CN104615634A - 基于方向特征的手掌静脉指导性快速检索方法 - Google Patents
基于方向特征的手掌静脉指导性快速检索方法 Download PDFInfo
- Publication number
- CN104615634A CN104615634A CN201410633092.7A CN201410633092A CN104615634A CN 104615634 A CN104615634 A CN 104615634A CN 201410633092 A CN201410633092 A CN 201410633092A CN 104615634 A CN104615634 A CN 104615634A
- Authority
- CN
- China
- Prior art keywords
- image
- retrieval
- veins
- database
- test 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于方向特征的手掌静脉指导性快速检索方法,针对大型掌脉数据库辨识过程中的识别速度问题,本发明提出了一种指导性检索方法用于手掌静脉的快速识别。首先采用G-iR变换提取高、中、低三个分辨率下图像的方向特征矩阵,然后统计分析得到图像的主方向 作为分类索引,将大型掌脉数据库分成6类子库。识别时,采用基于阈值法的检索策略,配合关联匹配、频率检索和邻近检索等指导方法,保证系统在提高检索速度的同时有着较高的识别正确率。实验结果表明,与传统方法相比,本发明指导性检索方法在检索效率和检索时间上有着较明显的优势,在大型掌脉数据库的检索和识别中,大大缩短了检索时间。
Description
技术领域
本发明涉及一种手掌静脉特征识别技术,特别是一种基于方向特征的手掌静脉指导性快速检索方法。
背景技术
掌静脉识别基于静脉血管进行一致性判断,因其具有活体采集、难伪造、特征信息丰富且唯一等良好性质,成为近十年来新兴生物特征识别技术之一,得到业内人士的广泛关注。随着掌脉识别技术应用领域的不断扩大,掌脉数据库的规模也在不断扩大,随之而来的关键问题就是大型掌脉数据库的识别精度和识别速度问题。
掌脉识别算法从运行方式而言,可以分成两类,即验证模式(verification)和辨识模式(identification)。验证模式:判定实时输入的具有唯一编码(ID)的掌脉图像,是否与此ID所对应的数据库中的掌脉样本相匹配;辨识模式:输入一幅实时掌脉图像(Probe palm vein image)(测试样本),检索数据库中的所有样本,找到与之相匹配的数据库中的样本,获取数据库中样本的ID,即确认为测试样本的ID。辨识问题可以看作是广义化的验证问题[2]。
大多数掌脉识别算法的研究都针对验证模式,并且取得了很大进步,算法都有很高的识别精度并且能在几十毫秒至几百毫秒内完成匹配[3-16]。但辨识工作模式下的掌脉检索算法要比验证工作模式下的匹配算法难度大很多,特别是在大型掌脉数据库中就更为困难。换句话说,若一个测试样本需要与数据库中所有样本相匹配,随着数据库中样本数的增加,辨识过程所需的时间会快速增加,导致辨识模式下系统无法满足实时性要求。因此,尽管现有掌静脉算法在验证模式下的匹配速度能满足系统实时性要求,仍不能直接将验证中的匹配算法用 在辨识过程中。对于大型掌脉数据库,提高辨识速度的一种有效方式就是保持精确匹配算法(验证模式下)不变,通过将生物特征分类或分层,进行指导性检索。指导性检索的基本工作模式是:首先提取可靠的检索特征作为指导性信息,然后依据检索特征的特点构造出高效的索引结构,得到一些候选的掌脉图像样本,最后利用验证模式下的精确匹配算法比对测试样本和候选样本,根据匹配分判定测试样本的ID。这样,既可以缩小对数据库样本检索范围,同时利用精确匹配算法也能保证辨识模式有较高的正确率。
在大型生物特征识别系统中,指纹和掌纹图像与掌脉图像相似,均包含大量的纹理。其中指纹分类算法较成熟[17-23],大体分为两种:一种是固定分类方法[17-19],根据指纹的自然形状分成5类或者扩展成6~8类,如左旋、右旋、漩涡等类别,测试样本根据所属类别/子库,直接与子库内的候选样本进行进一步的精确匹配,得到测试样本的ID。其优点是无需采用相似度准则就能检索出候选样本,可以减少一定的检索时间;但是也存在很多问题,如某些样本的类别难以确定;分类遵循自然规律,可能导致某些子库中的样本数量过大;无法通过调整子库中样本数的分布来平衡系统的精度和速度。另一种分类方法是连续分类方法[20-23],通过某些变换方法提取图像主要特征作为分类特征,检索时,将测试图像的分类特征与数据库图像的分类特征进行相似度计算,找到与测试图像相似的一些数据库图像,作为候选样本进行进一步匹配。连续分类方法可以避免固定分类方法出现的问题,但其候选样本需用相似度准则检索整个数据库才能得到,且相似度测量方法若选取的不好会降低识别率(accuracy)。而在掌纹方面,尚在研究阶段,仅有一些文献[24-26]提及到分类算法,如文献[24,25]类似连续分类方法,由粗到细层次地减少掌纹检索范围;文献[26]类似固定分类方法,根据掌纹主线的数量分成6类。与指纹、掌纹不同,掌脉图像中的 静脉分布并无明显规律,即没有指纹中左旋、右旋、漩涡的特点,也没有掌纹中主线的分布。因此掌纹和指纹的分类算法,只能给我们提供一些检索方法上的指导,而在掌脉分类特征的选择上,参考意义有限。
发明内容
本发明的目的是为了解决上述现有技术的不足而提供一种在提高检索速度的同时保证较高的识别精度的基于方向特征的手掌静脉指导性快速检索方法。
为了实现上述目的,本发明所设计的一种基于方向特征的手掌静脉指导性快速检索方法,它包括分类索引的构建和指导性快速检索,所述分类索引的构建是针对高、中、低三种不同分辨率的掌脉图像,分别采用3个不同的Gaussian-Radon滤波器,提取掌脉图像的方向特征矩阵,统计分析3个方向特征矩阵,得到图像主方向,以此图像主方向作为分类索引,将掌脉数据库分为六类子库;所述指导性快速检索是提取测试图像的主方向,得到其分类索引;在分类索引指导下,利用阈值法找到子库中与测试样本相似的候选样本,进行关联匹配确保识别精度;同时采用频率检索和邻近检索指导方法,从而在提高检索速度的同时保证较高的识别精度。
其系统包含训练阶段和测试阶段,训练阶段,通过Improved Radon变换、Gray码,得到方向特征模板用于精确匹配;同时通过G-iR变换提取方向相关的指导性信息,建立分类索引;最后将掌脉图像的方向特征模板和分类索引同时存储到数据库中;在测试阶段,首先计算掌脉测试样本的分类索引和方向特征模板,根据分类索引从数据库中选取与测试样本相似的候选样本,利用方向特征模板确定测试样本与候选样本的精确匹配,最终输出测试样本的ID。
在掌脉辨识过程中,为了减小检索范围,加快检索速度,首先需要通过分层/分类的指导性检索方法筛选出与测试样本最相似的一些候选样本,其次需要测试样本与这些候选样本进行一对一的精确匹配,从而检索出测试样本的ID。
精确匹配方法——iRadon变换方法如下:
2.1改进的Radon变换(Improved Radon Transform,iRadon)构建方向特征矩阵
掌脉图像含有丰富的连续线特征(continuous line-like characteristic),可看作纹理图像,利用纹理分析方法提取掌脉图像的特征。纹理特征通常包括方向、频率、相位、幅度等。但由于掌脉分布无明显的规律,且静脉的收缩程度可能随着温度等外在环境而改变。这些因素导致频率、相位、幅度等纹理特征的鲁棒性较差。因此,方向纹理特征逐渐成为有效表达掌脉的特征之一,目前有关掌脉识别的文献也表明了方向纹理特征的优越性。基于掌脉的连续线特征,本发明使用一种有效且常用的直线检测方法——改进的Radon变换(以下简称iRadon)。
由于掌脉无规则地分布在图像某个区域,且静脉大多占多个像素宽。因此,尽管Radon变换是一种较为经典且有效的直线检测方法,若将其用于提取掌脉图像特征,尚有几点不足:(1)对平面内某一段的直线特征表达能力较弱,因其积分针对整个平面。(2)只能提取单线宽直线纹理特征。(3)为了保证竞争编码的公平性,Radon变换在不同方向上的响应值应相同。基于以上几点不足,我们在之前的工作中(in our previous work)提出了iRadon变换,方法简述如下:
定义邻域 其中p为正整数,表示待提取静脉的最小长度。(x0,y0)表示邻域中心点,实函数f[x,y]在有限邻域local(x0,y0)内的iRadon变换定义如下:
