CN111931757A - 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 - Google Patents
基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 Download PDFInfo
- Publication number
- CN111931757A CN111931757A CN202011114879.4A CN202011114879A CN111931757A CN 111931757 A CN111931757 A CN 111931757A CN 202011114879 A CN202011114879 A CN 202011114879A CN 111931757 A CN111931757 A CN 111931757A
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- histogram
- images
- gray level
- 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.)
- Pending
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06V40/14—Vascular patterns
Abstract
本发明涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置,该方法包括:1)图像预处理;2)计算中值,获得3×3中值邻域;3)提取3个方向的LBP特征图像;4)对LBP特征图像进行分块,计算平均直方图;5)对指静脉灰度图像进行PCA降维,得到指静脉灰度图像的3个方向的最终比对特征;6)识别过程中,计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,对所有注册图像进行排序,筛选出若干候选模板。本发明方法将指静脉图像提取出包含主要信息的低维度特征,实现快速比对,用极短比对时间筛选出少量候选模板,提升整个指静脉识别系统的验证速度,减少1:N验证时的用户等待时间,及时反馈结果,提高用户使用体验。
Description
技术领域
本发明属于信息安全中的生物特征识别技术领域,尤其涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置。
背景技术
指静脉识别属于第二代生物特征识别技术的典型技术,相比传统的第一代生物特征如指纹、人脸,最主要的区别就是指静脉识别技术依据的是手指内部的静脉血管纹路进行识别,属于体内特征,体内特征不可能被盗取和复制,具有更高的安全性和唯一性,并且指静脉特征采集时要求是活体手指,也杜绝了非活体认假的可能性,同时静脉纹路还具备生物特征传统的唯一性和长期不变性,因此目前正在被广泛研究,并且已经在一些高安全领域进行了应用。
指静脉识别技术如专利号为CN105975905A公开的一种手指静脉快速识别方法,通过对指静脉一特征点集中的特征点与从另一特征点集的邻近该特征点的区域搜取的特征点进行匹配的方法,可以快速准确的识别身份。
但是,目前指静脉识别算法在大用户数下识别速度有待优化。在1:N的应用场景,当注册用户数N不断积累,会导致指静脉识别系统的验证时间随之增大,如果沿用1:1的精细识别算法进行N次循环比对,势必导致用户体验严重下降。
发明内容
本发明所要解决的技术问题提供一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法及装置,以解决传统的指静脉识别在大用户数下识别速度慢而导致的用户体验严重下降的问题。
为了解决上述技术问题,本发明提供的技术方案为:
本发明涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其包括以下步骤:
1)将指静脉灰度图像进行图像预处理;
2)对预处理后的指静脉灰度图像进行中值计算,获得3×3中值邻域;
3)在3×3中值邻域内提取3个方向的LBP特征图像;
4)对LBP特征图像进行分块,求取每一块的灰度分布直方图,对每一块的灰度分布直方图进行累加并求平均,得到平均直方图;
5)对待比对指静脉灰度图像和注册图像库中所有指静脉灰度图像进行PCA降维,得到指静脉灰度图像的3个方向的最终比对特征;
6)指静脉图像识别过程中,计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,进而判断两张指静脉灰度图像的相似度,根据相似度对所有注册图像进行排序,并从注册图像中筛选出若干候选模板。
优选地,所述步骤1)中,图像预处理包括图像尺寸归一化处理和灰度归一化处理,其中灰度范围归一化为0~255。
