CN111639559B - 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 - Google Patents

Abstract

本发明涉及基于地形凹凸特性的指静脉机器学习识别方法及装置，方法包括：对注册指静脉图像和验证指静脉图像进行大小归一化处理；对注册指静脉图像和验证指静脉图像进行图像增强处理；基于数字高程模型从注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册特征和验证特征；对注册特征和验证特征进行平移、旋转校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算；基于校准纠正参数以及滑窗相似度参数，对手指静脉的特征提取技术参数和识别技术参数进行优化；装置包括归一化处理模块、图像增强模块、特征提取模块、参数计算模块和优化模块。本发明提高了手指静脉的识别技术能力和对不同图像质量的适应能力。

Description

一种基于地形凹凸特性的指静脉机器学习识别方法及装置

技术领域

本发明涉及图像识别及处理技术领域，尤其涉及一种基于地形凹凸特性的指静脉机器学习识别方法及装置。

背景技术

手指静脉识别技术以其天然的非接触、内部特征、活体识别等优势，成为了最具发展潜力的生物识别技术之一。手指静脉识别的关键技术分为手指静脉的特征提取技术和手指静脉的特征比对技术。目前常用的手指静脉特征提取技术包括：手指静脉骨架线提取技术、手指静脉特征点提取技术和手指静脉二值化提取技术，这些特征提取技术对手指静脉的图像质量有较高的要求，对低质量的指静脉图像有较差的适应性。现有指静脉特征提取和识别技术如专利号为CN101840511B公开的一种手指静脉特征提取与匹配识别方法，包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；特征提取的方法为：对手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取；识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。

现有的指静脉图像提取和识别技术中，所提取的静脉信息维度为1维或2维，因此对于低质量手指静脉图像的识别效果不佳；现有手指静脉特征提取和特征比对技术较难实现高效率优化。

发明内容

本发明的目的是解决现有手指静脉技术对于低质量手指静脉图像的识别效果不佳，同时解决现有手指静脉特征提取和特征比对技术较难实现高效率优化的问题，提出了一种基于地形凹凸特性的指静脉机器学习识别方法及装置。

为了达到目的，本发明提供的技术方案为：

本发明涉及基于地形凹凸特性的指静脉机器学习识别方法，包括以下步骤：

1)采集注册指静脉图像和验证指静脉图像，分别进行大小归一化处理；

2)分别对归一化后的注册指静脉图像和验证指静脉图像进行图像增强处理；

3)基于数字高程模型从增强后的注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册指静脉图像的注册特征和验证指静脉图像的验证特征；

4)对注册特征和验证特征进行平移校准纠正、旋转校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算，得到校准纠正参数和滑窗相似度参数；

5)基于注册特征和验证特征的校准纠正参数以及滑窗相似度参数，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行优化。

优选地，所述的步骤1)采用双线性插值技术方案对指静脉图像进行大小归一化处理。

优选地，所述的步骤2)采用双边滤波对静脉图像进行增强处理，计算公式为：

其中，

F(x)为增强后的图像；

向量ε为邻域平均值；

ω为双边滤波的加权系数；

w(x,y)为空间核；

为值域核；

f(x)为当前点位置坐标；

f(y)为邻域点位置坐标；

s为(x,y)的邻域内所有像素坐标的集合；

x为当前点像素；

y为邻域像素。

双边滤波的本质是高斯函数的空间核和值域核组成，能够增强图像细节的同时也解决高斯滤波器在去噪时模糊边缘的问题，由公式(1)和(2)可以得出，双边滤波的加权系数ω是这两个核的非线性组合，即空间核w(x,y)和值域核

的乘积。

优选地，所述的步骤3)中采用数字高程模型方法提取地形凹凸特征时，设置一个至少为3*3的栅格窗口，通过中心格网点与8个邻域格网点的高程关系来进行判断和获取地形凹凸特征。

