CN112214746A - 基于多模态静脉图像性别信息异构分离的身份识别方法 - Google Patents

基于多模态静脉图像性别信息异构分离的身份识别方法 Download PDF

Info

Publication number
CN112214746A
CN112214746A CN202010962618.1A CN202010962618A CN112214746A CN 112214746 A CN112214746 A CN 112214746A CN 202010962618 A CN202010962618 A CN 202010962618A CN 112214746 A CN112214746 A CN 112214746A
Authority
CN
China
Prior art keywords
vein image
feature
vein
image
coding
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
CN202010962618.1A
Other languages
English (en)
Other versions
CN112214746B (zh
Inventor
王军
陈晓玲
潘在宇
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202010962618.1A priority Critical patent/CN112214746B/zh
Publication of CN112214746A publication Critical patent/CN112214746A/zh
Application granted granted Critical
Publication of CN112214746B publication Critical patent/CN112214746B/zh
Priority to PCT/CN2021/111271 priority patent/WO2022052701A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于多模态静脉图像性别信息异构分离的身份识别方法，依赖于双层无监督稀疏特征学习模型和改进的最大类间方差二进制特征编码模型。本发明涉及计算机视觉领域，包括自行构建静脉图像库，无监督稀疏特征学习对人体手背静脉图像进行性别信息异构分离，在性别属性判断的基础上进行特征提取，分别计算图像二进制特征编码值和编码权值，再进行特征向量相似度判断，身份识别等步骤。本发明公开的基于多模态静脉图像性别信息异构分离的身份认证方法，通过对静脉图像进行性别信息分离，用性别标签引导不同特征提取策略来进行身份认证，提高了身份识别的准确性，能很好地满足准确性要求较高的各类身份识别应用需求。