优选地,所述步骤2)中值计算的具体步骤为:
2.1)对于指静脉灰度图像当前坐标为中心的9×9邻域,以3×3大小进行分割,并求每个3×3区域的中值,最终得到9个中值;
2.2)以这9个中值组成新的3×3区域,即为3×3中值邻域。
优选地,所述步骤3)中3个方向的LBP特征图像包括环绕型LBP特征图像MDLBP_T,竖直方向LBP特征图像MDLBP_V和水平方向LBP特征图像MDLBP_H。
优选地,3个方向的LBP特征图像的尺寸均为(m-8)×(n-8),m和n分别表示预处理后指静脉灰度图像的长度和宽度。
优选地,所述步骤4)的具体步骤包括:
4.1)对3种LBP特征图像进行分块,分块大小为2w×w,每张LBP特征图像总共分为P块,计算公式如式(1):
式中,m和n分别表示预处理后指静脉灰度图像的长度和宽度;
4.2)并对每一块以L为组距求取灰度分布直方图,则每一块最终得到的直方图向量维度为1×k,其中k=256/L,获得小块直方图h,其中,环绕型LBP特征图像MDLBP_T的小块直方图为h_t,竖直方向LBP特征图像MDLBP_V的小块直方图为h_v,水平方向LBP特征图像MDLBP_H的小块直方图为h_h;
4.3)对于整张LBP特征图像共有P个直方图向量,将其累加并求平均,得到平均直方图H,平均直方图H的计算公式如式(2):
其中,i取值为从1到 P的整数,环绕型LBP特征图像MDLBP_T的平均直方图为H_t, 竖直方向LBP特征图像MDLBP_V的平均直方图为H_v, 竖直方向LBP特征图像MDLBP_V的平均直方图为 H_h。
优选地,所述步骤5)的具体步骤包括:
5.1)用注册图像库作为训练集,将训练集的所有图像的平均直方图累加并再求平均,得到整个训练集的平均直方图H_mean,如式(3):
其中,N表示训练集中所有图像的张数,i取值为从1到 N的整数;
5.2)再用每张图像的小块直方图h减去平均直方图H_mean,得到差值向量D,然后将差值向量D的转置DT乘上D,得到各小块的直方图矩阵HM,如式(4):
5.3)依次完成各小块的矩阵计算,进行累加并求矩阵的平均,得到单张图像的平均矩阵HM_mean,然后将训练集的所有图像的HM_mean累加并再求矩阵的平均,得到训练集的平均矩阵TS,如式(5):
其中HM_mean计算公式的i取值为从1到P的整数,TS计算公式的i取值为从1到N的整数;
5.4)求TS的特征值和对应的特征向量,然后将特征值从大到小排序,取其前λ个特征值对应的特征向量,组成维度为k×λ的投影矩阵,记为TS_PM;
5.5)用每张图像的小块直方图向量h乘以该投影矩阵,完成PCA降维,得到一个1×λ的向量h_dr,即为小块的最终比对特征,一张图像可以得到P个1×λ的向量,即为该MDLBP分块直方图特征经过PCA降维后的3个方向的最终比对特征。
优选地,所述步骤6)的具体步骤包括:
6.1)计算两张指静脉灰度图像之间的距离D(A,B),如式(6):
式中,i取值为从1到P的整数,A和B分别为两张指静脉灰度图像,di (A,B)表示两张指静脉灰度图像的第i个对应的最终比对特征的距离,(hi_dr) A表示图像A的第i个最终比对特征,(hi_dr)B表示图像B的第i个最终比对特征, (∙)T代表向量转置;
进而分别获得3个方向的最终比对特征的距离,分别为DT (A,B)、DV (A,B)和DH (A,B);
6.2)融合3个方向的最终比对特征,融合结果DMD (A,B)如式(7):
式中,α、β和γ分别表示3个参数,且α+β+γ=1;
6.3)基于融合结果DMD (A,B),从不同方向比较两图的相似度,根据相似度对注册图像进行排序,并从注册图像中筛选出若干候选模板。
本发明还涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序装置,其包括:
1)预处理模块,将指静脉灰度图像进行图像预处理;
2)中值计算模块,对预处理后的指静脉灰度图像进行中值计算,获得3×3中值邻域;
3)LBP特征提取模块,用于在3×3中值邻域内提取3个方向的LBP特征图像;
4)分块模块,用于对LBP特征图像进行分块,求取每一块的灰度分布直方图,对每一块的灰度分布直方图进行累加并求平均,得到平均直方图;
5)PCA降维模块,将指静脉灰度图像进行PCA降维,得到指静脉灰度图像的3个方向的最终比对特征;
6)排序模块,用于在指静脉图像识别过程中,计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,进而判断两张指静脉灰度图像的相似度,根据相似度对所有注册图像进行排序,并从注册图像中筛选出若干候选模板。
