CN108596126A - 一种基于改进的lgs加权编码的手指静脉图像识别方法 - Google Patents
一种基于改进的lgs加权编码的手指静脉图像识别方法 Download PDFInfo
- Publication number
- CN108596126A CN108596126A CN201810401404.XA CN201810401404A CN108596126A CN 108596126 A CN108596126 A CN 108596126A CN 201810401404 A CN201810401404 A CN 201810401404A CN 108596126 A CN108596126 A CN 108596126A
- Authority
- CN
- China
- Prior art keywords
- image
- feature coding
- images
- feature
- finger
- 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
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
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
一种基于改进的LGS加权编码的手指静脉图像识别方法。其包括对所有手指静脉图像进行ROI提取并归一化;通过k通道Gabor滤波器对手指静脉ROI图像进行滤波;针对滤波后的增强图像,提出了一种基于对称交叉加权局部图结构编码算法;通过不同方向特征编码提取对应通道滤波图像的特征编码图,选择特征编码值中的最大值作为最终特征编码值;在此基础上,提出一种方案以获得最终特征编码图像;将该编码图像平均划分为非重叠子块,计算所有子块的灰度直方图并串联进行相似性匹配等步骤;本发明优点:充分表达了邻域间的局部空间梯度信息,通过提取多个方向的特征编码信息使特征表达更加稳定,并成功应用于静脉图像识别,大大提高了识别性能。
Description
技术领域
本发明属于手指静脉图像识别技术领域,特别是涉及一种基于改进的LGS加权编码的手指静脉图像识别方法。
背景技术
目前,由于人们对身份识别的要求越来越高,传统的生物特征识别技术已经无法满足人们的需求。随着生物特征识别技术的发展,由于静脉识别具有天然的活体防伪性以及内在血管网络的个体差异性,因此作为一种新的身份识别方法已得到广泛的关注。相比于传统的生物模式(如DNA、人耳、指纹、虹膜、人脸和掌纹等),手指静脉识别具有以下优势:(1)属于内部特征,不受外部环境(温度、湿度)的影响,不易伪造;(2)具有普遍性,使用人群广,采集方式友好;(3)稳定性好,不易遗失,不易磨损或污染。目前,手指静脉识别已广泛应用于各个领域,如安全检查、门禁、保险箱、ATM认证等。
由于生物组织中的光散射现象,手指静脉图像的质量往往严重恶化,这会严重削弱静脉网络的质量。在过去,人们通常采取散射消除来改善手指静脉图像质量。但是由于手指组织的生物学构造的差异,静脉网络本身具有固有的散射差异,现在人们希望利用这种差异来进行手指静脉图像识别。而基于编码的特征表达方法在光照不变性、特征描述能力和匹配效率等方面具有较大优势。因此,探索一种对光散射不敏感并且识别精度高的鲁棒性特征编码方法就成为研究中的关键问题。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于改进的LGS加权编码的手指静脉图像识别方法。
为了达到上述目的,本发明提供的基于改进的LGS加权编码的手指静脉图像识别方法包括按顺序进行的下列步骤:
1)对所有采集的原始手指静脉图像进行ROI提取而获得手指静脉ROI图像,然后将手指静脉ROI图像归一化为96*208,以此对手指静脉ROI图像进行预处理;
2)采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,由此获得多个不同方向的Gabor滤波图像;
3)在上述Gabor滤波图像上构建基于局部对称图结构或Gabor滤波图像融合的特征编码图像;
4)将上述特征编码图像平均划分为多个非重叠子块图像,计算所有子块图像的灰度直方图,然后将所有子块图像的灰度直方图串连成单个特征向量,以进行相似性匹配;
5)计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数,相交系数越大表示两幅图像越相似,然后与阈值进行比较以进行相似性度量。
在步骤2)中,所述的采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,由此获得多个不同方向的Gabor滤波图像的方法是:
