CN109753912B - 一种基于张量的多光谱掌纹匹配方法 - Google Patents
一种基于张量的多光谱掌纹匹配方法 Download PDFInfo
- Publication number
- CN109753912B CN109753912B CN201811620045.3A CN201811620045A CN109753912B CN 109753912 B CN109753912 B CN 109753912B CN 201811620045 A CN201811620045 A CN 201811620045A CN 109753912 B CN109753912 B CN 109753912B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- palm print
- matching
- information
- 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
Abstract
本发明揭示了一种基于张量的多光谱掌纹匹配方法,该方法包括如下步骤:S1:得到目标掌纹图像,S2:预处理步骤;对S1步骤中得到的目标掌纹图像中的感兴趣图像进行预处理;S3:特征提取步骤;对经S2步骤预处理后的灰度图像上的掌纹兴趣点提取;S4:存储步骤;将S3步骤提取到的掌纹特征存储至掌纹信息库,再对掌纹信息库中的信息进行提取;S5:特征点匹配步骤;对S4步骤提取到的掌纹信息进行特征点匹配;S6:图像匹配分数计算,根据匹配点对间的结构信息构建张量,求解匹配分数判断匹配结果。本发明利用了一种新的算法实现了在颜色空间上的去相关,使得各层色彩空间之间的对比度更强,同时各层图片也具有了更为丰富的特征信息。
Description
技术领域
本发明涉及一种基于张量的多光谱掌纹匹配方法,可用于生物特征识别技术领域。
背景技术
随着信息技术的飞速发展,人们对于个人信息安全以及公共安全愈加重视,因此对生物识别技术准确性以及实时性的要求也愈加提高。生物识别技术指利用人的生理或行为特征来识别个人的身份的技术,常见的生理特征包括指纹,掌纹,视网膜,人脸等,而行为特征一般指笔迹和声音等。其中由于掌纹图像采集的便利性而且具有较高的用户接受性,并且对掌纹图像的特征提取相对容易,所以掌纹图像的识别技术具有极高的应用价值。而多光谱的掌纹图像的采集原理是利用手掌皮肤在不同谱段光谱下具有不同的反射率的特点,获得了具有不同手掌纹理信息的掌纹图像,其中可见光图像具有较高的分辨率,边缘特征明显,而红外波段的图像的目标特征明显,但是噪声较大,边缘模糊。因此如何充分的利用多个谱段的特征信息成为了提高掌纹图像识别率的关键。
在计算机视觉领域,高效的特征识别需要做到在复杂光照条件下的光照估计,然而颜色谱段间的相关度很高,并且由于大部分的图像信息表现为灰度信息,因此许多特征提取方法常常忽略了颜色信息。而近红外图像一般与红光(R),绿光(G),蓝光(B)图像间的相关度较低,表现为其中含有与RGB图像相比更为丰富的特征信息。在Van der Sande的关于色彩SIFT的论文中,可以看出在对比颜色空间(例如红色-绿色或者蓝色和黄色)里计算特征描述子与直接在红色,绿色,蓝色空间中计算相比,前者在目标和场景识别的应用下表现更好。
图像特征包括图像的灰度、几何特征、纹理特征等。掌纹图像一般具有较多的纹理特征,局部二值模式算子(LBP算子)属于一种比较常见的非参数算子,首先应用于描述图像的纹理信息。它具有灰度不变性,并且计算简单,已经广泛应用于人脸识别等领域。与传统的局部二值模式算子相比,圆形局部二值模式算子具有更大的覆盖范围以及更灵活的表达形式。
2011年Duchenne等人提出了基于张量的高阶图匹配(Tensor Matching,TM)算法,该算法求解多重线性目标函数最大化的所有的组合解,其目标函数,被称之为匹配分数函数,图与图之间的匹配转化成了最大化匹配分数函数的优化问题,获得了比较高的性能,对噪声,外点等干扰表现了强鲁棒性。在掌纹匹配的问题中,利用基于张量的匹配模型可以更好的利用特征点间的结构信息,同时可以有效的避免误匹配点对结果的影响。
发明内容
本发明的目的就是为了解决现有技术中存在的上述问题,设计了一种基于张量的多光谱掌纹匹配的算法,通过提取多个图像谱段下的纹理特征,实现了对候选目标点的配准,提出了一种基于张量的计算图像匹配分数的新思路。
