RU2809571C1 - Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен - Google Patents
Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен Download PDFInfo
- Publication number
- RU2809571C1 RU2809571C1 RU2023109071A RU2023109071A RU2809571C1 RU 2809571 C1 RU2809571 C1 RU 2809571C1 RU 2023109071 A RU2023109071 A RU 2023109071A RU 2023109071 A RU2023109071 A RU 2023109071A RU 2809571 C1 RU2809571 C1 RU 2809571C1
- Authority
- RU
- Russia
- Prior art keywords
- images
- feature
- vein
- hand
- veins
- Prior art date
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000546 chi-square test Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001142 back Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Abstract
Изобретение относится к области биометрии. Техническим результатом является повышение точности установления личности. Способ установления личности на основе гетерогенного разделения тендерной информации мультимодальных изображений вен опирается на двухслойную модель неконтролируемого обучения разреженным признакам и усовершенствованную модель бинарного кодирования признаков при максимальной вариации между классами и содержит автономное формирование библиотеки изображений вен, выполнение гетерогенного разделения тендерной информации изображений вен тыльной стороны ладони человека посредством неконтролируемого обучения разреженным признакам, выделение характерных признаков на основе определения тендерного признака, вычисление бинарных кодовых значений признаков и весов кодирования изображений по отдельности, определение сходства векторов признаков, установление личности. 6 з.п. ф-лы, 9 ил.
Description
Область техники, к которой относится изобретение
Изобретение относится к области распознавания рисунка сосудистого русла вен ладони, а в частности относится к способу установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен.
Уровень техники
Благодаря потенциальным возможностям получения изображений in-vivo, обеспечения требуемой стабильности, резистентности к внешним возмущениям и т.п., изображения вен становятся одним из доминирующих средств биометрического распознавания. При использовании, установление личности на основе изображения вен может быть разделено на определение гендерного признака и определение признака личности.
Поскольку желаемые результаты при использовании традиционных методов выделения характерных признаков для установления личности с целью гендерного распознавания достигнуты не были, был предложен алгоритм неконтролируемого (без учителя) обучения разреженным характерным признакам, в первую очередь основанный на изображениях вен. С помощью модели неконтролируемого обучения разреженным признакам может быть эффективно найдена характеристика распределения гендерных пространственных признаков изображений вен, и при этом обеспечена разреженность распределения векторов признаков, и дополнительно получен превосходный результат гендерного распознавания.
При высокой эффективности вычислений и способности классифицировать выделенные кодируемые признаки бинарное кодирование широко используется для традиционного измерения информации текстуры изображения и для описания, а также для других задач зрительного восприятия, таких как распознавание лиц, обнаружение пешеходов, идентификация вен и т.п. Традиционное бинарное кодирование признаков устойчиво при изменениях освещенности во время выделения характерных признаков. Авторами Ojala и др. предложен режим циклического бинарного кодирования признаков, при котором традиционное бинарное кодирования признаков применяется к более широкому ряду областей обработки произвольных форм и размеров, а также предложен метод кодирования текстуры, нечувствительный к повороту, который является усовершенствованным вариантом, основанным на бинарном кодировании. Кроме того, авторами Ojala и др. предложен равномерный локальный бинарный шаблон (LBP, от англ. Local Binary Pattern) с резервными шаблонами минимизированного бинарного кодирования признаков, которые способны образовывать низкоразмерное и плотно распределенное пространство признаков. При этом в вышеупомянутых шаблонах кодирования признаков кодирование реализовано с центральным пикселем выбранной области в качестве порога бинаризации, что является недостатком, который проявляется в чувствительности к пиксельному шуму и незащищенности от потери контраста кодируемых областей.
Раскрытие сущности изобретения
Основное содержание настоящего изобретения состоит в способе установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен. При использовании, процесс установления личности разделяется на определение гендерного признака и определение признака личности, так чтобы эффективно улучшить релевантность выделения характерных признаков вен и получить робастную модель установления личности.
