CN109902766A

CN109902766A - 一种生物特征识别方法及装置

Info

Publication number: CN109902766A
Application number: CN201910231299.4A
Authority: CN
Inventors: 邵珠宏; 孙浩浩; 尚媛园; 丁辉; 赵晓旭; 刘铁
Original assignee: Capital Normal University
Current assignee: Capital Normal University
Priority date: 2019-03-25
Filing date: 2019-03-25
Publication date: 2019-06-18

Abstract

本申请提供一种生物特征识别方法及装置，涉及图像处理识别技术领域。该方法包括获取待测图像；将表示待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵；其中，预设的特征向量为训练图像集的第二全四元数矩阵的置乱矩阵的特征向量；利用得到的投影矩阵对获取的待测图像进行分类识别并得到识别结果。该方法增加了四元数矩阵承载的图像信息量，能够更加准确的将人脸彩色图像表示出来，从而进一步提高了识别精度；置乱矩阵的实现过程是不可逆的，即使注册的或保存的生物特征数据丢失或被盗只需要重新注册或保存即可，从而有效的保护了生物特征数据如彩色人脸图像的安全性和隐私性。

Description

一种生物特征识别方法及装置

技术领域

本申请涉及图像处理识别技术领域，具体而言，涉及一种生物特征识别方法及装置。

背景技术

基于生物特征如人脸、指纹、虹膜、掌纹、声纹、步态、签名等的身份认证识别技术在电子商务、军事、公安刑侦等领域具有广阔的应用前景。基于生物特征识别的身份认证识别技术是利用生物特征的唯一性和稳定性进行实施的。因此人的生物特征涉及到个人隐私，一旦信息泄露将造成严重的后果。因此，如何确保生物特征数据的安全性成为一个重要而有价值的研究课题。

此外，主成分分析法(PCA)是模式识别判别分析中最常用的一种线性映射方法。传统的主成分分析法虽然已成功地应用于人脸识别技术，但是在应用过程中需要将人脸图像向量化，导致图像样本的维数较大。为此，有学者提出了基于图像投影技术的二维主成分分析并被应用于生物特征识别领域。随后，二维主成分分析以四元数矩阵表示的形式被应用于彩色人脸图像的识别当中。但是该方法未考虑人脸图像数据的安全性和隐私性。

发明内容

本申请实施例的目的在于提供一种生物特征识别方法及装置，基于全四元数矩阵表示和二维四元数主成分分析，增加了四元数矩阵承载的信息量，从而提高了识别精度，并且保护了生物特征数据的安全性和隐私性。

本申请实施例提供了一种生物特征识别方法，包括：

获取待测图像；

将表示待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵；其中，预设的特征向量为训练图像集的第二全四元数矩阵的置乱矩阵的特征向量；

利用得到的投影矩阵对获取的待测图像进行分类识别并得到识别结果。

在上述实现过程中，将待测图像和训练图像集均表示为全四元数矩阵，相对于现有的纯四元数矩阵表示方法来说，增加了四元数矩阵承载的图像信息量，能够更加准确的将人脸彩色图像表示出来，从而进一步提高了识别精度；

计算预设的特征向量的过程中，将训练图像集的第二全四元数矩阵变换成置乱矩阵，置乱矩阵的实现过程是不可逆的，无法还原出原始的训练图像，即使注册的或保存的生物特征数据丢失或被盗只需要重新注册或保存即可，而丢失的或被盗的生物特征数据因无法被还原而失去意义，从而有效的保护了生物特征数据如彩色人脸图像的安全性和隐私性。

进一步地，在将表示待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵之前，该方法还包括：

将预设的训练图像集中的训练图像均表示为第二全四元数矩阵；

对得到的第二全四元数矩阵进行置乱操作，得到置乱矩阵；

计算置乱矩阵的特征向量，得到的特征向量即为预设的特征向量。

在上述实现过程中，预设的特征向量是进行识别操作的基础，所以识别之前需要先将特征向量计算出来。其中，将训练图像表示为第二全四元数矩阵，全四元数矩阵的表示方法相对于纯四元数矩阵的表示方法来说增加了图像信息的承载量，进而能够更好的将图像识别出来，提高了识别精度；对第二全四元数矩阵进行置乱操作，保护了待测图像数据的安全性和隐私性。

