CN110390309B - 一种基于残差分布的手指静脉非法用户识别方法 - Google Patents

Abstract

本发明公开了一种基于残差分布的手指静脉非法用户识别方法，本方法包括如下步骤：步骤1、根据训练集特征矩阵求解主成份分析降维空间，并将训练集特征矩阵映射到降维空间，得到降维特征矩阵；步骤2、将待测样本降维后的特征向量进行稀疏表示，求解稀疏系数向量，计算待测样本与训练集每类样本的重构残差，映射到1~6数值范围，得到残差权重分布；步骤3、根据Softmax函数计算待测样本归属各类的概率分布；步骤4、针对残差权重分布和待测样本归属各类的概率分布的特点，设定非法用户判决条件，得到非法用户的初步判决结果；步骤5、设定三次容错机制，得到非法用户最终判决结果及合法用户身份识别结果。本方法对非法用户分类的正确率高且速度快。

Description

一种基于残差分布的手指静脉非法用户识别方法

技术领域

本发明属于生物特征识别领域，涉及一种手指静脉图像分析和处理方法，特别涉及一种基于残差分布的手指静脉非法用户识别方法。

背景技术

手指静脉图像识别因其具有活体性、高稳定性、非接触性等特点，相较指纹识别、人脸识别安全性更高，受到生物特征识别领域研究人员的广泛关注，具有极高的研究价值。手指静脉图像识别过程中的非法用户识别任务是一个二分类问题。手指静脉非法用户识别旨在辨别非法用户和合法用户，目前图像处理常用的分类器有贝叶斯分类器、K近邻分类器、最近邻分类器、支持向量机、Sigmoid函数、Softmax函数和AdaBoost分类器等。

贝叶斯分类器是为平衡不同分类决策与其相对应的决策风险而设计的分类器。其主要原理是假设待测样本服从正态分布，通过待测样本的先验概率求解后验概率，以最大后验概率所属类别为最终分类结果。因此贝叶斯分类器的准确率十分依赖先验信息。

K近邻分类器的主要原理是找出与待测样本特征向量距离最近的K个样本，如果某一类别出现次数最多，则作为待测样本的类别。

最近邻分类器是K近邻分类器的一种特殊形式，即K=1，将特征空间中距离待测样本特征向量最近的样本所属类别判别为待测样本的类别。Sigmoid函数和Softmax函数是神经网络中的激活函数，Softmax函数是Sigmoid函数的扩展形式，将二分类扩展为多分类。

AdaBoost分类器的主要思想是训练若干个弱分类器组合为强分类器。

以上分类器中，贝叶斯分类器分类结果的准确率依赖于先验概率；Sigmoid函数和Softmax函数需要利用距离函数计算类别权值，用于非法用户分类时判决条件为固定阈值，只参考了最小距离信息，非法用户识别准确率依赖于阈值设定；支持向量机和AdaBoost分类器在训练时需要预先知道每一类别的标签，可用于多分类，但由于实际应用中，注册数据库中没有非法用户样本，因此无法用支持向量机和AdaBoost分类器来识别手指静脉非法用户。

综上所述，目前常用的手指静脉非法用户识别方法难以满足实际的应用需求，因此对其进一步的研究具有重要意义。本方法针对手指静脉非法用户识别的准确性问题，结合主成份分析(Principal Component Analysis, PCA)、稀疏表示和Softmax方法，提出了基于残差分布的手指静脉非法用户识别方法。根据稀疏表示后重构残差的权重分布以及图像类别属性的概率分布特征，设计了非法用户分类器的判别条件，识别非法用户和合法用户。

发明内容

为了提高非法用户识别准确率，本发明公开了一种基于残差分布的手指静脉非法用户识别方法，该方法将待测样本和训练集特征矩阵进行PCA降维来减少计算量，利用稀疏表示方法得到待测样本特征的残差权重分布，根据Softmax函数得到待测样本的概率分布，并根据这两种分布的统计分析结果，设定两个非法用户分类判决条件，通过三次容错机制判定待测样本是否为非法用户。本方法对于非法用户识别准确率高且速度快。

本发明的技术解决方案包括如下步骤：

步骤1、根据训练集特征矩阵求解主成份分析降维空间，并将训练集特征矩阵映射到降维空间，得到降维特征矩阵；

步骤2、将待测样本降维后的特征向量进行稀疏表示，求解稀疏系数向量，计算待测样本与训练集每类样本的重构残差，映射到1~6数值范围，得到残差权重分布；

步骤3、根据Softmax函数计算待测样本归属各类的概率分布；

步骤4、针对残差权重分布和待测样本归属各类的概率分布的特点，设定非法用户判决的两个条件：一是概率分布中的元素大于均值的个数大于或等于2，二是残差权重分布中的元素大于2的个数大于或等于2，根据两个判决条件得到非法用户的初步判决结果：两个条件满足其中一个则将待测样本初步判决为非法用户，否则判决为合法用户；

