CN108010015A - 一种指静脉影像质量评价方法及其系统 - Google Patents
一种指静脉影像质量评价方法及其系统 Download PDFInfo
- Publication number
- CN108010015A CN108010015A CN201711083986.3A CN201711083986A CN108010015A CN 108010015 A CN108010015 A CN 108010015A CN 201711083986 A CN201711083986 A CN 201711083986A CN 108010015 A CN108010015 A CN 108010015A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- mfrac
- image
- msubsup
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Abstract
本发明提供了一种指静脉影像质量评价方法及其系统,所述方法包括以下步骤:A1:读取指静脉数据,获取指静脉数据图像的质量分数;A2:从指静脉数据中提取质量评价特征;A3:基于上述步骤获取的质量分数与质量评价特征得到SVR(Support Vector Regression)模型,采用SVR模型对影像质量进行评价筛选。本发明的指静脉评价方法及其系统通过一种新的基于质量得分的手指静脉影像质量评价方法来达到准确识别的目的。
Description
技术领域
本发明涉及身份识别技术领域,具体一种指静脉影像质量评价方法及其系统。
背景技术
伴随着科技的迅速发展,人们在日常生活中逐渐的从各种证件中解除出来,传统的身份认证方式是用(钥匙、ID卡)和密码等方式进行的身份认证,但这些方式很容易被伪造或者遗忘,相比于传统的身份认证,每个人的生物特征具有唯一性、无需记忆、且无法伪造。
手指是人类感知外部世界的重要器官之一,在手指皮肤表皮下的手指静脉是活体才具有的生物特征,实践表明,世界上没有两个人的手指静脉是完全相同的,相对于手指的指纹,手指的静脉是很难伪造的。
但由于不同人的手指皮肤组织厚度不同,相同强度的近红外光下,采集到不同人的静脉图像质量不同,而低质量的手指静脉图像会严重影像系统的认证性能,现有的基于分类的方法和基于质量得分的手指静脉影像质量评价方法都有一些不足,在很多情况下,基于分类的质量评价方法太武断。例如给出两幅手指静脉影像,第一幅影像的质量得分是59分,被分为低质量类型。第二幅影像的质量得分是60分,被分为高质量类型。在这种情况下,尽管两幅影像的质量差异很小,它们可能会面临不同的处理方式。现存的基于质量得分的质量评价方法也有一些不足。一些方法使用线性加权的方式融合各种质量特征,从而获取质量得分。一些方法使用一种质量特征获得质量得分。加权是一种线性模型,在反映非线性问题时有很大的局限性。而单一的特征无法全面的评价手指静脉影像的质量。
发明内容
本发明设计了一种指静脉影像质量评价方法及其系统,通过一种新的基于质量得分的手指静脉影像质量评价方法来达到准确识别的目的。
为了达到上述目的,本发明的技术方案有:
一种指静脉影像质量评价方法,所述方法包括以下步骤:
A1:读取指静脉数据,获取指静脉数据图像的质量分数;
A2:从指静脉数据中提取质量评价特征;
A3:基于上述步骤获取的质量分数与质量评价特征得到SVR(Support VectorRegress
ion)模型,采用SVR模型对影像质量进行评价筛选。
优选的,所述步骤A2中从指静脉数据中提取质量评价特征包括局部特征和全局特征;
所述局部特征包括影像对比度、空间域的梯度以及基于Gabor的特征;
所述全局特征包括影像信息容量和信息熵。
优选的,所述局部特征的获取将手指静脉影像分成了BxB像素大小、非重叠的小块;其中N来表示一幅影像总的块数,B表示一块中的像素数。
优选的,所述影像对比度反映了手指静脉影像在灰度级上的差异,每个小块B的方差可以用以下的形式表示:
其中xM代表块B中所有像素灰度的均值,xi是块B中一个像素的灰度值,影像对比度QF1通过下面公式给出:
优选的,所述空间域的梯度向量的协方差矩阵表示如下:
其中表示块B中点p的梯度,上面的对称矩阵是半正定的,它的特征值是λ1,λ2,并且λ1≥λ2,相关度量如下:
空间域的梯度QF2特征如下:
进一步的,所述Gabor的特征二维Gabor滤波器定义如下:
其中Θk=(k-1)/m,k=1,...,m,f是正弦平面波的频率;
其中Gabor滤波器的参数,在点(X,Y)的Gabor特征通过如下公式定义:
块B的标准差G使用下面公式运算得到:
其中,
如果块B的G值大于预先设定的阈值Tq,则认为B是质量比较好的块;基于Gabor的质量特征QF3通过如下公式定义:
其中,Ng代表了质量好的块B的数目。
优选的,所述信息容量是数字影像的一种基于二维直方图的影像质量特征,对于点(x,y),它的二维直方图定义如下:
Num(G1,G2)=P{[f(x,y)=G1]∩[f(x,y+1)=G2]}
其中f(x,y)是点(x,y)的灰度值,P{A}代表事件A的发生,而Num(G1,G2)代表了该事件的频率;
其中二维峰值归一化直方图表示如下:
信息容量特征QF4通过以下公式获得:
其中lb是以2为底的对数运算符。
进一步的,所述信息熵表示影像灰度分布的聚集特性,手指静脉影像的信息嫡QF5通过如下公式定义:
其中p(i)代表了像素在第i级灰度级上的可能性。
优选的,所述步骤A3中的SVR模型使用ε-SVM作为回归模型,通过所述来建立模型,并作下列优化处理,优化运算公式为:
s.t.
