本發(fā)明涉及圖像處理及模式識(shí)別領(lǐng)域，具體涉及一種基于改進(jìn)局部二值模型的指靜脈識(shí)別方法及裝置。
背景技術(shù)：
：靜脈識(shí)別技術(shù)是日立在醫(yī)療領(lǐng)域研究時(shí)發(fā)現(xiàn)了靜脈血管里的失氧血紅蛋白能吸收一定波長(zhǎng)的近紅外線，并且發(fā)現(xiàn)人的靜脈血管具有很好的唯一性。指靜脈識(shí)別作為具有高防偽性的第二代生物識(shí)別技術(shù)備受矚目。目前常見的指靜脈識(shí)別算法為使用局部信息的方法，如LBP及其衍生的LDP、LTP、EQP等方法。使用局部形狀信息的方法首先定位指靜脈圖像的特征點(diǎn)，之后通過特征點(diǎn)的形狀來匹配、識(shí)別新的指靜脈圖像。由于只使用特征點(diǎn)，因而該類算法得到的模板很小，易于存儲(chǔ)，且識(shí)別時(shí)計(jì)算量小。但是LBP類的方法對(duì)噪聲很敏感，對(duì)識(shí)別準(zhǔn)確率的影響較大。另一方面，對(duì)特征點(diǎn)進(jìn)行匹配時(shí)，常采用SVD及hungarian的方法進(jìn)行匹配。SVD方法具有比例不變性、旋轉(zhuǎn)不變性等優(yōu)點(diǎn)。但是，其缺點(diǎn)是，SVD分解得到的奇異矢量中有負(fù)數(shù)存在，不能很好地解釋其物理意義；另一方面，SVD分解的方法很難并行化，導(dǎo)致其速度很慢。Huangrian的方法又稱匈牙利算法，該算法將匹配問題當(dāng)做分配問題，但是該算法有時(shí)較難收斂，無法找到最優(yōu)解。除此之外，這兩種方法匹配特征點(diǎn)時(shí)，出現(xiàn)誤匹配的概率較大。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)存在的不足和缺陷，本發(fā)明提供一種基于改進(jìn)局部二值模型的指靜脈識(shí)別方法及裝置。一方面，本發(fā)明實(shí)施例提出一種基于改進(jìn)局部二值模型的指靜脈識(shí)別方法，包括：S1、獲取待識(shí)別的指靜脈圖像，定位指靜脈特征點(diǎn)位置，并基于改進(jìn)的局部二值模型計(jì)算各個(gè)特征點(diǎn)的LmTP特征；S2、借助于融合距離和LmTP特征的相似度對(duì)所述指靜脈特征點(diǎn)和預(yù)設(shè)的模板圖像的指靜脈特征點(diǎn)進(jìn)行匹配；S3、根據(jù)匹配的結(jié)果，計(jì)算匹配點(diǎn)對(duì)的全局相似度；S4、根據(jù)所述全局相似度對(duì)所述指靜脈圖像進(jìn)行指靜脈識(shí)別。另一方面，本發(fā)明實(shí)施例提出一種基于改進(jìn)局部二值模型的指靜脈識(shí)別裝置，包括：LmTP特征計(jì)算單元，用于獲取待識(shí)別的指靜脈圖像，定位指靜脈特征點(diǎn)位置，并基于改進(jìn)的局部二值模型計(jì)算各個(gè)特征點(diǎn)的LmTP特征；匹配單元，用于借助于融合距離和LmTP特征的相似度對(duì)所述指靜脈特征點(diǎn)和預(yù)設(shè)的模板圖像的指靜脈特征點(diǎn)進(jìn)行匹配；全局相似度計(jì)算單元，用于根據(jù)匹配的結(jié)果，計(jì)算匹配點(diǎn)對(duì)的全局相似度；識(shí)別單元，用于根據(jù)所述全局相似度對(duì)所述指靜脈圖像進(jìn)行指靜脈識(shí)別。