CN101777117A - 一种手指静脉特征提取于匹配识别方法 - Google Patents

Abstract

本发明提供的是一种手指静脉特征提取于匹配识别方法。(1)通过图像采集装置进行手指静脉图像的采集；(2)对采集的手指静脉图像进行预处理，包括：彩色图像进行灰度化、手指区域提取、采用组合滤波器分别消除椒盐噪声和高斯噪声、采用局部动态阈值算法分割图像并二值化、然后采用面积消除法去噪、按照手指轮廓标记提取手指静脉脉络图像，最后将图像的大小标准化为统一的图像；(3)通过在行列两个方向上都加权的二维线性判别分析算法提取手指静脉特征；(4)通过最近邻分类器进行匹配与识别。本发明明显地提高了手指静脉的识别速度，识别率稳定且高。

Description

一种手指静脉特征提取于匹配识别方法

技术领域

本发明涉及一种生物特征身份识别技术，涉及的是一种手指静脉特征身份认证技术。

背景技术

在众多生物特征识别技术中，由于指纹识别具有很强的普遍性、唯一性、稳定性、易用性等特点，受到广泛的关注、研究和应用。指纹识别技术是目前较为理想的身份确认技术，实用程度很高，但在实际应用中发现存在一些瓶颈问题：

(1)由于手指有污物、过湿、过干，或指纹仪不清洁，或采集指纹的照相机聚焦不准等原因，导致采集的指纹图像不够清晰，引起图像质量问题，直接影响指纹的识别精度和结果；

(2)根据NIST(美国国家标准技术研究所)的报告指出，由于手指受伤(疤痕、磨损)，或手指爆皮大约有2％的人，不能提供好质量的待验和注册图像，因此这些人就不能通过指纹来进行识别。

(3)指纹采集过程中，手指按压的扭转和拉伸，按压力度等因素会使指纹产生形变、旋转，导致特征的描述缺乏恒定性，会使注册的特征值的描述和验证时的特征值描述不同，这样成功比对的可能性就会降低，这类情况在现实中是比较常见的。因此设计验证系统时，必须将这些因素考虑在内，这样系统的可靠性会变差和复杂度会增加，会增加拒识率。

(4)虽然很难窃取生物特征，但是这种可能性是存在的。目前已经出现了利用硅树脂制造的克隆指纹。

指纹识别方式还仅停留在观察人的生物特征的“表象”上，安全系数较低。近年，出现了一种新的生物特征识别技术——静脉识别。现在主要的研究有手背静脉识别、手掌静脉识别以及手指静脉识别。同指纹一样，静脉也具有很强的普遍性和唯一性，而且具有指纹无法比拟的优势：

(1)在获取静脉图像时，可以利用透射光或者反射光两种方式进行获取。这里我们采用透视光获取手指静脉图像，因为该法穿透手指获取内部静脉图像特征，这样可以有效避免反射光获取图像时，因皮肤表面的皱纹、褶皱、粗糙、干裂或潮湿等造成的获取精确图像特征的障碍。

(2)对于指纹识别装置而言，只要被识别对象的纹路符合识别规则，那么便被识别装置判断为正确，识别过程即告完成。因此被识别对象的可仿造程度很高，可以是贴有正确纹路的人造手指或真人手指，也可以是伪造好纹路的各种无生命载体。静脉识别装置的关键在于“活体识别”，也就是说被识别对象必须是活着的人，才能达到“可识别”的第一步。很难伪造或是手术改变。

(3)静脉是身体内部的血管特征，很难伪造或者是手术改变，是非接触性的信息采集，手指无须与仪器接触，不会造成采集界面的污染，没有手指接触设备时的不卫生、及特征可能被复制所带来的安全问题，并避免了被当作审查对象的心理不适。

很明显，手指静脉识别克服了指纹识别等的诸多缺点，有着广阔的应用前景，因此手指静脉识别是近几年来生物认证技术开辟的新领域。

手指静脉识别研究最先始于日立公司，日立公司Information & Telecom研究小组针对手指静脉认证算法的作了较多的研究。2000年，日立公司工程师等首次提出手指静脉用于个人身份的鉴定的方法。2004年，日立公司发表了NaotoMiura等几位工程师关于提取手指静脉特征的成果。2005年，日立公司成立了全球指静脉识别技术推广中心，开发内容包括ATM、电脑、楼宇系统、汽车安全等等领域。据报道，在日本已有上万家企业采用了手指静脉识别技术的安全保密系统，东京各大银行采用了ATM及柜台身份认证、保险箱及电脑系统的登录；目前，该技术已经登陆我国。