本发明的目的将通过以下技术方案得以实现:一种基于张量的多光谱掌纹匹配方法,该方法包括如下步骤:
S1:获取目标掌纹图像;
S2:预处理步骤;
对S1步骤中得到的目标掌纹图像中的感兴趣图像进行预处理,消除图像光照的影响;
S3:特征提取步骤;
对经S2步骤预处理后的灰度图像上的掌纹兴趣点提取,根据各个像素点的邻域信息,提取掌纹感兴趣区域中的细节点。同时进行多光谱图像各通道间的去相关,增强颜色空间的对比度;对各个兴趣点计算特征描述子,表现为各个点周围一部分邻域内的方向自适应多尺度圆形局部二值模式LBP算子的直方图;
S4:存储步骤;
将所述S3步骤提取到的掌纹特征,包括兴趣点的位置信息及其相对应的特征描述子存储至掌纹信息库中;
S5:特征点匹配步骤;
从S4步骤存储的掌纹信息库中提取模板掌纹信息,对提取到的掌纹信息进行特征点匹配;计算一组图之间各个兴趣点特征描述子间的相似度,提取正确匹配对;
S6:图像匹配分数计算,根据匹配点对间的结构信息构建张量,求解匹配分数判断匹配结果。
优选地,所述S2步骤还包括以下步骤:
S21:图像亮度归一化;
设待处理的掌纹图像为I,掌纹兴趣区域的高度和宽度均为L,图像的均值为:
方差为:
利用图像的均值与方差对ROI图像进行亮度归一化处理,则处理后的图像为:
其中Mean0为图像均值的期望值,Var0为方差的期望值。
优选地,所述S2步骤还包括以下步骤:
S22:消除图像亮度分布不均匀;
将归一化后的图像平均分块成32*32的大小,每块算出最大值构成一个32*32的矩阵,通过双三次插值将32*32图像放大成与原图像相同的尺寸,用原图减去操作后的图像,将此图像拉伸到0,1之间。
优选地,所述S3步骤还包括以下步骤:
S31:首先对原掌纹图像进行细化,对图像先腐蚀再膨胀,可以消除图中的小物体,在纤细点处分离物体,以突出掌纹图像的纹理信息,并且将图像转化成二值图像;
S32:在提取掌纹细节点时,首先为图像中的每个像素点附近建立一个8邻域区域,其中P1-P8为像素点P周围的环绕像素点。若该像素点为黑色点其值设为1,为白色点其值设为0;
根据周围8邻域的值计算相交点数(Crossing Number),计算公式为:
当相交点数值为1时,点P为端点,当相交点数值为3时,该点P为分叉点,存储点P的坐标位置与兴趣点类型,对于找到的端点,将其沿着纹理方向移动5个像素,若在移动的过程中出现交叉点则判断此点为毛刺,将其去除。
优选地,所述S5步骤还包括以下步骤:
匹配的方法为关键点的特征向量之间的相似度,如果兴趣点与待匹配点集中的最近点与次近点的卡方距离比值小于给定阈值即记为一组匹配点对,阈值一般取0.9,卡方距离的计算方法为:
χ2(S,M)=∑(Si-Mi)2/(Si+Mi)
其中S,M为一组特征向量;若目标掌纹的一个点与模板掌纹上的一个点相匹配,则进行一次相反的检查,即对模板掌纹上的这个点与目标掌纹上的特征点进行匹配,如果仍然匹配成功,则将该组点对视为一组正确匹配。
优选地,所述S6步骤还包括以下步骤:
所述匹配分数统计,其计算规则包括:
S61:张量的建立方法
S62:匹配分数函数的建立
在获得局部特征和关系描述之后,对匹配分数进行数学建模,其中最常见的方式为:基于局部特征和关系描述,提取复合特征信息,并定义计算此信息相似性的度量函数(H),与两幅图的映射矩阵相结合(X),从而得到对总体匹配结果的评价函数;
在已经求得正确的匹配点对的情况下,矩阵X为一个行列数为匹配点对个数的单位矩阵,对于超图的匹配问题,其总体匹配结果评价函数的形式为:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:通过提取多个谱段下掌纹图像的纹理特征,实现对候选目标点配准,提出了一种基于张量的计算图像匹配分数的新思路。解决了现有方法中对多光谱信息利用的不足,以及如何有效的实现点特征的提取和匹配的问题。
为了更有效的利用近红外图像特征,本发明利用了一种新的算法实现了在颜色空间上的去相关,使得各层色彩空间之间的对比度更强,同时各层图片也具有了更为丰富的特征信息。
附图说明
图1为本发明的一种基于张量的多光谱掌纹匹配方法的流程图。
图2为本发明的掌纹图像预处理前后的对比图。
图3为本发明的细节点8邻域的结构图。
图4为本发明的细节点类型的示意图。
图5为本发明的掌纹兴趣点的示例图。
图6为本发明的局部二值模式算子示意图。
图7为本发明的自适应方向局部二值模式算子示意图。
图8为本发明的掌纹匹配结果的示例图。
图9为本发明的张量的计算关系图。
图10为本发明的分配矩阵示意图。
