專利名稱：手指靜脈特征提取與匹配識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種生物特征身份識別技術(shù)，特別是一種手指靜脈特征身份認證技術(shù)。
背景技術(shù)：
隨著信息化時代的到來，信息的安全性與保密性引起了人們普遍的高度重視。人體豐富的生理特征，使得生物特征識別技術(shù)成為身份認證領(lǐng)域的一項重要手段。
生物特征識別技術(shù)(Biometric Identification Technology)是指利用人體生物特征進行身份認證的一種技術(shù)。與傳統(tǒng)的方法不同在于，生物特征識別方法的依據(jù)是我們?nèi)梭w本身所擁有的東西，是我們的個體特性。事實上，任何生理上的特征都可以用來進行識別。生物特征分為基于身體特征和基于行為特點兩類。身體特征包括指紋、掌型、眼睛(視網(wǎng)膜和虹膜)、人體氣味、臉形、皮膚毛孔、手腕/手的血管紋理和DNA等；行為特點包括簽名、語音、行走的步態(tài)、擊鍵的力度等。
指紋是目前用得最廣的生物認證方式，但是卻存在一定的隱憂。其最大的隱憂就是容易復(fù)制造假，因為指紋是身體外層的特征，不法分子容易取得指紋的印跡。另外，指紋識別系統(tǒng)是采用光學(xué)玻璃或塑料棱鏡讀取指紋圖，在手指與指紋采集器之間要克服許多技術(shù)問題。如人突然失去可用指紋，指紋被外界如過濕，過干的物質(zhì)覆蓋。當(dāng)指紋過濕，指紋圖像會破損或模糊，這樣成功比對的可能性就會降低。另外這種接觸式的采集儀器是不衛(wèi)生的。
而手指靜脈識別相對于指紋識別及其他識別技術(shù)的優(yōu)勢如下(1)活體識別用手指靜脈進行身份認證時，獲取的是手指靜脈的圖像特征，是手指活體時才存在的特征。非活體的手指是得不到靜脈圖像特征而無法識別的，從而也就無法造假。
(2)內(nèi)部特征用手指靜脈進行身份認證時，獲取的是手指內(nèi)部的靜脈圖像特征，而不是手指表面的圖像特征。因此不存在任何由于手指表面的損傷，磨損，干燥或太濕等帶來的識別障礙。完全可以克服指紋的這些缺點。
(3)非接觸式用手指靜脈進行身份認證，獲取手指靜脈圖像時，手指無須與設(shè)備接觸。手指輕輕一伸，即可完成識別。沒有像指紋識別的接觸設(shè)備時的不衛(wèi)生、手指表面特征可能被復(fù)制所帶來的安全問題，并避免了被當(dāng)作審查對象的心理不適。
(4)安全等級高因為有了前面的活體識別，內(nèi)部特征和非接觸式三個方面的特征，確保了使用者的手指靜脈特征很難被偽造，所以安全等級高，特別適合于安全要求高的場所使用。據(jù)日立公司提供的試驗結(jié)果，他們研制的產(chǎn)品拒真率為0.01％，誤判率為0.0001％，已經(jīng)用于銀行、安檢等領(lǐng)域。
很明顯，手指靜脈識別克服了指紋識別等的諸多缺點，有著廣闊的應(yīng)用前景。因此近幾年來國內(nèi)外在手指靜脈識別方面的研究逐漸增多。
在靜脈識別的領(lǐng)域內(nèi)，研究較多的是手背和手掌的靜脈。在這方面，韓國的NEXTERN公司最早開展研究，并且已有成型的產(chǎn)品在銷售。該套靜脈識別系統(tǒng)識別時快速且準確，解決了在生物識別界通用的通過生物統(tǒng)計ID號進行的比對識別問題。采用紅外線CCD攝像頭采集圖像，分析手背靜脈圖對人的身份進行識別，操作界面友好且堅實，此系統(tǒng)使生物識別安全級別向前更進一步。
日本富士通公司在2003年3月，宣布了他們研究的手掌靜脈識別裝置。這種技術(shù)通過紅外線對人手掌皮下的靜脈影像進行記錄和分析，并據(jù)此進行身份驗證。2005年12月，該公司又宣布新型的手掌靜脈識別產(chǎn)品。
