一种基于多指标融合预评价的指静脉图像识别方法技术

一种基于多指标融合预评价的指静脉图像识别方法，包括：获得图像质量评价指标、对评价指标进行归一化处理、生成样本向量、确定分类器核心参数并生成SVM分类器、对图像进行评价并筛选图片生成数据库、对处理后的图像进行HOG特征提取与灰度共生矩阵特征提取、融合两种特征形成融合向量、身份匹配。本发明专利技术能够有效减少因为图像质量不均带来的识别率降低等问题。问题。问题。

【技术实现步骤摘要】
一种基于多指标融合预评价的指静脉图像识别方法


[0001]本专利技术属于信息安全中的生物特征识别
，具体设计一种指静脉图像识别方法。
技术背景
[0002]人们在日常生活中会接触许多的生物识别设备，这些设备的安全性和准确性得到了广泛的关注。目前市面上应用到生物特征识别领域的特征包括指静脉、指纹、人脸、掌纹、虹膜等。而指静脉识别作为众多生物特征识别技术中的一种，逐渐成为当前研究的热点。
[0003]指静脉图像采集方式是利用静脉中的氧化红血素可吸收700nm～1000nm特殊波长的红外线原理，在特殊波长范围内的近红外光下实现非接触成像，这种识别方法安全性较高、过程便捷、非接触式操作更加卫生，用户更加容易接受。
[0004]指静脉设备采集图像的过程中，被采集者的手指按压力度、手指摆放位置、采集环境光照变化、周围环境温度等问题，都可能导致设备所采集到的指静脉图像质量不高，甚至出现无法识别匹配的情况。当采集到的手指数据库中低质量图片过多时，不仅降低了识别成功率，还增加了指静脉的对比时间，导致整体设备性能较低。