图11为本发明的不同方法在数据库中的识别率对比。
具体实施方式
本发明的目的、优点和特点,将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。
本技术方案中以MATLAB为实现平台。本发明实现了对目标掌纹图像与模板掌纹图像的配准,如图1所示,一种基于张量的多光谱掌纹匹配方法的具体步骤如下:
一种基于张量的多光谱掌纹匹配方法,该方法包括如下步骤:
S1:获取目标掌纹图像,即目标掌纹图像。
S2:预处理步骤;
对S1步骤中得到的目标掌纹图像中的感兴趣图像进行预处理,消除图像光照的影响;对预处理过后的掌纹图像提取特征,包括掌纹灰度图像上兴趣点的位置信息,并提取去相关后的多光谱掌纹图像上,各个兴趣点对应的多尺度多谱段的方向自适应局部二值模式算子的直方图特征信息。
S3:特征提取步骤;
对经S2步骤预处理后的灰度图像上的掌纹兴趣点提取,根据各个像素点的邻域信息,提取掌纹感兴趣区域中的细节点。同时进行多光谱图像各通道间的去相关,增强颜色空间的对比度;对各个兴趣点计算特征描述子,表现为各个点周围一部分邻域内的方向自适应多尺度圆形局部二值模式LBP算子的直方图;
S4:存储步骤;
将所述S3步骤提取到的掌纹特征,包括兴趣点的位置信息及其相对应的特征描述子存储至掌纹信息库中;
S5:特征点匹配步骤;
从S4步骤存储的掌纹信息库中提取模板掌纹信息,对提取到的掌纹信息进行特征点匹配;计算一组图之间各个兴趣点特征描述子间的相似度,提取正确匹配对;将目标掌纹特征与掌纹数据库中所提取的模板特征进行匹配,匹配方法为特征描述子间的相似性,计算各组特征向量间的卡方距离。
S6:图像匹配分数计算,根据匹配点对间的结构信息构建张量,求解匹配分数判断匹配结果。图像匹配分数计算,利用已经完成配准的兴趣点对构建张量,定义了一个与张量相关的匹配分数函数,通过求解该匹配分数,判定目标掌纹图像与模板掌纹是否匹配,分数大于阈值则视为匹配成功。
在提取掌纹兴趣点之前,对目标掌纹图像的感兴趣区域进行预处理,去除图像可能存在的光照不均的影响。
所述S2步骤还包括以下步骤:
S21:图像亮度归一化;
设待处理的掌纹图像为I,掌纹兴趣区域的高度和宽度均为L,图像的均值为:
方差为:
利用图像的均值与方差对ROI图像进行亮度归一化处理,则处理后的图像为:
其中Mean0为图像均值的期望值,Var0为方差的期望值,在本技术方案中,图像均值的期望值和方差的期望值为160和200。
所述S2步骤还包括以下步骤:
S22:消除图像亮度分布不均匀;
将归一化后的图像平均分块成32*32的大小,每块算出最大值构成一个32*32的矩阵,通过双三次插值将32*32图像放大成与原图像相同的尺寸,用原图减去操作后的图像,将此图像拉伸到0,1之间。图2为预处理前后的掌纹图像对比图。
所述S3步骤还包括以下步骤:
S31:首先对原掌纹图像进行细化,具体的对图像先腐蚀再膨胀,可以消除图中的小物体,在纤细点处分离物体,以突出掌纹图像的纹理信息,并且将图像转化成二值图像;
S32:在提取掌纹细节点时,首先为图像中的每个像素点附近建立一个8邻域区域,其中P1-P8为像素点P周围的环绕像素点。若该像素点为黑色点其值设为1,为白色点其值设为0;
根据周围8邻域的值计算相交点数(Crossing Number),计算公式为:
当相交点数值为1时,点P为端点,当相交点数值为3时,该点P为分叉点,存储点P的坐标位置与兴趣点类型,对于找到的端点,将其沿着纹理方向移动5个像素,若在移动的过程中出现交叉点则判断此点为毛刺,将其去除。
具体地,对预处理过后的掌纹图像提取特征,包括掌纹中兴趣点的位置信息及其相对应的特征信息。
(1)兴趣点位置信息提取:检测兴趣点时,需要首先对原掌纹图像进行细化,具体的步骤是对图像先腐蚀再膨胀,可以消除图中的小物体,在纤细点处分离物体,以突出掌纹图像的纹理信息。并且将图像转化成二值图像。
在提取掌纹细节点时,首先为图像中的每个像素点附近建立一个8邻域区域,如图3所示,其中P1-P8为像素点P周围的环绕像素点。若该像素点为黑色点其值设为1,为白色设为0。
根据周围8邻域的值计算相交点数(Crossing Number),计算公式为:
如图4所示,当相交点数值为1时,点P为端点,如图4的左图所示,当相交点数值为3时,该点P为分叉点,如图4的右图所示。存储点P的坐标位置与兴趣点类型。对于找到的端点,将其沿着纹理方向移动5个像素,若在移动的过程中出现交叉点则判断此点为毛刺,将其去除。
