一种基于邻域类编码学习的静脉识别方法技术

本发明专利技术提供了一种基于邻域类编码学习的静脉识别方法，其特征在于，包括以下步骤：S1、获取训练集静脉图像特征；S2、对所有训练集特征，生成类别间二值模版；S3：以所有训练集特征和得到的类别间二值模版作为输入，二值模版中的每一位训练一个分类器；S4：获取测试静脉图像特征，并将测试特征循环输入每一个分类器，得到测试特征的二值编码；S5：对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别，得到静脉识别结果。本发明专利技术在输入静脉图像特征的基础上，考虑类别间的关系，采用类别编码的方式对原始特征进行二值化，既能提高静脉识别准确率，又能在很大程度上降低数据量。

【技术实现步骤摘要】
一种基于邻域类编码学习的静脉识别方法
本专利技术涉及基于生物特征的自动身份识别
，特别是一种基于邻域类编码学习的静脉识别方法。
技术介绍
随着科学技术的发展，传统的钥匙、口令、门禁卡等身份识别手段逐渐被人们所淘汰，取而代之的是各类生物特征识别手段，如：人脸识别、指纹识别、虹膜识别、掌纹识别(人的生理特征)和步态识别、语音识别(人的行为特征)等。作为21世纪的一个朝阳产业，生物识别技术已进入人们生活的各个方面，呈现出网络化、非接触、多模态等趋势特征。这些生物特征识别与传统的身份识别技术相比，具有方便、快捷、有效、不易丢失、交互力强等优势。静脉是人体皮下组织中随机分布的一种网络，手指静脉是指沿着手指皮下组织随机分布的一种网络，医学研究表明，不同人，甚至是同一人的不同手指静脉分布都是不同的，而且静脉纹路一旦形成，不会随着人的年龄增长发生变化。手指静脉识别是利用手指静脉血液中的血红蛋白对近红外光(波长范围为690～980nm)的吸收特性来采集静脉图像进而进行身份识别的技术。与其他生物特征识别技术相比，手指静脉识别具有以下优势：(1)利用血液中的血红蛋白对近红外光的吸收特性获取特征，能实现活体检测；(2)内部特征，肉眼不可见，能有效防止造假；(3)非接触式采集，用户体验好；(4)采集设备简单、小巧，容易实现便携式设备开发。因此，手指静脉识别技术从2000年第一次被提出就得到研究人员的广泛关注。现有技术中，相关单位和个人针对静脉识别也进行了大量的研究和分析，其中针对静脉特征训练学习提取的研究尤为突出，如专利申请号201710656587.5，一种基于自学习的指静脉特征提取方法及系统，采用自编码神经网络模型进行特征提取，申请号201611114622.2，一种基于HOL特征与子空间学习的静脉识别方法，采用基于方向线直方图统计的方法进行特征表示。然而，现有技术中均是通过提取静脉图像的多维度特征进行分析，通过静脉特征自身的特异性实现静脉特征的识别，而忽略了静脉特征类别间的相互关系，导致静脉的识别效率不高。
技术实现思路
(一)要解决的技术问题鉴于上述技术问题，本专利技术提供了一种基于邻域类编码学习的静脉识别方法，该方法在输入静脉图像特征的基础上，考虑类别间的关系，采用类别编码的方式对原始特征进行二值化，既能提高静脉识别准确率，又能在很大程度上降低数据量。(二)技术方案根据本专利技术的一个方面，提供了一种基于邻域类编码学习的静脉识别方法，包括以下步骤：S1、获取训练集静脉图像特征；S2、对所有训练集特征，生成类别间二值模版；S3：以所有训练集特征和得到的类别间二值模版作为输入，二值模版中的每一位训练一个分类器；S4：获取测试静脉图像特征，并将测试特征循环输入每一个分类器，得到测试特征的二值编码；S5：对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别，得到静脉识别结果。在某些实施例中，步骤S1包括以下步骤：S11、采集识别部位的静脉图像；S12、对采集到的静脉图像进行预处理；S13、对预处理后的静脉图像进行特征表示，得到特征。在某些实施例中，在步骤S13中，对预处理后的静脉图像进行特征表示，采用的方法为基于局部编码方法、基于频域的方法、基于子空间的方法或基于HOL特征描述的方法。在某些实施例中，步骤S2包括以下步骤：S21：生成类间关系矩阵；S22：类间关系矩阵粗二值化，得到编码矩阵；S23：类间关系矩阵再二值化，得到最终的编码矩阵。在某些实施例中，步骤S21包括以下步骤：S211：计算类均值构建每个类的中心；S212：通过计算每两类中心之间的距离来获得两类的权重并生成类间关系矩阵；S213：将类间关系矩阵量化为0-255间的整数；S214：对类间关系矩阵进行行均衡化和列均衡化。在某些实施例中，在步骤S22中，对每一类选取K个类邻域位置，根据所选邻域对类间关系矩阵粗二值化，得到编码矩阵。在某些实施例中，在步骤S23中，计算所有编码矩阵中所有类的类间散度，对类间散度小的类别单独处理，进行类间关系矩阵再二值化，包括以下步骤：S231：计算编码矩阵中所有类二值模版的类间散度；S232：设定阈值，找出类间散度小于阈值的类别对，改变邻域个数，以类间散度最大为优化目标，并更新编码矩阵中该类对的模版；S233：重复上述步骤，直到类间散度不再改变，得到最终的编码矩阵。在某些实施例中，在步骤S3中，所述分类器是SVM模型、回归树模型、随机森林模型、深度神经网络模型中的一种。在某些实施例中，在步骤S5中，采用汉明距离对类间二值模版和测试特征的二值编码进行相似性度量，对测试图像进行识别分类，得到静脉识别结果。在某些实施例中，所述静脉识别方法的识别部位为手指，获取手指指体区域的静脉图像，手指是左右手除大拇指和小拇指以外的其余任何手指之一。(三)有益效果从上述技术方案可以看出，本专利技术一种基于邻域类编码学习的静脉识别方法至少具有以下有益效果其中之一：(1)本专利技术采用邻域类的方式对静脉特征进行编码，利用了静脉特征各类别间的关系，避免了目前的静脉识别中只考虑了类内关系和笼统的类间关系的缺点，解决了静脉识别时由于特征比对复杂导致识别效率低下的技术问题；(2)本专利技术充分考虑了类别间关系，有助于更好的对静脉生物体来源进行后续数据分析。附图说明图1是本专利技术提供的一种基于邻域类编码学习的静脉识别方法流程示意图。图2是图1中步骤S1的详细流程示意图。图3是本专利技术实施例提供的一种基于邻域类编码学习的手指静脉识别方法的功能框图。图4是本专利技术实施例提供的一种基于邻域类编码学习的手指静脉识别方法中ROI区域截取示意图；其中，(a)显示了原始图像、有效采集区域、垂直有效区域的截取中心的关系；(b)显示了灰度累加值曲线；(c)显示了左右截取参考线；(d)显示了感兴趣区域图像。图5是本专利技术实施例提供的一种基于邻域类编码学习的生成二值模版流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。本专利技术某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本专利技术的各种实施例可以许多不同形式实现，而不应被解释为限于此数所阐述的实施例；相对地，提供这些实施例使得本专利技术满足适用的法律要求。本专利技术提供了一种基于邻域类编码学习的静脉识别方法。图1是本专利技术提供的一种基于邻域类编码学习的静脉识别方法流程示意图。如图1所示，一种基于邻域类编码学习的静脉识别方法包括以下步骤：S1、获取训练集静脉图像特征；S2、对所有训练集特征，生成类别间二值模版；S3：以所有训练集特征和得到的类别间二值模版作为输入，二值模版中的每一位训练一个分类器；S4：获取测试静脉图像特征，并将测试特征循环输入每一个分类器，得到测试特征的二值编码；S5：对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别，得到静脉识别结果。在某些实施例中，如图2所示，步骤S1包括以下子步骤：S11、采集识别部位的静脉图像；S12、对采集到的静脉图像进行预处理；S13、对预处理后的静脉图像进行特征表示，得到特征。在步骤S12中，预处理主要包括以下子步骤：子步骤S121：感兴趣区域截取；子步骤S122：静脉图像增强处理。作本文档来自技高网...

