CN110163136B - 一种基于感知机的指纹和指静脉双模态识别决策融合方法 - Google Patents

一种基于感知机的指纹和指静脉双模态识别决策融合方法 Download PDF

Info

Publication number
CN110163136B
CN110163136B CN201910393049.0A CN201910393049A CN110163136B CN 110163136 B CN110163136 B CN 110163136B CN 201910393049 A CN201910393049 A CN 201910393049A CN 110163136 B CN110163136 B CN 110163136B
Authority
CN
China
Prior art keywords
fingerprint
perceptron
finger vein
point set
neuron
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
Application number
CN201910393049.0A
Other languages
English (en)
Other versions
CN110163136A (zh
Inventor
邹聪
戴建新
何勇
张明
李梅
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910393049.0A priority Critical patent/CN110163136B/zh
Publication of CN110163136A publication Critical patent/CN110163136A/zh
Application granted granted Critical
Publication of CN110163136B publication Critical patent/CN110163136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提出了一种基于感知机的指纹和指静脉双模态识别决策融合方法，包括以下步骤，步骤1，感知机结构的设计；步骤2，建立感知机的学习规则；步骤3，二级分类器的设计；步骤4，识别匹配的实现；可以充分利用两者的优势，弥补各自的缺点，达到良好的识别效果，分别计算指纹和指静脉匹配度x2,x3，再将指纹和指静脉的特征点集特征串联并计算匹配度x1作为二级分类器，然后将x1,x2,x3利用感知机进行训练得到权重，最后利用此模型来计算识别度，用感知机的指纹和指静脉双模态识别决策级融合匹配，方便直接，误差较小，降低了外界环境影响，效果好。