在2005年，新加坡的南洋理工大學(xué)也有關(guān)于靜脈方面的研究，并發(fā)表了一些論文。與日本和韓國的產(chǎn)品不同的是，他們采用的是拍取手背的紅熱圖像來提取手背的靜脈，據(jù)稱FAR和FRR都為0.0％，但環(huán)境的溫度及濕度對其識別率有很大的影響。
在國內(nèi)，臺灣的國立中央大學(xué)在靜脈方面也有所研究。Kuo-Chin Fan等人2004年在發(fā)表的論文中描述了一種采用手背的紅熱圖像來獲取靜脈圖像，文中給出的FRR＝1.5％及FAR＝3.5％。
清華大學(xué)的林喜榮、莊波等人利用自行設(shè)計的近紅外血管圖像采集儀提取血管的原始圖像，對采集到的圖像樣本做歸一化、增強、圖像分割、細化等處理后，提取端點、交叉點等特征來進行特征比對。文獻給出了65個小范圍樣本的匹配實驗結(jié)果，在拒真率為4.6％條件下，誤識率為0％。
哈爾濱工程大學(xué)的王大振、莊大燕、丁宇航等人在其文獻中也有關(guān)于手背靜脈識別的研究，并發(fā)表了一些文獻。
以上都是基于手掌手背靜脈識別的研究，在手指靜脈識別方面，在國外僅有日本的日立公司有所研究，并已產(chǎn)品化。
日立制作所最初開發(fā)的產(chǎn)品是將手指伸進認證設(shè)備中進行出入管理，已2003年9月開始銷售。產(chǎn)品結(jié)構(gòu)是上方設(shè)置LED光源照射手指，在手指下方用攝影元件拍攝靜脈圖像如附圖5所示。
日立制作所于2004年10月推出了用于銀行窗口認證本人的開放型設(shè)備，只限在室內(nèi)使用。以靜脈圖像周圍的光量為準調(diào)節(jié)靈敏度，日立制作所又將陽光做為紅外線的光源對設(shè)備進行了改進。陽光與以前的LED光源不同，其強度在不同的時間與場合有很大的差別。該公司通過隨著陽光強度改變攝影元件靈敏度來將陽光當(dāng)作光源使用，使得設(shè)備可以在室外使用。
在2005年10月舉行的東京汽車展上，日立公司對外展示了這套安全系統(tǒng)。安裝在車把手后的一個傳感器利用近紅外線識別一個人手指上的靜脈紋理圖案。車把手的獨特設(shè)計能引導(dǎo)司機的手正好進入他們每次打開車門的位置，保證系統(tǒng)每次讀取數(shù)據(jù)時手指靜脈都在同一位置。2005年12月日立公司又將這套系統(tǒng)應(yīng)用于筆記本電腦上面。
另外，日立公司還開發(fā)出火柴盒大小的便攜式手指靜脈閱讀器。關(guān)于日立公司的這一系統(tǒng)，Naoto Miura等人在其論文中對采集裝置的研制以及提取血管、識別對比的算法又很詳細的闡述。采用高精度CCD攝像頭采集紅外圖像，由于成像質(zhì)量好，因而識別對比算法采用了最簡單的模版匹配算法。
在國際上，關(guān)于靜脈識別申請專利方面，主要有11個。其中韓國有4個，主要是基于手背靜脈、手掌靜脈的設(shè)備或系統(tǒng)。剩下的主要是日本申請的關(guān)于手指靜脈方面的設(shè)備的一些專利。其中有一個專利是同時采集指紋和手指靜脈的一個綜合設(shè)備，融合了指紋和靜脈兩種生物特征信息，值的我們?nèi)ソ梃b。

發(fā)明內(nèi)容本發(fā)明的目的在于提供一種誤識率和拒識率低，識別速度快的手指靜脈特征提取與匹配識別方法。
本發(fā)明的目的是這樣實現(xiàn)的1、圖像采集裝置進行手指靜脈圖像的采集；2、對采集的靜脈圖像進行預(yù)處理，預(yù)處理包括采用加權(quán)平均值法來進行灰度化、采用迭代的方法求取最佳閾值來對圖像進行分割、采用組合濾波器來濾除噪聲、采用局部動態(tài)閾值法進行圖像分割、采取面積消除法進行分割后的去噪處理、對分割后的靜脈圖像進行高度標準化處理；3、通過將靜脈圖像分割成特定大小的圖像塊，采用小波分解算法對子圖像進行小波分解及小波矩的提取，進行PCA及LDA變換步驟提取特征；4、采用模糊化的閾值方法進行匹配與識別。
