CN109409179B - 一种基于邻域类编码学习的静脉识别方法 - Google Patents
一种基于邻域类编码学习的静脉识别方法 Download PDFInfo
- Publication number
- CN109409179B CN109409179B CN201810295976.4A CN201810295976A CN109409179B CN 109409179 B CN109409179 B CN 109409179B CN 201810295976 A CN201810295976 A CN 201810295976A CN 109409179 B CN109409179 B CN 109409179B
- Authority
- CN
- China
- Prior art keywords
- class
- vein
- inter
- binary
- classes
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于邻域类编码学习的静脉识别方法,其特征在于,包括以下步骤:S1、获取训练集静脉图像特征;S2、对所有训练集特征,生成类别间二值模版;S3:以所有训练集特征和得到的类别间二值模版作为输入,二值模版中的每一位训练一个分类器;S4:获取测试静脉图像特征,并将测试特征循环输入每一个分类器,得到测试特征的二值编码;S5:对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别,得到静脉识别结果。本发明在输入静脉图像特征的基础上,考虑类别间的关系,采用类别编码的方式对原始特征进行二值化,既能提高静脉识别准确率,又能在很大程度上降低数据量。
Description
技术领域
本发明涉及基于生物特征的自动身份识别技术领域,特别是一种基于邻域类编码学习的静脉识别方法。
背景技术
随着科学技术的发展,传统的钥匙、口令、门禁卡等身份识别手段逐渐被人们所淘汰,取而代之的是各类生物特征识别手段,如:人脸识别、指纹识别、虹膜识别、掌纹识别(人的生理特征)和步态识别、语音识别 (人的行为特征)等。作为21世纪的一个朝阳产业,生物识别技术已进入人们生活的各个方面,呈现出网络化、非接触、多模态等趋势特征。这些生物特征识别与传统的身份识别技术相比,具有方便、快捷、有效、不易丢失、交互力强等优势。
静脉是人体皮下组织中随机分布的一种网络,手指静脉是指沿着手指皮下组织随机分布的一种网络,医学研究表明,不同人,甚至是同一人的不同手指静脉分布都是不同的,而且静脉纹路一旦形成,不会随着人的年龄增长发生变化。手指静脉识别是利用手指静脉血液中的血红蛋白对近红外光(波长范围为690~980nm)的吸收特性来采集静脉图像进而进行身份识别的技术。与其他生物特征识别技术相比,手指静脉识别具有以下优势:(1)利用血液中的血红蛋白对近红外光的吸收特性获取特征,能实现活体检测;(2)内部特征,肉眼不可见,能有效防止造假;(3)非接触式采集,用户体验好;(4)采集设备简单、小巧,容易实现便携式设备开发。因此,手指静脉识别技术从2000年第一次被提出就得到研究人员的广泛关注。
现有技术中,相关单位和个人针对静脉识别也进行了大量的研究和分析,其中针对静脉特征训练学习提取的研究尤为突出,如专利申请号 201710656587.5,一种基于自学习的指静脉特征提取方法及系统,采用自编码神经网络模型进行特征提取,申请号201611114622.2,一种基于HOL 特征与子空间学习的静脉识别方法,采用基于方向线直方图统计的方法进行特征表示。然而,现有技术中均是通过提取静脉图像的多维度特征进行分析,通过静脉特征自身的特异性实现静脉特征的识别,而忽略了静脉特征类别间的相互关系,导致静脉的识别效率不高。
发明内容
(一)要解决的技术问题
鉴于上述技术问题,本发明提供了一种基于邻域类编码学习的静脉识别方法,该方法在输入静脉图像特征的基础上,考虑类别间的关系,采用类别编码的方式对原始特征进行二值化,既能提高静脉识别准确率,又能在很大程度上降低数据量。
(二)技术方案
根据本发明的一个方面,提供了一种基于邻域类编码学习的静脉识别方法,包括以下步骤:
S1、获取训练集静脉图像特征;
S2、对所有训练集特征,生成类别间二值模版;
S3:以所有训练集特征和得到的类别间二值模版作为输入,二值模版中的每一位训练一个分类器;
S4:获取测试静脉图像特征,并将测试特征循环输入每一个分类器,得到测试特征的二值编码;
S5:对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别,得到静脉识别结果。
在某些实施例中,步骤S1包括以下步骤:
S11、采集识别部位的静脉图像;
S12、对采集到的静脉图像进行预处理;
S13、对预处理后的静脉图像进行特征表示,得到特征。
在某些实施例中,在步骤S13中,对预处理后的静脉图像进行特征表示,采用的方法为基于局部编码方法、基于频域的方法、基于子空间的方法或基于HOL特征描述的方法。
在某些实施例中,步骤S2包括以下步骤:
S21:生成类间关系矩阵;
S22:类间关系矩阵粗二值化,得到编码矩阵;
S23:类间关系矩阵再二值化,得到最终的编码矩阵。