优选地，所述的采用数字高程模型方法提取地形凹凸特征的具体步骤包括：

3.1)对输入的指静脉图像进行0值的边界扩充，扩充后的图像行数为picH+2，扩充后的图像列数为picW+2，picH、picW分别为归一化处理后图像的长和宽；

3.2)对3*3邻域内的像素点进行编号，以原图的每个像素点为中心点，计算中心点指向其3*3邻域内其他点的向量，共得到8个向量V_i，

V_i＝(x_i-x₀,y_i-y₀,f_i-f₀) (3)，

其中，x_i,y_i，f_i分别为中心点邻域内各点的行数、列数以及灰度值，x₀，y₀，f₀分别为中心像素点的行数、列数以及灰度值；

3.3)利用向量V_i在x方向和y方向上求关于高程Z的二阶导数；

3.4)利用高程Z的二阶导数的正负组合关系判断地形凹凸特征点。

优选地，所述步骤3.4)中的地形凹凸特征点包括山顶点、凹陷点、脊点、谷点、鞍点和平地点，判断地形特征点的依据为：

山顶点是指在局部区域内海拔高程的极大值点，表现为各方向上都为凸起；

凹陷点是指在局部区域内海拔高程的极小值点，表现为在各方向上都为凹陷；

脊点是指在两个相互正交的方向上，一个方向凸起，而另一个方向没有凹凸性变化的点；

谷点是指在两个相互正交的方向上，一个方向凹陷，而另一个方向没有凹凸性变化的点；

鞍点是指在两个相互正交的方向上，一个方向凸起，而另一个方向凹陷的点；

平地点是指在局部区域内各方向上都没有凹凸性变化的点。

优选地，所述步骤4)中对手指静脉特征进行平移、旋转校准纠正，并对偏移和旋转校准纠正后的重叠区域进行滑窗相似度计算的具体步骤包括：

4.1)计算验证特征和注册特征偏移和旋转校准纠正参数，并根据校准纠正参数对验证特征和注册特征进行校准纠正，校准纠正参数的计算公式如下所示：

(row_offset,col_offset，angle_offset)_opt＝ max {Fun} (4)，

featureAB＝ featureA(row_offset，col_offset,angle_offset)∩featureB (6)，

H＝picH-|row_offset| (7)，

W＝picW-|col_offset| (8)，

row_offset∈[-rowX,rowX] (10)，

col_offset∈[-colX，colX] (11)，

angle_offset∈[-angleX,angleX] (12)，

式中：

Fun为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的目标函数；

i为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的行坐标；

j为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的列坐标；

x₁₁～x₉₉为验证特征featureA与注册特征featureB的相似度计算表similarTable的模型参数，为机器学习优化的识别技术参数；

rowX为验证特征featureA与注册特征featureB的平移校准纠正的行坐标搜索范围；

colX为验证特征featureA与注册特征featureB的平移校准纠正的列坐标搜索范围；

angleX为验证特征featureA与注册特征featureB的旋转校准纠正的角度搜索范围；

featureA为验证特征，featureB为注册特征，featureAB为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征，H为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域的行数，W为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域的列数，picH为验证特征featureA与注册特征featureB的行数，picW为验证特征featureA与注册特征featureB的列数，similarTable为验证特征featureA与注册特征featureB的相似度计算表，且具有如下的数学关系similarTable＝similarTable^T，row_offset为验证特征featureA相对于注册特征featureB的行偏移量，col_offset为验证特征featureA相对于注册特征featureB的列偏移量，angle_offset为验证特征featureA相对于注册特征featureB的角度偏移量；

4.2)对验证特征和经偏移和旋转校准纠正后的注册特征的重叠区域进行滑窗相似度计算，重叠区域的滑窗统计计算公式为：

式中：

iw为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的滑窗相似度统计的行坐标；

jw为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的滑窗相似度统计的列坐标；

score为验证特征featureA与注册特征featureB的相似度分数，featureAB为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征，H_w为滑窗统计的滑窗行数，W_w为滑窗统计的滑窗列数，H_s为滑窗统计的滑窗行方向的步长，W_s为滑窗统计的滑窗列方向的步长。