本發(fā)明實(shí)施例所述的基于改進(jìn)局部二值模型的指靜脈識(shí)別方法及裝置，一方面，改進(jìn)了局部二值模型，使其不易受噪聲的影響，另一方面，提出了LmTP特征，該LmTP特征能夠克服噪聲的影響，并且在指靜脈特征點(diǎn)匹配時(shí)，借助于融合距離和LmTP特征的相似度進(jìn)行匹配，能夠得到最優(yōu)匹配結(jié)果，使其在匹配點(diǎn)較少時(shí)，不易出現(xiàn)誤匹配的情況，匹配的準(zhǔn)確度更高且易于并行化實(shí)現(xiàn)，從而相較于現(xiàn)有技術(shù)，本發(fā)明能夠克服噪聲的影響，提高識(shí)別的準(zhǔn)確度且易于并行化實(shí)現(xiàn)。附圖說明圖1為本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法一實(shí)施例的流程示意圖；圖2為圖1中S2一實(shí)施例的流程示意圖；圖3為本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別裝置一實(shí)施例的結(jié)構(gòu)示意圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。參看圖1，本實(shí)施例公開一種基于改進(jìn)局部二值模型的指靜脈識(shí)別方法，包括：S1、獲取待識(shí)別的指靜脈圖像，定位指靜脈特征點(diǎn)位置，并基于改進(jìn)的局部二值模型計(jì)算各個(gè)特征點(diǎn)的LmTP特征；S2、借助于融合距離和LmTP特征的相似度對(duì)所述指靜脈特征點(diǎn)和預(yù)設(shè)的模板圖像的指靜脈特征點(diǎn)進(jìn)行匹配；S3、根據(jù)匹配的結(jié)果，計(jì)算匹配點(diǎn)對(duì)的全局相似度；S4、根據(jù)所述全局相似度對(duì)所述指靜脈圖像進(jìn)行指靜脈識(shí)別。本發(fā)明實(shí)施例所述的基于改進(jìn)局部二值模型的指靜脈識(shí)別方法，一方面，改進(jìn)了局部二值模型，使其不易受噪聲的影響，另一方面，提出了LmTP特征，該LmTP特征能夠克服噪聲的影響，并且在指靜脈特征點(diǎn)匹配時(shí)，借助于融合距離和LmTP特征的相似度進(jìn)行匹配，能夠得到最優(yōu)匹配結(jié)果，使其在匹配點(diǎn)較少時(shí)，不易出現(xiàn)誤匹配的情況，匹配的準(zhǔn)確度更高且易于并行化實(shí)現(xiàn)，從而相較于現(xiàn)有技術(shù)，本發(fā)明能夠克服噪聲的影響，提高識(shí)別的準(zhǔn)確度且易于并行化實(shí)現(xiàn)?？蛇x地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述定位指靜脈特征點(diǎn)位置，包括：對(duì)所述指靜脈圖像進(jìn)行預(yù)處理；使用最大曲率算法識(shí)別所述預(yù)處理得到的圖像中的指靜脈區(qū)域和背景區(qū)域，對(duì)所述預(yù)處理得到的圖像進(jìn)行二值化，得到二值圖像，并對(duì)所述二值圖像進(jìn)行細(xì)化，其中，所述指靜脈區(qū)域的像素值為1，所述背景區(qū)域的像素值為0；取3*3的窗口遍歷所述細(xì)化后的二值圖像的每個(gè)位置，判斷該窗口的中心點(diǎn)處的像素點(diǎn)的像素值是否為1，如果為1，則計(jì)算Ntrans，判斷Ntrans是否為2或者不小于6，若Ntrans為2，則該位置處的像素點(diǎn)為端點(diǎn)端點(diǎn)(EndPoint，EP)，或者若Ntrans不小于6，則該位置處的像素點(diǎn)為分支點(diǎn)(BifurcationPoint，BP)，其中，該窗口的中心點(diǎn)位于該位置，Ntrans的計(jì)算公式為Ntrans=Σi=18pi+1-pi,]]>式中，p1至p8依次為該窗口中從左上角位置開始，沿著窗口外圍順時(shí)針分布的像素點(diǎn)的像素值，p9＝p1。