CN104036260B - 基于Gabor‑带限相位相关的指关节纹识别方法 - Google Patents
基于Gabor‑带限相位相关的指关节纹识别方法 Download PDFInfo
- Publication number
- CN104036260B CN104036260B CN201410305642.2A CN201410305642A CN104036260B CN 104036260 B CN104036260 B CN 104036260B CN 201410305642 A CN201410305642 A CN 201410305642A CN 104036260 B CN104036260 B CN 104036260B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- gabor
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明提供了一种基于Gabor‑带限相位相关的指关节纹识别方法,包括Gabor滤波、CLAHE增强对比度、第一次BLPOC运算、图像位移校准微调、第二次BLPOC运算和图像匹配。它的优势体现在计算速度快,满足实际应用中实时性和快速匹配的要求。其次其对于关节纹的位移噪声有着良好的鲁棒性,加之关节纹特征提取的自身特点,对于平移噪声,使用了BLPOC算法,对旋转角进行校正。同时,在前人研究的基础上,提出了基于Gabor滤波和CLAHE增强相结合的方法运用在相位识别中,对图像的光照、阴影、噪声的不良特征进行了抑制,结合BLPOC算法,实现了良好的特征提取效果和更高的识别率。
Description
技术领域
本发明涉及一种基于Gabor-带限相位相关的指关节纹识别方法,属于机器学习和模式识别的技术领域。
技术背景
随着科学技术的不断发展,生物特征识别已经受到越来越多的关注,基于计算机视觉的生物特征识别发展迅猛,出现了大量的新技术与新设备。由于现阶段人口流动量大、人口密度增加等原因,基于个体本身的识别系统受到人们的关注,人们需要寻求更为安全可靠、使用便捷性高的方法。由于其个体差异明显,易于采集、安全性高、可靠性强等特点,基于生物特征识别的安防、监控、管理系统已与生活的各个环节深度整合,实现自动化管理。因其广泛的应用前景、巨大的社会效益,已引起各国的广泛关注和高度重视。本文主要研究一种新兴的生物识别特征——手指关节纹。已经有许多学者在理论上面验证了指关节纹这种生物特征的可实现性1。实际上,在手背上存在比手掌更明显的生物特征,并且这些特征比手掌特征要小的多。这些促使了很多学者对于手背上的关节纹特征上做了很多工作,并取得了原创性的成果。因此,指关节纹作为一种新兴的生物识别特征,有着非常丰富的生物信息,这对于生物特征家族来说是一种有力的补充。本发明基于香港理工大学张磊等人创建的PolyU FKP数据库来进行算法研究2,提出了一种基于Gabor-带限相位相关算法的指关节纹识别方法。相比传统的算法,本发明所提出算法取得了更高的识别率,为关节纹识别应用奠定了理论基础。
指关节纹具有丰富的生物特征信息,是一种新兴的生物特征表达方法。目前,对关节纹识别的研究还处于起始阶段,各方面技术还不成熟。1D.Woodard,P.Flynn,Fingersurface as a biometric identifier,Computer Vision and Image Understanding100(2005)357–3842L.Zhang,L.Zhang,D.Zhang,Finger-knuckle-print:a new biometricidentifier,in:Proc.Int’l Conf.Image Processing,2009,pp.1981–1984.