技术实现思路

[0005]针对上述存在的问题，本专利技术提出了一种基于多指标融合预评价的指静脉图像识别方法。
[0006]因为考虑到采集、识别过程中环境、使用者等因素变化，采集到的指静脉图像存在质量差异，为了提高后续识别的准确性，本专利技术提出了一种相对高效准确的基于图像质量评价的指静脉识别算法。本专利技术结合多种指静脉评价指标，首先将这些指标作为输入通过SVM算法进行融合进行图像采集的预评价，再根据筛选后的指静脉图像数据库进行特征提取并匹配得到最终结果。本专利技术提出的方法相比传统的指静脉识别算法，准确性更高，在一定程度上可以有效提高指静脉识别设备的性能。
[0007]为了达到上述目的，本专利技术提供的技术方案具体步骤如下：
[0008]步骤S1，根据数据库中指静脉图像特点选取等效视数、信息熵、灰度标准差和对比度四种评价指标，并通过所述四种评价指标对待测图像进行质量评价，获得四个初始质量评价指标分数。
[0009]步骤S2，对得到的四个初始质量评价指标分数进行归一化处理，统一量纲。
[0010]步骤S3，将归一化后的四个质量评价指标分数分别作为SVM分类器输入样本向量的一个分量。
[0011]步骤S4，确定SVM分类器的核函数以及其他的核心参数，根据这些参数通过训练样本生成SVM分类器。
[0012]步骤S5，将采集到的待检测指静脉图像输入SVM分类器得到图像质量评价结果，保留高质量指静脉图像作为识别数据库，删除低质量的指静脉图像。
[0013]步骤S6，对采集到的指静脉预处理。
[0014]步骤S7，利用方向梯度直方图(HOG)特征提取算法对指静脉图像进行特征提取，同时利用灰度共生矩阵(GLDM)计算指静脉图像的对比度、熵和相关性，并计算这些特征量的标准差和均值，形成另一个六维的特征向量。
[0015]步骤S8，利用PCA对提取到的HOG特征向量进行降维，再与灰度共生矩阵提取的特征向量进行加权融合形成融合特征向量HOG
‑
G。
[0016]步骤S9，进行特征匹配，通过则身份认证成功，不通过则身份认证失败。
[0017]本专利技术的一种基于多指标融合预评价的指静脉图像识别方法，具有如下有益效果：
[0018]1、本专利技术结合多指标融合方法，提出一种新的指静脉识别方法，提高指静脉识别设别的性能。
[0019]2、本专利技术通过对指静脉图像质量相关评价指标计算并通过SVM对指静脉图像的质量进行二分类，实现指静脉图像质量的评价。
[0020]3、本专利技术通过图像质量评价对采集到的图片进行筛选并保留至数据库，可以优化后续特征提取的部分步骤，减少计算量，提高整体识别算法的性能。
[0021]4.传统识别方法中，可能会因为数据库中图像信息熵、标准差等特征过大或过小增加识别时间，造成识别错误。本专利技术采用的预评价方法能够有效减少因为图像质量不均带来的识别率降低等问题。
附图说明
[0022]图1是本专利技术方法的流程图。
[0023]图2是本专利技术的灰度共生矩阵基本远离框架及移动方向示意图。
[0024]图3是本专利技术的十折交叉验证法流程图。
具体实施方式
[0025]以下，对本专利技术的实施方式进行说明。
[0026]本实施例提出的一种基于多指标融合预评价的指静脉图像识别方法流程图如图1所示，该方法包括以下步骤：
[0027]一种基于多指标融合预评价的指静脉图像识别方法，包括八部分，获得图像质量评价指标、对评价指标进行归一化处理、生成样本向量、确定分类器核心参数并生成SVM分类器、对图像进行评价并筛选图片生成数据库、对处理后的图像进行HOG特征提取与灰度共生矩阵特征提取、融合两种特征形成融合向量、身份匹配。具体步骤如下：
[0028]S1，根据数据库中指静脉图像特点选取等效视数、信息熵、灰度标准差和对比度四种评价指标，并通过所述四种评价指标对待测图像进行质量评价，获得四个初始质量评价指标分数。
[0029]S2，对得到的四个初始质量评价指标分数进行归一化处理，统一量纲。
[0030]S3，将归一化后的四个质量评价指标分数分别作为SVM分类器输入样本向量的一个分量。
[0031]S4，确定SVM分类器的核函数以及其他的核心参数，根据这些参数通过训练样本生
成SVM分类器。
[0032]S5，将采集到的待检测指静脉图像输入SVM分类器得到图像质量评价结果，保留高质量指静脉图像作为识别数据库，删除低质量的指静脉图像。
[0033]S6，对采集到的指静脉预处理。
[0034]S7，利用方向梯度直方图(HOG)特征提取算法对指静脉图像进行特征提取，同时利用灰度共生矩阵(GLDM)计算指静脉图像的对比度、熵和相关性，并计算这些特征量的标准差和均值，形成另一个六维的特征向量。
[0035]S8，利用PCA对提取到的HOG特征向量进行降维，再与灰度共生矩阵提取的特征向量进行加权融合形成融合特征向量HOG
‑
G。