在国内关于手指静脉的研究和资助的项目相对比较少。中国民航大学天津市智能信号与图像处理重点实验室杨金锋博士获得了国家自然科学基金资助，这是目前国内手指静脉识别技术研究领域第一项获得国家自然科学基金资助的研究项目。哈尔滨工程大学模式识别与智能系统实验室的王科俊教授对手指静脉识别进行了研究，制作了采集设备和提出了相应的手指静脉提取和匹配方法。吉林大学张忠波等在指静脉识别算法上也进行了研究。另外还有其他一些学者进行研究，文献对手指静脉采集装置进行了设计。不仅手指静脉图像预处理作了一些深入而细致的研究。也分别采用不用方法提取手指静脉特征，均取得令人满意的效果。

发明内容

本发明的目的在于提供一种能明显地提高手指静脉的识别速度，识别率稳定且高的一种手指静脉特征提取于匹配识别方法。

本发明的目的是这样实现的：

(1)通过图像采集装置进行手指静脉图像的采集；

(2)对采集的手指静脉图像进行预处理，包括：彩色图像进行灰度化、手指区域提取、采用组合滤波器分别消除椒盐噪声和高斯噪声、采用局部动态阈值算法分割图像并二值化、然后采用面积消除法去噪、按照手指轮廓标记提取手指静脉脉络图像，最后将图像的大小标准化为统一的图像；

(3)通过在行列两个方向上都加权的二维线性判别分析算法提取手指静脉特征；

(4)通过最近邻分类器进行匹配与识别。

所述通过在行列两个方向上都加权的二维线性判别分析算法提取手指静脉特征的方法为：首先采用二维线性判别分析方法，分别计算训练样本在行方向上和列方向上的特征值和对应的特征向量组；其次将两组特征值分别按从大到小排序，并计算特征值累积贡献率，分别获取行和列方向上的最优维数d和t；然后按照最优维数d和t，分别选择其特征值所对应的特征向量组，构成行和列方向上的最佳投影矩阵X和B^T；按照行和列方向上的特征值λ和λ′的大小，将X和B^T分别按照行和列两个方向上的进行加权处理，得到投影加权矩阵X_W和B^T _W；最后将训练样本和测试样本分别在行和列方向上的加权矩阵X_W和B^T _W进行投影，获得训练样本和测试样本的图像特征矩阵Z_W。

所述加权的加权值获取方法，其行方或列向上特征向量组X的加权策略如下：

$\left\{\begin{array}{c}X=X\&times;\mathrm{diag}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,...,{\mathrm{\&lambda;}}_d)\\ {\mathrm{\&lambda;}}_i=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_i& {\mathrm{\&lambda;}}_i<1\\ {\mathrm{\&lambda;}}_i^{\mathrm{\&omega;}}& {\mathrm{\&lambda;}}_i\&GreaterEqual;1\end{array}\right.\\ \begin{array}{cc}i=\mathrm{1,2},...,d,& 0<\mathrm{\&omega;}<1\end{array}\end{array}\right.$

其中diag(λ₁，λ₂，...，λ_d)为λ₁，λ₂，...，λ_d组成的对角阵，ω为加权因子。

本发明提出的手指静脉识别方法，包括手指静脉图像获取，图像预处理，获取尺寸标准化的手指静脉脉络图像，特征提取，身份识别等步骤。

本发明的主要贡献和特点在于：(1)手指静脉脉络是隐藏在皮肤下面，只能通过红外图像采集装置才能获取手指静脉图像。(2)对采集的手指静脉图像进行预处理，包括：彩色图像进行灰度化、手指区域提取、采用组合滤波器分别消除椒盐噪声和高斯噪声、采用局部动态阈值算法分割图像并二值化、然后采用面积消除法去噪、按照手指轮廓标记提取手指静脉图像，最后将图像的大小标准化为统一的图像。通过预处理，可以有效的去除各种噪声，以获取准确的手指静脉脉络图像。(3)对尺寸标准化的脉络图像采取(2D)²LDA方法，并结合累积特征值贡献率的分析，可以极大的降低特征矩阵的维数，进而提高识别速度；而且在保留了手指静脉结构特征的同时，从而使得最终识别精度得到显著提高。(4)基于行列两个方向上的特征值的特性，对手指静脉图像特征矩阵进行行列两个方向上加权的方法，可以滤掉更多的冗余信息，从而获得更加稳定的识别率，从而明显提高特征矩阵的维数对手指静脉识别的鲁棒性。