其中xi,是第i影像的特征向量,yi是第i影像人工标注的质量得分,k(·,·)是核函数,使用的核函数如下:
k(x,xi)=(γxTxi+r)d,γ>0
完成优化处理后,测试影像的质量得分由下面公式得到:
再以均方差(MSE)作为评价准则,通过如下公式运算得出MSE的评价值,并以该评价值作筛选处理:
其中f(xi)是预测的质量得分,yi人工标注的质量得分,l是参与预测的影像数目。
更进一步的,一种指静脉影像质量评价系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算器程序,所述处理器执行所述程序时实现权利要求1至9任一项所述的指静脉影像质量评价方法。
本发明的一种指静脉影像质量评价方法及其系统有益效果,对前期采集的手指静脉影像数据利用人工来标注质量得分,并采用影像对比度、空间域的梯度和基于Gabor的特征,等三种局部特征;以及影像信息容量和信息嫡两种全局特征进行影像质量评价,从而获得S VR模型,建立的该种模型对手指静脉数据评价更加精确合理。
附图说明
图1为本发明指静脉影像评价方法及其系统流程示意图;
图2为本发明指静脉影像评价方法及其系统获取的指静脉影像;
图3本发明指静脉影像评价方法及其系统质量得分分布图。
具体实施方式
结合附图说明本发明一种指静脉影像质量评价方法及其系统。
图1展示的是本发明一种指静脉影像质量评价方法的流程图,所述方法包括以下步骤:
A1:读取指静脉数据,获取指静脉数据图像的质量分数;
A2:从指静脉数据中提取质量评价特征;
A3:基于上述步骤获取的质量分数与质量评价特征得到SVR(Support VectorRegress ion)模型,采用SVR模型对影像质量进行评价筛选。
优选的,所述步骤A2中从指静脉数据中提取质量评价特征包括局部特征和全局特征;
所述局部特征包括影像对比度、空间域的梯度以及基于Gabor的特征;
所述全局特征包括影像信息容量和信息熵。
优选的,所述局部特征的获取将手指静脉影像分成了BxB像素大小、非重叠的小块;其中N来表示一幅影像总的块数,B表示一块中的像素数。
如图2和图3所示,在训练数据集上采用人工标注的方式给出手指静脉影像的质量得分,并且把这些得分归一到[0,1]之间。在人工标注的过程中,遵循以下原则:对于影像清晰并且具有丰富血管纹路的手指静脉影像给比较高的质量得分,对于影像模糊并且血管纹路非常少的手指静脉影像给出比较低的质量得分。图2中给出了几种经典的手指静脉影像(提取ROI区域后)和它们的质量得分。在训练数据集上人工标注的影像质量得分的分布在图3中显示。从图3中可以看出,只有非常少的影像获得了很低的质量得分,大部分影像的质量得分在[0.6,0.9]之间,这一统计结果与实际情况相吻合。
本发明原理如下;
对于训练数据集上的手指静脉影像,首先人工标注出质量得分,提取质量评价特征。然后基于这些质量评价特征和标注的质量得分训练出SVR模型。在测试集上,使用所学模型预测出手指静脉影像的质量得分,其中影像质量特征选择对于影像质量评价是一个非常重要的步骤。在手指静脉影像质量评价中有两种类型的质量评价特征,局部特征和全局特征。局部特征反映了手指静脉影像中的局部细节信息,全局特征反映了手指静脉影像的宏观全局信息。为了能够全面的反映手指静脉影像的质量信息,本项目使用了(1)影像对比度、(2)空间域的梯度、(3)基于Gabor的特征,等三种局部特征;和(4)影像信息容量、(5)信息嫡两种全局特征来进行影像质量评价。
(1)所述影像对比度反映了手指静脉影像在灰度级上的差异,每个小块B的方差可以用以下的形式表示:
其中xM代表块B中所有像素灰度的均值,xi是块B中一个像素的灰度值,影像对比度通过下面公式给出:
(2)所述空间域的梯度反映了一幅影像中谷型区域(静脉纹路)方向场的清晰度,为了得到空间域的梯度,我们先定义块B梯度向量的协方差矩阵表示如下:
其中表示块B中点p的梯度。上面的对称矩阵是半正定的,它的特征值是λ1,λ2,并且λ1≥λ2。再定义归一化相关度量如下:
最后定义空间域的梯度特征如下
空间域的梯度约接近1,表明静脉纹络越清晰,空间域的梯度约接近0,表明静脉纹络影像的质量越差。
(3)所述Gabor特征的二维Gabor滤波器定义如下
其中Θk=(k-1)/m,k=1,...,m,f是正弦平面波的频率,
一旦确定了Gabor滤波器的参数,在点(X,Y)的Gabor特征就可以定义如下:
块B的标准差G使用下面公式计算得到:
其中,
如果块B的G值大于预先设定的阈值Tq,则认为B是质量比较好的块。基于Gabor的质量特征定义如下:
其中,Ng代表了质量好的块的数目。
(4)信息容量:信息容量是数字影像的一种基于二维直方图的影像质量特征。对于点(x,y),它的二维直方图定义如下:
Num(G1,G2)=P{[f(x,y)=G1]∩[f(x,y+1)=G2]}
其中f(x,y)是点(x,y)的灰度值,P{A}代表事件A的发生,而Num(G1,G2)代表了该事件的频率。二维峰值归一化直方图表示如下:
于是,信息容量特征可以用以下公式获得:
其中lb是以2为底的对数运算符
(5)信息嫡:表示了影像灰度分布的聚集特性。手指静脉影像的信息嫡定义如下:
其中p(i)代表了像素在第i级灰度级上的可能性。
最后,运用上述方法提取的质量特征和质量得分来让SVR模型学习,最后利用调试好的SVR模型进行指静脉质量评价。
更进一步的,一种指静脉影像质量评价系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算器程序,所述处理器执行上述程序时实现一种指静脉影像质量评价方法步骤。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (10)
1.一种指静脉影像质量评价方法,其特征在于,所述方法包括以下步骤:
A1:读取指静脉数据,获取指静脉数据图像的质量分数;
A2:从指静脉数据中提取质量评价特征;
A3:基于上述步骤获取的质量分数与质量评价特征得到SVR(Support VectorRegression)模型,采用SVR模型对影像质量进行评价筛选。
2.根据权利要求1所述的指静脉质量评价方法,其特征在于,所述步骤A2中从指静脉数据中提取质量评价特征包括局部特征和全局特征;
所述局部特征包括影像对比度、空间域的梯度以及基于Gabor的特征;
所述全局特征包括影像信息容量和信息熵。
3.根据权利要求2所述的指静脉质量评价方法,其特征在于,所述局部特征的获取将手指静脉影像分成了BxB像素大小、非重叠的小块;其中N来表示一幅影像总的块数,B表示一块中的像素数。
4.根据权利要求3所述的指静脉质量评价方法,其特征在于,所述影像对比度反映了手指静脉影像在灰度级上的差异,每个小块B的方差可以用以下的形式表示:
<mrow>
