结合等价模式的自适应半径LBP特征层融合识别方法技术

本发明专利技术公开了一种结合等价模式的自适应半径LBP特征层融合识别方法。本发明专利技术首先利用CLAHE算法增强指纹结构突出其纹理；之后分别对单幅图像中的指纹和指静脉信息进行分离，分别提取指纹和指静脉细线特征；利用细线距离顺序统计量进行指纹和指静脉细线的匹配；其次提出结合等价模式的自适应半径LBP特征，根据图像不同区域纹理尺寸，自适应调整LBP算子的半径，并结合等价模式进行降维；最后将独立提取的指纹和指静脉特征向量进行直方图融合，形成特征层融合新特征，并利用SVM多类分类器对融合后的新特征进行训练，构成完整的单幅近红外手指图像指纹指静脉特征层融合识别模型。本发明专利技术相比于量化层在针对低质量手指具有更好的识别性能，且相比于单一模态识别算法有提升。

Adaptive radius LBP feature layer fusion recognition method combined with equivalent pattern

【技术实现步骤摘要】
结合等价模式的自适应半径LBP特征层融合识别方法
本专利技术属于生物特征识别及信息安全
，特别涉及到手指静脉图像预处理领域。
技术介绍
随着科技的不断进步，指纹、指静脉作为生物识别技术，凭借其广泛稳定、准确度高等特点，成为了生物识别当中颇受关注的识别方式。但是单一生物模态的特征识别容易受各类噪声影响并且容易被伪造存在安全方面的问题，多模态融合识别技术则是将几类生物信息进行融合，在一定程度上弥补单一模态生物识别技术的不足。如在指静脉识别中，若因为成像问题无法拍摄出静脉导致特征不明显，从而导致识别性能下降，而再加入指纹识别时，能够弥补指静脉识别的性能缺陷。因此，对图像进行多特征融合是提高后续匹配性能的重要步骤。Rowe等人利用多谱线指纹传感器采集不同光学条件下的指纹图像并在图像层进行融合以获得具有完整生物信息的指纹图像；Heo等人也提出利用像素加权平均的方式融合不同姿度、不同光照条件下的人脸图像。上述图像层融合可以获得较为完整的信息，但是无法对采集的原始数据当中包含的信息做一致性检验，所以图像层融合是带有盲目性的融合方式，因此图像层融合方式并不是特别适合应用于多模态融合识别。李温温等人将手形和指节纹的匹配分数通过分数加权得到最终的决策公式；Dehache利用支持向量机将指纹和笔迹进行融合。上述量化层融合目前也取得很大的研究进展，但无法很好的解决各个模态匹配量化值之间的异质性，由于不同模态经过不同的匹配算法获得最终的匹配量化值，其分数分布区间以及所代表的含义因来源不同而有较大差异，提高了认假率。而特征层融合能够将多种模态的信息进行有效地整合并利用，对特征信息的利用率更高，是能够获得优秀识别性能的融合层次，对识别性能的提升潜力很大，研究价值较高。
技术实现思路
本专利技术发目的是对于现有的指纹、指静脉识别特征由于不同图像之间维数不固定、变化大，很难将两个模态的特征拼接形成统一标准的新特征的问题，提供一种结合等价模式的自适应半径LBP特征层融合识别方法。本专利技术所采用的技术方案包括以下步骤：步骤S1、获取图像LBP特征矩阵的函数如式(1)：式中R表示LBP的窗口半径，gc为中心目标点的像素灰度值，gi表示领域点的像素灰度值。步骤S2、获得图像旋转LBP特征矩阵的函数如式(2)：式中，min(x)表示求x的最小值，ROR(x,i)表示将x按位循环移动。步骤S3、对步骤S2进行修正，得到一种自适应多级窗口半径的LBP编码方式，对于图像中的每个像素点，比较不同窗口半径下的LBP编码值。如式(3)所示:式中Dis(x,y)表示计算x和y之间的二进制码距，若码距≤3，表示在这两个窗口半径下的编码值一致性良好，采用小窗口半径的结果作为编码值；若码距＞3，则用大窗口半径的结果对其进行修正。步骤S4、将式(3)中的inter(x,y)与窗口半径为1的编码值比较码距，得到最终多级窗口半径修正后的LBP编码结果，如式(4):步骤S5、根据LBP等价模式，对于LBP采样点数为8的模式而言，能形成从256维到59维的映射表，能够对原始LBP算子的模式种类实现降维，映射关系表达式如下：式中U表示二进制编码形成的闭环中0、1跳变的次数。步骤S6、将式(5)带入式(4)最终形成结合等价模式的改进LBP算法，其表达式如下：LBPauto+UP(x,y)＝map(LBPauto(x,y))(6)步骤S7、针对OVO多分类器方法，不在类内的待匹配手指样本可以被视作与数据库中所有k类手指相似程度相同，在通过k(k-1)/2个分类器得到的匹配系数值之间相差较小；对于类内样本，在k(k-1)/2个结果中含有匹配系数较大的几项。根据这一特点，可以将k(k-1)/2个结果进行筛选，通过设定阈值剔除大部分无效匹配结果，如式(7)所示：式中Si为待匹配特征样本与第i个分类器的匹配系数，R1(Si)表示匹配系数为Si的特征匹配结果有效与否，Smax为待匹配特征样本与k(k-1)个分类器匹配结果中最大的匹配系数，T1为阈值。步骤S8、通过式(7)筛选出有效的匹配结果，让最后的投票结果分布较为集中，再对最终的投票结果进行决策判决，判别是否接受该待匹配特征样本的结果，如式(8):Nmax表示对k类手指的投票结果中，统计票数最多的类别所得票数，Nsecmax表示得票数次大值；T2和T3为阈值。本专利技术有益效果如下：本专利技术提出一种结合等价模式的自适应半径LBP特征层融合识别算法，首先提出结合等价模式的自适应半径LBP特征，一定程度上解决了原始LBP特征对图像不同尺寸的纹理处理能力有限、高频冗余噪声信息过多、特征维数过高等问题；然后介绍了多分类支持向量机的原理，并针对传统SVM对于类外待匹配样本中误识率为100％的问题，介绍阈值判决支持向量机模型；最后采用支持向量机，对分块LBP直方图并联融合的新特征向量进行训练。实验表明，本专利技术优于指纹和指静脉单一的自适应半径LBP识别算法和特征层融合+SVM分类识别算法性能。同时在低误识下的拒识率降低同样也表明，本专利技术性能相比于单一模态识别算法的性能有明显的提升。此外，对比量化层融合匹配，本专利技术有效表征了单幅近红外图中提取的指纹、指静脉特征信息，将多种信息更加有效地利用并融合成一个完整的新特征，很好弥补了量化层融合匹配的缺陷，对这类低质量的近红外图像识别性能针对性提高。而且对比单一特征SIFT特征匹配，本专利技术在0误识下的识别率得到了明显的提升，验证了特征层手指多模态融合的识别性能优于单一模态。附图说明图1为原始LBP提取特征；图2为不同手指纹理差异示意图；图3为各种指纹LBP特征提取对比示意图；图4为各种静脉LBP特征提取对比示意图；图5为OVR多分类方法示意图；图6为OVO多分类方法示意图；图7为指纹、指静脉分块LBP直方图提取示意图；图8为基于SVM的改进LBP融合识别示意图；图9为300手指库不同识别算法ROC曲线；图10为100低质量手指库量化层融合与特征层融合ROC曲线对比；图11为300手指库不同算法0误识下识别率对比结果；图12为SDUMLA-HMTDatabase手指库不同算法0误识下识别率对比结果；具体实施例下面结合附图对本专利技术的具体实施例作进一步的说明。本专利技术首先利用CLAHE算法增强指纹结构突出其纹理，有效解决图像中指纹信息无法被充分利用的问题；之后分别对单幅图像中的指纹和指静脉信息进行分离，分别提取指纹和指静脉细线特征；利用细线距离顺序统计量进行指纹和指静脉细线的匹配，解决了特征点识别方法因成像质量差、特征点提取不稳定而导致识别性能差的问题。其次提出了结合等价模式的自适应半径LBP特征，可以根据图像不同区域纹理尺寸，自适应调整LBP算子的半径，适应了纹理粗细、间隔宽度差异，并结合等价模式进行降维，一定本文档来自技高网...

