CN109299713A - 高质量多光谱生物特征图像采集方法 - Google Patents

高质量多光谱生物特征图像采集方法 Download PDF

Info

Publication number
CN109299713A
CN109299713A CN201811244516.5A CN201811244516A CN109299713A CN 109299713 A CN109299713 A CN 109299713A CN 201811244516 A CN201811244516 A CN 201811244516A CN 109299713 A CN109299713 A CN 109299713A
Authority
CN
China
Prior art keywords
bird
image
value
nest
high quality
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
Application number
CN201811244516.5A
Other languages
English (en)
Inventor
陶静静
孙熊伟
朱泽德
贾哲
许书彬
郭彦涛
许翔
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.)
CETC 54 Research Institute
Hefei Technology Innovation Engineering Institute of CAS
Original Assignee
CETC 54 Research Institute
Hefei Technology Innovation Engineering Institute of CAS
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 CETC 54 Research Institute, Hefei Technology Innovation Engineering Institute of CAS filed Critical CETC 54 Research Institute
Priority to CN201811244516.5A priority Critical patent/CN109299713A/zh
Publication of CN109299713A publication Critical patent/CN109299713A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明特别涉及一种高质量多光谱生物特征图像采集方法，包括如下步骤：(A)选择M个波段的近红外光，每个波段的近红外光对应设置N个光强等级；(B)通过布谷鸟搜索算法输出最佳光强组合所对应的图像，每个光强组合对应布谷鸟搜索算法中的一个鸟巢位置，图像质量分析函数对应布谷鸟搜索算法中的目标函数；(C)对步骤B输出的图像进行身份识别。通过设置多个波段、多种光强的近红外光组合进行照射，利用布谷鸟搜索算法快速搜寻优秀光源配比，使得本方法能够适用于所有用户，同时，布谷鸟搜索算法能够在多种波段和光强组合中迅速找到最优解，提高采集速度。