采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,以对该图像进行增强,由此获得多个不同方向的Gabor滤波图像,每个Gabor滤波图像中的每个像素点具有一个Gabor滤波值;所采用的偶对称Gabor滤波器的表达式如式(1)所示:
其中,
为第k通道的Gabor算子;k(=1,2,…,K)为通道编号,θk(=(k-1)π/K)和fk分别表示第k通道的方向和中心频率;
手指静脉第k个通道的Gabor滤波图像Ik(x,y)能够通过预处理后的手指静脉ROI图像I(x,y)与第k通道的Gabor算子卷积得到,如式(2)所示:
其中,表示二维卷积。
在步骤3)中,所述的在Gabor滤波图像上构建基于局部对称图结构或Gabor滤波图像融合的特征编码图像的方法是:
基于局部对称图结构的特征编码图像的构建方法如下:首先,针对多个不同方向的Gabor滤波图像中每一个目标像素点,在其周围左右对称的n*n邻域内各选取3个像素点,由此构成0°方向特征编码加权局部图结构;然后从目标像素点开始,随着特征编码加权局部图结构的方向两两比较像素点的灰度值大小,生成两个六位的二进制码,按照比较顺序从大到小给二进制码分配不同的权值,再根据公式(3)、(4)将其合成一个值作为该目标像素点的灰度值:
这里,gi和fi分别代表在左或右边的正方形邻域内两个待匹配像素点的灰度值,表示目标像素点在方向上的特征编码值,之后按照上述特征编码加权局部图结构将上述每个二进制码与上述确定的相应的权值相乘,之后将所有乘积相加得到该目标像素点的0°方向的特征编码值
然后,将上述0°方向的特征编码加权局部图结构分别逆时针旋转多个角度,得到多个方向的特征编码加权局部图结构,并获取多个方向的特征编码值;通过选择上述特征编码值中的最大值作为该目标像素点的单通道特征编码值,如式(5)所示:
最后,计算出其它通道的Gabor滤波图像各自的单通道特征编码值,由所有通道的单通道特征编码值组成多通道滤波图像的特征编码图像;
基于Gabor滤波图像融合的特征编码图像构建方法如下:
首先,选择上述k个不同方向的Gabor滤波图像中每一像素点的最大Gabor滤波值合并成一幅Gabor滤波图像,然后对这幅Gabor滤波图像分别在k个方向上进行编码,得到k个特征编码图像;最后,选择k个特征编码图像中的最大特征编码值而将k个特征编码图像融合为一幅特征编码图像,作为该手指静脉ROI图像的最终特征编码图像。
在步骤4)中,所述的将特征编码图像平均划分为多个非重叠子块图像,计算所有子块图像的灰度直方图,然后将所有子块图像的灰度直方图串连成单个特征向量,以进行相似性匹配的方法是:
a)首先,将上述特征编码图像平均分成M个非重叠的子块图像;
b)然后,分别计算每个子块图像的灰度直方图;
c)最后,将所有子块图像的灰度直方图串联成1个特征向量来表示该手指静脉ROI图像的特征编码图像;
计算公式如下:
H=(H1,H2,…,HM). (6)
其中,HM表示分块图像的灰度直方图,H表示整张手指静脉ROI图像的特征编码图像的灰度直方图。
在步骤5)中,所述的计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数,相交系数越大表示两幅图像越相似,然后与阈值进行比较以进行相似性度量的方法是:
通过计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数的方法,来判断这两幅手指静脉ROI图像是否匹配:
式中,m1和m2分别表示两幅待匹配的手指静脉ROI图像,Hm1(i)和Hm2(i)分别代表两幅待匹配的手指静脉ROI图像的特征编码图像的灰度直方图,L表示特征编码图像的灰度直方图的维数,sim(m1,m2)为特征编码图像的灰度直方图的归一化相交系数。
若计算出的相交系数>相似性决策阈值T,则表示这两幅手指静脉ROI图像相似,即表示这两幅手指静脉ROI图像匹配;若其相交系数≤相似性决策阈值T,则判定这两幅手指静脉ROI图像不匹配;相似性决策阈值T是手指静脉ROI图像匹配结果中错误拒绝率为0,且错误允许率最低时所对应的阈值点。
本发明提供的基于LGS编码的图像特征编码新方法充分地表达了邻域间的局部位置信息和梯度信息,通过提取多个方向的特征编码信息使特征表达更加稳定,并成功应用于静脉图像识别,从而大大提高了识别性能。
附图说明
图1本发明提供的基于改进的LGS加权编码的手指静脉图像识别方法流程图。
图2为特征编码加权局部图结构。
图3为0°方向的特征编码过程。
图4为多个不同方向的特征编码加权局部图结构。
图5为Gabor滤波图像特征编码方法的具体步骤示意图。
图6为子块图像的灰度直方图。
图7为选取不同K值时的ROC曲线。
图8为选取不同邻域编码的ROC曲线。
图9为选取不同图像分块的ROC曲线。
图10为五种编码方法对比实验ROC曲线。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于改进的LGS加权编码的手指静脉图像识别方法进行详细说明。
