基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置制造方法及图纸

本发明专利技术涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置，该方法包括：1）图像预处理；2）计算中值，获得3×3中值邻域；3）提取3个方向的LBP特征图像；4）对LBP特征图像进行分块，计算平均直方图；5）对指静脉灰度图像进行PCA降维，得到指静脉灰度图像的3个方向的最终比对特征；6）识别过程中，计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离，对所有注册图像进行排序，筛选出若干候选模板。本发明专利技术方法将指静脉图像提取出包含主要信息的低维度特征，实现快速比对，用极短比对时间筛选出少量候选模板，提升整个指静脉识别系统的验证速度，减少1：N验证时的用户等待时间，及时反馈结果，提高用户使用体验。

【技术实现步骤摘要】
基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置
本专利技术属于信息安全中的生物特征识别
，尤其涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置。
技术介绍
指静脉识别属于第二代生物特征识别技术的典型技术，相比传统的第一代生物特征如指纹、人脸，最主要的区别就是指静脉识别技术依据的是手指内部的静脉血管纹路进行识别，属于体内特征，体内特征不可能被盗取和复制，具有更高的安全性和唯一性，并且指静脉特征采集时要求是活体手指，也杜绝了非活体认假的可能性，同时静脉纹路还具备生物特征传统的唯一性和长期不变性，因此目前正在被广泛研究，并且已经在一些高安全领域进行了应用。指静脉识别技术如专利号为CN105975905A公开的一种手指静脉快速识别方法，通过对指静脉一特征点集中的特征点与从另一特征点集的邻近该特征点的区域搜取的特征点进行匹配的方法，可以快速准确的识别身份。但是，目前指静脉识别算法在大用户数下识别速度有待优化。在1：N的应用场景，当注册用户数N不断积累，会导致指静脉识别系统的验证时间随之增大，如果沿用1：1的精细识别算法进行N次循环比对，势必导致用户体验严重下降。
技术实现思路
本专利技术所要解决的技术问题提供一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置，以解决传统的指静脉识别在大用户数下识别速度慢而导致的用户体验严重下降的问题。为了解决上述技术问题，本专利技术提供的技术方案为：本专利技术涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其包括以下步骤：1）将指静脉灰度图像进行图像预处理；2）对预处理后的指静脉灰度图像进行中值计算，获得3×3中值邻域；3）在3×3中值邻域内提取3个方向的LBP特征图像；4）对LBP特征图像进行分块，求取每一块的灰度分布直方图，对每一块的灰度分布直方图进行累加并求平均，得到平均直方图；5）对待比对指静脉灰度图像和注册图像库中所有指静脉灰度图像进行PCA降维，得到指静脉灰度图像的3个方向的最终比对特征；6）指静脉图像识别过程中，计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离，进而判断两张指静脉灰度图像的相似度，根据相似度对所有注册图像进行排序，并从注册图像中筛选出若干候选模板。优选地，所述步骤1）中，图像预处理包括图像尺寸归一化处理和灰度归一化处理，其中灰度范围归一化为0～255。优选地，所述步骤2）中值计算的具体步骤为：2.1）对于指静脉灰度图像当前坐标为中心的9×9邻域，以3×3大小进行分割，并求每个3×3区域的中值，最终得到9个中值；2.2）以这9个中值组成新的3×3区域，即为3×3中值邻域。优选地，所述步骤3）中3个方向的LBP特征图像包括环绕型LBP特征图像MDLBP_T，竖直方向LBP特征图像MDLBP_V和水平方向LBP特征图像MDLBP_H。优选地，3个方向的LBP特征图像的尺寸均为(m-8)×(n-8)，m和n分别表示预处理后指静脉灰度图像的长度和宽度。优选地，所述步骤4）的具体步骤包括：4.1）对3种LBP特征图像进行分块，分块大小为2w×w，每张LBP特征图像总共分为P块，计算公式如式（1）：式中，m和n分别表示预处理后指静脉灰度图像的长度和宽度；4.2）并对每一块以L为组距求取灰度分布直方图，则每一块最终得到的直方图向量维度为1×k，其中k=256/L，获得小块直方图h，其中，环绕型LBP特征图像MDLBP_T的小块直方图为h_t，竖直方向LBP特征图像MDLBP_V的小块直方图为h_v，水平方向LBP特征图像MDLBP_H的小块直方图为h_h；4.3）对于整张LBP特征图像共有P个直方图向量，将其累加并求平均，得到平均直方图H，平均直方图H的计算公式如式（2）：其中，i取值为从1到P的整数，环绕型LBP特征图像MDLBP_T的平均直方图为H_t,竖直方向LBP特征图像MDLBP_V的平均直方图为H_v,竖直方向LBP特征图像MDLBP_V的平均直方图为H_h。优选地，所述步骤5）的具体步骤包括：5.1）用注册图像库作为训练集，将训练集的所有图像的平均直方图累加并再求平均，得到整个训练集的平均直方图H_mean，如式（3）：其中，N表示训练集中所有图像的张数，i取值为从1到N的整数；5.2）再用每张图像的小块直方图h减去平均直方图H_mean，得到差值向量D，然后将差值向量D的转置DT乘上D，得到各小块的直方图矩阵HM，如式（4）：5.3）依次完成各小块的矩阵计算，进行累加并求矩阵的平均，得到单张图像的平均矩阵HM_mean，然后将训练集的所有图像的HM_mean累加并再求矩阵的平均，得到训练集的平均矩阵TS，如式（5）：其中HM_mean计算公式的i取值为从1到P的整数，TS计算公式的i取值为从1到N的整数；5.4）求TS的特征值和对应的特征向量，然后将特征值从大到小排序，取其前λ个特征值对应的特征向量，组成维度为k×λ的投影矩阵，记为TS_PM；5.5）用每张图像的小块直方图向量h乘以该投影矩阵，完成PCA降维，得到一个1×λ的向量h_dr，即为小块的最终比对特征，一张图像可以得到P个1×λ的向量，即为该MDLBP分块直方图特征经过PCA降维后的3个方向的最终比对特征。优选地，所述步骤6）的具体步骤包括：6.1）计算两张指静脉灰度图像之间的距离D(A,B)，如式（6）：式中，i取值为从1到P的整数，A和B分别为两张指静脉灰度图像，di(A,B)表示两张指静脉灰度图像的第i个对应的最终比对特征的距离，(hi_dr)A表示图像A的第i个最终比对特征，(hi_dr)B表示图像B的第i个最终比对特征，(∙)T代表向量转置；进而分别获得3个方向的最终比对特征的距离，分别为DT(A,B)、DV(A,B)和DH(A,B)；6.2）融合3个方向的最终比对特征，融合结果DMD(A,B)如式（7）：式中，α、β和γ分别表示3个参数，且α+β+γ=1；6.3）基于融合结果DMD(A,B)，从不同方向比较两图的相似度，根据相似度对注册图像进行排序，并从注册图像中筛选出若干候选模板。本专利技术还涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序装置，其包括：1）预处理模块，将指静脉灰度图像进行图像预处理；2）中值计算模块，对预处理后的指静脉灰度图像进行中值计算，获得3×3中值邻域；3）LBP特征提取模块，用于在3×3中值邻域内提取3个方向的LBP特征图像；4）分块模块，用于对LBP特征图像进行分块，求取每一块的灰度分布直方图，对每一块的灰度分布直方图进行累加并求平均，得到平均直方图；5）PCA降本文档来自技高网...

