專利名稱：基于特征值歸一化雙向加權(quán)的手指靜脈識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種生物特征身份識(shí)別技術(shù)，是一種手指靜脈特征身份認(rèn)證技術(shù)。

背景技術(shù)：
生物特征識(shí)別技術(shù)(Biometric Identification Technology)是指利用人體生物特征進(jìn)行身份認(rèn)證的一種技術(shù)。與傳統(tǒng)的方法不同在于，生物特征識(shí)別方法依據(jù)的是我們?nèi)梭w本身所擁有的個(gè)體特性。生物特征分為基于身體特征和基于行為特點(diǎn)兩類。身體特征包括指紋、掌型、眼睛(視網(wǎng)膜和虹膜視網(wǎng)膜)、人體氣味、臉形、皮膚毛孔、手的血管紋理和DNA等；行為特點(diǎn)包括簽名、語音、行走的步態(tài)、擊鍵的力度等。
目前較為成熟的生物特征識(shí)別系統(tǒng)絕大多數(shù)都是基于單模態(tài)的，在實(shí)際應(yīng)用中還存在一些問題，影響其使用的可靠性，對(duì)這些問題的解決，如僅僅從算法和采集設(shè)備上來進(jìn)行改進(jìn)，成本很高或者根本無法解決。
在眾多生物特征識(shí)別技術(shù)中，由于指紋識(shí)別具有很強(qiáng)的普遍性、唯一性、穩(wěn)定性、易用性等特點(diǎn)，受到廣泛的關(guān)注、研究和應(yīng)用。指紋識(shí)別技術(shù)是目前較為理想的身份確認(rèn)技術(shù)，實(shí)用程度很高，但在實(shí)際應(yīng)用中發(fā)現(xiàn)存在一些瓶頸問題 (1)由于手指有污物、過濕、過干，或指紋儀不清潔，或采集指紋的照相機(jī)聚焦不準(zhǔn)等原因，導(dǎo)致采集的指紋圖像不夠清晰，引起圖像質(zhì)量問題，直接影響指紋的識(shí)別精度和結(jié)果； (2)根據(jù)NIST(美國國家標(biāo)準(zhǔn)技術(shù)研究所)的報(bào)告指出，由于手指受傷(疤痕、磨損)，或手指爆皮大約有2％的人，不能提供好質(zhì)量的待驗(yàn)和注冊(cè)圖像，因此這些人就不能通過指紋來進(jìn)行識(shí)別。
(3)指紋采集過程中，手指按壓的扭轉(zhuǎn)和拉伸，按壓力度等因素會(huì)使指紋產(chǎn)生形變、旋轉(zhuǎn)，導(dǎo)致特征的描述缺乏恒定性，會(huì)使注冊(cè)的特征值的描述和驗(yàn)證時(shí)的特征值描述不同，這樣成功比對(duì)的可能性就會(huì)降低，這類情況在現(xiàn)實(shí)中是比較常見的。因此設(shè)計(jì)驗(yàn)證系統(tǒng)時(shí)，必須將這些因素考慮在內(nèi)，這樣系統(tǒng)的可靠性會(huì)變差和復(fù)雜度會(huì)增加，會(huì)增加拒識(shí)率。
(4)雖然很難竊取生物特征，但是這種可能性是存在的。目前已經(jīng)出現(xiàn)了利用硅樹脂制造的克隆指紋。
指紋識(shí)別方式還僅停留在觀察人的生物特征的“表象”上，安全系數(shù)較低。近年，出現(xiàn)了一種新的生物特征識(shí)別技術(shù)——靜脈識(shí)別。現(xiàn)在主要的研究有手背靜脈識(shí)別、手掌靜脈識(shí)別以及手指靜脈識(shí)別。同指紋一樣，靜脈也具有很強(qiáng)的普遍性和唯一性，而且具有指紋無法比擬的優(yōu)勢 (1)在獲取靜脈圖像時(shí)，可以利用透射光或者反射光兩種方式進(jìn)行獲取。這里我們采用透視光獲取手指靜脈圖像，因?yàn)樵摲ù┩甘种斧@取內(nèi)部靜脈圖像特征，這樣可以有效避免反射光獲取圖像時(shí)，因皮膚表面的皺紋、褶皺、粗糙、干裂或潮濕等造成的獲取精確圖像特征的障礙。