【技术保护点】
1.一种基于邻域类编码学习的静脉识别方法，其特征在于，包括以下步骤：S1、获取训练集静脉图像特征；S2、对所有训练集特征，生成类别间二值模版；S3：以所有训练集特征和得到的类别间二值模版作为输入，二值模版中的每一位训练一个分类器；S4：获取测试静脉图像特征，并将测试特征循环输入每一个分类器，得到测试特征的二值编码；S5：对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别，得到静脉识别结果。

【技术特征摘要】
1.一种基于邻域类编码学习的静脉识别方法，其特征在于，包括以下步骤：S1、获取训练集静脉图像特征；S2、对所有训练集特征，生成类别间二值模版；S3：以所有训练集特征和得到的类别间二值模版作为输入，二值模版中的每一位训练一个分类器；S4：获取测试静脉图像特征，并将测试特征循环输入每一个分类器，得到测试特征的二值编码；S5：对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别，得到静脉识别结果。2.根据权利要求1所述的静脉识别方法，其特征在于，步骤S1包括以下步骤：S11、采集识别部位的静脉图像；S12、对采集到的静脉图像进行预处理；S13、对预处理后的静脉图像进行特征表示，得到特征。3.根据权利要求2所述的静脉识别方法，其特征在于，在步骤S13中，对预处理后的静脉图像进行特征表示，采用的方法为基于局部编码方法、基于频域的方法、基于子空间的方法或基于HOL特征描述的方法。4.根据权利要求1所述的静脉识别方法，其特征在于，步骤S2包括以下步骤：S21：生成类间关系矩阵；S22：类间关系矩阵粗二值化，得到编码矩阵；S23：类间关系矩阵再二值化，得到最终的编码矩阵。5.根据权利要求4所述的静脉识别方法，其特征在于，步骤S21包括以下步骤：S211：计算类均值构建每个类的中心；S212：通过计算每两类中心之间的距离来获得两类的权重并生成类间关系矩...

【专利技术属性】
技术研发人员：张丽萍，李卫军，宁欣，董肖莉，覃鸿，徐健，于丽娜，李爽，
申请(专利权)人：中国科学院半导体研究所，中国科学院大学，
类型：发明
国别省市：北京,11