一种基于深度相关特征学习的指静脉识别方法与流程

1.本发明属于指静脉识别技术领域，特别是涉及一种基于深度相关特征学习的指静脉识别方法。


背景技术：

2.目前，指静脉识别因其独有的安全性、便携性等特性受到越为广泛的关注，越来越多的指静脉识别算法也相继被提出。常规的指静脉识别系统主要分为图像采集、图像预处理、特征提取和匹配四个步骤。
3.基于深度相关特征学习的方法是通过神经网络来自主学习静脉特征进行身份识别，可达到较高的识别精度。匹配是指将两个特征向量进行某种度量，计算它们之间的相似性。其中，特征提取作为至关重要的一步，直接影响后续的匹配相似度和识别性能。尽管现有的指静脉特征算法已达到较高的识别精度，但对于手指轴向旋转形变问题仍然没有较好的解决方法。因此提出一种基于深度相关特征学习的指静脉识别方法。


技术实现要素：

4.本发明的目的在于提供一种基于深度相关特征学习的指静脉识别方法，解决了上述技术背景中的问题。
5.为解决上述技术问题，本发明是通过以下技术方案实现的：
6.本发明为一种基于深度相关特征学习的指静脉识别方法，包括以下步骤：
7.步骤1：对指静脉图像进行采集并对图像进行roi截取；
8.步骤2：对截取的图像进行手指轴向旋转校正，并进行特融合；
9.步骤3：对指形进行特征提取；
10.步骤4：对指形的纹理特征进行匹配；
11.其中，所述步骤2中，手指轴向旋转校正的具体流程为：
12.s1:采用gabor滤波对原始的roi图像进行增强；
13.s2:将其中一幅图像作为基准图像，另一幅图像作为搜索图像，将搜索图像置于基准图像上方，并与基准图像重叠三分之一，计算两幅图像的重叠区域的皮尔森相似度；
14.s3:再将搜索图像进行平移，直至搜索图像与基准图像的剩余部分重合，并且移动一次计算一次皮尔森相似度，将最大的皮尔森相似度对应的重叠区域作为两幅图像的最相似区域，并根据最相似区域的位置对roi图像进行截取获得带匹配图像的共同区域；
15.特征融合的具体流程为：
16.s1:利用支持向量机svm对匹配图像纹理结构特征进行分类，根据分类结果计算所有特征向量到分类超平面的距离，作为纹理结构特征匹配分数；同时利用卡方距离得到匹配图像doch匹配分数；
17.s2:对纹理结构特征匹配分数和doch匹配分数分别设置互补权重，权重和为1；
18.s3:根据设定的步长将其中一个权重值从0遍历到1，另一个权重值也由权重和计
算，每个权重值对应一个等误率值，取最小的权值作为最终权值。
19.进一步地，其中所述皮尔森相似度的计算方法为：
20.假设两个带匹配图像按行展开后的向量为x，y，均指分别为μ，ν。协方差为cov(x＜,y)，标准方差为σ
x
，σy；
21.则相似度为：cov(x,y)＝e((x-ν)(y-μ))，
22.进一步地，所述步骤1中，指静脉图像通过透射成像进行获取。
23.进一步地，所述步骤1中，对图像进行roi截取方法为：
24.s1:对采集到的手指静脉图像进行边缘检测，检测出手指的上下边缘；
25.s2:将手指上下边缘的中心点进行拟合得出手指中位线，计算中位线与水平线之间的角度，根据角度将指静脉图像进行水平旋转校正；
26.s3:根据手指上下边缘中距中位线最近点的坐标，对指静脉图像进行水平截取；
27.s4:根据指关节位置确定roi区域横向长度，得出roi区域。
28.进一步地，所述步骤3中，指形特征提取的方法为：
29.s1:将获取的图像宽度与质心边缘距离特征进行分块处理，转化为二值图像，获取其均值方差序列；
30.s2:将宽度和质心边缘距离的均值方差序列分别通过曼哈顿距离计算得到匹配分数；
31.s3:将两种分数进行加权求和得到最终的指形特征分数。
32.进一步地，所述步骤4中，特征匹配的方法的方法为：
33.s1:将所述步骤2中的doch匹配分数和纹理结构特征匹配分数进行归一化加权融合，获得指静脉匹配分数；
34.s2:将步骤3中获取的指形特征分数进行归一化；
35.s3:将指静脉分数与指形分数进行分级融合，得到最终的匹配分数。
36.进一步地，所述图像宽度与质心边缘距离特征获取方法为：
37.s1:根据所述二值图的轮廓边缘确定用于指形特征提取的手指区域m；
