CN102411711B - 一种基于个性化权重的手指静脉识别方法 - Google Patents

Abstract

本发明公开了一种基于个性化权重的手指静脉识别方法，该方法可以有效地克服噪声位对识别精度带来的不利影响，提高了手指静脉识别系统的识别性能和鲁棒性。它分为训练过程和识别过程；其中，训练过程首先对训练图像进行预处理，然后各自提取LBP特征，最后训练出权重位图W；识别过程首先对测试样本图像进行预处理，接着进行LBP特征提取，最后，通过公式4计算与数据库模板之间的海明距离，根据设定的阈值确定识别结果；

是异或运算符，运算符两边的数字若相同结果为“0”反之则为“1”；若D_A小于设定的阈值θ，则测试图像属于A类，θ取值为0.15。

Description

一种基于个性化权重的手指静脉识别方法

技术领域

本发明涉及手指静脉识别领域，具体地说是一种基于个性化权重的手指静脉识别方法。

背景技术

手指静脉识别是一种新兴的具有较好发展前途的生物特征识别技术，手指静脉识别的关键在于如何准确提取静脉网络，在此基础上进行特征提取和匹配。为了克服低质量手指静脉图像对识别结果的影响，基于位模式的特征提取与匹配方法被提出。其基本原理是首先对采集的手指静脉图像做一定的预处理，包括图像增强、尺寸归一化等，然后对预处理后的图像提取基于位模式的特征，如LBP特征、LDP特征等，这些特征一般被称为二进制编码。最后利用二进制编码之间的海明距计算两幅手指静脉图像的相似度，以验证二者是否来自同一枚手指。

传统基于位模式的手指静脉识别在计算海明距时，往往把二进制编码的每一位对最后识别的贡献度看作是等同的，这样，一些噪声位的存在通常会导致识别率的降低。

发明内容

本发明为克服上述现有技术的不足，提供一种基于个性化权重的手指静脉识别方法，该方法可以有效地克服噪声位对识别精度带来的不利影响，提高了手指静脉识别系统的识别性能和鲁棒性。

为实现上述目的，本发明采用如下技术方案：

一种基于个性化权重的手指静脉识别方法，它分为训练过程和识别过程；其中，

训练过程首先对训练图像进行预处理，然后各自提取LBP特征，最后训练出权重位图W；

识别过程首先对测试样本图像进行预处理，接着进行LBP特征提取，最后，通过公式4计算与数据库模板之间的海明距离，根据设定的阈值确定识别结果；

$D_{\mathrm{AB}}=\left|\right|(\mathrm{codeA}\⊕\mathrm{codeB})\×W_A\left|\right|/\left|\right|W_A\left|\right|---\left(4\right)$

是异或运算符，运算符两边的数字若相同结果为“0”反之则为“1”；若D_A小于设定的阈值θ，则测试图像属于A类，θ取值为0.15。

所述训练过程和识别过程中对图像的预处理过程相同：对感兴趣区域提取，然后进行尺寸归一化，完成图像增强；其中，感兴趣区域提取将富含大量有用信息的手指静脉区域提取出来，通过边缘检测检测出手指静脉的轮廓，然后取轮廓中的最大的内接矩形区域作为感兴趣区域；尺寸归一化将提取出的感兴趣区域归一化成M×N像素大小，M＝96，N＝64，图像增强采用均值滤波法。

所述训练过程和识别过程中对图像的LBP特征提取过程相同：它对预处理后的整个手指区域特征提取采用LBP特征；

LBP定义为通过比较中心点与其周围点的像素值的大小而得到的一个有序的二值序列；有序的二进制可以通过公式(1)表达成十进制的形式

$\mathrm{LBP}(x_c,y_c)={\mathrm{\Σ}}_{n=0}^{n=7}s(i_n-i_c)2^n---\left(1\right)$

公式(1)中的i_c和i_n表示的是中心像素(x_c，y_c)和它周围8个像素点的灰度值；函数s(x)定义为

$s\left(x\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& x\&GreaterEqual;0\\ 0& \mathrm{if}& x<0\end{array}\right.---\left(2\right)$