(2)對(duì)于指紋識(shí)別裝置而言，只要被識(shí)別對(duì)象的紋路符合識(shí)別規(guī)則，那么便被識(shí)別裝置判斷為正確，識(shí)別過程即告完成。因此被識(shí)別對(duì)象的可仿造程度很高，可以是貼有正確紋路的人造手指或真人手指，也可以是偽造好紋路的各種無生命載體。靜脈識(shí)別裝置的關(guān)鍵在于“活體識(shí)別”，也就是說被識(shí)別對(duì)象必須是活著的人，才能達(dá)到“可識(shí)別”的第一步。很難偽造或是手術(shù)改變。
(3)靜脈是身體內(nèi)部的血管特征，很難偽造或者是手術(shù)改變，是非接觸性的信息采集，手指無須與儀器接觸，不會(huì)造成采集界面的污染，沒有手指接觸設(shè)備時(shí)的不衛(wèi)生、及特征可能被復(fù)制所帶來的安全問題，并避免了被當(dāng)作審查對(duì)象的心理不適。
很明顯，手指靜脈識(shí)別克服了指紋識(shí)別等的諸多缺點(diǎn)，有著廣闊的應(yīng)用前景，因此手指靜脈識(shí)別是近幾年來生物認(rèn)證技術(shù)開辟的新領(lǐng)域。
手指靜脈識(shí)別研究最先始于日立公司，日立公司Information & Telecom研究小組針對(duì)手指靜脈認(rèn)證算法的作了較多的研究。2000年，日立公司工程師等首次提出手指靜脈用于個(gè)人身份的鑒定的方法。2004年，日立公司發(fā)表了NaotoMiura等幾位工程師關(guān)于提取手指靜脈特征的成果。2005年，日立公司成立了全球指靜脈識(shí)別技術(shù)推廣中心，開發(fā)內(nèi)容包括ATM、電腦、樓宇系統(tǒng)、汽車安全等等領(lǐng)域。據(jù)報(bào)道，在日本已有上萬家企業(yè)采用了手指靜脈識(shí)別技術(shù)的安全保密系統(tǒng)，東京各大銀行采用了ATM及柜臺(tái)身份認(rèn)證、保險(xiǎn)箱及電腦系統(tǒng)的登錄；目前，該技術(shù)已經(jīng)登陸我國。
在國內(nèi)關(guān)于手指靜脈的研究和資助的項(xiàng)目相對(duì)比較少。中國民航大學(xué)天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室楊金鋒博士獲得了國家自然科學(xué)基金資助，這是目前國內(nèi)手指靜脈識(shí)別技術(shù)研究領(lǐng)域第一項(xiàng)獲得國家自然科學(xué)基金資助的研究項(xiàng)目。哈爾濱工程大學(xué)模式識(shí)別與智能系統(tǒng)實(shí)驗(yàn)室的王科俊教授對(duì)手指靜脈識(shí)別進(jìn)行了研究，制作了采集設(shè)備和提出了相應(yīng)的手指靜脈提取和匹配方法。吉林大學(xué)張忠波等在指靜脈識(shí)別算法上也進(jìn)行了研究。另外還有其他一些學(xué)者進(jìn)行研究，文獻(xiàn)對(duì)手指靜脈采集裝置進(jìn)行了設(shè)計(jì)。不僅手指靜脈圖像預(yù)處理作了一些深入而細(xì)致的研究。也分別采用不用方法提取手指靜脈特征，均取得令人滿意的效果。


發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能提高手指靜脈的識(shí)別速度，識(shí)別率穩(wěn)定、而且高的基于特征值歸一化雙向加權(quán)的手指靜脈識(shí)別方法。