[0036]S9，进行特征匹配，通过则身份认证成功，不通过则身份认证失败。
[0037]步骤S1具体包括：
[0038]S11、获取指静脉原始图像，得到指静脉原始图像的灰度图像P1；任意取指静脉灰度图像其中两个点(x，y)和(x+a，y+b)，设定该点对的值为(i，j)，令点(x，y)在整个图像上扫描，则会形成各种(i，j)值；记录下每一种(i，j)出现的个数，然后将其排列成矩灰度共生矩阵；
[0039]S12、所述等效视数，用以下公式表示：
[0040][0041]其中μ为静脉图像灰度均值，σ为静脉图像灰度标准差。
[0042]用等效视数这一指标可以很好的反应静脉图像纹理的清晰性,体现整幅图像的灰度对比度,等效视数越大,对比度越小,图像越本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多指标融合预评价的指静脉图像识别方法，其特征在于，包括如下具体步骤：S1，根据数据库中指静脉图像特点选取等效视数、信息熵、灰度标准差和对比度四种评价指标，并通过所述四种评价指标对待测图像进行质量评价，获得四个初始质量评价指标分数；S2，对得到的四个初始质量评价指标分数进行归一化处理，统一量纲；S3，将归一化后的四个质量评价指标分数分别作为SVM分类器输入样本向量的一个分量；S4，确定SVM分类器的核函数以及其他的核心参数，根据这些参数通过训练样本生成SVM分类器；S5，将采集到的待检测指静脉图像输入SVM分类器得到图像质量评价结果，保留高质量指静脉图像作为识别数据库，删除低质量的指静脉图像；S6，对采集到的指静脉预处理；S7，利用方向梯度直方图(HOG)特征提取算法对指静脉图像进行特征提取，同时利用灰度共生矩阵(GLDM)计算指静脉图像的对比度、熵和相关性，并计算这些特征量的标准差和均值，形成另一个六维的特征向量；S8，利用PCA对提取到的HOG特征向量进行降维，再与灰度共生矩阵提取的特征向量进行加权融合形成融合特征向量HOG
‑
G；S9，进行特征匹配，通过则身份认证成功，不通过则身份认证失败。2.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S1具体包括：S11、获取指静脉原始图像，得到指静脉原始图像的灰度图像P1；任意取指静脉灰度图像其中两个点(x，y)和(x+a，y+b)，设定该点对的值为(i，j)，令点(x，y)在整个图像上扫描，则会形成各种(i，j)值；记录下每一种(i，j)出现的个数，然后将其排列成矩灰度共生矩阵；S12、所述等效视数，用以下公式表示：其中μ为静脉图像灰度均值，σ为静脉图像灰度标准差；用等效视数这一指标可以很好的反应静脉图像纹理的清晰性,体现整幅图像的灰度对比度,等效视数越大,对比度越小,图像越模糊,图像质量越差；S13、所述信息熵，用以下公式表示：其中p(i,j)指归一化后的灰度共生矩阵；信息熵是图像所具有的信息量的度量，表征了图像中的纹理复杂程度，信息熵值越大表示图像的纹理越复杂，图像质量更好；S14、所述灰度标准差，用以下公式表示：
其中mean指利用归一化后的灰度共生矩阵得到的灰度均值；灰度标准差越大表示图像中灰度变化越大，对于指静脉而言，图像的纹理变化更加丰富；S15、所述对比度，用以下公式表示：对比度可以反映局部灰度变化总量，在一张图像中，如果局部像素的灰度差别越大，则图像的对比度越大，图像的视觉效果更加清晰，图像质量更好。3.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S2所述的归一化处理，是针对得到的四个质量评价指标的计算结果不完全在同一个数量级上，利用最大最小归一化方法对上述评价指标进行归一化处理。4.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S3所述的样本向量X的表达式：X＝(Q
d
，Q
s
，Q
b
，Q
c
)
T
ꢀꢀꢀꢀꢀ
(3
‑
1)其中，Q
d
表示指静脉图像的等效视数值，Q
s
表示指静脉图像的信息熵值，Q
b
表示指静脉图像的灰度标准差值，Q
c
表示指静脉图像的对比度值；同时给每一张图像的类别Y定义两个结果，
‑
1表示该图像的质量低，为不合格图像；1则表示该图像的质量高，为合格图像。5.如权利要求1的一种基于多指标融合预评价的指静脉图像识别方法，其特征在于：步骤S4具体包括：S41、核函数主要有线性核、多项式核、径向基核、Sigmoid核等；其中RBF作为线性核函数的一种方法，需要确定的核心参数相较其他核函数而言要少，复杂程度更低，于是选用RBF作为该分类器的核函数；S42、关于核函数...

【专利技术属性】
技术研发人员：冯定忠，罗君益，张烨，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：