專利名稱：指紋與指靜脈雙模態(tài)識(shí)別的二級(jí)分類融合識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域，具體地說是一種通過指紋與手指靜脈進(jìn)行識(shí)別的方法。
背景技術(shù)：
單模式生物特征識(shí)別系統(tǒng)采集的信息易受到時(shí)間、環(huán)境或者其它因素的影響而發(fā) 生變化以及特征提取和匹配的缺陷導(dǎo)致錯(cuò)誤率過高，使得應(yīng)用的環(huán)境有著過多的限制且每 一種生物特征也不可能具有真正意義上的普遍性，這些問題很難通過單純的改進(jìn)匹配方法 來解決。而多模態(tài)生物特征身份識(shí)別可通過多個(gè)生物特征的結(jié)合來提供更充分的識(shí)別信 息，彌補(bǔ)了單種生物特征認(rèn)證不穩(wěn)定、錯(cuò)誤率較高等缺點(diǎn)，提高系統(tǒng)的識(shí)別率，增強(qiáng)系統(tǒng)的 安全級(jí)別，擴(kuò)展系統(tǒng)的適用范圍，因而具有良好的應(yīng)用前景。Roberto Br imelli最早提出利用多個(gè)特征來進(jìn)行個(gè)人身份認(rèn)證的方法，并在匹 配層次上整合了人臉識(shí)別和語音識(shí)別，該方法實(shí)現(xiàn)的難點(diǎn)在于需要準(zhǔn)確構(gòu)建正負(fù)樣本集、 選擇若干映射參數(shù)，在小樣本情況下有很多困難；Bigim提出了一種用貝葉斯方法在決策 層次上整合了不同的生物特征；Maes第一次實(shí)現(xiàn)了一個(gè)結(jié)合了生物特征-指紋和非生物 特征-密碼的系統(tǒng)；Jain等人提出將指紋與人臉識(shí)別的結(jié)果融合，但近年來國(guó)際國(guó)內(nèi)學(xué)者 對(duì)多模態(tài)的研究大多都是基于指紋、人臉、聲紋、掌紋等的融合策略。在本文的多模態(tài)生物 特征身份識(shí)別系統(tǒng)中選擇指紋與手指靜脈進(jìn)行信息融合，因?yàn)槭种胳o脈和指紋在身份識(shí)別 的應(yīng)用中具有較強(qiáng)的互補(bǔ)性指紋識(shí)別的識(shí)別率很高，但其存在著指紋紋路易受損壞，手指 表面情況對(duì)圖像采集影響較大及易被竊取等弊端；與指紋相比，靜脈識(shí)別具有如下的優(yōu)勢(shì) 靜脈識(shí)別采用的是手指內(nèi)部的靜脈圖像特征，不存在由于手指表面情況帶來的影響；靜脈 圖像很難偽造并且具有非接觸式的優(yōu)點(diǎn)。但是，靜脈識(shí)別存在可提取的特征少的缺點(diǎn)。鑒 于手指指紋與手指靜脈識(shí)別各自存在的上述優(yōu)、缺點(diǎn)，考慮到指紋圖像可提取的特征非常 豐富，可有效彌補(bǔ)單一手指靜脈識(shí)別的不足。將指紋特征和手指靜脈特征結(jié)合，可以充分利 用兩者的優(yōu)勢(shì)，構(gòu)建良好的身份識(shí)別系統(tǒng)。由于低質(zhì)量的指紋及靜脈圖像增加了識(shí)別的難度，降低了識(shí)別系統(tǒng)的性能，為了 有效地提高識(shí)別的準(zhǔn)確率，本發(fā)明提出了一種新的基于二級(jí)決策的指紋與指靜脈識(shí)別的決 策級(jí)融合方法。在分別完成指紋識(shí)別和手指靜脈識(shí)別后，將該提取出的靜脈特征點(diǎn)集與指 紋識(shí)別提取出的特征點(diǎn)集以特征串聯(lián)方式構(gòu)成二級(jí)分類器，將三個(gè)識(shí)別結(jié)果進(jìn)行決策級(jí)融 合，得到最終識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，本發(fā)明提出的二級(jí)分類思想，充分地利用了指紋及 手指靜脈的識(shí)別信息，有效地提高了識(shí)別系統(tǒng)的準(zhǔn)確性，獲得了比單獨(dú)指紋識(shí)別及手指靜 脈識(shí)別更高的識(shí)別率，為多生物特征識(shí)別提供了一種有效的途徑。