本發(fā)明的目的是這樣實(shí)現(xiàn)的 (1)通過圖像采集裝置進(jìn)行手指靜脈圖像的采集； (2)對(duì)采集的手指靜脈圖像進(jìn)行預(yù)處理，所述預(yù)處理包括彩色圖像進(jìn)行灰度化、手指區(qū)域提取、采用組合濾波器分別消除椒鹽噪聲和高斯噪聲、采用局部動(dòng)態(tài)閾值算法分割圖像并二值化、然后采用面積消除法去噪、按照手指輪廓標(biāo)記提取手指靜脈脈絡(luò)圖像，最后將圖像的大小標(biāo)準(zhǔn)化為統(tǒng)一的圖像； (3)通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征； (4)通過最近鄰分類器進(jìn)行匹配與識(shí)別。
所述通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征的方法為首先采用二維主成分分析方法，分別計(jì)算訓(xùn)練樣本A在行方向上和列方向上的特征值和對(duì)應(yīng)的特征向量組；其次將兩組特征值分別按從大到小排序，并計(jì)算特征值累積貢獻(xiàn)率，分別獲取行和列方向上的最優(yōu)維數(shù)d和t；然后按照最優(yōu)維數(shù)d和t，分別選擇其特征值所對(duì)應(yīng)的特征向量組，構(gòu)成行和列方向上的最佳投影矩陣X和BT；按照行和列方向上的特征值λ和λ′的大小，將X和BT分別按照行和列兩個(gè)方向上的進(jìn)行特征值歸一化加權(quán)處理，得到投影加權(quán)矩陣XW和BTW；最后將訓(xùn)練樣本和測試樣本分別在行和列方向上的加權(quán)矩陣XW和BTW進(jìn)行投影，獲得訓(xùn)練樣本和測試樣本的圖像特征矩陣CW＝BTWAXW。
行方向上特征向量組X的加權(quán)方法為 對(duì)于行方向通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征的方法中前d個(gè)最大的特征值λ1≥λ2≥...≥λd，采用累積特征值貢獻(xiàn)率方式，獲取行方向上滿足貢獻(xiàn)率為percet％的特征值λk作為其他所有特征值歸1化分母，其行方向上累積特征值貢獻(xiàn)率 特征值歸1化公式為λ*i＝λi/λk，i＝1，2，…，d 其特征向量組X的加權(quán)策略如下 其中diag(λ*1，λ*2，...，λ*d)為經(jīng)過歸1化的新特征值λ*1，λ*2，...，λ*d組成的對(duì)角陣，ω為加權(quán)因子； 大于1的特征值經(jīng)加權(quán)因子ω加權(quán)后，減小特征值，對(duì)于等于和小于1的特征值則沒有變化。
本發(fā)明提出的的手指靜脈識(shí)別方法，包括手指靜脈圖像獲取、圖像預(yù)處理、獲取尺寸標(biāo)準(zhǔn)化的手指靜脈脈絡(luò)圖像、特征提取、身份識(shí)別等步驟。
本發(fā)明的主要貢獻(xiàn)和特點(diǎn)在于(1)手指靜脈脈絡(luò)是隱藏在皮膚下面，只能通過紅外圖像采集裝置才能獲取手指靜脈圖像。(2)對(duì)采集的手指靜脈圖像進(jìn)行預(yù)處理，包括彩色圖像進(jìn)行灰度化、手指區(qū)域提取、采用組合濾波器分別消除椒鹽噪聲和高斯噪聲、采用局部動(dòng)態(tài)閾值算法分割圖像并二值化、然后采用面積消除法去噪、按照手指輪廓標(biāo)記提取手指靜脈圖像，最后將圖像的大小標(biāo)準(zhǔn)化為統(tǒng)一的圖像。通過預(yù)處理，可以有效的去除各種噪聲，以獲取準(zhǔn)確的手指靜脈脈絡(luò)圖像。(3)對(duì)尺寸標(biāo)準(zhǔn)化的脈絡(luò)圖像采取(2D)2PCA方法，并結(jié)合累積特征值貢獻(xiàn)率的分析，可以極大的降低特征矩陣的維數(shù)，進(jìn)而提高識(shí)別速度；而且在保留了手指靜脈結(jié)構(gòu)特征的同時(shí)，從而使得最終識(shí)別精度得到顯著提高。(4)基于行列兩個(gè)方向上的特征值的特性，對(duì)手指靜脈圖像特征矩陣進(jìn)行行列兩個(gè)方向上加權(quán)的方法，可以濾掉更多的冗余信息，從而獲得更加穩(wěn)定的識(shí)別率，從而明顯提高特征矩陣的維數(shù)對(duì)手指靜脈識(shí)別的魯棒性。



