基于累积匹配和等错误率的手形手臂静脉融合识别方法技术

本发明专利技术公开了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，属于信息感知与识别技术领域，该方法针对两种生物特征的识别性能提出两级权重：首先利用CMC曲线的特性，根据曲线上方面积计算分数级融合的全局权重；然后通过ERR曲线求得最佳分类阈值，进而计算自适应权重，将二者相乘作为总权重并进行分数级加权融合，该方法有利于凸显具有优势的生物特征，多生物特征融合利用特征间的独立性和互补性，可以弥补单模态生物特征识别的不足。

Hand-arm vein fusion recognition method based on cumulative matching and equal error rate

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.)。Chia等利用非法用户最大匹配分数和合法用户最小匹配分数计算非置信宽度，进而计算基于非置信区间宽度的分数级权重(ChiaC,SherkatN,NolleL.TowardsaBestLinearCombinationforMultimodalBiometricFusion.InternationalConferenceonPatternRecognition.IEEE,2010:1176-1179.)。Snelick等提出基于合法用户和非法用户标准差及均值的权重计算方法(SnelickR,UludagU,MinkA,etal.Large-scaleevaluationofmultimodalbiometricauthenticationusingstate-of-the-artsystems.IEEETransactionsonPatternAnalysis&MachineIntelligence,2005,27(3):450-455.)。Poh等利用Fisher测试类的可分性，提出基于Fisher判别比的权重计算方法(PohN,BengioS.Astudyoftheeffectsofscorenormalizationpriortofusioninbiometricauthenticationtasks.Idiap,2004.)。李静等采用基于KPCA的多生物特征识别算法，对掌纹和指纹进行核矩阵融合(李静.基于CPD和特征级融合的手纹识别技术研究[D].西安电子科技大学.)。相比于手形和手部静脉，手臂静脉是一种较为新颖的生物特征，具有皮肤面积大、静脉信息丰富的特点，但同时也比手部静脉具有更多的噪声。目前，还没有将手形和手臂静脉进行融合识别的技术。此外，手形和手部静脉是两种常见的生物特征，相比于手部静脉，手臂静脉是一种较为新颖的生物特征。目前，这几种生物特征都是单独使用的，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。
技术实现思路
本专利技术针对现有技术中存在的问题，基于多生物特征融合利用特征间的独立性和互补性，可以弥补单模态生物特征识别的不足。本专利技术针对手形和手臂静脉提出了一种基于累积匹配曲线(CMC)和等错误率(ERR)曲线的分数级融合识别方法，不同于目前常见的权重计算方法，本专利技术针对两种生物特征的识别性能提出两级权重，该方法有利于凸显具有优势的生物特征。本专利技术是这样实现的：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，步骤如下：步骤一：采用近红外相机拍摄手部和前臂的图像，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，若直接采用边缘检测算子提取手形，部分静脉也可能会被检测出来，所以首先采用Otsu方法对手部图像进行二值化；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；进一步，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，手指指尖点和指根点为手形轮廓的关键点，利用其相对曲率较大的特点寻找其位置：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，计算两个向量之间的夹角，夹角小的位置相对曲率大；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，手掌的长度和宽度是其重要的几何特征：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，可以减小手形非刚性形变对手掌宽度的影响；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。进一步，由于大拇指灵活性较强，且经常与本文档来自技高网...

【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