Description

基于多模态静脉图像性别信息异构分离的身份识别方法
技术领域
本发明手部静脉识别领域，尤其涉及一种基于多模态静脉图像性别信息异构分离的身份识别方法。
背景技术
静脉图像由于其潜在的体内成像、稳定不变及抗外界干扰等特性正逐步成为主流的生物特征识别方式之一。基于静脉图像的身份识别可分为性别属性判断和身份属性判断两部分进行。
将身份识别所用的传统特征提取方法用于性别识别没有取得很好的效果，因此在静脉图像的基础上，首次提出无监督稀疏特征学习算法。无监督稀疏特征特征学习模型可以相对有效的找到静脉图像性别空间特征分布特性，保证特征向量分布的稀疏性，达到良好的性别识别效果。
二进制特征编码由于具有较高的计算效率，所提取的编码特征具有很强的分类能力等特征被广泛应用，除用于传统的图像纹理信息度量和描述外，已被广泛应用于其他视觉任务，如人脸识别，行人检测，静脉识别等。传统的二进制特征编码在进行特征提取时具有对光照变化的鲁棒性，Ojala等将传统二进制特征编码推广至任意形状和大小的处理邻域范围，提出了一种圆形二进制特征编码编码模式，又在此基础上进行改进，提出一种旋转不变纹理编码方法。不久，Ojala等又通过减少二进制特征编码冗余模式提出一种UniformLBP模式，得到低维、密集分布特征空间。但是以上特征编码模式都是以选定领域的中心像素为二值化阈值进行编码，存在对像素噪声敏感，容易丢失编码区域对比度的缺陷。
发明内容
本发明的主要内容为一种基于多模态静脉图像性别信息异构分离的身份识别方法，将身份识别分为性别属性分类识别和身份属性分类识别两步进行，可以有效的提高静脉特征提取的针对性，获得了具有鲁棒性的身份识别模型。
实现本发明目的的技术解决方案为：一种基于多模态静脉图像性别信息异构分离的身份识别方法，包括以下步骤：
步骤1、使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并进行零-均值归一化，得到像素大小为n×m的K幅的静脉图像，其中男性和女性手背静脉图像各K/2幅，100＜K＜10000，100＜n＜10000，100＜m＜10000，对静脉图像进行二次归一化处理，获取静脉图像库，将静脉图像库作为双层无监督稀疏特征学习模型的输入矩阵
Figure BDA0002681097730000021
转入步骤2；
步骤2、构建双层无监督稀疏特征学习模型，将双层无监督稀疏特征学习模型的输入矩阵
Figure BDA0002681097730000022
输入双层无监督稀疏特征学习模型进行训练，得到稀疏且分布于静脉信息性别判定空间的特征表示，称为手背静脉图像的稀疏特征矩阵，将其输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，即男性手背静脉图像和女性手背静脉图像，同时转入步骤3和步骤4；
步骤3、对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值和编码权值，得到男性静脉图像特征分布直方图，转到步骤5；
步骤4、对女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，再对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，将女性的特征编码值和编码权值组合，得到女性当前邻域特征编码值，进而得到女性静脉图像特征分布直方图，转入步骤6；
步骤5、采用Chi-square distance方法对男性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果；
步骤6、采用Chi-square distance方法对女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果。
本发明与现有技术相比，其显著优点在于：
(1)、通过男女性别信息的分离，得到静脉图像分类的第一步信息，有效的提高静脉特征提取的针对性。
(2)、首次提出的双层无监督稀疏特征学习模型使手背静脉识别模型准确率得到提高。
(3)、通过将性别特征作为指导不同特征提取策略来进行身份认证，提高了身份识别的准确性，能很好地满足以特征学习和特征提取为基础的准确性要求较高的各类身份识别应用需求。
(4)、采用Chi-square distance方法对特征分布直方图进行直方图匹配，计算特征向量相似度，减少模型的计算量。
附图说明
图1为性别依赖多模态静脉图像信息编码模型图。
图2为ROI提取方法结果图像，其中图(a)为原始静脉图像，图(b)为ROI定位图像，图(c)为输入双层无监督稀疏特征学习模型的180*180大小的静脉图像。
