应用2DPCA降维机制的指静脉识别方法与流程

应用2dpca降维机制的指静脉识别方法
技术领域
1.本发明属于指静脉识别领域，具体涉及一种指静脉识别方法。
技术背景
2.指静脉识别技术作为第二代生物特征识别技术是通过血红细胞吸收红外光的成像原理进行指静脉特征采集，具有活体检测性。指静脉识别属于内部特征，不易被复制和盗用，相比传统的第一代生物特征识如人脸、指纹等，具有更高的安全性和唯一性。除此之外，指静脉特征还具有唯一性、长期不变性且不易受外界干扰等优点，目前已在许多领域得到应用。
3.指静脉识别技术的基本流程包括图像采集、预处理、特征提取和特征识别，其中特征提取和特征识别为关键技术步骤。对于指静脉特征提取，现有传统技术中常用的算法是局部特征提取。局部二值模式(lbp)是t.ojala等人在1994年提出的用于局部纹理特征提取的算法。lbp算法具有灰度不变性和旋转不变性，计算速度较快，鲁棒性好等优点。当光照变化不均匀时,各像素间的大小关系被破坏，对lbp特征产生较大影响。为解决光照不均对lbp稳定性的影响，本发明在指静脉特征提取之前对图片进行gamma矫正，减少光照的影响，增强lbp算子的鲁棒性。由于lbp算法简单，提取的纹理特征维度低，所获取的静脉特征维数过多，包含大量的冗余信息，直接用来识别会导致计算量过大，识别效率低下。尤其是在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，用户体验下降。
4.本发明应用2dpca降维机制对lbp特征进行降维处理，使特征表达更为紧凑，降低计算强度；使用训练好的svm模型进行分类识别，在稳定提升识别准确率的同时识别速度也有明显提高，增强用户体验感。


技术实现要素：

5.本发明要克服现有技术的上述问题，提出一种在大用户数下更加稳定、快速、高准确率的指静脉识别方法。
6.为解决上述问题，本发明提供应用2dpca降维机制的指静脉识别方法，其包括为以下步骤：
7.s1、采集手指静脉图像，获取近红外光下的指静脉原始图像p1。
8.s2、利用质心法对指静脉原始图像p1进行感兴趣区域提取，得到包含有用信息的特点区域的指静脉roi图像后进行预处理，得到指静脉预处理图像p2，包括如下步骤：
9.s21、将手指图像进行二值化处理后进行开运算和闭运算，平滑边缘。再对平滑后的图像进行逐点扫描，计算出质心位置。再选取固定窗口，根据质心的位置自动获取roi图像。
10.s22、利用灰度拉伸的方法将roi图像的灰度分布扩展到整个灰度级图像：
11.12.其中灰度范围归一化为0～255。
13.s3、对指静脉预处理图像p2进行gamma矫正得到指静脉图像pg，包括如下步骤：
14.s31、图像进行归一化，将像素值转化为0～1之间的实数。
15.s32、根据gamma矫正公式求出像素归一化后的数据以1/gamma为指数的对应值，公式如下：
16.i(x,y)＝i(x,y)
gamma
ꢀꢀꢀꢀ
(2)
17.式中，i(x,y)表示图像。
18.s33、将经过预补偿的实数进行反归一化为0～255之间的整数值。
19.s4、指静脉图像pg分成h块，利用lbp算子对每一子块进行特征提取获得分块lbp特征向量包括如下步骤：
20.s41、将图像分成h块，对每一个子块划分成r*r的邻域；
21.s42、对于每个cell中选取b个采样点，每个采样点的值计算如下：
[0022][0023][0024]
其中，r为半径，b为采样点个数，(xc,yc)是单元中心点，为(xb,yb)为某个采样点。
[0025]
s43、使用双线性插值获取采样点的像素值，计算公式如下：
[0026][0027]
s44、将邻域中的b个采样点像素值与中心像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。r*r邻域内b个采样点经比较可产生b位二进制数，即得到该窗口中心像素点的lbp值。