Lk表示以(x0,y0)为中心的有限邻域local(x0,y0)内的一系列点,如等式(2)所示。Lk的定义可以使得Radon变换提取平面内任意长度的直线。同时邻域local(x0,y0)的定义保证了每个方向的Radon变换响应相同。
Lk={(x,y):y=k(x-X0)+Y0,(x,y)∈local(x0,y0)}; (2)
(X0,Y0)并不一定表示像(x0,y0)这样的单一中心点,而是一系列中心点的组合.这样就解决了Radon变换只能提取单一线宽直线的问题。(X0,Y0)的大小就表示直线Lk的线宽。
由于静脉纹理的灰度值低于周围像素,所以中心点(x0,y0)的主方向可以由下式得到[5]:
Do(x0,y0)表示以(x0,y0)为中心的主方向,O为总方向数/总方向滤波器数,本发明固定为6。这样的量化增加了旋转不变性。并且定义角度区间以取代精确角度值,进一步增强了算法的旋转不变性同时提取了更多有效的方向信息作为辨识信息。对于掌脉图像中的每个像素,我们都可以通过等式(3)计算其主方向。最后,大小为p×q掌脉的方向特征矩阵(Orientation matrix,OM)可以表示为:
其中c表示线宽.方向特征矩阵的大小为m×n,与线宽c成反比。
2.2采用格雷码编码(Gray encoding)表示方向特征矩阵
Do(x0,y0)量化为1-6中的一个整数(Do(x0,y0)=1表示该像素点方向为0度,且偏移角度不超过π/6,以此类推),并编码成3-bit二进制数,便于匹配时Hamming 距离相似度的衡量。十进制转换成二进制大多选用自然编码方式,即DBC(Direct Binary Coding)。而在以前的工作中,我们采用的也是DBC这种编码方式,这里我们采用格雷码编码BRGC(Binary Reflected Gray Code)。编码的目的是保持或增加特征提取后的分辨能力。相对于DBC编码方式,BRGC编码能保证变换到Hamming域后距离关系保持不变,符合方向索引特征间的邻近准则。如0度(Do(x,y)为1,BRGC码字为001)与5π/6(Do(x,y)为6,BRGC码字为101)相邻,BRGC码字距离为单位距离,而0度与其互补的角度3π/6(Do(x,y)为4,BRGC码字为110)间隔最大,BRGC码字距离为最大距离,即3个单位距离。
2.3精确匹配
本发明使用全局匹配方法,定义两幅静脉特征模板图像的匹配分计算方式如下:
P、Q分别表示数据库图像和测试图像的方向特征矩阵,Pi(x,y)表示P的第i个比特上的像素点(x,y),表示Q的第i个比特上的像素点水平和垂直方向上分别平移h,v个像素后的像素点(x,y)。m和n表示水平方向和垂直方向平移的总像素数。为异或运算,M×N为方向特征矩阵大小。通过公式(6)计算出的D值取值在0和1之间,两幅图像越相似,则越接近于1,反之,则接近0。
3构建分类索引(Index for retrieval)
大型掌脉数据库中,在辨识模式下得到测试图像的ID是一个检索问题。需将测试图像与数据库中每一幅图像进行比对,得到与测试图像最相似的模板图像。很明显,这种穷举法难以满足辨识系统的实时性要求,分类或分层的指导性检索方法是一种有效提高检索效率的方法。其中探索简单有效的分类索引结构和快速检索算法是指导性检索算法中两个关键问题。本节介绍如何利用Gaussian Radon变换提取掌静脉图像方向特征信息,并用统计法分析高、中、低三种分辨率下的图像相应的方向特征矩阵,进而得到简单且有效的分类索引结构。
3.1Gaussian_iRadon(G-iR)变换构建方向特征矩阵
考虑到分类索引结构对特征分辨能力的要求,以及掌脉图像自身的特点,将掌脉图像中静脉纹理的主方向作为分类索引结构是一种可行的方法。提取静脉纹理的主方向时,判定掌静脉图像中的哪些静脉属于主要静脉以及主要静脉的大致方向是两个关键问题。但由于掌脉分布的不规则性,即便是人工判定也很难解决这些问题。参照iRadon变换提取到的方向特征矩阵,本发明通过统计方向特征矩阵的方向值分布,以此作为判定图像主方向的依据。
iRadon变换提取到的方向特征能很好的描述掌脉图像,将隶属于不同手掌的静脉图像很好的区分开来,在验证模式下的精确匹配中有很高的识别精度。但对于构建分类索引结构所需的特征信息,这种方法分辨能力过强,不适于构建分类索引。原因在于,iRadon变换提取到的方向特征对于每个个体的掌脉图像分辨能力过强,会削弱子库内掌脉图像的相关性,不利于掌脉图像的分类。同时,用于构建分类索引结构的特征信息,其对于掌脉图像的分辨能力也不能太 差,否则会使得大部分掌脉图像的类别难以确定,无法根据分类索引结构减小检索范围。
因此,本发明在iRadon变换的基础上,提出一种新的特征提取方法,即Gaussian_iRadon(简称G-iR)变换。在判定中心像素点的主方向Do(x0,y0)时,利用Gaussian函数对中心点的加权规则,削弱邻域内像素点对中心像素点的贡献度,进而减弱iRadon变换提取到的方向信息的分辨能力。因此,G-iR变换能加强不同个体间掌脉图像的关联,有利于构建子库并增强同一子库内图像间的相关性;同时基于iRadon变换较佳的分辨能力,尽可能最大化不同子库中掌脉图像的差异性。
实函数f[x,y]在有限邻域local(x,y)内的G-iR变换定义为:
其中是Lk的Gaussian加权表示,定义如下:
Lk即为Section 2.1中iRadon变换有关有限线段的定义。等式(8)给出2-D高斯函数G(x,y,σ)的定义,(x,y)表示Gaussian滤波器中的离散点,(x0,y0)是滤波器的中心点。σ是高斯滤波器的标准方差。
高斯函数能限定不同方向下滤波器的响应相同,同时高斯函数对中心点的加权规则不仅去除了过多的冗余信息,减少计算复杂度和计算量,同时能包含较多的有效信息。同时,高斯对中心点的邻域的加权,类似于高斯模糊,增加了不同个体间掌脉的相关性,有利于子库的建立,达到分类快速检索的目的。
类似地,根据iRadon变换的竞争编码方式得到由Do(x,y)组成的方向特征矩阵。
3.2基于方向特征矩阵得到主方向构建分类索引码
本发明通过统计分析高、中、低三个分辨率下的方向特征矩阵,得到图像主方向;并以此作为分类索引,将掌脉数据库分为六类。
基于G-iR变换得到的每个像素的主方向Do(x,y),根据公式(9),统计其方向特征的分布PDφ,并求得整个图像的主方向φ。其中m,n为OM矩阵大小。
利用图像主方向φ,我们可以将数据库分成6类,即
φ=1;φ=2;φ=3;φ=4;φ=5;φ=6。
但是,手掌本身存在弹性,且静脉血管会随着温度等其他原因发生收缩或舒张,导致同一用户在采集过程中得到的手掌静脉图像并不完全相同,一些细节信息是存在偏差的;此外,掌脉图像采集过程中可能存在噪声,图像分辨率越高,噪声影响越大。上述因素都使得图像主方向特征φ不是很稳定。
本发明基于下采样的方法,得到高(图像大小为128*128)、中(图像大小为64*64)、低(图像大小为32*32)三个分辨率下的图像,分别用三个不同大小的G-iR滤波器提取图像方向特征,并用上述提取主方向的方法,得到高、中、低三个分辨率下图像的主方向[φ1,φ2,φ3],注意G-iR滤波器的邻域大小随着图像分辨率的降低成比例地减小。低分辨率的图像,能提取图像主要信息,降低噪声以及细节信息对图像的影响;高分辨率的图像,能提取图像的一些关键的细节信息;中分辨率的图像,能提取图像的一些主要信息,以及图像的一些关键性细节信息。上述3个主方向的提取,有效地结合了不同分辨率下的图像信息,保证了 主方向信息提取的稳定性和有效性。
值得注意的是,由于滤波器随着图像的减小成比例地缩小,高、中、低三个分辨率下得到的3个主方向,理论上分析所包含的特征信息应该一致的。但是由于下采样存在着信息上的损失,导致三个分辨率下的特征信息略有差异。
本发明取3个主方向[φ1,φ2,φ3]的众数作为最终的主方向Φ,定义如公式(10),众数(mode)表示集合中出现最频繁的值。这样既利用了不同分辨率下的特征信息,又避免了3个分类索引带来过多的冗余信息导致存储容量的增加。式中,主方向Φ仅为1-6中的一个整数,无需相似度准则衡量分类索引之间的相似度,减少检索出候选样本的时间。
Φ=mode(φ1,φ2,φ3);Φ=1,2,3,4,5,6 (10)
这样,根据主方向Φ,我们可以将大型数据库分成6个子库
L1(Φ=1),L2(Φ=2),L3(Φ=3),L4(Φ=4),L5(Φ=5),L6(Φ=6),Φ=1表示主方向为0度,且偏移角度不超过一定范围的图像,以此类推。
4指导性检索(Guided retrieval for identification)