图3为基于l2正则化和l1惩罚项构建目标函数优化对应特征矩阵分布示意图。
图4为双层无监督稀疏特征学习模型对灰度矩阵分布作用效果示意图，其中图(a)为未进行性别信息分离的静脉图像样本分布示意图，图(b)为经过性别信息分离的静脉图像样本分布示意图。
图5为男性静脉图像特征提取结果图。
图6为女性静脉图像特征提取结果图。
图7(a)为最大类间方差二进制特征编码模型和LIF模型在男性静脉库上等误率结果对比图。
图7(b)为最大类间方差二进制特征编码模型和LIF模型在对比度增强处理后的女性样图像等误率结果对比图。
图7(c)为全局静脉样本图像等误率结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
结合图1，一种基于多模态静脉图像性别信息异构分离的身份识别方法，步骤如下：
步骤1、使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并进行零-均值归一化，得到像素大小为n×m的K幅的静脉图像，其中男性和女性手背静脉图像各K/2幅，100＜K＜10000，100＜n＜10000，100＜m＜10000，对静脉图像进行二次归一化处理，获取静脉图像库，将静脉图像库作为双层无监督稀疏特征学习模型的输入矩阵
Figure BDA0002681097730000031
具体如下：
使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并通过零-均值归一化，得到像素大小为n×m的K幅的静脉图像，再通过公式
Figure BDA0002681097730000032
进行二次归一化处理，获取静脉图像，其中Xi表示经过零-均值归一化后的静脉图像，
Figure BDA0002681097730000041
表示双层无监督稀疏特征学习模型的输入矩阵，∈为常数项，∈＝108，
Figure BDA0002681097730000042
为是归一化矩阵，j表示性别，T表示归一化的维度。
转入步骤2。
步骤2、构建双层无监督稀疏特征学习模型，将双层无监督稀疏特征学习模型的输入矩阵
Figure BDA0002681097730000043
输入双层无监督稀疏特征学习模型进行训练，得到稀疏且分布于静脉信息性别判定空间的特征表示，称为手背静脉图像的稀疏特征矩阵，将其输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，即男性手背静脉图像和女性手背静脉图像，具体如下：
步骤2-1、将双层无监督稀疏特征学习模型的输入矩阵
Figure BDA0002681097730000044
输入双层无监督稀疏特征学习模型，转入步骤2-2；
步骤2-2、双层无监督稀疏特征学习模型对输入矩阵
Figure BDA0002681097730000045
行分布进行l2正则化
Figure BDA0002681097730000046
再对输入矩阵
Figure BDA0002681097730000047
列分布进行l2正则化
Figure BDA0002681097730000048
其中fj表示输入矩阵行分布；
Figure BDA0002681097730000049
表示输入矩阵列分布，转入步骤2-3；
步骤2-3、基于l1惩罚项的构建模型的目标函数：min
Figure BDA00026810977300000410
Figure BDA00026810977300000411
转入步骤2-4；
步骤2-4、基于L-BFGS方法不断最小化目标函数，得到第一层网络结构优化求解后的输出矩阵，转入步骤2-5；
步骤2-5、将上述第一层网络结构优化求解后的输出矩阵作为输入，返回步骤2-1直到得到第二层网络结构优化求解后的输出矩阵，即为手背静脉图像的稀疏特征矩阵，转入步骤2-6；
步骤2-6、将手背静脉图像的稀疏特征矩阵输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，即男性手背静脉图像和女性手背静脉图像。
同时转入步骤3和步骤4。
步骤3、对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值和编码权值，得到男性静脉图像特征分布直方图，具体公式如下：
Figure BDA0002681097730000051
其中均值μ0和均值μ1，如下式：
Figure BDA0002681097730000052
Figure BDA0002681097730000053
其中ri代表待编码像素点，τ代表待编码像素点灰度值，邻域像素数P＝P0+P1，P0代表编码为0的像素数，P1代表编码为1的像素数，i表示像素点编号。