圖1手指靜脈識(shí)別算法的流程圖； 圖2手指靜脈圖像預(yù)處理，其中圖2(a)為原始圖像、圖2(b)為濾波、圖2(c)為分割、圖2(d)為去噪、圖2(e)為靜脈提取與歸一化； 圖3在2DPCA和(2D)2PCA方法下累積特征貢獻(xiàn)率與識(shí)別率關(guān)系圖； 圖4在(2D)2PCA和(OW2D)2PCA方法下累積特征貢獻(xiàn)率與識(shí)別率關(guān)系圖。

具體實(shí)施例方式 下面結(jié)合附圖舉例對(duì)本發(fā)明做更詳細(xì)地描述 1.手指靜脈紅外圖像的采集 選用的手指靜脈采集裝置的基本原理是利用近紅外線照射手指，并由圖像傳感器感應(yīng)手指透射過來的光線。其中的關(guān)鍵在于流到靜脈紅血球中的血紅蛋白因照射會(huì)失脫氧份，而這個(gè)還原的血紅蛋白對(duì)波長760nm附近的近紅外線會(huì)有吸收，本實(shí)施方式中采用的是850nm的紅外光源，導(dǎo)致靜脈部分的透射較少，在成像設(shè)備上就會(huì)產(chǎn)生靜脈圖案。所以，選用的手指靜脈采集器就是利用透射的近紅外線的強(qiáng)弱來凸現(xiàn)靜脈血管的。
2.手指靜脈圖像的預(yù)處理 為了提取手指靜脈脈絡(luò)，首先將原始手指靜脈圖像進(jìn)行灰度變換(如圖2(a))；通過判別連通區(qū)域面積的大小確定手指輪廓并標(biāo)記，去除漏光干擾區(qū)域；采用組合濾波器分別消除椒鹽噪聲和高斯噪聲(如圖2(b))；采用局部動(dòng)態(tài)閾值算法分割圖像并二值化(如圖2(c))，然后采用面積消除法去噪(如圖2(d))；按照手指輪廓標(biāo)記提取手指靜脈圖像，最后將圖像的大小歸一化為60×150的圖像(如圖2(e))。
3.行列相結(jié)合二維線性判別分析 3.1 2DPCA 設(shè)模式類別有w個(gè)，每類有樣本d個(gè)，訓(xùn)練樣本總數(shù)為M＝w×d，每個(gè)樣本大小為m×n的圖像Ak(k＝1，2，…，M)。
x是一個(gè)n維的列向量，考慮將圖像樣本矩陣A向方向?yàn)閤的空間上投影，y就是A到方向?yàn)閤的空間上的投影，y為一個(gè)m維的列向量，如下式表示 y＝Ax (1) 實(shí)際上，最重要的工作是選擇好x的方向，x方向的不同，將使圖像樣本投影后的可分離程度不同，從而直接影響到圖像識(shí)別的效果。因此，最主要的任務(wù)就是尋找最優(yōu)的投影向量x，使得所有樣本投影到x后，其投影樣本的總體散布矩陣達(dá)到最大。投影樣本的總體散布矩陣可以用投影特征向量的協(xié)方差矩陣的跡來表述。從這個(gè)觀點(diǎn)來看，可以采用下面的準(zhǔn)則 J(x)＝trace(Sx)(2) 其中，Sx表示訓(xùn)練樣本A到方向?yàn)閤空間上的投影后得到特征向量y的協(xié)方差，trace(Sx)表示Sx的跡。協(xié)方差矩陣Sx表示如下 Sx＝E[(y-Ey)(y-Ey)T]＝E{[Ax-E(Ax)][Ax-E(Ax)]T} (3) ＝E[xT(A-EA)T(A-EA)x] 由于矩陣的跡是一個(gè)數(shù)的性質(zhì)，可有 trace(Sx)＝xTE[(A-EA)T(A-EA)]x (4) 已知圖像矩陣的協(xié)方差矩陣為 其中

表示所有訓(xùn)練樣本的平均圖像。