與本發(fā)明相關(guān)的參考文獻(xiàn)包括[1]李昊，傅曦.精通Visual C++指紋模式識(shí)別系統(tǒng)算法及實(shí)現(xiàn)[M].北京人民 由P電出版社，2008 :88-93 ； [2] Comparing Images Using the Hausdorff Distance, IEEE trans. onPattern Analysis and Machine Intelligence,1993 ； [3]Dubuisson, M. P.，andJain,Α. K. :A modifiedHausdorff distance for object matching. Proc. 12th Int. Conf. on Pattern recognition，Jerusalem，Israel，1994，pp.566—568。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能在一定程度上克服單一生物特征圖像質(zhì)量較差對(duì)系統(tǒng)識(shí)別精度的影響且性能優(yōu)良的指紋與指靜脈雙模態(tài)識(shí)別的二級(jí)分類融合識(shí)別方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的包括指紋模塊、靜脈模塊及二級(jí)決策模塊三個(gè)模塊，其中指紋模塊與靜脈模塊作 為第一級(jí)分類器，二級(jí)決策模塊作為二級(jí)分類器。指紋模塊與靜脈模塊讀取指紋圖像與靜 脈圖像；對(duì)讀取的指紋與手指靜脈圖像分別進(jìn)行預(yù)處理操作并提取出二者的特征點(diǎn)集；對(duì) 指紋圖像與靜脈圖像分別進(jìn)行識(shí)別，其中指紋識(shí)別采用基于細(xì)節(jié)點(diǎn)匹配的方法，靜脈識(shí)別 使用改進(jìn)的HausdorfT距離方式進(jìn)行識(shí)別，得到各自的識(shí)別結(jié)果；二級(jí)決策模塊將提取出 的指紋與靜脈特征點(diǎn)集以特征串聯(lián)的方式形成新的特征矢量來構(gòu)成第二級(jí)分類器，得出一 個(gè)識(shí)別結(jié)果；最后將上述三個(gè)識(shí)別結(jié)果進(jìn)行決策級(jí)融合，將融合后的結(jié)果作為最終的識(shí)別 結(jié)果。所述二級(jí)決策的分類器，對(duì)預(yù)處理后的指紋及手指靜脈圖像分別提取出特征點(diǎn) 集，再將提取出的指紋與靜脈特征點(diǎn)集以特征串聯(lián)的方式形成新的特征矢量來構(gòu)成二級(jí)決 策分類器，得出二級(jí)分類器的識(shí)別結(jié)果；具體流程為(1)計(jì)算模板指紋圖像和手指靜脈圖像的融合特征向量集合Y ！模板指紋圖像特 征點(diǎn)集合為Q1 = (ai，a2,…，am)，靜脈圖像特征點(diǎn)集合為= (b1; b2，…，bn)，Y1 = (α” β j) = (a17 ···, am, b17 ...，bn)；(2)計(jì)算待匹配的指紋圖像和手指靜脈圖像的融合特征向量集合Y2，待匹配指紋 圖像特征點(diǎn)集合為a2= (Sl, S2,…，s。)，待匹配靜脈圖像特征點(diǎn)集合為β2= (ti;t2,…，