其中逻辑判断函数S(x)：
Figure BDA0002681097730000054
进一步地，对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差的编码权值，具体如下：
最大类间方差二进制特征编码模型中的编码权值为分类后的像素集类间方差取最大值时的像素值，计算公式如下：
Figure BDA0002681097730000055
其中τ*为编码权值，
Figure BDA0002681097730000056
为邻域二值化后类间方差，ri为待编码像素点，P为邻域像素数；ri代表编码像素点，邻域像素数P＝P0+P1，P0代表编码为0的像素数，P1代表编码为1的像素数。
其中，类间方差
Figure BDA0002681097730000057
如下式：
Figure BDA0002681097730000058
实现的有效特征选择的权重求解如下式
Figure BDA0002681097730000059
其中ω*为最大类间方差二进制特征编码的编码权值，σ2代表邻域整体方差，
Figure BDA00026810977300000510
表示邻域二值化后类间方差，C是为了保证优化权重解的数值稳定性添加的常数，设置C＝0.012；τ代表待编码像素点灰度值。
转到步骤5。
步骤4、对女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，再对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，将女性的特征编码值和编码权值组合，得到女性当前邻域特征编码值，进而得到女性静脉图像特征分布直方图，
步骤3和步骤4中，对男性/女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，具体如下：
所述对手背静脉图像直接最大类间方差二进制特征编码值，获得特征编码值：
Figure BDA0002681097730000061
其中m×n表示输入男性手背静脉图像尺寸，Ai表示
Figure BDA0002681097730000062
编码值，wi表示图像编码权值，
Figure BDA0002681097730000063
表示对应像素点特征编码值。
所述对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，具体如下：
最大类间方差二进制编码公式如下：
Figure BDA0002681097730000064
式中m×n表示输入静脉图像尺寸，Bi表示
Figure BDA0002681097730000065
特征编码值，wiCE表示经过AHE处理后图像编码权值，
Figure BDA0002681097730000066
表示对应像素点特征编码值。
转入步骤6。
步骤5、采用Chi-square distance方法对男性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果；
步骤6、采用Chi-square distance方法对女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果。
步骤5和步骤6中，采用Chi-square distance方法对男性/女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果，具体如下：
Chi-square distance方法统计男性/女性的特征向量相似度，通过以下公式进行：
Figure BDA0002681097730000071
其中，n,m表示静脉图像大小，i′和j′表示当前计算的图像像素点。D表示对于需要进行识别的静脉图像特征向量，F是静脉图像库中计算的静脉特征向量。K为静脉图像库的静脉图像幅数，k′代表当前计算的静脉图像库中的静脉图像特征向量。
Figure BDA0002681097730000077
表示特征向量D和特征向量F之间的Chi-square distance。其中D为上述步骤3和步骤4计算的特征编码值A和B统计得到的特征向量。
通过比较
Figure BDA0002681097730000078
大小可以判断要识别的静脉图像与静脉图像库中静脉图像的匹配度，从而确定要进行识别的静脉图像的身份。
实施例1
结合图1，本发明所述的基于多模态静脉图像性别信息异构分离的身份识别方法，步骤如下：
步骤1、对静脉图像库的图像进行有效区域提取，结果如图2所示。在进行无监督稀疏特征学习模型训练之前，将有效区域提取的6000幅手背静脉样本图像进行数据归一化后，得到180*180大小的静脉图像矩阵。再用