发明内容
针对现有技术的不足,本发明提供一种基于Gabor-带限相位相关的指关节纹识别方法。该方法相对已有的关节纹识别算法,识别率有了进一步的提升,是一种高效的指关节纹识别方法。所述指关节纹包括包裹在手指远心端第二关节外的皮肤纹理。
本发明是通过如下技术方案来实现的:
一种基于Gabor-带限相位相关的指关节纹识别方法,包括如下步骤:
1)利用Gabor滤波器对训练样本和匹配样本的两幅图片进行图像特征提取,形成Gabor滤波输出图像;
2)利用限制对比度自适应直方图方法CLAHE对所述Gabor滤波输出图像进行对比度增强,提高纹理的识别度;
3)进行平移量调整图片位置与尺寸:对使用限制对比度自适应直方图方法CLAHE滤波的图像进行带限相位相关算法运算,获取两图像之间的归一化互功率谱,利用带限之后的图谱最大峰值的坐标偏移中心坐标的偏移量作为图片偏移量;
4)进行图像校准,包括两个部分,调整训练样本和匹配样本的图像的像素行和列相同:对训练图像进行右下角的补零或裁减,对匹配图像进行向左上角方向的移动或裁减;
5)使用带限相位相关算法对进行偏移量校准后的图片进行运算获取的训练样本和匹配样本之间的归一化互功率谱;所述偏移量校准是指步骤(4)中调整图像的像素行和列相同;
6)根据带限相位相关算法运算之后的归一化互功率图谱最大峰值确定图像匹配的阈值,对训练样本和匹配样本进行特征匹配:若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值大于或等于阈值,则判定训练样本和匹配样本为特征匹配;若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值小于阈值,则判定训练样本和匹配样本为特征不匹配。
根据本发明优选的,所述的阈值设定为1.08,若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值大于或等于1.08,则判定训练样本和匹配样本为特征匹配;若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值小于1.08,则判定训练样本和匹配样本为特征不匹配。
根据本发明优选的,所述Gabor滤波器如式(1)所示:
式(1)中,exp代表指数运算,x,y代表训练样本和匹配样本的图像的长和宽,G代表基于神经生理学的Gabor函数,u表示正弦函数谱的频率,θ代表函数的各个选择性方向,而表示Gaussian包络的标准方差。
根据本发明优选的,所述式(1)中,u=0.1。
根据本发明优选的,使用带限相位相关算法对图像进行特征增强之后的图片进行平移量的校准为:利用BLPOC函数图像峰值偏离中心点的位置坐标作为位置校准的偏移量:
假设训练样本和匹配样本图片之间f和g存在线性相关位移(x0,y0)
g(x,y)=f(x-x0,y-y0) (2)
两幅图片之间的傅里叶变换关系为
两幅图片之间的互相位谱由以下公式定义
其中F*是F的共轭矩阵,通过傅里叶反变换将RGF变换到空域中来,进而得到两幅图片之间的位移系数(x0,y0)
其中,M和N是带限系数,取M等于60,N等于120。
根据本发明优选的,对偏离坐标进行4种不同情况进行图像校准:
第一种情况为x0>0,y0>0,第二种情况为x0>0,y0<0,第三种情况为x0<0,y0>0,第四种情况为x0<0,y0<0,根据上述4个情况分别对图像进行裁剪,并找出拟合部位组成新的两幅特征提取图像;对于训练图片,分成四种情况来进行,第一种情况为x0>0,y0>0,基于最右列增加相应值为零的列和最下行增加相应值为零的行;第二种情况为x0>0,y0<0,基于最右列,对于最下行进行裁剪;第三种情况为x0<0,y0>0,基于最右列裁剪,最下行补零第四种情况为x0<0,y0<0,基于最右列和最下行裁剪,并不改变图像原始位置;
对于测试图片,分成四种情况来进行,第一种情况为x0>0,y0>0,向左下方移动(x,y);第二种情况为x0>0,y0<0,向左方移动x,由第一行开始裁剪y行;第三种情况为x0<0,y0>0,向下方移动y,由第一列开始裁剪x列,第四种情况为x0<0,y0<0,由第一列和第一行开始裁剪x列,y行。
用带限相位相关算法对图像进行特征增强之后的图片,使用BLPOC带限相位相关算法匹配图片,由以下公式定义:
其中,频率范围为k1=-K1,...,K1,k2=-K2,...,K2,其中0≤K1≤M1和0≤K2≤M2,有效的频谱范围被确定为L1=2K1+1和L2=2K2+1;
n1=-K1,...,K2,n2=-K2,...,K2,表示
利用带限相位相关函数的互功率谱的最大值作为判别阈值,由以下公式定义:
max表示归一化互功率谱的最大值。
本发明的有益效果是:
1、本发明提供了一种更加有效的使用二维指关节特征来进行个人身份识别的算法,通过模拟仿真,这种新型的关节纹特征识别算法具有唯一性和稳定性,使其具有了更加鲁棒的识别效率;
2、本发明提供了一种关节纹特征提取方法,在与BLPOC算法结合后提高了识别率,同时本发明同样可以应用于其他关节纹算法当中,同样可以取得更高的识别率。
附图说明
图1本发明流程图;
图2指关节识别库中的样本图片;
图3Gabor算子示意图;
图4CLAHE原理示意图;
图5Gabor滤波后的样本图片;
图6CLAHE差值算法示意图;
图7CLAHE对比度增强后的样本图片;
图8相位相关算法(POC)后匹配样本图片;
图9相位相关算法(POC)后不匹配样本图片;
图10带限相位相关算法(BLPOC)算法后匹配样本图片;
图11带限相位相关算法(BLPOC)算法后不匹配样本图片;
图12图片的平移量校准;
图13误判率和拒判率曲线。
具体实施方式
下面结合附图和实例对本发明进行详细的说明,但不限于此。
实施例、
一种基于Gabor-带限相位相关的指关节纹识别方法操作流程如图1所示,
1)利用Gabor滤波器对训练样本和匹配样本的两幅图片进行图像特征提取,形成Gabor滤波输出图像;