本发明明显地提高了手指静脉的识别速度，识别率稳定且高。

附图说明

图1手指静脉识别算法的流程图；

图2手指静脉图像预处理；

图3加权值对(W2D)²LDA、W(2D)²LDA和(W2D)²LDA识别率影响情况。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.手指静脉红外图像的采集

选用的手指静脉采集装置的基本原理是利用近红外线照射手指，并由图像传感器感应手指透射过来的光线。其中的关键在于流到静脉红血球中的血红蛋白因照射会失脱氧份，而这个还原的血红蛋白对波长760nm附近的近红外线会有吸收，本实施方式中采用的是850nm的红外光源，导致静脉部分的透射较少，在成像设备上就会产生静脉图案。所以，选用的手指静脉采集器就是利用透射的近红外线的强弱来凸现静脉血管的。

2.手指静脉图像的预处理

为了提取手指静脉脉络，首先将原始手指静脉图像进行灰度变换(如图2(a))；通过判别连通区域面积的大小确定手指轮廓并标记，去除漏光干扰区域；采用组合滤波器分别消除椒盐噪声和高斯噪声(如图2(b))；采用局部动态阈值算法分割图像并二值化(如图2(c))，然后采用面积消除法去噪(如图2(d))；按照手指轮廓标记提取手指静脉图像，最后将图像的大小归一化为80×200的图像(如图2(e))。

3.行列相结合二维线性判别分析

3.1 2DLDA

假设A是一个m×n的图像矩阵，x是一个n维的列向量，那么A在x上的投影是一个m维的列向量，称为图像A在x上线性投影，如下式表示：

y＝Ax                       (1)

如果x是一个特征提取向量，那么y称为图像A的特征投影向量。

现在假设手指静脉图像共有M幅，且这M幅图像分别属于L个手指，第i个手指属于模式类别L_i(i＝1，2，…，L)，每类中c幅图像，这些图像大小都是m×n的矩阵，设A表示M幅手指静脉图像的平均图像，A_i为第i类的平均静脉图像，P_i为第i类模式的先验概率。可以得到类间离散度矩阵S_b和类内离散度矩阵S_w：

$S_b=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i{(\stackrel{\&OverBar;}{A_i}-\stackrel{\&OverBar;}{A})}^T(\stackrel{\&OverBar;}{A_i}-\stackrel{\&OverBar;}{A})---\left(2\right)$

$S_w=\frac{1}{M}\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{(A_j-\stackrel{\&OverBar;}{A_i})}^T(A_j-\stackrel{\&OverBar;}{A_i})---\left(3\right)$

其中： $P_i=\frac{1}{L},\stackrel{\&OverBar;}{A}=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{A}_k,$ $\stackrel{\&OverBar;}{A_i}=\frac{1}{c}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{A}_j^i(i=\mathrm{1,2},...,L)$

容易证明S_b，S_w是非负定矩阵，类似于经典Fisher准则，二维图像直接投影的广义Fisher准则定义如下：

$J\left(x\right)=\frac{x^T{S}_{b}x}{x^T{S}_{w}x}---\left(4\right)$

由于2DLDA不存在小样本问题，所以类内离散度矩阵S_w可逆，可以直接求取S_w ^-1S_b的特征值和对应特征向量。

使目标函数

取得最大值的向量x是最佳投影轴，事实上仅采用一个最佳投影轴是达不到要求，所以需要选取一组向量构成二维最佳投影矩阵，使得J(x)取极大值，这组最佳投影轴为：

{x₁，x₂，…，x_d}＝arg maxJ(x)                    (5)

也就是说，使J(x)取极大值的前d(d＜n)个最大的特征值所对应的特征向量组就是最佳投影矩阵，令X＝[x₁，x₂，…，x_d]，则有：

Y＝[y₁，y₂，…，y_d]＝[Ax₁，Ax₂，…，Ax_d]＝AX     (6)

Y就是m×n维图像矩阵A在最佳投影矩阵X投影后得到的一个m×d维投影特征矩阵。

3.2列方向2DLDA

上述2DLDA实际是图像矩阵A寻找行方向上的最佳投影矩阵X，同理在列方向上也可以寻找一个最佳投影矩阵。

假设A′是一个m×d的图像矩阵，x′^T是一个m维的行向量，那么A′在x′^T上的投影是一个d维行向量，称为图像A′在x′^T上线性投影，如下式表示：

y′＝x′^TA′                                     (7)