本發(fā)明實(shí)施例中，通過對(duì)所述指靜脈圖像進(jìn)行預(yù)處理，能夠平滑噪聲的同時(shí)，增強(qiáng)指靜脈區(qū)域與背景區(qū)域的差異?？蛇x地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述對(duì)所述指靜脈圖像進(jìn)行預(yù)處理，包括：使用偶對(duì)稱Gabor濾波器對(duì)所述指靜脈圖像進(jìn)行濾波，其中，Gabor濾波器函數(shù)表示為式中，x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ，(x,y)為原始坐標(biāo)，(x',y')為經(jīng)過濾波后坐標(biāo)，λ為波長(zhǎng)；θ為方向，該參數(shù)控制了Gabor函數(shù)條紋方向，取值為0-360°；為相位偏移，取值范圍為-180°-180°；γ為長(zhǎng)寬比，決定Gabor函數(shù)的橢圓率，σ表示Gabor函數(shù)的高斯因子的標(biāo)準(zhǔn)差；使用CLAHE對(duì)濾波后的圖像進(jìn)行增強(qiáng)。本發(fā)明實(shí)施例中，使用CLAHE對(duì)濾波后的圖像進(jìn)行增強(qiáng)為現(xiàn)有技術(shù)，此處不再贅述，如可以采用申請(qǐng)?zhí)枮?01510661549.X的專利中的方法等?？蛇x地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述使用最大曲率算法識(shí)別所述預(yù)處理得到的圖像中的指靜脈區(qū)域和背景區(qū)域，包括：計(jì)算所述預(yù)處理得到的圖像中的每一個(gè)像素點(diǎn)的曲率，計(jì)算公式為其中，Kf(z)表示位置為z的像素點(diǎn)的曲率，(x0,y0)為位置z的坐標(biāo)，當(dāng)i>0時(shí)，xi表示位置z處像素點(diǎn)右側(cè)第i個(gè)像素點(diǎn)的橫坐標(biāo)，當(dāng)i<0時(shí)，xi表示位置z處像素點(diǎn)左側(cè)第i個(gè)像素點(diǎn)的橫坐標(biāo)，當(dāng)i>0時(shí)，yi表示位置z處像素點(diǎn)正上方第i個(gè)像素點(diǎn)的縱坐標(biāo)，當(dāng)i<0時(shí)，yi表示位置z處像素點(diǎn)正下方第i個(gè)像素點(diǎn)的縱坐標(biāo)，w是參數(shù)，用于計(jì)算剖面的平均值，其經(jīng)驗(yàn)值為8；確定出所述曲率的極大值，并將所述極大值對(duì)應(yīng)的像素點(diǎn)作為可能的指靜脈中心點(diǎn)；給每個(gè)可能的指靜脈中心點(diǎn)打分，分值計(jì)算公式為S'cr＝Kf×Wr，其中，S'cr為第一分值，Kf為曲率，Wr為指靜脈中心點(diǎn)的局部曲率為正的區(qū)域?qū)挾?