一种基于深度相关特征学习的指静脉识别方法技术

本发明专利技术公开了一种基于深度相关特征学习的指静脉识别方法，涉及指静脉识别技术领域。本发明专利技术包括以下步骤：步骤1：对指静脉图像进行采集并对图像进行ROI截取；步骤2：对截取的图像进行手指轴向旋转校正，并进行特融合；步骤3：对指形进行特征提取；步骤4：对指形的纹理特征进行匹配。使得整体的抗旋转能力进一步提升，整体的抗旋转能力进一步提升。整体的抗旋转能力进一步提升。整体的抗旋转能力进一步提升。

【技术实现步骤摘要】
一种基于深度相关特征学习的指静脉识别方法


[0001]本专利技术属于指静脉识别
，特别是涉及一种基于深度相关特征学习的指静脉识别方法。

技术介绍

[0002]目前，指静脉识别因其独有的安全性、便携性等特性受到越为广泛的关注，越来越多的指静脉识别算法也相继被提出。常规的指静脉识别系统主要分为图像采集、图像预处理、特征提取和匹配四个步骤。
[0003]基于深度相关特征学习的方法是通过神经网络来自主学习静脉特征进行身份识别，可达到较高的识别精度。匹配是指将两个特征向量进行某种度量，计算它们之间的相似性。其中，特征提取作为至关重要的一步，直接影响后续的匹配相似度和识别性能。尽管现有的指静脉特征算法已达到较高的识别精度，但对于手指轴向旋转形变问题仍然没有较好的解决方法。因此提出一种基于深度相关特征学习的指静脉识别方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度相关特征学习的指静脉识别方法，解决了上述技术背景中的问题。
[0005]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0006]本专利技术为一种基于深度相关特征学习的指静脉识别方法，包括以下步骤：
[0007]步骤1：对指静脉图像进行采集并对图像进行ROI截取；
[0008]步骤2：对截取的图像进行手指轴向旋转校正，并进行特融合；
[0009]步骤3：对指形进行特征提取；
[0010]步骤4：对指形的纹理特征进行匹配；
[0011]其中，所述步骤2中，手指轴向旋转校正的具体流程为：
[0012]S1:采用Gabor滤波对原始的ROI图像进行增强；
[0013]S2:将其中一幅图像作为基准图像，另一幅图像作为搜索图像，将搜索图像置于基准图像上方，并与基准图像重叠三分之一，计算两幅图像的重叠区域的皮尔森相似度；
[0014]S3:再将搜索图像进行平移，直至搜索图像与基准图像的剩余部分重合，并且移动一次计算一次皮尔森相似度，将最大的皮尔森相似度对应的重叠区域作为两幅图像的最相似区域，并根据最相似区域的位置对ROI图像进行截取获得带匹配图像的共同区域；
[0015]特征融合的具体流程为：
[0016]S1:利用支持向量机SVM对匹配图像纹理结构特征进行分类，根据分类结果计算所有特征向量到分类超平面的距离，作为纹理结构特征匹配分数；同时利用卡方距离得到匹配图像DOCH匹配分数；
[0017]S2:对纹理结构特征匹配分数和DOCH匹配分数分别设置互补权重，权重和为1；
[0018]S3:根据设定的步长将其中一个权重值从0遍历到1，另一个权重值也由权重和计
算，每个权重值对应一个等误率值，取最小的权值作为最终权值。
[0019]进一步地，其中所述皮尔森相似度的计算方法为：
[0020]假设两个带匹配图像按行展开后的向量为X，Y，均指分别为μ，ν。协方差为cov(X＜,y)，标准方差为σ
X
，σ
Y
；
[0021]则相似度为：cov(X,Y)＝E((X
‑
ν)(Y
‑
μ))，
[0022]进一步地，所述步骤1中，指静脉图像通过透射成像进行获取。
[0023]进一步地，所述步骤1中，对图像进行ROI截取方法为：
[0024]S1:对采集到的手指静脉图像进行边缘检测，检测出手指的上下边缘；
[0025]S2:将手指上下边缘的中心点进行拟合得出手指中位线，计算中位线与水平线之间的角度，根据角度将指静脉图像进行水平旋转校正；
[0026]S3:根据手指上下边缘中距中位线最近点的坐标，对指静脉图像进行水平截取；
[0027]S4:根据指关节位置确定ROI区域横向长度，得出ROI区域。
[0028]进一步地，所述步骤3中，指形特征提取的方法为：
[0029]S1:将获取的图像宽度与质心边缘距离特征进行分块处理，转化为二值图像，获取其均值方差序列；