本發(fā)明提供的技術(shù)方案是一種基于小波矩融合PCA及LDA變換的識別方法。其主要設(shè)計思路與特點為1手指靜脈圖像的采集通過圖像采集裝置來采集圖像。
2靜脈圖像的預(yù)處理2.1彩色位圖與灰度圖像的轉(zhuǎn)化采用加權(quán)平均值法來進行灰度化，減少運算和存儲的數(shù)據(jù)量。
2.2手指區(qū)域的定位要提取的是手指中的血管，對于手指輪廓及輪廓以外的部分，不必加以考慮，所以首先要標記出手指的輪廓。本發(fā)明采用迭代的方法求取最佳閾值來對圖像進行分割。
2.3圖像的濾波由于采集到的圖像含有不同程度的噪聲，為了去除這種點、塊狀的椒鹽噪聲，需要對這幅灰度圖像進行濾波操作。本發(fā)明采用組合濾波器來濾除噪聲。
2.4圖像的分割采用了一種局部動態(tài)閾值算法。
2.5分割后的去噪處理采取的方法是面積消除法。即計算每一塊黑色背景或白色背景，如果背景面積小于給定的面積，則是此塊為噪聲，將其去除。
2.6手指區(qū)域的切割與手指寬度的標準化由于圖像采集的隨機性及樣本個體的差異，最后提取到的手指血管模型的尺寸、比例往往不一致，而且為了能方便進一步研究，需要對分割后的靜脈圖像進行高度(即手指的寬度)標準化處理。
3特征提取3.1手指靜脈圖像的分塊由于不同的人的手指的長度長短不一，就是同一個人的手指，在不同時刻采集的長度也不一定是相同的。因此如果直接對圖像求取小波矩、進行PCA變換來提取特征的話，勢必使特征所代表的個體的誤差加大，從而使識別率降低。本發(fā)明將靜脈圖像分割成特定大小的圖像塊的方法來解決上述問題。
3.2子圖像的小波分解及小波矩的提取小波矩是一個很好的描述圖像特征的不變量。小波矩有對圖像的旋轉(zhuǎn)、平移及縮放不變性的特點，故在模式識別中有很多成功的應(yīng)用。所以在本發(fā)明中也采用小波分解算法。
3.3 PCA及LDA變換作為線性方法，PCA方法是最小均方誤差意義上的最優(yōu)維數(shù)壓縮技術(shù)，亦即在相同的維數(shù)下，使用主分量分析方法對原數(shù)據(jù)進行變換所得的數(shù)據(jù)中將包含最多的原數(shù)據(jù)的信息。本發(fā)明提出了基于小波矩融合PCA及LDA的特征提取方法。
4匹配與識別本發(fā)明采用了一種模糊化的閾值方法，對待識別與數(shù)據(jù)庫中的樣本進行匹配。最后采用最近鄰分類器進行分類，達到識別的目的。
本發(fā)明的方法通過如下的實驗進行了驗證以手指(考慮使用者的方便，主要是采集每個人的食指和中指)為單位，一共采集287個(類)手指的靜脈圖像，每個手指采集5次(每類樣本數(shù)為5個)，一共采集了287×5＝1435幅靜脈圖像，由此來構(gòu)成手指靜脈識別的靜脈庫。另外每個手指再采2幅共287×2＝574幅組成驗證庫，供驗證算法的有效性。
先對靜脈庫的每一樣本進行一層小波分解，高頻分量提取矩特征，而低頻分量進行PCA分解，當(dāng)然前提是我們已經(jīng)利用靜脈庫中的樣本求得了PCA分解的轉(zhuǎn)換矩陣。
在用PCA進行降維的時候，壓縮后的維數(shù)k的選取與其所能代表的分量的比重wk的關(guān)系如表1所示wk=Σi=1kλi/Σi=1Nλi]]>表1 壓縮后的維數(shù)與其所能代表的分量的比重的關(guān)系
權(quán)衡計算量和所占的權(quán)重，取分解后的維數(shù)為300。在1∶1的驗證模式下，用驗證庫中的574個樣本來進行驗證，實驗結(jié)果如表2所示。
表2 1∶1情況下拒識率判別結(jié)果
對于1∶n的識別模式下，用驗證庫中的574個樣本來進行識別實驗，實驗結(jié)果如表3所示。
表3 1∶n情況下誤識率判別結(jié)果
從識別的結(jié)果可以看出，基于小波，PCA結(jié)合LDA的方法的誤識率和拒識率都很低。在識別速度方面，就是在1∶n的模式下也能滿足要求，在我們的靜脈庫基礎(chǔ)上(n＝287)的每識別一次的時間大約是0.1s。