在训练阶段中,针对高、中、低三种不同分辨率的掌脉图像,本发明采用3个不同大小的G-iR滤波器,提取掌脉图像的方向特征矩阵,统计分析3个方向特征矩阵,得到图像主方向,以此图像主方向作为分类索引,将掌脉数据库分为六个,完成了建库过程。本节(Section 4)则介绍测试阶段中具体的检索过程。首先,在Section 4.1中介绍阈值法的快速检索策略,采用关联匹配的方法保证识别精度;其次,在Section 4.2中介绍频率检索和邻近检索,指导性扩大检索范围,平衡系统的识别速度和识别精度;最后,在Section 4.3中介绍整个检索流程。
4.1基于阈值法的快速检索策略
检索过程中常用的检索策略,一般有如下两种:
(1)基于全局最大值的检索策略:全局最大值方法需一对一精确比对测试样本与子库中所有候选样本,得到其相应的匹配分数;按照从大到小的顺序将匹配分数排序,前N幅候选样本依次为与测试样本最相似的模板图像;从这N幅模板中再次筛选,最后得到测试样本的身份ID。在文献[8-10]中的掌纹分类检索方法中,使用的检索策略类似于全局最大值的方法。
(2)基于阈值法的检索策略:阈值法需预先设定阈值,每次一对一精确比对得到相应的匹配分数后,通过阈值判定候选样本是否与测试样本相似,直至检索完整个子库中所有候选样本,最后得到测试样本的身份ID。
两者区别在于,前者通过子库内所有匹配分的排序判定与测试样本相似的候选样本;后者通过匹配分与阈值的比较判定相似的候选样本。后者的优势在于,大大减少了精确比对的次数,加快了检索速度。在大型手掌静脉数据库的辨识过程中,这种优势尤为明显。因此,本发明采用基于阈值法的检索策略。
凭借单一阈值判定候选图像是否与测试样本来自同一手掌,可能会造成匹配错误。本发明采用关联匹配方法减少匹配错误,提高辨识系统中的识别精度。假设每个用户在注册阶段,存放2个或2个以上的注册样本。在实际应用中,这个假设条件是符合逻辑的。假设在注册阶段,用户注册S幅样本,关联匹配的优化方法具体如下:
训练阶段:将每个用户的S个注册样本构建关联关系。根据训练样本正确匹配分和错误匹配分的分布情况,预先设定两个阈值T1,T2。而后通过不断的实 验,优化2个阈值参数。
测试阶段:输入一幅测试样本,根据其主方向Φ判断其所在子库,并得到子库中的候选样本。利用Section 2的精确匹配方法计算测试样本与候选样本的匹配分,当测试样本与某一候选样本的匹配分大于阈值T1时,将候选样本关联的S-1幅注册样本与测试样本相匹配,若S幅候选样本与测试样本的平均匹配分大于阈值T2,则判定候选样本与测试样本来自同一手掌,并输出候选样本的身份ID,即为测试样本的ID。
4.2频率检索和邻近检索
如果在以测试样本主方向Φ为索引指导的子库Li中,未能检索到与之相似的候选样本,我们采用下述的频率检索和邻近检索两种指导方法,适当地增加检索子库。在保证系统识别速度的同时,尽可能地增加识别精度。
频率检索:利用高、中、低分辨率下得到的主方向φi≠Φ,i=1,2,3,作为分类索引,指导性地增加检索子库。考虑到检索速度,扩展检索的子库不应超过2个。当测试图像有多个主方向时,频率检索有较好的指导性。
邻近检索:根据子数据库间的相邻性,扩展检索Li相邻的子数据库。由于分类的依据是图像主方向,因此,在判断子库的相邻性时,是依据主方向的相近性来判断,如0度与30度和150度相邻近,因此L1的相邻子库为L2和L6,依此类推即Li的相邻子库为L(i+1)mod6和L(i-1)mod6。此时同样需考虑检索速度,包括频率检索中检索的子库在内,扩展检索的子库仍不超过2个。邻近检索能有效解决测试图像的主方向位于子库交界处,难以判定其所属子库的情况。如某个人的掌脉图像主方向为π/12,那么它属于L1的可能性有50%,属于L2的可能性也有50%, 则其所属子库将难以确定,检索单一子库难以保证识别精度,邻近检索能有效解决这一问题。
4.2指导性快速检索
根据上述检索策略和指导方法,我们介绍整个快速检索和识别过程。
Step 1.输入一幅测试样本。
Step 2.通过G-iR变换计算测试样本的方向特征矩阵,得到图像的主方向Φ以及图像主方向集合[φ1,φ2,φ3]。
Step 3.假定测试样本的主方向Φ=k,则候选样本为子库Lk中的模板样本。
Step 4.在子库Lk中,利用Section 2中的精确匹配方法,得到匹配分score,若score≤T1,继续Step 7;否则,记录与候选样本关联的其他S-1幅注册样本。
Step 5.关联匹配,将测试样本与S-1幅注册样本一一匹配,得到S-1个匹配分,加上与候选样本的匹配分,一共有S个匹配分,即matching_score=[score1,score2,...scoreI];若mean(matching_score)≥T2,其中mean表示均值操作,则此时候选样本的ID即为测试样本的ID,跳转到Step 9,检索终止。
Step 6.继续执行Step 4,直到子库Lk中候选图像全部检索完毕。
Step 7.频率检索,根据主方向集合中出现的其他主方向值,扩大检索范围,检索这些主方向值对应的子库。
Step 8.相邻检索,在频率检索增加的子库不超过2个时,根据子库的相邻性,扩大搜索范围,继续检索与子库Lk相邻的L(k-1)mod6和L(k+1)mod6子库。重复Step 4~6。
Step 9.依据step7和step8扩展的2个子库中,若所有候选图像检索完毕,仍然没有搜索到与测试样本相匹配的图像,则认为是非法用户。
Step 10.输出检索结果。
5实验结果
5.1数据库
本发明采用香港理工大学生物特征识别研究中心(PolyU_BRC)掌脉数据库[19]中的ROI图像进行实验,原始图像为128×128大小的256色灰度图。此数据库图像是对250个男性和女性分两次采集得到的,两次采集的平均间隔时间为9天,一个手掌每次采集6幅掌脉图像,因此数据库中共6000幅掌脉图像。采自同一时期的图像,由光照、形变等影响造成的图像畸变远远小于采自不同时期的图像。为排除这类干扰,本发明将第一个阶段采集到的图像作为数据库模板图像,剩下的图像作为测试样本,以得到更可靠的实验结果。
实验结果的运行环境为Matlab R2011a,CPU为i3-3240(3.4GHz),内存为4GB。
5.2精确匹配算法的评估实验
为了验证本发明提出方法的性能,我们在PolyU数据库上进行了对比和评估试验。在生物识别系统中,我们期望算法在训练/注册样本数较小的条件下,仍能得到较佳的实验结果。因此对比实验在训练样本数为1的条件下进行。从实验数据可以看出,iRadon变换加上BRGC的编码方式,这种组合的实验结果最佳。因此本发明采用这种组合在验证和辨识过程中判定两幅静脉图像是否属于同一个人。
随着数据库训练样本数的增加,实验结果呈现识别率提高、EER下降的趋势。从一个训练样本增加到两个训练样本时,识别率有显著提高,原因在于采集每个用户注册样本时可能存在类内差异,因此对每个用户采集多个注册样本是有必要的;但随着训练样本数增加,识别率提高幅度明显减小,尤其是当训练样本数大于2的时候,提高幅度基本为0。其中一个原因可能是由于1个注册样本时的识别率已经很高了,导致提升空间减少。另外一个原因是数据库训练样本所包含的冗余信息也随着数据库训练样本数的增加而增加,会造成内存和速度的负担。因此数据库训练样本数不易太多,一般取3个为宜。
5.3指导性快速检索方法的评估实验
5.3.1掌脉图像在子库中的分布情况
使用G-iR变换,提取图像主方向Φ作为分类索引,掌脉图像在6个子库的分布情况如表4所示。类似地,使用G-iR变换得到高、中、低三个分辨率下图像主方向φ1,φ2和φ3,将每种分辨率下的图像主方向单独作为分类索引后,掌脉图像在6个子库中的分布情况如表5-7所示。图4更清晰的对比了掌脉图像在Φ,φ1,φ2和φ34种不同的主方向作为分类索引下的分布情况。由表4可以看出,使用主方向Φ作为分类索引的掌脉图像分布都更接近均匀分布。如数据库大小为6000个样本的条件下,分布为19.65%,19.14%,17.35%,12.60%,16.06%和15.20%。这样的均匀分布将有利于减少辨识过程中搜索掌脉图像的数量进而提高辨识速度,理想情况下,均匀分布可以将搜索范围减少5/6。
5.3.2指导性检索算法与传统方法的对比实验
以PolyU第一阶段采集到的3000幅图像作为数据库中的训练样本,第二阶段采集到的3000幅图像作为测试样本,计算本发明快速检索算法的检索效率和检索正确率,验证算法性能。检索效率用检索范围来衡量,用每个测试样本比对的训练样本数量与数据库中所有训练样本的数量之比来表示。检索正确率表示通过算法能正确检索出ID的测试样本数与总测试样本数的比值。