优选地，所述步骤5)中用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行深度优化的具体步骤包括：

5.1)利用机器学习方法对手指静脉特征提取技术方案中的双边滤波的参数进行深度优化，包括对空间核w(x,y)和值域核

的优化；

5.2)利用机器学习方法对手指静脉特征提取技术方案中的参数进行计算，具体的优化参数包括：数字高程模型栅格窗口大小、验证特征相对于注册特征的行偏移量的取值范围、验证特征相对于注册特征的列偏移量的取值范围、验证特征相对于注册特征的角度偏移量的取值范围及相似度计算表；

5.3)利用机器学习方法对手指静脉特征识别技术方案中的参数进行计算，具体包括优化滑窗统计的滑窗行数H_w、滑窗统计的滑窗列数W_w、滑窗统计的滑窗行方向的步长H_s、滑窗统计的滑窗列方向的步长W_s。

本发明还涉及一种基于地形凹凸特性的指静脉机器学习识别装置，包括：

1)归一化处理模块：用于采集注册指静脉图像和验证指静脉图像，分别进行大小归一化处理；

2)图像增强模块：用于对归一化后的注册指静脉图像和验证指静脉图像进行图像增强处理；

3)特征提取模块：用于从增强后的注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册指静脉图像的注册特征和验证指静脉图像的验证特征；

4)参数计算模块：用于对注册特征和验证特征进行平移校准纠正、旋转校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算，得到校准纠正参数和滑窗相似度参数；

5)优化模块：基于注册特征和验证特征的校准纠正参数以及滑窗相似度参数，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行优化。

采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：

1、本发明针对现有手指静脉技术对于低质量手指静脉图像的识别效果不佳的问题，基于数字高程模型提取手指静脉特征，该方案可以提取出指静脉的8维信息量，而现有指静脉特征提取技术所提取的静脉信息维度为1维或2维，相对现有指静脉特征提取技术有较大的优势。

2、本发明针对现有手指静脉特征提取和特征比对技术较难实现高效率优化的问题，对手指静脉特征平移、旋转校准纠和滑窗相似度计算，并利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行计算，可根据指静脉图像数据库的特点进行深度学习，对特征提取技术参数和特征比对技术参数进行深度优化，大大提高了手指静脉的识别技术能力和对不同图像质量的适应能力。

附图说明

图1是本发明指静脉机器学习识别方法的流程图；

图2是本发明手指静脉图像校准纠正以及滑窗相似度计算的流程图；

图3是本发明步骤5)机器学习优化的流程图；

图4是本发明指静脉机器学习装置的框图。

具体实施方式

为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例一

结合附图1所示，一种基于地形凹凸特性的指静脉机器学习识别方法，包括以下步骤：

1)采用指静脉设备采集注册指静脉图像和验证指静脉图像，所采集到的图像大小为360*180，采用双线性插值技术方案对指静脉图像进行大小归一化处理，所选取的归一化图像的行数picH＝120，所选取的归一化图像的列数picW＝60；

2)采用双边滤波分别对归一化后的注册指静脉图像和验证指静脉图像进行图像增强处理，计算公式为：

其中，ω为双边滤波的加权系数，w(x,y)为空间核，

为值域核；

本实施例中，以(a,b)和(i,j)两点像素为例，空间核w(x,y)可表示为：

值域核

可以表示为：

所选取的空域方差的初始值σ_s＝1.0，所选取的值域方差的初始值σ_r＝0.1；

3)基于数字高程模型从增强处理后的注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册指静脉图像的注册特征和验证指静脉图像的验证特征，即设置一个至少为3*3的栅格窗口，通过中心格网点与8个邻域格网点的高程关系来进行判断和获取地形凹凸特征，具体步骤包括：