其类间离散度矩阵S_b′和类内离散度矩阵S_w′：

${S_b}^{\&prime;}=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i(\stackrel{\&OverBar;}{A_i}-\stackrel{\&OverBar;}{A}){(\stackrel{\&OverBar;}{A_i}-\stackrel{\&OverBar;}{A})}^T---\left(8\right)$

${S_w}^{\&prime;}=\frac{1}{M}\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}(A_j-\stackrel{\&OverBar;}{A_i}){(A_j-\stackrel{\&OverBar;}{A_i})}^T---\left(9\right)$

二维图像直接投影的广义Fisher准则定义如下：

$J\left(x^{\&prime;T}\right)=\frac{x^{\&prime;T}{S_b}^{\&prime;}{x}^{\&prime;}}{x^{\&prime;T}{S_w}^{\&prime;}{x}^{\&prime;}}---\left(10\right)$

同样，需要选取一组向量构成最佳投影矩阵，使得J(x′^T)取极大值，这组最佳投影轴为：

{x′₁，x′₂，…，x′_t}^T＝arg maxJ(x′^T)                       (11)

也就是说，使J(x′^T)取极大值的前t(t＜m)个最大的特征值所对应的特征向量组就是最佳投影矩阵，令B＝[x′₁，x′₂，…，x′_t]，则有：

Y′＝[y′₁，y′₂，…，y′_t]

                                                              (12)

＝[x′^T ₁A′，x′^T ₂A′，…，x′^T _tA′]＝B^TA′

Y′就是m×d维图像矩阵A′在最佳投影矩阵B^T投影后得到的一个t×d维投影特征矩阵。

3.3行列方向相结合的2DLDA

2DLDA算法是以行为单位进行特征抽取，列方向2DLDA算法是以列为单位进行特征抽取。一个m×n的手指静脉图像A用行2DLDA算法进行特征抽取，是A向n×d维行方向最佳投影矩阵X投影，根据公式(6)，获得一个m×d的特征投影矩阵Y；对此矩阵再使用一次列方向2DLDA算法，即Y向t×m维列方向最佳投影矩阵B^T投影，根据公式(12)，最后获得t×d维的图像特征矩阵。经过这个流程就实现了行列方向相结合的(2D)²LDA算法。给一幅m×n图像A，对其进行(2D)²LDA算法特征提取，两个投影矩阵是X和B^T，X大小是n×d，B^T的大小是t×m，投影后得到的结果是t×d维图像特征矩阵Z：

Z＝B^TAX                                    (13)

4.双向加权的(2D)2LDA

尽管(2D)2LDA算法虽然减少了图像特征矩阵的维数，但(2D)2LDA仍然平等对待了每一维特征。然而不同的特征值所对应的特征向量对识别的贡献是不同的，大的特征值所对应的特征向量对识别贡献较大，因此，本文针对行列两个方向上特征投影矩阵分别进行加权，以突出不同特征值所对应的特征向量对识别的贡献，提出了行列两个方向上的加权(2D)2LDA算法((W2D)2LDA)。

针对行方向2DLDA算法中式(5)中前d个最大的特征值λ₁≥λ₂≥...≥λ_d，其特征向量组X的加权策略如下：

$\left\{\begin{array}{c}X=X\&times;\mathrm{diag}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,...,{\mathrm{\&lambda;}}_d)\\ {\mathrm{\&lambda;}}_i=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_i& {\mathrm{\&lambda;}}_i<1\\ {\mathrm{\&lambda;}}_i^{\mathrm{\&omega;}}& {\mathrm{\&lambda;}}_i\&GreaterEqual;1\end{array}\right.\\ \begin{array}{cc}i=\mathrm{1,2},...,d,& 0<\mathrm{\&omega;}<1\end{array}\end{array}\right.---\left(14\right)$