Description

高质量多光谱生物特征图像采集方法
技术领域
本发明涉及生物特征图像采集技术领域，特别涉及一种高质量多光 谱生物特征图像采集方法。
背景技术
随着现代社会的进步和科学技术的迅猛发展，生物特征识别技术越 来越受到人们的关注，在日常生活中的身份识别、公司学校考勤、银行 ATM机等领域具有很巨大的应用前景。它利用隐藏在手掌内部的特征信 息来识别，具有非接触、安全、防伪性好等优点，因此成为学者们如今 研究的一个热点。
在生物特征识别技术中，图像采集光源的设计占有很重要的地位， 由于不同人手掌生物特征隐藏在皮下组织的深度不同，皮肤组织对近红 外光反射率不同，每个人脂肪和蛋白质等成分对近红外影响程度存在差 异等因素，造成部分手掌条件差的人群拍摄出来的生物特征图像质量 差，从而影响后续图像处理，所以选取合适波长的近红外光对获取高质 量特征图像至关重要。
目前手掌身份识别光源部分的设计大多采用固定强度的一种或两 种波长近红外光对不同的使用者的手掌进行照射，这样的设计存在以下 问题：(1)光强自适应度差，不能根据不同个体的手掌条件而及时调整 光强配比以得出优秀光源；(2)光源波长单一，尤其当用户数量庞大时， 采用波长单一的近红外光采集装置很难采集到大量高质量的生物特征 图像。
发明内容
本发明的目的在于提供一种高质量多光谱生物特征图像采集方法， 能够获取到优质的生物特征图像，保证后续识别的准确性。
为实现以上目的，本发明采用的技术方案为：一种高质量多光谱生 物特征图像采集方法，包括如下步骤：(A)选择M个波段的近红外光， 每个波段的近红外光对应设置N个光强等级；(B)通过布谷鸟搜索算法 输出最佳光强组合所对应的图像，每个光强组合对应布谷鸟搜索算法中 的一个鸟巢位置，图像质量分析函数对应布谷鸟搜索算法中的目标函数；(C)对步骤B输出的图像进行生物特征识别。
与现有技术相比，本发明存在以下技术效果：由于用户手掌存在诸 多差异，固定波段和光强的近红外光获取到的生物特征图像只能适用部 分人群，这里通过设置多个波段、多种光强的近红外光组合进行照射， 利用布谷鸟搜索算法快速搜寻优秀光源配比，使得本方法能够适用于所 有用户，同时，布谷鸟搜索算法能够在多种波段和光强组合中迅速找到 最优解，提高采集速度。
具体实施方式
下面结合具体实施例，对本发明做进一步详细叙述。
一种高质量多光谱生物特征图像采集方法，包括如下步骤：(A)选 择M个波段的近红外光，每个波段的近红外光对应设置N个光强等级； (B)通过布谷鸟搜索算法输出最佳光强组合所对应的图像，每个光强 组合对应布谷鸟搜索算法中的一个鸟巢位置，图像质量分析函数对应布 谷鸟搜索算法中的目标函数；(C)对步骤B输出的图像进行生物特征识 别。由于用户手掌存在诸多差异，固定波段和光强的近红外光获取到的 手掌生物特征图像只能适用部分人群，这里通过设置多个波段、多种光 强的近红外光组合进行照射，利用布谷鸟搜索算法快速搜寻优秀光源配 比，使得本方法能够适用于所有用户，同时，布谷鸟搜索算法能够在多 种波段和光强组合中迅速找到最优解，提高采集速度。
如果选择过少的波段和光强等级，适应性会小很多，部分人群的手 掌生物特征采集图像可能质量会比较差，如果选择过多的波段和光强等 级，布谷鸟搜索算法寻找最优光强组合会消耗更多时间，影响采集速度， 故本实施例中优选地，所述的步骤A中，近红外光的波段有三个，分别 为760nm、850nm和940nm，每个波段的近红外光光强等级为4，这样一共有64中光强组合，满足绝大部分用户使用且采集速度迅速。