[0028]
s45、计算每个子块的直方图，并转换成特征向量
[0029]
s5、分块lbp特征向量进行信息熵加权得到加权lbp特征向量，归一化后得到整幅图像的特征向量
[0030]
s51、由步骤s4得到指静脉图像pg分成h块，则每一子块的信息熵和加权系数可以公式表示为：
[0031][0032][0033]
其中，n是像素的灰度级数，表示第i个子块中第k像素出现的概率，ei表示第i个子块的信息熵，wi表示第i个子块的加权系数。
[0034]
s52、计算得到整张图片的加权系数向量
[0035]
s53、计算信息熵加权lbp特征向量,并进行归一化处理，得到最终的特征向量
[0036]
[0037][0038]
s6、将训练样本经过信息熵加权得到的lbp特征向量进行2dpca降维处理，得到降维后特征向量包括如下步骤：
[0039]
s61、将所有训练样本的分块lbp特征向量的子向量作为独立训练样本。
[0040]
s62、训练样本的分块lbp特征向量的子向量表示为:所有训练样本的分块lbp特征向量的子向量均值为：
[0041][0042]
式中：m为所有训练样本数的分块lbp特征向量的子向量总个数，即c为训练样本类别数，ni为第i个类别所含样本数，p为子向量维数。
[0043]
s63、计算训练样本的总体散布矩阵g：
[0044][0045][0046]
式中：g是维数为子向量维数是h*h的非负定矩阵
[0047]
s64、计算矩阵g的特征向量和特征值λ1,λ2,
…
,λh。
[0048]
s65、从g特征向量中选取较大的特征值对应的特征向量组成最佳投影向量组把它们表示成矩阵形式，构成了最佳投影矩阵
[0049]
s66、将训练样本的分块lbp特征向量投影到最佳投影矩阵上，得到最佳特征向量:
[0050][0051]
式中:为最佳特征向量的r维子向量。
[0052]
s7、将经过降维处理的训练样本特征向量输入svm模型进行训练得到最佳模型参数。
[0053]
s8、将测试样本输入最佳模型参数的svm分类器进行分类识别。
[0054]
本发明提出应用2dpca降维机制的指静脉识别方法，采用信息熵加权lbp算子对指静脉图像进行特征提取得到lbp特征向量，再进行2dpca降维处理后使用svm分类器进行分类。
[0055]
本发明根据指静脉图像信息含量进行信息熵加权，对比传统lbp方法能够获得更多的有效特征，使用2dpca降维机制能够大幅度降低指静脉识别处理所需要的时间。因此，本发明提出的应用2dpca降维机制的指静脉识别方法与现有技术相比，在稳定提升识别速度的同时准确率的同时识别速度也有明显的提高，增强用户的体验感。
附图说明
[0056]
图1为本发明实例提出的一种应用2dpca降维机制提高指静脉识别lbp算法性能的方法流程图；
[0057]
图2为指静脉图像感兴趣区域提取示意图；
[0058]
图3为分块lbp直方图示意图。
具体实施方式
[0059]
以下，参照附图对本发明的实施方式进行说明。
[0060]
本实施例使用的数据集为自行采集的zjutfvr数据集。总计720个手指类别，每个手指6张图像，其中每个手指分别取4张图片作为训练集，2张图片作为测试集。每张图片的分辨率为1280*720。
[0061]
s1、采集手指静脉图像，获取近红外光下的指静脉原始图像p1。
[0062]
s2、对指静脉原始图像p1进行感兴趣区域提取，得到包含有用信息的特点区域的指静脉roi图像并进行灰度归一化，得到指静脉预处理图像p2，包括如下步骤：
[0063]
s21、将手指图像进行二值化处理后进行开运算和闭运算，平滑边缘。再对平滑后的图像进行逐点扫描，计算出质心位置。再选取640*360固定窗口，根据质心的位置自动获取roi图像。
[0064]
s22、利用灰度拉伸的方法将roi图像的灰度分布扩展到整个灰度级图像：
[0065][0066]
其中灰度范围归一化为0～255。
[0067]