通过公式(1)和公式(2)对手指静脉图像每个像素作为中心点进行LBP特征提取，最终得到该静脉图像的二进制编码特征。

所述训练过程中权重位图W的获得过程为：

在为每一个生物个体训练权重位图时，设定n个训练样本图像；在这n个训练样本对应的LBP二进制编码中，设第i位出现值“1”的次数为n1，出现值为“0”的次数为n2；n1+n2＝n。则第i位的权重为：

w_i＝(|n1-n2|)/(n1+n2)       (3)

对每一位按照公式3各自求取权重，最后获得权重位图w＝(w₁，w₂，w₃......w_m)

这里m＝M×N×8，M＝96，N＝64，本发明为96×64×8＝49152。

所述识别过程中识别方法为：识别时，设定codeA是数据库里某生物个体A的模板图像对应的LBP二进制编码，codeB是待测试图像的LBP二进制编码，W_A表示A的权重位图；则测试图像与模板图像之间的海明距离运用公式4求取：

$D_{\mathrm{AB}}=\left|\right|(\mathrm{codeA}\&CirclePlus;\mathrm{codeB})\&times;W_A\left|\right|/\left|\right|W_A\left|\right|---\left(4\right).$

本发明的有益效果是：通过考察LBP二进制编码特征中各个位的稳定程度，训练权重位图，利用权重位图，计算待测试图像与模板图像之间的海明距离。与原有视每一位均为相同权重的方法相比，本发明使得稳定的位的权重较高，不稳定的位的权重较低，因此可以有效地降低噪声位对识别结果的不利影响，进而提高了手指静脉识别系统的识别性能和鲁棒性。

附图说明

图1为本发明训练过程流程图；

图2为本发明识别过程流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

本发明分为两个过程：训练过程与识别过程。训练过程首先对训练图像进行预处理，然后各自提取LBP特征，最后训练出权重位图，训练过程见图1。识别过程中，首先对测试样本图像进行预处理，接着进行LBP特征提取，最后，通过公式4计算与数据库模板之间的海明距离，根据设定的阈值确定识别结果。识别具体过程见图2。

1、预处理

由于采集到的原始静脉的图像中存在一些无用的背景以及较多的噪声所以要先对原始图像进行预处理。本发明的预处理包括感兴趣区域提取，尺寸归一化，图像增强。感兴趣区域提取将富含大量有用信息的手指静脉区域提取出来，通过边缘检测检测出手指静脉的轮廓，然后取轮廓中的最大的内接矩形区域作为感兴趣区域。尺寸归一化将提取出的感兴趣区域归一化成M×N像素大小，本发明M＝96，N＝64。图像增强采用均值滤波法。

2、特征提取

在现有的静脉特征提取方法中，大部分方法都是根据分割出的静脉网络的纹理或灰度进行特征提取，这些算法对于分割出的静脉网络的精度比较高，一旦采集的静脉图像质量较低，就会影响分割出的静脉网络的准确性，从而对以后的特征提取和匹配造成很大的影响。为解决这个问题，对预处理后的整个手指区域特征提取采用LBP(Local Binary Pattern，局部二值模式)特征。

LBP可以定义为通过比较手指静脉图像中心点与其周围点的像素值的大小而得到的一个有序的二值序列。该有序的二值序列可以通过公式(1)表达成十进制的形式：

$\mathrm{LBP}(x_c,y_c)={\mathrm{\&Sigma;}}_{n=0}^{n=7}s(i_n-i_c)2^n---\left(1\right)$

公式(1)中的i_c和i_n表示的是中心像素(x_c，y_c)和它周围8个像素点的灰度值。函数s(x)定义为

$s\left(x\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& x\&GreaterEqual;0\\ 0& \mathrm{if}& x<0\end{array}\right.---\left(2\right)$

通过公式(1)和公式(2)对手指静脉图像每个像素作为中心点进行LBP特征提取，最终得到该静脉图像的二进制编码特征。

2、训练权重位图

对于一个生物个体提取的多幅手指静脉图像，考察各自的LBP二进制编码特征，会发现一个现象：有些位非常稳定，在各LBP二进制编码中取值恒定为“1”或“0”，有些位则不稳定，表现为在各LBP二进制编码中取值有的为“1”，有的为“0”。因此，本发明区分每个位的稳定程度，作为对识别结果的贡献度，即权重，从而提高识别性能。

在为每一个生物个体训练权重位图时，本发明设定n个训练样本图像。在这n个训练样本对应的LBP二进制编码中，设第i位出现值“1”的次数为n1，出现值为“0”的次数为n2；n1+n2＝n。则第i位的权重为：

w_i＝(|n1-n2|)/(n1+n2)      (3)

