The invention discloses a hand/arm vein fusion recognition method based on cumulative matching and equal error rate curve, which belongs to the field of information perception and recognition technology. The method proposes two levels of weights for the recognition performance of two biological features: first, using the characteristics of CMC curve, calculating the global weights of fractional fusion according to the area above the curve; and then obtaining the best score through ERR curve. Class threshold, and then calculate the adaptive weights, multiply the two as the total weights and fuse them with fractional weights. This method is conducive to highlighting the advantages of biological features. Multi-biological feature fusion makes use of the independence and complementarity between features, which can make up for the shortcomings of single-mode biological feature recognition.
【技术实现步骤摘要】
基于累积匹配和等错误率的手形手臂静脉融合识别方法
本专利技术属于一种信息感知与识别
,涉及一种基于累积匹配和等错误率曲线的手形/手臂静脉融合识别方法。
技术介绍
生物特征识别技术是利用人体自身固有的生物特征和行为特征进行的个人身份识别。随着计算机科学技术的发展,基于生物特征识别的身份识别技术在社会安全中的作用日趋重要。单模态的身份识别技术存在可靠性、鲁棒性差和采集数据噪声等问题,已经不能满足当前的需要。多生物特征融合利用特征间的独立性和互补性,从不同维度对生物特征进行融合计算,最大限度的利用其优点,降低单个生物特征缺陷对整体识别系统的不良影响,从整体提高识别系统的性能。典型的生物特征识别系统一般分为如下4个环节:数据采集、特征提取、特征匹配和分类决策,按照融合发生的环节可以分成4类:传感器级融合、特征级融合、分数级融合和决策级融合。传感器级融合和特征级融合发生在数据采集和特征提取环节,多采集系统和特征提取级的融合复杂度和难度都较高;决策级融合是对最终识别决策结果的融合,决策结果所含的信息有限;分数级融合是建立在匹配分数之上的,匹配分数本身就代表着模板特征和识别时输入特征的匹配程度,因此分数级融合在复杂性和可靠性之间能够更好的平衡。目前较为常用的分数级权重计算方法有以下几种:Jain等提出了基于等错误率的分数级权重计算方法(JainA,NandakumarK,RossA.Scorenormalizationinmultimodalbiometricsystem.PatternRecognition,2005,38(12):2270-2285.)。Chi ...
【技术保护点】
1.一种基于累积匹配和等错误率的手形手臂静脉融合识别方法,其特征在于,步骤如下:步骤一:拍摄手部以及手臂的图像,待认证用户数据库;步骤二:手形特征提取与识别;2.1,采用Otsu方法对手部图像进行处理;对手形图像进行轮廓跟踪;2.2,手部特征点的定位、特征提取与识别;步骤三:手臂静脉特征提取与识别;3.1,对手臂图像采用自适应直方图均衡化方法预处理;3.2,利用Gabor滤波器提取图像中的静脉信息;3.3,静脉线匹配;步骤四:基于CMC和ERR的双模态融合识别;4.1,采用Min‑Max函数对匹配误差分数进行归一化处理;4.2,基于CMC的全局权重;4.3,基于等错误率的自适应权重。
【技术特征摘要】
1.一种基于累积匹配和等错误率的手形手臂静脉融合识别方法,其特征在于,步骤如下:步骤一:拍摄手部以及手臂的图像,待认证用户数据库;步骤二:手形特征提取与识别;2.1,采用Otsu方法对手部图像进行处理;对手形图像进行轮廓跟踪;2.2,手部特征点的定位、特征提取与识别;步骤三:手臂静脉特征提取与识别;3.1,对手臂图像采用自适应直方图均衡化方法预处理;3.2,利用Gabor滤波器提取图像中的静脉信息;3.3,静脉线匹配;步骤四:基于CMC和ERR的双模态融合识别;4.1,采用Min-Max函数对匹配误差分数进行归一化处理;4.2,基于CMC的全局权重;4.3,基于等错误率的自适应权重。2.根据权利要求1所述的一种基于累积匹配和等错误率的手形手臂静脉融合识别方法,其特征在于,所述的步骤二具体为:2.1,采用Otsu方法对手部图像进行二值化,然后对结果进行形态学处理,除去小的孔洞并平滑手形边缘,对手形图像进行轮廓跟踪,即可提取完整的单像素手形轮廓图像;2.2,手部特征点的定位:1)手指特征:对于指尖点区域,连接区域的起点和终点间的直线,遍历该区域所有像素点,定义与直线距离最大的点为指尖点;对于指谷点区域,取区域中点为相邻手指的分离点,连接区域起点与分离点间的直线,遍历起点与分离点范围内的点,定义与直线距离最大的点为指谷点1;连接分离点与区域终点间的直线,找到指谷点2;P1、P0和P2分别表示轮廓曲线上相隔相同个数像素的三个点,表示向量量和之间的夹角:其中i表示像素P0的坐标索引;P1、P0和P2分别表示轮廓曲线上相隔相同个数像素的三个点;沿轮廓记录每个点的向量夹角;食指在虎口侧虚拟的外指谷采用做等腰三角形的方法求得,VT为大拇指指谷点,DI为食指指尖点,VI2为食指与中指之间的指谷点,遍历VT~DI所有像素点,求一点VI1使三角形DIVI1VI2等腰三角形,且DIVI1=DIVI2,则VI1定义为食指的虚拟外指谷点;按前方法再定位小拇指的虚拟外指谷点;将指尖点与指谷点中点的连线定义为手指的主轴,其长度即为手指长度;选取长度的1/3、1/2和2/3处做垂直于主轴的线段,求得手指宽度1、宽度2、宽度3,并构成手指宽度向量;2)手掌特征:设定VR1、VL2为食指与小拇指的虚拟外指谷点,连接VR1VL2;VT为大拇指的指谷点,连接VTVR1并取中点M1,过中点M1作直线食指与小拇指的虚拟外指谷点的平行线与手形边缘轮廓曲线交于两点WP1和WP2;过点VT作直线VR1VL2的平行线与手形下方边缘轮廓曲线交于点VT1;定义线段WP1WP2;线段VR1VL2和线段VTVT1长度的平均值作为手掌宽度;将手形与手臂连接处、宽度最小的地方定义为手腕,将手腕的中点到中指指谷中点的距离定义为手掌长度。3.根据权利要求2所述的一种基于累积匹配和等错误率的手形手臂静脉融合识别方法,其特征在于,所述的手部特征提取与识别具体为:采用类内标准差均值MSD对手形相对特征的稳定性进行分析:其中相对特征Vi={Vij,j=1,2,…M}为样本空间中第i类的某一手形相对特征向量,i=1,2,…N,N为样本容量,j表示该识别对象的第j幅图像;同时,选取Fisher判别率FDR对手形相对特征的分辨能力进行分析:其中μi为类内均值,为类内方差;Vij为相对特征;选择11维相对特征组成手形特征向量:食指长度/中指长度;无名指长度/中指长度;小...
【专利技术属性】
技术研发人员:唐超颖,王彪,彭晓光,李丽荣,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏,32
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。