3.1)对输入的指静脉图像进行0值的边界扩充，扩充后的图像行数为picH+2，扩充后的图像列数为picW+2，picH、picW分别为归一化处理后图像的长和宽；

3.2)对3*3邻域内的像素点进行编号，以原图的每个像素点为中心点，计算中心点指向其3*3邻域内其他点的向量，共得到8个向量V_i，

V_i＝(x_i-x₀,y_i-y₀,f_i-f₀) (3)，

其中，x_i,y_i,f_i分别为中心点邻域内各点的行数、列数以及灰度值，x₀,y₀,f₀分别为中心像素点的行数、列数以及灰度值；

3.3)利用向量V_i在x方向和y方向上求关于高程Z的二阶导数；

3.4)利用高程Z的二阶导数的正负组合关系判断地形凹凸特征点；

地形凹凸特征点包括山顶点、凹陷点、脊点、谷点、鞍点和平地点，判断地形特征点的依据为：

山顶点是指在局部区域内海拔高程的极大值点，表现为各方向上都为凸起；

凹陷点是指在局部区域内海拔高程的极小值点，表现为在各方向上都为凹陷；

脊点是指在两个相互正交的方向上，一个方向凸起，而另一个方向没有凹凸性变化的点；

谷点是指在两个相互正交的方向上，一个方向凹陷，而另一个方向没有凹凸性变化的点；

鞍点是指在两个相互正交的方向上，一个方向凸起，而另一个方向凹陷的点；

平地点是指在局部区域内各方向上都没有凹凸性变化的点；

本实施例所选取的初始栅格窗口大小为3*3，通过中心格网点与8个邻域格网点的高程关系来进行判断和获取，具体的特征编码方案如下：

若满足以下条件，则设置该点的特征编码为0，即feature(i,j)＝0，

若满足以下条件，则设置该点的特征编码为1，即feature(i,j)＝1，

若满足以下条件，则设置该点的特征编码为2，即feature(i,j)＝2，

若满足以下条件，则设置该点的特征编码为3，即feature(i,j)＝3，

若满足以下条件，则设置该点的特征编码为4，即feature(i,j)＝4，

若满足以下条件，则设置该点的特征编码为5，即feature(i,j)＝5，

若满足以下条件，则设置该点的特征编码为6，即feature(i,j)＝6，

若满足以下条件，则设置该点的特征编码为7，即feature(i,j)＝7，

若满足以下条件，则设置该点的特征编码为8，即feature(i,j)＝8，

4)结合附图2所示，基于验证特征计算手指静脉特征平移、旋转校准纠正参数，并对注册特征和验证特征进行校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算，其具体步骤为：

4.1)计算验证特征和注册特征偏移和旋转校准纠正参数，并根据校准纠正参数对验证特征和注册特征进行校准纠正，校准纠正参数的计算公式如下所示：

(row_offset,col_offset,angle_offset)_opt＝max{Fun} (4)，

featureAB＝featureA(row_offset,col_offset,angle_offset)∩featureB (6)，

H＝picH-|row_offset| (7)，

W＝picW-|col_offset| (8)，

row_offset∈[-rowX,rowX] (10)，

col_offset∈[-colX,colX] (11)，

angle_offset∈[-angleX,angleX] (12)，

式中：

Fun为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的目标函数；

i为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的行坐标；

j为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的列坐标；

x₁₁～x₉₉为验证特征featureA与注册特征featureB的相似度计算表similarTable的模型参数，为机器学习优化的识别技术参数；

rowX为验证特征featureA与注册特征featureB的平移校准纠正的行坐标搜索范围；

colX为验证特征featureA与注册特征featureB的平移校准纠正的列坐标搜索范围；

angleX为验证特征featureA与注册特征featureB的旋转校准纠正的角度搜索范围；

featureA为验证特征，featureB为注册特征，featureAB为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征，H为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域的行数，W为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域的列数，picH为验证特征featureA与注册特征featureB的行数，picW为验证特征featureA与注册特征featureB的列数，similarTable为验证特征featureA与注册特征featureB的相似度计算表，且具有如下的数学关系similarTable＝similarTable^T，本实施例中所选取的初始取值为：

row_offset为验证特征featureA相对于注册特征featureB的行偏移量，本实施例所选取的初始取值范围为[-30,30]；col_offset为验证特征featureA相对于注册特征featureB的列偏移量，本实施例所选取的初始取值范围为[-15,15]；angle_offset为验证特征featureA相对于注册特征featureB的角度偏移量，本实施例所选取的初始取值范围为[-10,10]；