掌纹上的兴趣点分布大致如图5所示。
(2)兴趣点特征描述子提取:对各兴趣点提取特征时,首先进行多光谱图像的去相关,此处的多光谱图像为c=[r,g,b,i],分别表示多光谱谱段中的红光,绿光,蓝光和近红外层,计算谱段间的协方差矩阵的特征向量:
为了确保新的颜色分量与原颜色分量维度相同,进行一次线性变换 :
其中w为对应的特征向量。
得到的新颜色空间即表示为c'=[c'1,c'2,c'3,c'4],每一层可以看作去相关的颜色分量的一组线性变换。
匹配的方法为关键点的特征向量之间的相似度,如果兴趣点与待匹配点集中的最近点与次近点的卡方距离比值小于给定阈值即记为一组匹配点对,阈值一般取0.9,卡方距离的计算方法为:
χ2(S,M)=∑(Si-Mi)2/(Si+Mi)
其中S,M为一组特征向量;若目标掌纹的一个点与模板掌纹上的一个点相匹配,则进行一次相反的检查,即对模板掌纹上的这个点与目标掌纹上的特征点进行匹配,如果仍然匹配成功,则将该组点对视为一组正确匹配。
优选地,所述S6步骤还包括以下步骤:
所述匹配分数统计,其计算规则包括:
S61:张量的建立方法
S62:匹配分数函数的建立
在获得局部特征和关系描述之后,对匹配分数进行数学建模,其中最常见的方式为:基于局部特征和关系描述,提取复合特征信息,并定义计算此信息相似性的度量函数(H),与两幅图的映射矩阵相结合(X),从而得到对总体匹配结果的评价函数;
在已经求得正确的匹配点对的情况下,矩阵X为一个行列数为匹配点对个数的单位矩阵,对于超图的匹配问题,其总体匹配结果评价函数的形式为:
多光谱图像在光谱维上的去相关,提高颜色空间内不同层之间的对比度。原图像由红光,绿光,蓝光,近红外四通道图像构成,通过一组基于协方差矩阵特征值的线性变换,形成新的四通道图像c'1,c'2,c'3,c'4,使得各通道间的相关系数减小。
在去相关后的掌纹图像上提取关键点的特征描述子,具体的描述方法是对各个颜色分量图像计算多尺度自适应方向局部二值模式描述子。兴趣点的特征表示为该点周围一部分邻域内的局部二值模式值直方图。
本发明采用的是基于“等价模式”的方向自适应圆形局部二值模式算子,该算子提高了覆盖范围,即将算子形状定义为圆形,具体形式见图6。
一个局部二值模式算子会产生不同的二进制模式,随着邻域内采集样点的数目增加,其二进制模式也会增加,对于有P个采样点的局部二值模式算子会有2P个二进制模式,基于“等价模式”的局部二值模式算子可以解决这一问题,将循环二进制数最多只有两次跳变时归为等价模式类,共有58类,而跳变次数多于两次统一归为混合模式类,赋予相同的值,可以减少二进制模式的数量,所需的计算量及储存空间较小。
经典局部二值模式算子忽略了图像的方向信息,考虑到掌纹图像中的纹理具有大量的方向信息,本发明利用了自适应方向的局部二值模式算子,考虑到图像的方向信息,计算各个像素点的水平及竖直方向梯度判断该点方向。
如图7所示,若水平方向梯度与竖直方向梯度同时大于或等于0,则局部二值模式算子的起点为左上角;若水平方向梯度大于等于0而竖直方向梯度小于0,则局部二值模式算子的起点为左下角;若水平方向梯度小于0而竖直方向梯度大于等于0,则局部二值模式算子的起点为右下角;而两者同时为负值的情况,算子计算起点为右上角。
本发明采用多尺度,采样半径分别为1、3、5、7,并且采样点数为8的圆形局部二值模式算子,在四通道上分别计算局部二值模式算子,各通道可以得到一个59个组距的直方图。每一个兴趣点的特征描述为兴趣点附近大小为20*20的邻域局部二值模式的统计直方图频次,累加各通道与各尺度上统计直方图的频次,即可以将每个兴趣点表示为一组长度为59的向量。
其特征表示为:
Hc,r为单个通道上对应尺度的局部二值模式直方图频次。
步骤4:将掌纹特征信息存储进掌纹信息库,需要存储的信息包括步骤3中所检测的兴趣点坐标信息和各点对应的一部分邻域内的方向自适应的多尺度局部二值模式算子的直方图信息。
步骤5:兴趣点特征匹配,匹配的方法为关键点的特征向量之间的相似度,计算各组特征向量间的卡方距离。如果兴趣点与待匹配点集中的最近点与次近点的卡方距离比值小于给定阈值即记为一组匹配点对,阈值一般取0.9。卡方距离的计算方法为:
χ2(S,M)=∑(Si-Mi)2/(Si+Mi)
其中S,M为一组特征向量。
为了提高配准的准确率同时消除误匹配点的影响,同时采取了交叉过滤的方法以去除误匹配点对。若目标掌纹的一个点与模板掌纹上的一个点相匹配,则进行一次相反的检查,即对模板掌纹上的这个点与目标掌纹上的特征点进行匹配,如果仍然匹配成功,则将该组点对视为一组正确匹配。