Description

一种基于感知机的指纹和指静脉双模态识别决策融合方法
技术领域
本发明涉及一种识别方法。
背景技术
现今，人们对生物识别技术的准确性和安全性的需求日益提高。单模态识别技术作为一款普遍采用的识别方式，有着其本身难以忽略的局限性。如指纹的易伪造、复制，容易被他人非法使用，有一定的安全隐患，同时指纹遇极端情况下的易破损，给识别效率带来了很大的难度；又如指静脉对硬件条件的巨大需求，图像质量的下降导致识别难度的上升。因此，针对不同环境的特点，有必要使用双模态识别技术来解决非普适性问题，提高识别的精度和稳定性。
发明内容
本发明所要解决的技术问题是针对指纹的稳定性差与指静脉的精度差，为克服现有技术的不足而提供一种基于感知机的指纹和指静脉双模态识别决策融合方法。
本发明提供一种基于感知机的指纹和指静脉双模态识别决策融合方法，包括以下步骤，步骤1，感知机结构的设计；步骤2，建立感知机的学习规则；步骤3，二级分类器的设计；步骤4，识别匹配的实现。
进一步的，步骤1的具体内容如下：
感知机包括输入层神经元和输出层神经元，输入层神经元包括三个神经元，接收外界输入信号后传递给输出层神经元，输出层神经元是M-P神经元，M-P神经元接收来自其他3个神经元传递过来的输入信号X＝(x1,x2,x3)，这些输入信号通过带权重w1,w2,w3的连接进行传递，神经元接收到的总输入值将与神经元的阈值θ进行比较，然后通过“激活函数”
Figure GDA0003730553830000011
处理以产生神经元的输出
Figure GDA0003730553830000012
进一步的，所述步骤2的具体内容如下：
对训练样例(X,y)，若当前感知机的输出为
Figure GDA0003730553830000021
则感知机权重将这样调整：
wi←wi+Δwi,
Figure GDA0003730553830000022
其中η∈(0,1)成为学习率。从上式可看出，若感知机对训练样例(X,y)预测正确，即
Figure GDA0003730553830000023
则感知机不发生改变，否则将根据错误的程度进行权重调整。
进一步的，所述步骤3的具体内容如下：
将指纹的特征点集α1＝(a1,a2,…,am)和指静脉的特征点集β1＝(b1,b2,…,bn)进行特征串联γ＝(α1,β1)＝(a1,a2,…,am,b1,b2,…,bn)，再利用最小的Hausdorff距离来计算模版点集γ和待匹配点集γ′的相似度x1，来构成二级分类器。
进一步的，所述步骤4的具体内容如下：
获取从硬件采集到的指纹和指静脉图像，并对两幅目标图像同时进行处理；包括以下具体步骤：
步骤4.1，指纹特征提取；
步骤4.2，指静脉特征提取。
进一步的，所述步骤4.1的具体内容如下：
对目标图像进行预处理，利用Gabor滤波器对指纹纹路增强，再基于方向场对图像进行二值化，然后利用细化模版处理得到清晰的指纹细化图像，对其提取出细节点即分叉点和端点并采用纹路跟踪算法去除伪特征点，得到最终特征点集α1＝(a1,a2,…,am)。再利用最小的Hausdorff距离来计算模版点集α1＝(a1,a2,…,am)和待匹配点集α1′＝(a1′,a′2,…,a′m)的相似度x2。
进一步的，所述步骤4.2的具体内容如下：
对目标图像进行预处理，裁剪并提取出感兴趣区域，将目标图像归一化成统一大小，对其采用均值滤波，达到降噪效果。对目标图像进行特征提取，运用改进的Niblack算法进行二值化处理，并对二值化图像细化处理。再对细化后的图像提取特征点即分叉点和端点β1＝(b1,b2,…,bn)。再利用最小的Hausdorff距离来计算模版点集β1＝(b1,b2,…,bn)和待匹配点集β1′＝(b1′,b2′,…,bn′)的相似度，最后，将所得的匹配结果x1,x2,x3作为感知机的输入，设置学习率为0.1。
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：针对指纹的稳定性差与指静脉的精度差问题，提出指纹与指静脉结合的双模态识别技术，可以充分利用两者的优势，弥补各自的缺点，达到良好的识别效果，分别计算指纹和指静脉匹配度x2,x3，再将指纹和指静脉的特征点集特征串联并计算匹配度x1作为二级分类器，然后将x1,x2,x3利用感知机进行训练得到权重，最后利用此模型来计算识别度，用感知机的指纹和指静脉双模态识别决策级融合匹配，方便直接，误差较小，降低了外界环境影响，效果好。
附图说明
图1为本发明的感知机网络结构示意图。
图2为本发明的二级分类器明显。
具体实施方式
下面结合附图1-2对本发明的技术方案做进一步的详细说明：
本实施例提出了一种基于感知机的指纹和指静脉双模态识别决策融合方法，步骤1，感知机结构的设计：感知机包括输入层神经元和输出层神经元，输入层神经元包括三个神经元，接收外界输入信号后传递给输出层神经元，输出层神经元是M-P神经元，M-P神经元接收来自其他3个神经元传递过来的输入信号X＝(x1,x2,x3)，这些输入信号通过带权重w1,w2,w3的连接进行传递，神经元接收到的总输入值将与神经元的阈值θ进行比较，然后通过“激活函数”
Figure GDA0003730553830000031
处理以产生神经元的输出
Figure GDA0003730553830000032
步骤2，建立感知机的学习规则：对训练样例(X,y)，若当前感知机的输出为
Figure GDA0003730553830000033
则感知机权重将这样调整：
wi←wi+Δwi,
Figure GDA0003730553830000041
其中η∈(0,1)成为学习率。从上式可看出，若感知机对训练样例(X,y)预测正确，即
Figure GDA0003730553830000042
则感知机不发生改变，否则将根据错误的程度进行权重调整。
步骤3，二级分类器的设计：将指纹的特征点集α1＝(a1,a2,…,am)和指静脉的特征点集β1＝(b1,b2,…,bn)进行特征串联γ＝(α1,β1)＝(a1,a2,…,am,b1,b2,…,bn)，再利用最小的Hausdorff距离来计算模版点集γ和待匹配点集γ′的相似度x1，来构成二级分类器。