具体地，所述的布谷鸟搜索算法包括如下步骤：(S1)生成目标函 数f(x)，初始化鸟巢位置Xi，初始化种群规模、维数、发现概率Pa以及 最大迭代次数tmax；(S2)用初始鸟巢位置Xi对应的光强组合照射手掌获 得生物特征图像，将生物特征图像代入目标函数f(x)中计算目标函数 值；(S3)对鸟巢位置Xi采用莱维飞行公式进行鸟巢位置更新；(S4)根据新的鸟巢位置执行步骤S2得到新的鸟巢位置的目 标函数值；若新的目标函数值优于旧的目标函数值，则用新的鸟巢替换 旧鸟巢，反之不变；(S5)位置更新后，产生随机数ri∈(0，1)，将随机 数ri与发现概率Pa进行比较，若ri≥Pa，则对鸟巢位置随机改变， 反之不变；(S6)若迭代次数达到最大迭代次数tmax或者误差达到精度 要求，则输出最优鸟巢位置对应光强组合照射获得的手掌生物特征图 像；否则重复步骤S2～S6。所述的步骤S1中，包括如下步骤：(S11)判 断布谷鸟搜索算法是否是第一次执行，若是，则执行步骤S12，否则执 行步骤S13；(S12)生成目标函数f(x)，随机选择一个鸟巢得到初始鸟 巢位置Xi，初始化种群规模、维数、发现概率Pa以及最大迭代次数tmax； (S13)将最后一次执行步骤S6输出的最有鸟巢位置作为初始鸟巢位置 Xi。通过以上步骤，可以快速的寻找出最优的光强配比，并且，随着算 法的运行，找出最优解的步骤会越来越少，采集速度会越来越快。
标准的布谷鸟搜索算法步长固定和发现概率的随机淘汰策略存在 一些不足，容易造成算法收敛慢和淘汰最优解的问题，故本发明中对步 长和发现概率的随机淘汰策略进行改进。
优选地，所述的步骤S3中，对步长根据以下步长公式计算得出：
其中，stepmin和stepmax分别表示最大步长值和最小步长值，dmax表示当前最佳鸟巢位置与其他鸟巢位置之间距离的最大值，ni表示第i个 鸟巢位置，nbest表示当前最佳的鸟巢位置。实验证明，改进后的步长策 略与标准的算法相比提高了算法的寻优精度和收敛速度，具有自适应调 整步长的能力。
优选地，所述的步骤S5包括以下步骤：(S51)位置更新后，产生 随机数ri∈(0，1)；(S52)引入选择概率Pi：
式中，Fiti是第i个解的适应度，gBest和gWorst分别表示目前为止 最好的解和最差的解的适应度值；(S53)计算新随机数r′i＝(ri+Pi)/2； (S54)将新随机数r′i与发现概率Pa进行比较，若r′i≥Pa，则对鸟巢位置 随机改变，反之不变。实验结果表明发现概率的随机淘汰策略改进 后，求解质量和收敛速度都得到了提高。
图像的质量评价有很多方案可以实现，本发明中优选地，所述的目 标函数f(x)＝w1(1-Qm)+w2·Qd；其中Qm为光照不均匀度评价分数， Qd为图像清晰度评价分数，w1和w2为对应指标的权重值且w1+w2＝1。 我们这里优选地，所述的w1＝0.23，w2＝0.77，在这样的权重取值下， 可以给出相当可靠的评价结果。
光照不均匀度评价分数Qm和图像清晰度评价分数Qd同样有很多算 法可以去实现，本发明中具体地：所述的光照不均匀度评价分数Qm按如 下步骤计算：(1-1)将手掌ROI图像平均分成若干个小方格，计算每一 个小方格的灰度均值M[n]：
式中，M[n]中存放着各小方块的灰度均值，k表示小方块的尺寸，Fn(i，j)为第n块小方格在坐标(i，j)处的灰度值；(1-2)计算光照不均匀 度评价分数Qm：
式中，Mmax和Mmin分别表示M[n]中的最大值和最小值，M(F)表示 整个手掌ROI图像的灰度均值，Min为最小值运算。所述图像清晰度评 价分数Qd按如下步骤计算：(2-1)记手掌ROI图像为F，按公式处理图像F得到二次模糊图片H，其中G为所选的高斯低通滤波器； (2-2)在原图F和模糊图H的边缘外圈增加一圈像素点，像素值与相 邻边缘点相同；(2-3)分别在原图F和模糊图H中计算相邻像素灰度差 异，得到相应的领域灰度差异矩阵T和T′：
式中，(i，j)为当前点的坐标，k，l＝-1，0，1，分别代表当前点的8邻 域水平和垂直方向的坐标的偏移量，Dij和D′ij表示当前点与其8邻域个 点灰度差序列，abs和Max分别为绝对值和最大值运算；(2-4)计算图 像清晰度评价分数Qd：