如图8所示为一组掌纹图像上的点集匹配示意图。
步骤6:匹配分数计算,基于张量的匹配分数计算框架为:(1)张量的建立方法
(2)匹配分数函数的建立
利用已经完成配准的兴趣点对构建张量,定义了一个与张量相关的匹配分数函数,通过求解该匹配分数,判定目标掌纹图像与模板掌纹是否匹配,分数大于阈值则视为匹配成功。
在获得局部特征和关系描述之后,对匹配分数进行数学建模。其中最常见的方式为:基于局部特征和关系描述,提取复合特征信息,并定义计算此信息相似性的度量张量(H),与两幅图点集的点对映射矩阵相结合(X),从而得到对总体匹配结果的评价函数。
由图10可知,在已经求得正确的匹配点对的情况下,矩阵X为一个行列数为匹配点对个数的单位矩阵,表示为:
对于超图的匹配问题,其总体匹配结果评价函数的形式为:
其中,张量表示第一幅图中提取的结构关系与第二幅图中各种结构组合的相似度。矩阵表示两幅图各个特征点的映射关系,即为单位阵。如果匹配分数大于设定的阈值(经测定合适的阈值范围为100-120),则判定两幅掌纹图像匹配成功。
方法1:本发明所述方法,方法2:基于张量的单一尺度圆形局部二值模式特征(T.Ojala,M.Pietik¨ainen,and T.M¨aenp¨a¨a,“Multiresolution gray-scale androtation invariant texture classification with local binary patterns,”IEEETransactions on Pattern Analysis and Machine Intelligence,vol.24,no.7,pp.971–987,Jul 2002.)匹配算法与方法3:基于图的分块局部二值模式算子的匹配算法(T.Ahonen,A.Hadid,and M.Pietikainen,“Face Description with Local BinaryPatterns:Application to Face Recognition,”IEEE Trans.Pattern Analysis andMachine Intelligence,vol.28,no.12,pp.2037-2041,Dec.2006.)的比较结果见图11。
综上,本发明提出的基于张量的掌纹识别方法,可以有效的提升掌纹识别准确率与匹配速度。相比于传统方法,充分利用了多光谱掌纹的特征信息。
本发明提出的算法充分利用了多光谱图像的特征信息,可以实现掌纹图像间的匹配。其技术效果包括:第一,针对当前多光谱图像特征提取算法的不足,充分利用近红外谱段的特征信息,丰富了特征描述子的独立性和可靠性;第二,圆形区域的局部二值模式算子纹理特征提取有效的提取了掌纹图像不同尺度的纹理特征,同时自适应方向的性质充分利用了图像纹理的方向信息,结合等价模式的局部二值模式算子大大减少了特征直方图的维度,减小了特征匹配的计算速度以及存储空间;第三,基于张量的图像匹配方法,通过高阶拓扑结构描述了物体的整体结构,这种点的关联性降低了错误匹配对匹配分数的影响,因此基于张量的匹配分数函数具有更高的可靠性。
综上所述可以看出本发明提出的基于张量的多光谱掌纹图像的匹配方法具有更高的准确性和鲁棒性。并且复杂程度低,实现简单,具有较快的计算速度。
本发明尚有多种实施方式,凡采用等同变换或者等效变换而形成的所有技术方案,均落在本发明的保护范围之内。
Claims (3)
1.一种基于张量的多光谱掌纹匹配方法,其特征在于:该方法包括如下步骤:
S1:获取目标掌纹图像;
S2:预处理步骤;
对S1步骤中得到的目标掌纹图像中的感兴趣图像进行预处理,消除图像光照的影响;
S3:特征提取步骤;
对经S2步骤预处理后的灰度图像上的掌纹兴趣点提取,根据各个像素点的邻域信息,提取掌纹感兴趣区域中的细节点;同时进行多光谱图像各通道间的去相关,增强颜色空间的对比度;对各个兴趣点计算特征描述子,表现为各个点周围一部分邻域内的方向自适应多尺度圆形局部二值模式LBP算子的直方图,具体为:
S31:首先对原掌纹图像进行细化,对图像先腐蚀再膨胀,可以消除图中的小物体,在纤细点处分离物体,以突出掌纹图像的纹理信息,并且将图像转化成二值图像;
S32:在提取掌纹细节点时,首先为图像中的每个像素点附近建立一个8邻域区域,其中P1-P8为像素点P周围的环绕像素点;若该像素点为黑色点其值设为1,为白色点其值设为0;