Техническое решение, соответствующее задаче настоящего изобретения, заключается в следующем: способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен ладони содержит:
Этап 1: сбор К изображений вен тыльной стороны ладони человека посредством устройства для сбора изображений вен; выделение на изображениях вен тыльной стороны ладони человека полезных областей; выполнение нормализации с нулевым средним с целью получения К изображений вен с пиксельным размером n × m, которые состоят из K/2 изображений вен тыльной стороны ладони мужчины и K/2 изображений вен тыльной стороны ладони женщины для 100<K<10000, 100<n<10000, 100<m<10000; выполнение вторичной нормализации изображений вен с целью получения библиотеки изображений вен; использование библиотеки изображений вен в качестве матрицы входных данных двухслойной модели неконтролируемого обучения разреженным признакам, и переход к этапу 2;
Этап 2: построение двухслойной модели неконтролируемого обучения разреженным признакам; ввод в двухслойную модель неконтролируемого обучения разреженным признакам матрицы входных данных с целью обучения модели для получения представления разреженных признаков, распределенных в пространстве гендерного распознавания информации о венах, называемого матрицей разреженных признаков изображений вен тыльной стороны ладони; ввод матрицы разреженных признаков в линейный алгоритм метода опорных векторов (SVM, Support Vector Machine) для классификации с целью получения изображений вен тыльной стороны ладони с гендерными метками, то есть изображений вен тыльной стороны ладони мужчины и изображений вен тыльной стороны ладони женщины, и переход к этапам 3 и 4 одновременно;
Этап 3: непосредственное извлечение признаков из изображений вен тыльной стороны ладони мужчины; вычисление бинарного кодового значения признака и веса кодирования для максимальной дисперсии (вариации) между классами текущей окружающей области с целью получения гистограммы распределения признаков изображений вен мужчины, и переход к этапу 5;
Этап 4: непосредственное выделение признаков из изображений вен тыльной стороны ладони женщины; вычисление бинарного кодового значения признака для максимальной вариации между классами для текущей окружающей области; усиление контраста изображений вен тыльной стороны ладони женщины; вычисление веса бинарного кодирования максимальной вариации между классами: объединение бинарного кодового значения признака с весом бинарного кодирования изображений вен тыльной стороны ладони женщины для получения кодового значения признака для текущей области женщины с целью получения гистограммы распределения признаков изображений вен женщины, и переход к этапу 6;
Этап 5: сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен мужчины и библиотеки изображений вен по критерию Хи-квадрат, и вычисление сходства векторов признаков с целью получения результата аутентификация личности; и
Этап 6: сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен женщины и библиотеки изображений вен по критерию Хи-квадрат, и вычисление сходства векторов признаков с целью получения результата аутентификация личности.
По сравнению с существующим уровнем техники настоящее изобретение имеет значительные преимущества, заключающиеся в следующем:
(1) Информацию первого этапа по классификации изображений вен получают посредством разделения информации о мужчине и женщине, что эффективно улучшает релевантность выделения характерных признаков вен.
(2) Впервые предложенная двуслойная модель неконтролируемого обучения разреженным признакам улучшает точность модели идентификации вен тыльной стороны ладони.
(3) Гендерный признак используется в качестве указания для выбора различных стратегий выделения характерных признаков для аутентификации личности, так что точность установления личности повышается, что может вполне удовлетворить потребности различных задач установления личности, в которых требуется высокая точность, основанная на обучении признакам и выделении признаков.
(4) сопоставление гистограмм выполняют, исходя из гистограммы распределения признаков по критерию Хи-квадрат, и вычисляют сходство векторов признаков, так чтобы сократить объем вычислительных ресурсов модели.
Краткое описание чертежей
Фиг. 1 изображает схему модели кодирования информации мультимодального изображения вен в зависимости от пола.
Фиг. 2 представляет результат применения способа выделения интересующей области (ROI, от англ. Region of Interest); (а) исходное изображение вен; (b) изображения выбранного положения интересующей области; (с) выделенная интересующая область - изображение вен размером 180*180 для ввода в двухслойную модель неконтролируемого обучения разреженным признакам.
Фиг. 3 иллюстрирует схему распределения соответствующей матрицы признаков, оптимизированной путем формирования целевой функции, основанной на регуляризации и штрафном члене .
Фиг. 4 схематически изображает распределительное действие двухслойной модели неконтролируемого обучения разреженным признакам на нейтрально-серой матрице, где (а) схема распределения выборочных изображений вен, которые не подвергались разделению по гендерной информации; (b) схема распределения выборочных изображений вен, которые прошли разделение по гендерной информации.
Фиг. 5 графически представляет результат выделения признаков изображений для случая вен мужчины.
Фиг. 6 графически представляет результат выделения признаков изображений для случая вен женщины.
Фиг. 7(a) графически представляет результат сравнения модели бинарного кодирования признаков с максимальной вариацией между классами и модели интегрирования и возбуждения с утечкой (LIF, от англ. leaky integrate and fire) для данных библиотеки вен мужчины, по равновероятному ошибочному предоставлению/отклонению доступа.
Фиг. 7(b) графически представляет результат сравнения выборочных изображений вен женщины после обработки для увеличения контраста по равновероятному ошибочному предоставлению/отклонению доступа для модели бинарного кодирования признаков с максимальной вариацией между классами и для модели LIF.
Фиг. 7(c) графически представляет результат всеобщего сравнения выборочных изображений вен по равновероятному ошибочному предоставлению/отклонению доступа.
Осуществление изобретения
Чтобы сделать более понятными задачу, техническое решение и преимущества настоящего изобретения, далее варианты осуществления настоящего изобретения будут описаны подробно.
