基于特征值归一化双向加权的手指静脉识别方法

摘要

本发明提供的是基于特征值归一化双向加权的手指静脉识别方法。(1)通过图像采集装置进行手指静脉图像的采集；(2)对采集的手指静脉图像进行预处理，所述预处理包括：彩色图像进行灰度化、手指区域提取、采用组合滤波器分别消除椒盐噪声和高斯噪声、采用局部动态阈值算法分割图像并二值化、然后采用面积消除法去噪、按照手指轮廓标记提取手指静脉脉络图像，最后将图像的大小标准化为统一的图像；(3)通过在行列两个方向上都加权的二维主成分分析算法提取手指静脉特征；(4)通过最近邻分类器进行匹配与识别。本发明用于手指静脉身份识别系统。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

一种基于特征值归一化双向加权的手指静脉识别方法，其特征是：(1)通过图像采集装置进行手指静脉图像的采集；(2)对采集的手指静脉图像进行预处理，所述预处理包括：彩色图像进行灰度化、手指区域提取、采用组合滤波器分别消除椒盐噪声和高斯噪声、采用局部动态阈值算法分割图像并二值化，然后采用面积消除法去噪、按照手指轮廓标记提取手指静脉脉络图像，最后将图像的大小标准化为统一的图像；(3)通过在行列两个方向上都加权的二维主成分分析算法提取手指静脉特征，具体为：首先采用二维主成分分析方法，计算得到训练样本A(m×n)在行方向上特征值λi，i＝1，2，…，n和对应的特征向量组，将特征值从大到小排序，并计算特征值累积贡献率 Σ k = 1 d λ k Σ i = 1 n λ i ≥ percet % 获取行方向上的最优维数d，最优维数d所对应的特征值是指前d个最大的特征值λ1≥λ2≥...≥λd，然后按照最优维数d，选择其特征值所对应的特征向量组，构成行方向上的最佳投影矩阵X；其次行方向上的最佳投影矩阵X经加权处理后变为XW的加权方法为：将行方向的n个特征值，按从大到小排列，采用累积特征值贡献率方式，获取行方向上满足贡献率为percet％的特征值λk，并将特征值λk作为其他所有特征值归1化分母；特征值归1化公式为：λ*i＝λi/λk，i＝1，2，…，d其最佳投影矩阵X的加权策略如下： X W = X × diag ( λ * 1 , λ * 2 , . . . , λ * d ) λ * i = λ * i λ * i < 1 λ * i ω λ * i ≥ 1 i = 1,2 , · · · , d , 0 < ω < 1 其中：当λ*i＜1时，λ*i＝λ*i不变，即不加权；当λ*i≥1时，λ*i＝λ*iω，ω为加权因子；最终diag(λ*1，λ*2，...，λ*d)是由经加权规则计算后新特征值λ*1，λ*2，...，λ*d组成的对角阵；大于等于1的特征值经加权因子ω加权后，减小特征值，对于小于1的特征值则没有变化；同理，采用二维主成分分析方法，按照获取行方向上最佳投影矩阵的方法，也可以获得列方向上的最优维数t，以及列方向上的最佳投影矩阵BT；列方向上的最佳投影矩阵BT经加权处理后变为BTW的加权方法与行方向的加权方法相同；最后将训练样本A向行方向加权矩阵XW和列方向加权矩阵BTW进行投影，得到图像特征矩阵CW＝BTWAXW，这时CW就是训练样本A经过行和列两个方向上特征值归1化并加权的二维主成分分析的图像特征矩阵；(4)通过最近邻分类器进行匹配与识别。