对每一位按照公式3各自求取权重，最后获得权重位图W＝(w₁，w₂，w₃......w_m)。这里m＝M×N×8，本发明为96×64×8＝49152。

3、识别

识别时，设定codeA是数据库里某生物个体A的模板图像对应的LBP二进制编码，codeB是待测试图像的LBP二进制编码，W_A表示A的权重位图。则测试图像与模板图像之间的海明距离运用公式4求取：

$D_{\mathrm{AB}}=\left|\right|(\mathrm{codeA}\&CirclePlus;\mathrm{codeB})\&times;W_A\left|\right|/\left|\right|W_A\left|\right|---\left(4\right)$

是异或运算符。运算符两边的数字若相同结果为“0”反之则为“1”。若D_A小于设定的阈值θ，则测试图像属于A类。本发明θ取值为0.15。

Claims (3)

1.一种基于个性化权重的手指静脉识别方法，其特征是，它分为训练过程和识别过程；其中，

训练过程首先对训练图像进行预处理，然后各自提取LBP特征，最后训练出权重位图W；

识别过程首先对测试样本图像进行预处理，接着进行LBP特征提取，最后，通过公式4计算与数据库模板之间的海明距离，根据设定的阈值确定识别结果；

$D_{\mathrm{AB}}=\left|\right|(\mathrm{codeA}\&CirclePlus;\mathrm{codeB})\&times;W_A\left|\right|/\left|\right|W_A\left|\right|---\left(4\right)$

是异或运算符，运算符两边的数字若相同结果为“0”反之则为“1”；若D_A小于设定的阈值θ，则测试图像属于A类，θ取值为0.15；

所述训练过程和识别过程中对图像的LBP特征提取过程相同：它对预处理后的整个手指区域特征提取采用LBP特征；

LBP定义为通过比较中心点与其周围点的像素值的大小而得到的一个有序的二值序列；有序的二进制可以通过公式（1）表达成十进制的形式

$\mathrm{LBP}(x_c,y_c)={\mathrm{\&Sigma;}}_{n=0}^{n=7}s(i_n-i_c)2^n---\left(1\right)$

公式(1)中的i_c和i_n表示的是中心像素(x_c,y_c)和它周围8个像素点的灰度值；函数s(x)定义为

$s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{ifx}\&GreaterEqual;0\\ 0& \mathrm{ifx}<0\end{array}\right.---\left(2\right)$

通过公式(1)和公式(2)对手指静脉图像每个像素作为中心点进行LBP特征提取，最终得到该静脉图像的二进制编码特征；

所述训练过程中权重位图W的获得过程为：

在为每一个生物个体训练权重位图时，设定6个训练样本图像；在这6个训练样本对应的LBP二进制编码中，设第i位出现值“1”的次数为n1，出现值为“0”的次数为n2；n1+n2=6；则第i位的权重为：

w_i，(|n1-n2|)/(n1+n2)               (3)

对每一位按照公式3各自求取权重，最后获得权重位图W=(w₁,w₂,w₃……w_n)，

这里n=96×64×8=49152。

2.如权利要求1所述的基于个性化权重的手指静脉识别方法，其特征是，所述训练过程和识别过程中对图像的预处理过程相同：对感兴趣区域提取，然后进行尺寸归一化，完成图像增强；其中，感兴趣区域提取将富含大量有用信息的手指静脉区域提取出来，通过边缘检测检测出手指静脉的轮廓，然后取轮廓中的最大的内接矩形区域作为感兴趣区域；尺寸归一化将提取出的感兴趣区域归一化成96×64像素大小，图像增强采用均值滤波法。

3.如权利要求1所述的基于个性化权重的手指静脉识别方法，其特征是，所述识别过程中识别方法为：识别时，设定codeA是数据库里某生物个体A的模板图像对应的LBP二进制编码，codeB是待测试图像的LBP二进制编码，WA表示A的权重位图；则测试图像与模板图像之间的海明距离运用公式4求取：

$D_{\mathrm{AB}}=\left|\right|(\mathrm{codeA}\&CirclePlus;\mathrm{codeB})\&times;W_A\left|\right|/\left|\right|W_A\left|\right|---\left(4\right).$

Images