4.2)对验证特征和经偏移和旋转校准纠正后的注册特征的重叠区域对齐，并进行滑窗相似度计算，重叠区域的滑窗统计计算公式为：

式中：

iw为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的滑窗相似度统计的行坐标；

jw为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的滑窗相似度统计的列坐标；

score为验证特征featureA与注册特征featureB的相似度分数，featureAB为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征，H_w为滑窗统计的滑窗行数，本实施例所选取的初始滑窗行数为40，W_w为滑窗统计的滑窗列数，本实施例所选取的初始滑窗列数为20，H_s为滑窗统计的滑窗行方向的步长，本实施例所选取的初始滑窗行方向的步长为2，W_s为滑窗统计的滑窗列方向的步长，本实施例选取的初始滑窗列方向的步长为1。

5)结合附图3所示，基于手指静脉特征平移、旋转的校准纠正参数以及滑窗相似度参数，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行优化，本实施例所选取的指静脉图像库大小为1万指*10幅/指，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行深度优化，优化目标为：在误识率为千万分之一的条件下，使得识别率最大化，其具体步骤包括：

5.1)利用机器学习方法对手指静脉特征提取技术方案中的双边滤波的参数进行深度优化，包括对空间核w(x,y)和值域核

的优化，深度学习优化后的参数为：σ_s＝0.75，σ_r＝0.4；

5.2)利用机器学习方法对手指静脉特征提取技术方案中的参数进行计算，具体的优化参数包括：数字高程模型栅格窗口大小、验证特征相对于注册特征的行偏移量的取值范围、验证特征相对于注册特征的列偏移量的取值范围、验证特征相对于注册特征的角度偏移量的取值范围及相似度计算表；深度学习后，数字高程模型栅格窗口大小为3*3，验证特征相对于注册特征的行偏移量row_offset取值范围[-32,32]，验证特征相对于注册特征的列偏移量的取值范围col_offset取值范围[-16,16]，验证特征相对于注册特征的角度偏移量angle_offset取值范围[-12,12]，相似度计算表为：

5.3)利用机器学习方法对手指静脉特征识别技术方案中的参数进行计算，具体包括优化滑窗统计的滑窗行数H_w、滑窗统计的滑窗列数W_w、滑窗统计的滑窗行方向的步长H_s、滑窗统计的滑窗列方向的步长W_s。

本实施例所选取的指静脉图像库大小为1万指*10幅/指。基于同一图像库分别采用常规指静脉识别方法和本发明的基于地形凹凸特性的指静脉机器学习识别方法进行识别率对比。常规指静脉识别方法流程如下：1)指静脉图像尺寸归一化；2)指静脉图像二值化；3)指静脉特征点提取；4)利用指静脉图像二值化特征或指静脉特征点进行相似度计算。实验发现，常规指静脉识别方法的千万分之一误识率下的识别率为92.4％，而本专利所提出的一种基于地形凹凸特性的指静脉机器学习识别方法在初始参数条件下的千万分之一误识率下的识别率已达到96.8％，经过深度学习后的千万分之一误识率下的识别率为99.9％，这充分体现了本专利所提出的一种基于地形凹凸特性的指静脉器学习识别方法的巨大优势。

实施例二

参照图4所示，本实施例涉及一种基于地形凹凸特性的指静脉机器学习识别装置，包括：

1)归一化处理模块：用于采集注册指静脉图像和验证指静脉图像，分别进行大小归一化处理；所述归一化处理模块用于实现实施例一的步骤1)。

2)图像增强模块：用于对归一化后的注册指静脉图像和验证指静脉图像进行图像增强处理；所述图像增强模块用于实现实施例一的步骤2)。

3)特征提取模块：用于从增强后的注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册指静脉图像的注册特征和验证指静脉图像的验证特征；所述特征提取模块用于实现实施例一的步骤3)。

