CN107688787A - 基于Gabor小波的近端指间关节纹路识别方法 - Google Patents

基于Gabor小波的近端指间关节纹路识别方法 Download PDF

Info

Publication number
CN107688787A
CN107688787A CN201710774082.9A CN201710774082A CN107688787A CN 107688787 A CN107688787 A CN 107688787A CN 201710774082 A CN201710774082 A CN 201710774082A CN 107688787 A CN107688787 A CN 107688787A
Authority
CN
China
Prior art keywords
mrow
finger
gabor wavelet
gabor
covariance matrix
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.)
Granted
Application number
CN201710774082.9A
Other languages
English (en)
Other versions
CN107688787B (zh
Inventor
李朝荣
杨睿
黄东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yibin University
Original Assignee
Yibin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yibin University filed Critical Yibin University
Priority to CN201710774082.9A priority Critical patent/CN107688787B/zh
Publication of CN107688787A publication Critical patent/CN107688787A/zh
Application granted granted Critical
Publication of CN107688787B publication Critical patent/CN107688787B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G06V40/1376—Matching features related to ridge properties or fingerprint texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明利用了Gabor小波分解来提取四根手指(食指、中指、无名指和小指)指间关节的纹路特征。特征提取将最终得出Gabor小波子带间的协方差矩阵。协方差矩阵能够刻画Gabor小波子带之间的相关结构，相比于以独立方式只计算子带方差有更好的区分性；识别部分是比对当前采集身份Gabor子带协方差矩阵和存储器中已经注册的身份的Gabor子带协方差矩阵之间的比较。为了提高性能，先对Gabor小波的子带进行CDF(累计分布函数)变换，再计算变换后的结果。本发明主要特点：(1)识别方法安全性高，四根手指纹路特征保证了系统的安全性；(2)对噪声有很好的抵抗作用，Gabor小波变换和CDF投影能有效抵抗图像噪声干扰。

