基于人体生理图像中排序测度特征的自动身份识别方法技术

一种基于人体生理图像中排序测度特征的自动身份识别方法，包括步骤：采集人的生理图像；对采集的生理图像进行预处理和归一化；采用多极微分滤波器提取归一化图像中的排序测度特征；对排序测度特征进行编码，构建图像的二值化特征向量；计算两幅生理图像的特征向量之间的汉明距离；根据计算所得的Ｈａｍｍｉｎｇ距离判断上述的两幅生理图像是否来自同一人。本发明专利技术的身份认证系统具有识别精度高、计算速度快、鲁棒性强、特征模板容量小的优点。本发明专利技术可满足门禁、考勤、电子护照、电子商务、银行提款机等应用系统对身份鉴定的需求。

【技术实现步骤摘要】

本专利技术涉及生物特征识别，特别是一种基于人体生理图像的自动身份鉴定方法。
技术介绍
有效的身份鉴别系统或者机制对于维护一个社会的公平、安全和稳定起着重要的作用。在数字化时代，个人身份的自动化识别为个性化服务的便捷提供保驾护航，如电子商务、电子银行、电子钱包、电子通关、电子教育、电子票务、电子办公室等；同时身份认证能够有效防止个人身份的盗用，如信用卡诈骗、网络黑客、访问控制(包括物理门禁和逻辑门禁)等；更重要的是身份识别在国防安全和公共安全中也扮演着重要角色，如海关出入境身份检查、刑事案件的侦破、流动人口管理、数字化居民身份证的应用等。传统的身份识别方法一般分为基于知识的方法(密码、特殊问题的答案)、基于标识物品的方法(钥匙、胸卡)或者二者的结合(如银行卡)。知识容易遗忘、易破解，而标识物品易丢失、易损坏、易复制。所以传统的身份识别方法既不安全，也不方便。而生物特征认证和其它传统方法相比具有许多独特的优势，比如说可靠性高、防伪性好、使用方便等。所谓生物特征识别(BIOMETRICS)技术是指通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来，多为先天性的，如人的指纹、虹膜、脸像、掌纹、皮肤；行为特征则是习惯使然，多为后天性的，如声音、笔迹、步态。生理和行为特征统称为生物特征。生理特征比行为特征更加稳定，不易伪造，可靠性更高。可用于身份认证的人体生理特征一般可以用图像的方式进行表达，用计算机自动提取生理图像中的可区分信息，就可以快速识别不同人的身份。所以基于人体生理图像的识别技术是一项很有前途的技术，拥有广泛的应用领域。现有的生物特征识别方法一般都是针对不同生理图像的特点进行设计，并且基本上都是基于比较复杂的数字图像处理、计算机视觉和模式识别算法，计算量和存储量都比较大，识别精度也无法得到保证，还容易受到光线变化、图像噪声和形变的影响，鲁棒性和稳定性都不是很好。近年来移动电子设备(如带数码相机的手机、PDA)已经开始走入千家万户，再加上无线通讯的发展，人们已经开始用这些移动设备接收电子邮件、开展电子商务、参与股市买卖、存储私人机密。这些场合都需要进行身份认证，采用生理图像识别将是一个安全可靠的选择。由于受体积和能量的限制，这些设备的计算资源、存储资源都是有限的，并且采集到的生理图像的质量也不能得到保证。
技术实现思路
本专利技术的目的是提出一种基于生理图像排序测度特征的身份认证方法，利用虹膜、人脸、掌纹、皮肤、指纹、静脉图像中定性的顺序比对结果来确定人身份的方法。为实现上述目的，一种基于排序测度特征的人体生理图像识别方法，包括步骤采集人的生理图像；对采集的生理图像进行预处理和归一化；采用多极微分滤波器提取归一化图像中的排序测度特征；对排序测度特征进行编码，构建图像的二值化特征向量；计算两幅生理图像的特征向量之间的汉明距离；根据计算所得的Hamming距离判断上述的两幅生理图像是否来自同一人。本专利技术使用简单明了的图像特征表达方法来刻画人体生理图像中的可区分信息，本专利技术的生理图像识别方法从生物视觉认知机理提出了用数字图像中相邻区域之间的灰度对比信息来表达图像中稳定的可区分特征，能够刻画生理图像中灰度变化模式的随机性信息；使用同一种方法解决了各种不同的生理图像(如虹膜、人脸、掌纹、皮肤、指纹、静脉的数字化图像)的特征提取和特征匹配问题；图像中的排序测度特征间接反映了成像对象物理表面不同位置反光率之间的定性关系，是独立于光照、对比度等外界因素的生物特征图像的个体本质特征；图像排序测度特征只需要简单的二值编码，效率高，只需要占用很小的硬盘或者内存空间，非常适合于计算机存储和读取；本专利技术的身份识别方法计算速度快、识别精度高、稳定性和鲁棒性都很好。