衡量检索效率时,需要计算每个测试样本比对的训练样本数量。传统方法下,这个值与数据库大小有关,假设数据库中有Z个训练样本,则比对Z次,检索效率为100%;而指导性检索算法中,利用主方向Φ的指导性信息将数据库分成了6个子库,比对次数必然小于Z。阈值法的检索策略导致每个测试样本的比对次数都不相同,因此,本发明采用平均比对次数来衡量指导性检索算法的检索效率,具体如下:假设测试样本数为U,所有测试样本比对的总次数,设为R,通过U和R可计算出平均一幅测试样本的比对次数,为R/U。根据平均比对次数,计算出本发明快速检索算法的检索效率为:例如:表8的数据中,在600个测试样本在数据库训练样本为300个条件下,使用G-iR变换的快速检索方法的检索效率为
在T1为0.24,T2为0.27的条件下,传统方法和指导性快速检索方法在不同数据库大小下精确匹配次数的对比实验结果如表8所示。从表8可以看出,不论在检索效率还是检索正确率上,使用G-iR变换提取主方向Φ的指导性检索方法都有着较明显的优势。如600个测试样本在数据库训练样本为300个条件下,传统方法需要比对180000次,而G-iR变换方法下的快速辨识仅需比对26582 次,检索效率为14.77%,且检索正确率达到了95.33%。其他数据库条件下,G-iR变换的检索效率依次为14.83%,14.41%,14.27%,14.29%(平均为14.51%);而检索正确率分别为95.92%,96.61%,96.96%,96.67%(平均为96.30%)。值得注意的是,在快速检索和精确匹配的特征提取方法上,使用两种不同的特征提取方法是不可避免的。因为,前者的特征是为了将一些个体的掌脉聚在一起,形成某个子库,使得各子库之间样本差异最大化,且各子库内各样本之间差异最小化;后者的特征是将所有个体的掌脉特征都差异最大化,只保证同一个体的掌脉特征差异最小化。
以Φ,φ1,φ2和φ34种不同的主方向作为分类索引,使用指导性检索方法,分别进行检索效率和检索正确率对比试验,结果如表9所示。从表9的实验结果可以看出,不论在检索效率上,还是在检索正确率上,取主方向Φ构建分类索引的方法都有明显的优势。从另一方面也说明了,结合3个分辨率下的方向特征信息,得到的分类索引更稳定,增强了算法对噪声和形变的鲁棒性。
在掌脉验证过程中能满足实时性要求。但在辨识过程中,执行时间会随着数据库中训练样本数的增加而快速增加,难以满足系统实时性要求。我们可以通过下面两个式子,计算在Z幅训练样本的数据库中,U幅测试样本在传统方法和本发明快速辨识方法下,一幅测试样本所需要的特征提取和总的检索匹配时间。
传统方法:
指导性检索方法:
本发明得到的一种基于方向特征的手掌静脉指导性快速检索方法,所采用上述分类索引构建方法,能增强对掌脉的形变误差及噪声的鲁棒性,有效地实现了各子库中样本分布的均匀性,大大减少了检索时间,在提高检索速度的同时保证较高的识别精度。
附图说明
图1是系统流程图;
图2是子库建立流程图;
图3是指导性快速检索方法的流程图;
图4为不同数据库大小下,G-iR方法下选择Φ,φ1,φ2和φ34种不同的主方向作为分类索引下的掌脉图像分布;
图5为不同数据库大小下,传统方法和本发明方法特征提取和匹配的执行时间。
具体实施方式
下面通过实施例对本发明作进一步说明。
实施例1:
本实施例提供的一种基于方向特征的手掌静脉指导性快速检索方法,它包括分类索引的构建和指导性快速检索,所述分类索引的构建是针对高、中、低三种不同分辨率的掌脉图像,分别采用3个不同的Gaussian-Radon滤波器,提取掌脉图像的方向特征矩阵,统计分析3个方向特征矩阵,得到图像主方向,以此图像主方向作为分类索引,将掌脉数据库分为六类子库;所述指导性快速检索是提取测试图像的主方向,得到其分类索引;在分类索引指导下,利用阈值法找到子库中与测试样本相似的候选样本,进行关联匹配确保识别精度;同 时采用频率检索和邻近检索指导方法,从而在提高检索速度的同时保证较高的识别精度。
如图1所示是系统流程图,其系统包含训练阶段和测试阶段,训练阶段,通过Improved Radon变换、Gray码,得到方向特征模板用于精确匹配;同时通过G-iR变换提取方向相关的指导性信息,建立分类索引;最后将掌脉图像的方向特征模板和分类索引同时存储到数据库中;在测试阶段,首先计算掌脉测试样本的分类索引和方向特征模板,根据分类索引从数据库中选取与测试样本相似的候选样本,利用方向特征模板确定测试样本与候选样本的精确匹配,最终输出测试样本的ID。
在掌脉辨识过程中,为了减小检索范围,加快检索速度,首先需要通过分层/分类的指导性检索方法筛选出与测试样本最相似的一些候选样本,其次需要测试样本与这些候选样本进行一对一的精确匹配,从而检索出测试样本的ID。
精确匹配方法——iRadon变换方法如下:
2.1改进的Radon变换(Improved Radon Transform,iRadon)构建方向特征矩阵
掌脉图像含有丰富的连续线特征(continuous line-like characteristic),可看作纹理图像,利用纹理分析方法提取掌脉图像的特征。纹理特征通常包括方向、频率、相位、幅度等。但由于掌脉分布无明显的规律,且静脉的收缩程度可能随着温度等外在环境而改变。这些因素导致频率、相位、幅度等纹理特征的鲁棒性较差。因此,方向纹理特征逐渐成为有效表达掌脉的特征之一,目前有关掌脉识别的文献也表明了方向纹理特征的优越性。基于掌脉的连续线特征,本发明使用一种有效且常用的直线检测方法——改进的Radon变换(以下简称iRadon)。
由于掌脉无规则地分布在图像某个区域,且静脉大多占多个像素宽。因此,尽管Radon变换是一种较为经典且有效的直线检测方法,若将其用于提取掌脉图像特征,尚有几点不足:(1)对平面内某一段的直线特征表达能力较弱,因其积分针对整个平面。(2)只能提取单线宽直线纹理特征。(3)为了保证竞争编码的公平性,Radon变换在不同方向上的响应值应相同。基于以上几点不足,我们在之前的工作中(in our previous work)提出了iRadon变换,方法简述如下:
定义邻域 其中p为正整数,表示待提取静脉的最小长度。(x0,y0)表示邻域中心点,实函数f[x,y]在有限邻域local(x0,y0)内的iRadon变换定义如下:
Lk表示以(x0,y0)为中心的有限邻域local(x0,y0)内的一系列点,如等式(2)所示。Lk的定义可以使得Radon变换提取平面内任意长度的直线。同时邻域local(x0,y0)的定义保证了每个方向的Radon变换响应相同。
Lk={(x,y):y=k(x-X0)+Y0,(x,y)∈local(x0,y0)}; (2)
(X0,Y0)并不一定表示像(x0,y0)这样的单一中心点,而是一系列中心点的组合.这样就解决了Radon变换只能提取单一线宽直线的问题。(X0,Y0)的大小就表示直线Lk的线宽。
由于静脉纹理的灰度值低于周围像素,所以中心点(x0,y0)的主方向可以由下式得到[5]:
Do(x0,y0)表示以(x0,y0)为中心的主方向,O为总方向数/总方向滤波器数,本发明固定为6。这样的量化增加了旋转不变性。并且定义角度区间以取代精确角度值,进一步增强了算法的旋转不变性同时提取了更多有效的方向信息作为辨识信 息。对于掌脉图像中的每个像素,我们都可以通过等式(3)计算其主方向。最后,大小为p×q掌脉的方向特征矩阵(Orientation matrix,OM)可以表示为:
其中c表示线宽.方向特征矩阵的大小为m×n,与线宽c成反比。
2.2采用格雷码编码(Gray encoding)表示方向特征矩阵
Do(x0,y0)量化为1-6中的一个整数(Do(x0,y0)=1表示该像素点方向为0度,且偏移角度不超过π/6,以此类推),并编码成3-bit二进制数,便于匹配时Hamming距离相似度的衡量。十进制转换成二进制大多选用自然编码方式,即DBC(Direct Binary Coding)。而在以前的工作中,我们采用的也是DBC这种编码方式,这里我们采用格雷码编码BRGC(Binary Reflected Gray Code)。编码的目的是保持或增加特征提取后的分辨能力。相对于DBC编码方式,BRGC编码能保证变换到Hamming域后距离关系保持不变,符合方向索引特征间的邻近准则(见表1)。如0度(Do(x,y)为1,BRGC码字为001)与5π/6(Do(x,y)为6,BRGC码字为101)相邻,BRGC码字距离为单位距离,而0度与其互补的角度3π/6(Do(x,y)为4,BRGC码字为110)间隔最大,BRGC码字距离为最大距离,即3个单位距离。
最终编码方式如下表1所示:
表1:Encoding Scheme(编码方式)
2.3精确匹配
