CN101840511B - 手指静脉特征提取与匹配识别方法 - Google Patents

Abstract

本发明提供的是一种手指静脉特征提取与匹配识别方法。包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；特征提取的方法为：对手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取；识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。本发明可减少手指静脉识别中高维图像矩阵的计算量，可以明显地提高手指静脉的识别速度，识别率稳定、而且高。

Description

手指静脉特征提取与匹配识别方法

技术领域

本发明涉及的是一种生物特征身份识别技术。特别是一种手指静脉特征身份认证技术。

背景技术

生物特征识别技术是指利用人体生物特征进行身份认证的一种技术。依据的是我们人体本身所拥有的身体特征(指纹、掌型、虹膜视、人体气味、脸形等)和行为特点(签名、语音、步态等)两类。在这些生物特征识别技术中，由于指纹识别具有很强的唯一性、稳定性、易用性等特点，应用极为广泛，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，或指纹仪不清洁导致采集的指纹图像不够清晰，直接影响指纹的识别率；

(2)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身份鉴别。

(3)手指生物特征被盗取的事件已经发生，出现一种用硅树脂制造的克隆指纹。

指纹识别方式是一种外在的生物特征，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、手掌静脉以及手指静脉识别。同指纹一样，手指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方式，获取手指内部的静脉图像特征，可以有效避免因皮肤表面的伤痕、爆皮、褶皱、粗糙、干裂或潮湿等环境因素造成的影响。

(2)静脉特征是流动血液的纹路，因此静脉识别是一种本质的“活体识别”生物特征识别方法，也就是说被识别对象必须是活着的人，才能满足身份识别的中获取静脉血管纹路，很难伪造或是手术改变。

(3)静脉是身体内部的血管特征，可以采用非接触方式进行特征图像采集，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，以及特征可能被复制所带来的安全问题。

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，日立公司的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Naoto Miura等几位工程师关于提取手指静脉特征的成果。截至2007年3月的统计数据表明：日本80％的自动存取款机都搭载了手指静脉认证设备。2009年7月，日立公司展出了配有手指静脉认证装置的自动售货机，用手指静脉配合信用卡直接结帐。

国内关于手指静脉的研究成果比较少。吉林大学张忠波等在指静脉识别算法上也进行了研究。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。另外还有其他一些相关学者，不仅设计出手指静脉采集装置，也进行了算法研究，均取得一些满意的效果。

发明内容

本发明的目的在于提供一种能够提高手指静脉的识别速度，识别率稳定、而且高的手指静脉特征提取与匹配识别方法。

本发明的目的是这样实现的：

包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；所述识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别；所述特征提取的方法为：对手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取。

所述对手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取的具体方法包括：

(1)训练样本图像分块；将经过图像预处理后的训练图像A，分成如干行为m＝1，2，…，p；列为n＝1，2，…，q的子块A_mn，将所有相同位置的子块构成不同子块集合A_i其中i＝1，2，…，p，…，p×q；

(2)求训练样本子块投影矩阵；按照准则J(x)＝trace(x^TGx)和J(x′^T)＝trace(x′^TG′x′)分别求取每个子块集合的行和列方向上的投影矩阵X和B^T；

(3)求加权投影矩阵；将每个子块集合的行和列方向上的投影矩阵X和B^T进行加权处理，加权策略如下：

其中ω为加权因子；λ_α为行方向或列方向上的分隔值，分别是行方向或列方向的位置α所对应的特征值，α获取方式按累积特征值贡献率式

λ′为行方向或列方向的归一化特征值、为0～1之间的值，特征值归一化公式为：

λ′_i＝(λ_i-λ_min)/(λ_max-λ_min)，i＝1，2，…，t，…，d

其中λ_max和λ_min分别为行方向或列方向上的最大特征值和最小特征值；

(4)求训练样本子块特征矩阵；对每个训练图像的子块图像集进行特征提取，其特征矩阵为：

Z_ki＝B_iW ^TA_kiX_iW

其中A_ki表示第k(k＝1，2，…，M)个训练样本中第i(i＝1，2，…，p×q)个子块图像，X_iW和B_iW ^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵；

将训练样本中每个子块的特征矩阵保存到手指静脉特征数据库中；

(5)求待测样本子块特征矩阵；按照训练样本分块模式，将待测样本分块，求取其每个子块的特征矩阵

Z′_i＝B_iW ^TA′_i X_iW

其中A_i表示第i(i＝1，2，…，p×q)个子块图像，X_iW和B_iW ^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵；