其中diag(λ₁，λ₂，...，λ_d)为λ₁，λ₂，...，λ_d组成的对角阵，ω为加权因子。

当λ_i≥1时，加权因子ω可以适当地减小权值对特征向量的放大作用。λ＜1时由于权值将缩小特征向量的作用，因此在λ＜1的条件下，不对特征向量进行加权。

同理针对列方向2DLDA算法中式(11)中前t个最大的特征值λ′₁≥λ′₂≥...≥λ′_t，其特征向量组B^T的加权策略如下：

$\left\{\begin{array}{c}{B}^T={(B\&times;\mathrm{diag}({{\mathrm{\&lambda;}}^{\&prime;}}_1,{{\mathrm{\&lambda;}}^{\&prime;}}_2,...,{{\mathrm{\&lambda;}}^{\&prime;}}_t))}^T\\ {{\mathrm{\&lambda;}}^{\&prime;}}_j=\left\{\begin{array}{cc}{{\mathrm{\&lambda;}}^{\&prime;}}_j& {{\mathrm{\&lambda;}}^{\&prime;}}_j<1\\ {{\mathrm{\&lambda;}}^{\&prime;}}_j^{\mathrm{\&omega;}}& {{\mathrm{\&lambda;}}^{\&prime;}}_j\&GreaterEqual;1\end{array}\right.\\ \begin{array}{cc}j=\mathrm{1,2},...,t,& 0<\mathrm{\&omega;}<1\end{array}\end{array}\right.---\left(15\right)$

于是，式(13)可以重新表示为：

Z_W＝(B×diag(λ′_i))^T×A×(X×diag(λ_j))

                                              (16)

＝B^T _WAX_W

其中i＝1，2，…，d；j＝1，2，…，t    

Z_W就是图像矩阵A经过行和列两个方向上加权的(2D)²LDA后的图像特征矩阵。

5.通过最近邻分类器进行识别

最近邻分类器：

$d(Y_{\mathrm{ij}},Y)=\underset{c=1}{\overset{t}{\mathrm{\&Sigma;}}}\underset{r=1}{\overset{s}{\mathrm{\&Sigma;}}}{\left|\right|{\left(A_{\mathrm{ij}}\right)}_{\mathrm{rc}}{P}_{\mathrm{rc}}{Q}_{\mathrm{rc}}-A_{\mathrm{rc}}{P}_{\mathrm{rc}}{Q}_{\mathrm{rc}}\left|\right|}_F=\underset{c=1}{\overset{t}{\mathrm{\&Sigma;}}}\underset{r=1}{\overset{s}{\mathrm{\&Sigma;}}}\sqrt{\mathrm{trace}{W}^{T}W}---\left(17\right)$

其中，W＝(A_ij)_rcP_rcQ_rc-A_rcP_rcQ_rc

如果

那么Y属于C类.

6.实验

为了验证本方法的识别性能，通过自行研制的手指静脉红外图像采集装置，以手指(考虑使用者的方便，主要是采集每个人的食指和中指)为单位，一共采集132个手指的静脉图像，每个手指采集5次，一共采集了132×5＝660幅静脉图像，构成手指静脉数据库。

选取每类中4幅图像作为训练样本，剩余1幅作为测试样本，表1为LDA、2DLDA、(2D)²LDA三种算法，在1:n识别模式下的执行效率，从中可以最重要信息就是LDA算法的训练时间太长，竟然达到21分钟多，要远远高于其他两种算法的训练时间。这主要是由于LDA算法将二维图像矩阵展开为一维向量，而导致的计算中要处理的协方差矩阵的维数远高于二维矩阵的协方差矩阵，造成特征提取的时间过长。而采用(2D)²LDA方法不仅可以提高识别速度，而且识别率也大幅提高。

表1.不同算法的识别时间

算法	维数	总训练时间(s)	总测试时间(s)	识别率(％)
					LDA	向量维数4000	1276.125	1.485	90.15
2DLDA	矩阵维数40×100	16.250	3.094	90.91
					(2D)2LDA	矩阵维数40×100	16.875	3.109	92.42

为确定累积特征贡献率对(2D)²LDA影响，分别选取每个分类中4幅图像作为训练样本、剩余一幅作为测试样本，研究累积特征贡献率在10％～100％之间变化时对识别率的影响。1:n的识别模式下的识别率如表2所示。

表2累积特征贡献率对识别率的影响

从表2中可以看出，当累积特征贡献率在23％～40％之间，其对应的识别率相对比较高，这表明(2D)2LDA抽取的特征向量包含较多的冗余信息，应该选择合适的累积特征贡献率才能获得较优的识别效果。

选累积特征贡献率设为90％，在没有加权值以及权值为0.1～0.9之间变化进行对比分析，寻找合适的加权权重值。选取每类中4幅图像作为训练样本，剩余1幅作为测试样本，得到1:n的识别模式下的识别率如表2所示。

表3加权值对识别率的影响

权重值	0	0.1	0.2	0.3	0.4	0.5	0.6	0.7	0.8	0.9	1
												识别率	0.924	0.932	0.939	0.947	0.947	0.947	0.939	0.932	0.932	0.924	0.924