在某些实施例中,步骤S21包括以下步骤:
S211:计算类均值构建每个类的中心;
S212:通过计算每两类中心之间的距离来获得两类的权重并生成类间关系矩阵;
S213:将类间关系矩阵量化为0-255间的整数;
S214:对类间关系矩阵进行行均衡化和列均衡化。
在某些实施例中,在步骤S22中,对每一类选取K个类邻域位置,根据所选邻域对类间关系矩阵粗二值化,得到编码矩阵。
在某些实施例中,在步骤S23中,计算所有编码矩阵中所有类的类间散度,对类间散度小的类别单独处理,进行类间关系矩阵再二值化,包括以下步骤:
S231:计算编码矩阵中所有类二值模版的类间散度;
S232:设定阈值,找出类间散度小于阈值的类别对,改变邻域个数,以类间散度最大为优化目标,并更新编码矩阵中该类对的模版;
S233:重复上述步骤,直到类间散度不再改变,得到最终的编码矩阵。
在某些实施例中,在步骤S3中,所述分类器是SVM模型、回归树模型、随机森林模型、深度神经网络模型中的一种。
在某些实施例中,在步骤S5中,采用汉明距离对类间二值模版和测试特征的二值编码进行相似性度量,对测试图像进行识别分类,得到静脉识别结果。
在某些实施例中,所述静脉识别方法的识别部位为手指,获取手指指体区域的静脉图像,手指是左右手除大拇指和小拇指以外的其余任何手指之一。
(三)有益效果
从上述技术方案可以看出,本发明一种基于邻域类编码学习的静脉识别方法至少具有以下有益效果其中之一:
(1)本发明采用邻域类的方式对静脉特征进行编码,利用了静脉特征各类别间的关系,避免了目前的静脉识别中只考虑了类内关系和笼统的类间关系的缺点,解决了静脉识别时由于特征比对复杂导致识别效率低下的技术问题;
(2)本发明充分考虑了类别间关系,有助于更好的对静脉生物体来源进行后续数据分析。
附图说明
图1是本发明提供的一种基于邻域类编码学习的静脉识别方法流程示意图。
图2是图1中步骤S1的详细流程示意图。
图3是本发明实施例提供的一种基于邻域类编码学习的手指静脉识别方法的功能框图。
图4是本发明实施例提供的一种基于邻域类编码学习的手指静脉识别方法中ROI区域截取示意图;其中,(a)显示了原始图像、有效采集区域、垂直有效区域的截取中心的关系;(b)显示了灰度累加值曲线;(c)显示了左右截取参考线;(d)显示了感兴趣区域图像。
图5是本发明实施例提供的一种基于邻域类编码学习的生成二值模版流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明某些实施例于后方将参照所附附图做更全面性地描述,其中一些但并非全部的实施例将被示出。实际上,本发明的各种实施例可以许多不同形式实现,而不应被解释为限于此数所阐述的实施例;相对地,提供这些实施例使得本发明满足适用的法律要求。
本发明提供了一种基于邻域类编码学习的静脉识别方法。图1是本发明提供的一种基于邻域类编码学习的静脉识别方法流程示意图。如图1所示,一种基于邻域类编码学习的静脉识别方法包括以下步骤:
S1、获取训练集静脉图像特征;
S2、对所有训练集特征,生成类别间二值模版;
S3:以所有训练集特征和得到的类别间二值模版作为输入,二值模版中的每一位训练一个分类器;
S4:获取测试静脉图像特征,并将测试特征循环输入每一个分类器,得到测试特征的二值编码;
S5:对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别,得到静脉识别结果。
在某些实施例中,如图2所示,步骤S1包括以下子步骤:
S11、采集识别部位的静脉图像;
S12、对采集到的静脉图像进行预处理;
S13、对预处理后的静脉图像进行特征表示,得到特征。
在步骤S12中,预处理主要包括以下子步骤:
子步骤S121:感兴趣区域截取;
子步骤S122:静脉图像增强处理。
作为一种具体实施方式,子步骤S121中所述的感兴趣区域截取主要包括截取参考线的求取和图像尺寸及灰度归一化。
其中,子步骤S122中所述的图像增强,可采用三高斯局部图像增强算法对获取的感兴趣区域进行处理。
上述方案中,在步骤S13中,对预处理后的图像进行特征表示,采用的方法是:基于局部编码方法、基于频域的方法、基于子空间的方法或基于HOL特征描述的方法。
在某些实施例中,步骤S2包括以下步骤:
子步骤S21:生成类间关系矩阵;
子步骤S22:类间关系矩阵粗二值化,得到编码矩阵;
子步骤S23:类间关系矩阵再二值化,得到最终的编码矩阵。
在子步骤S21中,生成类间关系矩阵主要包括:
子步骤S211:计算类均值构建每个类的中心;
子步骤S212:通过计算每两类中心之间的欧式距离来获得两类的权重并生成类间关系矩阵;
子步骤S213:将类间关系矩阵量化为0-255间的整数;
子步骤S214:对类间关系矩阵均衡化,包括行均衡化和列均衡化。
对于步骤S212每两类中心之间的距离也可以采用其他距离度量方式,例如余弦距离等度量方式。
在子步骤S22中,对每一类选取K个类邻域位置,根据所选邻域对类间关系矩阵粗二值化,得到编码矩阵;
上述方案中,邻域数K的选取采用每类信息熵约束指导。
在子步骤S23中,计算所有编码矩阵中所有类的类间散度,对类间散度小的类别单独处理,进行类间关系矩阵再二值化,主要包括:
