一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法

摘要

本发明提出的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，属于计算机视觉中的智能监控技术领域，包括步骤一：图像采集和图像预处理；步骤二：提取结构编码特征；步骤三：提取手背静脉纹理编码特征；步骤四：结构编码特征与纹理编码特征进行融合；步骤五：通过分类器识别，得到结果。本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，对提取的结构特征和纹理特征进行了二值化编码，有利于特征融合中信息的保留；融合特征所得到的结果远远优于仅使用结构编码特征的识别结果和使用纹理编码特征的识别结果，对图像畸变及误分割的鲁棒性很高，可以在存在一定图像畸变以及误分割的情况下正确识别手背静脉。

主权项

1.一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，其特征在于：包括以下几个步骤：步骤一：图像采集和图像预处理；通过图像采集设备采集手背静脉图像，采用质心自适应方法提取手背静脉图像上的手背区域，并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法，完成对提取的手背区域的手背静脉图像的预处理，得到预处理的手背区域图像；步骤二：提取结构编码特征；(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化，得到二值图像；(2)在二值图像上进行形态学滤波和细化，得到骨架化的手背静脉图像；(3)从骨架化的手背静脉图像上，采用领域信息的方法提取得到M个交叉点C_i(x_ci，y_ci)及K个端点E_j(x_ej，y_ej)，其中(x_ci，y_ci)，(x_ej，y_ej)分别表示交叉点C_i以及端点E_j的直角坐标；以图像中心O为原点建立极坐标系，得到交叉点及端点的极坐标信息分别为C_i(r_ci，θ_ci)、E_j(r_ej，θ_ej)，其中(r_ci，θ_ci)，(r_ej，θ_ej)分别表示交叉点C_i以及端点E_j的极坐标，对这M+K个关键点按θ进行排序，得到点集P：P＝[C₁，C₂，…，C_M，E₁，E₂，…，E_K]θ_ci-1≤θ_ci≤θ_ci+1；θ_ej-1≤θ_ej≤θ_ej+1                                                                                ； ＝[p₁，p₂，…，p_M+K]  p_i(r_i，θ_i)其中C₁，C₂，…，C_M表示第1至M个交叉点，E₁，E₂，…，E_K表示第1至K个端点，θ_ci、θ_ej分别表示交叉点C_i以及端点E_j的极坐标中的极角，p₁，p₂，…，p_M+K表示排序后的M+K个交叉点及端点；p_i(r_i，θ_i)中，(r_i，θ_i)表示关键点p_i的极坐标；获取点积P中任意两点p_u、p_v之间的距离：$d_{\mathrm{uv}}=\sqrt{{r_u}^2+r_v^2-2\times r_u\times r_v\times \cos ({\theta }_u-{\theta }_v)}$u，v＝1，2，…，M+K，u≠v其中(r_u，θ_u)，(r_v，θ_v)分别表示关键点p_u、p_v的极坐标；将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接，形成结构特征向量S：$S=\left[\begin{array}{cccccccc}{r}_1& r_2& ...& r_{M+K}& d_{12}& d_{13}& ...& d_{(M+K-1)(M+K)}\end{array}\right]$$=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right],N_S=\frac{(M+K)(M+K+1)}{2};$其中r₁，r₂…r_M+K表示排序后的M+K个关键点的极坐标中的极径，d_uv，u≠v，表示p_u、p_v之间的距离，s₁ s₂…表示结构特征S中的元素；(4)对得到的结构特征$S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right],$$N_S=\frac{(M+K)(M+K+1)}{2}$进行二值化编码：查找结构特征向量S中所有元素的最大值M_S，i＝1，2，...，N_S；设定阈值T＝αM_S，其中α表示阈值系数；对结构特征向量S进行二值化编码，得到编码后的结构特征向量V_S：$V_S=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_S}\end{array}\right];$其中${\mathrm{cs}}_i=\left\{\begin{array}{cc}0& s_i\le T\\ 1& s_i>T\end{array}\right.;$i＝1，2，...，N_S；其中cs₁ cs₂…表示结构编码特征V_s的元素，s_i表示结构特征S中的对应元素；步骤三：提取手背静脉纹理编码特征；从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征；(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸；(2)将归一化后的手背区域平均分成N个子块，从每个子块中分别提取旋转不变一致性模式的LBP特征H₁，H₂，...，H_N，再将所有子块提取的LBP特征按照下式连接起来，形成1×N_H，N_H＝10N，维的纹理特征向量H：$H=\left[\begin{array}{cccc}{H}_1& H_2& ...