本发明使用全局匹配方法,定义两幅静脉特征模板图像的匹配分计算方式如下:
P、Q分别表示数据库图像和测试图像的方向特征矩阵,Pi(x,y)表示P的第i个比特上的像素点(x,y),表示Q的第i个比特上的像素点水平和垂直方向上分别平移h,v个像素后的像素点(x,y)。m和n表示水平方向和垂直方向平移的总像素数。为异或运算,M×N为方向特征矩阵大小。通过公式(6)计算出的D值取值在0和1之间,两幅图像越相似,则越接近于1,反之,则接近0。
3构建分类索引(Index for retrieval)
大型掌脉数据库中,在辨识模式下得到测试图像的ID是一个检索问题。需将测试图像与数据库中每一幅图像进行比对,得到与测试图像最相似的模板图像。很明显,这种穷举法难以满足辨识系统的实时性要求,分类或分层的指导性检索方法是一种有效提高检索效率的方法。其中探索简单有效的分类索引结构和快速检索算法是指导性检索算法中两个关键问题。本节介绍如何利用Gaussian Radon变换提取掌静脉图像方向特征信息,并用统计法分析高、中、低三种分辨率下的图像相应的方向特征矩阵,进而得到简单且有效的分类索引结构。
3.1Gaussian_iRadon(G-iR)变换构建方向特征矩阵
考虑到分类索引结构对特征分辨能力的要求,以及掌脉图像自身的特点,将掌脉图像中静脉纹理的主方向作为分类索引结构是一种可行的方法。提取静脉纹理的主方向时,判定掌静脉图像中的哪些静脉属于主要静脉以及主要静脉的大致方向是两个关键问题。但由于掌脉分布的不规则性,即便是人工判定也很难解决这些问题。参照iRadon变换提取到的方向特征矩阵,本发明通过统计方向特征矩阵的方向值分布,以此作为判定图像主方向的依据。
iRadon变换提取到的方向特征能很好的描述掌脉图像,将隶属于不同手掌的静脉图像很好的区分开来,在验证模式下的精确匹配中有很高的识别精度。但对于构建分类索引结构所需的特征信息,这种方法分辨能力过强,不适于构建分类索引。原因在于,iRadon变换提取到的方向特征对于每个个体的掌脉图像分辨能力过强,会削弱子库内掌脉图像的相关性,不利于掌脉图像的分类。同时,用于构建分类索引结构的特征信息,其对于掌脉图像的分辨能力也不能太差,否则会使得大部分掌脉图像的类别难以确定,无法根据分类索引结构减小检索范围。
因此,本发明在iRadon变换的基础上,提出一种新的特征提取方法,即Gaussian_iRadon(简称G-iR)变换。在判定中心像素点的主方向Do(x0,y0)时,利用Gaussian函数对中心点的加权规则,削弱邻域内像素点对中心像素点的贡献度,进而减弱iRadon变换提取到的方向信息的分辨能力。因此,G-iR变换能加强不同个体间掌脉图像的关联,有利于构建子库并增强同一子库内图像间的相关性;同时基于iRadon变换较佳的分辨能力,尽可能最大化不同子库中掌脉图 像的差异性。
实函数f[x,y]在有限邻域local(x,y)内的G-iR变换定义为:
其中是Lk的Gaussian加权表示,定义如下:
Lk即为Section 2.1中iRadon变换有关有限线段的定义。等式(8)给出2-D高斯函数G(x,y,σ)的定义,(x,y)表示Gaussian滤波器中的离散点,(x0,y0)是滤波器的中心点。σ是高斯滤波器的标准方差。
高斯函数能限定不同方向下滤波器的响应相同,同时高斯函数对中心点的加权规则不仅去除了过多的冗余信息,减少计算复杂度和计算量,同时能包含较多的有效信息。同时,高斯对中心点的邻域的加权,类似于高斯模糊,增加了不同个体间掌脉的相关性,有利于子库的建立,达到分类快速检索的目的。
类似地,根据iRadon变换的竞争编码方式得到由Do(x,y)组成的方向特征矩阵。
3.2基于方向特征矩阵得到主方向构建分类索引码
在Section 3.1我们介绍了如何利用G-iR变换提取掌脉图像的方向特征矩阵,本节主要介绍如何统计分析高、中、低三个分辨率下的方向特征矩阵,得到图像主方向;并以此作为分类索引,将掌脉数据库分为六类。
基于G-iR变换得到的每个像素的主方向Do(x,y),根据公式(9),统计其方向特征的分布PDφ,并求得整个图像的主方向φ。其中m,n为OM矩阵大小。
利用图像主方向φ,我们可以将数据库分成6类,即
φ=1;φ=2;φ=3;φ=4;φ=5;φ=6。
但是,手掌本身存在弹性,且静脉血管会随着温度等其他原因发生收缩或舒张,导致同一用户在采集过程中得到的手掌静脉图像并不完全相同,一些细节信息是存在偏差的;此外,掌脉图像采集过程中可能存在噪声,图像分辨率越高,噪声影响越大。上述因素都使得图像主方向特征φ不是很稳定。
本发明基于下采样的方法,得到高(图像大小为128*128)、中(图像大小为64*64)、低(图像大小为32*32)三个分辨率下的图像,分别用三个不同大小的G-iR滤波器提取图像方向特征,并用上述提取主方向的方法,得到高、中、低三个分辨率下图像的主方向[φ1,φ2,φ3],注意G-iR滤波器的邻域大小随着图像分辨率的降低成比例地减小。低分辨率的图像,能提取图像主要信息,降低噪声以及细节信息对图像的影响;高分辨率的图像,能提取图像的一些关键的细节信息;中分辨率的图像,能提取图像的一些主要信息,以及图像的一些关键性细节信息。上述3个主方向的提取,有效地结合了不同分辨率下的图像信息,保证了主方向信息提取的稳定性和有效性。
值得注意的是,由于滤波器随着图像的减小成比例地缩小,高、中、低三个分辨率下得到的3个主方向,理论上分析所包含的特征信息应该一致的。但是由于下采样存在着信息上的损失,导致三个分辨率下的特征信息略有差异。
本发明取3个主方向[φ1,φ2,φ3]的众数作为最终的主方向Φ,定义如公式(10),众数(mode)表示集合中出现最频繁的值。这样既利用了不同分辨率下的特征信息,又避免了3个分类索引带来过多的冗余信息导致存储容量的增加。式中, 主方向Φ仅为1-6中的一个整数,无需相似度准则衡量分类索引之间的相似度,减少检索出候选样本的时间。
Φ=mode(φ1,φ2,φ3);Φ=1,2,3,4,5,6 (10)
这样,根据主方向Φ,我们可以将大型数据库分成6个子库
L1(Φ=1),L2(Φ=2),L3(Φ=3),L4(Φ=4),L5(Φ=5),L6(Φ=6),如图2所示,Φ=1表示主方向为0度,且偏移角度不超过一定范围的图像,以此类推。
4指导性检索(Guided retrieval for identification)
在训练阶段中,针对高、中、低三种不同分辨率的掌脉图像,本发明采用3个不同大小的G-iR滤波器,提取掌脉图像的方向特征矩阵,统计分析3个方向特征矩阵,得到图像主方向,以此图像主方向作为分类索引,将掌脉数据库分为六个,完成了建库过程。本节(Section 4)则介绍测试阶段中具体的检索过程。首先,在Section 4.1中介绍阈值法的快速检索策略,采用关联匹配的方法保证识别精度;其次,在Section 4.2中介绍频率检索和邻近检索,指导性扩大检索范围,平衡系统的识别速度和识别精度;最后,在Section 4.3中介绍整个检索流程。
4.1基于阈值法的快速检索策略
检索过程中常用的检索策略,一般有如下两种:
(3)基于全局最大值的检索策略:全局最大值方法需一对一精确比对测试样本与子库中所有候选样本,得到其相应的匹配分数;按照从大到小的顺序将匹配分数排序,前N幅候选样本依次为与测试样本最相似的模板图像;从这N幅模 板中再次筛选,最后得到测试样本的身份ID。在文献[8-10]中的掌纹分类检索方法中,使用的检索策略类似于全局最大值的方法。
(4)基于阈值法的检索策略:阈值法需预先设定阈值,每次一对一精确比对得到相应的匹配分数后,通过阈值判定候选样本是否与测试样本相似,直至检索完整个子库中所有候选样本,最后得到测试样本的身份ID。
两者区别在于,前者通过子库内所有匹配分的排序判定与测试样本相似的候选样本;后者通过匹配分与阈值的比较判定相似的候选样本。后者的优势在于,大大减少了精确比对的次数,加快了检索速度。在大型手掌静脉数据库的辨识过程中,这种优势尤为明显。因此,本发明采用基于阈值法的检索策略。
凭借单一阈值判定候选图像是否与测试样本来自同一手掌,可能会造成匹配错误。本发明采用关联匹配方法减少匹配错误,提高辨识系统中的识别精度。假设每个用户在注册阶段,存放2个或2个以上的注册样本。在实际应用中,这个假设条件是符合逻辑的。假设在注册阶段,用户注册S幅样本,关联匹配的优化方法具体如下:
训练阶段:将每个用户的S个注册样本构建关联关系。根据训练样本正确匹配分和错误匹配分的分布情况,预先设定两个阈值T1,T2。而后通过不断的实验,优化2个阈值参数。