步骤5、设定三次容错机制，得到非法用户最终判决结果及合法用户身份识别结果。

步骤1 PCA降维计算方法简单，易于在计算机上实现，使用降维的方法加快算法的运行速度。

步骤2稀疏表示的目的是增强对信息缺损样本的识别性能，采用L1范数最小化方法求解稀疏系数，计算待测样本与训练集每类样本的重构残差，映射到1~6数值范围，得到残差权重分布。

步骤3根据Softmax函数计算待测样本归属各类的概率分布，Softmax在计算概率分布时，以残差为权值，考虑了各类别残差分布对分类决策的贡献，使得分类结果更精准。

步骤4非法用户和合法用户的残差分布有很大区分性，合法用户残差分布有单一极值点，且值接近0，而非法用户残差分布呈现出多处较小值的现象，且值较大，本方法利用这一分布特点设定非法用户判决条件，进行疑似非法用户初步判别，判决条件包括两个：一是概率分布中的元素大于均值的个数大于或等于2，二是残差权重分布中的元素大于2的个数大于或等于2，两个条件满足其中一个则将待测样本初步判决为非法用户，否则判决为合法用户，该步骤可大幅提升非法用户的识别准确率。

步骤5在疑似非法用户判定后加入了三次容错机制，判别为疑似非法用户则计数器加一，返回重新采集样本并识别，若连续三次判定为疑似非法用户，则认定该用户为非法用户。针对实际应用情况，该步骤可进一步减少错判误判的情况，并且大幅减少了合法用户身份匹配错误的情况，提高本发明技术的实用价值。

本发明与现有技术相比，其显著优点是：1）本发明方法结合PCA降维方法，减少计算量，加快了算法运行效率，提高了在实际应用中的使用价值；2）本发明方法结合稀疏表示，增强了对缺损样本的识别性能；3）提出基于残差权重分布和概率分布的非法用户判决条件，提高了非法用户的检出率，避免了非法用户的检出率对固定阈值的依赖性，系统安全性更高。

附图说明

图1为本发明的基于残差分布的手指静脉非法用户识别方法的流程图；

图2为本发明的合法用户和非法用户的残差分布；

图3为本发明的合法用户和非法用户的残差权重分布；

图4为本发明的合法用户和非法用户的概率分布。

具体实施方式

图1下面结合附图及具体实施方式对本发明方案作进一步说明。

基于残差分布的手指静脉非法用户识别方法的流程图如图1，包括提取图像特征并进行PCA降维、稀疏表示和求解残差权重分布、计算待测样本归属各类的概率分布、疑似非法用户判定以及输出识别结果等五个步骤。

具体步骤如下：

步骤1、通过手指静脉图像采集装置采集图像，并对图像质量进行评价，将质量合格的图像作为系统的输入。采用融合邻域梯度信息的方向梯度直方图（Histogram ofOriented Gradient with neighborhood gradient, ng_HOG）算法离线提取训练集特征并且在线提取待测样本特征。加载离线特征矩阵，求解PCA降维空间，并将待测样本特征向量映射到降维空间。记训练集特征矩阵为A，大小为m×n，m为每幅图像的特征值个数，n为训练样本数量，采用PCA方法降维的过程如下：

（1）特征矩阵零均值化，计算矩阵A每列均值，每列减去均值；

（2）构建散度矩阵C：C=AA ^T ；

（3）采用奇异值分解法求解特征值和特征向量；

（4）构建降维空间D∈R ^k×m ，将特征值从大到小排序，选择前k个特征值对应的特征向量作为降维空间的基向量，k(1< k ≤ n)也是主分量的个数；

（5）训练集样本投影到降维空间，得到降维特征矩阵B=DA，B∈R ^k×n 。

步骤2、将待测样本降维后的特征向量进行稀疏表示，求解稀疏系数，计算待测样本与训练集样本的重构残差，映射到1~6数值范围，得到残差权重分布，具体方法为：

（1）记待测样本降维后的特征向量为y∈R ^k×1，将y在降维特征矩阵B下进行稀疏表示：

y=Bx+ε （1）

x∈R ^n×1为待求稀疏系数向量，ε为噪声强度；

（2）用L ₁范数最小化方法求解稀疏系数

：

（2）

||x||₁表示向量x的1范数，即各向量元素绝对值之和，||x||₂表示向量x的2范数，即各向量元素平方求和再开方，s.t.是subject to的缩写，表示需满足的约束条件；

（3）分别计算y在每一个类别i上的重构残差：

（3）

的作用是保留第i类训练样本所对应的稀疏系数，其余系数置0；

（4）将待测样本与训练集所有类的重构残差存入向量J∈R ^1×c 中，c为类别总数，得到残差分布，如图2所示，合法用户的残差分布呈现出单一极小值，而其他值极大的特点，而非法用户的残差分布存在多处较小的值，没有单一极小值的特点；