Согласно фиг. 1, способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен содержит:
Этап 1: посредством устройства для сбора изображений вен тыльной стороны ладони собирают К изображений вен тыльной стороны ладони человека; в изображениях вен тыльной стороны ладони человека; выделяют полезные области; выполняют нормализацию с нулевым средним для получения К изображений вен с пиксельным размером n × m, которые состоят из K/2 изображений вен тыльной стороны ладони мужчины и K/2 изображений вен тыльной стороны ладони женщины для 100<K<10000, 100<n<10000, 100<m<10000; выполняют вторичную нормализацию изображений вен для получения библиотеки изображений вен; используют библиотеку изображений вен в качестве матрицы входных данных двухслойной модели неконтролируемого обучения разреженным признакам.
В частности, используя устройство для сбора изображений вен тыльной стороны ладони, собирают К изображений вен тыльной стороны ладони человека; в изображениях вен тыльной стороны ладони человека; выделяют полезные области; выполняют нормализацию с нулевым средним для получения К изображений вен с пиксельным размером n × m; при этом вторичную нормализацию выполняют по формуле , для получения библиотеки изображений вен; где представляет изображения вен, подвергнутые нормализации с нулевым средним; представляет матрицу входных данных двухслойной модели неконтролируемого обучения разреженным признакам; ∈ - постоянная, ∈=108, - матрица нормализации, j представляет гендер, а T представляет размер нормализации. Способ переходит к этапу 2.
Этап 2: выполняют построение двухслойной модели неконтролируемого обучения разреженным признакам; вводят в двухслойную модель неконтролируемого обучения разреженным признакам матрицу входных данных с целью обучения модели для получения представления разреженных признаков, чтобы получить представление разреженных признаков, распределенных в пространстве гендерного распознавания информации о венах, называемое матрицей разреженных признаков изображений вен тыльной стороны ладони; матрицу разреженных признаков вводят в линейный алгоритм метода опорных векторов (SVM, от англ. Support Vector Machine) для классификации с целью получения изображений вен тыльной стороны ладони с гендерными метками, то есть изображений вен тыльной стороны ладони мужчины и изображений вен тыльной стороны ладони женщины.
В частности, на подэтапе 2-1: вводят в двухслойную модель неконтролируемого обучения разреженным признакам матрицу входных данных, и способ переходит к подэтапу 2-2;
На подэтапе 2-2 выполняют регуляризацию по распределению строк матрицы входных данных, и регуляризацию по распределению столбцов матрицы входных данных посредством двухслойной модели неконтролируемого обучения разреженным признакам, при этом представляет распределение строк матрицы входных данных, а представляет распределение столбцов матрицы входных данных, и способ переходит к подэтапу 2-3;
На подэтапе 2-3 создают целевую функцию на основе штрафного члена , и способ переходит к подэтапу 2-4;
На подэтапе 2-4 целевую функцию подвергают непрерывной минимизации посредством метода ограниченной памяти Бройдена-Флетчера-Голдфарба-Шэнно (L-BFGS, от англ. limited-memory Broyden-Fletcher-Goldfarb-Shanno method), чтобы получить матрицу выходных данных, оптимизированную и решенную посредством сетевой структуры первого слоя, и способ переходит к подэтапу 2-5;
На подэтапе 2-5 матрицу выходных данных, оптимизированную и решенную посредством сетевой структуры первого слоя, принимают в качестве матрицы входных данных, и способ возвращается к подэтапу 2-1 до тех пор, пока не будет получена матрица выходных данных, оптимизированная и решенная сетевой структурой второго слоя, то есть матрица разреженных признаков изображений вен тыльной стороны ладони, и способ переходит к подэтапу 2-6;
На подэтапе 2-6 матрицу разреженных признаков изображений вен тыльной стороны ладони в качестве входных данных вводят в линейный алгоритм метода опорных векторов (SVM) для классификации с целью получения изображений вен тыльной стороны ладони с гендерными метками, то есть изображений вен тыльной стороны ладони мужчины и изображений вен тыльной стороны ладони женщины.
Способ одновременно переходит к этапам 3 и 4.
Этап 3: производят непосредственное выделение признаков из изображений вен тыльной стороны ладони мужчины; и вычисляют бинарные кодовые значения признаков и веса кодирования для максимальной дисперсии (вариации) между классами текущей окружающей области с целью получения гистограммы распределения признаков изображений вен мужчины, чтобы получить гистограмму распределения признаков изображений вен мужчины. Конкретно формула выглядит следующим образом:
где для вычисления среднего μ0 и среднего μ1 применяются следующие формулы:
где ri представляет пиксельную точку, которая подлежит кодированию, представляет уровень яркости пиксельной точки, которая подлежит кодированию, число пикселей окружающей области Р=Р0+Р1 при этом Р0 представляет число пикселей, закодированных как 0, а Р1 представляет число пикселей, закодированных как 1, а i представляет номер пиксельной точки.