Description

基于Gabor小波的近端指间关节纹路识别方法
技术领域
本发明涉及一种指间关节纹路识别方法，尤其涉及用Gabor小波变换识别多个手指的近端指间关节纹路的方法，属于模式识别领域。
背景技术
基于人体生物特征的身份认证应用十分广泛。手指指纹、人脸、虹膜是目前比较市场上使用广泛的生物特征。使用上述特征处理技术复杂，而且容易受到环境与噪声干扰，因而在一定程度上影响了其使用价值。比如指纹特征对灰尘、潮湿等污染因素比较明感，且手指指纹容易被非法获取(比如拿东西时留在物体上指纹容易被非法采集和模拟)；人脸易受光照、姿势、装饰等因素影响；而虹膜使的使用不如指纹和人脸方便。由于使用方便，手指上的生物特征备受青睐。由于手指间关节纹路特征仍具有惟一特性，而且由手指间关节纹路的特征相对简单清晰，近年来研究人员提的关注。手指节的正面纹路(手心面)和背面纹路(手背面)均可以用于人的身份识别。相比于指纹特征，手指节背面纹路特征的优点是不容易被非法获取，然而其缺点是在识别的时候，手指节的纹路会随着手指伸而变化，给自动识别带来了困难。
目前基于手指指间关节纹路识别的装置和方法主要针对单手指情况，但单个手指纹路识别精度相对不高，且稳定性也不如多手指纹路特征。对基于内容的特征提取方法，LBP、Gabor小波、深度网络都是目前使用较多的技术。深度网络需要较高的硬件环境，实现成本较高，目前还不适合嵌入式的门禁系统。对于噪声环境下LBP算法稳定性较差。
发明内容
根据现有基于生物特征识别方法的不足，设计一种多个手指的近端指间关节纹路图像的识别方法，提供安全可靠的认证方式。本发明同时四根手指的近端指间关节背面的纹路用于身份认证。四根手指分别是：食指、中指、无名指和小指。本发明利用了Gabor小波分解来提取手指纹路特征，同样也适合手指远端指间关节纹路的识别。Gabor小波由下面表达式确定：
hm(x，y)＝λ-mhC(x′，y′)
其中是Gabor滤波器。x′＝λ- mx，y′＝λ-my；λ-m，(m＝0，…，S-1)是尺度参数；m是尺度参数，J是分解的尺度数量。W是中心频率，σ是方差。
本发明的识别方法具有两方面优点：(1)识别方法安全性高，四根手指纹路特征保证了系统的安全性；(2)对噪声有很好的抵抗作用，Gabor小波变换和CDF投影能有效抵抗图像噪声干扰。
本发明本的方案分为特征提取与识别两部分。特征提取部分将最终得出手指图像的基于Gabor小波子带的协方差矩阵。协方差矩阵能够刻画Gabor小波子带之间的相关结构，相比于以独立方式只计算子带方差有更好的区分性；识别部分是比对当前采集身份Gabor子带协方差矩阵和存储器中已经注册的身份的Gabor子带协方差矩阵之间的比较。为了提高性能，在对Gabor小波的子带进行CDF(累计分布函数)变换，再计算变换后的结果。这里CDF选取Weibull分布的累积分布函数。Weibull累积分布函数如下：
其中，α和β分别是形状参数和尺度参数。根据子带系数，用Weibull的密度函数和最大似然估计来计算α和β的值。Weibull的密度函数表示为：
通过将Gabor所有的子带用Weibull分布的CDF投影后，再计算投影后的系数之间的协方差矩阵，更能提高算法的鲁棒性。
当进行识别的时候需要比较两个协方差矩阵之间的相似程度，以鉴别身份的合法性。两个协方差矩阵R1和R2 之间的相似度用矩阵的黎曼距离来表示：
其中表示R1和R2的泛化特征值。
附图说明
图1为本发明的使用的手指近端指间关节背面示意图
图2为本发明的提取一根手指近端指间关节特征的流程图
具体实施方式
下面具体说明本发明的具体实施方案：
发明本的内容分为特征提取与识别认证两部分。识别的目标是手指的近端指间关节背面的纹路，见图1中矩形框中的区域，侧面示意图见图1中的右图，截取区域大约2cm。特征提取部分将最终得出手指图像的特征；识别部分是比对当前采集身份的特征与已注册的手指间关节特征向量之间的比较。本发明方法实现的具体步骤如下所示：
步骤1、分割手指间关节处的兴趣区域(ROI)区域：
步骤1.1、对手指图像进行阈值分割，获得四根手指的第一关节处的ROI。
步骤1.2、将四个ROI调整到同样大小，每个ROI的像素调整为w×w。本发明设置w＝60。
步骤2、对第i个ROI(i＝1,2,3,4)进行5尺度8方向的Gabor小波分集。这样得到40个子带，记为Sk，其中k＝1,…,40。见图2。
步骤3、拉直子带Sk为一维向量，用表示。见图2。
步骤4、对每一个子带利用最大似然方法和Weibull密度函数来估计Weibull分布的参数，记为αk和βk。见图2。
步骤5、根据步骤3计算的αk和βk，用Weibull分布的CDF(累积分布函数)投影即将里面的像素逐个代入Weibull分布的CDF进行计算，投影后的值是一向量，用Fk表示。Fk的计算如下所示：
步骤6、完成所有Fk后，将其组成矩阵F＝[F1,F2,…,F40]。F为40列n行的矩阵，其中n为子带的像素个数。根据F计算其协方差矩阵，表示如下。
其中COV(Fi,Fj)＝E[FiFj]-E[Fi]E[Fj]，表示计算向量Fi和Fj之间的协方差。
步骤7、身份识别。假定，当前采集的四根手指的协方差矩阵为Ri,i＝1,…,4，存储器中某合法身份人的手指协方差矩阵为Ri′,i＝1,…,4。计算四根手指近端指间关节的协方差矩阵之间的黎曼距离之和来判别当前身份是否合法，即：
其中表示Ri和R′之间黎曼距离。表示R1和R2的泛化特征值。

Claims (3)