根据周围8邻域的值计算相交点数Crossing Number,计算公式为:
当相交点数值为1时,点P为端点,当相交点数值为3时,该点P为分叉点,存储点P的坐标位置与兴趣点类型,对于找到的端点,将其沿着纹理方向移动5个像素,若在移动的过程中出现交叉点则判断此点为毛刺,将其去除
S4:存储步骤;
将所述S3步骤提取到的掌纹特征,包括兴趣点的位置信息及其相对应的特征描述子存储至掌纹信息库中;
S5:特征点匹配步骤;
从S4步骤存储的掌纹信息库中提取模板掌纹信息,对提取到的掌纹信息进行特征点匹配;计算一组图之间各个兴趣点特征描述子间的相似度,提取正确匹配对;匹配的方法为关键点的特征向量之间的相似度,如果兴趣点与待匹配点集中的最近点与次近点的卡方距离比值小于给定阈值即记为一组匹配点对,阈值取0.9,卡方距离的计算方法为:
χ2(S,M)=∑(Si-Mi)2/(Si+Mi)
其中S,M为一组特征向量;若目标掌纹的一个点与模板掌纹上的一个点相匹配,则进行一次相反的检查,即对模板掌纹上的这个点与目标掌纹上的特征点进行匹配,如果仍然匹配成功,则将该组点对视为一组正确匹配;
S6:图像匹配分数计算,根据匹配点对间的结构信息构建张量,求解匹配分数判断匹配结果;
所述匹配分数统计,其计算规则包括:
S61:张量的建立方法
S62:匹配分数函数的建立
在获得局部特征和关系描述之后,对匹配分数进行数学建模,其中最常见的方式为:基于局部特征和关系描述,提取复合特征信息,并定义计算此信息相似性的度量函数H,与两幅图的映射矩阵相结合X,从而得到对总体匹配结果的评价函数;
在已经求得正确的匹配点对的情况下,矩阵X为一个行列数为匹配点对个数的单位矩阵,对于超图的匹配问题,其总体匹配结果评价函数的形式为:
3.根据权利要求2所述的一种基于张量的多光谱掌纹匹配方法,其特征在于:所述S2步骤还包括以下步骤:
S22:消除图像亮度分布不均匀;
将归一化后的图像平均分块成32*32的大小,每块算出最大值构成一个32*32的矩阵,通过双三次插值将32*32图像放大成与原图像相同的尺寸,用原图减去操作后的图像,将此图像拉伸到0,1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620045.3A CN109753912B (zh) | 2018-12-27 | 2018-12-27 | 一种基于张量的多光谱掌纹匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620045.3A CN109753912B (zh) | 2018-12-27 | 2018-12-27 | 一种基于张量的多光谱掌纹匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753912A CN109753912A (zh) | 2019-05-14 |
CN109753912B true CN109753912B (zh) | 2022-09-06 |
Family
ID=66404233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811620045.3A Active CN109753912B (zh) | 2018-12-27 | 2018-12-27 | 一种基于张量的多光谱掌纹匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753912B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443261B (zh) * | 2019-08-15 | 2022-05-27 | 南京邮电大学 | 一种基于低秩张量恢复的多图匹配方法 |
CN116071787B (zh) * | 2023-01-06 | 2023-09-29 | 南京航空航天大学 | 一种多光谱掌纹识别方法、系统、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN107292273A (zh) * | 2017-06-28 | 2017-10-24 | 西安电子科技大学 | 基于特异扩展八邻域双Gabor掌纹ROI匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265347B2 (en) * | 2008-04-24 | 2012-09-11 | The Hong Kong Polytechnic University | Method and system for personal identification using 3D palmprint imaging |
