CN108875629B - 基于多样本特征融合的掌静脉识别方法 - Google Patents

Abstract

本发明公开了一种本发明基于多样本特征融合的掌静脉识别方法，在样本采集时对每个手掌分别获取多张掌静脉图像，对于每个掌静脉图像样本分别提取NBP特征向量，对每个手掌的所有掌静脉图像的NBP特征向量进行融合，然后采用相同方法提取待识别掌静脉图像的NBP特征向量，计算待识别掌静脉图像的NBP特征向量和每个手掌的融合特征向量的相似度，将相似度最大的手掌作为掌静脉识别结果。本发明通过对每个手掌多张掌静脉图像的特征进行融合得到手掌的特征向量，可以有效提高掌静脉识别率。

Description

基于多样本特征融合的掌静脉识别方法

技术领域

本发明属于生物识别技术领域，更为具体地讲，涉及一种基于多样本特征融合的掌静脉识别方法。

背景技术

传统的身份鉴别方法如钥匙、身份证、密码等容易存在冒用、盗用、丢失等现象，因此出现了生物特征的身份识别技术。生物特征识别技术通过提取人体的生物特征进行身份鉴别，常用的生物特征有指纹、人脸、虹膜、静脉等，其中的静脉识别以其稳定性、活体特征和唯一性等优点受到越来越多人的关注和研究。在几种静脉识别特征(指静脉、手背静脉、掌静脉)中，掌静脉包含的特征信息最多，识别效果最好，因此掌静脉特征识别技术具有很大的发展潜力和可应用性。

掌静脉身份识别就是通过提取手掌静脉特征来识别未知用户身份的一种技术，一般包括掌静脉图像采集、图像预处理、特征提取及特征识别或验证四个步骤，特征提取是很重要的部分，选取的特征不同将会影响到最终的识别正确率。常用的掌静脉特征包括结构特征、纹理特征、子空间特征及统计特征，其中的纹理特征方法是利用各种滤波器提取掌静脉图像的纹理特征进行识别的方法，该方法以其原理简单、通用性强、直观上更符合掌静脉图像自身特点、识别率高等优点受到广泛应用。

在生物特征识别技术领域对各种单生物特征识别的研究已经比较深入，但是单一特征所包含的手掌有效识别信息有限，使手掌的特征表征受限、匹配受限，即算法的准确识别率存在上限，需要进一步进行研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多样本特征融合的掌静脉识别方法，对每个手掌采集多张掌静脉图像样本，提取特征进行融合得到手掌的特征向量，从而提高掌静脉识别率。

为实现上述发明目的，本发明基于多样本特征融合的掌静脉识别方法的具体步骤包括：

S1：对于K个手掌分别获取掌静脉图像样本，每个手掌对应的掌静脉图像样本的数量为D_k，其中D_k＞1，k＝1,2,…,K；

S2：将所有掌静脉图像样本归一化至预设尺寸，对于每个掌静脉图像样本分别提取NBP特征向量，记第k个手掌第d幅掌静脉图像的NBP特征向量为S_k,d，d＝1,2,…,D_k，每个NBP特征向量的长度记为T；

S3：按照以下公式对每个手掌的D_k幅掌静脉图像的NBP特征向量进行融合：

其中，S_k,d(i)表示NBP特征向量S_k,d的第i个元素，i＝1,2,…,T，F_k(i)表示融合后得到的第k个手掌的融合NBP特征向量F_k的第i个元素，δ_k表示预设阈值；

S4：将待识别掌静脉图像归一化至预设尺寸，采用相同方法提取待识别掌静脉图像的NBP特征向量S′；

S5：计算待识别掌静脉图像的NBP特征向量S′和每个手掌的融合NBP特征向量F_k的相似度，将相似度最大的手掌作为掌静脉识别结果。

本发明基于多样本特征融合的掌静脉识别方法，在样本采集时对每个手掌分别获取多张掌静脉图像，对于每个掌静脉图像样本分别提取NBP特征向量，对每个手掌的所有掌静脉图像的NBP特征向量进行融合，然后采用相同方法提取待识别掌静脉图像的NBP特征向量，计算待识别掌静脉图像的NBP特征向量和每个手掌的融合特征向量的相似度，将相似度最大的手掌作为掌静脉识别结果。

本发明通过对每个手掌多张掌静脉图像的特征进行融合得到手掌的特征向量，可以有效提高掌静脉识别率。

附图说明

图1是本发明基于多样本特征融合的掌静脉识别方法的具体实施方式流程图；

图2是本实施例中NBP特征向量的提取方法流程图；

图3是本实施例中滑动窗口示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于多样本特征融合的掌静脉识别方法的具体实施方式流程图。如图1所示，本发明基于多样本特征融合的掌静脉识别方法的具体步骤包括：