1.基于Gabor小波的近端指间关节纹路识别方法，其特征在于：
步骤1、分割手指间关节处的兴趣区域(ROI)区域：
步骤1.1、对手指图像进行阈值分割，获得四根手指的第一关节处的ROI。
步骤1.2、将四个ROI调整到同样大小，每个ROI的像素调整为w×w。本发明设置w＝60。
步骤2、对第i个ROI(i＝1,2,3,4)进行5尺度8方向的Gabor小波分集。这样得到40个子带，记为Sk，其中k＝1,…,40。
步骤3、拉直子带Sk为一维向量，用表示。
步骤4、对每一个子带利用最大似然方法和Weibull密度函数来估计Weibull分布的参数，记为αk和βk。
步骤5、根据步骤3计算的αk和βk，用Weibull分布的CDF(累积分布函数)投影即将里面的像素逐个代入Weibull分布的CDF进行计算，投影后的值是一向量，用Fk表示。Fk的计算如下所示：
<mrow> <msub> <mi>F</mi> <mi>k</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>/</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <mi>&amp;alpha;</mi> </msup> </mrow> </msup> <mo>,</mo> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>k</mi> </msub> </mrow>
步骤6、完成所有Fk后，将其组成矩阵F＝[F1,F2,…,F40]。F为40列n行的矩阵，其中n为子带的像素个数。根据F计算其协方差矩阵，表示如下。
其中COV(Fi,Fj)＝E[Fi Fj]-E[Fi]E[Fj]，表示计算向量Fi和Fj之间的协方差。
步骤7、身份识别。假定，当前采集的四根手指的协方差矩阵为Ri,i＝1,…,4，存储器中某合法身份人的手指协方差矩阵为R′i,i＝1,…,4。计算四根手指近端指间关节的协方差矩阵之间的黎曼距离之和来判别当前身份是否合法，即：
<mrow> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mi>R</mi> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>,</mo> <msubsup> <mi>R</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> </mrow>
其中表示Ri和R′之间黎曼距离。表示R1和R2的泛化特征值。
2.基于Gabor小波的近端指间关节纹路识别方法，其特征在于：用Gabor小波同时提取四根手指近端指间关节图像的协方差矩阵。这4个基于Gabor小波变换的协方差矩阵表示了人的身份特征。
3.基于Gabor小波的近端指间关节纹路识别方法，其特征在于：用Weibull分布的CDF(累积分布函数)投影Gabor小波的子带为一维向量后，再计算投影向量间的协方差矩阵。
CN201710774082.9A 2017-09-01 2017-09-01 基于Gabor小波的近端指间关节纹路识别方法 Expired - Fee Related CN107688787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710774082.9A CN107688787B (zh) 2017-09-01 2017-09-01 基于Gabor小波的近端指间关节纹路识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710774082.9A CN107688787B (zh) 2017-09-01 2017-09-01 基于Gabor小波的近端指间关节纹路识别方法

Publications (2)

Publication Number Publication Date
CN107688787A true CN107688787A (zh) 2018-02-13
CN107688787B CN107688787B (zh) 2020-09-29

Family

ID=61155062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710774082.9A Expired - Fee Related CN107688787B (zh) 2017-09-01 2017-09-01 基于Gabor小波的近端指间关节纹路识别方法

Country Status (1)

Country Link
CN (1) CN107688787B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728232A (zh) * 2019-10-10 2020-01-24 清华大学深圳国际研究生院 一种手部感兴趣区域的获取方法及手纹识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539995A (zh) * 2009-04-24 2009-09-23 清华大学深圳研究生院 基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法
CN102332084A (zh) * 2010-07-23 2012-01-25 中国农业大学 基于掌纹和人脸特征提取的身份识别方法
CN106302529A (zh) * 2016-09-29 2017-01-04 宇龙计算机通信科技(深圳)有限公司 验证方法、验证装置、终端和服务器
CN106529433A (zh) * 2016-10-25 2017-03-22 天津大学 基于声音信号的队列步伐整齐度评价方法
CN106570183A (zh) * 2016-11-14 2017-04-19 宜宾学院 一种彩色图像检索和分类方法
CN106650678A (zh) * 2016-12-29 2017-05-10 宜宾学院 Gabor小波子带相关结构人脸识别方法
CN106846317A (zh) * 2017-02-27 2017-06-13 北京连心医疗科技有限公司 一种基于特征提取和相似匹配的医学影像检索方法
US20170208084A1 (en) * 2016-01-18 2017-07-20 Secureworks Holding Corporation System and Method for Attribution of Actors to Indicators of Threats to a Computer System and Prediction of Future Threat Actions