手指静脉图像中的主要特征信息为静脉纹路,是一种灰度图像的纹理特征。对于灰度图像中的纹理特征,局部二值模式(Local Binary Patterns,LBP)具有较强的抵抗光照变化和旋转变化等特性。传统的LBP特征一般是环绕方向提取,而手指静脉图像中的静脉纹路代表手指中静脉血管的延伸方向,一般为竖直方向和水平方向,主要是竖直方向。因此本发明提出基于多方向局部二值模式 (Multi Direction Local Binary Patterns,MDLBP)分块直方图和PCA降维的指静脉快速排序方法,在竖直、水平和环绕3个方向进行LBP特征提取。在LBP提取的过程中结合中值滤波,同时完成中值滤波和LBP提取,减少噪声干扰。MDLBP数据量比较庞大,不适用于快速比对,需要对MDLBP特征进行分块直方图提取和主成分分析(Principal Components Analysis,PCA)完成降维。首先进行分块,然后每个小块分别提取直方图,得到直方图特征,再基于注册图像的所有直方图特征进行训练,得到PCA降维矩阵,然后通过降维矩阵实现MDLBP的降维,即可得到描述图像主要信息的低维度特征,基于低维度特征实现快速比对和排序筛选。
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、本发明根据指静脉图像中静脉纹路的分布特点,创造性的基于3种不同方向进行LBP特征提取,从不同方向对指静脉图像中的有用信息进行描绘,然后用PCA进行直方图向量的降维,得到3种最终比对特征,该最终比对特征可以全面的反映图像特征,有助于提高后续图像比对的准确性;
2、本发明提取出少量的表达指静脉图像中的主要信息的特征进行比对,快速完成了初步筛选,有效减少了1比1精细比对的图像数量,大大提升1比N模式下手指静脉识别系统的比对效率,减少等待时间,提高1比N验证速度,使用户体验明显得到改善。
附图说明
图1为本发明涉及的方法的流程图;
图2为一幅指静脉图像原始图像;
图3为经过预处理后的图像;
图4为中值计算示意图;
图5为三种方向的LBP特征方向提取示意图;
图6为提取出的三种LBP特征;
图7为分块示意图;
图8为本发明涉及的快速排序装置的原理框图。
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1
参照附图1所示,本发明涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其包括以下步骤:
1)将指静脉灰度图像进行图像预处理;原始图像尺寸大小为400×200,如图2所示,图像预处理包括图像尺寸归一化处理和灰度归一化处理,其中,尺寸归一化为208×108,灰度范围归一化为0~255,如图3所示。
2)对预处理后的每一张指静脉灰度图像进行中值计算,获得3×3中值邻域,其具体步骤为:
2.1)对于指静脉灰度图像当前坐标为中心的9×9邻域,以3×3大小进行分割,并求每个3×3区域的中值,最终得到9个中值;
2.2)以这9个中值组成新的3×3区域,即为3×3中值邻域,如图4所示。
3)在3×3中值邻域内提取3个方向的LBP特征图像,3个方向的LBP特征图像包括环绕型LBP特征图像MDLBP_T,竖直方向LBP特征图像MDLBP_V和水平方向LBP特征图像MDLBP_H,各方向LBP计算示意图如图5所示,周围邻域的8个点按图5所示的3种方向依次和中心点的灰度值进行比较,大于则置1,小于则置零,然后将8个比较结果组成一个二进制数,再转换成十进制,得到当前点的LBP值;提取完成后的LBP特征如图6所示,3个方向的LBP特征图像的尺寸均为(m-8)×(n-8),m和n分别表示预处理后指静脉灰度图像的长度和宽度,本实施例中,根据步骤1)可知,m=208,n=108。
4)对LBP特征图像进行分块,求取每一块的灰度分布直方图,对每一块的灰度分布直方图进行累加并求平均,得到平均直方图,具体步骤为:
4.1)对3种LBP特征图像进行分块,分块大小为2w×w,本实施例中w =20,如图7所示,每张LBP特征图像总共分为P块,计算公式如式(1):
式中,m和n分别表示预处理后指静脉灰度图像的长度和宽度;
4.2)并对每一块以L为组距求取灰度分布直方图,本实施例中L=4,则每一块最终得到的直方图向量维度为1×k,其中k=256/L,即得到的直方图向量维度是1×64,进而获得小块直方图h,其中,环绕型LBP特征图像MDLBP_T的小块直方图为h_t,竖直方向LBP特征图像MDLBP_V的小块直方图为h_v,水平方向LBP特征图像MDLBP_H的小块直方图为h_h;
4.3)对于整张LBP特征图像共有P个直方图向量,将其累加并求平均,得到平均直方图H,平均直方图H的计算公式如式(2):
其中,i取值为从1到 P的整数,环绕型LBP特征图像MDLBP_T的平均直方图为H_t, 竖直方向LBP特征图像MDLBP_V的平均直方图为H_v, 竖直方向LBP特征图像MDLBP_V的平均直方图为 H_h。