进一步地，训练图像集中包括多幅训练图像，训练图像包括红色通道图像、绿色通道图像和蓝色通道图像，将预设的训练图像集中的训练图像均表示为第二全四元数矩阵，包括：

将获取的训练图像由RGB空间转换到HSV空间，其中HSV空间包括色调分量、饱和度分量和亮度分量；

针对亮度分量图像计算每一个像素点的局部方差，得到局部方差图谱；

将局部方差图谱作为第二全四元数矩阵的实部；

将训练图像的红色通道图像、绿色通道图像和蓝色通道图像三个颜色分量作为第二全四元数矩阵的虚部。

在上述实现过程中，将局部方差图谱作为第二全四元数矩阵的实部，相对于纯四元数矩阵(只有实部没有虚部)来说，增加了的待测图像信息的承载量，使得第二全四元数矩阵将待测图像能够更准确的表示出来，为能够更加准确的识别奠定了基础。

进一步地，对训练图像的第二全四元数矩阵进行置乱操作，得到置乱矩阵，包括：

获取左矩阵和右矩阵，并且左矩阵和所述右矩阵中的数值只有0和1；

将第二全四元数矩阵左乘左矩阵、右乘右矩阵，得到置乱矩阵。

在上述实现过程中，左矩阵和右矩阵均为数值为0和1的随机矩阵，通过置乱操作，得到置乱矩阵；由于左矩阵和右矩阵的随机性，使得得到置乱矩阵的过程具有不可逆性，即由置乱矩阵无法得到对应的第二全四元数矩阵，也就无法得到待测图像，从而保护了待测图像数据的安全性和隐私性；并且由于左矩阵和右矩阵的随机性，得到的置乱矩阵也具有随机性，如果置乱矩阵代表的生物特征数据丢失或被盗，只需要重新注册或保存即可，而丢失的或被盗的生物特征数据因无法被还原而失去意义。

进一步地，计算置乱矩阵的特征向量，包括：

计算置乱矩阵的平均值；

根据置乱矩阵的平均值计算协方差矩阵；

将协方差矩阵进行特征值分解得到特征向量。

在上述实现过程中，由于协方差矩阵是通过各个置乱矩阵的平均值得到的，为用于二维四元数主成分分析奠定了基础。

进一步地，利用投影矩阵对待测图像进行分类识别并得到识别结果，包括：

将每个第二全四元数矩阵均在特征向量上进行投影，得到特征矩阵；

计算投影矩阵与每个训练图像的特征矩阵之间的欧式距离；

当欧式距离的值最小时，特征矩阵对应的训练图像即为所识别的图像。

在上述实现过程中，基于KNN算法即k邻近分类算法，计算投影矩阵与每个训练图像的特征矩阵之间的欧式距离，当欧式距离的值为最小值时，即得到识别结果，简单、易实现。

本申请实施例还提供了一种生物特征识别装置，包括：

图像获取模块，用于获取待测图像；

特征向量生成模块，用于生成预设的特征向量；

投影模块，用于将第二全四元数矩阵和表示待测图像的第一全四元数矩阵分别在预设的特征向量上进行投影，分别得到特征矩阵和投影矩阵；

识别模块，用于利用投影矩阵对待测图像进行分类识别并得到识别结果。

本申请提供的生物特征识别装置，通过投影模块计算第二全四元数矩阵和表示待测图像的第一全四元数矩阵分别在预设的特征向量上的投影，分别得到特征矩阵和投影矩阵，通过识别模块进行识别得到识别的图像，提高识别结果的准确性。