如图1所示,本发明提供的基于改进的LGS加权编码的手指静脉图像识别方法包括按顺序进行的下列步骤:
1)对所有采集的原始手指静脉图像进行ROI(region of interest感兴趣区域)提取而获得手指静脉ROI图像,然后将手指静脉ROI图像归一化为96*208,以此对手指静脉ROI图像进行预处理;
2)采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,由此获得多个不同方向的Gabor滤波图像;
手指静脉是一种特殊的纹理,它在图像中的分布以及静脉直径的变化都较大,具有丰富的纹理信息。为了可以尽可能地覆盖图像的频率空间,最大程度地抽取手指静脉的纹理信息,本发明采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,以对该图像进行增强,由此获得多个不同方向的Gabor滤波图像,每个Gabor滤波图像中的每个像素点具有一个Gabor滤波值。所采用的偶对称Gabor滤波器的表达式如式(1)所示:
其中,
为第k通道的Gabor算子;k(=1,2,…,K)为通道编号,θk(=(k-1)π/
K)和fk分别表示第k通道的方向和中心频率。
手指静脉第k个通道的Gabor滤波图像Ik(x,y)能够通过预处理后的手指静脉ROI图像I(x,y)与第k通道的Gabor算子卷积得到,如式(2)所示:
其中,表示二维卷积。
3)在上述Gabor滤波图像上构建基于局部对称图结构或Gabor滤波图像融合的特征编码图像;
其中,基于局部对称图结构的特征编码图像构建方法如下:
考虑到手指静脉ROI图像中的纹理信息在图像上分布随机性强且复杂多变,为充分利用图像中像素点之间的局部信息和方向信息,本发明在上述Gabor滤波图像上构建基于局部对称图结构的特征编码图,具体步骤如下:
(1)构建0°方向的特征编码加权局部图结构,也称交叉加权局部图结构(简称SCW-LGS):
针对Gabor滤波图像中每一个目标像素点,在其周围左右对称的n*n邻域内各选取3个像素点,并与目标像素点共同构成两个对称且目标像素点共用的正方形邻域,每一个像素点具有一个灰度值,由此构成图2所示的特征编码加权局部图结构。
然后从目标像素点开始,对于目标像素点右侧的3个像素点,按顺时针方向,随着像素点两两比较的顺序,从大到小给两个像素点之间的关系分配不同的权值;对于目标像素点左侧的3个像素点,按逆时针方向,随着像素点两两比较的顺序,从大到小给两个像素点之间的关系分配不同的权值。
(2)对上述0°方向的特征编码加权局部图结构进行特征编码,并获得0°方向的特征编码值;
对目标像素点右侧的3个像素点,从目标像素点开始,按照顺时针方向,对像素点的灰度值依次进行两两比较,如果后一个像素点的灰度值比前一个像素点的灰度值大,那么将这两个像素点之间的关系编码为1,否则,编码为0。对目标像素点左侧的3个像素点,按照逆时针顺序进行类似的编码。0°方向的特征编码过程如图3所示。
因此,在一个目标像素点位置就会生成两个六位的二进制码。然后,将这两个六位的二进制码根据公式(3)、(4)合成一个值作为该目标像素点的灰度值。
这里,gi和fi分别代表在左或右边的正方形邻域内两个待匹配像素点的灰度值。表示目标像素点在方向上的特征编码值,k的取值与步骤2相对应。之后按照上述特征编码加权局部图结构将上述每个二进制码与步骤(1)确定的相应的权值相乘,之后将所有乘积相加得到该目标像素点的0°方向的特征编码值如图3所示,0°方向的特征编码值为:
基于特征编码加权局部图的特征编码方法在权值分配上,采用左右两侧对称像素点权值相同的方式进行加权,考虑了目标像素点与周围像素点之间的关系,以及周围像素点之间隐含的关系,充分利用了图像梯度信息,特征表达更均衡,在光照不变性方面具有较好的鲁棒性。
(3)将上述0°方向的特征编码加权局部图结构分别逆时针旋转多个角度,得到多个方向的特征编码加权局部图结构,并获取多个方向的特征编码值;
由于手指静脉图像在不同方向上的特征强度不同,因此,将上述0°方向的特征编码加权局部图结构分别逆时针旋转θk度,得到多个方向的特征编码加权局部图结构;本发明中分别旋转45°、90°和135°,共得到以上三个方向的特征编码加权局部图结构,如图4所示。
然后按照上述步骤(2)的计算方法,可以得到目标像素点在多个方向的特征编码值为:
(4)选择上述特征编码值中的最大值作为该目标像素点的单通道特征编码值,然后获取其它通道各自的单通道特征编码图,由所有通道的单通道特征编码值组成多通道滤波图像的特征编码图像;
根据上面的计算方法,我们可以得到目标像素点在k个方向(本发明为4个)上的特征编码值。这k个不同的特征编码值代表着像素点间的不同变化。特征编码值越大说明像素点间的变化越大。因此,本发明选择上述特征编码值中的最大值作为该目标像素点的单通道特征编码值,如式(5)所示。