<mi>C</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>S</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>M</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>S</mi>
</mfrac>
</msqrt>
</mrow>
其中xM代表块B中所有像素灰度的均值,xi是块B中一个像素的灰度值,影像对比度QF1通过下面公式给出:
<mrow>
<msub>
<mi>QF</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
</mrow>
5.根据权利要求4所述的指静脉质量评价方法,其特征在于,所述空间域的梯度向量的协方差矩阵表示如下:
<mrow>
<mi>J</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>S</mi>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>B</mi>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mi>p</mi>
</msub>
<msubsup>
<mi>g</mi>
<mi>p</mi>
<mi>T</mi>
</msubsup>
<mo>&equiv;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>j</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>j</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中表示块B中点p的梯度,上面的对称矩阵是半正定的,它的特征值是λ1,λ2,并且λ1≥λ2,相关度量如下:
<mrow>
<mi>k</mi>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>j</mi>
<mn>11</mn>
</msub>
<mo>-</mo>
<msub>
<mi>j</mi>
<mn>22</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
<msubsup>
<mi>j</mi>
<mn>12</mn>
<mn>2</mn>
</msubsup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>j</mi>
<mn>11</mn>
</msub>
<mo>+</mo>
<msub>
<mi>j</mi>
<mn>22</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>,</mo>
<mn>0</mn>
<mo>&le;</mo>
<mi>k</mi>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
空间域的梯度QF2特征如下:
<mrow>
<msub>
<mi>QF</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
</mrow>
6.根据权利要求5所述的指静脉质量评价方法,其特征在于,所述Gabor的特征二维Gabor滤波器定义如下:
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mfrac>
<msubsup>
<mi>x</mi>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>+</mo>
<mfrac>
<msubsup>
<mi>y</mi>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&times;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mn>2</mn>
<msub>
<mi>&pi;fx</mi>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
其中Θk=(k-1)/m,k=1,...,m,f是正弦平面波的频率;
其中Gabor滤波器的参数,在点(X,Y)的Gabor特征通过如下公式定义:
块B的标准差G使用下面公式运算得到:
<mrow>
<mi>G</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>g</mi>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>g</mi>
<mi>&Theta;</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msqrt>
</mrow>
其中,
如果块B的G值大于预先设定的阈值Tq,则认为B是质量比较好的块;基于Gabor的质量特征QF3通过如下公式定义:
<mrow>
<msub>
<mi>QF</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
其中,Ng代表了质量好的块B的数目。
7.根据权利要求6所述的指静脉质量评价方法,其特征在于,所述信息容量是数字影像的一种基于二维直方图的影像质量特征,对于点(x,y),它的二维直方图定义如下:
Num(G1,G2)=P{[f(x,y)=G1]∩[f(x,y+1)=G2]}
其中f(x,y)是点(x,y)的灰度值,P{A}代表事件A的发生,而Num(G1,G2)代表了该事件的频率;
其中二维峰值归一化直方图表示如下:
<mrow>
<msub>
<mi>Norm</mi>
<mi>log</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>{</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mfrac>
</mrow>
信息容量特征QF4通过以下公式获得:
<mrow>
<msub>
<mi>QF</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mi>l</mi>
<mi>b</mi>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msub>