进一步地，特征向量生成模块包括：

图像输入模块，用于输入多个训练图像并构成训练图像集；

图像转换模块，用于将RGB图像形式的所述训练图像集转换成HSV图像形式的训练图像集；

局部方差计算模块，用于针对亮度分量图像计算每一个像素点的局部方差，得到局部方差图谱；

全四元数矩阵表示模块，用于将训练图像表示为第二全四元数矩阵，待测图像表示为第一全四元数矩阵；

第二全四元数矩阵置乱模块，用于对第二全四元数矩阵进行置乱操作并得到置乱矩阵；

特征向量计算模块，用于计算置乱矩阵的特征向量，特征向量即为预设的特征向量。

在上述实现过程中，通过图像输入模块输入多幅训练图像，通过转换模块转换成HSV图像，通过局部方差计算模块计算得到每幅图像的局部方差图谱；再通过全四元数矩阵表示模块，将待测图像和训练图像分别表示成第一全四元数矩阵和第二全四元数矩阵；再通过第二全四元数矩阵置乱模块对第二全四元数矩阵进行置乱操作，从而实现了保护生物特征数据的安全性和隐私性的目的；特征向量计算模块，用于计算置乱矩阵的特征向量，方便后续计算投影矩阵和特征矩阵。

进一步地，第二全四元数矩阵置乱模块包括：

随机矩阵生成模块，用于生成左矩阵和右矩阵，并且左矩阵和所述右矩阵中的数值只有0和1；

矩阵置乱模块，用于将所述第二全四元数矩阵左乘所述左矩阵、右乘所述右矩阵，得到所述置乱矩阵。

在上述实现过程中，随机矩阵生成模块，用于生成值为0和1的左矩阵、右矩阵，使得左矩阵和右矩阵具有随机性；矩阵置乱模块，对第二全四元数矩阵进行置乱操作，使得第二全四元数矩阵也具有随机性，保证置乱过程是不可逆的，从而保证了生物特征数据的安全性和隐私性。

进一步地，识别模块包括：

距离度量模块，用于计算待测图像的投影矩阵与每个训练图像的特征矩阵之间的欧式距离；

分类识别模块，用于比较投影矩阵与每个特征矩阵之间的欧式距离，获取欧式距离的最小值，当欧式距离的值最小时，特征矩阵对应的训练图像即为所识别的图像；

识别率计算模块，用于计算所识别的图像的识别率。

在上述实现过程中，利用KNN算法和原理，计算投影矩阵和每个特征矩阵之间的欧式距离，当欧式距离的值最小时，对应的训练图像即为所需要识别的图像即完成图像的识别，使用该方法进行识别，简单且易于实现；可以通过识别率计算模块计算本申请所示方法的识别率即识别正确的图像个数与待识别的图像个数之比。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种生物特征识别方法的流程示意图；

图2为本申请实施例提供的一种在步骤S200之前的流程示意图；

图3为本申请实施例提供的步骤S210中将预设的训练图像集中的训练图像均表示为第二全四元数矩阵的流程示意图；

图4为本申请实施例提供的一种在步骤S230中计算置乱矩阵的特征向量的流程示意图；

图5为本申请实施例提供的一种生物特征识别装置的框图；

图6为本申请实施例提供的一种特征向量生成模块500的框图；

图7为本申请实施例提供的一种第二全四元数矩阵置乱模块550的框图；

图8为本申请实施例提供的一种识别模块700的框图。

图标：400-图像获取模块；500-特征向量生成模块；510-图像输入模块；520-图像转换模块；530-局部方差计算模块；540-全四元数矩阵表示模块；550-第二全四元数矩阵置乱模块；551-随机矩阵生成模块；552-矩阵置乱模块；560-特征向量计算模块；600-投影模块；700-识别模块；710-距离度量模块；720-分类识别模块；730-识别率计算模块。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参看图1，图1为本申请实施例提供的一种生物特征识别方法的流程示意图，如图1所示，该方法可以包括以下步骤：

步骤S100：获取待测图像。

例如，获取的待测图像为彩色的人脸图像，则获取到的待测图像可以表示为g(x，y)，x＝1，2，…，W₁；x＝1，2，…，W₂；其中，待测图像的尺寸为W₁×W₂，x和y代表对应的像素点p的x轴和y轴的坐标值。