Claims (10)

1.一种高质量多光谱生物特征图像采集方法，其特征在于：包括如下步骤：
(A)选择M个波段的近红外光，每个波段的近红外光对应设置N个光强等级；
(B)通过布谷鸟搜索算法输出最佳光强组合所对应的图像，每个光强组合对应布谷鸟搜索算法中的一个鸟巢位置，图像质量分析函数对应布谷鸟搜索算法中的目标函数；
(C)对步骤B输出的图像进行生物特征识别。
2.如权利要求1所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的步骤A中，近红外光的波段有三个，分别为760nm、850nm和940nm，每个波段的近红外光光强等级为4。
3.如权利要求2所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的布谷鸟搜索算法包括如下步骤：
(S1)生成目标函数f(x)，初始化鸟巢位置Xi，初始化种群规模、维数、发现概率Pa以及最大迭代次数tmax；
(S2)用初始鸟巢位置Xi对应的光强组合照射手掌获得生物特征图像，将生物特征图像代入目标函数f(x)中计算目标函数值；
(S3)对鸟巢位置Xi采用莱维飞行公式进行鸟巢位置更新；
(S4)根据新的鸟巢位置执行步骤S2得到新的鸟巢位置的目标函数值；若新的目标函数值优于旧的目标函数值，则用新的鸟巢替换旧鸟巢，反之不变；
(S5)位置更新后，产生随机数ri∈(0，1)，将随机数ri与发现概率Pa进行比较，若ri≥Pa，则对鸟巢位置随机改变，反之不变；
(S6)若迭代次数达到最大迭代次数tmax或者误差达到精度要求，则输出最优鸟巢位置对应光强组合照射获得的生物特征图像；否则重复步骤S2～S6。
4.如权利要求3所述的高质量多光谱生物特征采集方法，其特征在于：所述的步骤S1中，包括如下步骤：
(S11)判断布谷鸟搜索算法是否是第一次执行，若是，则执行步骤S12，否则执行步骤S13；
(S12)生成目标函数f(x)，随机选择一个鸟巢得到初始鸟巢位置Xi，初始化种群规模、维数、发现概率Pa以及最大迭代次数tmax；
(S13)将最后一次执行步骤S6输出的最有鸟巢位置作为初始鸟巢位置Xi。
5.如权利要求3所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的步骤S3中，对步长根据以下步长公式计算得出：
其中，stepmin和stepmax分别表示最大步长值和最小步长值，dmax表示当前最佳鸟巢位置与其他鸟巢位置之间距离的最大值，ni表示第i个鸟巢位置，nbest表示当前最佳的鸟巢位置。
6.如权利要求3所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的步骤S5包括以下步骤：
(S51)位置更新后，产生随机数ri∈(0，1)；
(S52)引入选择概率Pi：
式中，Fiti是第i个解的适应度，gBest和gWorst分别表示目前为止最好的解和最差的解的适应度值；
(S53)计算新随机数r′i＝(ri+Pi)/2；
(S54)将新随机数r′i与发现概率Pa进行比较，若r′i≥Pa，则对鸟巢位置随机改变，反之不变。
7.如权利要求2-6任一项所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的目标函数f(x)＝w1(1-Qm)+w2·Qd；其中Qm为光照不均匀度评价分数，Qd为图像清晰度评价分数，w1和w2为对应指标的权重值且w1+w2＝1。
8.如权利要求7所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的w1＝0.23，w2＝0.77。
9.如权利要求7所述的高质量多光谱生物特征图像采集方法，其特征在于：所述的光照不均匀度评价分数Qm按如下步骤计算：
(1-1)将手掌ROI图像平均分成若干个小方格，计算每一个小方格的灰度均值M[n]：
式中，M[n]中存放着各小方块的灰度均值，k表示小方块的尺寸，Fn(i，j)为第n块小方格在坐标(i，j)处的灰度值；
(1-2)计算光照不均匀度评价分数Qm：
式中，Mmax和Mmin分别表示M[n]中的最大值和最小值，M(F)表示整个手掌ROI图像的灰度均值，Min为最小值运算。
10.如权利要求7所述的高质量多光谱生物特征图像采集方法，其特征在于：所述图像清晰度评价分数Qd按如下步骤计算：
(2-1)记手掌ROI图像为F，按公式处理图像F得到二次模糊图片H，其中G为所选的高斯低通滤波器；
(2-2)在原图F和模糊图H的边缘外圈增加一圈像素点，像素值与相邻边缘点相同；
(2-3)分别在原图F和模糊图H中计算相邻像素灰度差异，得到相应的领域灰度差异矩阵T和T′：
式中，(i，j)为当前点的坐标，k，l＝-1，0，1，分别代表当前点的8邻域水平和垂直方向的坐标的偏移量，Dij和D′ij表示当前点与其8邻域个点灰度差序列，abs和Max分别为绝对值和最大值运算；
(2-4)计算图像清晰度评价分数Qd：
CN201811244516.5A 2018-10-24 2018-10-24 高质量多光谱生物特征图像采集方法 Pending CN109299713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811244516.5A CN109299713A (zh) 2018-10-24 2018-10-24 高质量多光谱生物特征图像采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811244516.5A CN109299713A (zh) 2018-10-24 2018-10-24 高质量多光谱生物特征图像采集方法