【技术保护点】
1.一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：其包括以下步骤：/n1）将指静脉灰度图像进行图像预处理；/n2）对预处理后的指静脉灰度图像进行中值计算，获得3×3中值邻域；/n3）在3×3中值邻域内提取3个方向的LBP特征图像；/n4）对LBP特征图像进行分块，求取每一块的灰度分布直方图，对每一块的灰度分布直方图进行累加并求平均，得到平均直方图；/n5）将指静脉灰度图像进行PCA降维，得到指静脉灰度图像的3个方向的最终比对特征；/n6）指静脉图像识别过程中，计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离，进而判断两张指静脉灰度图像的相似度，根据相似度对所有注册图像进行排序，并从注册图像中筛选出若干候选模板。/n

【技术特征摘要】
1.一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：其包括以下步骤：
1）将指静脉灰度图像进行图像预处理；
2）对预处理后的指静脉灰度图像进行中值计算，获得3×3中值邻域；
3）在3×3中值邻域内提取3个方向的LBP特征图像；
4）对LBP特征图像进行分块，求取每一块的灰度分布直方图，对每一块的灰度分布直方图进行累加并求平均，得到平均直方图；
5）将指静脉灰度图像进行PCA降维，得到指静脉灰度图像的3个方向的最终比对特征；
6）指静脉图像识别过程中，计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离，进而判断两张指静脉灰度图像的相似度，根据相似度对所有注册图像进行排序，并从注册图像中筛选出若干候选模板。


2.根据权利要求1所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：所述步骤1）中，图像预处理包括图像尺寸归一化处理和灰度归一化处理，其中灰度范围归一化为0～255。


3.根据权利要求1所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：所述步骤2）中值计算的具体步骤为：
2.1）对于指静脉灰度图像当前坐标为中心的9×9邻域，以3×3大小进行分割，并求每个3×3区域的中值，最终得到9个中值；
2.2）以这9个中值组成新的3×3区域，即为3×3中值邻域。


4.根据权利要求1所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：所述步骤3）中3个方向的LBP特征图像包括环绕型LBP特征图像MDLBP_T，竖直方向LBP特征图像MDLBP_V和水平方向LBP特征图像MDLBP_H。


5.根据权利要求4所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：3个方向的LBP特征图像的尺寸均为(m-8)×(n-8)，m和n分别表示预处理后指静脉灰度图像的长度和宽度。


6.根据权利要求4所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法，其特征在于：所述步骤4）的具体步骤包括：
4.1）对3种LBP特征图像进行分块，分块大小为2w×w，每张LBP特征图像总共分为P块，计算公式如式（1）：



式中，m和n分别表示预处理后指静脉灰度图像的长度和宽度；
4.2）并对每一块以L为组距求取灰度分布直方图，则每一块最终得到的直方图向量维度为1×k，其中k=256/L，获得小块直方图h，其中，环绕型LBP特征图像MDLBP_T的小块直方图为h_t，竖直方向LBP特征图像MDLBP_V的小块直方图为h_v，水平方向LBP特征图像MDLBP_H的小块直方图为h_h；
4.3）对于整张LBP特征图像共有P个直方图向量，将其累加并求平均，得到平均直方图H，平均直方图H的计算公司如式（2）：



其中，i取值为从1到P的整数，环绕型LBP特征图像MDLBP_T的平均直方图为H_t,竖直方向LBP特征图像MDLBP_V的平均直方图为H_v,竖直方向LBP特征图像MDLBP_V的平均直方图为H_h。


7.根据权利要求6所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序...

【专利技术属性】
技术研发人员：张烜，赵国栋，蓝师伟，李学双，
申请(专利权)人：北京圣点云信息技术有限公司，
类型：发明
国别省市：北京;11