步骤S200：将表示待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵；其中，预设的特征向量为训练图像集的第二全四元数矩阵的置乱矩阵的特征向量。

在上述实现过程中，将待测图像表示成第一全四元数矩阵的步骤包括：

步骤S201：将待测图像由RGB图像转换成HSV图像。

步骤S202：针对HSV图像中的亮度分量图像计算其每一个像素点的局部方差，得到待测图像的局部方差图谱。

步骤S203：将待测图像的局部方差图谱作为第一全四元数矩阵的实部；将待测图像的红色通道图像、绿色通道图像和蓝色通道图像三个颜色分量作为第一全四元数矩阵的虚部，即可得到待测图像的第一全四元数矩阵。

预设的特征向量可以表示为W，待测图像的第一全四元数矩阵可以表示为g^q(x，y)，投影矩阵可以表示为Ω，则：

Ω＝g^q×W；

步骤S300：利用得到的投影矩阵对获取的待测图像进行分类识别并得到识别结果。

在上述实现过程中，一方面，将待测图像和训练图像集均表示为全四元数矩阵，相对于现有的纯四元数矩阵表示方法来说，增加了四元数矩阵承载的图像信息量，能够更加准确的将人脸彩色图像表示出来，从而进一步提高了识别精度。

另一方面，计算预设的特征向量的过程中，将训练图像集的第二全四元数矩阵变换成置乱矩阵，置乱矩阵的变换过程是不可逆的，无法还原出原始的训练图像，即使注册的或保存的生物特征数据丢失或被盗只需要重新注册或保存即可，而丢失的或被盗的生物特征数据因无法被还原而失去意义，从而有效的保护了生物特征数据如彩色人脸图像的安全性和隐私性。

可选的，如图2所示，为本申请实施例提供的一种在将表示待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵的步骤之前的流程示意图。在步骤S200之前还包括：

步骤S210：将预设的训练图像集中的训练图像均表示为第二全四元数矩阵。

在上述实现过程中，将待测图像和训练图像集均表示为全四元数矩阵，相对于现有的纯四元数矩阵(没有实部只有虚部)表示方法来说，将HSV图像的亮度分量的局部方差图谱作为全四元数矩阵的实部，增加了四元数矩阵承载的图像信息量，能够更加准确的将人脸彩色图像表示出来，从而进一步提高了识别精度。

步骤S220：对得到的训练图像的第二全四元数矩阵进行置乱操作，得到置乱矩阵。

在上述实现过程中，置乱矩阵的变换过程是不可逆的，无法还原出原始的训练图像，在实际应用过程中，如果注册的或保存的生物特征数据丢失或被盗只需要重新注册或保存即可，而丢失的或被盗的生物特征数据因无法被还原而失去意义，从而有效的保护了生物特征数据如彩色人脸图像的安全性和隐私性。

步骤S230：计算置乱矩阵的特征向量，得到的特征向量即为预设的特征向量。

可选的，训练图像集包括多幅训练图像，训练图像可以表示为f_i(x，y)，i＝1，2，…，N，其中，N为训练图像集中训练图像的个数，训练图像的尺寸为W₁×W₂；训练图像包括红色通道图像、绿色通道图像和蓝色通道图像。如图3所示，为本实施例提供的一种在步骤S210中将预设的训练图像集中的训练图像均表示为第二全四元数矩阵的流程示意图，包括：

步骤S211：将训练图像由RGB空间转换到HSV空间，其中HSV空间包括色调分量、饱和度分量和亮度分量。

步骤S212：针对亮度分量图像计算每一个像素点的局部方差，得到局部方差图谱。

在上述实现过程中，将局部方差图谱表示为f_i ^V(x，y)；将像素点的邻域大小表示为m×m，则局部方差图谱的计算公式为：

其中，L＝m²，表示领域内像素点的总数；表示邻域内的平均灰度值；I_p表示像素点p的灰度值。

此外，可选的，对于图像边界的像素点可以采取对称补齐的方式来求其亮度分量的局部方差。

步骤S213：将局部方差图谱作为第二全四元数矩阵的实部。

步骤S214：将训练图像的红色通道图像、绿色通道图像和蓝色通道图像三个颜色分量作为第二全四元数矩阵的虚部。

在上述实现过程中，第二全四元数矩阵可以表示为f_i ^q(x，y)，训练图像的红色通道图像、绿色通道图像和蓝色通道图像三个颜色分量分别表示为f_i ^R(x，y)、f_i ^G(x，y)和f_i ^B(x，y)，则第二全四元数矩阵可以具体表示为：