将获取到的待测样本每个子块的特征矩阵保存，准备与数据库中的特征数据进行比较。

所述将各个子块的特征作为整体采用最近邻分类器进行识别的方法为：

将待测样本每个子块分别与训练样本相同位置对应子块集中所有子块，求取其距离

d_ki＝d(Z′_i，Z_ki)＝‖Z′_i-Z_ki‖

其中Z_ki表示第k(k＝1，2，…，M)个训练样本中第i(i＝1，2，…，p×q)个子块图像；

将待测样本与每个训练样本的所有子块的距离累加

$D_k=\underset{i=1}{\overset{p\×q}{\mathrm{\Σ}}}{d}_{\mathrm{ki}}$

按照最近邻原则，确定分类结果。

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：采用最佳阈值法和判别连通区域面积的大小确定手指轮廓并标记，采用类似指纹图像增强的方向滤波法对手指静脉图像增强，按照手指轮廓标记提取手指静脉纹路图像分割并二值化，然后采用面积消除法去噪，以获取准确的手指静脉纹路图像。(3)对尺寸标准化的纹路图像采取双向特征值加权分块的双向二维主成分分析的方法，可以极大地减少了手指静脉识别中高维图像矩阵的计算量，进而提高识别速度，而且在保留了静脉纹路本质结构特征的同时，有效地提取到静脉纹路的局部特征，从而使得最终识别精度得到显著提高。

附图说明

图1为本发明的方法的流程图；

图2(a)-(d)为手指静脉图像预处理，其中图2(a)为方向图、图2(b)为方向滤波、图2(c)为分割与二值化、图2(d)为去噪与标准化；

图3为手指各种分块模式；

图4为2×2分块时累积特征贡献率与降维维数、识别率关系图；

图5为单训练样本条件下两种方法的识别率曲线图；

图6为多训练样本条件下几种方法的识别率曲线图；

图7为特征提取方法的流程图。

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，首先通过最佳阈值法和判别连通区域面积的大小确定手指轮廓并标记。

针对手指静脉血管具有方向性的特点，采用指纹图像增强的方向滤波法，对手指静脉图像增强。首先通过8方向模板(以水平位置为起始方向，每隔π/8确定一个方向)获得图像的点方向图，然后为了去除噪声，保证方向场估计的准确性，对点方向图采用8×8滑动窗进行平滑处理，得到连续且平滑的方向图(图2(a))。最后根据静脉纹路的方向特性，采用O′Gorman提出的方法构造8个方向滤波模板，并依此模板对平滑方向图进行卷积滤波运算，从而获得增强图像(图2(b))。

按照手指轮廓标记提取手指静脉纹路图像分割并二值化(图2(c))。采用面积消除法去除噪声，最后将图像的大小标准化行×列为80×200的图像(图2(d))。

3.双向二维主成分分析(Bi-directional Two Dimensional PCA/B2DPCA)

3.1行方向二维主成分分析(Two Dimensional PCA/2DPCA)

设模式类别有w个，每类有样本d个，训练样本总数为M＝w×d，每个样本大小为m×n的图像A_k(k＝1，2，…，M)。

x是一个n维的列向量，考虑将图像样本矩阵A向方向为x的空间上投影，y就是A到方向为x的空间上的投影，y为一个m维的列向量，如下式表示：

y＝Ax                        (1)

实际上，最重要的工作是选择好x的方向，x方向的不同，将使图像样本投影后的可分离程度不同，从而直接影响到图像识别的效果。因此，最主要的任务就是寻找最优的投影向量x，使得所有样本投影到x后，其投影样本的总体散布矩阵达到最大。投影样本的总体散布矩阵可以用投影特征向量的协方差矩阵的迹来表述。从这个观点来看，可以采用下面的准则：

J(x)＝trace(S_x)                     (2)

其中，S_x表示训练样本A到方向为x空间上的投影后得到特征向量y的协方差，trace(S_x)表示S_x的迹。协方差矩阵S_x表示如下：

S_x＝E[(y-Ey)(y-Ey)^T]＝E{[Ax-E(Ax)][Ax-E(Ax)]^T}            (3)

＝E[x^T(A-EA)^T(A-EA)x]

由于矩阵的迹是一个数的性质，可有

trace(S_x)＝x^TE[(A-EA)^T(A-EA)]x    (4)

已知图像矩阵的协方差矩阵为：

$G=E\left[{(A-\mathrm{EA})}^T(A-\mathrm{EA})\right]=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{(A_k-\stackrel{\‾}{A})}^T(A_k-\stackrel{\‾}{A})---\left(5\right)$

其中

表示所有训练样本的平均图像。

因此，(2)式中准则可表示成：

J(x)＝trace(x^TGx)                        (6)

