一种非受限状态下的指节纹识别方法技术

本发明专利技术一种非受限状态下的指节纹识别方法，对于非受限状态下采集的指节纹图像，首先提取指节纹区域图像，然后采用所设计的基于弯曲Gabor滤波器提取指节纹ROI区域，进一步设计了卷积神经网络加持空间变换网络的指节纹深度学习网络模型，并用该模型进行指节纹图像识别。本发明专利技术方法根据指节纹弯曲纹理及其对称性的特点，解决了现有技术中指节纹ROI区域定位不够准确的问题；设计了基于卷积神经网络加持空间变换网络的指节纹深度学习网络模型，提高了识别的准确率。了识别的准确率。了识别的准确率。

【技术实现步骤摘要】
一种非受限状态下的指节纹识别方法


[0001]本专利技术属于生物特征的身份识别
，具体涉及一种非受限状态下的指节纹识别方法。

技术介绍

[0002]生物特征识别技术是目前公认安全性及可靠性最高的个人身份识别技术，特别是指节纹识别作为一种新兴的生物特征识别技术近年来受到了高度关注，有望应用于各种身份认证场合。
[0003]相较于其他生物特征，指节纹具有其独特的优势，如纹理区域较小，使得指节纹识别计算量较小；与个人情绪无关，较人脸动态变化较小；指背指节纹不易磨损，因而特征更加稳定有效；采集方式较虹膜方式更廉价，相对静脉复杂的采集方式具有更友好的用户体验。虽然目前国内外学者提出不少用于指节纹的特征提取方法，但大多基于传统方法的特征工程不易构建，所提取的特征鲁棒性较差，识别率较低，且大多针对较为理想状态下的指节纹数据，与实际应用场景差距较大。
[0004]另外，现有的指节纹大多是采用固定手指的方式采集指节纹图像，是一种受限状态下的采集方法，具有采集不够自然、使用场合受限的缺点。本专利技术针对手指不受限制情况下采集的指节纹图像进行识别，更符合实际情况。相对于受限状态下的指节纹图像，需要抵抗旋转、形变及光照等因素的影响，具有更大的识别难度。