测试阶段:输入一幅测试样本,根据其主方向Φ判断其所在子库,并得到子库中的候选样本。利用Section 2的精确匹配方法计算测试样本与候选样本的匹配分,当测试样本与某一候选样本的匹配分大于阈值T1时,将候选样本关联的S-1幅注册样本与测试样本相匹配,若S幅候选样本与测试样本的平均匹配分大于阈值T2,则判定候选样本与测试样本来自同一手掌,并输出候选样本的身份ID,即为测试样本的ID。
4.2频率检索和邻近检索
如果在以测试样本主方向Φ为索引指导的子库Li中,未能检索到与之相似的候选样本,我们采用下述的频率检索和邻近检索两种指导方法,适当地增加检索子库。在保证系统识别速度的同时,尽可能地增加识别精度。
频率检索:利用高、中、低分辨率下得到的主方向φi≠Φ,i=1,2,3,作为分类索引,指导性地增加检索子库。考虑到检索速度,扩展检索的子库不应超过2个。当测试图像有多个主方向时,频率检索有较好的指导性。
邻近检索:根据子数据库间的相邻性,扩展检索Li相邻的子数据库。由于分类的依据是图像主方向,因此,在判断子库的相邻性时,是依据主方向的相近性来判断,如0度与30度和150度相邻近,因此L1的相邻子库为L2和L6,依此类推即Li的相邻子库为L(i+1)mod6和L(i-1)mod6。此时同样需考虑检索速度,包括频率检索中检索的子库在内,扩展检索的子库仍不超过2个。邻近检索能有效解决测试图像的主方向位于子库交界处,难以判定其所属子库的情况。如某个人的掌脉图像主方向为π/12,那么它属于L1的可能性有50%,属于L2的可能性也有50%,则其所属子库将难以确定,检索单一子库难以保证识别精度,邻近检索能有效解决这一问题。
4.2指导性快速检索
根据上述检索策略和指导方法,我们介绍整个快速检索和识别过程,如下图3所示。
Step 1.输入一幅测试样本。
Step 2.通过G-iR变换计算测试样本的方向特征矩阵,得到图像的主方向Φ以及图像主方向集合[φ1,φ2,φ3]。
Step 3.假定测试样本的主方向Φ=k,则候选样本为子库Lk中的模板样本。
Step 4.在子库Lk中,利用Section 2中的精确匹配方法,得到匹配分score,若score≤T1,继续Step 7;否则,记录与候选样本关联的其他S-1幅注册样本。
Step 5.关联匹配,将测试样本与S-1幅注册样本一一匹配,得到S-1个匹配分,加上与候选样本的匹配分,一共有S个匹配分,即matching_score=[score1,score2,...scoreI];若mean(matching_score)≥T2,其中mean表示均值操作,则此时候选样本的ID即为测试样本的ID,跳转到Step 9,检索终止。
Step 6.继续执行Step 4,直到子库Lk中候选图像全部检索完毕。
Step 7.频率检索,根据主方向集合中出现的其他主方向值,扩大检索范围,检索这些主方向值对应的子库。
Step 8.相邻检索,在频率检索增加的子库不超过2个时,根据子库的相邻性,扩大搜索范围,继续检索与子库Lk相邻的L(k-1)mod6和L(k+1)mod6子库。重复Step 4~6。
Step 9.依据step7和step8扩展的2个子库中,若所有候选图像检索完毕,仍然没有搜索到与测试样本相匹配的图像,则认为是非法用户。
Step 10.输出检索结果。
5实验结果
5.1数据库
本发明采用香港理工大学生物特征识别研究中心(PolyU_BRC)掌脉数据库[19]中的ROI图像进行实验,原始图像为128×128大小的256色灰度图。此数据库图像是对250个男性和女性分两次采集得到的,两次采集的平均间隔时间为9天,一个手掌每次采集6幅掌脉图像,因此数据库中共6000幅掌脉图像。采自同一时期的图像,由光照、形变等影响造成的图像畸变远远小于采自不同时期的图像。为排除这类干扰,本发明将第一个阶段采集到的图像作为数据库模板图像,剩下的图像作为测试样本,以得到更可靠的实验结果。
实验结果的运行环境为Matlab R2011a,CPU为i3-3240(3.4GHz),内存为4GB。
5.2精确匹配算法的评估实验
为了验证本发明提出方法的性能,我们在PolyU数据库上进行了对比和评估试验。在生物识别系统中,我们期望算法在训练/注册样本数较小的条件下,仍能得到较佳的实验结果。因此表2的对比实验在训练样本数为1的条件下进行。从表2的实验数据可以看出,iRadon变换加上BRGC的编码方式,这种组合的实验结果最佳。因此本发明采用这种组合在验证和辨识过程中判定两幅静脉图像是否属于同一个人。同时,4种组合方式的实验结果在EER和rank-1识别率上都优于文献[5]中不同方法的对比结果。
表2:数据库训练样本数为1的条件下不同方法的识别率和EER
表3:在不同数据库模板数下iRadon变换和BRGC的Rank-1识别率和EER
随着数据库训练样本数的增加,表3的实验结果呈现识别率提高、EER下降的趋势。从一个训练样本增加到两个训练样本时,识别率有显著提高,原因在于采集每个用户注册样本时可能存在类内差异,因此对每个用户采集多个注册样本是有必要的;但随着训练样本数增加,识别率提高幅度明显减小,尤其是当训练样本数大于2的时候,提高幅度基本为0。其中一个原因可能是由于1个注册样本时的识别率已经很高了,导致提升空间减少。另外一个原因是数据库训练样本所包含的冗余信息也随着数据库训练样本数的增加而增加,会造成内存和速度的负担。因此数据库训练样本数不易太多,一般取3个为宜。
5.3指导性快速检索方法的评估实验
5.3.1掌脉图像在子库中的分布情况
使用G-iR变换,提取图像主方向Φ作为分类索引,掌脉图像在6个子库的分布情况如表4所示。类似地,使用G-iR变换得到高、中、低三个分辨率下图像主方向φ1,φ2和φ3,将每种分辨率下的图像主方向单独作为分类索引后,掌脉图像在6个子库中的分布情况如表5-7所示。表4更清晰的对比了掌脉图像在Φ,φ1,φ2和φ34种不同的主方向作为分类索引下的分布情况。由表4可以看出, 使用主方向Φ作为分类索引的掌脉图像分布都更接近均匀分布。如数据库大小为6000个样本的条件下,分布为19.65%,19.14%,17.35%,12.60%,16.06%和15.20%。这样的均匀分布将有利于减少辨识过程中搜索掌脉图像的数量进而提高辨识速度,理想情况下,均匀分布可以将搜索范围减少5/6。同时在图4中对上述表4-表7中的数据进行了柱状图排布。
表4:The distribution of palm-vein images in 6sub-classes by principal directionΦwith varying DB size(掌脉图像在Φ主方向作为分类索引下的分布情况)
表5:The distribution of palm-vein images in 6sub-classes by principal directionφ1with varying DB size(掌脉图像在φ1主方向作为分类索引下的分布情况)
表6:The distribution of palm-vein images in 6sub-classes by principal directionφ2with varying DB size(掌脉图像在φ2主方向作为分类索引下的分布情况)
表7:The distribution of palm-vein images in 6sub-classes by principal directionφ3with varying DB size(掌脉图像在φ3主方向作为分类索引下的分布情况)
5.3.2指导性检索算法与传统方法的对比实验
以PolyU第一阶段采集到的3000幅图像作为数据库中的训练样本,第二阶段采集到的3000幅图像作为测试样本,计算本发明快速检索算法的检索效率和检索正确率,验证算法性能。检索效率用检索范围来衡量,用每个测试样本比对的训练样本数量与数据库中所有训练样本的数量之比来表示。检索正确率表示通过算法能正确检索出ID的测试样本数与总测试样本数的比值。
衡量检索效率时,需要计算每个测试样本比对的训练样本数量。传统方法下,这个值与数据库大小有关,假设数据库中有Z个训练样本,则比对Z次,检索效率为100%;而指导性检索算法中,利用主方向Φ的指导性信息将数据库分成了6个子库,比对次数必然小于Z。阈值法的检索策略导致每个测试样本的比对次数都不相同,因此,本发明采用平均比对次数来衡量指导性检索算法的检索效率,具体如下:假设测试样本数为U,所有测试样本比对的总次数,设为R, 通过U和R可计算出平均一幅测试样本的比对次数,为R/U。根据平均比对次数,计算出本发明快速检索算法的检索效率为:例如:表8的数据中,在600个测试样本在数据库训练样本为300个条件下,使用G-iR变换的快速检索方法的检索效率为