最大化该准则J(x)的物理意义是寻找到一个最优投影轴x，这就意味着投影样本的总体散布矩阵在图像矩阵集合均投影到x上后被最大化了。这样，最优投影轴x也就是对应于G的最大特征值的特征向量。一般情况下，只有一个最优投影轴是远远不够的，所以需要选取一组投影向量x₁，x₂，...，x_d构成二维最佳投影矩阵，使得J(x)取极大值。当然，这组投影轴要满足相互正交的约束条件，同时也要最大化准则J(x)，也即：

$\left\{\begin{array}{c}\{x_1,x_2,...,x_d\}=\arg \max J\left(x\right)\\ {x_i}^T{x}_j=0,i\≠j,i,j=\mathrm{1,2},...,d\end{array}\right.---\left(7\right)$

也就是说，使J(x)取极大值的前d(d＜n)个最大的特征值λ_i所对应的相互正交特征向量组就是最佳投影矩阵。d可以采用累积特征贡献率Fp确定：

$(\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\λ}}_k/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_i)\≥\mathrm{Fp}---\left(8\right)$

其中λ₁≥λ₂≥…≥λ_n是G的n个特征值，Fp为预先设定的阈值。

令X＝[x₁，x₂，…，x_d]，则有：

Y＝[y₁，y₂，…，y_d]＝[Ax₁，Ax₂，…，Ax_d]＝AX    (9)

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

3.2列方向二维主成分分析

上述2DPCA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′是一个尺寸为m×d的图像，x′^T是一个m维的行向量，将A′向方向为x′^T的空间上投影，得到一个d维行向量y′，如下式表示：

y′＝x′^TA′                    (10)

其图像矩阵A′的协方差矩阵估计值G′：

$G^{\′}=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}(A_k-\stackrel{\‾}{A}){(A_k-\stackrel{\‾}{A})}^T---\left(11\right)$

最大化准则为：

J(x′^T)＝trace(x′^TG′x′)                (12)

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：

$\left\{\begin{array}{c}{\{{x^{\′}}_1,{x^{\′}}_2,...,{x^{\′}}_t\}}^T=\arg \max J\left(x^{\′T}\right)\\ {{x^{\′}}_i}^T{x^{\′}}_j=0,i\≠j,i,j=\mathrm{1,2},...,t\end{array}\right.---\left(13\right)$

也就是说，使J(x′^T)取极大值的前t(t＜m)个最大的特征值λ′_i所对应的特征向量组就是最佳投影矩阵，t同样可以采用累积特征贡献率Fp确定

$(\underset{k=1}{\overset{t}{\mathrm{\Σ}}}{{\mathrm{\λ}}^{\′}}_k/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{{\mathrm{\λ}}^{\′}}_i)\≥\mathrm{Fp}---\left(14\right)$

其中λ′₁≥λ′₂≥…≥λ′_m是G′的m个特征值。

令B＝[x′₁，x′₂，…，x′_t]，则有：

Y′＝[y′₁，y′₂，…，y′_t]

   ＝[x′₁ ^TA′，x′₂ ^TA′，…，x′_t ^TA′]＝B^TA′(15)

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

3.3行列双方向二维主成分分析(B2DPCA)

行方向上的2DPCA和列方向上的2DPCA分别只在图像的行方向和列方向上发挥作用。行2DPCA能从一组训练图像中生成一个反应图像行之间信息的最优矩阵X，相似地，列2DPCA也能生成一个反应图像列之间信息的最优矩阵B^T，若将尺寸为m×n的矩阵A先后投影到X和B^T上，则产生一个大小为t×d的特征矩阵Z：

Z＝B^TAX                       (16)

当把每幅训练图像A_k(k＝1，2，…，M)先后向X和B^T投影，得到相应的特征矩阵Z_k(k＝1，2，…，M)。对于任一幅测试图像A′，同样通过式(16)可以得到其特征矩阵Z′，Z′和Z_k之间的距离定义：

$d(Z^{\′},Z_k)=\left|\right|Z^{\′}-Z_k\left|\right|=\sqrt{\underset{i=1}{\overset{t}{\mathrm{\Σ}}}\underset{j=1}{\overset{d}{\mathrm{\Σ}}}{(Z^{\′(i,j)}-Z_k^{(i,j)})}^2}---\left(17\right)$

4.双向加权分块的B2DPCA(Bi-directional Weighted Modular B2DPCA/BWMB2DPCA)

4.1分块B2DPCA(Modular B2DPCA/MB2DPCA)