S101：获取掌静脉图像样本：

对于K个手掌分别获取掌静脉图像样本，每个手掌对应的掌静脉图像样本的数量为D_k，其中D_k＞1，k＝1,2,…,K。

S102：提取图像样本的NBP特征向量：

将所有掌静脉图像样本归一化至预设尺寸，对于每个掌静脉图像样本分别提取NBP(Neighbor based Binary Pattern,近邻二值模式)特征向量，记第k个手掌第d幅掌静脉图像的NBP特征向量为S_k,d，d＝1,2,…,D_k，每个NBP特征向量的长度记为T。

NBP特征是图像处理领域一种常用特征。图2是本实施例中NBP特征向量的提取方法流程图。如图2所示，本实施例中NBP特征向量的提取方法包括以下步骤：

S201：提取掌静脉ROI区域图像：

从掌静脉图像中提取出掌静脉ROI区域图像。掌静脉ROI区域图像的提取方法可以根据需要进行选择，本实施例中所采用方法为：先将掌静脉图像进行二值化处理，然后提取手掌轮廓并采用指根法提取得到掌静脉ROI区域图像。本实施例中掌静脉ROI区域图像的大小为128×128。

为了提高识别率或后续处理的效率，可以对提取出的掌静脉ROI区域图像进行预处理，例如进行去噪处理，或者对掌静脉ROI区域图像进行降采样。本实施例中预处理采用降采样，降采样的具体过程如下：记原始掌静脉ROI区域图像的大小为M′×N′，将整个ROI区域分成b₁×b₂个小块，则每个小块大小为(M′/b₁)×(N′/b₂)，其中，b₁,b₂为整数，且M′能被b₁整除，N′能被b₂整除，对于每个小块，求取其中所有像素点的灰度均值，作为降采样后掌静脉ROI区域图像中对应像素点的灰度值，从而得到大小为M×N的掌静脉ROI区域图像。如果小块的大小过小，后续计算的复杂度较高，而小块的大小过大，会导致掌静脉图像中的特征信息损失过多，因此在实际应用时需要根据掌静脉ROI区域图像的具体情况来设置小块的大小。本实施例中取b₁＝b₂＝16，M′×N′＝128×128，则每个小块大小为8×8，求取每小块的灰度均值构成处理后的掌静脉ROI区域图像，大小为16×16。

S202：扩充掌静脉ROI区域图像：

在掌静脉ROI区域图像四周扩充L个像素点宽度，

r表示预设的滑动窗口边长，

表示向下取整，扩充区域的像素点灰度值等于和该像素点距离最近的ROI区域中像素点的灰度值，从而得到扩充后的掌静脉ROI区域图像，在扩充后的掌静脉ROI区域图像中将扩充之前的掌静脉ROI区域图像设为有效区域。进行像素点扩充的目的是使后续采用滑动窗口遍历ROI区域的计算更加方便。本实施例中设置滑动窗口边长r＝3，则扩充像素点宽度

S203：获取像素点NBP特征编码：

在扩充后的掌静脉ROI区域图像中，利用r×r大小的滑动窗口扫描有效区域，每次扫描比较窗口内像素值的大小得到二进制编码，该二进制编码即为滑动窗口中心像素点的NBP特征编码。

本实施例中滑动窗口大小为3×3。图3是本实施例中滑动窗口示意图。如图3所示，图中P_i(i＝1,2,...,8)为中心像素点之外的像素点的像素值，计算窗口中心像素的NBP特征编码的步骤如下：

以窗口中心像素为中心，左上角元素为起点，围绕中心像素将四周8个像素值按顺时针排列成一行为P₁,P₂,P₃,P₄,P₅,P₆,P₇,P₈；

上述序列从最左侧开始，比较与其右侧像素值的大小，若小于或等于右侧像素值则记为0，否则记为1，按照如下公式将序列编码为8位二进制序列s。

特别地，

其中，s_i表示得到的二进制序列s中的第i位。

按照上述方法得到的8位二进制序列s即为窗口中心像素的NBP特征编码。

S204：获取NBP特征向量：

将有效区域中每个像素点的NBP特征编码连接为一个向量，即为掌静脉图像的NBP特征向量。

本实施例中每个像素点的二进制编码为8位，而原始掌静脉ROI区域图像经过降采样后的大小为16×16，那么最终NBP特征向量的长度为2048。

S103：多样本特征融合：

按照以下公式对每个手掌的D_k幅掌静脉图像的NBP特征向量进行融合：

其中，S_k,d(i)表示NBP特征向量S_k,d的第i个元素，i＝1,2,…,T，F_k(i)表示融合后得到的第k个手掌的融合NBP特征向量F_k的第i个元素，δ_k表示预设阈值，由于本发明中NBP特征向量S_k,d为二进制向量，因此δ_k的取值范围为[1,D_k)。