2)利用限制对比度自适应直方图方法CLAHE对所述Gabor滤波输出图像进行对比度增强,提高纹理的识别度;
3)进行平移量调整图片位置与尺寸:对使用限制对比度自适应直方图方法CLAHE滤波的图像进行带限相位相关算法运算,获取两图像之间的归一化互功率谱,利用带限之后的图谱最大峰值的坐标偏移中心坐标的偏移量作为图片偏移量;
4)进行图像校准,包括两个部分,调整训练样本和匹配样本的图像的像素行和列相同:对训练图像进行右下角的补零或裁减,对匹配图像进行向左上角方向的移动或裁减;
5)使用带限相位相关算法对进行偏移量校准后的图片进行运算获取的训练样本和匹配样本之间的归一化互功率谱;所述偏移量校准是指步骤(4)中调整图像的像素行和列相同;
6)根据带限相位相关算法运算之后的归一化互功率图谱最大峰值确定图像匹配的阈值,对训练样本和匹配样本进行特征匹配:若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值大于或等于阈值,则判定训练样本和匹配样本为特征匹配;若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值小于阈值,则判定训练样本和匹配样本为特征不匹配。
所述的阈值设定为1.08,若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值大于或等于1.08,则判定训练样本和匹配样本为特征匹配;若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值小于1.08,则判定训练样本和匹配样本为特征不匹配。
图2提供了关节纹识别库中的样本图片,指关节纹是指包裹在手指近端指间关节外的皮肤,香港理工大学已经制作了比较成熟的数据库,本算法基于该数据库进行测试,并使用该数据库中仅包含关节纹特征的ROI(Region of Interest)数据样本作为输入。
本实施例使用了Gabor滤波器来进行图片特征提取,分别对测试图片和训练图片进行Gabor滤波,在空域,一个2维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。Gabor滤波器是自相似的,也就是说,所有Gabor滤波器都可以从一个母小波经过膨胀和旋转产生。实际应用中,Gabor滤波器可以在频域的不同尺度,不同方向上提取相关特征。
本实施例所采用的Gabor滤波器如图3所示,滤波器函数为
式(1)中,exp代表指数运算,x,y代表训练样本和匹配样本的图像的长和宽,G代表基于神经生理学的Gabor函数,u表示正弦函数谱的频率,θ代表函数的各个选择性方向,而表示Gaussian包络的标准方差。所述式(1)中, u=0.1。由于指关节纹主要为纵向线条,因此仅仅选取纵向gabor算子作为特征函数。并提取输出值的实部作为有效特征。
请参阅图5,表示图片由Gabor滤波器滤波之后所产生的图片效果。
请参阅图7,表示图片由CLAHE函数进行运算后所产生的图片效果。这主要是通过限制AHE算法的对比提高程度来达到的。在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的。这个斜度和领域的累积直方图的斜度成比例。CLAHE通过在计算CDF前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了CDF的斜度因此,也限制了变换函数的斜度。直方图被裁剪的值,也就是所谓的裁剪限幅,取决于直方图的分布因此也取决于领域大小的取值。通常,直接忽略掉那些超出直方图裁剪限幅的部分是不好的,而应该将这些裁剪掉的部分均匀的分布到直方图的其他部分。
请参阅图6,右侧部分所示(8行8列64个块是常用的选择)。然后计算个块的直方图、CDF以及对应的变换函数。这个变换函数对于块的中心像素(下图左侧部分的黑色小方块)是完全符合原始定义的。而其他的像素通过哪些于其临近的四个块的变换函数插值获取。位于图中蓝色阴影部分的像素采用双线性查插值,而位于便于边缘的(绿色阴影)部分采用线性插值,角点处(红色阴影处)直接使用块所在的变换函数。
请参阅图7,将Gabor滤波器实部输出图像进行对比度增强后的图片样本。
请参阅图8、图9,两张110×220的两张关节纹图片图片f(n1,n2)和g(n1,n2),F(k1,k2)和G(k1,k2)代表f(n1,n)和g(n1,n2)的二维离散傅里叶变换。根据二维离散傅里叶变换的定义,F(k1,k2)和G(k1,k2)将可以由如下公式导出:
相应的,其中k1=-M1,...,M1,k2=-M2,...,M2, 和代表其中AF(k1,k2)和AG(k1,k2)表示幅度,θF(k1,k2)和θG(k1,k2)表示相位。我们用互功率谱来表示其中的相位信息,因此归一化的互功率谱RFG(k1,k2)可以表示为
其中是G(k1,k2)的复共轭矩阵,θ(k1,k2)表示θF(k1,k2)-θG(k1,k2)。因此,相位相关函数矩阵rfg(n1,n2)是RFG(k1,k2)的2维离散傅里叶反变换,其公式表示为:
其中表示
参阅图10、图11,假设指定频率范围为k1=-K1,...,K1,k2=-K2,...,K2,其中0≤K1≤M1和0≤K2≤M2。因此,有效的频谱范围被确定为L1=2K1+1和L2=2K2+1。因此,带限相位相关函数被表示为:
其中n1=-K1,...,K2,n2=-K2,...,K2,表示在这里我们选择它们的取值分别为60和120,基于实验证明的最优解。
参阅图11,我们进行位移校准工作,g(x,y)=f(x-x0,y-y0)他们之间的傅里叶变换关系为
他们之间的互相位谱由以下公式定义
其中F*是F的共轭矩阵。通过傅里叶反变换可以将RGF变换到空域中来,这时我们就可以得到他们之间的位移系数(x0,y0)
其中pgf的峰值的偏离中心点的位置可以用来表示两张图片之间的位移偏移量。
