一种基于舌下区域图像的身份识别方法

1.本发明涉及人工智能技术领域，尤其涉及一种基于舌下区域图像的身份识别方法。


背景技术：

2.人体舌下区域位于舌头的下半面，包括了舌片、舌下静脉、繖皱襞等部位，囊括并表达了丰富的身份判别信息(例如，舌下静脉的颜色，舌片的纹理信息等一系列表征或隐表示信息)。因此，针对舌下区域状况，可以基于人工智能和计算机视觉技术作出个人身份的推断。因为舌下区域所在的位置特殊，丰富的识别很难受到破坏与伤害，所以舌下区域图像可以作为一种识别个人身份信息的重要标识，并在个人身份信息识别、安全领域具有广阔的应用前景。然而，目前没有专注于使用舌下区域的技术来进行精准个人身份信息的识别方法。


技术实现要素：

3.针对现有技术中所存在的不足，本发明提供了一种基于舌下区域图像的身份识别方法，以舌下图像为主体对象，结合人工智能与特征提取等前沿方法，可用于较高精度的个人身份信息识别等安全应用领域。
4.本发明的上述技术目的是通过以下技术方案得以实现的：
5.一种基于舌下区域图像的身份识别方法，包括模型训练阶段和实施判别阶段；
6.其中，模型训练阶段包括以下步骤：
7.步骤1，训练舌下关键区域提取模型
8.步骤2，使用舌下关键区域提取模型提取舌下图像中的舌下关键区域；
9.步骤3，基于舌下关键区域进行多特征表示；
10.步骤4，使用多特征表示训练数据训练判别模型
11.其中，实施判别阶段包括以下步骤：
12.步骤a,使用视觉采集设备采集待判别的舌下图像
13.步骤b，使用舌下关键区域提取模型从获取舌下关键区域
14.步骤c，对舌下关键区域进行多特征表示；
15.步骤d，使用判别模型进行预测判断。
16.本发明进一步设置为：步骤1中，(1)使用视觉采集设备采集c个组别的n个舌下图像组成训练集(2)将训练集切分为舌下全域图像训练集切分为舌下全域图像训练集与舌下关键区域训练集(3)对部分舌下关键区域训练集进行标注获得标注集(4)将训练集与标注集输入yolov5x框架进行端到端训练，获得舌下关键区域提取模型
17.本发明进一步设置为：步骤2中，将输入舌下关键区域提取模型获得关键区域特征训练集
18.本发明进一步设置为：步骤3中，针对舌下关键区域训练集，提取以下四种特征：色彩特征、纹理特征、几何特征和潜表示特征。
19.本发明进一步设置为：对色彩特征进行提取时：(1)针对中的每一个图像，提取三个通道的颜色直方图hr，hg，hb；(2)针对中的每一个图像，分别提取一阶色矩、二阶色矩以及三阶色矩：
[0020][0021][0022][0023]
其中，n代表像素数量，m
1，ch
、m
2，ch
、m
3，ch
分别为ch通道上的一阶色矩、二阶色矩和三阶色矩，pi代表第i个像素；(3)拼接颜色直方图以及一阶、二阶、以及三阶色矩：
[0024]
fci＝[hr，hg，hb，...
[0025]m1，r
，m
1，g
，m
1，b
，...
[0026]m2，r
，m
2，g
，m
2，b
，...
[0027]m3，r
，m
3，g
，m
3，b
]；
[0028]
对纹理特征进行提取时：针对中的每一个图像，提取两种特征：lbp特征和gabor特征；
[0029]
(1)特征f
lbp
：
[0030][0031][0032][0033]
其中，δ(
·
,
·
)函数如下表述：
[0034][0035]
(2)特征f
gabor
通过定义以下gabor滤波器获得：
[0036]
[0037]
其中，θ＝{0
°
,22.5
°
,45
°
,
…
,180
°
}，
[0038]
合并lbp特征和gabor特征组成纹理特征ft＝[f
lbp
,f
gabor
]；
[0039]
对几何特征进行提取时：几何特征由舌下关键区域图像的长度(l)、宽度(w)、长宽比(lwr)、面积(a)、中心距离(ζ)、圆形面积(α)、圆面积比(ρ)、方形面积(φ)和方形面积比(β)组成；其中，
[0040]
l＝nrow(b)
[0041]
w＝neol(n)
[0042][0043]
a＝l
×w[0044][0045]
α＝πζ2[0046][0047]
φ＝4ζ4[0048][0049]
此时，几何特征fg＝[l,w,lwr,a,ζ,α,ρ,φ,β]。
[0050]
对潜表示特征进行提取时：将舌下关键区域图像输入深度自编码器
[0051]
最终多特征表示为fi＝[fci,fti,fgi,fli]。
[0052]
本发明进一步设置为：步骤4中，先根据步骤3中的对舌下关键区域训练集中所有的图像提取不同特征，准备舌下关键区域特征训练集然后选择基分类器最后根据舌下关键区域特征训练集f
tr
与基分类器训练判别模型
[0053]
本发明进一步设置为：步骤c中，
[0054]
本发明进一步设置为：步骤d中，
[0055]
本发明具有以下优点：
[0056]