在T1为0.24,T2为0.27的条件下,传统方法和指导性快速检索方法在不同数据库大小下精确匹配次数的对比实验结果如表8所示。从表8可以看出,不论在检索效率还是检索正确率上,使用G-iR变换提取主方向Φ的指导性检索方法都有着较明显的优势。如600个测试样本在数据库训练样本为300个条件下,传统方法需要比对180000次,而G-iR变换方法下的快速辨识仅需比对26582次,检索效率为14.77%,且检索正确率达到了95.33%。其他数据库条件下,G-iR变换的检索效率依次为14.83%,14.41%,14.27%,14.29%(平均为14.51%);而检索正确率分别为95.92%,96.61%,96.96%,96.67%(平均为96.30%)。值得注意的是,在快速检索和精确匹配的特征提取方法上,使用两种不同的特征提取方法是不可避免的。因为,前者的特征是为了将一些个体的掌脉聚在一起,形成某个子库,使得各子库之间样本差异最大化,且各子库内各样本之间差异最小化;后者的特征是将所有个体的掌脉特征都差异最大化,只保证同一个体的掌脉特征差异最小化。
表8:不同PolyU数据库大小下,传统方法与指导性检索方法精确匹配次数的对比实验
训练样本数Z | 300 | 600 | 900 | 1200 | 1500 |
测试样本数U | 600 | 1200 | 1800 | 2400 | 3000 |
传统方法 | 180000 | 720000 | 1620000 | 2880000 | 4500000 |
本发明指导性检索方法 | 26582 | 106800 | 233570 | 411156 | 643377 |
检索效率(%) | 14.77 | 14.83 | 14.41 | 14.27 | 14.29 |
检索正确率(%) | 95.33 | 95.92 | 96.61 | 96.96 | 96.67 |
以Φ,φ1,φ2和φ34种不同的主方向作为分类索引,使用指导性检索方法,分别进行检索效率和检索正确率对比试验,结果如表9所示。从表9的实验结果可以看出,不论在检索效率上,还是在检索正确率上,取主方向Φ构建分类索引的方法都有明显的优势。从另一方面也说明了,结合3个分辨率下的方向特征信息,得到的分类索引更稳定,增强了算法对噪声和形变的鲁棒性。
表9:不同PolyU数据库大小下,使用4种主方向作为分类索引的指导性检索方法的对比试验
特征提取和精确匹配的时间如表10所示,在掌脉验证过程中能满足实时性要求。但在辨识过程中,执行时间会随着数据库中训练样本数的增加而快速增加,难以满足系统实时性要求。我们可以通过下面两个式子,计算在Z幅训练 样本的数据库中,U幅测试样本在传统方法和本发明快速辨识方法下,一幅测试样本所需要的特征提取和总的检索匹配时间。
传统方法:
指导性检索方法:
根据上面公式(13)(14)和表10提供的数据,我们可以计算得到大型数据库中,一幅测试样本的特征提取和总的检索匹配时间。根据表8提供的检索效率,我们可以计算出快速辨识方法使得执行时间平均缩短了近6.89倍(100%/14.51%)。表10表示,不同数据库大小下,仅计算特征提取和特征匹配的执行时间,传统方法和本发明快速检索方法的执行时间的对比。从表10的实验结果可以看出,如果数据库有106个样本,传统方法需要1800.04s,而本发明的快速辨识方法仅需261.30s,可以明显看出本发明方法在大型数据库的辨识过程中的优势。同时在图5中对表10中的数据进行了折状图排布。
表10:特征提取和匹配的执行时间
6结论
针对大型掌脉数据库辨识过程中的识别速度问题,本发明提出了一种指导性检索方法用于手掌静脉的快速识别。首先采用G-iR变换提取高、中、低三个分辨率下图像的方向特征矩阵,然后统计分析得到图像的主方向Φ作为分类索引,将大型掌脉数据库分成6类子库。识别时,采用基于阈值法的检索策略,配合关联匹配、频率检索和邻近检索等指导方法,保证系统在提高检索速度的同时有着较高的识别正确率。实验结果表明,与传统方法相比,本发明指导性检索方法在检索效率和检索时间上有着较明显的优势,在大型掌脉数据库的检索和识别中,大大缩短了检索时间。
Claims (2)
1.一种基于方向特征的手掌静脉指导性快速检索方法,它包括分类索引的构建和指导性快速检索,所述分类索引的构建是针对高、中、低三种不同分辨率的掌脉图像,分别采用3个不同的Gaussian-Radon滤波器,提取掌脉图像的方向特征矩阵,统计分析3个方向特征矩阵,得到图像主方向,以此图像主方向作为分类索引,将掌脉数据库分为六类子库;所述指导性快速检索是提取测试图像的主方向,得到其分类索引;在分类索引指导下,利用阈值法找到子库中与测试样本相似的候选样本,进行关联匹配确保识别精度;同时采用频率检索和邻近检索指导方法,从而在提高检索速度的同时保证较高的识别精度。
2.根据权利要去1所述的基于方向特征的手掌静脉指导性快速检索方法,包含训练阶段和测试阶段,其特征是在训练阶段,通过Improved Radon变换、Gray码,得到方向特征模板用于精确匹配;同时通过G-iR变换提取方向相关的指导性信息,建立分类索引;最后将掌脉图像的方向特征模板和分类索引同时存储到数据库中;在测试阶段,首先计算掌脉测试样本的分类索引和方向特征模板,根据分类索引从数据库中选取与测试样本相似的候选样本,利用方向特征模板确定测试样本与候选样本的精确匹配,最终输出测试样本的ID。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410633092.7A CN104615634A (zh) | 2014-11-10 | 2014-11-10 | 基于方向特征的手掌静脉指导性快速检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410633092.7A CN104615634A (zh) | 2014-11-10 | 2014-11-10 | 基于方向特征的手掌静脉指导性快速检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104615634A true CN104615634A (zh) | 2015-05-13 |
Family
ID=53150078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410633092.7A Pending CN104615634A (zh) | 2014-11-10 | 2014-11-10 | 基于方向特征的手掌静脉指导性快速检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104615634A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023021A (zh) * | 2015-07-09 | 2015-11-04 | 厦门理工学院 | 一种基于主方向模板的特征匹配方法 |
CN106657104A (zh) * | 2016-12-30 | 2017-05-10 | 杭州迪普科技股份有限公司 | 一种防护策略的匹配方法及装置 |
CN110169759A (zh) * | 2019-05-28 | 2019-08-27 | Oppo广东移动通信有限公司 | 血温检测方法及相关产品 |
CN110929551A (zh) * | 2018-09-20 | 2020-03-27 | 北京小米移动软件有限公司 | 指纹识别方法及装置、电子设备、存储介质 |
CN110929550A (zh) * | 2018-09-20 | 2020-03-27 | 北京小米移动软件有限公司 | 指纹识别方法及装置、电子设备、存储介质 |
CN112288660A (zh) * | 2020-12-25 | 2021-01-29 | 四川圣点世纪科技有限公司 | 基于nmrt方向特征约束的静脉图像修复方法及装置 |
CN112381042A (zh) * | 2020-11-27 | 2021-02-19 | 程自昂 | 从掌静脉图像中提取掌静脉特征的方法、掌静脉识别方法 |
CN112711748A (zh) * | 2021-01-15 | 2021-04-27 | 电子科技大学中山学院 | 一种指静脉身份认证方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794439A (zh) * | 2010-03-04 | 2010-08-04 | 哈尔滨工程大学 | 基于边缘分类信息的图像拼接方法 |