圖1是本發(fā)明的手指靜脈識別系統(tǒng)框圖；圖2是組合濾波器的設(shè)計框圖；圖3是圖像分割后的效果；圖4是去噪后的效果；圖5是手指寬度標準化后的圖像；圖6是手指抽取子圖像塊方法的示意圖7-1、圖7-2是抽取的圖像子塊及小波分解的結(jié)果；圖8是矩陣改造為向量示意圖；圖9是PCA變換中樣本分類示意圖。
具體實施方式
下面結(jié)合附圖舉例對本發(fā)明做更詳細地描述手指靜脈特征提取與匹配識別的方法，通過靜脈采集裝置來采集圖像，然后對采集到的圖像進行灰度轉(zhuǎn)化、手指區(qū)域的定位、濾波、圖像的分割、去噪、手指區(qū)域的切割與手指寬度的標準化等預(yù)處理步驟后，再通過小波矩融合PCA及LDA變換的方法提取特征，最后完成識別。結(jié)合圖1，本發(fā)明的方法含有以下步驟(1)手指靜脈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失脫氧份，而這個還原的血紅蛋白對波長760nm附近的近紅外線會有吸收，本實施方式中采用的是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弱來凸現(xiàn)靜脈血管的。
(2)靜脈圖像的預(yù)處理采集到的靜脈圖像由于受噪聲的影響，若直接對圖像進行分割的話，很難準確地提取血管的模型。為此，在圖像分割前，先對圖像進行濾波來去除噪聲。經(jīng)過實驗證明，采用組合濾波方法后再對圖像分割效果比較好。所述的組合濾波方法包括(2.1)彩色位圖與灰度圖像的轉(zhuǎn)化經(jīng)過灰度化，圖像的數(shù)據(jù)量僅為原來的1/3，從而減少了后續(xù)處理的計算量，也便于以后向ARM嵌入式設(shè)備的移植。
我們通常說的顏色，可以由RGB、HIS、YIQ、YUV(YCbCr)等顏色模型來表示。在RGB顏色模型中，由顏色(R，G，B)三種顏色來表示彩色信息。通過計算(R，G，B)來轉(zhuǎn)換得到256色的灰度圖像。
采用加權(quán)平均值法來進行灰度化根據(jù)重要性或其他指標給R，G，B賦予不同的權(quán)值，并使R，G，B的值加權(quán)，即Gray＝(WRR+WGG+WBB)/(WR+WG+WB)式中，WR，WG，WB分別為R，G，B的對應(yīng)的權(quán)值，WR，WG，WB取不同的值，加權(quán)平均值法將形成不同的灰度圖像。由于人眼對藍色的敏感度最高，對紅色分量次之，對藍色的敏感度最低，因此使WG＞W(wǎng)R＞W(wǎng)B將得到比較合理的灰度圖像。實驗和理論推導(dǎo)證明，當(dāng)WR＝0.30，WG＝0.59，WB＝0.11時，能得到最合理的灰度圖像，即Gray＝0.30×R+0.59×G+0.11B在本發(fā)明中就是采用上式進行灰度化的。
(2.2)手指區(qū)域的定位本發(fā)明中，要提取的是手指中的血管，對于手指輪廓及輪廓以外的部分，我們將不加以考慮，所以首先要標記出手指的輪廓。本發(fā)明采用迭代的方法求取最佳閾值來對圖像進行分割。
這種方法首先在初始條件中假設(shè)一個閾值，而在對圖像的迭代運算中不斷地更新這一假設(shè)閾值，以得到最佳閾值。初始閾值一般取灰度平均值，這樣，以平均灰度值分割圖像后，計算分割后的2類區(qū)域的平均值，低于初始閾值區(qū)域的平均值記為Tb，另一區(qū)域的均值記為T0，然后計算(Tb+T0)/2，并以此值作為新的閾值，然后重復(fù)上述步驟，直到2次計算的閾值不再變化，這時即得到了最佳閾值，迭代停止。以T0作為初始閾值的估計，則迭代中閾值的第k次估計為Tk=Σi=0Tk-1i×h[i]2Σi=0Tk-1h[i]+Σj=Tk-1+1Ni×h[i]2Σj=Tk-1+1Nh[i]]]>(2.3)圖像的濾波由于采集到的圖像含有不同程度的噪聲，為了去除這種點、塊狀的椒鹽噪聲，需要對這幅灰度圖像進行濾波操作。本發(fā)明采用一種組合濾波器來濾除噪聲。