步骤4，识别匹配的实现：获取从硬件采集到的指纹和指静脉图像，并对两幅目标图像同时进行处理，包括以下具体步骤：
步骤4.1，指纹特征提取：对目标图像进行预处理，利用Gabor滤波器对指纹纹路增强，再基于方向场对图像进行二值化，然后利用细化模版处理得到清晰的指纹细化图像，对其提取出细节点即分叉点和端点并采用纹路跟踪算法去除伪特征点，得到最终特征点集α1＝(a1,a2,…,am)。再利用最小的Hausdorff距离来计算模版点集α1＝(a1,a2,…,am)和待匹配点集α1′＝(a1′,a′2,…,a′m)的相似度x2；
步骤4.2，指静脉特征提取：对目标图像进行预处理，裁剪并提取出感兴趣区域，将目标图像归一化成统一大小，对其采用均值滤波，达到降噪效果。对目标图像进行特征提取，运用改进的Niblack算法进行二值化处理，并对二值化图像细化处理。再对细化后的图像提取特征点即分叉点和端点β1＝(b1,b2,…,bn)。再利用最小的Hausdorff距离来计算模版点集β1＝(b1,b2,…,bn)和待匹配点集β1′＝(b1′,b2′,…,bn′)的相似度x3，最后，将所得的匹配结果x1,x2,x3作为感知机的输入，设置学习率为0.1。
本发明针对指纹的稳定性差与指静脉的精度差问题，提出指纹与指静脉结合的双模态识别技术，可以充分利用两者的优势，弥补各自的缺点，达到良好的识别效果，分别计算指纹和指静脉匹配度x2,x3，再将指纹和指静脉的特征点集特征串联并计算匹配度x1作为二级分类器，然后将x1,x2,x3利用感知机进行训练得到权重，最后利用此模型来计算识别度，用感知机的指纹和指静脉双模态识别决策级融合匹配，方便直接，误差较小，降低了外界环境影响，效果好。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于感知机的指纹和指静脉双模态识别决策融合方法，其特征在于，包括以下步骤：
步骤1，感知机结构的设计；
感知机包括输入层神经元和输出层神经元，输入层神经元包括三个神经元，接收外界输入信号后传递给输出层神经元，输出层神经元是M-P神经元，M-P神经元接收来自其他3个神经元传递过来的输入信号X＝(x1,x2,x3)，这些输入信号通过带权重w1,w2,w3的连接进行传递，神经元接收到的总输入值将与神经元的阈值θ进行比较，然后通过“激活函数”
Figure FDA0003730553820000011
处理以产生神经元的输出
Figure FDA0003730553820000012
步骤2，建立感知机的学习规则；
对训练样例(X,y)，若当前感知机的输出为
Figure FDA0003730553820000013
则感知机权重将这样调整：
wi←wi+Δwi,
Figure FDA0003730553820000014
其中η∈(0,1)成为学习率，从上式可看出，若感知机对训练样例(X,y)预测正确，即
Figure FDA0003730553820000015
则感知机不发生改变，否则将根据错误的程度进行权重调整；
步骤3，二级分类器的设计；
步骤4，识别匹配的实现；
获取从硬件采集到的指纹和指静脉图像，并对两幅目标图像同时进行处理；包括以下具体步骤：
步骤4.1，指纹特征提取；
步骤4.2，指静脉特征提取。
2.根据权利要求1所述的一种基于感知机的指纹和指静脉双模态识别决策融合方法，其特征在于，所述步骤3的具体内容如下：
将指纹的特征点集α1＝(a1,a2,…,am)和指静脉的特征点集β1＝(b1,b2,…,bn)进行特征串联γ＝(α1,β1)＝(a1,a2,…,am,b1,b2,…,bn)，再利用最小的Hausdorff距离来计算模版点集γ和待匹配点集γ′的相似度x1，来构成二级分类器。
3.根据权利要求2所述的一种基于感知机的指纹和指静脉双模态识别决策融合方法，其特征在于，所述步骤4.1的具体内容如下：
对目标图像进行预处理，利用Gabor滤波器对指纹纹路增强，再基于方向场对图像进行二值化，然后利用细化模版处理得到清晰的指纹细化图像，对其提取出细节点即分叉点和端点并采用纹路跟踪算法去除伪特征点，得到最终特征点集α1＝(a1,a2,…,am)，再利用最小的Hausdorff距离来计算模版点集α1＝(a1,a2,…,am)和待匹配点集α′1＝(a′1,a′2,…,a′m)的相似度x2。
4.根据权利要求3所述的一种基于感知机的指纹和指静脉双模态识别决策融合方法，其特征在于，所述步骤4.2的具体内容如下：
对目标图像进行预处理，裁剪并提取出感兴趣区域，将目标图像归一化成统一大小，对其采用均值滤波，达到降噪效果，对目标图像进行特征提取，运用改进的Niblack算法进行二值化处理，并对二值化图像细化处理，再对细化后的图像提取特征点即分叉点和端点β1＝(b1,b2,…,bn)，再利用最小的Hausdorff距离来计算模版点集β1＝(b1,b2,…,bn)和待匹配点集β′1＝(b′1,b′2,…,b′n)的相似度x3，最后，将所得的匹配结果x1,x2,x3作为感知机的输入，设置学习率为0.1。
CN201910393049.0A 2019-05-13 2019-05-13 一种基于感知机的指纹和指静脉双模态识别决策融合方法 Active CN110163136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910393049.0A CN110163136B (zh) 2019-05-13 2019-05-13 一种基于感知机的指纹和指静脉双模态识别决策融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910393049.0A CN110163136B (zh) 2019-05-13 2019-05-13 一种基于感知机的指纹和指静脉双模态识别决策融合方法