Функция логического определения S(x):
Далее, на этапе непосредственного выделения признаков из изображений вен тыльной стороны ладони мужчины, производят вычисление веса кодирования для максимальной вариации между классами текущей окружающей области, точнее весом кодирования модели бинарного кодирования признаков при максимальной вариации между классами является значение пикселя, полученное, когда вариация между классами рассортированного множества пикселей принимает максимальное значение, при этом формула для вычисления имеет следующий вид:
где - вес кодирования, - вариация между классами после бинаризации окружающей области, ri - пиксельная точка, подлежащая кодированию, i представляет номер пиксельной точки, Р - число пикселей окружающей области, P=P0+P1, P0 представляет число пикселей, закодированных как 0, а Р1 представляет число пикселей, закодированных как 1.
Вариациямежду классами выражается следующим образом:
Вес выбранного полезного признака вычисляют по следующей формуле:
где - вес кодирования при бинарном кодировании признаков для максимальной вариации между классами, - дисперсия генеральной совокупности окружающей области, - вариация между классами после бинаризации окружающей области, C - константа, добавляемая, чтобы гарантировать числовую устойчивость оптимизированного весового решения, задано C=0,012, а представляет уровень яркости пиксельной точки, подлежащей кодированию.
Способ переходит к этапу 5.
Этап 4: производят непосредственное выделение признаков из изображений вен тыльной стороны ладони женщины; вычисляют бинарные кодовые значения признаков для максимальной вариации между классами текущей окружающей области; усиливают контраст изображений вен тыльной стороны ладони женщины; вычисляют вес бинарного кодирования для максимальной вариации между классами; и объединяют бинарное кодовое значение признака с весом кодирования изображений вен тыльной стороны ладони женщины, чтобы получить кодовое значение признака текущей окружающей области для женщины, так чтобы получить гистограмму распределения признаков изображений вен женщины.
Этапы 3 и 4, на которых: производят непосредственное выделение характерных признаков из изображений вен тыльной стороны ладони мужчины и изображений тыльной стороны ладони женщины, и вычисление бинарных кодовых значений признаков для максимальной вариации между классами текущей окружающей области, более конкретно содержат действия, при которых:
непосредственно вычисляют бинарные кодовые значения признаков для максимальной вариации между классами изображений вен тыльной стороны ладони, чтобы получить бинарные кодовые значения признаков:
где m × n представляет размер вводимого изображения вен тыльной стороны ладони мужчины, Ai представляет кодовое значение , wi представляет вес кодирования вводимого изображения вен тыльной стороны ладони, представляет кодовое значение признака соответствующей пиксельной точки, и i представляет номер пиксельной точки.
На этапе, когда повышают контраст изображения вен тыльной стороны ладони женщины, и вычисляют вес бинарного кодирования для максимальной вариации между классами, более конкретно формула бинарного кодирования для максимальной вариации между классами выглядит следующим образом:
где m × n представляет размер вводимого изображения вен, Bi представляет кодовое значение признака , представляет вес кодирования вводимого изображения вен тыльной стороны ладони, подвергнутого адаптивному выравниванию гистограммы (АНЕ, Adaptive Histogram Equalization), представляет кодовое значение признака соответствующей пиксельной точки, и i представляет номер пиксельной точки.
Способ переходит к этапу 6.
Этап 5: выполняют сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен мужчины и библиотеки изображений вен по критерию Хи-квадрат, и вычисляют сходство векторов признаков с целью получения результата аутентификация личности.
Этап 6: выполняют сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен женщины и библиотеки изображений вен по критерию Хи-квадрат, и вычисляют сходство векторов признаков с целью получения результата аутентификация личности.
На этапах 5 и 6, когда выполняют сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен мужчины/женщины и библиотеки изображений вен по критерию Хи-квадрат и вычисляют сходство векторов признаков с целью получения результата аутентификация личности.
В частности, критерий Хи-квадрат используют для вычисления сходства векторов признаков мужчины/женщины, применяя следующую формулу:
где n, m представляют размер изображения вен, а и представляют вычисленные в данный момент пиксельные точки изображения, D представляет вектор признаков изображения вен, которые подлежат идентификации, a F - вычисленный вектор признаков вен из библиотеки изображений вен. K - число изображений вен в библиотеке изображений, при этом представляет вычисленный в данный момент вектор признаков изображений вен из библиотеки изображений, N2(D, F) представляет расстояние по критерию Хи-квадрат между вектором признаков D и вектором признаков F. При этом D - вектор признаков, статистически полученный из бинарных кодовых значений А и В признаков, вычисленных на этапах 3 и 4. Путем сравнения размера может быть определена степень соответствия между изображением вен, подлежащим идентификации, и изображениями вен из библиотеки изображений вен, так чтобы отождествить изображение вен, подлежащее идентификации.