对于训练图片,我们分成四种情况来进行,第一种情况为x0>0,y0>0,基于最右列增加相应值为零的列和最下行增加相应值为零的行;第二种情况为x0>0,y0<0,基于最右列,对于最下行进行裁剪;第三种情况为x0<0,y0>0,基于最右列裁剪,最下行补零第四种情况为x0<0,y0<0,基于最右列和最下行裁剪。并不改变图像原始位置。
对于测试图片,分成四种情况来进行,第一种情况为x0>0,y0>0,向左下方移动(x,y);第二种情况为x0>0,y0<0,向左方移动x,由第一行开始裁剪y行;第三种情况为x0<0,y0>0,向下方移动y,由第一列开始裁剪x列,第四种情况为x0<0,y0<0,由第一列和第一行开始裁剪x列,y行。
为了评估算法识别率,我们对165个对象的指关节纹图像库进行了严格的实验。在数据集中125人是男性。此外,在两个单独的时间段手机这些指关节纹图像。在每个时间段,对象被要求提供左手食指、左手中指、右手食指和右手中指的六张图像。
我们将第一个集合库的所有样本作为训练集,将第二个集合库的所有样本作为测试集。因此,我们的训练集一共有660类和3960张图,测试集同样也包含了660类3960张图。测试集中的每一张图将与训练集中的每一张图进行比对。我们将会做一个对比,如果两张图来自同一个手指,那就是正确匹配,如果两张图来自不同的手指,那就是错误匹配。因此,所有的正确匹配次数为23760,所有的错误匹配次数为7828920。我们获得的等错误率为2.46%。
实验目的是在加入不同类型手指混淆样本后检测系统和算法的性能。实际上,这种测试方法是一种单生物特征下的多单元多模型测试。我们采用了SUM混淆定则,如公式所示:
其中si表示第ith类手指的判定参数。
我们测试了不同的手指混淆类型在Gabor-BLPOC上的应用,并对比了传统BLPOC算法,如图13所示,我们可以清楚的看到由于Gabor滤波器的添加,系统的表现有了一定的提升。
Claims (5)
1.一种基于Gabor-带限相位相关的指关节纹识别方法,其特征在于,该方法包括如下步骤:
1)利用Gabor滤波器对训练样本和匹配样本的两幅图片进行图像特征提取,形成Gabor滤波输出图像;
2)利用限制对比度自适应直方图方法CLAHE对所述Gabor滤波输出图像进行对比度增强,提高纹理的识别度;
3)进行平移量调整图片位置与尺寸:对使用限制对比度自适应直方图方法CLAHE滤波的图像进行带限相位相关算法运算,获取两图像之间的归一化互功率谱,利用带限之后的图谱最大峰值的坐标偏移中心坐标的偏移量作为图片偏移量;
4)进行图像校准,包括两个部分,调整训练样本和匹配样本的图像的像素行和列相同:对训练图像进行右下角的补零或裁减,对匹配图像进行向左上角方向的移动或裁减;
5)使用带限相位相关算法对进行偏移量校准后的图片进行运算获取的训练样本和匹配样本之间的归一化互功率谱;
6)根据带限相位相关算法运算之后的归一化互功率图谱最大峰值确定图像匹配的阈值,对训练样本和匹配样本进行特征匹配:若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值大于或等于阈值,则判定训练样本和匹配样本为特征匹配;若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值小于阈值,则判定训练样本和匹配样本为特征不匹配;
使用带限相位相关算法对图像进行特征增强之后的图片进行平移量的校准为:利用BLPOC函数图像峰值偏离中心点的位置坐标作为位置校准的偏移量:
假设训练样本和匹配样本图片之间f和g存在线性相关位移(x0,y0)
g(x,y)=f(x-x0,y-y0) (2)
两幅图片之间的傅里叶变换关系为
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>ux</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>vy</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
两幅图片之间的互相位谱由以下公式定义
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>G</mi>
<mi>F</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>F</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>F</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>ux</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>vy</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中F*是F的共轭矩阵,通过傅里叶反变换将RGF变换到空域中来,进而得到两幅图片之间的位移系数(x0,y0)
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mi>N</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>0</mn>
</msub>
</mrow>
<msub>
<mi>M</mi>
<mn>0</mn>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
</mrow>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>G</mi>
<mi>F</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>u</mi>
<mo>/</mo>
<mi>M</mi>
<mo>+</mo>
<mi>n</mi>