因此，(2)式中準(zhǔn)則可表示成 J(x)＝trace(xTGx) (6) 最大化該準(zhǔn)則J(x)的物理意義是尋找到一個(gè)最優(yōu)投影軸x，這就意味著投影樣本的總體散布矩陣在圖像矩陣集合均投影到x上后被最大化了。這樣，最優(yōu)投影軸x也就是對(duì)應(yīng)于G的最大特征值的特征向量。一般情況下，只有一個(gè)最優(yōu)投影軸是遠(yuǎn)遠(yuǎn)不夠的，所以需要選取一組投影向量x1，x2，...，xd構(gòu)成二維最佳投影矩陣，使得J(x)取極大值。當(dāng)然，這組投影軸要滿足相互正交的約束條件，同時(shí)也要最大化準(zhǔn)則J(x)，也即 也就是說，使J(x)取極大值的前d(d＜n)個(gè)最大的特征值所對(duì)應(yīng)的相互正交特征向量組就是最佳投影矩陣，令X＝[x1，x2，…，xd]，則有 Y＝[y1，y2，…，yd]＝[Ax1，Ax2，…，Axd]AX (8) Y就是尺寸為m×n維圖像矩陣A在最佳投影矩陣X投影后得到的一個(gè)尺寸為m×d維投影特征矩陣。
3.2列方向2DPCA 上述2DPCA實(shí)際是圖像矩陣A尋找行方向上的最佳投影矩陣X，同理在列方向上也可以尋找一個(gè)最佳投影矩陣。
假設(shè)A′是一個(gè)尺寸為m×d的圖像，x′T是一個(gè)m維的行向量，將A′向方向?yàn)閤′T的空間上投影，得到一個(gè)d維行向量y′，如下式表示 y′＝x′TA′(9) 其圖像矩陣A′的協(xié)方差矩陣估計(jì)值G′ 最大化準(zhǔn)則為 J(x′T)＝trace(x′TG′x′) (11) 同樣，需要選取一組向量構(gòu)成最佳投影矩陣，使得J(x′T)取極大值，這組最佳投影軸為 也就是說，使J(x′T)取極大值的前t(t＜m)個(gè)最大的特征值所對(duì)應(yīng)的特征向量組就是最佳投影矩陣，令B＝[x′1，x′2，…，x′t]，則有 Y′＝[y′1，y′2，…，y′t]＝[x′1TA′，x′2TA′，…，x′tTA′]＝BTA′ (13) Y′就是尺寸為m×d維圖像矩陣A′在最佳投影矩陣BT投影后得到的一個(gè)尺寸為t×d維投影特征矩陣。
3.3行列方向相結(jié)合的2DPCA 行方向上的2DPCA和列方向上的2DPCA分別只在圖像的行方向和列方向上發(fā)揮作用。行2DPCA能從一組訓(xùn)練圖像中生成一個(gè)反應(yīng)圖像行之間信息的最優(yōu)矩陣X，相似地，列2DPCA也能生成一個(gè)反應(yīng)圖像列之間信息的最優(yōu)矩陣BT，然后將尺寸為m×n的矩陣A同時(shí)投影到X和BT上，產(chǎn)生一個(gè)大小為t×d的矩陣C C＝BTAX (14) 矩陣C稱為特征矩陣，當(dāng)把每幅圖像Ak投影到X和BT后，可以得到圖像的特征矩陣Ck(k＝1，2，...，M)。
4.特征值歸一的雙向加權(quán)(2D)2PCA 盡管(2D)2PCA算法雖然減少了圖像特征矩陣的維數(shù)，但(2D)2PCA仍然平等對(duì)待了每一維特征。然而不同的特征值所對(duì)應(yīng)的特征向量對(duì)識(shí)別的貢獻(xiàn)是不同的，大的特征值所對(duì)應(yīng)的特征向量對(duì)識(shí)別貢獻(xiàn)較大，因此，本文針對(duì)行列兩個(gè)方向上特征投影矩陣分別進(jìn)行加權(quán)，以突出不同特征值所對(duì)應(yīng)的特征向量對(duì)識(shí)別的貢獻(xiàn)，提出了行列兩個(gè)方向上的特征值歸1化并加權(quán)(2D)2PCA算法((OW2D)2PCA)。
對(duì)于行方向2DPCA算法中式(7)中前d個(gè)最大的特征值λ1≥λ2≥...≥λd，經(jīng)實(shí)驗(yàn)檢驗(yàn)，特征值λi均大于1，為實(shí)現(xiàn)本文加權(quán)策略，特采用累積特征值貢獻(xiàn)率方式，獲取行方向上滿足貢獻(xiàn)率為percet％的特征值λk作為其他所有特征值歸1化分母，其行方向上累積特征值貢獻(xiàn)率 特征值歸1化公式為 λ*i＝λi/λk，i＝1，2，…，d (16) 其特征向量組X的加權(quán)策略如下 其中diag(λ*1，λ*2，...，λ*d)為經(jīng)過歸1化的新特征值λ*1，λ*2，...，λ*d組成的對(duì)角陣，ω為加權(quán)因子。