Вариант 1 осуществления
Согласно фиг. 1, соответствующий настоящему изобретению способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен содержит
Этап 1, на котором в изображениях из библиотеки изображений вен выделяют полезные области, результаты чего показаны на фиг. 2. Перед неконтролируемым обучением модели разреженным признакам 6000 примеров изображений вен тыльной стороны ладони, выделенных из указанных полезных областей, подвергают нормализации данных, чтобы получить матрицу изображений вен размером 180*180. Матрицу входных данных двухслойной модели неконтролируемого обучения разреженным признакам формируют посредством функции .
Этап 2, на котором сформированную матрицу признаков вводят в двухслойную модель неконтролируемого обучения разреженным признакам и выполняют регуляризацию по распределению строк и распределению столбцов матрицы входных данных, так что распределение в матрице входных данных преобразуется из в , то есть ставится в соответствие распределению матрицы единичной поверхности при регуляризации. Затем проводят минимизацию целевой функции
Фиг. 3 изображает процесс эволюции выходной матрицы признаков с многократно увеличенной разреженностью после регуляризации. Целевую функцию оптимизируют методом L-BFGS минимизации до тех пор, пока модель не будет сведена в одну точку, и не будет получено решение, оптимизированное сетью. Выходную матрицу, оптимизированную и решенную посредством сетевой структуры первого слоя, берут в качестве входных данных для вторичного обучения, чтобы получить разреженную матрицу признаков. Чтобы обеспечить разреженность матрицы, полученной в результате преобразования, резервируют сравнительно большое число членов со значением 0. Полученная разреженная матрица признаков служит входными данными, подаваемыми в линейный алгоритм метода опорных векторов (SVM) для классификации, чтобы получить конечный результат гендерного определения.
В силу физиологических различий, изображения вен мужчины демонстрируют более высокое качество при очередном выделении признака, чем изображения вен женщины, так что изображения вен мужчины маркируются как группа HQ (High Quality), а изображения вен женщины маркируются как группа LQ (Low Quality). После обучения двухслойной модели неконтролируемого обучения разреженным признакам результаты распределения разных полов на серых матрицах показаны на фиг. 4.
В настоящем изобретении используется высокоэффективная двухслойная модель неконтролируемого обучения разреженным признакам для группирования изображений вен мужчины и женщины (изображений, имеющих различное качество), чтобы получить субъективно визуально надежные результаты классификации качества вен (группу HQ и группу LQ), а затем используется усовершенствованная модель бинарного кодирования признаков при максимальной вариации между классами, чтобы произвести выделение признаков. Кодовое значение признака, выделенного из изображений вен высокого качества, обозначается , а кодовое значение признака, выделенного из изображения вен низкого качества, обозначается . После получения кодового значения полезного признака вектор подвергают регуляризации чтобы дополнительно улучшить различимость, а затем регуляризованное кодовое значение признака каскадируют, чтобы получить конечную характеристику гистограммы признаков изображения вен.
Этап 3, на котором выделение признака бинарного кодирования локальной окружающей области выполняют непосредственно на изображениях вен мужчины (группы HQ), используя , при этом формула для конкретного результата кодирования следующая:
где m × n представляет размер вводимого изображения вен тыльной стороны ладони, A*i представляет кодовое значение признака , представляет вес кодирования вводимого изображения вен тыльной стороны ладони, представляет кодовое значение признака соответствующей пиксельной точки, а i представляет номер пиксельной точки вводимого изображения вен тыльной стороны ладони.
Фиг. 5 изображает гистограмму распределения признаков двух разных вводимых изображений вен группы HQ, основанную на указанном правиле кодирования. Из гистограммы признаков, представленной на фиг. 5, можно видеть, что имеет место высокая степень различимости между двумя изображениями, что в полной мере демонстрирует эффективность модели при выделении признаков.
Этап 4, на котором выделение признаков группы LQ конкретно содержит: использование адаптивного выравнивания гистограмм для каждого вводимого изображения группы LQ с целью увеличения контраста, при этом выделение признаков выполняют на изображениях с усиленным контрастом; и в то же самое время выделение признаков также выполняют на изображениях вен, которые не подвергались увеличению контраста, при этом вес представления признака изображения, подвергнутого увеличению контраста, и кодовое значение признака изображения, которое не подвергалось увеличению контраста, объединяют, чтобы получить конечный результат представления признака . Конкретный вычислительный результат выражается следующей формулой:
где m × n представляет размер вводимого изображения вен, Bi представляет кодовое значение , представляет вес кодирования вводимого изображения вен тыльной стороны ладони, подвергнутого адаптивному выравниванию гистограммы (АНЕ), представляет кодовое значение признака соответствующего пикселя, а i представляет номер пиксельной точки.
Результирующие гистограммы распределения изображений вен группы LQ, основанные на данной стратегии кодирования, показаны на фиг. 6. Разность гистограмм распределения существенно увеличена, что в полной мере демонстрирует эффективность предложенной стратегии кодирования признаков при оценке признаков малоконтрастных изображений.