<mi>v</mi>
<mo>/</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,M和N是带限系数,取M等于60,N等于120;
对偏离坐标进行4种不同情况进行图像校准:
第一种情况为x0>0,y0>0,第二种情况为x0>0,y0<0,第三种情况为x0<0,y0>0,第四种情况为x0<0,y0<0,根据上述4个情况分别对图像进行裁剪,并找出拟合部位组成新的两幅特征提取图像;对于训练图片,分成四种情况来进行,第一种情况为x0>0,y0>0,基于最右列增加相应值为零的列和最下行增加相应值为零的行;第二种情况为x0>0,y0<0,基于最右列,对于最下行进行裁剪;第三种情况为x0<0,y0>0,基于最右列裁剪,最下行补零第四种情况为x0<0,y0<0,基于最右列和最下行裁剪,并不改变图像原始位置;
对于测试图片,分成四种情况来进行,第一种情况为x0>0,y0>0,向左下方移动(x,y);第二种情况为x0>0,y0<0,向左方移动x,由第一行开始裁剪y行;第三种情况为x0<0,y0>0,向下方移动y,由第一列开始裁剪x列,第四种情况为x0<0,y0<0,由第一列和第一行开始裁剪x列,y行。
2.根据权利要求1所述的一种基于Gabor-带限相位相关的指关节纹识别方法,其特征在于,所述的阈值设定为1.08,若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值大于或等于1.08,则判定训练样本和匹配样本为特征匹配;若训练样本和匹配样本的指关节纹归一化互功率图谱最大峰值小于1.08,则判定训练样本和匹配样本为特征不匹配。
3.根据权利要求1所述的一种基于Gabor-带限相位相关的指关节纹识别方法,其特征在于,所述Gabor滤波器如式(1)所示:
式(1)中,exp代表指数运算,x,y代表训练样本和匹配样本的图像的长和宽,G代表基于神经生理学的Gabor函数,u表示正弦函数谱的频率,θ代表函数的各个选择性方向,而表示Gaussian包络的标准方差;所述式(1)中, u=0.1。
4.根据权利要求1所述的一种基于Gabor-带限相位相关的指关节纹识别方法,其特征在于,用带限相位相关算法对图像进行特征增强之后的图片,使用BLPOC带限相位相关算法匹配图片,由以下公式定义:
<mrow>
<msubsup>
<mi>r</mi>
<mrow>
<mi>f</mi>
<mi>g</mi>
</mrow>
<mrow>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>L</mi>
<mn>1</mn>
</msub>
<msub>
<mi>L</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<msub>
<mi>R</mi>
<mrow>
<mi>F</mi>
<mi>G</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>W</mi>
<msub>
<mi>L</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mrow>
</msubsup>
<msubsup>
<mi>W</mi>
<msub>
<mi>L</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,频率范围为k1=-K1,...,K1,k2=-K2,...,K2,其中0≤K1≤M1和0≤K2≤M2,有效的频谱范围被确定为L1=2K1+1和L2=2K2+1;
n1=-K1,...,K2,n2=-K2,...,K2,表示
5.根据权利要求1所述的一种基于Gabor-带限相位相关的指关节纹识别方法,其特征在于,利用带限相位相关函数的互功率谱的最大值作为判别阈值,由以下公式定义:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&lsqb;</mo>
<msubsup>
<mi>r</mi>
<mrow>
<mi>f</mi>
<mi>g</mi>
</mrow>
<mrow>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
max表示归一化互功率谱的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410305642.2A CN104036260B (zh) | 2014-06-30 | 2014-06-30 | 基于Gabor‑带限相位相关的指关节纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410305642.2A CN104036260B (zh) | 2014-06-30 | 2014-06-30 | 基于Gabor‑带限相位相关的指关节纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036260A CN104036260A (zh) | 2014-09-10 |
CN104036260B true CN104036260B (zh) | 2017-11-07 |
Family
ID=51467026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410305642.2A Expired - Fee Related CN104036260B (zh) | 2014-06-30 | 2014-06-30 | 基于Gabor‑带限相位相关的指关节纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036260B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794434B (zh) * | 2015-04-02 | 2017-03-15 | 南京邮电大学 | 一种基于Gabor响应域重构的指关节纹识别方法 |