然后,将其它通道的Gabor滤波图像分别按照步骤(2)—步骤(3)计算出各自的单通道特征编码值,由所有通道的单通道特征编码值组成多通道滤波图像的特征编码图像。
在本发明提出的多方向特征编码图像中,不管图像怎么旋转,分别提取k个方向的特征编码值,选取k个方向的特征编码值的最大值作为该目标像素点的单通道特征编码值,可以解决旋转不变性问题。
基于Gabor滤波图像融合的特征编码图像构建方法如下:
如图5所示,首先,选择上述k个不同方向的Gabor滤波图像中每一像素点的最大Gabor滤波值合并成一幅Gabor滤波图像,然后对这幅Gabor滤波图像分别在k个方向上进行编码,得到k个特征编码图像;最后,选择k个特征编码图像中的最大特征编码值而将k个特征编码图像融合为一幅特征编码图像,作为该手指静脉ROI图像的最终特征编码图像。
4)将上述特征编码图像平均划分为多个非重叠子块图像,计算所有子块图像的灰度直方图,然后将所有子块图像的灰度直方图串连成单个特征向量,以进行相似性匹配;
由于SCW-LGS更适用于描述图像的局部信息,因此本发明对步骤3)获得的特征编码图像进行均匀分块,利用局部灰度直方图来总结特征编码图像的区域属性。具体步骤如下:
a)首先,将上述特征编码图像平均分成M个非重叠的子块图像;
b)然后,分别计算每个子块图像的灰度直方图;
c)最后,将所有子块图像的灰度直方图串联成1个特征向量来表示该手指静脉ROI图像的特征编码图像。假设M=8×8块,其灰度直方图如图6所示。
计算公式如下:
H=(H1,H2,…,HM). (6)
其中,HM表示分块图像的灰度直方图,H表示整张手指静脉ROI图像的特征编码图像的灰度直方图。
5)计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数,相交系数越大表示两幅图像越相似,然后与阈值进行比较以进行相似性度量。
本步骤采用归一化直方图相交法进行手指静脉ROI图像的特征编码图像的相似性度量,如式(7)所示,通过计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数的方法,来判断这两幅手指静脉ROI图像是否匹配。
式中,m1和m2分别表示两幅待匹配的手指静脉ROI图像,Hm1(i)和Hm2(i)分别代表两幅待匹配的手指静脉ROI图像的特征编码图像的灰度直方图,L表示特征编码图像的灰度直方图的维数。sim(m1,m2)为特征编码图像的灰度直方图的归一化相交系数。
在上述手指静脉ROI图像匹配过程中,首先计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数。相交系数越大,匹配的可能性越大。若计算出的相交系数>相似性决策阈值T,则表示这两幅手指静脉ROI图像相似,即表示这两幅手指静脉ROI图像匹配;若其相交系数≤相似性决策阈值T,则判定这两幅手指静脉ROI图像不匹配。相似性决策阈值T是手指静脉ROI图像匹配结果中错误拒绝率为0,且错误允许率最低时所对应的阈值点。
本发明中的原始手指静脉图像采自100个人的600幅原始手指静脉图像(每个人6幅),首先将所有原始手指静脉图像均归一化为96*208,实验环境为PC机,Matlab R2014a环境下完成。
第一,考虑到识别效率和匹配精度,本发明针对Gabor滤波图像融合的特征编码方案,选择在编码邻域为5*5,图像分块个数为8*8的情况下比较了通道个数K分别取4、6、8时的识别性能,其ROC曲线如图7所示。
表1不同通道个数K取值时的识别性能
从图7和表1中我们可以看出,当K=4时,等误率最低,并且单张指静脉图像识别用时最短,识别性能最佳。因此,本发明选择对手指静脉ROI图像进行4方向Gabor滤波和4方向特征编码以进行手指静脉图像识别。
第二,在本发明中,手指静脉识别性能取决于两个因素。一个是用于特征编码的邻域的选取,另一个是图像分块个数的选择。因此,我们通过ROC曲线确定最佳编码邻域n*n和最佳分块图像个数M,使得SCW-LGS特征直方图匹配精确度最高。首先,我们假设分块个数M分别在6×6、7×7、8×8的情况下,探究最佳编码邻域选择。图8中的三张ROC曲线和表2均表明,当n=5时,SCW-LGS灰度直方图匹配精度最高。这是因为选择3*3邻域对图像局部的细节描述性较强,但是受噪声影响较大,而选择7*7邻域的像素点的细节描述能力相对较弱。选取5*5邻域内的像素点构成SCW-LGS图结构,能较好表达像素点周围的纹理变化,受噪声影响也较小。因此,本发明就选择5*5邻域内的像素组成SCW-LGS图结构以进行特征编码。
然后,我们在n=5的情况下,探究最佳图像分块个数。由图9可知,当M=7×7时,SCW-LGS灰度直方图匹配精度最高。根据以上结果可知,当n=5时,M=7×7时,本发明方法识别性能最佳。
表2不同参数的等误率比较(%)