5)基于所有指静脉灰度图像的平均直方图,对所有指静脉灰度图像进行PCA降维,得到所有指静脉灰度图像的3个方向的最终比对特征,其具体步骤包括:
5.1)用注册图像库作为训练集,将训练集的所有图像的平均直方图累加并再求平均,得到整个训练集的平均直方图H_mean,如式(3):
其中,N表示训练集中所有图像的张数,i取值为从1到 N的整数;
5.2)再用每张图像的小块直方图h减去平均直方图H_mean,得到差值向量D,然后将差值向量D的转置DT乘上D,得到各小块的直方图矩阵HM,如式(4):
5.3)依次完成各小块的矩阵计算,进行累加并求矩阵的平均,得到单张图像的平均矩阵HM_mean,然后将训练集的所有图像的HM_mean累加并再求矩阵的平均,得到训练集的平均矩阵TS,如式(5):
其中HM_mean计算公式的i取值为从1到P的整数,TS计算公式的i取值为从1到N的整数;
5.4)求TS的特征值和对应的特征向量,然后将特征值从大到小排序,取其前λ个特征值对应的特征向量,组成维度为k×λ的投影矩阵,记为TS_PM;
5.5)用每张图像的小块直方图向量h乘以该投影矩阵,完成PCA降维,得到一个1×λ的向量h_dr,即为小块的最终比对特征,一张图像可以得到P个1×λ的向量,即为该MDLBP分块直方图特征经过PCA降维后的3个方向的最终比对特征。
6)指静脉图像识别过程中,计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,进而判断两张指静脉灰度图像的相似度,根据相似度对所有注册图像进行排序,并从注册图像中筛选出若干候选模板,其具体步骤包括:
6.1)计算两张指静脉灰度图像之间的距离D(A,B),如式(6):
式中,i取值为从1到P的整数,A和B分别为两张指静脉灰度图像,di (A,B)表示两张指静脉灰度图像的第i个对应的最终比对特征的距离,(hi_dr)A表示图像A的第i个最终比对特征,(hi_dr) B表示图像B的第i个最终比对特征, (∙)T代表向量转置;
进而分别获得3个方向的最终比对特征的距离,分别为DT (A,B)、DV (A,B)和DH (A,B);
6.2)融合3个方向的最终比对特征,融合结果DMD (A,B)如式(7):
式中,α、β和γ分别表示3个参数,且α+β+γ=1,本实施例中α=0.3,β=0.45,γ=0.25;
6.3)基于融合结果DMD (A,B),从不同方向比较两图的相似度,根据相似度对注册图像进行排序,并从注册图像中筛选出若干候选模板。
测试例
本次实验的注册图像库包含N=5000指,每指3幅图像。选取每指的第一幅作为训练集图像库,其余2张图像作为测试集图像库。
按照实施例1公式(2~5)计算得到PCA降维矩阵,对应三种不同方向的LBP特征,可得到三个PCA降维矩阵。经过试验分析,综合性能和比对时间考虑,本次选取λ=10,对应一个图像的最终比对特征为25×10。
接下来,分别统计三种方向的LBP特征各自的排序性能和融合三种特征比对值的综合排序性能。此处的排序性能的统计方式如下:
测试集的图像5000×2张,其中1张作为模板图像,另一张作为比对图像。分别用训练集得到的λ=10的PCA降维矩阵完成特征提取,每张图像得到一个25×10的最终比对特征。然后将比对图像依次和5000张模板图像计算距离,并按照距离从小到大排序,选取前η个模板,统计其中是否包含当前比对图像的同根手指模板,若包含则认为筛选成功,否则则认为筛选失败。统计5000张比对图像的筛选成功率,并统计排序筛选所耗时间。筛选成功率越高,排序筛选时间越短,认为所提取特征的排序性能越好,三种特征分别的排序性能和综合排序性能比较如表1所示:
从表1的性能来看,3种方向各自的排序性能最好的是竖直方向特征即MDLBP_PCA_V,其次是传统环绕方向MDLBP_PCA_T,然后是水平方向MDLBP_PCA_H,并且三者所需时间基本一致。遍历式(7)中三个系数各种组合后,当式(7)各参数选取为α=0.3,β=0.45,γ=0.25时,有图7中的最佳的融合性能,明显可见融合性能高于任意一种特征性能,并且前250个候选模板(即前5%)的筛选成功率达到99.74%,基本接近100%,可以保证使用快速排序方法后,验证成功率性能基本不降低。融合排序所需时间接近各自排序所需时间的3倍,即便如此也只需要16.6ms就可以完成5000个模板的筛选。
从表1可知,本发明针对指静脉图像提出的多方向提取的LBP特征比传统的环绕方向提取的LBP特征具有更好的性能,对于指静脉图像中的主要静脉纹路信息提取更加准确和适配。
实施例2
如图8所示,本实施例涉及一种基于MDLBP分块直方图和PCA降维的指静脉快速排序装置,其包括:
1)预处理模块,将指静脉灰度图像进行图像预处理;预处理模块用于实现实施例1步骤1)的功能。
2)中值计算模块,用于对预处理后的每一张指静脉灰度图像进行中值计算,获得3×3中值邻域;中值计算模块用于实现实施例1步骤2)的功能。