；?duì)于所述預(yù)處理得到的圖像中的每一個(gè)像素點(diǎn)，對(duì)水平方向、垂直方向，以及±45°方向上的可能的指靜脈中心點(diǎn)的第一分值求和，并將求和結(jié)果作為該像素點(diǎn)的第二分值；對(duì)于所述預(yù)處理得到的圖像中的每一個(gè)像素點(diǎn)，分別計(jì)算水平方向、垂直方向，以及±45°方向上該像素點(diǎn)的Cd(x,y)，并對(duì)水平方向、垂直方向，以及±45°方向上該像素點(diǎn)的Cd(x,y)求最大值，得到該像素點(diǎn)的G(x,y)，其中，Cd(x,y)＝min{max(Scr(x-1,y),Scr(x-2,y)),max(Scr(x+1,y),Scr(x+2,y))}，(x,y)表示像素點(diǎn)的坐標(biāo)，Scr(x-1,y)為某一方向上坐標(biāo)為(x,y)的像素點(diǎn)前第一個(gè)像素點(diǎn)的第二分值，Scr(x-2,y)為某一方向上坐標(biāo)為(x,y)的像素點(diǎn)前第二個(gè)像素點(diǎn)的第二分值，Scr(x+1,y)為某一方向上坐標(biāo)為(x,y)的像素點(diǎn)后第一個(gè)像素點(diǎn)的第二分值，Scr(x+2,y)為某一方向上坐標(biāo)為(x,y)的像素點(diǎn)后第二個(gè)像素點(diǎn)的第二分值；對(duì)于所述預(yù)處理得到的圖像中的每一個(gè)像素點(diǎn)，比較該像素點(diǎn)的G(x,y)與第一數(shù)值的大小關(guān)系，若該像素點(diǎn)的G(x,y)小于所述第一數(shù)值，則確定該像素點(diǎn)屬于背景區(qū)域，否則，則確定該像素點(diǎn)屬于指靜脈區(qū)域。本發(fā)明實(shí)施例中，水平方向、垂直方向上的可能的指靜脈中心點(diǎn)分別過該像素點(diǎn)的水平方向直線、垂直方向直線上的可能的指靜脈中心點(diǎn)，+45°方向、-45°方向上的可能的指靜脈中心點(diǎn)分別過該像素點(diǎn)且斜率為1或-1的直線上的可能的指靜脈中心點(diǎn)。對(duì)于第一數(shù)值，可以將G(x,y)中大于0的值按照從大到小進(jìn)行排序，并取排序后的中間元素的值作為第一數(shù)值，也可以根據(jù)需要取其它值，比如所述中間元素的值附近的其它值，本發(fā)明對(duì)此不作限定。可選地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述基于改進(jìn)的局部二值模型計(jì)算各個(gè)特征點(diǎn)的LmTP特征，包括：對(duì)于每一個(gè)特征點(diǎn)，計(jì)算和將所述和連接起來得到該特征點(diǎn)的LmTP特征，其中，a0至a7依次為所述預(yù)處理得到的圖像中以該特征點(diǎn)為中心的3*3窗口中從左上角位置開始，沿著窗口外圍順時(shí)針分布的像素點(diǎn)的灰度值，b0至b15依次為所述預(yù)處理得到的圖像中以該特征點(diǎn)為中心的5*5窗口中從左上角位置開始，沿著窗口外圍順時(shí)針分布的像素點(diǎn)的灰度值，c0至c23依次為所述預(yù)處理得到的圖像中以該特征點(diǎn)為中心的7*7窗口中從左上角位置開始，沿著窗口外圍順時(shí)針分布的像素點(diǎn)的灰度值，i∈(1,2,…,7)，m為該特征點(diǎn)的灰度值，t為預(yù)設(shè)的數(shù)值，一般取值為5?？蛇x地，參看圖2，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述S2，包括：S20、判斷當(dāng)前循環(huán)次數(shù)是否達(dá)到第二數(shù)值；S21、若達(dá)到所述第二數(shù)值，則保存最佳匹配點(diǎn)對(duì)以及最佳仿射變換參數(shù)S、T，執(zhí)行步驟S32，否則，則執(zhí)行步驟S22；S22、根據(jù)所述指靜脈圖像的端點(diǎn)和所述模板圖像的端點(diǎn)確定出從所述指靜脈圖像到所述模板圖像的的仿射變換參數(