第三,将本发明方法和四种常见特征编码方法(局部二进制模式LBP,线性局部二进制模式LLBP,对称局部图结构SLGS,多方向加权局部图结构MOW-SLGS)进行识别性能比较。不同编码方法的ROC曲线如图10所示,不同编码方法下的等误率如表3所示。实验结果表明本发明方法具有最低的等误率,识别性能最佳。综上所示,本发明方法不仅在一定程度上解决了手指姿态多变的问题,具有良好的匹配效果,而且提高了匹配效率,具有一定的可行性。
表3不同编码方法的等误率
Claims (5)
1.一种基于改进的LGS加权编码的手指静脉图像识别方法,其特征在于:所述的手指静脉图像识别方法包括按顺序进行的下列步骤:
1)对所有采集的原始手指静脉图像进行ROI提取而获得手指静脉ROI图像,然后将手指静脉ROI图像归一化为96*208,以此对手指静脉ROI图像进行预处理;
2)采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,由此获得多个不同方向的Gabor滤波图像;
3)在上述Gabor滤波图像上构建基于局部对称图结构或Gabor滤波图像融合的特征编码图像;
4)将上述特征编码图像平均划分为多个非重叠子块图像,计算所有子块图像的灰度直方图,然后将所有子块图像的灰度直方图串连成单个特征向量,以进行相似性匹配;
5)计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数,相交系数越大表示两幅图像越相似,然后与阈值进行比较以进行相似性度量。
2.根据权利要求1所述的基于改进的LGS加权编码的手指静脉图像识别方法,其特征在于:在步骤2)中,所述的采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,由此获得多个不同方向的Gabor滤波图像的方法是:
采用k通道Gabor滤波器对预处理后的手指静脉ROI图像进行多通道滤波,以对该图像进行增强,由此获得多个不同方向的Gabor滤波图像,每个Gabor滤波图像中的每个像素点具有一个Gabor滤波值;所采用的偶对称Gabor滤波器的表达式如式(1)所示:
其中,
为第k通道的Gabor算子;k(=1,2,…,K)为通道编号,θk(=(k-1)π/K)和fk分别表示第k通道的方向和中心频率;
手指静脉第k个通道的Gabor滤波图像Ik(x,y)能够通过预处理后的手指静脉ROI图像I(x,y)与第k通道的Gabor算子卷积得到,如式(2)所示:
其中,表示二维卷积。
3.根据权利要求1所述的基于改进的LGS加权编码的手指静脉图像识别方法,其特征在于:在步骤3)中,所述的在Gabor滤波图像上构建基于局部对称图结构或Gabor滤波图像融合的特征编码图像的方法是:
基于局部对称图结构的特征编码图像的构建方法如下:首先,针对多个不同方向的Gabor滤波图像中每一个目标像素点,在其周围左右对称的n*n邻域内各选取3个像素点,由此构成0°方向特征编码加权局部图结构;然后从目标像素点开始,随着特征编码加权局部图结构的方向两两比较像素点的灰度值大小,生成两个六位的二进制码,按照比较顺序从大到小给二进制码分配不同的权值,再根据公式(3)、(4)将其合成一个值作为该目标像素点的灰度值:
这里,gi和fi分别代表在左或右边的正方形邻域内两个待匹配像素点的灰度值,表示目标像素点在方向上的特征编码值,之后按照上述特征编码加权局部图结构将上述每个二进制码与上述确定的相应的权值相乘,之后将所有乘积相加得到该目标像素点的0°方向的特征编码值
然后,将上述0°方向的特征编码加权局部图结构分别逆时针旋转多个角度,得到多个方向的特征编码加权局部图结构,并获取多个方向的特征编码值;通过选择上述特征编码值中的最大值作为该目标像素点的单通道特征编码值,如式(5)所示:
最后,计算出其它通道的Gabor滤波图像各自的单通道特征编码值,由所有通道的单通道特征编码值组成多通道滤波图像的特征编码图像;
基于Gabor滤波图像融合的特征编码图像构建方法如下:
首先,选择上述k个不同方向的Gabor滤波图像中每一像素点的最大Gabor滤波值合并成一幅Gabor滤波图像,然后对这幅Gabor滤波图像分别在k个方向上进行编码,得到k个特征编码图像;最后,选择k个特征编码图像中的最大特征编码值而将k个特征编码图像融合为一幅特征编码图像,作为该手指静脉ROI图像的最终特征编码图像。
4.根据权利要求1所述的基于改进的LGS加权编码的手指静脉图像识别方法,其特征在于:在步骤4)中,所述的将特征编码图像平均划分为多个非重叠子块图像,计算所有子块图像的灰度直方图,然后将所有子块图像的灰度直方图串连成单个特征向量,以进行相似性匹配的方法是:
a)首先,将上述特征编码图像平均分成M个非重叠的子块图像;
b)然后,分别计算每个子块图像的灰度直方图;
c)最后,将所有子块图像的灰度直方图串联成1个特征向量来表示该手指静脉ROI图像的特征编码图像;
计算公式如下:
H=(H1,H2,…,HM). (6)