3)LBP特征提取模块,用于在3×3中值邻域内提取3个方向的LBP特征图像;LBP特征提取模块用于实现实施例1步骤3)的功能。
4)分块模块,用于对LBP特征图像进行分块,求取每一块的灰度分布直方图,对每一块的灰度分布直方图进行累加并求平均,得到平均直方图;分块模块用于实现实施例1步骤4)的功能。
5)PCA降维模块,将指静脉灰度图像进行PCA降维,得到指静脉灰度图像的3个方向的最终比对特征;PCA降维模块用于实现实施例1步骤5)的功能。
6)排序模块,在指静脉图像识别过程中,用于计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,进而判断两张指静脉灰度图像的相似度,根据相似度对所有注册图像进行排序,并从注册图像中筛选出若干候选模板。排序模块用于实现实施例1步骤6)的功能。
显然,本实施例的指静脉快速排序装置可以作为上述实施例1的指静脉快速排序方法的执行主体,因此能够实现该指静脉快速排序方法所实现的功能。由于原理相同,本文不再赘述。
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MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:其包括以下步骤:
1)将指静脉灰度图像进行图像预处理;
2)对预处理后的指静脉灰度图像进行中值计算,获得3×3中值邻域;
3)在3×3中值邻域内提取3个方向的LBP特征图像;
4)对LBP特征图像进行分块,求取每一块的灰度分布直方图,对每一块的灰度分布直方图进行累加并求平均,得到平均直方图;
5)将指静脉灰度图像进行PCA降维,得到指静脉灰度图像的3个方向的最终比对特征;
6)指静脉图像识别过程中,计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,进而判断两张指静脉灰度图像的相似度,根据相似度对所有注册图像进行排序,并从注册图像中筛选出若干候选模板。
2.根据权利要求1所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:所述步骤1)中,图像预处理包括图像尺寸归一化处理和灰度归一化处理,其中灰度范围归一化为0~255。
3.根据权利要求1所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:所述步骤2)中值计算的具体步骤为:
2.1)对于指静脉灰度图像当前坐标为中心的9×9邻域,以3×3大小进行分割,并求每个3×3区域的中值,最终得到9个中值;
2.2)以这9个中值组成新的3×3区域,即为3×3中值邻域。
4.根据权利要求1所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:所述步骤3)中3个方向的LBP特征图像包括环绕型LBP特征图像MDLBP_T,竖直方向LBP特征图像MDLBP_V和水平方向LBP特征图像MDLBP_H。
5.根据权利要求4所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:3个方向的LBP特征图像的尺寸均为(m-8)×(n-8),m和n分别表示预处理后指静脉灰度图像的长度和宽度。
6.根据权利要求4所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:所述步骤4)的具体步骤包括:
4.1)对3种LBP特征图像进行分块,分块大小为2w×w,每张LBP特征图像总共分为P块,计算公式如式(1):
式中,m和n分别表示预处理后指静脉灰度图像的长度和宽度;
4.2)并对每一块以L为组距求取灰度分布直方图,则每一块最终得到的直方图向量维度为1×k,其中k=256/L,获得小块直方图h,其中,环绕型LBP特征图像MDLBP_T的小块直方图为h_t,竖直方向LBP特征图像MDLBP_V的小块直方图为h_v,水平方向LBP特征图像MDLBP_H的小块直方图为h_h;
4.3)对于整张LBP特征图像共有P个直方图向量,将其累加并求平均,得到平均直方图H,平均直方图H的计算公司如式(2):
其中,i取值为从1到 P的整数,环绕型LBP特征图像MDLBP_T的平均直方图为H_t, 竖直方向LBP特征图像MDLBP_V的平均直方图为H_v, 竖直方向LBP特征图像MDLBP_V的平均直方图为 H_h。
7.根据权利要求6所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:所述步骤5)的具体步骤包括:
5.1)用注册图像库作为训练集,将训练集的所有图像的平均直方图累加并再求平均,得到整个训练集的平均直方图H_mean,如式(3):
其中,N表示训练集中所有图像的张数,i取值为从1到 N的整数;
