一种基于图模型的手指三模态融合识别方法技术

一种基于图模型的手指三模态融合识别方法。其包括利用Gabor滤波器对原始手指三模态图像进行增强而获得手指三模态增强图像；建立手指三模态增强图像的图模型，获得图特征；利用串联融合或编码融合方式对手指三模态增强图像的图结构特征进行融合，得到综合特征向量；采用超限学习机算法对手指三模态增强图像的综合特征向量进行分类等步骤。本发明专利技术提供的基于图模型的手指三模态融合识别方法不仅能够充分表达手指三模态图像的特征，具有良好的特征表达能力，而且能够有效解决三模态图像由于尺寸不一致导致的融合制约的问题，在自制的手指三模态数据库上的实验结果表明本方法具有一定的可行性。

【技术实现步骤摘要】
一种基于图模型的手指三模态融合识别方法
本专利技术属于生物特征识别领域，特别是涉及一种基于图模型的手指三模态融合识别方法。
技术介绍
随着计算机视觉技术的发展，生物特征识别技术在身份认证方面获得了广泛的发展和应用。由于具有较高的用户认可度和便利性，因此基于生物特征的身份鉴别技术正在逐渐取代传统识别技术。人的手指包含多种生物特征模态，其中，指纹、指静脉和指节纹三个模态均能够实现身份鉴别。然而，手指单模态生物特征识别技术研究与应用结果表明，仅仅依靠手指单模态进行身份鉴别，无法满足识别精度与稳定性的要求。相对于单模态识别，基于生物特征的多模态融合识别在泛化性和安全性方面表现出优秀的性能。手指三模态生物特征采集方便，所处位置较为紧凑，为手指三模态融合识别建立了基础。然而手指三模态图像尺寸的不一致性，是影响多模态特征有效融合的关键性问题。因此，建立普适性的手指三模态图像特征表达模型，搭建有效的融合识别框架，是手指三模态融合识别的基础。
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基于图模型的手指三模态融合识别方法。为了达到上述目的，本专利技术提供的基于图模型的手指三模态融合识别方法包括按顺序进行的下列步骤：(1)利用Gabor滤波器对原始手指三模态图像进行增强而获得手指三模态增强图像；(2)建立上述手指三模态增强图像的图模型，获得图特征；(3)利用串联融合或编码融合方式对上述手指三模态增强图像的图结构特征进行融合，得到综合特征向量；(4)采用超限学习机算法对上述手指三模态增强图像的综合特征向量进行分类。在步骤(1)中，所述的利用Gabor滤波器对原始手指三模态图像进行增强而获得手指三模态增强图像的方法是：Gabor滤波器算子定义如下：其中，θ是Gabor滤波器的方向，f0是Gabor滤波器的中心频率，σ和γ分别代表标准偏差和椭圆高斯包络的长宽比，v是一种直流响应因素，xθ＝xcosθ+ysinθ和yθ＝-xsinθ+ycosθ是坐标x,y旋转θ度后的值；手指三模态增强图像R(x,y)通过原始手指三模态图像I(x,y)与Gabor算子G(x,y)卷积得到，如下式所示：其中，表示二维卷积。在步骤(2)中，所述的建立上述手指三模态增强图像的图模型，获得图特征的具体步骤如下：1)对上述手指三模态增强图像进行分块处理，以每一图块作为加权图中的一个顶点；采用滑动窗口的方式，依此遍历整张手指模态增强图像，形成若干个图块。若手指模态增强图像尺寸为M×N，滑动窗口的大小为h×w，以右和下为滑动方向的滑动步长分别为r和d，则图块个数的计算公式如下：其中，round(·)为求整算子；2)基于三角剖分算法，根据上述加权图的顶点选取加权图的边集，由此确定出加权图的结构；采用加权图来表征手指模态增强图像，即只考虑当前顶点与其右、下、右下邻居顶点间的关联关系；3)基于Steerable滤波器，获取不同图块的方向能量分布特征，计算出加权图中边的权值函数，最后确定出手指三模态增强图像的图特征；采用的权值函数定义如下：w(vi,vj|eij∈E)＝W(vi)×S(vi,vj)其中，W(vi)代表顶点vi所对应的图块特征，S(vi,vj)表征相邻顶点vi,vj对应的图块特征相似度。