子步骤S231:计算编码矩阵中所有类二值模版的类间散度;
子步骤S232:设定阈值,找出类间散度小于阈值的类别对,改变邻域个数,以类间散度最大为优化目标,并更新编码矩阵中该类对的模版;
子步骤S233:重复上述步骤,直到类间散度不再改变,得到最终的编码矩阵。
上述方案中,在步骤S3中,对每一位训练一个分类器,这里的分类器可以是SVM、回归树、随机森林、深度神经网络等方法中的一种。
上述方案中,在步骤S4中,获取测试静脉图像特征,具体为,对测试静脉图像进行和训练集静脉图像相同的预处理及特征表示,得到测试特征。测试特征对应位的0、1值表示其与训练集类别间的关系。
上述方案中,在步骤S5中,采用汉明距离对类间二值模版和测试特征的二值编码进行相似性度量,采用最近邻分类对测试集图像进行识别分类,得到静脉识别结果。
在步骤S5中,所述识别还可以采用K近邻或神经网络中的一种。
示例性实施例:
在本发明的一个示例性实施例中,提供了一种基于邻域类编码学习的静脉识别方法,识别部位为手指,获取手指指体区域的静脉图像,手指可以是左右手除大拇指和小拇指以外的其余任何手指。以手指静脉识别为对象,每根手指作为一个独立的类别看待,以下结合图1至图5对本发明实施例中各个方法步骤进行详细说明。
S1:获取手指训练集静脉图像特征。包括以下子步骤:
S11、采集手指训练集静脉图像。
在本实施例中,步骤S11用采集设备采集手指训练集静脉图像,采集设备包括图像采集系统和控制器,图像采集系统可以采用指静脉仪,指静脉仪包括近红外LED阵列光源(7灯一列)、滤光片镜头和CMOS摄像头;控制器包括单片机和控制电路,用于控制近红外LED阵列光源的光强,使其能根据手指静脉图像的质量自适应调整各个近红外LED光源的亮度,得到最佳手指静脉图像。在本实施例中,共采集了来自29个人的2610张手指静脉图像,每人左右手各采集食指、中指、无名指三根手指,每次采集都是6根手指一个循环,以增加每次手指按下的随机性,每个手指采集 15幅手指静脉图像,共29X6=174个手指对象。
S12、对采集到的手指训练集静脉图像进行预处理。
本实施例中,由于采集的手指训练集静脉图像质量较好,因此只进行感兴趣区域(ROI)截取,得到感兴趣区域图像(ROI图像)。
具体过程如图4所示,其中,(a)显示了原始图像、有效采集区域、垂直有效区域的截取中心的关系;(b)显示了灰度累加值曲线;(c)显示了左右截取参考线;(d)显示了感兴趣区域图像,具体包括:
采集设备在采集手指训练集静脉图像时,在原始图像中以红色矩形框定义手指的有效采集区域,如图4的(a)中红色矩形框所示,以该红色矩形框的左右边的中点连接成的中线为中心,并以该中线作为垂直有效区域的截取中心;
将红色矩形框内的部分在水平方向上投影,求投影各个位置像素点的灰度累加值曲线,如图4的(b)所示;
灰度累加值曲线在两个指关节处存在两个局部峰值,取第一个指关节位置为左右截取参考线,如图4的(c)所示;
以左右截取参考线为水平方向的基准,结合垂直有效区域的截取中心,截取一定大小的区域作为手指静脉ROI区域,将ROI区域对应的图像作为感兴趣区域图像,如图4的(d)所示;
在本实施例中,ROI区域的宽可以取130个像素大小(垂直有效区域的截取中心两边各取65像素),长可以取370个像素大小(左右截取参考线左取270个像素,右取100个像素)。
S13、对预处理后的训练集静脉图像进行特征表示,得到训练集特征。
HOL特征采用Gabor滤波获取手指静脉纹路的幅值和方向相应,对手指静脉图像有很好的表示能力。因此,根据手指训练集静脉图像纹路走向的特点,采用基于方向线直方图统计(HOL)的方法对ROI图像进行特征表示,得到训练集HOL特征。
S2:对所有训练集HOL特征,生成类别间二值模版,具体过程如图 5所示,步骤如下:
子步骤S21:生成类间关系矩阵;
子步骤S22:类间关系矩阵粗二值化,得到编码矩阵;
子步骤S23:类间关系矩阵再二值化,得到最终的编码矩阵;
本实施例中,在子步骤S21中,生成类间关系矩阵主要包括:
子步骤S211:对所有训练集HOL特征,计算类均值向量,构建每类的类中心,仅每类的类中心被看作关系图的节点;
子步骤S212:计算每两类中心之间的欧式距离来获得两类的权重并生成类间关系矩阵;
子步骤S213:将类间关系矩阵量化为0-255间的整数,值越大表示类间关系越近,对角线为本类对本类的关系,值均为255;
子步骤S214:对类间关系矩阵均衡化,这里的均衡化,思想跟图像处理里面的直方图均衡化相同,采用累计分布函数(cumulative distribution function,CDF),把原始关系矩阵直方图比较集中的某个区间变成全部范围内的均匀分布,本质上就是对取值进行非线性拉伸,重新分配取值。对于值为rk的像素密度(这里的像素表示的是两类间的距离)为:
其中,rk=0,1,2...,255。nk是值为rk的取值个数,n是总的值的个数。变换函数为:
在此步骤中,不对整个关系矩阵进行处理,而是先按行(按样本)对关系矩阵进行均衡化,再按列(按位)对关系矩阵进行均衡化。
在子步骤S22中,对每一类选取K个类邻域位置,根据所选邻域对类间关系矩阵粗二值化,得到编码矩阵,就某一类而言,被选取的K个邻域类的位置编码为1,未被选取的其余类位置编码为0,以此得到类别间二值模版,这里邻域个数K的选取采用信息模版的信息熵为指导,信息熵的计算公式为:
