如下： (1)以所有训练样本中降维后的ROI增强图像作为操作对象； (2)利用下面式（3)所示的欧氏距离公式计算训练样本中某个原粒G,与所有原粒 G1Q e )的距离'，并记录下来，按从小到大的顺序保存在矩阵中的第j列中，直到 计算完最后一个原粒Gn，由此得到一个nXn的矩阵D ;欧氏距离公式如下： (KG11Gj) = I Ici-CjI I2T1Tj ⑶ 其中，G1= (C D a)，Gj= (C " r)，C1, 别为 G p Gj的球心，r p &分别为 G p Gj 的半径； (3)将矩阵D中第y+Ι行的最大值设为阈值P，y为同一个体的训练样本数，假定 某个粒G,与其它原粒G1Q e ，i辛j)的距离为C^1，将这些距离依次与阈值进行比 较，即将第j列中的所有距离值与阈值比较，若满足d < P，说明这两个原粒的特征较为相 似，很可能是同一类粒，则将原粒G1挑选出来保存在第j个元胞里，这样最后会得到η个元 胞，每个元胞里包含若干个可能与原粒6,为同一类的原粒；然后将第j个元胞里保存的所 有原粒的类别标签与第j个原粒的类别标签作对比，如果一致，则说明它与第j个原粒是同 一类，将继续保留在第j个元胞里，如果不一致，则说明与第j个原粒不是一类，则将其第j 个元胞里剔除；最后便得到了新的元胞集，里面含有η个元胞； (4)将所含相同原粒的元胞统计出来，只保留一个，其余删除，最后从η个元胞中 选出X个元胞，X即为最后划分出的类别数，如果分类没有任何错误，则X即为真实类别数， 如果出现错误，则X接近真实类别数，这样就将训练样本集分成了 X类； (5)分别将上述X类中每一类里的原粒采用式⑷进行融合，得到X个大超球粒， 由此得到一个新的粒集；融合公式为： 其中，P = Cm (Clj/ I I Clj I I)，Q = C^rj (Clj/ I I Clj I I)，Clj是由 C i指向 C』的向量， Cl j = C j-Cy C是融合后大超球粒的圆心，R是融合后大超球粒的半径。 本专利技术提供的手指静脉图像识别方法通过将PCA与超球粒化相结合的方法把属 于同一个体的所有手指静脉ROI图像粒化融合成一个大超球粒，更好地描述了来自于不同 时间采集的同一个体样本的共性。识别时，只需将待测试样本也处理为超球粒，与融合后的 所有大超球粒进行距离比对即可，不需与来自于同一个体的每个样本进行一一匹配，从而 改善了识别效率低的问题。【附图说明】 图1为本专利技术中ROI归一化静脉图像。 图2为本专利技术中8个方向的ROI特征图像。 图3为本专利技术中ROI增强图像。 图4为本专利技术中融合后的大超球粒示意图。【具体实施方式】 下面结合附图和具体实施例对本专利技术提供的手指静脉图像识别方法进行详细说 明。 本专利技术提供的手指静脉图像识别方法包括按顺序进行的下列步骤： 1)将所有待检测的手指静脉ROI (感兴趣区域）图像分为两部分，一部分作为训练 样本，一部分作为测试样本，然后将上述所有图像进行分类，并给定类别标签，如果某些图 像来自于同一根手指，则类别标签相同。 本专利技术中是将来自同一个人的同一根手指（比如右手食指）的10张手指静脉ROI 图像中的任意7张选为训练样本，其他3张作为测试样本，而这10张手指静脉ROI图像因 为同属一个手指，所以类别相同，则给定相同的类别标签。 2)将上述所有手指静脉ROI图像的尺寸归一化为46*102 (4692)像素，得到如图1 所示的ROI归一化静脉图像； 3)由于上述ROI归一化静脉图像的静脉纹理和特征并不是很清晰，因此本专利技术利 用Gabor滤波器对上述所有ROI归一化静脉图像进行Gabor增强，Gabor滤波器的表达式 如式⑴所示。 其中，〇代表Gabor滤波本文档来自技高网...

【技术保护点】
一种手指静脉图像识别方法，其特征在于：所述的手指静脉图像识别方法包括按顺序进行的下列步骤：1)将所有待检测的手指静脉ROI图像分为两部分，一部分作为训练样本，一部分作为测试样本，然后将上述所有图像进行分类，并给定类别标签，如果某些图像来自于同一根手指，则类别标签相同；2)将上述所有手指静脉ROI图像的尺寸归一化为46*102(4692)像素，得到ROI归一化静脉图像；3)利用Gabor滤波器对上述所有ROI归一化静脉图像进行Gabor增强，分别获得8个方向即0°,22.5°,45°,67.5°,90°,112.5°,135°和157.5°的ROI特征图像；4)将上述每一个8个方向的ROI特征图像中相同位置的像素点灰度值一一进行比较，将最大灰度值对应的ROI特征图像的方向作为ROI增强图像像素点的方向特征，这样依次将每个像素点进行比较选择后，得到ROI增强图像，并将每个ROI增强图像表示成ROI增强图像矩阵A46*102；5)采用PCA对所有ROI增强图像进行降维，并获取主成分特征，通过调节主成分特征占整个特征空间的贡献率，将ROI增强图像降到不同的维数；6)将每一个降维后的ROI增强图像都用降维后的样本特征向量来表征，即将每一个降维后的ROI增强图像用高维空间中的一个超球粒来表示，超球粒的球心即为降维后的样本特征向量，半径设为0，这样每个降维后的ROI增强图像都被抽象为高维空间中具有球心和半径的一个原粒，然后对其进行超球粒化而得到x个大超球粒，由此得到一个新的粒集；7)利用欧氏距离公式计算测试样本中每一张手指静脉ROI图像Gt与上述新的粒集中每个大超球粒的距离，选出和其距离最小的那个大超球粒Gm，那么大超球粒粒Gm的类别即为测试样本中该手指静脉ROI图像Gt的类别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨金锋，刘之源，师一华，贾桂敏，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津;12