Figure BDA0002681097730000072
Figure BDA0002681097730000073
函数生成双层无监督稀疏特征学习模型的输入矩阵。
步骤2、将生成的特征矩阵输入双层无监督稀疏特征学习模型，分别对输入矩阵进行行分布和列分布的l2正则化处理，使得输入矩阵的分布由
Figure BDA0002681097730000074
变换至
Figure BDA0002681097730000075
即映射至l2正则化矩阵单位曲面分布。随后构建目标函数minimize
Figure BDA0002681097730000076
图3为l2正则化后，输出特征矩阵具有多重稀疏特性的变化过程。再采用L-BFGS最小化方法对目标函数进行优化，直至模型收敛，得到网络优化后的解。之后，将上述第一层网络结构优化求解后的输出矩阵作为输入进行二次训练，得到稀疏特征矩阵。为保证变换结果矩阵的稀疏性，保留了相对较多的值为0的项。再将得到的稀疏特征矩阵输入线性SVM进行分类，得到最终的性别判定结果。
由于生理差异，男性的静脉图像相对于女性在后续的特征提取中表现出更高的质量，于是将男性静脉图像标记为HQ组，女性静脉图像标记为LQ组。经过双层无监督稀疏特征学习模型特征学习后，对不同性别的灰度矩阵分布作用效果如图4所示。
本发明使用高效率双层无监督稀疏特征学习模型对不同质量的男性和女性的静脉图像进行分组，得到主观视觉一致静脉质量分类结果(HQ和LQ两组)，再使用改进的最大类间方差二进制特征编码模型进行特征提取，针对高质量静脉图像所提取的特征编码值定义为
Figure BDA0002681097730000081
而低质量静脉图像提取的特征编码值定义为
Figure BDA0002681097730000082
得到有效的特征编码值后，对向量进行l1正则化
Figure BDA0002681097730000083
进一步提高其判别性，随后将正则化后特征编码值进行级联得到最终的静脉图像
Figure BDA0002681097730000084
直方图特征描述子。
步骤3、采用
Figure BDA0002681097730000085
对HQ组的男性静脉图像直接进行局部邻域二值编码特征提取，具体编码结果如下式：
Figure BDA0002681097730000086
式中m×n表示输入静脉图像尺寸，Ai表示
Figure BDA0002681097730000087
编码值，wi表示图像编码权值，
Figure BDA0002681097730000088
表示对应像素点编码值。图5为基于此编码规则得到HQ组的两幅不同输入静脉图像的特征直方图分布。由图5所示的特征直方图可见，两图像之间具有高度可区分性，充分证明了
Figure BDA0002681097730000089
模型提取特征的有效性。
步骤4、对LQ组的特征提取具体为，对LQ组的每个输入图像来说，选用自适应直方图均衡化[3]对其进行对比度增强，对增强后图像进行
Figure BDA00026810977300000810
特征提取；与此同时，对于未进行对比度增强静脉图像也进行
Figure BDA00026810977300000811
特征提取，将对比度增强处理图像的特征表示的权值和未进行对比度增强处理图像的特征编码组合得到最终的特征表示结果
Figure BDA00026810977300000812
具体计算结果如下式：
Figure BDA00026810977300000813
式中m×n表示输入静脉图像尺寸，Bi表示
Figure BDA00026810977300000814
编码值，wiCE表示经过AHE处理后图像编码权值，
Figure BDA00026810977300000815
表示对应像素点编码值。
基于这一编码策略得到的LQ组静脉图像直方图分布结果如图6所示，两者直方图分布差异明显增强，充分证明了所提出特征编码策略对于低对比度图像特征表征的有效性。
步骤5～6、在对得到的HQ组合LQ组的像素点特征编码值进行l1归一化后，将其进行级联得到特征直方图描述子。在静脉图像匹配阶段，提出Chi-square distance方法来计算特征向量相似度，得到最终的匹配结果。
为验证本发明提出的改进的最大类间方差二进制特征编码模型(DLβP)特征提取方法的有效性，将DLBP和LIF模型(SIFT及其改进模型SURF、ASIFT、RootSIFT)在静脉图像库上进行等误率结果对比，如图7(a)、7(b)和7(c)所示。结果表明，在男性静脉图像库，经过对比度预处理的女性静脉图像库和全局静脉图像库中，本发明提出的改进的最大类间方差二进制特征编码模型都取得了较高的等误率，表明此模型在特征提取和生成策略的有效性。