其中n表示模版的位数,这里指的是训练集的类别数,li(a=0)表示模版中第i位为0的概率,li(a=1)表示模版中第i位为1的概率。
在子步骤S23中,先计算所有编码矩阵中所有类的类间散度,设定阈值,找出类间散度小于阈值的类别对,通过改变邻域个数,以类间散度最大为优化目标,并更新编码矩阵中该类对的模版;重复上述步骤,直到类间散度不再改变,得到最终的编码矩阵。
S3:以训练集生成的二值模版作为先验信息,采用SVM作为编码学习模型,对每一位训练一个SVM模型。SVM的输入为所有训练特征,标签为采用类均值生成的二值模版,如图2所示。
S4:待测试特征输入对应位的SVM分类器,得到测试特征的该位的值,循环所有位得到测试特征的二值编码。
S5:对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别,得到静脉识别结果。
步骤S5中,采用汉明距离对两个二值向量进行相似性度量,然后采用最近邻分类对测试集图像进行识别分类,得到手指静脉识别结果。
在步骤S5中,在得到每一测试集图像对每一类训练集图像的距离后,可进行一对一验证统计,也可进行一对多验证统计。
其中识别还可以采用K近邻或神经网络法进行。
至此,已经结合附图对本实施例进行了详细描述。依据以上描述,本领域技术人员应当对本发明一种基于邻域类编码学习的静脉识别方法有了清楚的认识。应用本发明,可以在静脉识别时充分考虑静脉类别之间的相互关系,有效解决了静脉识别中特征提取比对复杂,识别效率低下的问题。
需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
综上所述,本发明提供一种基于邻域类编码学习的静脉识别方法,与现有技术相比,本发明采用邻域类的方式对静脉特征进行编码,利用了静脉特征各类别间的关系,避免了目前的静脉识别中只考虑了类内关系和笼统的类间关系的缺点,解决了静脉识别时由于特征比对复杂导致识别效率低下的技术问题,并且,充分考虑类别间关系的静脉特征识别方法也有助于更好的对静脉生物体来源进行后续数据分析。
应当指出,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于邻域类编码学习的静脉识别方法,其特征在于,包括以下步骤:
S1、获取训练集静脉图像特征;
S2、对所有训练集特征,生成类别间二值模版;
S3:以所有训练集特征和得到的类别间二值模版作为输入,二值模版中的每一位训练一个分类器;
S4:获取测试静脉图像特征,并将测试特征循环输入每一个分类器,得到测试特征的二值编码;
S5:对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别,得到静脉识别结果;
其中,所述S2包括,
S21:生成类间关系矩阵;
S22:类间关系矩阵粗二值化,得到编码矩阵;
S23:类间关系矩阵再二值化,得到最终的编码矩阵。
2.根据权利要求1所述的静脉识别方法,其特征在于,步骤S1包括以下步骤:
S11、采集识别部位的静脉图像;
S12、对采集到的静脉图像进行预处理;
S13、对预处理后的静脉图像进行特征表示,得到特征。
3.根据权利要求2所述的静脉识别方法,其特征在于,在步骤S13中,对预处理后的静脉图像进行特征表示,采用的方法为基于局部编码方法、基于频域的方法、基于子空间的方法或基于HOL特征描述的方法。
4.根据权利要求1所述的静脉识别方法,其特征在于,步骤S21包括以下步骤:
S211:计算类均值构建每个类的中心;
S212:通过计算每两类中心之间的距离来获得两类的权重并生成类间关系矩阵;
S213:将类间关系矩阵量化为0-255间的整数;
S214:对类间关系矩阵进行行均衡化和列均衡化。
5.根据权利要求1所述的静脉识别方法,其特征在于,在步骤S22中,对每一类选取K个类邻域位置,根据所选邻域对类间关系矩阵粗二值化,得到编码矩阵。
6.根据权利要求1所述的静脉识别方法,其特征在于,在步骤S23中,计算编码矩阵中所有类的类间散度,对类间散度小的类别单独处理,进行类间关系矩阵再二值化,包括以下步骤:
S231:计算编码矩阵中所有类二值模版的类间散度;
S232:设定阈值,找出类间散度小于阈值的类别对,改变邻域个数,以类间散度最大为优化目标,并更新编码矩阵中该类别对的模版;
S233:重复上述步骤,直到类间散度不再改变,得到最终的编码矩阵。
7.根据权利要求1所述的静脉识别方法,其特征在于,在步骤S3中,所述分类器是SVM模型、回归树模型、随机森林模型、深度神经网络模型中的一种。
8.根据权利要求1所述的静脉识别方法,其特征在于,在步骤S5中,采用汉明距离对类间二值模版和测试特征的二值编码进行相似性度量,对测试图像进行识别分类,得到静脉识别结果。