通过B2DPCA得到的特征矩阵，表述的是整幅图像的全局特征，许多细节特征被忽略。近年来研究表明，如果将图像进行分块处理，并以每个子图像的特征矩阵作为识别特征，将更有效的利用图像细节信息，这种以分块形式进行B2DPCA的算法称之为模块化B2DPCA(Modular B2DPCA，MB2DPCA)。

另外，由于手指静脉采集时存在手指摆放位置不精确、红外透射光不均匀等现象，以及图像预处理方法不通用等原因，导致最终提取的静脉纹路出现扭转、平移、断裂等变形情况，通过分块方式可以将一些局部变形情况严重的图块与质量好的图块分割开，分别进行特征提取和识别，从而提高整体的识别结果。分块策略为：

$A=\left[\begin{array}{cccc}{A}_{11}& A_{12}& ...& A_{1q}\\ A_{21}& A_{22}& ...& A_{2q}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ A_{p1}& A_{p2}& ...& A_{\mathrm{pq}}\end{array}\right]---\left(18\right)$

其中A_mn(m＝1，2，…，p；n＝1，2，…，q)是子块图像矩阵。

将每幅手指静脉图像分割为多个子图像，分块模式有多种，例如分成1×1(分块模式特例即为不分块)、1×4、1×8、2×4、2×8块等多种模式，如图3所示。

4.2双向加权分块B2DPCA(BWMB2DPCA)

尽管B2DPCA减少图像特征矩阵维数，但却忽视了不同特征值对应的特征向量对识别率的影响，为此，根据特征值λ的大小，应该有区别的对待其对应特征向量在特征矩阵中的地位，从而实现对B2DPCA进行加权的目的，以影响最终的识别率。然而，行方向直接加权的方式运用到手指静脉识别中，实验结果甚至不如未加权方式；其主要原因是B2DPCA中得到的特征值λ都是远大于1的数值，若以相同的方式λ^ω(0＜ω＜1)进行加权，导致特征值急剧向1方向压缩，实际上是过度降低了大的特征值所对应特征向量在特征矩阵的作用。因此，本文提出特征值双向加权的B2DPCA(Bi-directional WeightedModular B2DPCA/BWB2DPCA)，即针对B2DPCA中的行和列两个方向上特征值λ都进行归一化加权，因而式(16)中行和列两个方向上的投影矩阵X和B^T的加权策略如下：

其中ω为加权因子，λ′为归一化特征值，特征值归1化公式为：

λ′_i＝λ_i/λ_k，i＝1，2，…，t，…，d    (20)

其中λ_k获取可以分别参考累积特征值贡献率式(8)和(14)。

当λ′≤1时，特征值没有变化；λ′＞1时，由于0＜ω＜1，导致λ′^ω适当减小，从整体上看，是将特征值小的特征向量的分类作用适度放大，从而提高整体的分类效果。

结合可以提高局部特征分类作用的图像分块算法(MB2DPCA)，以及双向特征值加权算法(BWB2DPCA)两者优点，本文提出双向加权分块的B2DPCA(BWMB2DPCA)。具体方法为：将前文中子块图像矩阵A_mn，按照手指静脉训练图像相同位置，把子块组成一组子图像集，然后按照BWMB2DPCA算法，对训练图像的子图像集进行特征提取。训练样本的各个子图像的特征矩阵为：

Z_ki＝B_iW ^TA_kiX_iW                    (21)

其中A_ki表示第k(k＝1，2，…，M)个训练样本中第i(i＝1，2，…，p×q)个子块图像，X_iW和B_iW ^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵。

5.实验

实验中，采用自制的手指静脉采集装置，采集了132个手指，每个手指采集5次，一共660幅手指静脉图像，构成手指静脉图像库。

实验一，在2×2分块模式下，当累积特征贡献率从0～1.0变化时，其与降维维数和识别率的关系如图4所示。实验中发现，累积特征贡献率小于0.4时，特征矩阵维数和识别率都比较低；当累积特征贡献率大于0.9时，识别率不仅没有优势，而且特征矩阵维数增高会导致训练与测试时间都比较高，因此选取累积特征贡献率范围为0.4～0.9，我们将累积特征贡献率控制在0.4～0.9范围内变化，通过实验数据，来观察本发明在整体上的识别效果。

实验二，任意选择一组图像作为训练样本，其他四组作为测试样本。实验数据如图5和表1所示。B2DPCA为不分块情况下的双向二维主成分分析方法，BWMB2DPCA为本发明提出的双向特征值加权分块的双向二维主成分分析的方法。