Claims (7)

1.一种基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，所述方法包括以下步骤：
步骤1、使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并进行零-均值归一化，得到像素大小为n×m的K幅的静脉图像，其中男性和女性手背静脉图像各K/2幅，100＜K＜10000，100＜n＜10000，100＜m＜10000，对静脉图像进行二次归一化处理，获取静脉图像库，将静脉图像库作为双层无监督稀疏特征学习模型的输入矩阵fj i，转入步骤2；
步骤2、构建双层无监督稀疏特征学习模型，将双层无监督稀疏特征学习模型的输入矩阵fj i输入双层无监督稀疏特征学习模型进行训练，得到稀疏且分布于静脉信息性别判定空间的特征表示，称为手背静脉图像的稀疏特征矩阵，将其输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，即男性手背静脉图像和女性手背静脉图像，同时转入步骤3和步骤4；
步骤3、对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值和编码权值，得到男性静脉图像特征分布直方图，转到步骤5；
步骤4、对女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，再对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，将女性的特征编码值和编码权值组合，得到女性当前邻域特征编码值，进而得到女性静脉图像特征分布直方图，转入步骤6；
步骤5、采用Chi-square distance方法对男性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果；
步骤6、采用Chi-square distance方法对女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果。
2.根据权利要求1所述的基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，步骤1中，使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并通过零-均值归一化，得到像素大小为n*m的K幅的静脉图像，再通过公式
Figure FDA0002681097720000011
进行二次归一化处理，获取静脉图像，其中Xi表示经过零-均值归一化后的静脉图像，fj i表示双层无监督稀疏特征学习模型的输入矩阵，∈为常数项，∈＝108，
Figure FDA0002681097720000021
为是归一化矩阵，j表示性别，T表示归一化的维度。
3.根据权利要求1所述的基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，步骤2中，构建双层无监督稀疏特征学习模型，将双层无监督稀疏特征学习模型的输入矩阵fj i输入双层无监督稀疏特征学习模型进行训练，得到稀疏且分布于静脉信息性别判定空间的特征表示，称为手背静脉图像的稀疏特征矩阵，将其输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，具体如下：
步骤2-1、将双层无监督稀疏特征学习模型的输入矩阵fj i输入双层无监督稀疏特征学习模型，转入步骤2-2；
步骤2-2、双层无监督稀疏特征学习模型对输入矩阵fj i行分布进行l2正则化
Figure FDA0002681097720000022
再对输入矩阵fj i列分布进行l2正则化
Figure FDA0002681097720000023
其中fj表示输入矩阵行分布；
Figure FDA0002681097720000024
表示输入矩阵列分布，转入步骤2-3；
步骤2-3、基于l1惩罚项的构建模型的目标函数：
Figure FDA0002681097720000025
Figure FDA0002681097720000026
转入步骤2-4；
步骤2-4、基于L-BFGS方法不断最小化目标函数，得到第一层网络结构优化求解后的输出矩阵，转入步骤2-5；
步骤2-5、将上述第一层网络结构优化求解后的输出矩阵作为输入，返回步骤2-1直到得到第二层网络结构优化求解后的输出矩阵，即为手背静脉图像的稀疏特征矩阵，转入步骤2-6；
步骤2-6、将手背静脉图像的稀疏特征矩阵输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，即男性手背静脉图像和女性手背静脉图像。
4.根据权利要求1所述的基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，步骤3，对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值和编码权值，得到男性静脉图像特征分布直方图，最大类间方差二进制特征编码值具体公式如下：
Figure FDA0002681097720000031
其中均值μ0和均值μ1，如下式：
Figure FDA0002681097720000032
Figure FDA0002681097720000033
其中ri代表待编码像素点，τ代表待编码像素点灰度值，邻域像素数P＝P0+P1，P0代表编码为0的像素数，P1代表编码为1的像素数；i表示像素点编号；
其中逻辑判断函数S(x)：
Figure FDA0002681097720000034
5.根据权利要求1所述的基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，步骤3和步骤4中，对男性/女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，具体如下：
所述对手背静脉图像直接最大类间方差二进制特征编码值，获得特征编码值：
Figure FDA0002681097720000035
其中m×n表示输入男性手背静脉图像尺寸，Ai表示
Figure FDA0002681097720000036
特征编码值，wi表示图像编码权值，
Figure FDA0002681097720000037
表示对应像素点特征编码值。
6.根据权利要求1所述的基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，步骤3中，对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差的特征编码权值，具体如下：
最大类间方差二进制特征编码模型中的编码权值为分类后的像素集类间方差取最大值时的像素值，计算公式如下：
Figure FDA0002681097720000038
其中τ*为最优编码阈值，
Figure FDA0002681097720000039
为邻域二值化后类间方差,ri代表待编码像素点，邻域像素数P＝P0+P1，P0代表编码为0的像素数，P1代表编码为1的像素数；
其中，类间方差
Figure FDA00026810977200000310
如下式：
Figure FDA0002681097720000041
实现的有效特征选择的权重求解如下式
Figure FDA0002681097720000042
其中ω*为最大类间方差二进制特征编码的编码权值，σ2代表邻域整体方差，
Figure FDA0002681097720000043
表示邻域二值化后类间方差，C是为了保证优化权重解的数值稳定性添加的常数，设置C＝0.012；τ代表待编码像素点灰度值。
7.根据权利要求1所述的基于多模态静脉图像性别信息异构分离的身份识别方法，其特征在于，步骤4中，所述对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制特征编码权值，具体如下：
最大类间方差二进制编码公式如下：
Figure FDA0002681097720000044
式中m×n表示输入静脉图像尺寸，Bi表示
Figure FDA0002681097720000045
特征编码值，wiCE表示经过AHE处理后图像编码权值，
Figure FDA0002681097720000046
表示对应像素点编码值。
CN202010962618.1A 2020-09-14 2020-09-14 基于多模态静脉图像性别信息异构分离的身份识别方法 Active CN112214746B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010962618.1A CN112214746B (zh) 2020-09-14 2020-09-14 基于多模态静脉图像性别信息异构分离的身份识别方法
PCT/CN2021/111271 WO2022052701A1 (zh) 2020-09-14 2021-08-06 基于多模态静脉图像性别信息异构分离的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010962618.1A CN112214746B (zh) 2020-09-14 2020-09-14 基于多模态静脉图像性别信息异构分离的身份识别方法