9.根据权利要求1-8任一项所述的静脉识别方法,其特征在于,所述静脉识别方法的识别部位为手指、手背或手掌,识别部位为手指时,获取手指指体区域的静脉图像,手指是左右手除大拇指和小拇指以外的其余任何手指之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810295976.4A CN109409179B (zh) | 2018-03-30 | 2018-03-30 | 一种基于邻域类编码学习的静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810295976.4A CN109409179B (zh) | 2018-03-30 | 2018-03-30 | 一种基于邻域类编码学习的静脉识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409179A CN109409179A (zh) | 2019-03-01 |
CN109409179B true CN109409179B (zh) | 2021-10-12 |
Family
ID=65463452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810295976.4A Active CN109409179B (zh) | 2018-03-30 | 2018-03-30 | 一种基于邻域类编码学习的静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409179B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214746B (zh) * | 2020-09-14 | 2021-07-13 | 中国矿业大学 | 基于多模态静脉图像性别信息异构分离的身份识别方法 |
CN114936597B (zh) * | 2022-05-20 | 2023-04-07 | 电子科技大学 | 一种局部信息增强子空间真假目标特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN105138974A (zh) * | 2015-08-12 | 2015-12-09 | 中国民航大学 | 一种基于Gabor编码的手指多模态特征融合方法 |
CN106250814A (zh) * | 2016-07-15 | 2016-12-21 | 中国民航大学 | 一种基于超球粒化商空间模型的手指静脉图像识别方法 |
CN106599819A (zh) * | 2016-12-06 | 2017-04-26 | 中国科学院半导体研究所 | 基于hol特征与子空间学习的静脉识别方法 |
CN106991380A (zh) * | 2017-03-10 | 2017-07-28 | 电子科技大学 | 一种基于掌静脉图像的预处理方法 |
CN107273844A (zh) * | 2017-06-12 | 2017-10-20 | 成都芯软科技股份公司 | 掌静脉识别匹配方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977648B2 (en) * | 2012-04-10 | 2015-03-10 | Seiko Epson Corporation | Fast and robust classification algorithm for vein recognition using infrared images |
-
2018
- 2018-03-30 CN CN201810295976.4A patent/CN109409179B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN105138974A (zh) * | 2015-08-12 | 2015-12-09 | 中国民航大学 | 一种基于Gabor编码的手指多模态特征融合方法 |
CN106250814A (zh) * | 2016-07-15 | 2016-12-21 | 中国民航大学 | 一种基于超球粒化商空间模型的手指静脉图像识别方法 |
CN106599819A (zh) * | 2016-12-06 | 2017-04-26 | 中国科学院半导体研究所 | 基于hol特征与子空间学习的静脉识别方法 |
CN106991380A (zh) * | 2017-03-10 | 2017-07-28 | 电子科技大学 | 一种基于掌静脉图像的预处理方法 |
CN107273844A (zh) * | 2017-06-12 | 2017-10-20 | 成都芯软科技股份公司 | 掌静脉识别匹配方法及装置 |
Non-Patent Citations (2)
Title |
---|
Learning discriminative binary codes for finger vein recognition;XiaomingXi 等;《Pattern Recognition》;20170630;第66卷;第26-33页 * |