[0030]S2:将宽度和质心边缘距离的均值方差序列分别通过曼哈顿距离计算得到匹配分数；
[0031]S3:将两种分数进行加权求和得到最终的指形特征分数。
[0032]进一步地，所述步骤4中，特征匹配的方法的方法为：
[0033]S1:将所述步骤2中的DOCH匹配分数和纹理结构特征匹配分数进行归一化加权融合，获得指静脉匹配分数；
[0034]S2:将步骤3中获取的指形特征分数进行归一化；
[0035]S3:将指静脉分数与指形分数进行分级融合，得到最终的匹配分数。
[0036]进一步地，所述图像宽度与质心边缘距离特征获取方法为：
[0037]S1:根据所述二值图的轮廓边缘确定用于指形特征提取的手指区域M；
[0038]S2:在区域M内每一列获取一个宽度值，组成手指的宽度向量；
[0039]S3:测量质心与每一列的上下边缘点之间的距离得到质心上边缘距离下边缘距离，将二者串接构成质心边缘距离。
[0040]本专利技术具有以下有益效果：
[0041]1、本专利技术通过计算待匹配图像之间的重叠区域的皮尔森相似度值确定共同区域，达到旋转校正的目的。使得指静脉识别的成功率大大提高。
[0042]2、本专利技术通过对指静脉纹理的方向进行分析，部分静脉纹理呈弯曲状，采用双方向编码可以更准确的描述静脉纹理的方向信息，且具有一定的抗旋转能力。使得整体的抗旋转能力进一步提升。
[0043]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0044]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为一种基于深度相关特征学习的指静脉识别方法的流程图；
[0046]图2为指静脉图像特征融合的流程图；
[0047]图3为指形特征提取的流程图。
具体实施方式
[0048]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0049]请参阅图1，本专利技术为一种基于深度相关特征学习的指静脉识别方法，包括以下步骤：
[0050]步骤1：对指静脉图像进行采集并对图像进行ROI截取；本实施例中指静脉图像进行采集可分为三类：投射成像、侧射成像和反射成像；由于原始的指静脉图像包含角度的无用信息，直接作为后续特征提取的输入图像引入较多的噪声，采用ROI截取指静脉纹理区域进行识别，这样保留了绝大部分的指静脉纹理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度相关特征学习的指静脉识别方法，其特征在于：包括以下步骤：步骤1：对指静脉图像进行采集并对图像进行ROI截取；步骤2：对截取的图像进行手指轴向旋转校正，并进行特融合；步骤3：对指形进行特征提取；步骤4：对指形的纹理特征进行匹配；其中，所述步骤2中，手指轴向旋转校正的具体流程为：S1:采用Gabor滤波对原始的ROI图像进行增强；S2:将其中一幅图像作为基准图像，另一幅图像作为搜索图像，将搜索图像置于基准图像上方，并与基准图像重叠三分之一，计算两幅图像的重叠区域的皮尔森相似度；S3:再将搜索图像进行平移，直至搜索图像与基准图像的剩余部分重合，并且移动一次计算一次皮尔森相似度，将最大的皮尔森相似度对应的重叠区域作为两幅图像的最相似区域，并根据最相似区域的位置对ROI图像进行截取获得带匹配图像的共同区域；特征融合的具体流程为：S1:利用支持向量机SVM对匹配图像纹理结构特征进行分类，根据分类结果计算所有特征向量到分类超平面的距离，作为纹理结构特征匹配分数；同时利用卡方距离得到匹配图像DOCH匹配分数；S2:对纹理结构特征匹配分数和DOCH匹配分数分别设置互补权重，权重和为1；S3:根据设定的步长将其中一个权重值从0遍历到1，另一个权重值也由权重和计算，每个权重值对应一个等误率值，取最小的权值作为最终权值。2.根据权利要求1所述的一种基于深度相关特征学习的指静脉识别方法，其特征在于，其中所述皮尔森相似度的计算方法为：假设两个带匹配图像按行展开后的向量为X，Y，均指分别为μ，ν。协方差为cov(X＜,y)，标准方差为σ
X
，σ
Y
；则相似度为：cov(X,Y)＝E((X
‑
ν)(Y
‑
μ))，3.根据权利要求1所述的一种基于深...

【专利技术属性】
技术研发人员：洪伟，管一鸣，程勇，史寿增，梅列汝，
申请(专利权)人：安徽澄小光智能科技有限公司，
类型：发明
国别省市：