結(jié)合圖2，組合濾波器總共由4個模塊組成椒鹽噪聲檢測、選擇濾波器、消除椒鹽噪聲和消除高斯噪聲。對于我們給定的圖像，先用椒鹽噪聲監(jiān)測器檢測出受椒鹽噪聲影響的像素，對這些像素可用中值濾波器一類的濾波器進行噪聲消除，對其余的像素則可用平滑濾波器一類的濾波器進行噪聲的濾除，最后將兩部分結(jié)果組合起來得到對高斯噪聲和椒鹽噪聲都濾除的結(jié)果。
具體的步驟是先對輸入的原始靜脈圖像進行椒鹽噪聲檢測，對受椒鹽噪聲影響的像素可以選擇相應(yīng)的濾波器進行椒鹽噪聲的消除，而對未受椒鹽噪聲影響的像素則選擇相應(yīng)的濾波器進行高斯噪聲的消除，最后將兩個結(jié)果合并得到消噪后的手指靜脈圖像，便于我們下一步的圖像分割。
(2.4)圖像的分割仔細觀察給定的靜脈圖像，會發(fā)現(xiàn)圖像的灰度分布極其不均勻，有的血管區(qū)域灰度值和其他地方的背景域的灰度值相同，所以用單純一個閾值的方法是根本不能準確地提取出血管的。所以本發(fā)明對濾波后的圖像采用逐點閾值的方法來提取血管。這是一種比較簡單有效的局部動態(tài)閾值算法，這種算法的基本思想是對圖像中的每一點，在它的r×r鄰域內(nèi)，計算鄰域里像素點的均值和標準差，然后用下式計算閾值進行二值化T(x，y)＝m(x，y)+k×s(x，y)其中，對于每一個像素點(x，y)，T(x，y)為該點的閾值，m(x，y)為該點的r×r鄰域內(nèi)像素點的均值，s(x，y)為該點的r×r鄰域內(nèi)像素點的標準差，k為修正系數(shù)。
這樣，經(jīng)過圖像分割以后就可以得到血管的模型了，但同時也混雜著不少點塊狀的噪聲。如圖3所示，所以還要去除這些噪聲。
(2.5)分割后的去噪處理本發(fā)明采取的方法是面積消除法。即計算每一塊黑色背景或白色背景，如果背景面積小于給定的面積，則是此塊為噪聲，將其去除，如圖4所示。
(2.6)手指區(qū)域的切割與手指寬度的標準化最后結(jié)合上節(jié)的提取的手指區(qū)域數(shù)組，就可以裁減出手指的區(qū)域，從而得到血管的模型。
由于圖像采集的隨機性及樣本個體的差異，最后提取到的手指血管模型的尺寸、比例往往不一致，而且為了能方便進一步研究，需要對分割后的靜脈圖像進行高度(即手指的寬度)標準化處理。標準化后的圖像如圖5所示。在實驗中，我們將圖像的高度都標準化為80像素。
(3)特征提取(3.1)手指靜脈圖像的分塊由于不同的人的手指的長度長短不一，就是同一個人的手指，在不同時刻采集的長度也不一定是相同的。因此如果直接對圖像求取小波矩、進行PCA變換來提取特征的話，勢必使特征所代表的的個體的誤差加大，從而使識別率降低。本發(fā)明采用將靜脈圖像分割成特定大小的圖像塊的方法來解決上述問題。
在實際操作中，分成的圖像的子塊的大小是80×80的。如果直接對圖像拆分的，給定的圖像的長度一般為200像素左右，只能分成2塊完整的子圖像。特征的數(shù)量過少在一定程度上會影響識別率的。在發(fā)明針對原圖像，每隔一定的長度(實驗中取的是20像素)，抽取取一個圖像子塊(大小為80×80)，這樣原圖就可以拆分為6-7個子圖像，從而有足夠的特征量以供識別。
設(shè)標準化后的圖像f(x，y)用矩陣形式Am×n來表示Amn＝[A0，A1，A2，...，An-1]式中Ai為列向量，i∈
。
在此定義圖像的子塊的寬度為w、高度為h取標準化后的圖像的高度(實驗中w＝80，h＝80)。抽取子圖像的時候，取的間隔是r(實驗中r＝20)。
這樣就可以得到子圖像的矩陣B1＝[A0，...，Aw-1]B2＝[Ar，...，Aw-1+r]Bk＝[Akr，...，Aw-1+kr]式中k=[n-wr+1];]]>[x]為取小于x的最大整數(shù)。