本技术可以直接利用人体舌下图像进行人体身份信息识别或作为一种辅助判别技术。本技术将所包含的舌下关键区域获取、特征提取、判别分析等过程进行自动化，并可以达到较为准确的判别效果。由于本技术是针对舌下的图像分析方法，可以将舌下部分包含的丰富的关键判别信息考虑在内，保证自动化判别的效果。
附图说明
[0057]
图1为舌下静脉关键区域示意图；
[0058]
图2为模型训练阶段流程图；
[0059]
图3为实时判别阶段流程图。
具体实施方式
[0060]
下面结合附图及实施例对本发明中的技术方案进一步说明。
[0061]
一种基于舌下区域图像的身份识别方法，包括：
[0062]
阶段一、模型训练阶段：
[0063]
步骤1，训练舌下关键区域提取模型
[0064]
(1)使用视觉采集设备采集c个组别的n个舌下图像组成训练集
[0065]
(2)将训练集切分为舌下全域图像训练集与舌下关键区域训练集
[0066]
(3)对部分患者舌下静脉关键区域(如下图1所示)进行标注获得标注集
[0067]
(4)将训练集与标注集输入yolov5x框架进行端到端训练，获得舌下关键区域提取模型
[0068]
步骤2，(两步法之一)使用模型提取舌下图像中的舌下关键区域：将输入舌下关键区域提取模型获得关键区域特征训练集
[0069]
步骤3，(两步法之二)基于舌下关键区域的多特征表示：针对舌下关键区域训练集，提取以下四种特征：
[0070]
色彩特征：色彩特征是指示舌下静脉判别信息的重要特征。
[0071]
(1)针对中的每一个图像，提取三个通道的颜色直方图hr，hg，hb。
[0072]
(2)针对中的每一个图像，分别提取一阶色矩、二阶色矩、以及三阶色矩：
[0073][0074][0075][0076]
n代表像素数量，m
1，ch
分别为ch通道上的一阶色矩、二阶色矩、和三阶色矩，pi代表第i个像素。
[0077]
(3)拼接颜色直方图以及一阶、二阶、以及三阶色矩：
[0078]
fci＝[hr，hg，hb，...
[0079]m1，r
，m
1，g
，m
1，b
，...
[0080]m2，r
，m
2，g
，m
2，b
，...
[0081]m3，r
，m
3，g
，m
3，b
]
[0082]
纹理特征：针对中的每一个图像，提取两种纹理特征：
[0083]
(1)lbp特征f
lbp
：
[0084][0085]
δ(t
i，j-1
，t
i，j
)，δ(t
i，j 1
，t
i，j
)，δ(t
i 1，j-1
，t
i，j
)，
[0086]
δ(t
i 1，j
，t
i，j
)，δ(t
i 1，j 1
，t
i，j
)]
[0087]
其中，δ(
·
，
·
)函数如下表述：
[0088][0089]
(2)gabor特征：gabor特征由gabor滤波器对舌下关键区域图像进行卷积运算f
gabor
：
[0090][0091]
其中，θ＝{0
°
，22.5
°
，45
°
，...，180
°
}，
[0092]
然后合并lbp特征和gabor特征组成纹理特征ft：
[0093]
ft＝[f
lbp，fgabor
]
[0094]
几何特征：几何特征由舌下关键区域图像的长度(l)、宽度(w)、长宽比(lwr)、面积(a)、中心距离(ζ)、圆形面积(α)、圆面积比(ρ)、方形面积(φ)、方形面积比(β)，共9种特征组合而成。9种特征描述如下：
[0095]
l＝nrow(b)
[0096]
w＝ncol(n)
[0097][0098]
a＝l
×w[0099][0100]
α＝πζ2[0101][0102]
φ＝4ζ4[0103][0104]
最终，几何特征fg＝[l，w，lwr，a，ζ，α，ρ，φ，β]。
[0105]
潜表示特征：将舌下关键区域图像输入深度自编码器
[0106]
进行多特征表示fi＝[fci，fti，fgi，fli]；
[0107]
步骤4，使用多特征表示训练数据训练判别模型
[0108]
(1)根据步骤3对舌下关键区域训练集中所有的图像提取不同特征，准备舌下关键
[0109]
区域特征训练集f
tr
：
[0110][0111]
(2)选择基分类器
[0112]
(3)根据舌下关键区域特征训练集f
tr
与基分类器训练判别模型
[0113][0114]
阶段二、实时判别阶段：
[0115]
步骤a，使用视觉采集设备采集待判别的舌下图像
[0116]
步骤b,使用舌下关键区域提取模型从获取舌下关键区域
[0117]
步骤c，对舌下关键区域进行多特征表示
[0118][0119]
步骤d，使用判别模型进行预测判断：
[0120][0121]
本技术可以直接利用人体舌下图像进行人体身份信息识别或作为一种辅助判别技术。本技术将所包含的舌下关键区域获取、特征提取、判别分析等过程进行自动化，并可以达到较为准确的判别效果。由于本技术是针对舌下的图像分析方法，可以将舌下部分包含的丰富的关键判别信息考虑在内，保证自动化判别的效果。
[0122]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。