-
2018
- 2018-12-27 CN CN201811620045.3A patent/CN109753912B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN107292273A (zh) * | 2017-06-28 | 2017-10-24 | 西安电子科技大学 | 基于特异扩展八邻域双Gabor掌纹ROI匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109753912A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103323B (zh) | 一种基于图像轮廓特征的目标识别方法 | |
CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
Gu et al. | Recognition using regions | |
CN109389074B (zh) | 一种基于人脸特征点提取的表情识别方法 | |
Tavallali et al. | Robust cascaded skin detector based on AdaBoost | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN104951940B (zh) | 一种基于掌纹识别的移动支付验证方法 | |
CN106778517A (zh) | 一种监控视频序列图像车辆再识别的方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
CN112232332B (zh) | 一种基于视频序列的非接触式手掌检测方法 | |
Jayaraman et al. | An efficient color and texture based iris image retrieval technique | |
CN109753912B (zh) | 一种基于张量的多光谱掌纹匹配方法 | |
CN114782715B (zh) | 一种基于统计信息的静脉识别方法 | |
Paul et al. | Rotation invariant multiview face detection using skin color regressive model and support vector regression | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Frucci et al. | Using direction and score information for retina based person verification | |
Yang et al. | Person reidentification by kernel pca based appearance learning | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
Niazi et al. | Hybrid face detection in color images | |
Das et al. | Enhancing face matching in a suitable binary environment | |
CN114913610A (zh) | 一种基于指纹和指静脉的多模态识别方法 | |
CN109241886B (zh) | 基于olbp与pca的人脸识别方法和系统 | |
Li et al. | 3D face recognition by constructing deformation invariant image | |
Rajesh et al. | Undecimated dual tree complex wavelet transform based face 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 |