td) , Y2 = ( α 2, β 2) = (S1, ...，sc, t1; ...，td)；(3)根據(jù)距離變換公式Dis (ρ) = min(dM(p, q)，q e B)計(jì)算出特征點(diǎn)集Y工到特 征點(diǎn)集Y 2的平均Hausdorff距離Dhn,2及特征點(diǎn)集Y 2到特征點(diǎn)集Y ！的平均HausdorfT 距離；(4)比較與^ -,的大小，其中大者與預(yù)設(shè)閾值進(jìn)行比較，判斷匹配是否成 功；進(jìn)行識(shí)別時(shí)則將與待識(shí)別樣本不匹配程度最小的樣本作為最終識(shí)別結(jié)果。計(jì)算出模板指靜脈圖像特征點(diǎn)集A到待識(shí)別圖像特征點(diǎn)集B的平均Hausdorff距 離及集合B到集合A的平均Hausdorff距離；將這兩個(gè)距離中的大者作為求得的相似度度 量值與預(yù)設(shè)閾值進(jìn)行比較，判斷匹配是否成功；識(shí)別時(shí)以與待識(shí)別樣本不匹配程度最小的 為最終識(shí)別結(jié)果。本發(fā)明的主要貢獻(xiàn)和特點(diǎn)在于為多生物特征識(shí)別提供了一種有效的途徑，提出 二級(jí)分類思想在決策級(jí)肉換個(gè)的方法。本發(fā)明提出的二級(jí)分類思想的優(yōu)點(diǎn)在于，有效地改 善了單一生物特征圖像質(zhì)量差所帶來的影響，有助于低質(zhì)量的圖像的識(shí)別，充分地利用了 指紋及手指靜脈的識(shí)別信息，有效地提高了識(shí)別系統(tǒng)的準(zhǔn)確性，獲得了比單獨(dú)指紋識(shí)別及 手指靜脈識(shí)別更高的識(shí)別率。


圖1基于二級(jí)決策的指紋與手指靜脈雙模態(tài)系統(tǒng)的決策級(jí)融合的模塊組成框圖；圖2多模態(tài)系統(tǒng)單樣本認(rèn)證的指紋和手指靜脈示例圖像組；圖3的表1三種識(shí)別方式的1 1認(rèn)證結(jié)果； 圖4的表2三種識(shí)別方式的1 N識(shí)別結(jié)果。
具體實(shí)施例方式下面舉例對(duì)本發(fā)明做更詳細(xì)地描述1指紋識(shí)別基于細(xì)節(jié)點(diǎn)匹配的指紋識(shí)別方法(1)首先求取指紋圖像的方向圖，采用方向?yàn)V波方式進(jìn)行圖像增強(qiáng)，依據(jù)指紋的方 向信息即方向圖來對(duì)圖像進(jìn)行二值化并采用基于八鄰域的細(xì)化算法進(jìn)行細(xì)化。(2)再對(duì)細(xì)化后的指紋圖像提取出細(xì)節(jié)點(diǎn)即端點(diǎn)與分叉點(diǎn)和奇異點(diǎn)即中心點(diǎn)與三 角點(diǎn)，并采用紋路跟蹤的方法去除偽特征點(diǎn)。(3)利用提取出的中心點(diǎn)和三角點(diǎn)進(jìn)行配準(zhǔn)，使輸入圖像與模板圖像處于同一標(biāo)準(zhǔn)。(4)對(duì)配準(zhǔn)后的圖像進(jìn)行細(xì)節(jié)點(diǎn)匹配操作。指紋圖像的匹配是指紋特征點(diǎn)拓?fù)浣Y(jié) 構(gòu)的匹配，若模板圖像中的特征點(diǎn)的拓?fù)浣Y(jié)構(gòu)與樣板圖像的特征點(diǎn)的拓?fù)浣Y(jié)構(gòu)大多相同， 則認(rèn)為兩幅圖像匹配；反之，則不匹配，其相似度的描述可轉(zhuǎn)化為特征點(diǎn)相似的描述相似度=4X分?jǐn)?shù)X指紋特征最大相似數(shù)/(總特征點(diǎn)數(shù)X總特征點(diǎn)數(shù))；這里， 分?jǐn)?shù)是指紋模板上的一個(gè)特征點(diǎn)和樣板上的對(duì)應(yīng)特征點(diǎn)匹配成功的記錄。其中匹配成功就 增加分?jǐn)?shù)，分?jǐn)?shù)值可由自己定義?？偺卣鼽c(diǎn)數(shù)為兩個(gè)進(jìn)行比對(duì)的特征點(diǎn)數(shù)之和。