4)参数计算模块：用于对注册特征和验证特征进行平移校准纠正、旋转校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算，得到校准纠正参数和滑窗相似度参数；所述参数计算模块用于实现实施例一的步骤4)。

5)优化模块：基于注册特征和验证特征的校准纠正参数以及滑窗相似度参数，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行优化。所述优化模块用于实现实施例一的步骤5)。

以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (9)

1.一种基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：其包括以下步骤：

1)采集注册指静脉图像和验证指静脉图像，分别进行大小归一化处理；

2)分别对归一化后的注册指静脉图像和验证指静脉图像进行图像增强处理；

3)基于数字高程模型从增强后的注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册指静脉图像的注册特征和验证指静脉图像的验证特征；

4)对注册特征和验证特征进行平移校准纠正、旋转校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算，得到校准纠正参数和滑窗相似度参数；

5)基于注册特征和验证特征的校准纠正参数以及滑窗相似度参数，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行优化。

2.根据权利要求1所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述的步骤1)采用双线性插值技术方案对指静脉图像进行大小归一化处理。

3.根据权利要求1所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述的步骤2)采用双边滤波对静脉图像进行增强处理，计算公式为：

其中，

F(x)为增强后的图像；

向量ε为邻域平均值；

ω为双边滤波的加权系数；

w(x，y)为空间核；

为值域核；

f(x)为当前点位置坐标；

f(y)为邻域点位置坐标；

s为(x,y)的邻域内所有像素坐标的集合；

x为当前点像素；

y为邻域像素。

4.根据权利要求1所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述的步骤3)中采用数字高程模型方法提取地形凹凸特征时，设置一个至少为3*3的栅格窗口，通过中心格网点与8个邻域格网点的高程关系来进行判断和获取地形凹凸特征。

5.根据权利要求4所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述的采用数字高程模型方法提取地形凹凸特征的具体步骤包括：

3.1)对输入的指静脉图像进行0值的边界扩充，扩充后的图像行数为picH+2，扩充后的图像列数为picW+2，picH、picW分别为归一化处理后图像的长和宽；

3.2)对3*3邻域内的像素点进行编号，以原图的每个像素点为中心点，计算中心点指向其3*3邻域内其他点的向量，共得到8个向量V_i，

V_i＝(x_i-x₀，y_i-y₀，f_i-f₀) (3)，

其中，x_i，y_i，f_i分别为中心点邻域内各点的行数、列数以及灰度值，x₀，y₀，f₀分别为中心像素点的行数、列数以及灰度值；

3.3)利用向量V_i在x方向和y方向上求关于高程Z的二阶导数；

3.4)利用高程Z的二阶导数的正负组合关系判断地形凹凸特征点。

6.根据权利要求5所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述步骤3.4)中的地形凹凸特征点包括山顶点、凹陷点、脊点、谷点、鞍点和平地点，判断地形特征点的依据为：

山顶点是指在局部区域内海拔高程的极大值点，表现为各方向上都为凸起；

凹陷点是指在局部区域内海拔高程的极小值点，表现为在各方向上都为凹陷；

脊点是指在两个相互正交的方向上，一个方向凸起，而另一个方向没有凹凸性变化的点；

谷点是指在两个相互正交的方向上，一个方向凹陷，而另一个方向没有凹凸性变化的点；

鞍点是指在两个相互正交的方向上，一个方向凸起，而另一个方向凹陷的点；

平地点是指在局部区域内各方向上都没有凹凸性变化的点。

7.根据权利要求1所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述步骤4)中对手指静脉特征进行平移、旋转校准纠正，并对偏移和旋转校准纠正后的重叠区域进行滑窗相似度计算的具体步骤包括：