Publications (2)

Publication Number Publication Date
CN110163136A CN110163136A (zh) 2019-08-23
CN110163136B true CN110163136B (zh) 2022-09-06

Family

ID=67634304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910393049.0A Active CN110163136B (zh) 2019-05-13 2019-05-13 一种基于感知机的指纹和指静脉双模态识别决策融合方法

Country Status (1)

Country Link
CN (1) CN110163136B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076927B (zh) * 2021-04-25 2023-02-14 华南理工大学 基于多源域迁移的指静脉识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336945A (zh) * 2013-06-10 2013-10-02 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
CN105975951A (zh) * 2016-05-27 2016-09-28 国创科视科技股份有限公司 手指中段指静脉指纹融合识别方法
CN106529501A (zh) * 2016-11-29 2017-03-22 黑龙江大学 基于加权融合与分层串行结构的指纹与指静脉图像融合方法
CN109583279A (zh) * 2017-09-29 2019-04-05 山西圣点世纪科技股份有限公司 一种指纹和指静脉联合识别算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336945A (zh) * 2013-06-10 2013-10-02 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
CN105975951A (zh) * 2016-05-27 2016-09-28 国创科视科技股份有限公司 手指中段指静脉指纹融合识别方法
CN106529501A (zh) * 2016-11-29 2017-03-22 黑龙江大学 基于加权融合与分层串行结构的指纹与指静脉图像融合方法
CN109583279A (zh) * 2017-09-29 2019-04-05 山西圣点世纪科技股份有限公司 一种指纹和指静脉联合识别算法

Also Published As

Publication number Publication date
CN110163136A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN105512638B (zh) 一种基于融合特征的人脸检测与对齐方法
WO2016149944A1 (zh) 用于识别人脸的方法、系统和计算机程序产品
Lu et al. A novel approach for video text detection and recognition based on a corner response feature map and transferred deep convolutional neural network
CN111126240B (zh) 一种三通道特征融合人脸识别方法
US20180349716A1 (en) Apparatus and method for recognizing traffic signs
CN104978550A (zh) 基于大规模人脸数据库的人脸识别方法及系统
CN106529504B (zh) 一种复合时空特征的双模态视频情感识别方法
CN106355138A (zh) 基于深度学习和关键点特征提取的人脸识别方法
CN110287918B (zh) 活体识别方法及相关产品
CN105095880B (zh) 一种基于lgbp编码的手指多模态特征融合方法
CN105138968A (zh) 人脸认证方法和装置
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及系统
CN105160305B (zh) 一种手指多模态特征融合方法
CN105893941B (zh) 一种基于区域图像的人脸表情识别方法
CN109145704A (zh) 一种基于人脸属性的人脸画像识别方法
CN104021372A (zh) 一种人脸识别方法及装置
CN110163136B (zh) 一种基于感知机的指纹和指静脉双模态识别决策融合方法
Doroz et al. An accurate fingerprint reference point determination method based on curvature estimation of separated ridges
Chen et al. A finger vein recognition algorithm based on deep learning
CN112069898A (zh) 基于迁移学习人脸族群属性的识别方法及装置
Silva et al. POEM-based facial expression recognition, a new approach
Rajakumar et al. Century identification and recognition of ancient Tamil character recognition
CN101840510B (zh) 基于成本敏感的自适应增强的人脸认证方法
CN110390268B (zh) 一种基于几何特性和方向特征的三维掌纹识别方法
CN111428670B (zh) 人脸检测方法、装置、存储介质及设备

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