基于Gabor神经网络的指静脉识别方法及系统技术方案

本发明专利技术公开了基于Gabor神经网络的指静脉识别方法及系统，包括：确定手指区域的上下边缘点集，细化边缘到一个像素宽度；从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；根据获得像素点坐标，对手指的旋转进行矫正，并将背景灰度值置0；获得ROI，宽度选择为原始图像0.73倍，上边缘截取时选择最下面的边缘坐标，下边缘截取时选择最上面的边缘坐标进行高度截取；对总计3816张636类静脉图像提取ROI后调整尺寸到同一的尺寸并进行保存；本发明专利技术中使用80*80的尺寸；使用Gabor神经网络进行静脉特征提取，Gabor神经网络即使用一组多方向的Gabor滤波器对网络中的卷积核进行调制，使用SoftMax分类器进行静脉图像的分类，K‑折交叉验证得到网络的平均准确率。

Finger vein recognition method and system based on Gabor neural network

【技术实现步骤摘要】
基于Gabor神经网络的指静脉识别方法及系统
本专利技术涉及机器学习、图像处理以及生物特征识别
，具体涉及基于Gabor神经网络的指静脉识别方法及系统。
技术介绍
指静脉识别是生物特征识别技术的一种，指静脉识别技术是依据血液流动可以吸收特点波长关系的特性，使用近红外光线照射手指，可以拍摄到侵袭的指静脉图像。由于指静脉特征难以被复制，并且每个人的指静脉特征都不相同，同时随年龄增长几乎不会发生变化，因此指静脉识别技术具有活体识别、安全性高、唯一性等特点，在公司门禁、酒店管理、政府机构、监狱门禁、医学鉴定等方面有着巨大的应用前景。在指静脉识别或者验证过程中，采集静脉图像时由于光照不稳定，手指的旋转可能导致采集的图像质量参差不齐，所以需要一种对于光照以及手指旋转带来的误差比较鲁棒的算法使得指静脉识别能够在实际生活中应用。卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器(hierarchicalclassifier)，也可以在精细分类识别(fine-grainedrecognition)中用于提取图像的判别特征以供其它分类器进行学习。Gabor滤波器其最主要的优势体现在对物体纹理特征的提取上以及对于图像的亮度和对比度变化上有较强的鲁棒性，并且它表达的是图像的局部特征。
技术实现思路
本专利技术要解决的技术问题在于，针对目前指静脉识别算法的不足，提供了基于Gabor神经网络的指静脉识别方法及系统来解决上述问题。基于Gabor神经网络的指静脉识别方法，包括：S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；S5、对静脉感兴趣区域ROI进行resize，待匹配使用；S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；S7、特征提取使用Gabor卷积神经网络(GCN)，每个卷积核(即神经网络的权重)需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类。S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。进一步的，步骤S1具体包括：S11、获得边缘点集a，当前像素点灰度值与其上方距离2个坐标的像素点灰度值相差超过33则认定该像素点为边缘点；S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点；S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐标频数前15的像素点，对边缘进行细化，即每个纵坐标下至多只有一个上边缘点和一个下边缘点；S14、边缘点集在图像中表示为厚度不均匀的横向曲线，对其进行细化处理，将边缘细化至一个像素宽度。进一步的，步骤S2中，在上下边缘点集中分别选择一个纵坐标最接近中心的点作为起始点扩展边缘，设该点(x，y)，向该点左边扩展时若相邻的三个坐标(x-1，y-1)，(x-1，y)，(x-1，y+1)有一个灰度值为255，则把这个相邻点设置为边缘点，继续向左扩展，若没有一个灰度值为255，则取这三个坐标在S1中计算出的梯度最大的点作为边缘点，通过不断地扩展获得完整手指轮廓。进一步的，步骤S3中，在0.23宽度和0.77宽度处选择四个边缘点(x1，y1),(x2，y1),(x3，y2),(x4，y2)，计算手指旋转的角度：根据计算出的旋转角度将图像旋转至水平，并把背景灰度值置0。进一步的，步骤S4具体包括：S41、使用宽度为30的矩形窗，从静脉的中间坐标开始往右移动，每移动一个坐标计算窗口灰度平均值，返回灰度平均值最大的5个窗口坐标，从这5个中选择坐标最小的作为纵坐标基线，往左截取原始图像0.73倍宽度的静脉感兴趣区域ROI；S42、宽度截取完成后进行高度截取，图像上边缘点集选择最下面的边缘坐标，下边缘点集选择最上面的边缘坐标进行高度截取，获得静脉感兴趣区域ROI。进一步的，步骤S7具体包括：S71、Gabor滤波器由生成，其中其中v＝0,…,V；u＝0,…,U，v代表频率，u代表方向，σ＝2π；S72、采用一组多方向的Gabor滤波器对卷积核(权重)进行调制，以四方向Gabor滤波器为例，首先对输入图像进行维度扩张，增加一个维度，如1*80*80扩张到1*4*80*80，卷积核初始化之后，当前向传播到卷积层时，将卷积核和S71产生的四方向Gabor滤波器进行点乘，产生Gabor调制的卷积核；S73、传播到最后一个卷积层，并且经过批归一化层以及激活层之后，取四方向Gabor调制的卷积核中每个对应索引位置数值最大的值作为输出，将扩张的维度减小一个维度；S74、反向传播时采用Adam作为优化算法，计算梯度时采用未使用Gabor滤波器调制的卷积核权重；S75、使用分类器输出分类结果。基于Gabor神经网络的指静脉识别系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～6所述的任意一种基于Gabor神经网络的指静脉识别方法。本专利技术的有益效果在于：本手指静脉识别方法采用边缘扩展的方式，能够十分准确地提取到静脉图案的ROI，同时对图像采集过程中手指可能产生的旋转进行了矫正，采用了Gabor滤波器调制的卷积神经网络，对光照、旋转具有很强的鲁棒性，能够很好地提取静脉特征，并且网络层数较少，适合实际应用。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术基于Gabor神经网络的指静脉识别方法的ROI提取流程图；图2为本专利技术基于Gabor神经网络的指静脉识别方法的网络结构图；图3为本专利技术基于Gabor神经网络的指静脉识别方法的ROI提取时静脉图像的变化过程；图4为本专利技术基于Gabor神经网络的指静脉识别方法的K-折交叉验证结果。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，下面将结合附图对本专利技术实施方式作进一步地描述。基于Gabor神经网络的指静脉识别方法，如图1所示，包括：S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；具体过程如下：S11、获得边缘点集a，当前像素点灰度值与其上方距离2个像素点的灰度值相差超过33则认定该像素点为边缘点。S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点。S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐本文档来自技高网...