Publications (2)

Publication Number Publication Date
CN112214746A true CN112214746A (zh) 2021-01-12
CN112214746B CN112214746B (zh) 2021-07-13

Family

ID=74049458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010962618.1A Active CN112214746B (zh) 2020-09-14 2020-09-14 基于多模态静脉图像性别信息异构分离的身份识别方法

Country Status (2)

Country Link
CN (1) CN112214746B (zh)
WO (1) WO2022052701A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689344A (zh) * 2021-06-30 2021-11-23 中国矿业大学 基于特征解耦学习的低曝光图像增强方法
WO2022052701A1 (zh) * 2020-09-14 2022-03-17 中国矿业大学 基于多模态静脉图像性别信息异构分离的身份识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437074A (zh) * 2017-07-27 2017-12-05 深圳市斑点猫信息技术有限公司 一种身份认证方法和装置
CN108425588A (zh) * 2018-04-13 2018-08-21 爱驰汽车有限公司 基于手掌静脉识别的车门控制设备、方法、系统及介质
CN109034016A (zh) * 2018-07-12 2018-12-18 辽宁工业大学 一种普适性的基于s-cnn模型的手背静脉图像识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069400B (zh) * 2015-07-16 2018-05-25 北京工业大学 基于栈式稀疏自编码的人脸图像性别识别系统
CN109409179B (zh) * 2018-03-30 2021-10-12 中国科学院半导体研究所 一种基于邻域类编码学习的静脉识别方法
CN109190566B (zh) * 2018-09-10 2021-09-14 中国民航大学 一种融合局部编码与cnn模型手指静脉识别方法
CN110543822A (zh) * 2019-07-29 2019-12-06 浙江理工大学 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
CN112214746B (zh) * 2020-09-14 2021-07-13 中国矿业大学 基于多模态静脉图像性别信息异构分离的身份识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437074A (zh) * 2017-07-27 2017-12-05 深圳市斑点猫信息技术有限公司 一种身份认证方法和装置
CN108425588A (zh) * 2018-04-13 2018-08-21 爱驰汽车有限公司 基于手掌静脉识别的车门控制设备、方法、系统及介质
CN109034016A (zh) * 2018-07-12 2018-12-18 辽宁工业大学 一种普适性的基于s-cnn模型的手背静脉图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUN WANG: "《Quality-Specific Hand Vein Recognition System》", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022052701A1 (zh) * 2020-09-14 2022-03-17 中国矿业大学 基于多模态静脉图像性别信息异构分离的身份识别方法
CN113689344A (zh) * 2021-06-30 2021-11-23 中国矿业大学 基于特征解耦学习的低曝光图像增强方法

Also Published As

Publication number Publication date
CN112214746B (zh) 2021-07-13
WO2022052701A1 (zh) 2022-03-17

Similar Documents

Publication Publication Date Title
Han et al. Occuseg: Occupancy-aware 3d instance segmentation
CN110084156B (zh) 一种步态特征提取方法及基于步态特征的行人身份识别方法
US11809485B2 (en) Method for retrieving footprint images
Farfade et al. Multi-view face detection using deep convolutional neural networks
Saavedra et al. Sketch based Image Retrieval using Learned KeyShapes (LKS).
Alsmadi et al. Fish recognition based on robust features extraction from color texture measurements using back-propagation classifier
CN112214746B (zh) 基于多模态静脉图像性别信息异构分离的身份识别方法
CN108280421B (zh) 基于多特征深度运动图的人体行为识别方法
Shu et al. Multiple channels local binary pattern for color texture representation and classification
Mirunalini et al. Deep learning for skin lesion classification
Zhou et al. Embedding topological features into convolutional neural network salient object detection
Yu et al. Improvement of face recognition algorithm based on neural network
Min et al. Acnet: Mask-aware attention with dynamic context enhancement for robust acne detection
CN105893941B (zh) 一种基于区域图像的人脸表情识别方法
CN112507804A (zh) 一种基于手部图像的身份识别方法
Huang et al. Robust finger vein recognition based on deep CNN with spatial attention and bias field correction
CN115376159A (zh) 一种基于多模态信息的跨外观行人重识别方法
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
Artola et al. Glad: A global-to-local anomaly detector
Chen et al. Cholesky decomposition-based metric learning for video-based human action recognition
Fan et al. Siamese graph convolution network for face sketch recognition: An application using graph structure for face photo-sketch recognition
CN115689993A (zh) 基于注意力与多特征融合的皮肤癌图像分割方法及系统
CN112070009B (zh) 基于改进的lbp算子的卷积神经网络表情识别方法
Zhu et al. OGNet: Salient object detection with output-guided attention module
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

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