4.1)计算验证特征和注册特征偏移和旋转校准纠正参数，并根据校准纠正参数对验证特征和注册特征进行校准纠正，校准纠正参数的计算公式如下所示：

(row_offset，col_offset，angle_offset)_opt＝max{Fun} (4)，

featureAB＝featureA(row_offset，col_offset，angle_offset)∩featureB (6)，

H＝picH-|row_offset| (7)，

W＝picW-|col_offset| (8)，

row_offset∈[-rowX,rowX] (10)，

col_offset∈[-colX,colX] (11)，

angle_offset∈[-angleX,angleX] (12)，

式中：

Fun为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的目标函数；

i为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的行坐标；

j为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的相似度统计的列坐标；

x₁₁～x₉₉为验证特征featureA与注册特征featureB的相似度计算表similarTable的模型参数，为机器学习优化的识别技术参数；

rowX为验证特征featureA与注册特征featureB的平移校准纠正的行坐标搜索范围；

colX为验证特征featureA与注册特征featureB的平移校准纠正的列坐标搜索范围；

angleX为验证特征featureA与注册特征featureB的旋转校准纠正的角度搜索范围；

featureA为验证特征，featureB为注册特征，featureAB为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征，H为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域的行数，W为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域的列数，picH为验证特征featureA与注册特征featureB的行数，picW为验证特征featureA与注册特征featureB的列数，similarTable为验证特征featureA与注册特征featureB的相似度计算表，且具有如下的数学关系similarTable＝similarTable^T，row_offset为验证特征featureA相对于注册特征featureB的行偏移量，col_offset为验证特征featureA相对于注册特征featureB的列偏移量，angle_offset为验证特征featureA相对于注册特征featureB的角度偏移量；

4.2)对验证特征和经偏移和旋转校准纠正后的注册特征的重叠区域进行滑窗相似度计算，重叠区域的滑窗统计计算公式为：

式中：

iw为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的滑窗相似度统计的行坐标；

jw为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征featureAB的滑窗相似度统计的列坐标；

score为验证特征featureA与注册特征featureB的相似度分数，featureAB为验证特征featureA与注册特征featureB经平移和旋转校准纠正后的重叠区域特征，H_w为滑窗统计的滑窗行数，W_w为滑窗统计的滑窗列数，H_s为滑窗统计的滑窗行方向的步长，W_s为滑窗统计的滑窗列方向的步长。

8.根据权利要求1所述的基于地形凹凸特性的指静脉机器学习识别方法，其特征在于：所述步骤5)中用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行深度优化的具体步骤包括：

5.1)利用机器学习方法对手指静脉特征提取技术方案中的双边滤波的参数进行深度优化，包括对空间核w(x,y)和值域核

的优化；

5.2)利用机器学习方法对手指静脉特征提取技术方案中的参数进行计算，具体的优化参数包括：数字高程模型栅格窗口大小、验证特征相对于注册特征的行偏移量的取值范围、验证特征相对于注册特征的列偏移量的取值范围、验证特征相对于注册特征的角度偏移量的取值范围及相似度计算表；

5.3)利用机器学习方法对手指静脉特征识别技术方案中的参数进行计算，具体包括优化滑窗统计的滑窗行数H_w、滑窗统计的滑窗列数W_w、滑窗统计的滑窗行方向的步长H_s、滑窗统计的滑窗列方向的步长W_s。

9.一种基于地形凹凸特性的指静脉机器学习识别装置，其特征在于：其包括：

1)归一化处理模块：用于采集注册指静脉图像和验证指静脉图像，分别进行大小归一化处理；

2)图像增强模块：用于对归一化后的注册指静脉图像和验证指静脉图像进行图像增强处理；

3)特征提取模块：用于从增强后的注册指静脉图像和验证指静脉图像中获取地形凹凸特征，提取注册指静脉图像的注册特征和验证指静脉图像的验证特征；

4)参数计算模块：用于对注册特征和验证特征进行平移校准纠正、旋转校准纠正，对校准纠正后的静脉特征的重叠区域进行滑窗相似度计算，得到校准纠正参数和滑窗相似度参数；

5)优化模块：基于注册特征和验证特征的校准纠正参数以及滑窗相似度参数，利用机器学习方法对手指静脉的特征提取技术参数和识别技术参数进行优化。

Images