<mi>Norm</mi>
<mi>log</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中lb是以2为底的对数运算符。
8.根据权利要求7所述的指静脉质量评价方法,其特征在于,所述信息熵表示影像灰度分布的聚集特性,手指静脉影像的信息嫡QF5通过如下公式定义:
<mrow>
<msub>
<mi>QF</mi>
<mn>5</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>255</mn>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
其中p(i)代表了像素在第i级灰度级上的可能性。
9.根据权利要求8所述的指静脉质量评价方法,其特征在于,所述步骤A3中的SVR模型使用ε-SVM作为回归模型,通过所述(QF1,...,QF5)来建立模型,并作下列优化处理,优化运算公式为:
<mrow>
<mi>w</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mi>w</mi>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>w</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>C</mi>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>C</mi>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msubsup>
<mi>&xi;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
</mrow>
s·t
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>&epsiv;</mi>
<mo>+</mo>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mi>n</mi>
</munder>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>b</mi>
<mo>&le;</mo>
<mi>&epsiv;</mi>
<mo>+</mo>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&xi;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
其中xi,是第i影像的特征向量,yi是第i影像人工标注的质量得分,k(·,·)是核函数,使用的核函数如下:
k(x,xi)=(γxTxi+r)d,γ>0
完成优化处理后,测试影像的质量得分由下面公式得到:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>b</mi>
</mrow>
再以均方差(MSE)作为评价准则,通过如下公式运算得出MSE的评价值,并以该评价值作筛选处理:
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>l</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中f(xi)是预测的质量得分,yi人工标注的质量得分,l是参与预测的影像数目。
10.一种指静脉影像质量评价系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算器程序,其特征在于,所述处理器执行所述程序时实现权利要求1至9任一项所述的指静脉影像质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711083986.3A CN108010015A (zh) | 2017-11-07 | 2017-11-07 | 一种指静脉影像质量评价方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711083986.3A CN108010015A (zh) | 2017-11-07 | 2017-11-07 | 一种指静脉影像质量评价方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108010015A true CN108010015A (zh) | 2018-05-08 |
Family
ID=62052207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711083986.3A Pending CN108010015A (zh) | 2017-11-07 | 2017-11-07 | 一种指静脉影像质量评价方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010015A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146966A (zh) * | 2018-06-26 | 2019-01-04 | 广州视源电子科技股份有限公司 | 视觉slam前端处理方法、系统、存储介质及计算机设备 |
CN109451246A (zh) * | 2018-12-29 | 2019-03-08 | 广州微盾科技股份有限公司 | 一种可获取清晰指静脉图像的方法 |
CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
WO2021082433A1 (zh) * | 2019-10-29 | 2021-05-06 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013003957A (ja) * | 2011-06-20 | 2013-01-07 | Hitachi Ltd | 生体情報登録方法、生体情報登録プログラム、及び記録媒体 |
CN106203497A (zh) * | 2016-07-01 | 2016-12-07 | 浙江工业大学 | 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN107122710A (zh) * | 2017-03-20 | 2017-09-01 | 浙江工业大学 | 一种基于散射卷积网络的手指静脉特征提取方法 |
-
2017