其中,HM表示分块图像的灰度直方图,H表示整张手指静脉ROI图像的特征编码图像的灰度直方图。
5.根据权利要求1所述的基于改进的LGS加权编码的手指静脉图像识别方法,其特征在于:在步骤5)中,所述的计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数,相交系数越大表示两幅图像越相似,然后与阈值进行比较以进行相似性度量的方法是:
通过计算两幅待匹配手指静脉ROI图像的特征编码图像的灰度直方图相交系数的方法,来判断这两幅手指静脉ROI图像是否匹配:
式中,m1和m2分别表示两幅待匹配的手指静脉ROI图像,Hm1(i)和Hm2(i)分别代表两幅待匹配的手指静脉ROI图像的特征编码图像的灰度直方图,L表示特征编码图像的灰度直方图的维数,sim(m1,m2)为特征编码图像的灰度直方图的归一化相交系数。
若计算出的相交系数>相似性决策阈值T,则表示这两幅手指静脉ROI图像相似,即表示这两幅手指静脉ROI图像匹配;若其相交系数≤相似性决策阈值T,则判定这两幅手指静脉ROI图像不匹配;相似性决策阈值T是手指静脉ROI图像匹配结果中错误拒绝率为0,且错误允许率最低时所对应的阈值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401404.XA CN108596126B (zh) | 2018-04-28 | 2018-04-28 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401404.XA CN108596126B (zh) | 2018-04-28 | 2018-04-28 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596126A true CN108596126A (zh) | 2018-09-28 |
CN108596126B CN108596126B (zh) | 2021-09-14 |
Family
ID=63619768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810401404.XA Expired - Fee Related CN108596126B (zh) | 2018-04-28 | 2018-04-28 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596126B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
CN109523484A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于分形特征的手指静脉血管网络修复方法 |
CN109815791A (zh) * | 2018-12-13 | 2019-05-28 | 北京理工大学 | 基于血管的身份识别方法和装置 |
CN109902585A (zh) * | 2019-01-29 | 2019-06-18 | 中国民航大学 | 一种基于图模型的手指三模态融合识别方法 |
CN110263726A (zh) * | 2019-06-24 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
CN110472479A (zh) * | 2019-06-28 | 2019-11-19 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN111353472A (zh) * | 2020-03-30 | 2020-06-30 | 蚌埠学院 | 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 |
CN111639560A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 |
CN112395988A (zh) * | 2020-11-18 | 2021-02-23 | 深圳市威富视界有限公司 | 手指静脉识别方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
CN105095880A (zh) * | 2015-08-20 | 2015-11-25 | 中国民航大学 | 一种基于lgbp编码的手指多模态特征融合方法 |
CN105184266A (zh) * | 2015-09-14 | 2015-12-23 | 中国民航大学 | 一种手指静脉图像识别方法 |
CN106056059A (zh) * | 2016-05-20 | 2016-10-26 | 合肥工业大学 | 多方向slgs特征描述及性能云加权融合的人脸识别方法 |