5.2)再用每张图像的小块直方图h减去平均直方图H_mean,得到差值向量D,然后将差值向量D的转置DT乘上D,得到各小块的直方图矩阵HM,如式(4):
5.3)依次完成各小块的矩阵计算,进行累加并求矩阵的平均,得到单张图像的平均矩阵HM_mean,然后将训练集的所有图像的HM_mean累加并再求矩阵的平均,得到训练集的平均矩阵TS,如式(5):
其中HM_mean计算公式的i取值为从1到P的整数,TS计算公式的i取值为从1到N的整数;
5.4)求TS的特征值和对应的特征向量,然后将特征值从大到小排序,取其前λ个特征值对应的特征向量,组成维度为k×λ的投影矩阵,记为TS_PM;
5.5)用每张图像的小块直方图向量h乘以该投影矩阵,完成PCA降维,得到一个1×λ的向量h_dr,即为小块的最终比对特征,一张图像可以得到P个1×λ的向量,即为该MDLBP分块直方图特征经过PCA降维后的3个方向的最终比对特征。
8.根据权利要求7所述的基于MDLBP分块直方图和PCA降维的指静脉快速排序方法,其特征在于:所述步骤6)的具体步骤包括:
6.1)计算两张指静脉灰度图像之间的距离D(A,B),如式(6):
式中,i取值为从1到P的整数,A和B分别为两张指静脉灰度图像,di (A,B)表示两张指静脉灰度图像的第i个对应的最终比对特征的距离,(hi_dr) A表示图像A的第i个最终比对特征,(hi_dr) B表示图像B的第i个最终比对特征, (∙) T代表向量转置;
进而分别获得3个方向的最终比对特征的距离,分别为DT (A,B)、DV (A,B)和DH (A,B);
6.2)融合3个方向的最终比对特征,融合结果DMD (A,B)如式(7):
式中,α、β和γ分别表示3个参数,且α+β+γ=1;
6.3)基于融合结果DMD (A,B),从不同方向比较两图的相似度,根据相似度对注册图像进行排序,并从注册图像中筛选出若干候选模板。
9.一种基于MDLBP分块直方图和PCA降维的指静脉快速排序装置,其特征在于:其包括:
1)预处理模块,将指静脉灰度图像进行图像预处理;
2)中值计算模块,对预处理后的指静脉灰度图像进行中值计算,获得3×3中值邻域;
3)LBP特征提取模块,用于在3×3中值邻域内提取3个方向的LBP特征图像;
4)分块模块,用于对LBP特征图像进行分块,求取每一块的灰度分布直方图,对每一块的灰度分布直方图进行累加并求平均,得到平均直方图;
5)PCA降维模块,将指静脉灰度图像进行PCA降维,得到指静脉灰度图像的3个方向的最终比对特征;
6)排序模块,用于在指静脉图像识别过程中,计算待比对指静脉灰度图像与注册图像库中的每一张指静脉灰度图像的3个方向的最终比对特征的距离,进而判断两张指静脉灰度图像的相似度,根据相似度对所有注册图像进行排序,并从注册图像中筛选出若干候选模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114879.4A CN111931757A (zh) | 2020-10-19 | 2020-10-19 | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114879.4A CN111931757A (zh) | 2020-10-19 | 2020-10-19 | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931757A true CN111931757A (zh) | 2020-11-13 |
Family
ID=73333729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011114879.4A Pending CN111931757A (zh) | 2020-10-19 | 2020-10-19 | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037053A1 (zh) * | 2022-08-18 | 2024-02-22 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN102880870A (zh) * | 2012-08-31 | 2013-01-16 | 电子科技大学 | 人脸特征的提取方法及系统 |
CN111507206A (zh) * | 2020-03-29 | 2020-08-07 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
-
2020
- 2020-10-19 CN CN202011114879.4A patent/CN111931757A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN102880870A (zh) * | 2012-08-31 | 2013-01-16 | 电子科技大学 | 人脸特征的提取方法及系统 |