這樣就得到了B1，B2，...，Bk共k個子圖，且每個子圖像的大小均為w×h。后面提取特征的時候都是針對每一個子圖像Bi來完成的。整個手指的分塊如附圖5所示。
(3.2)子圖像的小波分解及小波矩的提取小波矩是一個很好的描述圖像特征的不變量。小波矩有對圖像的旋轉(zhuǎn)、平移及縮放不變性的特點，故在模式識別中有很多成功的應(yīng)用。
本發(fā)明中，對于每一個子圖像Bi(x，y)，其大小為w×h。采用二維Mallat分解算法，可以對Bi(x，y)進行小波分解，如附圖7所示。
設(shè)f(x，y)＝Bi(x，y)∈L2(R2)為待分析的靜脈子圖像塊，其一層小波分解為f(x,y)=A1+D11+D12+D13]]>其中，A1為這一尺度下的低頻分量(也即逼近分量)，而D11，D12，D13則是該尺度下的水平、垂直和斜向的細節(jié)分量。如下A1=Σ(m,n)c1(m,n)φ1(m,n),]]>c1(m，n)＝<f(x，y)，φ1(m，n)>
D1k=Σ(m,n)d1k(m,n)ψ1k(m,n),]]>d1k(m,n)=<f(x,y),ψ1k(m,n)>]]>其中，k＝1，2，3，c1(m，n)為低頻分量A1的系數(shù)，d1k(m，n)為3個高頻子圖的系數(shù)，m，n為各個系數(shù)矩陣的橫縱坐標序號，φ1(m，n)為小波分解的尺度函數(shù)，Ψ1k(m，n)小波函數(shù)。
根據(jù)實驗，最終選擇Daub4小波基來進行小波分解，識別效果較其他小波基為最佳。可以利用小波分解的逼近系數(shù)c1(m，n)和高頻系數(shù)d1k(m，n)來求取圖像的小波矩。設(shè)wp，q0表示f(x，y)的小波變換后的低頻系數(shù)表達的(p+q)階小波矩，wp，qk(k＝1，2，3)為各高頻系數(shù)表達的(p+q)階小波矩，具體如下wp,q0=2-(p+q+1)jΣm,n∈Zmpnqc1(m,n)wp,qk=2-(p+q+1)jΣm,n∈Zmpnqd1k(m,n)]]>這里取用的小波矩向量是w22=[w220,w221,w222,w223].]]>(3.3)PCA變換在發(fā)明采用小波變換的另一個優(yōu)點是減少計算量。對于每一子圖像Bi，若直接進行PGA變換，不僅提取的特征分類能力差，而且計算量也不小。小波變換后的低頻子圖像集中了原圖像的大部分能量，而圖像大小僅為原始的1/4，故采用低頻子圖像再進行PCA分解，則可以很大程度地減少計算量。
(3.3.1)轉(zhuǎn)換矩陣的求取將Bi的一層小波分解的低頻子圖A1作為分析的對象。為了進行PCA變換，我們先得將A1進行改造，使其成為單列的wh/4維圖像向量ξ＝Vec(A1)，如附圖8所示。
在這里，為了說明問題，假設(shè)的共有c個人的手指靜脈樣本，每個人的同一手指樣本有5幅圖像，如圖9所示，第m個人的第n個樣本圖像可以分割為km，n個子圖像塊(圖9僅僅是為了簡單說明問題，用間隔r＝80來抽取圖像子塊，實際中是用r＝20)，對于每個樣本圖像，只取前kmin個子圖參與計算kmin＝min(k1，1，k1，2，...，，k1，5，k2，1，...，kc，5)參照圖9，本實施方式中分類是以“圖像子塊的小波變換后的低頻子圖”為單位來分類的。為了敘述方便，我們這里以“圖像子塊”為單位來進行分類。
例如，1#手指的5幅圖像，每幅圖像的第1個子塊合起來構(gòu)成第1類(一共有對應(yīng)的5個圖像子塊)，每幅圖像的第2個圖像子塊構(gòu)成第2類，……，每幅圖像的第Kmin個子塊構(gòu)成第kmin類，所以1#手指就可以形成kmin個類。
然后，2#手指接著以子圖像塊進行分類，可以分出來第kmin+1類，第kmin+2類，……，第kmin+kmin類。
以此類推，這樣，c個人的手指可得到的模式類別一共有C＝c×kmin類，即ω1，ω2，...，ωi，...，ωC。第i類中有5個對應(yīng)的樣本記為ξi，1，ξi，2，ξi，3，ξi，4，ξi，5，且都為wh/4維的列向量。訓(xùn)練樣本總數(shù)N＝5C。