（5）将残差向量J映射到1~6数值范围，得到残差权重分布：

（4）

J _max和J _min分别为残差向量J的最大值和最小值；残差权重分布θ如图3所示，合法用户的权重分布在所属类权重最大，而非法用户的权重分布有多处较大。

步骤3、采用Softmax函数计算待测样本归属各类的概率分布P，P _i 表示待测样本属于第 i类的概率：

（5）

θ _i 表示第i个类别的残差权重，c为类别总数，j表示任意类别，i, j=1,2,...,c。

如图4所示，合法用户和非法用户的概率分布也存在与残差权重分布类似的特点。

步骤4、针对残差权重分布和概率分布的特点，设定非法用户判决条件，进行疑似非法用户判别，判决条件包括两个，一是概率分布P中的元素大于均值的个数大于或等于2：N _{(Pi >mean(P))} ≥ 2，P _i 表示待测样本属于第i类的概率，mean(P)为概率分布P的均值，二是残差权重分布θ中的元素大于2的个数大于或等于2：N _(θi>2) ≥ 2，θ _i 表示第i个类别的残差权重，两个条件满足其中一个则将待测样本判决为非法用户，否则判决为合法用户。

在SDUMLA数据库上进行方法对比实验，选择318类共1908张图像作为合法用户，其中每类选择3张，共954张图像作为训练集，其余的作为合法用户放入测试集中；其他318类，每类选择3张共954张图像作为非法用户放入测试集中。实验对比方法为：（1）原始HOG+最小距离（HOG+NN）；（2）ng_HOG+稀疏表示+级联分类器（ng_HOG+SRCC）；（3）ng_HOG+PCA+稀疏表示+最小距离（ng_HOG+PCA+SRNN）；（4）ng_HOG+PCA+稀疏表示+级联分类器（ng_HOG+PCA+SRCC），实验结果如表1所示。

表1实验结果

正确识别率（Accurate Recognition Rate, ARR）为合法用户身份识别正确图像占测试集合合法用户图像总数比例；认假率（False Acceptance Rate, FAR）也称误识率或错误接受率，非法用户静脉图像通过验证的几率；拒真率（False Rejection Rate, FRR）也称拒识率或错误拒绝率，为合法用户静脉图像被拒绝通过的几率。

HOG+NN方法在4种方法中识别率最低，且认假率和拒真率均高于其他方法；加入PCA和稀疏表示方法处理之后识别率提高，认假率和拒真率降低，且识别时间减少；ng_HOG+SRCC方法识别率与HOG+NN相比，识别率提升幅度较大，且认假率和拒真率均大幅降低，特别是认假率表现优异；加入PCA后的ng_HOG+PCA+SRNN和ng_HOG+PCA+SRCC方法各指标均有提升，认假率和拒真率均优于其他方法，识别时间也是最短的，说明本发明方法对非法用户识别的有效性。

步骤5、若上一步骤判定结果为疑似非法用户，计数器加1，返回重新采集图像并识别，若连续三次判定结果均为疑似非法用户，则认为该用户为非法用户，并输出判定结果；若上一步骤判定结果为合法用户，则输出概率分布中元素最大值P _max 的类别作为合法用户的身份判定结果。

Claims (3)

1.一种基于残差分布的手指静脉非法用户识别方法，包括如下步骤：

步骤1、根据训练集特征矩阵求解主成份分析降维空间，并将训练集特征矩阵映射到降维空间，得到降维特征矩阵；

步骤2、将待测样本降维后的特征向量进行稀疏表示，求解稀疏系数向量，计算待测样本与训练集每类样本的重构残差，映射到1~6数值范围，得到残差权重分布；

步骤3、根据Softmax函数计算待测样本归属各类的概率分布；

步骤4、针对残差权重分布和待测样本归属各类的概率分布的特点，设定非法用户判决的两个条件：一是概率分布中的元素大于均值的个数大于或等于2，二是残差权重分布中的元素大于2的个数大于或等于2，根据两个判决条件得到非法用户的初步判决结果：两个条件满足其中一个则将待测样本初步判决为非法用户，否则判决为合法用户；

步骤5、设定三次容错机制，得到非法用户最终判决结果及合法用户身份识别结果，若步骤4连续三次初次判决结果均为非法用户，则认为该用户为非法用户，若判决结果为合法用户，则输出概率分布中元素最大值的类别作为合法用户的身份判定结果。

2.根据权利要求1所述的方法，其特征在于，步骤2所述的重构残差计算公式为：

，

为待测样本降维后的特征向量y在每一个类别i上的重构残差，B是降维特征矩阵，

是用

范数最小化方法求解的y的稀疏系数，

表示保留第i类训练样本所对应的稀疏系数，其余系数置0，

表示向量x的2范数，将待测样本与训练集所有类的重构残差存入向量J中，将J映射到1~6数值范围，得到残差权重分布：

，

和

分别为残差向量J的最大值和最小值。

3.根据权利要求1所述的方法，其特征在于，步骤4中的初步判决条件包括两个，一是概率分布P中的元素大于均值的个数大于或等于2：

，P _i 表示待测样本属于第i类的概率，mean(P)为概率分布P的均值，二是残差权重分布θ中的元素大于2的个数大于或等于2：

，

表示第i个类别的残差权重，两个条件满足其中一个则将待测样本初步判决为非法用户，否则判决为合法用户。

Images