匹配算法的具體步驟如下1)讀入模板特征點(diǎn)P和樣本特征點(diǎn)P'，判斷P和P'是否滿足P^P'。其中 P^P'，即P = P' +Δ，Δ的大小是界限盒的誤差，即在匹配細(xì)節(jié)點(diǎn)P，P'時(shí)，對(duì)于細(xì)節(jié) 點(diǎn)P，如果在一定的極角和半徑誤差容許范圍內(nèi)細(xì)節(jié)點(diǎn)P'落在其界限盒內(nèi)，且二者的方向 和類型也相符，則判定這兩個(gè)細(xì)節(jié)點(diǎn)P，P'相匹配。2)累加分?jǐn)?shù)，相似特征點(diǎn)個(gè)數(shù)；3)根據(jù)相似度計(jì)算公式計(jì)算匹配相似度，與合格閾值進(jìn)行比較，判斷匹配是否成 功。2靜脈識(shí)別基于改進(jìn)的Hausdorff距離的手指靜脈識(shí)別方法首先對(duì)原始靜脈圖像提取出手指區(qū)域、直方圖均衡、中值濾波等預(yù)處理操作。再對(duì) 細(xì)化后的圖像提取出其特征點(diǎn)即端點(diǎn)和交叉點(diǎn)。設(shè)模板圖像提取出的特征點(diǎn)集為A= (B1, a2,…，am)，輸入待匹配圖像特征點(diǎn)集為B = (bi;b2,…，bn)，則A，B之間的Hausdorff 距 離定義為H(A, B) = max(h(A, B), h(B, A))(1)其中，h(A，B)和h(B，A)分別為集合A到集合B和集合B到集合A的單向Hausdorff距離，其數(shù)學(xué)描述為 其中，
表示某種距離范數(shù)，h(A，B)表示對(duì)點(diǎn)集A中的每個(gè)點(diǎn) ，求取距離此 點(diǎn)最近的B集中的任一點(diǎn)h之間的距離||ai-b」|，并將這個(gè)距離排序，取這樣的距離中的 最大值作為h(A，B)的值，同理可得h (B，A)。H(A，B)取h(A，B)和h(B，A)中的大者，它反 映了集合A和集合B的不匹配程度，H(A，B)的值越大，兩個(gè)集合相差也越大。從HausdorfT距離的定義可知，Hausdorff距離在計(jì)算時(shí)將目標(biāo)集合整體分解為 獨(dú)立元素進(jìn)行分析度量，僅僅選擇集合中某一個(gè)具有某種數(shù)學(xué)意義上的特殊性的元素，來 代表其所在的整個(gè)集合，這使得它對(duì)干擾很敏感假定點(diǎn)集A和B非常相似，而B中僅有一 點(diǎn)與A相差較大時(shí)，H(A，B)的值就變得很大。鑒于Hausdorff距離上述的缺點(diǎn)，本發(fā)明將改進(jìn)的Hausdorff距離[13] (MHD)思想 引入到手指靜脈匹配方法中。MHD距離在計(jì)算出點(diǎn)集A中每一點(diǎn)到點(diǎn)集B中最近一點(diǎn)的距 離后，把這些距離的均值作為兩個(gè)點(diǎn)集之間的距離。將以單個(gè)元素代表整個(gè)集合的思想擴(kuò) 展為集合內(nèi)所有元素的平均作用，從而很大程度上提高了算法對(duì)噪聲的適應(yīng)性。其具體定 義如下 其中，Na為點(diǎn)集A中特征點(diǎn)的個(gè)數(shù)。MHD距離的計(jì)算通常由距離變換來實(shí)現(xiàn)，距離變換是計(jì)算一個(gè)點(diǎn)集中所有點(diǎn)到另 一個(gè)點(diǎn)集的距離的過程.本文選取歐氏距離變換(EDT)作為距離度量，其具體定義如下
(18)其中，dM(p，q)表示特征點(diǎn)ρ和特征點(diǎn)q之間的距離，B為目標(biāo)物體的元素集合。 在距離變換時(shí)我們將其定義為
(19)為了減少計(jì)算量，將上式改寫為
(20)綜上所述，基于MHD的特征點(diǎn)匹配流程如下1)根據(jù)距離變換公式(18)計(jì)算出特征點(diǎn)集A到特征點(diǎn)集B的平均Hausdorff距 離 DisAB ；2)同理計(jì)算出特征點(diǎn)集B到特征點(diǎn)集A的平均Hausdorff距離DisBA ；3)將中的大者作為我們求得的相似性度量值與預(yù)設(shè)閾值進(jìn)行比較， 判斷匹配是否成功；進(jìn)行識(shí)別時(shí)則將與待識(shí)別樣本不匹配程度最小的樣本作為最終識(shí)別結(jié)果。3基于二級(jí)決策的融合方法對(duì)分類器的設(shè)計(jì)本發(fā)明提出了二級(jí)決策分類的方法，即針對(duì)指紋和靜脈識(shí)別進(jìn)行 第一級(jí)分類器的設(shè)計(jì)，得到分類程度值后；再將指紋與靜脈特征進(jìn)行融合形成第二級(jí)分類 器，再得到一個(gè)分類程度值；然后根據(jù)這三個(gè)分類器的識(shí)別結(jié)果進(jìn)行綜合分析，得到一個(gè)決策分界值，進(jìn)而實(shí)現(xiàn)分類。在二級(jí)分類器的設(shè)計(jì)上，采用特征串聯(lián)的方式將指紋與靜脈兩組特征首尾相連形 成一個(gè)新的特征，在高維的特征空間進(jìn)行識(shí)別，這種方式屬于特征級(jí)融合的范疇，其優(yōu)勢(shì)是 明顯的對(duì)同一模式提取的不同的生物特征矢量總是反映模式的不同特性，對(duì)這些特征進(jìn) 行優(yōu)化組合，不僅能利用特征間的互補(bǔ)信息來提高系統(tǒng)準(zhǔn)確性，從而更充分地利用各個(gè)生 物特征提供的有效信息，也在一定程度上消除了由于主客觀因素帶來的冗余信息，對(duì)分類 識(shí)別具有重要的意義。由于本發(fā)明指紋識(shí)別與手指靜脈識(shí)別均采用點(diǎn)模式匹配的方法，這 樣構(gòu)成的二級(jí)分類器避免了由于不同模態(tài)間特征量綱相差較大導(dǎo)致直接串聯(lián)出現(xiàn)的特征 空間不相容及特征在融合中不平衡等情況。二級(jí)分類器由指紋識(shí)別模塊與靜脈識(shí)別模塊提取到的特征點(diǎn)集以串聯(lián)的方式形 成，算法的具體流程如下(5)計(jì)算模板指紋圖像和手指靜脈圖像的融合特征向量集合Y ！設(shè)模板 指紋圖像 特征點(diǎn)集合為CI1 = (B1, a2,…，am)，靜脈圖像特征點(diǎn)集合為P1= (bi; b2，…，bn)，則有 Y1= (α ^1) = (a1 ...，am, b” ...，bn)。(6)計(jì)算待匹配的指紋圖像和手指靜脈圖像的融合特征向量集合Y2，設(shè)待匹配 指紋圖像特征點(diǎn)集合為a2= (Sl, S2,…，S。)，待匹配靜脈圖像特征點(diǎn)集合為β2= (ti; t2, ...，td),貝 U 有 Y2 = (α 2, β 2) = (S1, ···, sc, t1 ...，td)。(7)利用上述介紹的基于MHD距離的特征點(diǎn)集匹配方法完成Y1和Y2的匹配，得 到二級(jí)分類器的匹配結(jié)果，完成二級(jí)分類決策。由于決策級(jí)融合是一種高層次融合，其通信量小，抗干擾能力強(qiáng)，容錯(cuò)性好，能有 效的反映環(huán)境或目標(biāo)各個(gè)側(cè)面的不同類型信息。所以，本發(fā)明在得到上述三個(gè)分類器的結(jié) 果后，采用決策級(jí)融合方法得到最終的識(shí)別結(jié)果。在分別完成指紋識(shí)別和手指靜脈識(shí)別以 后，得到各自的識(shí)別結(jié)果為1 _和Irein，二級(jí)分類器的識(shí)別結(jié)果為1&。其中，Ifinger> Ivein 和Ift的取值為0和1，0代表識(shí)別失敗，1代表識(shí)別成功。此處采用投票的方法來獲得最終 識(shí)別結(jié)果fr，當(dāng)有兩個(gè)及以上的分類器識(shí)別結(jié)果為通過時(shí)，fr的結(jié)果為通過。具體公式如 下7O"+")2(7) [0, otherwise4實(shí)驗(yàn)結(jié)果分析為了驗(yàn)證本發(fā)明的有效性，選用實(shí)驗(yàn)室建立的指紋指靜脈雙模態(tài)圖像庫(kù)中的圖像 進(jìn)行測(cè)試。該庫(kù)包含300個(gè)人的指紋及指靜脈圖像，其中每人采集指紋圖像5幅，共1500 幅，圖像大小為256X300 ；采集靜脈圖像5幅，共1500幅，圖像大小為320X240。圖像庫(kù)中 的指紋與指靜脈圖像對(duì)應(yīng)ID號(hào)相同的為同一人的圖像數(shù)據(jù)。融合模塊進(jìn)行實(shí)驗(yàn)時(shí)，首先對(duì)樣本庫(kù)中樣本進(jìn)行單樣本認(rèn)證實(shí)驗(yàn)。此處選取兩組 具有代表性的樣本來展示該認(rèn)證實(shí)驗(yàn)。如圖2所示第一組樣本中，指紋圖像質(zhì)量很差而指 靜脈圖像質(zhì)量良好，指紋識(shí)別結(jié)果為失敗，即IfingCT = 0，手指靜脈識(shí)別結(jié)果為成功，S卩Irein =1，而最終的多模態(tài)系統(tǒng)的結(jié)果為通過，即Ifusim= 1 ；第二組樣本中，指紋圖像質(zhì)量較好 而指靜脈圖像質(zhì)量較差，指紋識(shí)別結(jié)果為ifingCT = 1，手指靜脈識(shí)別結(jié)果為Irein = 0，融合后 的多模態(tài)識(shí)別系統(tǒng)結(jié)果為Ifusim= 1。由此可見，融合后的系統(tǒng)能克服單一的指紋識(shí)別及指靜脈識(shí)別中由于圖像質(zhì)量過差而造成的認(rèn)證失敗現(xiàn)象，從而驗(yàn)證了多模態(tài)識(shí)別方法能克服單模態(tài)生物特征識(shí)別方法的局限性。 為了比較指紋識(shí)別、靜脈識(shí)別及基于二級(jí)決策融合方法的識(shí)別性能，這里分別對(duì)這三種識(shí)別方式進(jìn)行1 1認(rèn)證實(shí)驗(yàn)及1 N識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)時(shí)從每個(gè)人的5幅指紋圖像 中，任選一幅作為待識(shí)別樣本構(gòu)成驗(yàn)證庫(kù)，其余4幅構(gòu)成模板庫(kù)；靜脈識(shí)別及融合識(shí)別以同 樣的方式構(gòu)成驗(yàn)證庫(kù)與模板庫(kù)，實(shí)驗(yàn)結(jié)果如表1及表2所示。實(shí)驗(yàn)表明，本發(fā)明有效地彌補(bǔ) 了單一模態(tài)識(shí)別系統(tǒng)的不足，其識(shí)別率優(yōu)于單一的指紋識(shí)別及指靜脈識(shí)別，且拒識(shí)率低于 單一的生物特征識(shí)別技術(shù)，融合系統(tǒng)整體的性能好于單一的指紋識(shí)別和手指靜脈識(shí)別，效 果十分理想。
權(quán)利要求
一種指紋與指靜脈雙模態(tài)識(shí)別的二級(jí)分類融合識(shí)別方法，包括指紋模塊、靜脈模塊，其特征是還包括二級(jí)決策模塊三個(gè)模塊，指紋模塊與靜脈模塊作為第一級(jí)分類器，二級(jí)決策模塊作為二級(jí)分類器；指紋模塊與靜脈模塊讀取指紋圖像與靜脈圖像；對(duì)讀取的指紋與手指靜脈圖像分別進(jìn)行預(yù)處理操作并提取出二者的特征點(diǎn)集；對(duì)指紋圖像與靜脈圖像分別進(jìn)行識(shí)別，其中指紋識(shí)別采用基于細(xì)節(jié)點(diǎn)匹配的方法，靜脈識(shí)別使用改進(jìn)的Hausdorff距離方式進(jìn)行識(shí)別，得到各自的識(shí)別結(jié)果；二級(jí)決策模塊將提取出的指紋與靜脈特征點(diǎn)集以特征串聯(lián)的方式形成新的特征矢量來構(gòu)成第二級(jí)分類器，得出一個(gè)識(shí)別結(jié)果；最后將上述三個(gè)識(shí)別結(jié)果進(jìn)行決策級(jí)融合，將融合后的結(jié)果作為最終的識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的指紋與指靜脈雙模態(tài)識(shí)別的二級(jí)分類融合識(shí)別方法，其特征 是所述二級(jí)決策的分類器，對(duì)預(yù)處理后的指紋及手指靜脈圖像分別提取出特征點(diǎn)集，再將 提取出的指紋與靜脈特征點(diǎn)集以特征串聯(lián)的方式形成新的特征矢量來構(gòu)成二級(jí)決策分類 器，得出二級(jí)分類器的識(shí)別結(jié)果；具體流程為(1)計(jì)算模板指紋圖像和手指靜脈圖像的融合特征向量集合Y1模板指紋圖像特征點(diǎn) 集合為Ci1= , a2,…，am)，靜脈圖像特征點(diǎn)集合為^1= (bi; b2,…，bn)，Y1= (Q1,β ι) = ( α ι …，am, b1 …，bn)；(2)計(jì)算待匹配的指紋圖像和手指靜脈圖像的融合特征向量集合Y2，待匹配指紋圖像 特征點(diǎn)集合為a2= (Sl, s2,…，s。)，待匹配靜脈圖像特征點(diǎn)集合為β2= (ti;t2, ···，、)，Y2 = ( Q 2' β 2) = (S” …，sc, t” ···, td)；(3)根據(jù)距離變換公式Dis(ρ) =min(dM(p, q), q e B)計(jì)算出特征點(diǎn)集Y工到特征點(diǎn) 集Y 2的平均HausdorfT距離及特征點(diǎn)集、2到特征點(diǎn)集Y ！的平均HausdorfT距離 Disr,n ;(4)比較&^2與&\2/1的大小，其中大者與預(yù)設(shè)閾值進(jìn)行比較，判斷匹配是否成功；進(jìn) 行識(shí)別時(shí)則將與待識(shí)別樣本不匹配程度最小的樣本作為最終識(shí)別結(jié)果。
全文摘要
本發(fā)明提供的是一種指紋與指靜脈雙模態(tài)識(shí)別的二級(jí)分類融合識(shí)別方法。指紋模塊與靜脈模塊作為第一級(jí)分類器，二級(jí)決策模塊作為二級(jí)分類器；指紋模塊與靜脈模塊讀取指紋圖像與靜脈圖像；對(duì)讀取的圖像分別進(jìn)行預(yù)處理操作并提取出二者的特征點(diǎn)集；對(duì)圖像分別進(jìn)行識(shí)別，其中指紋識(shí)別采用基于細(xì)節(jié)點(diǎn)匹配的方法，靜脈識(shí)別使用改進(jìn)的Hausdorff距離方式進(jìn)行識(shí)別，得到各自的識(shí)別結(jié)果；二級(jí)決策模塊將提取出的指紋與靜脈特征點(diǎn)集以特征串聯(lián)的方式形成新的特征矢量來構(gòu)成第二級(jí)分類器，得出一個(gè)識(shí)別結(jié)果；最后將上述三個(gè)識(shí)別結(jié)果進(jìn)行決策級(jí)融合。本發(fā)明充分地利用了指紋及手指靜脈的識(shí)別信息，有效地提高了識(shí)別系統(tǒng)的準(zhǔn)確性，識(shí)別率高。
文檔編號(hào)G06K9/00GK101847208SQ20101019745
公開日2010年9月29日 申請(qǐng)日期2010年6月11日 優(yōu)先權(quán)日2010年6月11日
發(fā)明者馮偉興, 劉靖宇, 李雪峰, 王晨暉, 王科俊, 馬慧 申請(qǐng)人:哈爾濱工程大學(xué)