第i類訓(xùn)練樣本的均值為ξ‾i=15Σj=15ξi,j]]>全體訓(xùn)練樣本的均值為ξ‾=1NΣi=1CΣj=15ξij]]>則各類的總體散布矩陣St為
St=1NΣi=1CΣj=1ni(ξij-ξ‾)(ξij-ξ‾)T]]>容易證明總體散布矩陣St為非負定矩陣。
那么我們可以求得St的特征值λ1，λ2，...，(這些特征值已經(jīng)按從大到小的順序排好序了的λ1≥λ2≥...，)及其對應(yīng)的特征向量1，2，...，。取前d個最大特征值所對應(yīng)的標準正交的特征向量構(gòu)成變換矩陣P＝[1，2，...，d]。
(3.3.2)特征的提取對于每一子圖像塊Bi，經(jīng)過小波分解后的低頻子圖A1，將A1依照前面的方法轉(zhuǎn)化為列向量ξ，在利用上節(jié)中求得的轉(zhuǎn)換矩陣P來抽取特征，如下式子e＝PTξ這樣e＝[e1，e2，...，ed]就作為子圖像塊Bi的PCA抽取的特征向量。
實驗證明d＝120時就可以取得很不錯的效果，d＝300，即壓縮為300維時，識別效果最佳。
(3.3.3)LDA映射一般來說，PCA方法得到的特征是最佳描述特征，而不是最佳分類特征。為了取得更好的分類效果，本發(fā)明采用LDA方法對PCA特征進一步分類。
對于前文中利用PCA投影矩陣P將每一樣本轉(zhuǎn)化為降維后的d維空間中的特征向量ei=[e1i,e2i,...,edi],]]>其中i＝1，2，...，N為樣本序號。那么這里我們的分類器的設(shè)計就是再由降維后各個樣本的PCA特征向量e1，e2，...，eN來構(gòu)成類內(nèi)散布矩陣和類間散布矩陣Sw和Sb，然后計算對應(yīng)矩陣Sw-1Sb的前l(fā)個最大特征值對應(yīng)的特征向量α1，α2，...，αl。由這l個最大特征值對應(yīng)的特征向量構(gòu)成LDA轉(zhuǎn)換矩陣WLDA＝[α1，α2，...，αl]。接下來就可以利用LDA轉(zhuǎn)換矩陣WLDA將PCA降維后的特征向量再進行LDA投影變換了。即zi=[z1i,z2i,...,zli]=WLDATei,]]>i＝1，2，...，N為樣本序號。
這樣，我們可以用最佳分類特征z特征向量來代替上述的e特征向量來進行識別分類了。
(4)匹配與識別通過上面的小波分解及PCA變換，針對每一子圖像Bi，都可以得到小波矩w22和PCA及LDA抽取的特征向量z。所以Bi的特征為vi＝[w22；z]。
為了識別匹配，現(xiàn)在以手指1的特征向量組V＝[v1，v2，...，vk]和手指2的特征向量組V′＝[v′1，v′2，...，v′k′]為例來分析。
首先要做的是，V和V′的長度可能是不一樣的，即k和k′不一定相同。這里我們定義K＝min(k，k′)即V和V′中取前K個向量做對比。
先來分析對應(yīng)子圖像塊vi和v′i得匹配情況。
vi＝[w22；z]，v′i＝[w′22；z′]根據(jù)實驗，設(shè)定兩個閾值向量wt，zt。定義δi為V和V′對應(yīng)Bi子圖像的兩個特征向量w和w′間的歐氏距離。
定義V和V′對應(yīng)的Bi子圖像的小波矩特征w22匹配分數(shù)為w_marki=wi-δiwlifδi<wt0else]]>最后可以求得整個手指的小波矩特征匹配分數(shù)為w_mark=Σi=0Kw_marki]]>同理我們可以求取V和V′的z特征向量匹配分數(shù)z_mark。
最后，綜合的分數(shù)total_mark＝s1×w_mark+s2×z_marks1，s2為兩種特征匹配分數(shù)所占的比重，且s1≥0，s2≥0，s1+s2＝1。