首先，图块特征W(vi)的计算方法如下：图块特征W(vi)的选取一般需要通过实验来确定，这里给出如下两种选取方式：其中，AAD是平均绝对离差算子，Bi是第i个顶点对应图块的增强结果；然后，图块特征相似度S(vi,vj)的计算方法如下：将分割的图块与Steerable滤波器卷积，获得图块的方向能量分布特征，通过方向能量分布特征进行顶点相似度计算；所采用的Steerable滤波器以及方向能量分布特征计算公式如下：OED＝{E(1),E(2),…,E(θ),…,E(360)|I}其中，f(x,y)为三角函数构成的基础滤波器组，φj是Steerable滤波器的方向，N为基础滤波器组f(x,y)的数目，k(θ)是插值函数，θ是Steerable滤波器的方向；E(θ)为方向能量计算公式，即图像I与Steerable滤波器hθ在某一方向θ上的能量响应，X,Y是Steerable滤波器和图像I的尺寸；将不同方向θ的方向能量组成一个向量，得到方向能量分布特征。方向能量分布特征能够表示加权图中顶点的特征信息，呈向量形式；基于两个顶点的方向能量分布特征的偏差计算图块特征相似度，公式如下：其中fi，fj分别为图块i,j的方向能量分布特征，L为图块i,j的方向能量分布特征的长度，σ为图块特征相似度的均值；图特征由邻接矩阵表示，其维数等于顶点个数，元素为相应顶点间边的权值函数。在步骤(3)中，所述的利用串联融合或编码融合方式对上述手指三模态增强图像的图结构特征进行融合，得到综合特征向量的方法是：1)串联融合方式串联融合方式是将手指三模态增强图像的图特征向量直接串联在一起而获得综合特征向量，即将邻接矩阵拼接在一起；2)编码融合方式编码融合方式是采用竞争编码的方式将手指三模态增强图像的图特征，即邻接矩阵融合为一个综合特征向量；具体方法是：将每个像素编码用一个7字节的编码向量[c1,c2,c3,c4,c5,c6,c7]表示，每个编码向量元素将由该位置的三模态编码像素以及其与周围像素间的关系进行确定；考虑手指三模态增强图像的图结构中位置(i,j)的编码像素融合，其像素值分别由FVi,j，FPi,j以及FKPi,j表示。在手指三模态增强图像的图结构中位置(i,j)的编码像素融合向量中，(c3,c5)构成位置对，由指静脉模态增强图像的图特征计算获得；(c2,c6)构成位置对，由指纹模态增强图像的图特征计算获得；(c1,c7)构成位置对，由指节纹模态增强图像的图特征计算获得；计算公式如下：编码向量c4中可以保留手指三模态增强图像的图结构像素比较信息，计算公式如下：在图特征的编码融合中，位置(i,j)的编码像素融合值采用加权方式取得，计算公式如下：在步骤(4)中，所述的采用超限学习机算法对上述手指三模态增强图像的综合特征向量进行分类的方法是：给定一组包含N个变量的训练样本，S＝{(xi,ti)|xi∈Rn,ti∈Rm,i＝1,2,…,N}，则带有个节点的单隐层神经网络可以表示成：其中，aj和bj是学习参数，βj是第j个隐藏节点与输出变量间的权重参数，xi和ti分别表示第i个变量的特征和目标输出，G(aj,bj,xi)是一个非线性分段连续函数，满足超限学习机的万能逼近能力；以上的个等式可以写成矩阵形式：Hβ＝T其中，叫做隐藏层输出矩阵。超限学习机算法的输出可以由最小二乘算法求得：其中，表示维单位阵，C为非零正则化因子。本专利技术提供的基于图模型的手指三模态融合识别方法不仅能够充分表达手指三模态图像的特征，具有良好的特征表达能力，而且能够有效解决三模态图像由于尺寸不一致导致的融合制约的问题，在自制的手指三模态数据库上的实验结果表明本方法具有一定的可行性。附图说明图1为原始手指三模态图像及增强图像，其中(a)—(c)分别为原始指静脉图像、指静脉细化图像和指静脉增强图像；(d)—(f)分别为原始指纹图像、指纹细化图像和指纹增强图像；(g)—(i)分别为原始指节纹图像、指节纹细化图像和指节纹增强图像。图2为手指三模本文档来自技高网...