CN103617217A (zh) * | 2013-11-20 | 2014-03-05 | 中国科学院信息工程研究所 | 一种基于层次索引的图像检索方法及系统 |
CN103793692A (zh) * | 2014-01-29 | 2014-05-14 | 五邑大学 | 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统 |
-
2014
- 2014-11-10 CN CN201410633092.7A patent/CN104615634A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794439A (zh) * | 2010-03-04 | 2010-08-04 | 哈尔滨工程大学 | 基于边缘分类信息的图像拼接方法 |
CN103617217A (zh) * | 2013-11-20 | 2014-03-05 | 中国科学院信息工程研究所 | 一种基于层次索引的图像检索方法及系统 |
CN103793692A (zh) * | 2014-01-29 | 2014-05-14 | 五邑大学 | 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统 |
Non-Patent Citations (2)
Title |
---|
匿名: "Palm-vein classification based on principal orientation features", 《HTTPS://WWW.JOVE.COM/VISUALIZE/ABSTRACT/25383715/PALM-VEIN-CLASSIFICATION-BASED-ON-PRINCIPAL-ORIENTATION-FEATURES》 * |
周宇佳 等: ""基于方向特征的手掌静脉识别"", 《中国图象图形学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023021A (zh) * | 2015-07-09 | 2015-11-04 | 厦门理工学院 | 一种基于主方向模板的特征匹配方法 |
CN106657104A (zh) * | 2016-12-30 | 2017-05-10 | 杭州迪普科技股份有限公司 | 一种防护策略的匹配方法及装置 |
CN106657104B (zh) * | 2016-12-30 | 2019-09-06 | 杭州迪普科技股份有限公司 | 一种防护策略的匹配方法及装置 |
CN110929551A (zh) * | 2018-09-20 | 2020-03-27 | 北京小米移动软件有限公司 | 指纹识别方法及装置、电子设备、存储介质 |
CN110929550A (zh) * | 2018-09-20 | 2020-03-27 | 北京小米移动软件有限公司 | 指纹识别方法及装置、电子设备、存储介质 |
CN110929550B (zh) * | 2018-09-20 | 2023-11-14 | 北京小米移动软件有限公司 | 指纹识别方法及装置、电子设备、存储介质 |
CN110169759A (zh) * | 2019-05-28 | 2019-08-27 | Oppo广东移动通信有限公司 | 血温检测方法及相关产品 |
CN112381042A (zh) * | 2020-11-27 | 2021-02-19 | 程自昂 | 从掌静脉图像中提取掌静脉特征的方法、掌静脉识别方法 |
CN112288660A (zh) * | 2020-12-25 | 2021-01-29 | 四川圣点世纪科技有限公司 | 基于nmrt方向特征约束的静脉图像修复方法及装置 |
CN112288660B (zh) * | 2020-12-25 | 2021-04-13 | 四川圣点世纪科技有限公司 | 基于nmrt方向特征约束的静脉图像修复方法及装置 |
CN112711748A (zh) * | 2021-01-15 | 2021-04-27 | 电子科技大学中山学院 | 一种指静脉身份认证方法、装置、电子设备及存储介质 |
CN112711748B (zh) * | 2021-01-15 | 2023-12-05 | 电子科技大学中山学院 | 一种指静脉身份认证方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615634A (zh) | 基于方向特征的手掌静脉指导性快速检索方法 | |
Feng | Combining minutiae descriptors for fingerprint matching | |
CN107392082B (zh) | 一种基于深度学习的小面积指纹比对方法 | |
Cha et al. | Enhancing binary feature vector similarity measures | |
Liu et al. | Finger vein recognition with superpixel-based features | |
CN102955855A (zh) | 基于量子算法的掌纹数据库搜索方法 | |
Hu et al. | FV-Net: learning a finger-vein feature representation based on a CNN | |
Gupta et al. | Fingerprint indexing schemes–a survey | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN104615635B (zh) | 基于方向特征的手掌静脉分类索引构建方法 | |
CN104504361B (zh) | 基于方向特征的手掌静脉主方向特征提取方法 | |
CN113076927A (zh) | 基于多源域迁移的指静脉识别方法及系统 | |
CN103714148A (zh) | 基于稀疏编码分类的sar图像检索方法 | |
CN110276746A (zh) | 一种鲁棒性遥感图像变化检测方法 | |
CN116072302A (zh) | 基于有偏随机森林模型的医疗不平衡数据分类方法 | |
Raghavendra et al. | An efficient finger vein indexing scheme based on unsupervised clustering | |
CN104268502A (zh) | 人体静脉图像特征提取后的认识方法 | |
CN106951873A (zh) | 一种遥感图像目标识别方法 | |
Rajesh et al. | Automatic data acquisition and spot disease identification system in plants pathology domain: agricultural intelligence system in plant pathology domain | |
CN109858353A (zh) | 基于迹变换与lbp的人脸图像特征提取方法 | |
CN109241886B (zh) | 基于olbp与pca的人脸识别方法和系统 | |
Yusuf et al. | Recognition of handwritten Urdu digits using shape context | |
Song et al. | Learning discriminative and invariant representation for fingerprint retrieval. | |
Minarno et al. | Leaf based plant species classification using deep convolutional neural network | |
Gargoum et al. | Utilizing ear biometrics for individual identifications using hog and lbp |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150513 |
|
RJ01 | Rejection of invention patent application after publication |