當(dāng)λ≥1時(shí)，加權(quán)因子ω可以適當(dāng)?shù)販p小權(quán)值對(duì)特征向量的放大作用。λ＜1時(shí)由于權(quán)值將縮小特征向量的作用，因此在λ＜1的條件下，不對(duì)特征向量進(jìn)行加權(quán)。
同理針對(duì)列方向2DPCA算法中式(12)中前t個(gè)最大的特征值進(jìn)行歸1化處理，得到λ′1≥λ′2≥...≥λ′t，其特征向量組BT的加權(quán)策略如下 于是，式(14)可以重新表示為 CW＝(B×diag(λ′j))T×A×(X×diag(λ*i))＝BTWAXW (19) 其中i＝1，2，…，d；j＝1，2，…，t CW就是圖像矩陣A經(jīng)過行和列兩個(gè)方向上特征值歸1化并加權(quán)的(2D)2PCA后的圖像特征矩陣。
5.通過最近鄰分類器進(jìn)行識(shí)別 最近鄰分類器 其中，W＝(Aij)rcPrcQrc-ArcPrcQrc 如果

那么Y屬于C類. 6.實(shí)驗(yàn) 為了驗(yàn)證本方法的識(shí)別性能，通過自行研制的手指靜脈紅外圖像采集裝置，以手指(考慮使用者的方便，主要是采集每個(gè)人的食指和中指)為單位，一共采集132個(gè)手指的靜脈圖像，每個(gè)手指采集5次，一共采集了132×5＝660幅靜脈圖像，構(gòu)成手指靜脈數(shù)據(jù)庫。
選取每類中4幅圖像作為訓(xùn)練樣本，剩余1幅作為測試樣本，表1為PCA、2DPCA、(2D)2PCA幾種算法，在1:n識(shí)別模式下的執(zhí)行效率，從中可以最重要信息就是PCA的訓(xùn)練時(shí)間太長，竟然都超過6分鐘，要遠(yuǎn)遠(yuǎn)高于其他2種算法的訓(xùn)練時(shí)間。這主要是由于PCA算法將二維圖像矩陣展開為一維向量，而導(dǎo)致的計(jì)算中要處理的協(xié)方差矩陣的維數(shù)遠(yuǎn)高于二維矩陣的協(xié)方差矩陣，造成特征提取的時(shí)間過長。另外二維圖像數(shù)據(jù)運(yùn)算2DPCA和(2D)2PCA方法中，而采用(2D)2PCA的訓(xùn)練時(shí)間略低，因此采用(2D)2PCA方法可以提高識(shí)別速度。
表1.不同算法的識(shí)別時(shí)間 其次，將經(jīng)過圖像預(yù)處理并標(biāo)準(zhǔn)化手指靜脈圖像，按照一定比例降低分辨率，分別處理成圖像尺寸為80×200、60×150、50×125、40×100、20×50、10×25，在累積特征貢獻(xiàn)率為90％條件下，研究圖像分辨率對(duì)特征提取與識(shí)別的影響。選取每類中4幅圖像作為訓(xùn)練樣本，剩余1幅作為測試樣本，訓(xùn)練時(shí)間和測試時(shí)間均定義為一個(gè)樣本進(jìn)行數(shù)據(jù)處理的平均時(shí)間，得到1:n的識(shí)別模式下的識(shí)別率如表2所示。
表2.不同分辨率圖像的識(shí)別率
通過從表2可知，手指靜脈圖像一旦確定，隨著圖像尺寸逐漸變小，其相應(yīng)的圖像質(zhì)量也隨之逐漸變得越差，但訓(xùn)練出來的圖像特征矩陣的表征性并不一定隨之下降。因而，當(dāng)圖像大小分別為80×200、60×150、50×125和40×100的手指靜脈圖像識(shí)別率相差不多，但從識(shí)別率、識(shí)別時(shí)間和圖像質(zhì)量等幾方面因素進(jìn)行綜合考慮，選擇圖像大小為60×150作為后續(xù)研究對(duì)象。
為了不受某個(gè)特定的累積特征貢獻(xiàn)率對(duì)識(shí)別率的影響，基于2DPCA和(2D)2PCA兩種算法，針對(duì)上述兩種尺寸的圖像進(jìn)行對(duì)比研究。選擇累積特征貢獻(xiàn)率在30％～100％變化，選取每類中4幅圖像作為訓(xùn)練樣本，剩余1幅作為測試樣本，得到1:n的識(shí)別模式下的識(shí)別率如圖3所示，平均識(shí)別率如表3所示。