38.s2:在区域m内每一列获取一个宽度值，组成手指的宽度向量；
39.s3:测量质心与每一列的上下边缘点之间的距离得到质心上边缘距离下边缘距离，将二者串接构成质心边缘距离。
40.本发明具有以下有益效果：
41.1、本发明通过计算待匹配图像之间的重叠区域的皮尔森相似度值确定共同区域，达到旋转校正的目的。使得指静脉识别的成功率大大提高。
42.2、本发明通过对指静脉纹理的方向进行分析，部分静脉纹理呈弯曲状，采用双方向编码可以更准确的描述静脉纹理的方向信息，且具有一定的抗旋转能力。使得整体的抗旋转能力进一步提升。
43.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
44.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为一种基于深度相关特征学习的指静脉识别方法的流程图；
46.图2为指静脉图像特征融合的流程图；
47.图3为指形特征提取的流程图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
49.请参阅图1，本发明为一种基于深度相关特征学习的指静脉识别方法，包括以下步骤：
50.步骤1：对指静脉图像进行采集并对图像进行roi截取；本实施例中指静脉图像进行采集可分为三类：投射成像、侧射成像和反射成像；由于原始的指静脉图像包含角度的无用信息，直接作为后续特征提取的输入图像引入较多的噪声，采用roi截取指静脉纹理区域进行识别，这样保留了绝大部分的指静脉纹理，同时取出多余的背景信息，为后续的特征提取提供了更为精确的信息，从而有效的提升整体的识别成功率。
51.步骤2：对截取的图像进行手指轴向旋转校正，并进行特融合，由于手指在图像采集过程中无约束导致手指的轴向发生变化，这会使得同类样本之间出现局部区域不一致和纹理不变，影响识别的性能，通过双方向编码特征(doch)和纹理结构特征进行融合，降低手指旋转的影响。
52.步骤3：对指形进行特征提取，指形是指手指的轮廓特征，包括手指面积、质心边缘距离、手指宽度、指尖边缘角度、质心边缘角度等。原始采集的指静脉图像中包括手指区域和背景区域，可从手指区域中提取静脉特征与指形特征，指形特征包含的身份信息较少，作为辅助特征，与静脉特征进行融合，完善身份信息，提高系统识别精度。
53.步骤4：对指形的纹理特征进行匹配，根据静脉双方向编码特征、静脉纹理结构特征与指形特征的不同特性选择不同的匹配方式获取其特征分数，然后根据指静脉与指形的不同优先级，对三种特征分数进行分层融合。
54.其中，所述步骤2中，手指轴向旋转校正的具体流程为：
55.s1:采用gabor滤波对原始的roi图像进行增强；
56.s2:将其中一幅图像作为基准图像，另一幅图像作为搜索图像，将搜索图像置于基准图像上方，并与基准图像重叠三分之一，计算两幅图像的重叠区域的皮尔森相似度；
57.s3:再将搜索图像进行平移，直至搜索图像与基准图像的剩余部分重合，并且移动一次计算一次皮尔森相似度，将最大的皮尔森相似度对应的重叠区域作为两幅图像的最相似区域，并根据最相似区域的位置对roi图像进行截取获得带匹配图像的共同区域；
58.皮尔森相似度计算公式中的标准差可用于简单的描述图像的信息，协方差可用来表征图像之间的联系。皮尔森相似度适用于相互之间差距较小的数据，指静脉图像由静脉纹理与背景图像组成，不同静脉图像之间整体差距较小，符合皮尔森相似度对于数据的要求。而增强后的静脉图像的对比度增大，标准差与协方差相较于原图更能凸显两个图像之间的相似度。
59.如图2所示，特征融合的具体流程为：
60.s1:利用支持向量机svm对匹配图像纹理结构特征进行分类，根据分类结果计算所有特征向量到分类超平面的距离，作为纹理结构特征匹配分数；同时利用卡方距离得到匹配图像doch匹配分数；
61.s2:对纹理结构特征匹配分数和doch匹配分数分别设置互补权重，权重和为1；
62.s3:根据设定的步长将其中一个权重值从0遍历到1，另一个权重值也由权重和计算，每个权重值对应一个等误率值，取最小的权值作为最终权值。