一种基于 2DHOL 特征与(2D)FPCA 结合的手指静脉识别方法;张丽萍 等;《计算机辅助设计与图形学学报》;20180228;第30卷(第2期);第254-261页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109409179A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN101030244A (zh) | 基于人体生理图像中排序测度特征的自动身份识别方法 | |
WO2013087028A1 (zh) | 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法 | |
Malhotra et al. | Fingerphoto authentication using smartphone camera captured under varying environmental conditions | |
Nithya et al. | Iris recognition techniques: a literature survey | |
Raja et al. | PCA based Iris Recognition using DWT | |
CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
Kauba et al. | Inverse biometrics: Generating vascular images from binary templates | |
CN109409179B (zh) | 一种基于邻域类编码学习的静脉识别方法 | |
Kumar et al. | Ann trained and WOA optimized feature-level fusion of iris and fingerprint | |
Taha et al. | Iris features extraction and recognition based on the local binary pattern technique | |
Qin et al. | Finger-vein image quality evaluation based on the representation of grayscale and binary image | |
Tazim et al. | Biometric authentication using CNN features of dorsal vein pattern extracted from NIR image | |
KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
El-Naggar et al. | Which dataset is this iris image from? | |
Aslam et al. | Gender classification based on isolated facial features and foggy faces using jointly trained deep convolutional neural network | |
Seal et al. | A Comparative Study of Human thermal face recognition based on Haar wavelet transform (HWT) and Local Binary Pattern (LBP) | |
Li et al. | Online personal verification by palmvein image through palmprint-like and palmvein information | |
Dahea et al. | Finger vein recognition system based on multi-algorithm of fusion of Gabor filter and local binary pattern | |
Badejo et al. | Survey of Periocular Recognition Techniques. | |
CN111209850A (zh) | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 | |
Kaur et al. | Finger print recognition using genetic algorithm and neural network | |
El-Sayed et al. | An identification system using eye detection based on wavelets and neural networks | |
Seal et al. | Thermal human face recognition based on GappyPCA | |
Assim et al. | CNN and Genetic Algorithm for Finger Vein 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 |