CN107194351A (zh) * | 2017-05-22 | 2017-09-22 | 天津科技大学 | 基于韦伯局部对称图结构的人脸识别特征提取算法 |
CN107229949A (zh) * | 2017-05-25 | 2017-10-03 | 贵州宇鹏科技有限责任公司 | 一种复杂光照下图像特征提取方法 |
CN107358147A (zh) * | 2017-05-22 | 2017-11-17 | 天津科技大学 | 基于局部循环图结构的人脸识别特征提取算法 |
-
2018
- 2018-04-28 CN CN201810401404.XA patent/CN108596126B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
CN105095880A (zh) * | 2015-08-20 | 2015-11-25 | 中国民航大学 | 一种基于lgbp编码的手指多模态特征融合方法 |
CN105184266A (zh) * | 2015-09-14 | 2015-12-23 | 中国民航大学 | 一种手指静脉图像识别方法 |
CN106056059A (zh) * | 2016-05-20 | 2016-10-26 | 合肥工业大学 | 多方向slgs特征描述及性能云加权融合的人脸识别方法 |
CN107194351A (zh) * | 2017-05-22 | 2017-09-22 | 天津科技大学 | 基于韦伯局部对称图结构的人脸识别特征提取算法 |
CN107358147A (zh) * | 2017-05-22 | 2017-11-17 | 天津科技大学 | 基于局部循环图结构的人脸识别特征提取算法 |
CN107229949A (zh) * | 2017-05-25 | 2017-10-03 | 贵州宇鹏科技有限责任公司 | 一种复杂光照下图像特征提取方法 |
Non-Patent Citations (3)
Title |
---|
MOVINA R. AYOOB等: "Face Recognition using Symmetric Local Graph Structure", 《INDIAN JOURNAL OF SCIENCE AND TECHNOLOGY》 * |
SONG DONG等: "Finger Vein Recognition Based on Multi-Orientation Weighted Symmetric Local Graph Structure", 《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》 * |
卢中宁等: "手指多模态Gabor编码特征局部融合方法研究", 《信号处理》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523484B (zh) * | 2018-11-16 | 2023-01-17 | 中国民航大学 | 一种基于分形特征的手指静脉血管网络修复方法 |
CN109523484A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于分形特征的手指静脉血管网络修复方法 |
CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
CN109522842B (zh) * | 2018-11-16 | 2023-01-17 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
CN109815791A (zh) * | 2018-12-13 | 2019-05-28 | 北京理工大学 | 基于血管的身份识别方法和装置 |
CN109902585A (zh) * | 2019-01-29 | 2019-06-18 | 中国民航大学 | 一种基于图模型的手指三模态融合识别方法 |
CN109902585B (zh) * | 2019-01-29 | 2023-04-07 | 中国民航大学 | 一种基于图模型的手指三模态融合识别方法 |
CN110263726A (zh) * | 2019-06-24 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
CN110263726B (zh) * | 2019-06-24 | 2021-02-02 | 浪潮集团有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