Publications (1)

Publication Number Publication Date
CN109299713A true CN109299713A (zh) 2019-02-01

Family

ID=65157619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811244516.5A Pending CN109299713A (zh) 2018-10-24 2018-10-24 高质量多光谱生物特征图像采集方法

Country Status (1)

Country Link
CN (1) CN109299713A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144308A (zh) * 2019-12-25 2020-05-12 中国冶金地质总局矿产资源研究院 一种高岭土矿物信息提取模型及其建立方法和应用
CN113435115A (zh) * 2021-06-21 2021-09-24 安徽理工大学 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427945A (zh) * 2017-03-06 2018-08-21 新多集团有限公司 一种多光谱自适应掌纹掌静脉采集设备及采集方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427945A (zh) * 2017-03-06 2018-08-21 新多集团有限公司 一种多光谱自适应掌纹掌静脉采集设备及采集方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHUNYI WANG ET.AL.: "Quality assessment on near infrared palm vein image", 《2017 32ND YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF》 *
兰少峰等: "《布谷鸟搜索算法研究综述》", 《计算机工程与设计》 *
田野等: "《一种改进的布谷鸟搜索算法》", 《长春理工大学学报（自然科学版）》 *
苑玮琦等: "《基于波长选择的手掌静脉采集系统研究》", 《激光与红外》 *
董文功: "《非接触式掌静脉图像识别系统设计及实现》", 《万方数据知识服务平台》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144308A (zh) * 2019-12-25 2020-05-12 中国冶金地质总局矿产资源研究院 一种高岭土矿物信息提取模型及其建立方法和应用
CN111144308B (zh) * 2019-12-25 2023-06-16 中国冶金地质总局矿产资源研究院 一种高岭土矿物信息提取模型及其建立方法和应用
CN113435115A (zh) * 2021-06-21 2021-09-24 安徽理工大学 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质
CN113435115B (zh) * 2021-06-21 2024-01-19 安徽理工大学 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质

Similar Documents

Publication Publication Date Title
CN101999900B (zh) 一种应用于人脸识别的活体检测方法及系统
Ghoualmi et al. An ear biometric system based on artificial bees and the scale invariant feature transform
CN105718889B (zh) 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
US8498454B2 (en) Optimal subspaces for face recognition
Nurhaida et al. Performance comparison analysis features extraction methods for batik recognition
US20060222212A1 (en) One-dimensional iris signature generation system and method
CN105472733B (zh) 一种应用于室内定位中的基于ap选择定位方法
CN103984920B (zh) 一种基于稀疏表示与多特征点的三维人脸识别方法
CN1822024A (zh) 一种人脸特征点定位方法
CN109948467A (zh) 人脸识别的方法、装置、计算机设备和存储介质
Miau et al. Neuromorphic algorithms for computer vision and attention
CN109299713A (zh) 高质量多光谱生物特征图像采集方法
CN107045717A (zh) 基于人工蜂群算法的白细胞的检测方法
CN109886267A (zh) 一种基于最优特征选择的低对比度图像显著性检测方法
CN106599828A (zh) 一种基于roi的红外图像检测方法
CN104021384A (zh) 一种人脸识别方法及装置
Niu et al. Automatic localization of optic disc based on deep learning in fundus images
CN110929570B (zh) 虹膜快速定位装置及其定位方法
CN113642385B (zh) 基于深度学习的脸部痣识别方法及系统
Sang et al. A biologically-inspired top-down learning model based on visual attention
CN110119685A (zh) 一种基于dcgan的红外人脸图像转化方法
JP2012248047A (ja) 生体識別装置、及び、生体識別方法
Chen et al. An effective iris recognition system based on combined feature extraction and enhanced support vector machine classifier
Rodner et al. Deep bilinear features for Her2 scoring in digital pathology
Khan et al. Fast and efficient iris segmentation approach based on morphology and geometry operation

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

Application publication date: 20190201

RJ01 Rejection of invention patent application after publication