s3、对指静脉预处理图像p2进行gamma矫正得到指静脉图像pg，包括如下步骤：
[0068]
s31、图像进行归一化，将像素值转化为0～1之间的实数。
[0069]
s32、根据gamma矫正公式求出像素归一化后的数据以1/gamma为指数的对应值，公式如下：
[0070]
i(x,y)＝i(x,y)
gamma
ꢀꢀꢀꢀ
(2)
[0071]
式中，i(x,y)表示图像。
[0072]
s33、将经过预补偿的实数进行反归一化为0～255之间的整数值。
[0073]
s4、指静脉图像pg分成h块，利用lbp算子对每一子块进行特征提取获得分块lbp特征向量包括如下步骤：
[0074]
s41、将图像分成h块，对每一个子块划分成r*r的邻域；
[0075]
s42、对于每个cell中选取b个采样点，每个采样点的值计算如下：
[0076][0077][0078]
其中，r为半径，b为采样点个数，(xc,yc)是单元中心点，为(xb,yb)为某个采样点。
[0079]
s43、使用双线性插值获取采样点的像素值，计算公式如下：
[0080][0081]
s44、将邻域中的b个采样点像素值与中心像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。r*r邻域内b个采样点经比较可产生b位二进制数，即得到该窗口中心像素点的lbp值。
[0082]
s45、计算每个子块的直方图，并转换成特征向量
[0083]
s5、分块lbp特征向量进行信息熵加权得到加权lbp特征向量，归一化后得到整幅图像的特征向量
[0084]
s51、由步骤s4得到指静脉图像pg分成h块，则每一子块的信息熵和加权系数可以公式表示为：
[0085][0086][0087]
其中，n是像素的灰度级数，表示第i个子块中第k像素出现的概率，ei表示第i个子块的信息熵，wi表示第i个子块的加权系数。
[0088]
s52、计算得到整张图片的加权系数向量
[0089]
s53、计算信息熵加权lbp特征向量,并进行归一化处理，得到最终的特征向量
[0090][0091][0092]
s6、将所有训练样本信息熵加权lbp特征向量进行b2dpca降维获得特征向量包括如下步骤：
[0093]
s61、将所有训练样本的分块lbp特征向量的子向量作为独立训练样本。
[0094]
s62、训练样本的分块lbp特征向量的子向量表示为:所有训练样本的分块lbp特征向量的子向量均值为：
[0095][0096]
式中：m为所有训练样本数的分块lbp特征向量的子向量总个数，即c为训练样本类别数，ni为第i个类别所含样本数，p为子向量维数。
[0097]
s63、计算训练样本的总体散布矩阵g：
[0098][0099][0100]
式中：g是维数为子向量维数是h*h的非负定矩阵
[0101]
s64、计算矩阵g的特征向量和特征值λ1,λ2,
…
,λh。
[0102]
s65、从g特征向量中选取较大的特征值对应的特征向量组成最佳投影向量组把它们表示成矩阵形式，构成了最佳投影矩阵
[0103]
s66、将训练样本的分块lbp特征向量投影到最佳投影矩阵上，得到最佳特征向量
[0104][0105]
式中:为最佳特征向量的r维子向量。
[0106]
s7、将经过降维处理的训练样本特征向量输入svm模型进行训练得到最佳模型参数。
[0107]
s8、将测试样本输入最佳模型参数的svm分类器进行分类识别。
[0108]
本发明方法降低光照不均对lbp特征提取的影响，增加图片特征提取的稳定性；应用降维机制提取出包含主要信息的低维度指静脉特征，在高准确率的情况下实现快速对比，提升指静脉识别的验证速度，减少1：n验证的用户等待时间及反馈结果，提高用户使用体验。
[0109]
本文结合实例对本发明原理进行详细描述，并非对本发明的范围进行限定。在不脱离发明精神和范围的前提下，本发明的变化和改进都应落入要求保护的范围内。