這樣，對于手指靜脈1和2是否匹配就轉(zhuǎn)化為total_mark的值的大小，如果大于給定的匹配分數(shù)閾值，那么兩個手指是匹配的，否則不匹配。當(dāng)然了，也可以最小距離分類器進行分類，即用待識手指靜脈特征與數(shù)據(jù)庫中各個手指靜脈特征逐一對比，尋找匹配分數(shù)total_mark最高的且大于給定閾值的，就是要識別對象，從而完成了識別任務(wù)。
權(quán)利要求
1.一種手指靜脈特征提取與匹配識別方法，其特征是(1)圖像采集裝置進行手指靜脈圖像的采集；(2)對采集的靜脈圖像進行預(yù)處理，預(yù)處理包括采用加權(quán)平均值法來進行灰度化、采用迭代的方法求取最佳閾值來對圖像進行分割、采用組合濾波器來濾除噪聲、采用局部動態(tài)閾值法進行圖像分割、采取面積消除法進行分割后的去噪處理、對分割后的靜脈圖像進行高度標準化處理；(3)通過將靜脈圖像分割成特定大小的圖像塊，采用小波分解算法對子圖像進行小波分解及小波矩的提取，進行PCA及LDA變換步驟提取特征；(4)采用模糊化的閾值方法進行匹配與識別。
2.根據(jù)權(quán)利要求1所述的手指靜脈特征提取與匹配識別方法，其特征是采用加權(quán)平均值法來進行灰度化所采用的公式為Gray＝0.30×R+0.59×G+0.11B。
3.根據(jù)權(quán)利要求1所述的手指靜脈特征提取與匹配識別方法，其特征是所述的采用迭代的方法求取最佳閾值來對圖像進行分割是首先在初始條件中假設(shè)一個閾值，而在對圖像的迭代運算中不斷地更新這一假設(shè)閾值，初始閾值一般取灰度平均值，以平均灰度值分割圖像后，計算分割后的2類區(qū)域的平均值，低于初始閾值區(qū)域的平均值記為Tb，另一區(qū)域的均值記為T0，然后計算(Tb+T0)/2，并以此值作為新的閾值，然后重復(fù)上述步驟，直到2次計算的閾值不再變化，這時即得到了最佳閾值，迭代停止。
4.根據(jù)權(quán)利要求1所述的手指靜脈特征提取與匹配識別方法，其特征是所述的采用組合濾波器來濾除噪聲，組合濾波器總共由椒鹽噪聲檢測、選擇濾波器、消除椒鹽噪聲和消除高斯噪聲4個模塊組成，先對輸入的原始靜脈圖像進行椒鹽噪聲檢測，對受椒鹽噪聲影響的像素可以選擇相應(yīng)的濾波器進行椒鹽噪聲的消除，而對未受椒鹽噪聲影響的像素則選擇相應(yīng)的濾波器進行高斯噪聲的消除，最后將兩個結(jié)果合并得到消噪后的手指靜脈圖像。
5.根據(jù)權(quán)利要求1所述的手指靜脈特征提取與匹配識別方法，其特征是所述的采用局部動態(tài)閾值法進行圖像分割是對圖像中的每一點，在它的r×r鄰域內(nèi)，計算鄰域里像素點的均值和標準差，然后用下式計算閾值進行二值化T(x，y)＝m(x，y)+k×s(x，y)其中，對于每一個像素點(x，y)，T(x，y)為該點的閾值，m(x，y)為該點的r×r鄰域內(nèi)像素點的均值，s(x，y)為該點的r×r鄰域內(nèi)像素點的標準差，k為修正系數(shù)。
全文摘要
本發(fā)明提供的是一種手指靜脈特征提取與匹配識別方法。(1)圖像采集裝置進行手指靜脈圖像的采集；(2)對采集的靜脈圖像進行預(yù)處理，預(yù)處理包括采用加權(quán)平均值法來進行灰度化、采用迭代的方法求取最佳閾值來對圖像進行分割、采用組合濾波器來濾除噪聲、采用局部動態(tài)閾值法進行圖像分割、采取面積消除法進行分割后的去噪處理、對分割后的靜脈圖像進行高度標準化處理；(3)通過將靜脈圖像分割成特定大小的圖像塊，采用小波分解算法對子圖像進行小波分解及小波矩的提取，進行PCA及LDA變換步驟提取特征；(4)采用模糊化的閾值方法進行匹配與識別。本發(fā)明的方法的誤識率和拒識率都很低，識別速度快。
文檔編號G06K9/80GK101093539SQ200710072580
公開日2007年12月26日 申請日期2007年7月27日 優(yōu)先權(quán)日2007年7月27日
發(fā)明者王科俊, 馮偉興, 付斌, 袁智, 熊新炎 申請人:哈爾濱工程大學(xué)