手指静脉特征提取与匹配识别方法

摘要

本发明提供的是一种手指静脉特征提取与匹配识别方法。包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；特征提取的方法为：对手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取；识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。本发明可减少手指静脉识别中高维图像矩阵的计算量，可以明显地提高手指静脉的识别速度，识别率稳定、而且高。

主权项

1.一种手指静脉特征提取与匹配识别方法，包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；其特征是：所述特征提取的方法为：对经过预处理手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取；所述识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别；所述对经过预处理手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取的具体方法为：(1)训练样本图像分块；将经过图像预处理后的训练图像A，分成若干行为m＝1，2，…，p；列为n＝1，2，…，q的子块A_mn，将所有相同位置的子块构成不同子块集合A_i其中i＝1，2，…，p×q；(2)求训练样本子块投影矩阵；按照准则J(x)＝trace(x^TGx)和J(x′^T)＝trace(x′^TG′x′)分别求取每个子块集合的行和列方向上的投影矩阵X和B^T；(3)求加权投影矩阵；将每个子块集合的行和列方向上的投影矩阵X和B^T进行加权处理，加权策略如下：$\left\{\begin{array}{c}Z={B_W}^T{\mathrm{AX}}_W\\ X_W=X\times \mathrm{diag}({{\lambda }^{*}}_1,{{\lambda }^{*}}_2,...,{{\lambda }^{*}}_d)\\ B_W=B\times \mathrm{diag}({{\lambda }^{*}}_1,{{\lambda }^{*}}_2,...,{{\lambda }^{*}}_t)\\ {\lambda }^{*}=\left\{\begin{array}{cc}{\lambda }^{\prime }& {\lambda }^{\prime }\le {\lambda }_{\alpha }\\ {\lambda }^{\prime \omega }& {\lambda }^{\prime }>{\lambda }_{\alpha }\\ 0<\omega <1& \end{array}\right.\end{array}\right.$其中ω为加权因子；λ_α为行方向或列方向上的分隔值，分别是行方向或列方向的位置α所对应的特征值，α获取方式按累积特征值贡献率式λ′为行方向或列方向的归一化特征值、为0～1之间的值，特征值归一化公式为：λ′_i＝(λ_i-λ_min)/(λ_max-λ_min)，i＝1，2，…，t，…，d其中λ_max和λ_min分别为行方向或列方向上的最大特征值和最小特征值；(4)求训练样本子块特征矩阵；对每个训练图像的子块图像集进行特征提取，其特征矩阵为：Z_ki＝B_iW^TA_kiX_iW其中A_ki表示第k个训练样本中第i个子块图像，k＝1，2，…，M、i＝1，2,…，p×q；X_iW和B_iW^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵；将训练样本中每个子块的特征矩阵保存到手指静脉特征数据库中；(5)求待测样本子块特征矩阵；按照训练样本分块模式，将待测样本分块，求取其每个子块的特征矩阵Z′_i＝B_iW^TA′_i X_iW其中A′_i表示第i个子块图像，i＝1，2，…，p×q；X_iW和B_iW^T为第i个子图像集所求的行、列方向上的经过特征值加权的最优投影矩阵；将获取到的待测样本每个子块的特征矩阵保存，准备与数据库中的特征数据进行比较。