【技术保护点】
1.基于Gabor神经网络的指静脉识别方法，其特征在于，包括：S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；S5、对静脉感兴趣区域ROI进行resize，待匹配使用；S6、对预设的多个类别的多张静脉图像使用S1‑S5的步骤处理提取静脉感兴趣区域ROI并进行保存；S7、特征提取使用Gabor卷积神经网络，每个卷积核需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类；S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。...

【技术特征摘要】
1.基于Gabor神经网络的指静脉识别方法，其特征在于，包括：S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；S5、对静脉感兴趣区域ROI进行resize，待匹配使用；S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；S7、特征提取使用Gabor卷积神经网络，每个卷积核需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类；S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。2.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S1具体包括：S11、获得边缘点集a，当前像素点灰度值与其上方距离2个坐标的像素点灰度值相差超过33则认定该像素点为边缘点；S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点；S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐标频数前15的像素点，对边缘进行细化，即每个纵坐标下至多只有一个上边缘点和一个下边缘点；S14、边缘点集在图像中表示为厚度不均匀的横向曲线，对其进行细化处理，将边缘细化至一个像素宽度。3.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S2中，在上下边缘点集中分别选择一个纵坐标最接近中心的点作为起始点扩展边缘，设该点(x，y)，向该点左边扩展时若相邻的三个坐标(x-1，y-1)，(x-1，y)，(x-1，y+1...

【专利技术属性】
技术研发人员：黄田野，张科定，程卓，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42