表1少训练样本情况下加权分块模式的手指静脉识别性能

实验三，选择四组图像作为训练样本，剩余一组作为测试样本。将本发明提出的方法和其他几种方法进行对比实验，实验数据如表2和图6所示。2DPCA为二维主成分分析，B2DPCA为双向二维主成分分析，WB2DPCA为行方向特征值加权的双向二维主成分分析，MB2DPCA为分块的双向二维主成分分析，BWMB2DPCA双向特征值加权分块的双向二维主成分分析。

表2多训练样本情况下加权分块模式的手指静脉识别性能

Claims (2)

1.一种手指静脉特征提取与匹配识别方法，包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；其特征是：所述特征提取的方法为：对经过预处理手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取；所述识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别；

所述对经过预处理手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取的具体方法为：

(1)训练样本图像分块；将经过图像预处理后的训练图像A，分成若干行为m＝1，2，…，p；列为n＝1，2，…，q的子块A_mn，将所有相同位置的子块构成不同子块集合A_i其中i＝1，2，…，p×q；

(2)求训练样本子块投影矩阵；按照准则J(x)＝trace(x^TGx)和J(x′^T)＝trace(x′^TG′x′)分别求取每个子块集合的行和列方向上的投影矩阵X和B^T；

(3)求加权投影矩阵；将每个子块集合的行和列方向上的投影矩阵X和B^T进行加权处理，加权策略如下：

$\left\{\begin{array}{c}Z={B_W}^T{\mathrm{AX}}_W\\ X_W=X\&times;\mathrm{diag}({{\mathrm{\&lambda;}}^{*}}_1,{{\mathrm{\&lambda;}}^{*}}_2,...,{{\mathrm{\&lambda;}}^{*}}_d)\\ B_W=B\&times;\mathrm{diag}({{\mathrm{\&lambda;}}^{*}}_1,{{\mathrm{\&lambda;}}^{*}}_2,...,{{\mathrm{\&lambda;}}^{*}}_t)\\ {\mathrm{\&lambda;}}^{*}=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}^{\&prime;}& {\mathrm{\&lambda;}}^{\&prime;}\&le;{\mathrm{\&lambda;}}_{\mathrm{\&alpha;}}\\ {\mathrm{\&lambda;}}^{\&prime;\mathrm{\&omega;}}& {\mathrm{\&lambda;}}^{\&prime;}>{\mathrm{\&lambda;}}_{\mathrm{\&alpha;}}\\ 0<\mathrm{\&omega;}<1& \end{array}\right.\end{array}\right.$

其中ω为加权因子；λ_α为行方向或列方向上的分隔值，分别是行方向或列方向的位置α所对应的特征值，α获取方式按累积特征值贡献率式λ′为行方向或列方向的归一化特征值、为0～1之间的值，特征值归一化公式为：

λ′_i＝(λ_i-λ_min)/(λ_max-λ_min)，i＝1，2，…，t，…，d

其中λ_max和λ_min分别为行方向或列方向上的最大特征值和最小特征值；

(4)求训练样本子块特征矩阵；对每个训练图像的子块图像集进行特征提取，其特征矩阵为：

Z_ki＝B_iW ^TA_kiX_iW

其中A_ki表示第k个训练样本中第i个子块图像，k＝1，2，…，M、i＝1，2,…，p×q；X_iW和B_iW ^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵；

将训练样本中每个子块的特征矩阵保存到手指静脉特征数据库中；

(5)求待测样本子块特征矩阵；按照训练样本分块模式，将待测样本分块，求取其每个子块的特征矩阵

Z′_i＝B_iW ^TA′_i X_iW

其中A′_i表示第i个子块图像，i＝1，2，…，p×q；X_iW和B_iW ^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵；

将获取到的待测样本每个子块的特征矩阵保存，准备与数据库中的特征数据进行比较。

2.根据权利要求1所述的手指静脉特征提取与匹配识别方法，其特征是所述将各个子块的特征作为整体采用最近邻分类器进行识别的方法为：

将待测样本每个子块的特征矩阵分别与训练样本相同位置对应子块集中所有子块的特征矩阵，求取其距离

d_ki＝d(Z′_i，Z_ki)＝||Z′_i-Z_ki||

其中Z_ki表示第k个训练样本中第i个子块图像的特征矩阵；其中k＝1，2，…，M、i＝1，2，…，p×q；

将待测样本与每个训练样本的所有子块的特征矩阵的距离累加

$D_k=\underset{i=1}{\overset{p\&times;q}{\mathrm{\&Sigma;}}}{d}_{\mathrm{ki}}$

按照最近邻原则，确定分类结果。

Images