Этапы 5-6: полученные кодовые значения признаков пикселей группы HQ и группы LQ подвергают нормализации, а затем каскадированию, чтобы получить характеристику гистограммы признаков. На стадии сопоставления изображений вен для вычисления сходства векторов признаков и получения окончательного результата сопоставления предложено использование критерия Хи-квадрат.
Чтобы подтвердить эффективность способа выделения характерных признаков с использованием усовершенствованной модели бинарного кодирования признаков (DLBP) для максимальной вариации между классами, способа, предложенного в настоящем изобретении, исходя из данных библиотеки изображений вен было проведено сравнение равновероятного ошибочного предоставления/отклонения доступа в модели DLBP с моделью нейрона LIF (англ. Leaky-Integrate-Fire) (масштабно-инвариантным преобразованием признаков (SIFT, от англ. Scale Invariant Feature Transform) и его усовершенствованными моделями признаков повышенной робастности (SURF, от англ. Speeded-Up Robust Features), афинно-инвариантным преобразованием признаков (ASIFT) и RootSIFT), как показано на фиг. 7(a), фиг. 7(b) и фиг. 7(c). Результаты показывают, что усовершенствованная модель бинарного кодирования признаков для максимальной вариации между классами, предложенная в настоящем изобретении, демонстрирует более высокие показатели равновероятного ошибочного предоставления/отклонения доступа на библиотеке изображений вен мужчины, библиотеке изображений вен женщины с предварительной обработкой контраста и на всеобщей библиотеке изображений вен, что указывает на эффективность рассмотренной модели выделения признаков и формирования стратегий.
Claims (36)
1. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен, содержащий:
на этапе 1 сбор K изображений вен тыльной стороны ладони человека посредством устройства для сбора изображений вен; выделение на изображениях вен тыльной стороны ладони человека полезных областей; выполнение нормализации с нулевым средним для получения K изображений вен с пиксельным размером n × m, которые состоят из K/2 изображений вен тыльной стороны ладони мужчины и K/2 изображений вен тыльной стороны ладони женщины, причем 100<K<10000, 100<n<10000, 100<m<10000; выполнение вторичной нормализации изображений вен тыльной стороны ладони для получения библиотеки изображений вен; использование библиотеки изображений вен в качестве матрицы входных данных двухслойной модели неконтролируемого обучения разреженным признакам, и переход к этапу 2;
на этапе 2 построение двухслойной модели неконтролируемого обучения разреженным признакам; ввод в двухслойную модель неконтролируемого обучения разреженным признакам матрицы входных данных для обучения модели, чтобы получить представление разреженных признаков, распределенных в пространстве гендерного распознавания информации о венах, называемого матрицей разреженных признаков изображений вен тыльной стороны ладони; ввод матрицы разреженных признаков в линейный алгоритм метода опорных векторов (SVM) для классификации, чтобы получить изображения вен тыльной стороны ладони с гендерными метками, то есть изображения вен тыльной стороны ладони мужчины и изображений вен тыльной стороны ладони женщины, и переход к этапам 3 и 4 одновременно;
на этапе 3 непосредственное выделение признаков из изображений вен тыльной стороны ладони мужчины; вычисление бинарного кодового значения признака и веса кодирования для максимальной вариации между классами текущей окружающей области, чтобы получить гистограмму распределения признаков изображений вен мужчины, и переход к этапу 5;
на этапе 4 непосредственное выделение признаков из изображений вен тыльной стороны ладони женщины; вычисление бинарного кодового значения признака для максимальной вариации между классами текущей окружающей области; усиление контраста изображений вен тыльной стороны ладони женщины; вычисление веса бинарного кодирования для максимальной вариации между классами: объединение бинарного кодового значения признака с весом кодирования изображений вен тыльной стороны ладони женщины для получения кодового значения признака для текущей окружающей области женщины, чтобы получить гистограмму распределения признаков изображений вен женщины, и переход к этапу 6;
на этапе 5 сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен мужчины и библиотеки изображений вен по критерию Хи-квадрат, и вычисление сходства векторов признаков для получения результата аутентификация личности; и
на этапе 6 сопоставление гистограмм, исходя из гистограммы распределения признаков изображений вен женщины и библиотеки изображений вен по критерию Хи-квадрат, и вычисление сходства векторов признаков для получения результата аутентификация личности.
2. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен по п. 1, в котором этап 1, в частности, включает в себя: сбор K изображений вен тыльной стороны ладони человека посредством устройства для сбора изображений вен; выделение на изображениях вен тыльной стороны ладони человека полезных областей; выполнение нормализации с нулевым средним для получения K изображений вен с пиксельным размером n × m, и выполнение вторичной нормализации по формуле , для получения библиотеки изображений вен; причем представляет изображения вен, подвергнутые нормализации с нулевым средним; представляет матрицу входных данных двухслойной модели неконтролируемого обучения разреженным признакам; ∈ - постоянная, ∈=108, - матрица нормализации, j представляет гендер, а T представляет размер нормализации.
3. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен по п. 1, в котором этап 2 построения двухслойной модели неконтролируемого обучения разреженным признакам; ввода в двухслойную модель неконтролируемого обучения разреженным признакам матрицы входных данных для обучения модели, чтобы получить представление разреженных признаков, распределенных в пространстве гендерного распознавания информации о венах, называемого матрицей разреженных признаков изображений вен тыльной стороны ладони; ввода матрицы разреженных признаков в линейный алгоритм метода опорных векторов (SVM) для классификации, чтобы получить изображения вен тыльной стороны ладони с гендерными метками, то есть изображения вен тыльной стороны ладони мужчины и изображения вен тыльной стороны ладони женщины, в частности включает в себя:
подэтап 2-1, на котором вводят в двухслойную модель неконтролируемого обучения разреженным признакам матрицу входных данных, и переходят к подэтапу 2-2;
подэтап 2-2, на котором выполняют регуляризацию по распределению строк матрицы входных данных и регуляризацию по распределению столбцов матрицы входных данных посредством двухслойной модели неконтролируемого обучения разреженным признакам, при этом представляет распределение строк матрицы входных данных, а представляет распределение столбцов матрицы входных данных, и переходят к подэтапу 2-3;
подэтап 2-3, на котором создают целевую функцию на основе штрафного члена , и переходят к подэтапу 2-4;
подэтап 2-4, на котором непрерывно минимизируют целевую функцию посредством метода ограниченной памяти Бройдена-Флетчера-Голдфарба-Шэнно (L-BFGS) для получения матрицы выходных данных, оптимизированной и решенной посредством сетевой структуры первого слоя, и переходят к подэтапу 2-5;
подэтап 2-5, на котором матрицу выходных данных, оптимизированную и решенную посредством сетевой структуры первого слоя, принимают в качестве матрицы входных данных, и возвращаются к подэтапу 2-1 до тех пор, пока не будет получена матрица выходных данных, оптимизированная и решенная сетевой структурой второго слоя, то есть матрица разреженных признаков изображений вен тыльной стороны ладони, и переходят к подэтапу 2-6;
подэтап 2-6, на котором матрицу разреженных признаков изображений вен тыльной стороны ладони в качестве входных данных вводят в линейный алгоритм метода опорных векторов (SVM) для классификации, чтобы получить изображения вен тыльной стороны ладони с гендерными метками, то есть изображения вен тыльной стороны ладони мужчины и изображения вен тыльной стороны ладони женщины.
4. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен ладони по п. 1, в котором на этапе 3 непосредственного выделения признаков из изображений вен тыльной стороны ладони мужчины; и вычисления бинарного кодового значения признака и веса кодирования для максимальной вариации между классами текущей окружающей области для получения гистограммы распределения признаков изображений вен мужчины, формула для бинарного кодового значения признака для максимальной вариации между классами конкретно выглядит следующим образом:
причем для вычисления среднего μ0 и среднего μ1 применяются следующие формулы:
причем ri представляет пиксельную точку, которая подлежит кодированию, представляет уровень яркости пиксельной точки, которая подлежит кодированию, число пикселей окружающей области Р=Р0+P1 при этом Р0 представляет число пикселей, закодированных как 0, P1 представляет число пикселей, закодированных как 1, а i представляет номер пиксельной точки; при этом функция логического определения S(x):
5. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен по п. 1, в котором этапы 3 и 4 непосредственного выделения признаков из изображений вен тыльной стороны ладони мужчины и изображений вен тыльной стороны ладони женщины, и вычисления бинарного кодового значения признака для максимальной вариации между классами текущей окружающей области более конкретно включают в себя:
вычисление бинарного кодового значения признака для максимальной вариации между классами изображений вен тыльной стороны ладони по формуле:
причем m × n представляет размер вводимого изображения вен тыльной стороны ладони, Ai представляет кодовое значение признака, w*i представляет вес кодирования вводимого изображения вен тыльной стороны ладони, представляет кодовое значение признака соответствующей пиксельной точки, и i представляет номер пиксельной точки вводимого изображения вен тыльной стороны ладони.
6. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен по п. 1, в котором на этапе 3 непосредственного выделения признаков из изображений вен тыльной стороны ладони мужчины, и вычисления веса кодирования признаков для максимальной вариации между классами текущей окружающей области, в частности,
весом кодирования модели бинарного кодирования признаков при максимальной вариации между классами является значение пикселя, полученное, когда вариация между классами рассортированного множества пикселей принимает максимальное значение, при этом для вычисления применяют следующую формулу:
причем - вес кодирования, - вариация между классами после бинаризации окружающей области, ri - пиксельная точка, подлежащая кодированию, Р - число пикселей окружающей области, Р=Р0+P1, Р0 представляет число пикселей, закодированных как 0, а Р1 представляет число пикселей, закодированных как 1;
при этом вариация между классами выражается следующим образом:
а вес выбранного полезного признака вычисляют по следующей формуле:
причем - вес кодирования при бинарном кодировании признаков для максимальной вариации между классами, - дисперсия генеральной совокупности окружающей области, - вариация между классами после бинаризации окружающей области, C - константа, добавляемая, чтобы гарантировать числовую устойчивость оптимизированного весового решения, задано С=0,012, а представляет уровень яркости пиксельной точки, подлежащей кодированию.
7. Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен по п. 1, в котором на этапе 4 непосредственного выделения признаков из изображений вен тыльной стороны ладони женщины, и вычисления веса кодирования признаков для максимальной вариации между классами текущей окружающей области, в частности, формула бинарного кодирования для максимальной вариации между классами выглядит следующим образом:
причем m × n представляет размер вводимого изображения вен, Bi представляет кодовое значение признака, представляет вес кодирования вводимого изображения вен, подвергнутого адаптивному выравниванию гистограммы (АНЕ), представляет кодовое значение признака соответствующей пиксельной точки, и i представляет номер пиксельной точки вводимого изображения вен тыльной стороны ладони.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962618.1 | 2020-09-14 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2809571C1 true RU2809571C1 (ru) | 2023-12-13 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2007142215A (ru) * | 2005-04-15 | 2009-05-27 | Джулиус МУЭЙЛ (US) | Способ и система для биометрической аутентификации на основе строки |
| RU2563157C1 (ru) * | 2012-03-16 | 2015-09-20 | Юниверсал Робот Кабусики Каиса | Способ аутентификации физического лица и устройство для аутентификации физического лица |
| 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 |
| CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 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 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2007142215A (ru) * | 2005-04-15 | 2009-05-27 | Джулиус МУЭЙЛ (US) | Способ и система для биометрической аутентификации на основе строки |
| RU2563157C1 (ru) * | 2012-03-16 | 2015-09-20 | Юниверсал Робот Кабусики Каиса | Способ аутентификации физического лица и устройство для аутентификации физического лица |
| 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 |
| CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| Pan Zaiyu et al.: "Multi-Layer Convolutional Features Concatenation With Semantic Feature Selector for Vein Recognition", IEEE Access, Vol. 7, стр. 90608 - 90619, опубл. 08.07.2019 [найдено 25.10.2023]. Найдено в Интернет: http://dx.doi.org/10.1109/ACCESS.2019.2927230. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raja et al. | Binarized statistical features for improved iris and periocular recognition in visible spectrum | |
| Wang et al. | Generative adversarial network (GAN) based data augmentation for palmprint recognition | |
| Schwartz et al. | Visual material traits: Recognizing per-pixel material context | |
| CN107273824B (zh) | 基于多尺度多方向局部二值模式的人脸识别方法 | |
| CN109583452B (zh) | 一种基于赤足足迹的人身同一认定方法和系统 | |
| Liu et al. | Facial makeup detection via selected gradient orientation of entropy information | |
| WO2022052701A1 (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 | |
| Basar et al. | A novel defocused image segmentation method based on PCNN and LBP | |
| Altaei et al. | Brain tumor detection and classification using SIFT in MRI images | |
| KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
| Thepade et al. | Enhanced face presentation attack prevention employing feature fusion of pre-trained deep convolutional neural network model and thepade's sorted block truncation coding | |
| RU2809571C1 (ru) | Способ установления личности на основе гетерогенного разделения гендерной информации мультимодальных изображений вен | |
| Mukherjee et al. | FuseKin: Weighted image fusion based kinship verification under unconstrained age group | |
| Deeksha et al. | Classification of Brain Tumor and its types using Convolutional Neural Network | |
| Walhazi et al. | Preprocessing latent-fingerprint images for improving segmentation using morphological snakes | |
| Bindu et al. | Kernel-based scale-invariant feature transform and spherical SVM classifier for face recognition | |
| CN114913610A (zh) | 一种基于指纹和指静脉的多模态识别方法 | |
| Ouannes et al. | Comparative Study Based on De-Occlusion and Reconstruction of Face Images in Degraded Conditions. | |
| Lin et al. | Face detection algorithm based on multi-orientation gabor filters and feature fusion | |
| 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 | |
| Saffari et al. | On Improving Breast Density Segmentation Using Conditional Generative Adversarial Networks. | |
| Kohlakala et al. | On automated ear-based authentication | |
| Wijaya et al. | Pornographic image rejection using eigenporn of simplified LDA of skin ROIs images | |
| Qassir et al. | New Algorithm for Palm Print Detection | |
| Irhebhude et al. | Northern Nigeria Human Age Estimation From Facial Images Using Rotation Invariant Local Binary Pattern Features with Principal Component Analysis. |