【技术保护点】
1.结合等价模式的自适应半径LBP特征层融合识别方法，其特征在于包括如下：/n步骤S1、获取图像LBP特征矩阵的函数如式(1)：/n

【技术特征摘要】
1.结合等价模式的自适应半径LBP特征层融合识别方法，其特征在于包括如下：
步骤S1、获取图像LBP特征矩阵的函数如式(1)：



式中R表示LBP的窗口半径，gc为中心目标点的像素灰度值，gi表示领域点的像素灰度值；
步骤S2、获得图像旋转LBP特征矩阵的函数如式(2)：



式中，min(x)表示求x的最小值，ROR(x,i)表示将x按位循环移动；
步骤S3、对步骤S2进行修正，得到一种自适应多级窗口半径的LBP编码方式，对于图像中的每个像素点，比较不同窗口半径下的LBP编码值；如式(3)所示:



式中Dis(x,y)表示计算x和y之间的二进制码距，若码距≤3，表示在这两个窗口半径下的编码值一致性良好，采用小窗口半径的结果作为编码值；若码距＞3，则用大窗口半径的结果对其进行修正；
步骤S4、将式(3)中的inter(x,y)与窗口半径为1的编码值比较码距，得到最终多级窗口半径修正后的LBP编码结果，如式(4):



步骤S5、根据LBP等价模式，对于LBP采样点数为8的模式而言，能形成从256维到59维的映射表，能够对原始LBP算子的模式种类实现降维，映射关系表达式如...

【专利技术属性】
技术研发人员：蒋寒琼，沈雷，何晶，何必锋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33