f_i ^q(x，y)＝f_i ^V(x，y)+f_i ^R(x，y)i+f_i ^G(x，y)j+f_i ^B(x，y)k；

在上述实现过程中，将训练图像的RGB图像进行HSV转换，即可得到训练图像在HSV空间下的三个分量，将训练图像的亮度分量进行局部方差计算，得到亮度分量的局部方差图谱即为第二全四元数矩阵的实部，将原始的训练图像的红色通道图像、绿色通道图像和蓝色通道图像三个颜色分量分别作为第二全四元数矩阵的三个虚部，即得到了训练图像的第二全四元数矩阵；待测图像的第一全四元数矩阵的求解方法与训练图像求解第二全四元数矩阵的过程相同。

可选的，步骤S220中对训练图像的第二全四元数矩阵进行置乱操作，得到置乱矩阵，步骤S220可以包括：

步骤S221：获取左矩阵和右矩阵，并且左矩阵和右矩阵中的数值只有0和1。

在上述实现过程中，左矩阵可以表示为M，右矩阵可以表示为N。

步骤S222：将第二全四元数矩阵左乘左矩阵、右乘右矩阵，得到置乱矩阵。

在上述实现过程中，置乱矩阵可以表示为F_i(x，y)，则：

F_i(x，y)＝M×f_i ^q×N；

其中，

在上述实现过程中，随机生成左矩阵和右矩阵，并且左矩阵和右矩阵中的数值只有0和1，由于数值0和1在左矩阵和右矩阵中的组合方式有很多种，使得左矩阵和右矩阵具有随机性；第二全四元数矩阵在经过左乘和右乘操作之后，得到的置乱矩阵因左矩阵和右矩阵的随机性而具有随机性，并且根据第二全四元数矩阵性质，经过上述变换得到置乱矩阵之后，再根据置乱矩阵无法得到原来的第二全四元数矩阵，即置乱变换的过程是不可逆的，从而使得在实际应用过程中通过该变换能够有效保护原生物数据特征的安全性和隐私性。

可选的，如图4所示，为本申请实施例提供的一种在步骤S230中计算置乱矩阵的特征向量的流程示意图，步骤S230可以包括：

步骤S231：计算置乱矩阵的平均值。

在上述实现过程中，置乱矩阵的平均值可以表示为。

步骤S232：根据置乱矩阵的平均值计算协方差矩阵。

在上述实现过程中，协方差矩阵可以表为S，则协方差矩阵的计算公式为：

其中，T表示矩阵的转置。

步骤S233：将协方差矩阵进行特征值分解得到特征向量。

在上述实现过程中，特征向量可以表示为W，则：

W＝[X₁，X₂，…，X_d]；

其中，d表示特征向量的个数。

在上述实现过程中，将训练图像集中的N幅训练图像的置乱矩阵求其平均值，再利用上述公式计算该N幅训练图像的协方差矩阵，再利用矩阵的性质，对协方差矩阵进行特征值分解，求取协方差矩阵的特征值，再利用特征值求取与特征值相对应的特征向量X_d，即可得到上述特征向量W。