【技术保护点】
1.一种基于图模型的手指三模态融合识别方法，其特征在于：所述的方法包括按顺序进行的下列步骤：(1)利用Gabor滤波器对原始手指三模态图像进行增强而获得手指三模态增强图像；(2)建立上述手指三模态增强图像的图模型，获得图特征；(3)利用串联融合或编码融合方式对上述手指三模态增强图像的图结构特征进行融合，得到综合特征向量；(4)采用超限学习机算法对上述手指三模态增强图像的综合特征向量进行分类。

【技术特征摘要】
1.一种基于图模型的手指三模态融合识别方法，其特征在于：所述的方法包括按顺序进行的下列步骤：(1)利用Gabor滤波器对原始手指三模态图像进行增强而获得手指三模态增强图像；(2)建立上述手指三模态增强图像的图模型，获得图特征；(3)利用串联融合或编码融合方式对上述手指三模态增强图像的图结构特征进行融合，得到综合特征向量；(4)采用超限学习机算法对上述手指三模态增强图像的综合特征向量进行分类。2.根据权利要求1所述的基于图模型的手指三模态融合识别方法，其特征在于：在步骤(1)中，所述的利用Gabor滤波器对原始手指三模态图像进行增强而获得手指三模态增强图像的方法是：Gabor滤波器算子定义如下：其中，θ是Gabor滤波器的方向，f0是Gabor滤波器的中心频率，σ和γ分别代表标准偏差和椭圆高斯包络的长宽比，v是一种直流响应因素，xθ＝xcosθ+ysinθ和yθ＝-xsinθ+ycosθ是坐标x,y旋转θ度后的值；手指三模态增强图像R(x,y)通过原始手指三模态图像I(x,y)与Gabor算子G(x,y)卷积得到，如下式所示：其中，表示二维卷积。3.根据权利要求1所述的基于图模型的手指三模态融合识别方法，其特征在于：在步骤(2)中，所述的建立上述手指三模态增强图像的图模型，获得图特征的具体步骤如下：1)对上述手指三模态增强图像进行分块处理，以每一图块作为加权图中的一个顶点；采用滑动窗口的方式，依此遍历整张手指模态增强图像，形成若干个图块；若手指模态增强图像尺寸为M×N，滑动窗口的大小为h×w，以右和下为滑动方向的滑动步长分别为r和d，则图块个数的计算公式如下：其中，round(·)为求整算子；2)基于三角剖分算法，根据上述加权图的顶点选取加权图的边集，由此确定出加权图的结构；采用加权图来表征手指模态增强图像，即只考虑当前顶点与其右、下、右下邻居顶点间的关联关系；3)基于Steerable滤波器，获取不同图块的方向能量分布特征，计算出加权图中边的权值函数，最后确定出手指三模态增强图像的图特征；采用的权值函数定义如下：w(vi,vj|eij∈E)＝W(vi)×S(vi,vj)其中，W(vi)代表顶点vi所对应的图块特征，S(vi,vj)表征相邻顶点vi,vj对应的图块特征相似度；首先，图块特征W(vi)的计算方法如下：图块特征W(vi)的选取一般需要通过实验来确定，这里给出如下两种选取方式：其中，AAD是平均绝对离差算子，Bi是第i个顶点对应图块的增强结果；然后，图块特征相似度S(vi,vj)的计算方法如下：将分割的图块与Steerable滤波器卷积，获得图块的方向能量分布特征，通过方向能量分布特征进行顶点相似度计算；所采用的Steerable滤波器以及方向能量分布特征计算公式如下：OED＝{E(1),E(2),…,E(θ),…,E(360)|I}其中，f(x,y)为三角函数构成的基础滤波器组，φj...

【专利技术属性】
技术研发人员：张海刚，李树一，杨金锋，师一华，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津,12