& H_N\end{array}\right]$$=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$其中H₁ H₂…H_N表示N个子块的旋转不变一致性模式的LBP特征；h₁  h₂…表示纹理特征H的元素；(3)对纹理特征向量H进行二值化编码：查找特征向量H中所有元素的最大值M_H：$M_H=\underset{i}{\max }\left\{h_i\right\}$i＝1，2，...，N_H设定阈值T′＝αM_H，α表示阈值系数；对纹理特征向量$H=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$进行二值化编码，得到编码后的纹理特征向量$V_H=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_H}\end{array}\right]:$${\mathrm{ch}}_i=\left\{\begin{array}{cc}0& h_i\le T^{\prime }\\ 1& h_i>T^{\prime }\end{array}\right.,$i＝1，2，...，N_H；其中ch₁ ch₂…表示纹理编码特征V_H中的元素；h_i表示纹理特征H中的对应元素；步骤四：结构编码特征与纹理编码特征进行融合；(1)将二值化编码后的结构特征向量V_S的维数N_S和二值化编码后的纹理编码特征V_H的维数N_H进行归一化，归一化后特征维数N_F为N_F＝N_HN_F是归一化后特征维数，与二值化编码后的纹理编码特征的维数N_H相同；如果二值化编码后的结构特征向量V_S的维数N_S小于归一化后特征维数N_F，在二值化编码后的结构特征向量V_S后面补充N_F-N_S个0；如果二值化编码后的结构特征向量V_S的维数大于等于归一化特征维数N_F，则截取V_S的前N_F个维特征，得到归一化后的结构编码特征V′_S和纹理编码特征V′_H分别为：$V_s^{\prime }=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_F}\end{array}\right],$cs_i＝0，1$V_H^{\prime }=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_F}\end{array}\right],$ch_i＝0，1(2)对归一化后的结构编码特征V′_S和纹理编码特征V′_H进行按位异或，得到融合特征V：$V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$$v_i={\mathrm{cs}}_i\oplus {\mathrm{ch}}_i$其中v₁，v₂…表示融合特征V中的元素cs_i，ch_i分别表示归一化后的结构编码特征和纹理编码特征的元素；为异或运算，$1\oplus 1=0,$$0\oplus 0=0,$$1\oplus 0=1,$$0\oplus 1=1;$步骤五：通过分类器识别，得到结果；(1)使用步骤一至步骤四的方法提取测试样本融合特征$V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$与训练样本的融合特征$V^{\prime }=\left[\begin{array}{cccc}{v}_1^{\prime }& v_2^{\prime }& ...& v_{N_F}^{\prime }\end{array}\right];$(2)获取测试样本融合特征$V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$与训练样本的融合特征$V^{\prime }=\left[\begin{array}{cccc}{v_1}^{\prime }& {v_2}^{\prime }& ...& {v_{N_F}}^{\prime }\end{array}\right]$的距离Dis：$\mathrm{Dis}=\left|\right|V-V^{\prime }\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\Sigma }}{(v_i-v_i^{\prime })}^2}$(3)使用最近邻分类器进行分类，得到识别结果：设训练样本共有L类，其融合特征为$V_t^{\prime }=\left[\begin{array}{cccc}{v}_{t1}^{\prime }& v_{t2}^{\prime }& ...& v_{t{N}_F}^{\prime }\end{array}\right],$t＝1，2，…，L；对于测试样本A，其融合特征为$V_A=\left[\begin{array}{cccc}{v}_{A1}& v_{A2}& ...& v_{{\mathrm{AN}}_F}\end{array}\right],$计算测试样本A的融合特征V_A与训练样本的融合特征V′_t(t＝1，2，…，L)之间的距离Dis_t(t＝1，2，…，L)：$\mathrm{Di}{s}_t=\left|\right|V_A-V_t^{\prime }\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\Sigma }}{(v_{\mathrm{Ai}}-v_{\mathrm{ti}}^{\prime })}^2},$t＝1，2，…，L$t^{*}=\underset{t=1}{\overset{L}{\min }}\left\{{\mathrm{Dis}}_t\right\}$测试样本A融合特征V_A与第t^*类测试样本的融合特征距离最小，则测试样本A被识别为第t^*类。