可选的，步骤S300中利用投影矩阵对待测图像进行分类识别并得到识别结果，包括：

步骤S301：将每个第二全四元数矩阵均在特征向量上进行投影，得到特征矩阵。

在上述实现过程中，特征矩阵表示为Ω_i，则：

Ω_i＝f_i ^q×W；

步骤S302：计算投影矩阵与每个训练图像的特征矩阵之间的欧式距离；当欧式距离的值最小时，特征矩阵对应的训练图像即为所识别的人脸图像。

在上述实现过程中，将欧式距离表示为ε，则欧式距离的计算公式为：

ε＝‖Ω-Ω_i‖，i＝1,2，…，N；

其中，当ε为最小值时，对应的Ω_i所表示的训练图像即为当前待测图像所属的类别和所识别的人脸图像。

在上述实现过程中，分别将第二全四元数矩阵与特征向量W相乘，即可得到训练图像集中各个训练图像对应的特征矩阵；同样的，待测图像的第一全四元数矩阵与特征向量W相乘，即可得到待测图像的投影矩阵；再利用欧式距离的计算公式，计算投影矩阵与N个特征矩阵之间欧式距离，比较各个欧式距离的值，得出最小值，最小值对应的训练图像即为待测图像所属类别和所识别的人脸图像。

本申请实施例还提供了一种生物特征识别装置，如图5所示，为本申请实施例提供的一种生物特征识别装置的框图，该装置包括但不限于：

图像获取模块400，用于获取待测图像。

特征向量生成模块500，用于生成预设的特征向量。

投影模块600，用于将第二全四元数矩阵和表示待测图像的第一全四元数矩阵分别在特征向量上进行投影，分别得到特征矩阵和投影矩阵。

识别模块700，用于利用投影矩阵对待测图像进行分类识别并得到识别结果。

在使用该装置时，如进行人脸图像的识别，通过图像获取模块400获取到需要进行识别的待测图像，在识别之前，特征向量生成模块500已利用训练图像生成预设的特征向量，将预设的特征向量传输至投影模块600，通过投影模块600计算特征矩阵和投影矩阵，再利用识别模块700，将特征矩阵和投影矩阵进行比较，实现待测图像和训练图像之间的识别。

可选的，如图6所示，为本申请实施例提供的一种特征向量生成模块500的框图，特征向量生成模块500包括但不限于：

图像输入模块510，用于输入多个训练图像并构成训练图像集。

图像转换模块520，用于将RGB图像形式的训练图像集转换成HSV图像形式的训练图像集。

局部方差计算模块530，用于针对亮度分量图像计算每一个像素点的局部方差，得到局部方差图谱。

全四元数矩阵表示模块540，用于将训练图像表示为第二全四元数矩阵，待测图像表示为第一全四元数矩阵。

第二全四元数矩阵置乱模块550，用于对第二全四元数矩阵进行置乱操作并得到置乱矩阵。

特征向量计算模块560，用于计算获得的置乱矩阵的特征向量，该特征向量即为预设的特征向量。

可选的，如图7所示，为本申请实施例提供的一种第二全四元数矩阵置乱模块550的框图，第二全四元数矩阵置乱模块550包括但不限于：

随机矩阵生成模块551，用于生成左矩阵和右矩阵，并且左矩阵和所述右矩阵中的数值只有0和1。

矩阵置乱模块552，用于将第二全四元数矩阵左乘左矩阵、右乘右矩阵，得到置乱矩阵。

可选的，如图8所示，为本申请实施例提供的一种识别模块700的框图，识别模块700包括但不限于：

距离度量模块710，用于计算投影矩阵与每个所述特征矩阵之间的欧式距离。

分类识别模块720，用于比较投影矩阵与每个特征矩阵之间的欧式距离，获取欧式距离的最小值，当所述欧式距离的值最小时，特征矩阵对应的训练图像即为所识别的人脸图像。

识别率计算模块730，用于计算所识别的人脸图像的识别率。

例如采用Aberdeen人脸图像库中的377幅图像进行分类识别并计算其识别率，识别率用η表示，则识别率的计算公式为：

η＝识别正确的人脸图像数/待识别人脸图像数×100％；

与基于纯四元数矩阵表示的二维主成分分析的方法相比，本申请所提供的识别方法的识别率为89.66％，而采用基于纯四元数矩阵表示的二维主成分分析的方法所得的识别率为88.51％，可见本申请实施例所提供的方法的识别率较高，具有较高的识别精度。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种生物特征识别方法，其特征在于，包括:

获取待测图像；

将表示所述待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵；其中，所述预设的特征向量为训练图像集的第二全四元数矩阵的置乱矩阵的特征向量；