当加权值在0.3～0.5之间变化时，识别率高出两个百分点。权衡几方面因素，选取加权的权重值为0.4，最后针对(W2D)²LDA、单方向加权W(2D)²LDA和双方向加权(W2D)²LDA方法，图3表明累积特征贡献率在15％～100％之间，加权值对识别率的影响。

表4.ω取0.4时不同算法的识别率

算法	最优识别率	平均识别率％
			LDA	91.66	89.42
2DLDA	91.66	89.87
			(2D)2LDA	95.45	93.16
W(2D)2LDA	95.45	92.95
			(W2D)2LDA	95.45	93.60

从图3和表4可以看出，当累积特征贡献率较高(约超过50％)时，(W2D)²LDA明显取得更加稳定，而且识别率高于(2D)²LDA和W(2D)²LDA。这说明(W2D)²LDA对(2D)²LDA提取特征向量中的冗余信息有很强的抑制作用，(W2D)²LDA整体平均识别率高于(2D)²LDA、W(2D)²LDA。

通过在行列两个方向上都加权的二维线性判别分析算法提取手指静脉特征。LDA是将图像矩阵转化为高维向量，导致计算量非常大，而2DLDA和(2D)²LDA直接基于图像矩阵进行LDA，从而越过将图像矩阵转化为向量的过程。这样，在取得效率的同时，避免了高维数带来的运算困难。其中2DLDA仅在行方向上进行特征提取的问题，特征提取不全面。(2D)²LDA)以从行列两个方向上降低图像特征的矩阵维数，使得识别速度进一步加快。然而(2D)²LDA提取特征向量中存在大量冗余信息，对识别率影响很大，如果不能很好的选择降维比例，识别率不仅不高，而且不稳定。

因此本发明采用行列两个方向上都加权的二维线性判别分析(two directionalWeight (2D)²LDA/(W2D)²LDA)的处理方法，不仅可以很容易确定(2D)²LDA的降维比例，从而提高识别速度，而且使得识别率高、而且稳定。

Claims (3)

1.一种手指静脉特征提取于匹配识别方法，其特征是：

(1)通过图像采集装置进行手指静脉图像的采集；

(2)对采集的手指静脉图像进行预处理，包括：彩色图像进行灰度化、手指区域提取、采用组合滤波器分别消除椒盐噪声和高斯噪声、采用局部动态阈值算法分割图像并二值化、然后采用面积消除法去噪、按照手指轮廓标记提取手指静脉脉络图像，最后将图像的大小标准化为统一的图像；

(3)通过在行列两个方向上都加权的二维线性判别分析算法提取手指静脉特征；

(4)通过最近邻分类器进行匹配与识别。

2.根据权利要求1所述的手指静脉特征提取于匹配识别方法，其特征是所述通过在行列两个方向上都加权的二维线性判别分析算法提取手指静脉特征的方法为：首先采用二维线性判别分析方法，分别计算训练样本在行方向上和列方向上的特征值和对应的特征向量组；其次将两组特征值分别按从大到小排序，并计算特征值累积贡献率，分别获取行和列方向上的最优维数d和t；然后按照最优维数d和t，分别选择其特征值所对应的特征向量组，构成行和列方向上的最佳投影矩阵X和B^T；按照行和列方向上的特征值λ和λ′的大小，将X和B^T分别按照行和列两个方向上的进行加权处理，得到投影加权矩阵X_W和B^T _W；最后将训练样本和测试样本分别在行和列方向上的加权矩阵X_W和B^T _W进行投影，获得训练样本和测试样本的图像特征矩阵Z_W。

3.根据权利要求2所述的手指静脉特征提取于匹配识别方法，其特征是所述加权的加权值获取方法，其行方或列向上特征向量组X的加权策略如下：

$\left\{\begin{array}{c}X=X\&times;\mathrm{diag}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,...,{\mathrm{\&lambda;}}_d)\\ {\mathrm{\&lambda;}}_i=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_i& {\mathrm{\&lambda;}}_i<1\\ {{\mathrm{\&lambda;}}_i}^{\mathrm{\&omega;}}& {\mathrm{\&lambda;}}_i\&GreaterEqual;1\end{array}\right.\\ i=\mathrm{1,2},...,d,0<\mathrm{\&omega;}<1\end{array}\right.$

其中diag(λ₁，λ₂，...，λ_d)为λ₁，λ₂，...，λ_d组成的对角阵，ω为加权因子。

Images