表3.不同算法的識(shí)別率 從圖3和表3中可以看出，(2D)2PCA的平均識(shí)別率略高于2DPCA，尤其當(dāng)累積特征貢獻(xiàn)率在50％～70％之間，(2D)2PCA算法的識(shí)別率比2DPCA平均高出2個(gè)百分點(diǎn)，但是當(dāng)累積特征貢獻(xiàn)率超過70％之后，(2D)2PCA算法的識(shí)別率不穩(wěn)定。
接下來，為研究加權(quán)對(duì)(OW2D)2PCA的影響，針對(duì)(OW2D)2PCA(歸一行列兩方向加權(quán))算法，在沒有加權(quán)值以及權(quán)值為0.05～1之間變化進(jìn)行對(duì)比研究。選擇累積特征貢獻(xiàn)率選擇80％，每類中4幅圖像作為訓(xùn)練樣本，剩余1幅作為測試樣本，得到1:n的識(shí)別模式下的識(shí)別率如表4所示。
表4權(quán)重與識(shí)別率關(guān)系 發(fā)現(xiàn)當(dāng)加權(quán)值在0.05時(shí)，識(shí)別率會(huì)落在波峰處，比沒有加權(quán)值的同類型算法高出2個(gè)多百分比。
為了進(jìn)一步了解加權(quán)值對(duì)(2D)2PCA的影響，選取權(quán)值ω＝0.05時(shí)，針對(duì)60×150尺寸圖像，研究累積特征貢獻(xiàn)率在30％～100％之間變化時(shí)對(duì)識(shí)別率的影響。選取每類中4幅圖像作為訓(xùn)練樣本，剩余1幅作為測試樣本，得到1:n的識(shí)別模式下的識(shí)別率如圖4所示，平均識(shí)別率如表4所示。
表5.權(quán)重值取0.05時(shí)2種算法的識(shí)別率 從圖4和表4可以看出，當(dāng)累積特征貢獻(xiàn)率較高(約超過70％)時(shí)，(OW2D)2PCA明顯取得更加穩(wěn)定，而且識(shí)別率高于(2D)2PCA。這說明(OW2D)2PCA對(duì)(2D)2PCA提取特征向量中的冗余信息有很強(qiáng)的抑制作用，(OW2D)2PCA整體平均識(shí)別率高于(2D)2PCA。
PCA是將圖像矩陣轉(zhuǎn)化為高維向量，導(dǎo)致計(jì)算量非常大，而2DPCA和(2D)2PCA直接基于圖像矩陣進(jìn)行PCA，從而越過將圖像矩陣轉(zhuǎn)化為向量的過程。這樣，在取得效率的同時(shí)，避免了高維數(shù)帶來的運(yùn)算困難。其中2DPCA僅在行方向上進(jìn)行特征提取的問題，特征提取不全面。(2D)2PCA以從行列兩個(gè)方向上降低圖像特征的矩陣維數(shù)，使得識(shí)別速度進(jìn)一步加快。然而(2D)2PCA提取特征向量中存在大量冗余信息，對(duì)識(shí)別率影響很大，如果不能很好的選擇降維比例，識(shí)別率不僅不高，而且不穩(wěn)定。
因此本發(fā)明采用行列兩個(gè)方向上的特征值歸一化加權(quán)的二維主成分分析(OW2D)2PCA的處理方法，不僅可以很容易確定(2D)2PCA的降維比例，從而提高識(shí)別速度，而且使得識(shí)別率高、而且穩(wěn)定。
權(quán)利要求
1.一種基于特征值歸一化雙向加權(quán)的手指靜脈識(shí)別方法，其特征是
(1)通過圖像采集裝置進(jìn)行手指靜脈圖像的采集；
(2)對(duì)采集的手指靜脈圖像進(jìn)行預(yù)處理，所述預(yù)處理包括彩色圖像進(jìn)行灰度化、手指區(qū)域提取、采用組合濾波器分別消除椒鹽噪聲和高斯噪聲、采用局部動(dòng)態(tài)閾值算法分割圖像并二值化、然后采用面積消除法去噪、按照手指輪廓標(biāo)記提取手指靜脈脈絡(luò)圖像，最后將圖像的大小標(biāo)準(zhǔn)化為統(tǒng)一的圖像；