利用所述投影矩阵对所述待测图像进行分类识别并得到识别结果。

2.根据权利要求1所述的生物特征识别方法，其特征在于，在所述将表示所述待测图像的第一全四元数矩阵在预设的特征向量上进行投影，得到投影矩阵之前，所述方法还包括：

将预设的训练图像集中的训练图像均表示为所述第二全四元数矩阵；

对所述第二全四元数矩阵进行置乱操作，得到置乱矩阵；

计算所述置乱矩阵的特征向量，得到的特征向量即为所述预设的特征向量。

3.根据权利要求2所述的生物特征识别方法，其特征在于，所述训练图像集包括多幅训练图像，所述训练图像包括红色通道图像、绿色通道图像和蓝色通道图像，所述将预设的训练图像集中的训练图像均表示为第二全四元数矩阵，包括：

将所述训练图像由RGB空间转换到HSV空间，其中HSV空间包括色调分量、饱和度分量和亮度分量；

将所述局部方差图谱作为所述第二全四元数矩阵的实部；

将所述训练图像的红色通道图像、绿色通道图像和蓝色通道图像三个颜色分量作为所述第二全四元数矩阵的虚部。

4.根据权利要求2所述的生物特征识别方法，其特征在于，对所述第二全四元数矩阵进行置乱操作，得到置乱矩阵，包括：

获取左矩阵和右矩阵，并且所述左矩阵和所述右矩阵中的数值只有0和1；

将所述第二全四元数矩阵左乘所述左矩阵、右乘所述右矩阵，得到所述置乱矩阵。

5.根据权利要求2所述的生物特征识别方法，其特征在于，计算所述置乱矩阵的特征向量，包括：

计算所述置乱矩阵的平均值；

根据所述置乱矩阵的平均值计算协方差矩阵；

将所述协方差矩阵进行特征值分解得到所述特征向量。

6.根据权利要求1所述的生物特征识别方法，其特征在于，利用所述投影矩阵对所述待测图像进行分类识别并得到识别结果，包括：

将每个所述第二全四元数矩阵均在所述特征向量上进行投影，得到特征矩阵；

计算所述投影矩阵与每个所述特征矩阵之间的欧式距离；

当所述欧式距离的值最小时，所述特征矩阵对应的训练图像即为所识别的图像。

7.一种生物特征识别装置，其特征在于，包括：

图像获取模块，用于获取待测图像；

特征向量生成模块，用于生成预设的特征向量；

投影模块，用于将第二全四元数矩阵和表示所述待测图像的第一全四元数矩阵分别在所述特征向量上进行投影，分别得到特征矩阵和投影矩阵；

识别模块，用于利用所述投影矩阵对所述待测图像进行分类识别并得到识别结果。

8.根据权利要求7所述的生物特征识别装置，其特征在于，所述特征向量生成模块包括：

图像输入模块，用于输入多个训练图像并构成训练图像集；

全四元数矩阵表示模块，用于将所述训练图像表示为第二全四元数矩阵，所述待测图像表示为第一全四元数矩阵；

第二全四元数矩阵置乱模块，用于对所述第二全四元数矩阵进行置乱操作并得到置乱矩阵；

特征向量计算模块，用于计算所述置乱矩阵的特征向量，所述特征向量即为预设的特征向量。

9.根据权利要求8所述的生物特征识别装置，其特征在于，所述第二全四元数矩阵置乱模块包括：

随机矩阵生成模块，用于生成左矩阵和右矩阵，并且所述左矩阵和所述右矩阵中的数值只有0和1；

10.根据权利要求7所述的生物特征识别装置，其特征在于，所述识别模块包括：

距离度量模块，用于计算所述投影矩阵与每个所述特征矩阵之间的欧式距离；

分类识别模块，用于比较所述投影矩阵与每个所述特征矩阵之间的欧式距离，获取欧式距离的最小值，当所述欧式距离的值最小时，特征矩阵对应的训练图像即为所识别的图像；

识别率计算模块，用于计算所识别的图像的识别率。