CN110472479A (zh) * | 2019-06-28 | 2019-11-19 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN110472479B (zh) * | 2019-06-28 | 2022-11-22 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN111353472A (zh) * | 2020-03-30 | 2020-06-30 | 蚌埠学院 | 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 |
CN111353472B (zh) * | 2020-03-30 | 2023-04-07 | 蚌埠学院 | 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 |
CN111639560A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 |
CN112395988A (zh) * | 2020-11-18 | 2021-02-23 | 深圳市威富视界有限公司 | 手指静脉识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108596126B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596126A (zh) | 一种基于改进的lgs加权编码的手指静脉图像识别方法 | |
Yu et al. | Coarse iris classification using box-counting to estimate fractal dimensions | |
Hartung et al. | Spectral minutiae for vein pattern recognition | |
CN108509927B (zh) | 一种基于局部对称图结构的手指静脉图像识别方法 | |
Zhang et al. | Graph fusion for finger multimodal biometrics | |
CN105095880B (zh) | 一种基于lgbp编码的手指多模态特征融合方法 | |
CN102521575A (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
CN104091145B (zh) | 人体掌脉特征图像采集方法 | |
CN109902585A (zh) | 一种基于图模型的手指三模态融合识别方法 | |
CN105975905B (zh) | 一种手指静脉快速识别方法 | |
CN108681722A (zh) | 一种基于纹理的手指静脉特征匹配方法 | |
CN101122949A (zh) | 一种基于局部频率特征和局部方向特征的虹膜识别方法 | |
CN110119695A (zh) | 一种基于特征融合和机器学习的虹膜活性检测方法 | |
He et al. | Iris feature extraction method based on LBP and chunked encoding | |
Cheng et al. | Directional illumination estimation sets and multilevel matching metric for illumination-robust face recognition | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
CN109241905A (zh) | 一种图像处理方法和装置 | |
Wang et al. | Hand vein recognition based on improved template matching | |
CN110263726A (zh) | 一种基于深度相关性特征学习的指静脉识别方法及装置 | |
CN102663443B (zh) | 基于图像扰动和相关滤波的生物特征识别方法 | |
CN109359607A (zh) | 一种基于纹理的掌纹掌脉融合识别方法 | |
CN104268502B (zh) | 人体静脉图像特征提取后的认识方法 | |
Lefkovits et al. | CNN approaches for dorsal hand vein based identification | |
Ibrahim et al. | A hyprid technique for human footprint recognition |
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: 20210914 |
|
CF01 | Termination of patent right due to non-payment of annual fee |