(3)通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征；
(4)通過最近鄰分類器進(jìn)行匹配與識(shí)別。
2.根據(jù)權(quán)利要求1所述的基于特征值歸一化雙向加權(quán)的手指靜脈識(shí)別方法，其特征是所述通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征的方法為首先采用二維主成分分析方法，分別計(jì)算訓(xùn)練樣本A在行方向上和列方向上的特征值和對(duì)應(yīng)的特征向量組；其次將兩組特征值分別按從大到小排序，并計(jì)算特征值累積貢獻(xiàn)率，分別獲取行和列方向上的最優(yōu)維數(shù)d和t；然后按照最優(yōu)維數(shù)d和t，分別選擇其特征值所對(duì)應(yīng)的特征向量組，構(gòu)成行和列方向上的最佳投影矩陣X和BT；按照行和列方向上的特征值λ和λ′的大小，將X和BT分別按照行和列兩個(gè)方向上的進(jìn)行特征值歸一化加權(quán)處理，得到投影加權(quán)矩陣XW和BTW；最后將訓(xùn)練樣本和測試樣本分別在行和列方向上的加權(quán)矩陣XW和BTW進(jìn)行投影，獲得訓(xùn)練樣本和測試樣本的圖像特征矩陣CW＝BTWAXW。
3.根據(jù)權(quán)利要求2所述的基于特征值歸一化雙向加權(quán)的手指靜脈識(shí)別方法，其特征是行方向上特征向量組X的加權(quán)方法為對(duì)于行方向通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征的方法中前d個(gè)最大的特征值λ1≥λ2≥...≥λd，采用累積特征值貢獻(xiàn)率方式，獲取行方向上滿足貢獻(xiàn)率為percet％的特征值λk作為其他所有特征值歸1化分母，其行方向上累積特征值貢獻(xiàn)率
特征值歸1化公式為λ*i＝λi/λk，i＝1，2，…，d
其特征向量組X的加權(quán)策略如下
其中diag(λ*1，λ*2，...，λ*d)為經(jīng)過歸1化的新特征值λ*1，λ*2，..，λ*d組成的對(duì)角陣，ω為加權(quán)因子；
大于1的特征值經(jīng)加權(quán)因子ω加權(quán)后，減小特征值，對(duì)于等于和小于1的特征值則沒有變化。
全文摘要
本發(fā)明提供的是基于特征值歸一化雙向加權(quán)的手指靜脈識(shí)別方法。(1)通過圖像采集裝置進(jìn)行手指靜脈圖像的采集；(2)對(duì)采集的手指靜脈圖像進(jìn)行預(yù)處理，所述預(yù)處理包括彩色圖像進(jìn)行灰度化、手指區(qū)域提取、采用組合濾波器分別消除椒鹽噪聲和高斯噪聲、采用局部動(dòng)態(tài)閾值算法分割圖像并二值化、然后采用面積消除法去噪、按照手指輪廓標(biāo)記提取手指靜脈脈絡(luò)圖像，最后將圖像的大小標(biāo)準(zhǔn)化為統(tǒng)一的圖像；(3)通過在行列兩個(gè)方向上都加權(quán)的二維主成分分析算法提取手指靜脈特征；(4)通過最近鄰分類器進(jìn)行匹配與識(shí)別。本發(fā)明用于手指靜脈身份識(shí)別系統(tǒng)。明顯地提高手指靜脈的識(shí)別速度，識(shí)別率穩(wěn)定、而且高。
文檔編號(hào)G06K9/46GK101789075SQ20101010095
公開日2010年7月28日 申請(qǐng)日期2010年1月26日 優(yōu)先權(quán)日2010年1月26日
發(fā)明者管鳳旭, 王科俊, 馮偉興, 吳秋雨, 劉靖宇, 馬慧 申請(qǐng)人:哈爾濱工程大學(xué)