根据以上公式可知，本发明在进行多样本特征融合时，融合后特征向量的元素是按照第k个手掌D_k幅掌静脉图像特征向量S_k,d中对应元素之和，也就是值为1的元素数量来确定的，如果大于预设的阈值δ_k，则融合后的元素为1，否则为0。阈值δ_k的值可以根据实际需要确定，本实施例中令

表示向下取整。

S104：提取待识别掌静脉图像的NBP特征向量：

将待识别掌静脉图像归一化至预设尺寸，采用步骤S102中相同方法提取待识别掌静脉图像的NBP特征向量S′。

S105：掌静脉识别：

计算待识别掌静脉图像的NBP特征向量S′和每个手掌的融合NBP特征向量F_k的相似度，将相似度最大的手掌作为掌静脉识别结果。

本实施例中利用汉明距离来计算特征向量的相似度，计算方法如下：

其中，R_HD(S′,F_k)表示NBP特征向量S′和融合NBP特征向量F_k之间的汉明距离，S′(i)表示NBP特征向量S′的第i个元素，

为异或计算。

显然利用上式计算的汉明距离值在0和1之间，特征向量间的汉明距离值越小，表明两幅掌静脉图像的越相似，反之，两幅掌静脉图像越不同。因此汉明距离最小的手掌序号，即为该待识别掌静脉图像的识别结果。

为了更好地说明本发明的技术效果，采用一个具体实例进行实验验证。本实施例中采用香港理工大学生物特征识别研究中心(PolyU_BRC)手掌静脉数据库中的ROI区域图像，此数据库包含500个不同的手掌，每个手掌分两次采集，两次采集的时间间隔为9天，每次采集6张图像，因此每个手掌有12张图像。分别将每个手掌第一次采集的6张图像中的任意1张、任意3张和任意5张作为掌静脉图像样本库样本图，将每个手掌第二次采集的6张图像，即共计3000张图像作为待识别图像进行实验。显然，单个样本即为传统掌静脉识别所采用的样本数量。表1是三种样本数量的识别率对比表。

表1

从表1可以看出，相比传统基于单样本图像的掌静脉识别方法，本发明基于多样本特征融合的掌静脉识别方法的识别率更高，识别效果更好，且随着每个手掌对应的掌静脉图像样本的增加，识别率可以进一步提高。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于多样本特征融合的掌静脉识别方法，其特征在于，包括以下步骤：

S1：对于K个手掌分别获取掌静脉图像样本，每个手掌对应的掌静脉图像样本的数量为D_k，其中D_k＞1，k＝1,2,…,K；

S2：将所有掌静脉图像样本归一化至预设尺寸，对于每个掌静脉图像样本分别提取NBP特征向量，记第k个手掌第d幅掌静脉图像的NBP特征向量为S_k,d，d＝1,2,…,D_k，每个NBP特征向量的长度记为T；

S3：按照以下公式对每个手掌的D_k幅掌静脉图像的NBP特征向量进行融合：

其中，S_k,d(i)表示NBP特征向量S_k,d的第i个元素，i＝1,2,…,T，F_k(i)表示融合后得到的第k个手掌的融合NBP特征向量F_k的第i个元素，δ_k表示预设阈值；

S4：将待识别掌静脉图像归一化至预设尺寸，采用步骤S2中相同方法提取待识别掌静脉图像的NBP特征向量S′；

S5：计算待识别掌静脉图像的NBP特征向量S′和每个手掌的融合NBP特征向量F_k的相似度，将相似度最大的手掌作为掌静脉识别结果。

2.根据权利要求1所述的掌静脉识别方法，其特征在于，所述NBP特征向量的提取方法为：

S2.1：从掌静脉图像中提取出掌静脉ROI区域图像；

S2.2：在掌静脉ROI区域图像四周扩充L个像素点宽度，

r表示预设的滑动窗口边长，

表示向下取整，扩充区域的像素点灰度值等于和该像素点距离最近的ROI区域中像素点的灰度值，从而得到扩充后的掌静脉ROI区域图像，在扩充后的掌静脉ROI区域图像中将扩充之前的掌静脉ROI区域图像设为有效区域；

S2.3：在扩充后的掌静脉ROI区域图像中，利用r×r大小的滑动窗口扫描有效区域，每次扫描比较窗口内像素值的大小得到二进制编码，该二进制编码即为滑动窗口中心像素点的NBP特征编码；

S2.4：将有效区域中每个像素点的NBP特征编码连接为一个向量，即为掌静脉图像的NBP特征向量。

3.根据权利要求2所述的掌静脉识别方法，其特征在于，所述步骤S2.1中，还包括对掌静脉ROI区域图像进行降采样。

4.根据权利要求1所述的掌静脉识别方法，其特征在于，所述步骤S3中阈值

5.根据权利要求1所述的掌静脉识别方法，其特征在于，所述步骤S5中特征向量的相似度采用特征向量之间的汉明距离度量，汉明距离越小，特征向量越相似。

Images