CN108664859A (zh) * | 2017-03-31 | 2018-10-16 | 上海云从企业发展有限公司 | 指静脉识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794374A (zh) * | 2009-01-15 | 2010-08-04 | 香港理工大学 | 利用指关节纹识别个人身份的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080279416A1 (en) * | 2007-05-11 | 2008-11-13 | Motorola, Inc. | Print matching method and system using phase correlation |
-
2014
- 2014-06-30 CN CN201410305642.2A patent/CN104036260B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794374A (zh) * | 2009-01-15 | 2010-08-04 | 香港理工大学 | 利用指关节纹识别个人身份的方法和系统 |
Non-Patent Citations (2)
Title |
---|
"Finger-knuckle-Print recognition using BLPOC-based local block matching";Shoichiro Aoyama et al.;《Pattern Recognition(ACPR),2011 First Asian Conference》;20111128;第II节 * |
"基于指背纹和指静脉的生物特征识别算法研究";黄潇拉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615(第6期);第2.2、3.1、4.2.1、4.2.3、4.2、4.3、6.2.2节,图2.4、3.1、3.11、4.1、4.4、4.6、4.7 * |
Also Published As
Publication number | Publication date |
---|---|
CN104036260A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | An implementation of leaf recognition system using leaf vein and shape | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN104008375B (zh) | 基于特征融合的集成人脸识别方法 | |
CN101344913B (zh) | 一种通过提取虹膜纹理特征进行身份识别的方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
CN101833658B (zh) | 一种复杂光照人脸识别的光照不变量提取方法 | |
CN104156723B (zh) | 一种具有尺度不变性的最稳定极值区域的提取方法 | |
CN107909083A (zh) | 一种基于轮廓匹配优化的矩形检测提取方法 | |
CN104933407A (zh) | 基于sift变换的指纹识别方法 | |
CN102289670A (zh) | 一种具有光照鲁棒性的图像特征提取方法 | |
CN104036260B (zh) | 基于Gabor‑带限相位相关的指关节纹识别方法 | |
CN104268549A (zh) | 抗噪声的多尺度局部二值模式特征表示方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN103246877A (zh) | 基于图像轮廓的人脸识别新方法 | |
Arai et al. | Gait recognition method based on wavelet transformation and its evaluation with chinese academy of sciences (casia) gait database as a human gait recognition dataset | |
CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
CN105975940A (zh) | 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法 | |
CN105930811A (zh) | 基于图像处理的手掌纹理特征检测方法 | |
CN103455798B (zh) | 基于最大几何流向直方图的人体检测方法 | |
CN108038464A (zh) | 一种新的hog特征维吾尔族人脸图像识别算法 | |
CN100416594C (zh) | 基于泽尔尼克矩的鞋印自动匹配方法 | |
CN103473546B (zh) | 一种基于结构张量的指纹方向场获取方法 | |
CN102087705B (zh) | 一种基于毯子维和缺项的虹膜识别方法 | |
CN102073856A (zh) | 一种基于频率能量差别的指纹识别 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20180630 |
|
CF01 | Termination of patent right due to non-payment of annual fee |