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539995A (zh) * 2009-04-24 2009-09-23 清华大学深圳研究生院 基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法
CN102332084A (zh) * 2010-07-23 2012-01-25 中国农业大学 基于掌纹和人脸特征提取的身份识别方法
US20170208084A1 (en) * 2016-01-18 2017-07-20 Secureworks Holding Corporation System and Method for Attribution of Actors to Indicators of Threats to a Computer System and Prediction of Future Threat Actions
CN106302529A (zh) * 2016-09-29 2017-01-04 宇龙计算机通信科技(深圳)有限公司 验证方法、验证装置、终端和服务器
CN106529433A (zh) * 2016-10-25 2017-03-22 天津大学 基于声音信号的队列步伐整齐度评价方法
CN106570183A (zh) * 2016-11-14 2017-04-19 宜宾学院 一种彩色图像检索和分类方法
CN106650678A (zh) * 2016-12-29 2017-05-10 宜宾学院 Gabor小波子带相关结构人脸识别方法
CN106846317A (zh) * 2017-02-27 2017-06-13 北京连心医疗科技有限公司 一种基于特征提取和相似匹配的医学影像检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAZDANPANAH A P 等: "Ear Recognition Using Bi-Orthogonal and Gabor Wavelet-Based Region Covariance Matrices", 《APPLIED ARTIFICIAL INTELLIGENCE》 *
王长宇 等: "一种新的生物特征识别模式—手指背关节皮纹识别", 《自动化学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728232A (zh) * 2019-10-10 2020-01-24 清华大学深圳国际研究生院 一种手部感兴趣区域的获取方法及手纹识别方法

Also Published As

Publication number Publication date
CN107688787B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Gupta et al. Fingerprint based gender classification using discrete wavelet transform & artificial neural network
WO2013087028A1 (zh) 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法
US20190014999A1 (en) 3d mask face anti-spoofing with remote photoplethysmography
Chen et al. A novel personal biometric authentication technique using human iris based on fractal dimension features
Ahamed et al. Low complexity iris recognition using curvelet transform
Ramesha et al. Face recognition system using discrete wavelet transform and fast PCA
Tariq et al. Personal identification using computerized human ear recognition system
CN107862298B (zh) 一种基于红外摄像装置下眨眼的活体检测方法
CN107516083B (zh) 一种面向识别的远距离人脸图像增强方法
Khan et al. A new method to extract dorsal hand vein pattern using quadratic inference function
Khan et al. Representation of hand dorsal vein features using a low dimensional representation integrating cholesky decomposition
CN107688787A (zh) 基于Gabor小波的近端指间关节纹路识别方法
CN107578009B (zh) 多手指远端指间关节纹路的识别方法
Al-Abaji et al. The using of PCA, wavelet and GLCM in face recognition system, a comparative study
Wen et al. Research on enhancing human finger vein pattern characteristics
Huang et al. Gait recognition using linear discriminant analysis with artificial walking conditions
CN103914693A (zh) 远红外人脸识别方法
CN112613430B (zh) 一种基于深度迁移学习的步态识别方法
Rahati et al. Gait recognition using wavelet transform
Khan et al. Feature Extraction of Dorsal Hand Vein Pattern using a fast modified PCA algorithm based on Cholesky decomposition and Lanczos technique
Shekhar et al. Robust approach for palm (Roi) extraction in palmprint recognition system
Zhang et al. Weighted multimodal biometric recognition algorithm based on histogram of contourlet oriented gradient feature description
Rahulkar et al. Fast discrete curvelet transform based anisotropic feature extraction for iris recognition
Patil et al. A comparative study of feature extraction approaches for an efficient iris recognition system
Kanchana et al. Robust approach for palm (Roi) extraction in palmprint recognition system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20200929

Termination date: 20210901

CF01 Termination of patent right due to non-payment of annual fee