CN111507206A (zh) * | 2020-03-29 | 2020-08-07 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
Non-Patent Citations (7)
Title |
---|
JIN LIU等: "A novel local texture feature extraction method called multi-direction local binary pattern", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
WOJCIECH MICHAL MATKOWSKI等: "A Study on Wrist Identification for Forensic Investigation", 《PREPRINT SUBMITTED TO IMAGE AND VISION COMPUTING》 * |
任静媛: "基于多尺度特征提取的人脸检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
岑瑶 等: "基于MB-LBP和HOG的掌纹识别", 《计算机应用研究》 * |
杨文文 等: "基于分块LBP和分块PCA的静脉识别方法", 《电子测量与仪器学报》 * |
王一丁 等: "基于局部宏观特征和微观特征结合的手背静脉身份识别", 《工程科学学报》 * |
胡娜 等: "融合LBP 纹理特征与B2DPCA 技术的手指静脉识别方法", 《智能系统学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037053A1 (zh) * | 2022-08-18 | 2024-02-22 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
CN104268593B (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
US20130129143A1 (en) | Global Classifier with Local Adaption for Objection Detection | |
CN110991389B (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
CN108921061A (zh) | 一种表情识别方法、装置和设备 | |
CN109165639B (zh) | 一种指静脉识别方法、装置及设备 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
Zois et al. | A comprehensive study of sparse representation techniques for offline signature verification | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN110826408B (zh) | 一种分区域特征提取人脸识别方法 | |
CN113239839B (zh) | 基于dca人脸特征融合的表情识别方法 | |
CN111709313A (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN111832650A (zh) | 基于生成对抗网络局部聚合编码半监督的图像分类方法 | |
CN113592030B (zh) | 基于复值奇异谱分析的图像检索方法和系统 | |
CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Sharkas et al. | The contourlet transform with the principal component analysis for palmprint recognition | |
CN111488811A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
CN104361354B (zh) | 一种基于稀疏编码k最近邻直方图的海量图像分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |
|
RJ01 | Rejection of invention patent application after publication |