63.doch特征和纹理结构特征的特征空间之间的关系是未知的，并且将两个特征向量直接串接得到的特征向量维数较高，而且会产生信息冗余。故分数级融合更为简单方便，使用不同的匹配方法获取不同特征的匹配分数，然后使用简单的分数级加权融合,可以消除特征之间的信息冗余。而且简单的分数级融合比特征级融合更能有效地突出融合结果的有效性。整体的减少了手指轴向旋转导致的位置偏差带来的影响，通过doch特征和纹理结构特征融合进一步减小手指轴向旋转带来的影响。
64.其中，其中所述皮尔森相似度的计算方法为：
65.假设两个带匹配图像按行展开后的向量为x，y，均指分别为μ，ν。协方差为cov(x＜,y)，标准方差为σ
x
，σy；
66.则相似度为：cov(x,y)＝e((x-ν)(y-μ))，
67.其中，所述步骤1中，指静脉图像通过透射成像进行获取，透射成像：采集过程中需将手指伸进装置内部，将手指进行全包裹。同时，在手指上方布置红外led阵列，下方则放置近红外摄像头，红外光束透射过手指后被红外摄像头采集，该方式中手指处于装置内部，不易受外部光照影响,成像质量好，静脉纹理清晰度高。
68.其中，所述步骤1中，对图像进行roi截取方法为：
69.s1:对采集到的手指静脉图像进行边缘检测，检测出手指的上下边缘，使用近红外摄像头采集到的反射式指静脉图像与透射式指静脉图像的手指区域均有着明显的边缘轮廓，采用特定的边缘检测掩模来检测手指的上下边缘。从手指中心区域经过上边缘到达背景区域的灰度值是由亮变为暗，而从手指区域经过下边缘到达背景区域的灰度值同样是由亮变为暗。从而从不同方向的掩模来进行边缘检测。
70.s2:将手指上下边缘的中心点进行拟合得出手指中位线，计算中位线与水平线之间的角度，根据角度将指静脉图像进行水平旋转校正；手指在静脉图像采集过程中处于无约束状态，会产生一定的手指水平旋转形变。为了减少水平旋转形变影响，在提取手指边缘后，根据检测出来的上下边缘确定图像的中心点集,然后使用最小二乘法对中心点集进行
拟合得到中位线，接着计算其中位线与水平线的夹角，根据夹角对指静脉原图进行水平旋转，达到水平旋转校正的目的。
71.s3:根据手指上下边缘中距中位线最近点的坐标，对指静脉图像进行水平截取；取上下边缘中距离中位线最近的边缘点作为基准点进行水平截取。
72.s4:根据指关节位置确定roi区域横向长度，得出roi区域；使用边缘检测方法获取手指上下边缘,将上下边缘的中点集进行拟合得到图像的中位线，然后进行水平旋转校正。在校正之后﹐利用手指上下边缘确定roi的内切线，进行横向截取。最后，根据指关节像素值与其余区域像素值之间存在明显差异的特点来确定指关节所在位置，从而进行垂直截取，获得最终的roi区域。
73.其中如图3所示，所述步骤3中，指形特征提取的方法为：
74.s1:将获取的图像宽度与质心边缘距离特征进行分块处理，转化为二值图像，获取其均值方差序列；
75.s2:将宽度和质心边缘距离的均值方差序列分别通过曼哈顿距离计算得到匹配分数；
76.s3:将两种分数进行加权求和得到最终的指形特征分数。
77.其中，所述步骤4中，特征匹配的方法的方法为：
78.s1:将所述步骤2中的doch匹配分数和纹理结构特征匹配分数进行归一化加权融合，获得指静脉匹配分数；
79.s2:将步骤3中获取的指形特征分数进行归一化；
80.s3:将指静脉分数与指形分数进行分级融合，得到最终的匹配分数。
81.其中，所述图像宽度与质心边缘距离特征获取方法为：
82.s1:根据所述二值图的轮廓边缘确定用于指形特征提取的手指区域m；
83.s2:在区域m内每一列获取一个宽度值，组成手指的宽度向量；
84.s3:测量质心与每一列的上下边缘点之间的距离得到质心上边缘距离下边缘距离，将二者串接构成质心边缘距离。宽度向量和质心边缘距离向量表达式为：w＝[w1,w2,
…
,wn]，ccd＝[ccdl1,ccdr1,ccdl2,
…
,ccdln,ccdrn],其中ccdl表示质心下边距离，ccdr表示质心上边距离，n为区域m内列的总数。
[0085]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0086]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。