- 2017-11-07 CN CN201711083986.3A patent/CN108010015A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013003957A (ja) * | 2011-06-20 | 2013-01-07 | Hitachi Ltd | 生体情報登録方法、生体情報登録プログラム、及び記録媒体 |
CN106203497A (zh) * | 2016-07-01 | 2016-12-07 | 浙江工业大学 | 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN107122710A (zh) * | 2017-03-20 | 2017-09-01 | 浙江工业大学 | 一种基于散射卷积网络的手指静脉特征提取方法 |
Non-Patent Citations (2)
Title |
---|
周丽珍: "手指静脉图像质量评价与识别方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡晶晶: "手指静脉图像质量评估算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146966A (zh) * | 2018-06-26 | 2019-01-04 | 广州视源电子科技股份有限公司 | 视觉slam前端处理方法、系统、存储介质及计算机设备 |
CN109146966B (zh) * | 2018-06-26 | 2021-02-23 | 广州视源电子科技股份有限公司 | 视觉slam前端处理方法、系统、存储介质及计算机设备 |
CN109451246A (zh) * | 2018-12-29 | 2019-03-08 | 广州微盾科技股份有限公司 | 一种可获取清晰指静脉图像的方法 |
CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
WO2021082433A1 (zh) * | 2019-10-29 | 2021-05-06 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9514356B2 (en) | Method and apparatus for generating facial feature verification model | |
Tome et al. | The 1st competition on counter measures to finger vein spoofing attacks | |
US8666122B2 (en) | Assessing biometric sample quality using wavelets and a boosted classifier | |
De Marsico et al. | Insights into the results of miche i-mobile iris challenge evaluation | |
CN103902978B (zh) | 人脸检测及识别方法 | |
CN108010015A (zh) | 一种指静脉影像质量评价方法及其系统 | |
Trabelsi et al. | Hand vein recognition system with circular difference and statistical directional patterns based on an artificial neural network | |
US11625906B2 (en) | Method for identifying works of art at the stroke level | |
TW201211913A (en) | A method for recognizing the identity of user by palm vein biometric | |
Emeršič et al. | The unconstrained ear recognition challenge 2019 | |
CN106022241A (zh) | 一种基于小波变换及稀疏表示的人脸识别方法 | |
CN107918773A (zh) | 一种人脸活体检测方法、装置及电子设备 | |
Timoshenko et al. | Large crowdcollected facial anti-spoofing dataset | |
Beng et al. | Finger-vein identification using pattern map and principal component analysis | |
Hashem et al. | Human identification using foot features | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN105844605A (zh) | 基于自适应表示的人脸画像合成方法 | |
CN108197577A (zh) | 联合Sobel和MFRAT的指静脉图像特征提取方法 | |
Tallapragada et al. | Iris recognition based on combined feature of GLCM and wavelet transform | |
Ahmed et al. | Retina based biometric authentication using phase congruency | |
CN104021387B (zh) | 基于视觉建模的人脸图像光照处理方法 | |
Méndez-Llanes et al. | On the use of local fixations and quality measures for deep face recognition | |
Regouid et al. | Comparative study of 1D-local descriptors for ear biometric system | |
Bartuzi et al. | Thermal features for presentation attack detection in hand biometrics | |
Verissimo et al. | Transfer learning for face anti-spoofing detection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |