CN111382703A - 一种基于二次筛选与分数融合的指静脉识别方法 - Google Patents

一种基于二次筛选与分数融合的指静脉识别方法 Download PDF

Info

Publication number
CN111382703A
CN111382703A CN202010162093.3A CN202010162093A CN111382703A CN 111382703 A CN111382703 A CN 111382703A CN 202010162093 A CN202010162093 A CN 202010162093A CN 111382703 A CN111382703 A CN 111382703A
Authority
CN
China
Prior art keywords
library
finger vein
score
graph
scores
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.)
Granted
Application number
CN202010162093.3A
Other languages
English (en)
Other versions
CN111382703B (zh
Inventor
王新年
林义钧
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202010162093.3A priority Critical patent/CN111382703B/zh
Publication of CN111382703A publication Critical patent/CN111382703A/zh
Application granted granted Critical
Publication of CN111382703B publication Critical patent/CN111382703B/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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于二次筛选与分数融合的指静脉识别方法，包括：基于导向滤波的多尺度Retinex方法对指静脉图像I进行预处理，建立指静脉特征库，并生成指静脉识别模型；参数训练建立的指静脉识别模型；指静脉的在线识别。本发明提出的基于导向滤波的多尺度Retinex方法能够有效提高指静脉图像对比度，进而在提取曲率场与二值化时得到更加准确的特征。本发明提出的相似性度量方法复杂度低，明显降低识别时间。同时使用二次筛选作为识别策略，提升识别性能。加入了弹性分数作为相似度度量的一部分，有效解决手指旋转、手指距离摄像头距离过近或过远的问题。使用两种相似性度量方法对指静脉特征进行相似性度量并进行分数的加权融合，提升了匹配精度和鲁棒性。

Description

一种基于二次筛选与分数融合的指静脉识别方法
技术领域
本发明涉及技术领域，具体而言，尤其涉及一种基于二次筛选与分数融合的指静脉识别方法。
背景技术
Miura N[1]等人使用一种模板匹配方法度量指静脉二值图的相似度，MunalihAhmad Syarif[2]等人对指静脉的增强最大曲率法的曲率场使用方向梯度直方图提取指静脉特征。Lu Yang[3]等人使用弹性分数(elastic score)与重合度(overlap degree)的几何平均数来度量指静脉特征的相似度。He K[4]等人提出了导向滤波。Xie S J[5]等人使用基于导向滤波的单尺度Retinex算法对指静脉图像进行处理。
目前已有方法存在以下缺陷：
(1)对原图的质量要求较高，对于低对比度的指静脉图像特征提取效果不理想。
(2)使用单个相似性度量方法识别性能较低。
(3)相似性度量的方法过于复杂，使得识别时间较长，无法实际应用。
(4)对于手指尺度与旋转的适应性较差。
参考文件：
[1]Miura N,Nagasaka A,Miyatake T.Extraction of Finger-Vein PatternsUsing Maximum Curvature Points in Image Profiles[J].IEICE-Transactions onInformation and Systems,2007.
[2]Munalih Ahmad Syarif,Thian Song Ong,Andrew B.J.Teoh,ConnieTee.Enhanced maximum curvature descriptors for finger vein verification[J].Multimedia Tools and Applications,2017,76(5).
[3]Lu Y,Yang G,Yin Y,et al.Finger Vein Recognition with AnatomyStructure Analysis[J].IEEE Transactions on Circuits&Systems for VideoTechnology,2017,PP(99):1-1.
[4]He K,Sun J,Tang X.Guided Image Filtering[C].European Conference onComputer Vision.Springer,Berlin,Heidelberg,2010.
[5]Xie S J,Lu Y,Yoon S,et al.Intensity Variation Normalization forFinger Vein Recognition Using Guided Filter Based Singe Scale Retinex[J].2015
发明内容
根据上述提出的技术问题，而提供一种基于二次筛选与分数融合的指静脉识别方法。本发明主要利用一种基于二次筛选与分数融合的指静脉识别方法，其特征在于，包括：
步骤S1：基于导向滤波的多尺度Retinex方法对指静脉图像I进行预处理，建立指静脉特征库，并生成指静脉识别模型；
步骤S2：参数训练所述步骤S1建立的指静脉识别模型；
步骤S3：指静脉的在线识别。
进一步地，所述步骤S1还包括以下步骤：
步骤S11：选取所述指静脉图像I作为导向滤波的引导图像；
步骤S12：设置导向滤波的滤波窗口大小为xi×xi，i∈[1,k]；
步骤S13：通过所述导向滤波对指静脉图像进行滤波，得到k个指静脉图像Gi，i∈[1,k]；
步骤S14：将所述k个指静脉图像进行加权融合，得到预处理后的指静脉图像I′，公式为：
Figure BDA0002406165370000021
其中，I(x,y)表示图像I上位于坐标为(x,y)的像素值，I'(x,y)表示图像I'位于坐标(x,y)的像素值，Gi(x,y)表示图像Gi位于坐标(x,y)的像素值wi表示加权因子，所述加权因子的计算公式为：
Figure BDA0002406165370000031
步骤S15：对所述预处理后的指静脉图像I′提取增强的最大曲率场M，并对得到的所述曲率场M进行二值化处理，得到指静脉的二值化的增强曲率特征E，所述二值化处理的公式为：
Figure BDA0002406165370000032
其中，v表示曲率场M中所有曲率值的中值；
步骤S16：重复步骤S11-S15直至所有指静脉图像处理完毕，保存二值图像，建立指静脉特征库。
更进一步地，所述步骤S2所述参数训练还包括以下步骤：
步骤S21：建立指静脉训练库；设指静脉特征库中共分为U类，每类有V幅图，从所述U类中随机选取一张作为查询图，其余V-1张为库图，并将每类中的查询图编号{m,m＝1,…,U}；
步骤S22：确定二次筛选阈值N；获取所述步骤S21中的所述指静脉训练库；通过基于二值图配准与弹性分数的指静脉相似性度量方法对所述查询图与所述库图进行相似性度量：
随机选取两张进行相似性度量的指静脉特征二值图A，B，其中A为查询图，B为库图；则两张图片的宽度为w，高度为h；
将所述查询图A进行剪裁；所述剪裁时将删除所述查询图A的第1行到第dh+1行所有像素、第h-dh行到第h行所有像素、第1列到第dw+1列所有像素、第w-dw列到第w列所有像素；则所述查询图A由宽度w，高度h变为宽度w-2dw、高度h-2dh的A′；dh与dw表示所述查询图A上下与左右被剪裁掉的高度和宽度。
对经过裁剪的查询图A′与库图B进行相似性度量与配准，得到配准相似性分数s1和配准后的库图B′；
对经过裁剪的查询图A′与配准后的库图B′计算弹性分数e并进行分数融合，得到修正相似性分数s2。
步骤S23：确定拒假阈值T；基于分数排名对所述库图进行筛选，取步骤S22降序排序后的U组配准相似性分数，其中组编号与查询图编号m对应m∈[1,U]；
取每组分数的前N个分数、在N个分数中的排名以及其对应的库图标签，存入分数标签矩阵Fm,1中，m∈[1,U]，Fm,1是一个3×N大小的矩阵，矩阵的每一列代表一张库图，每行分别表示该库图对应的库图标签、分数数值大小和分数名次，并保存每组的查询图与查询图对应的标签、分数排在前N的匹配对应的N张库图；
步骤S24：基于筛选库图与修正相似性分数的二次度量；对于第m张查询图与对应组中的N张库图，度量查询图与对应组中的N张库图的修正相似性分数；
步骤S25：重复步骤S24，共得到U组分数，每组有N个分数，其中组编号与查询图编号m对应m∈[1,U]；
步骤S26：对每组分数分别进行降序排序，取每组分数的前N个分数、在N个分数中的排名以及其对应的库图标签，存入分数标签矩阵Fm,2中，Fm,2是一个3×N大小的矩阵，矩阵的每一列代表一张库图，每行分别表示该库图对应的库图标签、分数数值大小和分数名次；
步骤S27：获取第m张查询图分数标签矩阵Fm,1、Fm,2和1个标签矩阵Lm；
对于第m张查询图使用分数标签矩阵Fm,1、Fm,2与标签矩阵Lm进行分数排名与标签出现次数的分数加权融合，公式为：
Figure BDA0002406165370000041
其中i∈[1,lm]，lm为分数融合后标签的个数即分数标签矩阵中N个库图标签中不同标签的个数，λ1、λ2为标签加权因子，计算公式如下：
Figure BDA0002406165370000042
Figure BDA0002406165370000043
Sm表示分数加权融合矩阵，大小为2×lm，每列分别对应一个库图的标签与分数融合后该库图标签对应的分数；
对于所有查询图，重复步骤S27，共得到U个分数加权融合矩阵。
进一步地，确定拒假阈值T：获取第m张查询图对应的分数加权融合矩阵Sm中的分数最大值对应的库图标签，如果最大分数对应的库图标签与查询图不相同，则保留该分数，如果最大分数对应的库图标签与查询图相同，则去除该分数；
对于所有查询图，得到B个分数{Qr,r＝1,…,B}，B∈[1,U]；选取B个分数中的最大值作为拒假阈值T。
进一步地，所述步骤S3还包括以下步骤：
步骤S31：获取用户输入的指静脉图像。
步骤S32：根据所述对用户输入指静脉图像进行预处理与特征提取、所述用户输入的指静脉特征图与所述指静脉训练库中所有库图的配准相似性分数并获取经过裁剪的用户输入指静脉图像与配准后的库图；
步骤S33：对库图进行筛选，将步骤S32中的分数进行降序排序，取分数排在前N的匹配分数与对应的配准后的库图，其中N为由步骤S22得到的二次筛选阈值；计算经过裁剪的用户输入指静脉图像与得到的N张配准后的库图的修正相似性得分并降序排序；
步骤S34：将得到的两组分数进行基于分数排名与标签出现次数的分数加权融合，并取融合后分数的最大值与分数最大值对应的库图标签；
步骤S35：将融合后分数的最大值与拒假阈值T进行判断得到的所述分数进行判断，当所述分数小于所述拒假阈值T则拒绝识别，如果所述分数大于所述拒假阈值T则返回分数对应的标签作为识别结果。
进一步地，所述阈值N1的确定，包括以下步骤：
步骤S2211：对第m张指静脉查询图像，将查询图与U×(V-1)张指静脉库图像做相似性度量，并将得到的配准相似性分数s1做降序排序，查询图标签与降序排列后的分数对应的库图标签从头到尾依次进行比对，取第一个查询图与库图标签相同的匹配对应的序号am；
步骤S2212：对所有指静脉查询图像，重复步骤S2211，共得到U个序号值{am,m＝1,…,U}，选取其中的最大值作为二次筛选阈值N1；
所述阈值N2的确定，包括以下步骤：
步骤S2221：对第m张指静脉查询图像，将查询图与U×(V-1)张指静脉库图像做相似性度量，并将得到的修正相似性分数s2做降序排序，查询图标签与降序排列后的分数对应的库图标签从头到尾依次进行比对，取第一个查询图与库图标签相同的匹配对应的序号bm；
步骤S2222：对所有指静脉查询图像，重复步骤S2221，共得到U个序号值{bm,m＝1,…,U}，选取其中的最大值作为二次筛选阈值N2，选择N1与N2中的最大值作为二次筛选的阈值N，N＝max(N1,N2)。
较现有技术相比，本发明具有以下优点：
1)本发明提出的基于导向滤波的多尺度Retinex方法能够有效提高指静脉图像对比度，进而在提取曲率场与二值化时得到更加准确的特征。
2)本发明提出的相似性度量方法复杂度低，明显降低识别时间。
3)本发明使用二次筛选作为识别策略，提升识别性能。
4)本发明加入了弹性分数作为相似度度量的一部分，有效解决手指旋转、手指距离摄像头距离过近或过远的问题。
5)本发明使用两种相似性度量方法对指静脉特征进行相似性度量并进行分数的加权融合，提升了匹配精度和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明指静脉特征库的建立。
图2为本发明二次筛选阈值N训练流程图。
图3为本发明拒假阈值T训练流程图。
图4为本发明第m张查询图对应的分数标签矩阵Fm,1，Fm,2。
图5为本发明标签矩阵Lm。
图6为本发明分数加权融合矩阵Sm。
图7为本发明识别过程整体流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-7所示，本发明提供了一种基于二次筛选与分数融合的指静脉识别方法，其特征在于，包括：
步骤S1：基于导向滤波的多尺度Retinex方法对指静脉图像I进行预处理，建立指静脉特征库，并生成指静脉识别模型；
步骤S2：参数训练所述步骤S1建立的指静脉识别模型；
步骤S3：指静脉的在线识别。
作为本申请一种优选的实施方案，步骤S1还包括以下步骤：
步骤S11：选取所述指静脉图像I作为导向滤波的引导图像；
步骤S12：设置导向滤波的滤波窗口大小为xi×xi，i∈[1,k]；作为一种优选的实施方式，在本申请的实施例中k＝3，x1＝15，x2＝80，x3＝120。可以理解为在其他的实施方式中可以按照实际情况进行设定。
步骤S13：通过所述导向滤波对指静脉图像进行滤波，得到k个指静脉图像Gi，i∈[1,k]；
步骤S14：将所述k个指静脉图像进行加权融合，得到预处理后的指静脉图像I′，公式为：
Figure BDA0002406165370000081
其中，I(x,y)表示图像I上位于坐标为(x,y)的像素值，I'(x,y)表示图像I'位于坐标(x,y)的像素值，Gi(x,y)表示图像Gi位于坐标(x,y)的像素值wi表示加权因子，所述加权因子的计算公式为：
Figure BDA0002406165370000082
步骤S15：对所述预处理后的指静脉图像I′提取增强的最大曲率场M，并对得到的所述曲率场M进行二值化处理，得到指静脉的二值化的增强曲率特征E，所述二值化处理的公式为：
Figure BDA0002406165370000083
其中，v表示曲率场M中所有曲率值的中值；
S16：重复步骤S11-S15直至所有指静脉图像处理完毕，保存二值图像，建立指静脉特征库。
作为一种优选的实施方式，步骤S2所述参数训练还包括以下步骤：
步骤S21：建立指静脉训练库；设指静脉特征库中共分为U类，每类有V幅图，从所述U类中随机选取一张作为查询图，其余V-1张为库图，并将每类中的查询图编号{m,m＝1,…,U}；
步骤S22：确定二次筛选阈值N；获取所述步骤S21中的所述指静脉训练库；通过基于二值图配准与弹性分数的指静脉相似性度量方法对所述查询图与所述库图进行相似性度量：
随机选取两张进行相似性度量的指静脉特征二值图A，B，其中A为查询图，B为库图；则两张图片的宽度为w，高度为h；在本实施方式中w＝240，h＝120。
将所述查询图A进行剪裁；所述剪裁时将删除所述查询图A的第1行到第dh+1行所有像素、第h-dh行到第h行所有像素、第1列到第dw+1列所有像素、第w-dw列到第w列所有像素；则所述查询图A由宽度w，高度h变为宽度w-2dw、高度h-2dh的A′；在本实施方式中dh＝20，dw＝40，dh与dw表示所述查询图A上下与左右被剪裁掉的高度和宽度；
使用参考文献1中所述的方法即模板匹配即可对经过裁剪的查询图A′与库图B进行相似性度量与配准，得到配准相似性分数s1和配准后的库图B′；
对经过裁剪的查询图A′与配准后的库图B′计算弹性分数e并进行分数融合，得到修正相似性分数s2。
S23：确定拒假阈值T；基于分数排名对所述库图进行筛选，取步骤S22降序排序后的U组配准相似性分数，其中组编号与查询图编号m对应m∈[1,U]；1张查询图需要与U类指静脉图片进行相似性度量,也就对应U组分数,例如组编号为i表示该查询图与第i类指静脉图像进行相似性度量得到的分数。
取每组分数的前N个分数、在N个分数中的排名以及其对应的库图标签，存入分数标签矩阵Fm,1中，m∈[1,U]，Fm,1是一个3×N大小的矩阵，矩阵的每一列代表一张库图，每行分别表示该库图对应的库图标签、分数数值大小和分数名次，并保存每组的查询图与查询图对应的标签、分数排在前N的匹配对应的N张库图；
步骤S24：基于筛选库图与修正相似性分数的二次度量；对于第m张查询图与对应组中的N张库图，度量查询图与对应组中的N张库图的修正相似性分数；
步骤S25：重复步骤S24，共得到U组分数，每组有N个分数，其中组编号与查询图编号m对应m∈[1,U]；
步骤S26：对每组分数分别进行降序排序，取每组分数的前N个分数、在N个分数中的排名以及其对应的库图标签，存入分数标签矩阵Fm,2中，Fm,2是一个3×N大小的矩阵，矩阵的每一列代表一张库图，每行分别表示该库图对应的库图标签、分数数值大小和分数名次；
步骤S27：获取第m张查询图分数标签矩阵Fm,1、Fm,2和1个标签矩阵Lm；
对于第m张查询图使用分数标签矩阵Fm,1、Fm,2与标签矩阵Lm进行分数排名与标签出现次数的分数加权融合，公式为：
Figure BDA0002406165370000101
其中i∈[1,lm]，lm为分数融合后标签的个数即分数标签矩阵中N个库图标签中不同标签的个数，λ1、λ2为标签加权因子，计算公式如下：
Figure BDA0002406165370000102
Figure BDA0002406165370000103
Sm表示分数加权融合矩阵，大小为2×lm，每列分别对应一个库图的标签与分数融合后该库图标签对应的分数；
对于所有查询图，重复步骤S27，共得到U个分数加权融合矩阵。
在本申请中，确定拒假阈值T，步骤如下所示：
获取第m张查询图对应的分数加权融合矩阵Sm中的分数最大值对应的库图标签，如果最大分数对应的库图标签与查询图不相同，则保留该分数，如果最大分数对应的库图标签与查询图相同，则去除该分数；
对于所有查询图，得到B个分数{Qr,r＝1,…,B}，B∈[1,U]；选取B个分数中的最大值作为拒假阈值T。
在本申请中，作为优选的实施方式，步骤S3还包括以下步骤：
步骤S31：获取用户输入的指静脉图像。
步骤S32：根据所述对用户输入指静脉图像进行预处理与特征提取、所述用户输入的指静脉特征图与所述指静脉训练库中所有库图的配准相似性分数并获取经过裁剪的用户输入指静脉图像与配准后的库图；
步骤S33：对库图进行筛选，将步骤S32中的分数进行降序排序，取分数排在前N的匹配分数与对应的配准后的库图，其中N为由步骤S22得到的二次筛选阈值；计算经过裁剪的用户输入指静脉图像与得到的N张配准后的库图的修正相似性得分并降序排序；
步骤S34：将得到的两组分数进行基于分数排名与标签出现次数的分数加权融合，并取融合后分数的最大值与分数最大值对应的库图标签；
步骤S35：将融合后分数的最大值与拒假阈值T进行判断得到的所述分数进行判断，当所述分数小于所述拒假阈值T则拒绝识别，如果所述分数大于所述拒假阈值T则返回分数对应的标签作为识别结果。
作为优选的实施方式，所述阈值N1的确定，包括以下步骤：
步骤S2211：对第m张指静脉查询图像，将查询图与U×(V-1)张指静脉库图像做相似性度量，并将得到的配准相似性分数s1做降序排序，查询图标签与降序排列后的分数对应的库图标签从头到尾依次进行比对，取第一个查询图与库图标签相同的匹配对应的序号am；
步骤S2212：对所有指静脉查询图像，重复步骤S2211，共得到U个序号值{am,m＝1,…,U}，选取其中的最大值作为二次筛选阈值N1；
所述阈值N2的确定，包括以下步骤：
步骤S2221：对第m张指静脉查询图像，将查询图与U×(V-1)张指静脉库图像做相似性度量，并将得到的修正相似性分数s2做降序排序，查询图标签与降序排列后的分数对应的库图标签从头到尾依次进行比对，取第一个查询图与库图标签相同的匹配对应的序号bm；
步骤S2222：对所有指静脉查询图像，重复步骤S2221，共得到U个序号值{bm,m＝1,…,U}，选取其中的最大值作为二次筛选阈值N2，选择N1与N2中的最大值作为二次筛选的阈值N，N＝max(N1,N2)。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于二次筛选与分数融合的指静脉识别方法，其特征在于，包括：
S1：基于导向滤波的多尺度Retinex方法对指静脉图像I进行预处理，建立指静脉特征库，并生成指静脉识别模型；
S2：参数训练所述步骤S1建立的指静脉识别模型；
S3：指静脉的在线识别；
所述步骤S1还包括以下步骤：
S11：选取所述指静脉图像I作为导向滤波的引导图像；
S12：设置导向滤波的滤波窗口为xi×xi，i∈[1,k]；
S13：通过所述导向滤波对指静脉图像进行滤波，得到k个指静脉图像Gi，i∈[1,k]；
S14：将所述k个指静脉图像进行加权融合，得到预处理后的指静脉图像I′，公式为：
Figure FDA0002406165360000011
其中，I(x,y)表示图像I上位于坐标为(x,y)的像素值，I'(x,y)表示图像I'位于坐标(x,y)的像素值，Gi(x,y)表示图像Gi位于坐标(x,y)的像素值，wi表示加权因子，xi表示滤波窗口边长，所述加权因子的计算公式为：
Figure FDA0002406165360000012
S15：对所述预处理后的指静脉图像I′提取增强的最大曲率场M，并对得到的所述曲率场M进行二值化处理，得到指静脉的二值化的增强曲率特征E，所述二值化处理的公式为：
Figure FDA0002406165360000013
其中，v表示曲率场M中所有曲率值的中值；
S16：重复步骤S11-S15直至所有指静脉图像处理完毕，保存二值图像，建立指静脉特征库。
2.根据权利要求1所述的一种基于二次筛选与分数融合的指静脉识别方法，其特征在于：
所述步骤S2所述参数训练还包括以下步骤：
S21：建立指静脉训练库；设指静脉特征库中共分为U类，每类有V幅图，从所述U类中随机选取一张作为查询图，其余V-1张为库图，并将每类中的查询图编号{m,m＝1,…,U}；
S22：确定二次筛选阈值N；获取所述步骤S21中的所述指静脉训练库；通过基于二值图配准与弹性分数的指静脉相似性度量方法对所述查询图与所述库图进行相似性度量：
随机选取两张进行相似性度量的指静脉特征二值图A，B，其中A为查询图，B为库图；则两张图片的宽度为w，高度为h；
将所述查询图A进行剪裁；所述剪裁时将删除所述查询图A的第1行到第dh+1行所有像素、第h-dh行到第h行所有像素、第1列到第dw+1列所有像素、第w-dw列到第w列所有像素；则所述查询图A由宽度w，高度h变为宽度w-2dw、高度h-2dh的A′；dh与dw表示所述查询图A上下与左右被剪裁掉的高度和宽度；
对经过裁剪的查询图A′与库图B进行相似性度量与配准，得到配准相似性分数s1和配准后的库图B′；
对经过裁剪的查询图A′与配准后的库图B′计算弹性分数e并进行分数融合，得到修正相似性分数s2。
S23：确定拒假阈值T；基于分数排名对所述库图进行筛选，取步骤S22降序排序后的U组配准相似性分数，其中组编号与查询图编号m对应m∈[1,U]；
取每组分数的前N个分数、在N个分数中的排名以及其对应的库图标签，存入分数标签矩阵Fm,1中，m∈[1,U]，Fm,1是一个3×N大小的矩阵，矩阵的每一列代表一张库图，每行分别表示该库图对应的库图标签、分数数值大小和分数名次，并保存每组的查询图与查询图对应的标签、分数排在前N的匹配对应的N张库图；
S24：基于筛选库图与修正相似性分数的二次度量；对于第m张查询图与对应组中的N张库图，度量查询图与对应组中的N张库图的修正相似性分数；
S25：重复步骤S24，共得到U组分数，每组有N个分数，其中组编号与查询图编号m对应m∈[1,U]；
S26：对每组分数分别进行降序排序，取每组分数的前N个分数、在N个分数中的排名以及其对应的库图标签，存入分数标签矩阵Fm,2中，Fm,2是一个3×N大小的矩阵，矩阵的每一列代表一张库图，每行分别表示该库图对应的库图标签、分数数值大小和分数名次；
S27：获取第m张查询图分数标签矩阵Fm,1、Fm,2和1个标签矩阵Lm；
对于第m张查询图使用分数标签矩阵Fm,1、Fm,2与标签矩阵Lm进行分数排名与标签出现次数的分数加权融合，公式为：
Figure FDA0002406165360000031
其中i∈[1,lm]，lm为分数融合后标签的个数即分数标签矩阵中N个库图标签中不同标签的个数，λ1、λ2为标签加权因子，计算公式如下：
Figure FDA0002406165360000032
Sm表示分数加权融合矩阵，大小为2×lm，每列分别对应一个库图的标签与分数融合后该库图标签对应的分数；
对于所有查询图，重复步骤S27，共得到U个分数加权融合矩阵。
3.根据权利要求1所述的一种基于二次筛选与分数融合的指静脉识别方法，其特征在于：确定拒假阈值T，首先获取第m张查询图对应的分数加权融合矩阵Sm中的分数最大值对应的库图标签，如果最大分数对应的库图标签与查询图不相同，则保留该分数，如果最大分数对应的库图标签与查询图相同，则去除该分数；
对于所有查询图，得到B个分数{Qr,r＝1,…,B}，B∈[1,U]；选取B个分数中的最大值作为拒假阈值T。
4.根据权利要求1所述的一种基于二次筛选与分数融合的指静脉识别方法，其特征在于：
所述步骤S3还包括以下步骤：
S31：获取用户输入的指静脉图像；
S32：根据所述对用户输入指静脉图像进行预处理与特征提取、所述用户输入的指静脉特征图与所述指静脉训练库中所有库图的配准相似性分数并获取经过裁剪的用户输入指静脉图像与配准后的库图；
S33：对库图进行筛选，将步骤S32中的分数进行降序排序，取分数排在前N的匹配分数与对应的配准后的库图，其中N为由步骤S22得到的二次筛选阈值；计算经过裁剪的用户输入指静脉图像与得到的N张配准后的库图的修正相似性得分并降序排序；
S34：将得到的两组分数进行基于分数排名与标签出现次数的分数加权融合，并取融合后分数的最大值与分数最大值对应的库图标签；
S35：将融合后分数的最大值与拒假阈值T进行判断得到的所述分数进行判断，当所述分数小于所述拒假阈值T则拒绝识别，如果所述分数大于所述拒假阈值T则返回分数对应的标签作为识别结果。
5.根据权利要求2所述的一种基于二次筛选与分数融合的指静脉识别方法，其特征在于：
所述阈值N1的确定，包括以下步骤：
S2211：对第m张指静脉查询图像，将查询图与U×(V-1)张指静脉库图像做相似性度量，并将得到的配准相似性分数s1做降序排序，查询图标签与降序排列后的分数对应的库图标签从头到尾依次进行比对，取第一个查询图与库图标签相同的匹配对应的序号am；
S2212：对所有指静脉查询图像，重复步骤S2211，共得到U个序号值{am,m＝1,…,U}，选取其中的最大值作为二次筛选阈值N1；
所述阈值N2的确定，包括以下步骤：
S2221：对第m张指静脉查询图像，将查询图与U×(V-1)张指静脉库图像做相似性度量，并将得到的修正相似性分数s2做降序排序，查询图标签与降序排列后的分数对应的库图标签从头到尾依次进行比对，取第一个查询图与库图标签相同的匹配对应的序号bm；
S2222：对所有指静脉查询图像，重复步骤S2221，共得到U个序号值{bm,m＝1,…,U}，选取其中的最大值作为二次筛选阈值N2，选择N1与N2中的最大值作为二次筛选的阈值N，N＝max(N1,N2)。
CN202010162093.3A 2020-03-10 2020-03-10 一种基于二次筛选与分数融合的指静脉识别方法 Active CN111382703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010162093.3A CN111382703B (zh) 2020-03-10 2020-03-10 一种基于二次筛选与分数融合的指静脉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010162093.3A CN111382703B (zh) 2020-03-10 2020-03-10 一种基于二次筛选与分数融合的指静脉识别方法

Publications (2)

Publication Number Publication Date
CN111382703A true CN111382703A (zh) 2020-07-07
CN111382703B CN111382703B (zh) 2023-06-23

Family

ID=71222640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010162093.3A Active CN111382703B (zh) 2020-03-10 2020-03-10 一种基于二次筛选与分数融合的指静脉识别方法

Country Status (1)

Country Link
CN (1) CN111382703B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287147A (zh) * 2020-10-30 2021-01-29 华盛通(无锡)影像科技有限公司 一种基于冒泡排序的多模板指静脉特征搜索算法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127151A (zh) * 2016-06-23 2016-11-16 北京海鑫科金高科技股份有限公司 基于改进局部二值模型的指静脉识别方法及装置
CN106780486A (zh) * 2017-01-16 2017-05-31 大连海事大学 一种钢板表面缺陷图像提取方法
CN107369148A (zh) * 2017-09-20 2017-11-21 湖北工业大学 基于改进sml与导向滤波的多聚焦图像融合方法
WO2019232945A1 (zh) * 2018-06-08 2019-12-12 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127151A (zh) * 2016-06-23 2016-11-16 北京海鑫科金高科技股份有限公司 基于改进局部二值模型的指静脉识别方法及装置
CN106780486A (zh) * 2017-01-16 2017-05-31 大连海事大学 一种钢板表面缺陷图像提取方法
CN107369148A (zh) * 2017-09-20 2017-11-21 湖北工业大学 基于改进sml与导向滤波的多聚焦图像融合方法
WO2019232945A1 (zh) * 2018-06-08 2019-12-12 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YANJUN WU 等: ""Crime Scene Shoeprint Retrieval Using Hybrid Features and Neighboring Images"", 《INFORMATION》 *
刘晓阳 等: ""基于多尺度的水下图像显著性区域检测"", 《微型机与应用》 *
张文婷: ""基于导向滤波的图像增强算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张涛 等: ""基于稀疏表示的图像模糊度评价方法"", 《计算机工程》 *
朱浩然 等: ""基于对比度增强与多尺度边缘保持分解的红外与可见光图像融合"", 《电子与信息学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287147A (zh) * 2020-10-30 2021-01-29 华盛通(无锡)影像科技有限公司 一种基于冒泡排序的多模板指静脉特征搜索算法

Also Published As

Publication number Publication date
CN111382703B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
CN111626371B (zh) 一种图像分类方法、装置、设备及可读存储介质
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
CN111310731A (zh) 基于人工智能的视频推荐方法、装置、设备及存储介质
US20080013803A1 (en) Method and apparatus for determining print image quality
CN106203539B (zh) 识别集装箱箱号的方法和装置
CN111368772A (zh) 身份识别方法、装置、设备及存储介质
CN111488798B (zh) 指纹识别方法、装置、电子设备及存储介质
CN114445879A (zh) 一种高精度人脸识别方法及人脸识别设备
CN112926601A (zh) 基于深度学习的图像识别方法、装置、设备及存储介质
CN110766075A (zh) 轮胎区域图像比对方法、装置、计算机设备和存储介质
CN111553241A (zh) 掌纹的误匹配点剔除方法、装置、设备及存储介质
CN109166093B (zh) 一种图像显著区域检测方法
CN108921006B (zh) 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法
CN111382703B (zh) 一种基于二次筛选与分数融合的指静脉识别方法
CN111931856A (zh) 视频分类方法和装置、电子设备和存储介质
CN116469167A (zh) 基于视频中人物动作获取人物动作片段的方法及系统
CN111626313A (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN110909757A (zh) 生物识别系统模板的选取和更新方法
Lakshmi et al. A new hybrid algorithm for Telugu word retrieval and recognition
CN108334884B (zh) 一种基于机器学习的手写文档检索方法
CN111310548A (zh) 一种在线手写笔迹中笔画类型的识别方法
CN110135519B (zh) 一种图像分类方法及装置
CN110858294A (zh) 提升指纹识别率的指纹识别方法及指纹识别芯片
Souza et al. Handwritten numerical character recognition based on paraconsistent artificial neural networks

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