本专利技术的算法对于硬件的性能要求低，而且计算十分简单，易于编写成软件或用硬件实现。所以本专利技术尤其适用于PDA、手机和嵌入式系统等计算存储资源较紧缺的平台进行身份认证。附图说明图1为基于生理图像识别的身份认证方法流程框图，其中S1采集生理图像，S2预处理，S3归一化，S4采用多极微分滤波器对归一化图像数据进行滤波，S5特征编码，S6特征匹配，S7认证决策；图2为生理图像预处理和归一化示意图，其中(a)是虹膜图像的定位结果和归一化结果，(b)是人脸图像的定位结果和归一化结果，(c)是掌纹图像的定位结果和归一化结果，(d)是皮肤图像的定位结果和归一化结果，(e)是指纹图像的定位结果和归一化结果；图3为各种多极微分滤波器；图4为多极微分滤波器和生物特征图像进行滤波处理的示意图；图5是使用图3中的多极微分滤波器提取排序测度特征，编码得到的生理图像的特征模板，其中，(a)是虹膜图像的特征编码；(b)是人脸图像的特征编码； (c)是掌纹图像的特征编码；(d)是皮肤图像的特征编码。(e)是指纹图像的特征编码。图6是图像中的排序测度特征示例；图7是生理图像采集流程示意图。具体实施例方式本专利技术提出一种新颖的基于生理图像中排序测度特征的身份识别方法。生理图像识别系统一般工作在两种状态下注册模式和识别模式。在注册模式，合法用户向系统提交自己的生理特征模板；在识别模式，系统通过对比存储的模板和用户临时采集的生理图像的特征来确定这个用户身份是否合法。不论是注册模式还是识别模式，生理特征识别方法都要进行图像预处理和特征提取，在识别模式下还要进行特征匹配。下面对排序测度特征进行较为深入的阐述在上世纪末期，一些神经生理科学家发现高等动物的大脑皮层的大部分神经细胞对于视觉对比度刺激的响应具有快速饱和特性。也就是说，当视觉对象的对比度极性(contrast polarity)和这些细胞的感受性质吻合时，只要对比度的强度(绝对值)超过一个较小的阈值，这些细胞的输出响应就接近了峰值；此后再增加外界视觉刺激的强度也不会对神经信息的生成有显著贡献。所以可以推理出对生物体视觉认知起决定作用的是对比度的方向信息，而不是绝对强度大小；如果把输入-输出关系理想化和简单化，就可以用阶跃函数近似拟合这些响应曲线，即神经细胞的响应结果是两态的(ON/OFF)，根据输入对比度的极性而定。通过模拟这些生物体神经细胞对外界视觉刺激的信息编码规则，计算机视觉领域的科学家提出了用于表达图像信息的排序测度特征。图6给出了一个排序测度特征示例，符号“p”和“f”表明了两个图像区域平均灰度值之间的不等式关系，即描述了这两个区域对比度的方向信息。对于这种定性的图像邻域之间的顺序度量关系，只需要一位比特码就可以表达，例如可以用“1”表示“Ap B”，而用“0”表示“Af B”，至于两个区域平均灰度值完全相等的情况对于8位的数字图像而言是一个小概率事件，可以任意划到“1”或者“0”。由于排序测度特征摒弃了精确的绝对信息，使它特别适合于计算机视觉领域的图像特征表达，因为在不同的光线条件下同一物体的灰度值会发生明显的变化，而图像区域之间的排序测度特征却大多稳定不变，更加能够反映视觉对象的本质特征。除了视觉领域的应用，其实排序测度特征也是我们日常生活中常用的定性度量工具，例如我们可以很容易判断两个人的身高和体重的相对大小，但是我们很难主观给出他们的绝对差值。例如人们往往记住的是奥运获胜选手的“金”、“银”、“铜”排名，而不是本文档来自技高网...

【技术保护点】
一种基于人体生理图像中排序测度特征的自动身份识别方法，包括步骤：采集人的生理图像；对采集的生理图像进行预处理和归一化；采用多极微分滤波器提取归一化图像中的排序测度特征；对排序测度特征进行编码，构建图像的二值化特征向量；计算两幅生理图像的特征向量之间的汉明距离；根据计算所得的Ｈａｍｍｉｎｇ距离判断上述的两幅生理图像是否来自同一人。

【技术特征摘要】

【专利技术属性】
技术研发人员：谭铁牛，孙哲南，李子青，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]