技术实现思路

[0005]本专利技术的目的是提供一种非受限状态下的指节纹识别方法，解决了指节纹采集时人手指弯曲程度、位置和角度的变化，导致指节纹图像光照不均匀、对比度低及感兴趣区域难于定位的问题。
[0006]本专利技术所采用的技术方案是，一种非受限状态下的指节纹识别方法，具体按照以下步骤实施：
[0007]步骤1、在非受限状态下采集指节纹图像，并进行预处理和感兴趣区域提取，得到感兴趣指节纹图像；
[0008]步骤2、设计卷积神经网络加持空间变换网络的指节纹深度学习网络模型；
[0009]步骤3、将感兴趣指节纹图像输入指节纹深度学习网络模型进行训练，得到优化的指节纹深度学习网络模型；
[0010]步骤4、对于待识别的指节纹图像，采用步骤1相同的预处理和感兴趣区域提取后，输入优化的指节纹深度学习网络模型进行识别。
[0011]本专利技术的特点还在于：
[0012]步骤1具体过程为：
[0013]步骤1.1、采集指节纹图像，对指节纹图像进行二值化处理，得到二值化图像；
[0014]步骤1.2、对二值化图像进行连通区域分析，求取最大连通区域的外接矩形，根据
该外接矩形的坐标信息从原始采集的指节纹图像中裁切出只含有指节纹的区域图像；
[0015]步骤1.3、对只含有指节纹的区域图像进行对比度增强；
[0016]步骤1.4、采用基于弯曲Gabor变换的方法，提取对比度增强后的指节纹上的感兴趣区域图像，得到感兴趣指节纹图像。
[0017]步骤1.3对比度增强方法为对比度受限自适应直方图均衡化法。
[0018]步骤1.4的提取对比度增强后的指节纹上的感兴趣区域图像的具体步骤程为：
[0019]步骤1.4.1、所采用的弯曲Gabor滤波器形式为：
[0020][0021]其中X＝x*cos(θ)+y*sin(θ)+c*(-x*sin(θ)+y*cos(θ))2，Y＝-x*sin(θ)+y*cos(θ)，弯曲度参数c用来模拟指节纹的弯曲纹理；
[0022]步骤1.4.2、选取参数σ＝20,θ＝π,λ＝20,ψ＝0,γ＝1，创建初始的Gabor滤波器，进一步将该滤波器水平镜像并和创建的初始Gabor滤波器进行拼接，以模拟指节纹的纹理对称性，形成最终的指节纹Gabor滤波器；
[0023]步骤1.4.3、将对比度增强后的指节纹区域图像与最终的指节纹Gabor滤波器进行卷积；
[0024]步骤1.4.4、将卷积后响应最大值的点作为指节纹感兴趣区域的中心点，裁切出220
×
110大小的区域即为感兴趣指节纹图像。
[0025]步骤2的指节纹深度学习网络模型的组成为：输入层为步骤1提取的指节纹ROI区域图像；卷积层1：卷积核个数为8、卷积核大小为5
×
5、卷积步长为2；卷积层2：卷积核个数为16、卷积核大小为3
×
3、卷积步长为2；全连接层1：神经元个数为64；全连接层2：神经元个数为6；双线性插值层；卷积层3：卷积核个数为32、卷积核大小为5
×
5、卷积步长为2；卷积层4：卷积核个数为64、卷积核大小为3
×
3、卷积步长为2；卷积层5：卷积核个数为128、卷积核大小为3
×
3、卷积步长为1；卷积层6：卷积核个数为512、卷积核大小为3
×
3、卷积步长为1；卷积层7：卷积核个数为分类的指节纹个数、卷积核大小为3
×
3、卷积步长为1；全局平均池化层及Softmax分类层。
[0026]空间变换网络对感兴趣指节纹图像进行仿射变换，生成统一的规范化的图像。
[0027]卷积神经网络用来对经空间变换后的指节纹图像进行识别。
[0028]指节纹深度学习网络模型训练时的损失函数为交叉熵损失函数，优化器为Adam，初始学习率为0.005，Mini-Batch为128，训练轮数为100。
[0029]本专利技术有益效果是：
[0030]本专利技术一种非受限状态下的指节纹识别方法，相比较于现有的方法，本专利技术基于弯曲Gabor的指节纹定位方法更能捕捉指节纹的弯曲纹路信息及指节纹中心线近似对称的特点，定位更为准确，有利于后续的处理及识别；设计的基于空间变换网络的深度学习识别模型，能够克服指节纹旋转、缩放及形变对识别结果的影响，提高了识别的准确率，有利于实际应用。
附图说明
[0031]图1是本专利技术一种非受限状态下的指节纹识别方法的流程图；
[0032]图2是本专利技术一种非受限状态下采集的某某的指节纹图像；
[0033]图3是对图2进行二值化得到的指节纹图；
[0034]图4是对图2进行裁切得到的只含有指节纹的区域图像；
[0035]图5是对图4的指节纹图像进行对比度增强得到的图像；
[0036]图6是采用步骤1.4设计的弯曲Gabor滤波器的形状；
[0037]图7是对图5所示的指节纹图像中裁切出感兴趣区域的指节纹图像。
具体实施方式
[0038]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0039]本专利技术一种非受限状态下的指节纹识别方法，如图1所示，具体按照以下步骤实施：
[0040]步骤1、在非受限状态下采集指节纹图像，并进行预处理和感兴趣区域提取，得到感兴趣指节纹图像；
[0041]步骤1具体过程为：
[0042]步骤1.1、采集指节纹图像，对指节纹图像进行二值化处理，得到二值化图像；
[0043]步骤1.2、对二值化图像进行连通区域分析，求取最大连通区域的外接矩形，根据该外接矩形的坐标信息从原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非受限状态下的指节纹识别方法，其特征在于，具体按照以下步骤实施：步骤1、在非受限状态下采集指节纹图像，并进行预处理和感兴趣区域提取，得到感兴趣指节纹图像；步骤2、设计卷积神经网络加持空间变换网络的指节纹深度学习网络模型；步骤3、将感兴趣指节纹图像输入指节纹深度学习网络模型进行训练，得到优化的指节纹深度学习网络模型；步骤4、对于待识别的指节纹图像，采用步骤1相同的预处理和感兴趣区域提取后，输入优化的指节纹深度学习网络模型进行识别。2.根据权利要求1所述的一种非受限状态下的指节纹识别方法，其特征在于，步骤1具体过程为：步骤1.1、采集指节纹图像，对指节纹图像进行二值化处理，得到二值化图像；步骤1.2、对二值化图像进行连通区域分析，求取最大连通区域的外接矩形，根据该外接矩形的坐标信息从原始采集的指节纹图像中裁切出只含有指节纹的区域图像；步骤1.3、对只含有指节纹的区域图像进行对比度增强；步骤1.4、采用基于弯曲Gabor变换的方法，提取对比度增强后的指节纹上的感兴趣区域图像，得到感兴趣指节纹图像。3.根据权利要求2所述的一种非受限状态下的指节纹识别方法，其特征在于，步骤1.3所述对比度增强方法为对比度受限自适应直方图均衡化法。4.根据权利要求2所述的一种非受限状态下的指节纹识别方法，其特征在于，所述步骤1.4提取对比度增强后的指节纹上的感兴趣区域图像的具体步骤程为：步骤1.4.1、所采用的弯曲Gabor滤波器形式为：其中X＝x*cos(θ)+y*sin(θ)+c*(-x*sin(θ)+y*cos(θ))2，Y＝-x*sin(θ)+y*cos(θ)，弯曲度参数c用来模拟指节纹的弯曲纹理；步骤1.4.2、选取参数σ＝20,θ＝π,λ＝20,ψ＝0,γ＝1，创建初始的Gabor滤波器，进一步将该滤波器水平镜像并和创建的初始Gabor滤波器进行拼接，以模拟指节纹的纹理对称性，形成最终的指节纹Gabor滤波器；步骤1.4.3...

【专利技术属性】
技术研发人员：张二虎，段敬红，白朝晖，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：