shù)；S23、判斷所述仿射變換參數(shù)是否在預(yù)設(shè)的范圍內(nèi)，若在所述范圍內(nèi)，則執(zhí)行步驟S24，否則，則執(zhí)行步驟S20；S24、通過仿射變換參數(shù)，對(duì)所述指靜脈圖像的特征點(diǎn)進(jìn)行仿射變換，變換后的特征點(diǎn)的位置記為(fxi',fyi')，i＝1,…,n1，n1為所述指靜脈圖像的特征點(diǎn)數(shù)量；S25、使用距離信息計(jì)算(fxi',fyi')和(gxj,gyj)的最佳匹配點(diǎn)對(duì)，其中，(gxj,gyj)為所述模板圖像的特征點(diǎn)位置，j＝1,…,n2，n2為所述模板圖像的特征點(diǎn)數(shù)量；S26、計(jì)算當(dāng)前匹配點(diǎn)對(duì)的基于距離的局部相似度S1；S27、判斷所述基于距離的局部相似度S1是否小于第三數(shù)值；S28、若小于所述第三數(shù)值，則更新S為所述仿射變換參數(shù)，更新最佳匹配點(diǎn)對(duì)為所述最佳匹配點(diǎn)對(duì)，更新所述第三數(shù)值為S1，并執(zhí)行步驟S29，否則，直接執(zhí)行步驟S29，dl為第l個(gè)最佳匹配點(diǎn)對(duì)的歐氏距離，M為最佳匹配點(diǎn)對(duì)的數(shù)量；S29、計(jì)算當(dāng)前匹配點(diǎn)對(duì)的基于LmTP特征的局部相似度SimilarityL；S30、判斷所述基于LmTP特征的局部相似度SimilarityL是否大于第四數(shù)值；S31、若大于所述第四數(shù)值，則更新T為所述仿射變換參數(shù)，更新最佳匹配點(diǎn)對(duì)為所述最佳匹配點(diǎn)對(duì)，更新所述第四數(shù)值為SimilarityL，并執(zhí)行步驟S20，否則，直接執(zhí)行步驟S20；S32、利用計(jì)算到的最佳仿射變換參數(shù)S、T分別對(duì)所述指靜脈圖像的分支點(diǎn)進(jìn)行仿射變換，并將每一次變換后的分支點(diǎn)和所述模板圖像的分支點(diǎn)進(jìn)行匹配，得到匹配點(diǎn)對(duì)本發(fā)明實(shí)施例中，第二數(shù)值可以根據(jù)需要設(shè)置，比如可以設(shè)置為50、60等。對(duì)于指靜脈圖像平移、旋轉(zhuǎn)、縮放均存在的情況，可以使用如下的齊次坐標(biāo)形式的公式計(jì)算仿射變換參數(shù)p1-p6：p1p2p3p4p5p6001x1x2x3y1y2y3111=x1′x2′x3′y1′y2′y3′111,]]>其中{(xi,yi)|i＝1,2,3}為指靜脈圖像的三個(gè)端點(diǎn)的坐標(biāo)，{(xi',yi')|i＝1,2,3}為模板圖像的三個(gè)端點(diǎn)的位置，其中，(xi,yi)對(duì)應(yīng)(xi',yi')。通過三組對(duì)應(yīng)的坐標(biāo)信息，便可以求得一組仿射變換參數(shù)p1-p6。此時(shí)預(yù)設(shè)的范圍內(nèi)指：0.5≤p1≤1.5，-0.5≤p2≤0.5，-40≤p3≤40，-0.5≤p4≤0.5，0.5≤p5≤1.5，-40≤p6≤40。對(duì)于平移、旋轉(zhuǎn)、縮放部分存在的情況，仿射變換參數(shù)為p1-p6中的部分參數(shù)，此處不再贅述。對(duì)特征點(diǎn)計(jì)算最優(yōu)仿射變換參數(shù)時(shí)，使用的是端點(diǎn)，因?yàn)槎它c(diǎn)比分支點(diǎn)更多，計(jì)算到的仿射變換參數(shù)更準(zhǔn)確。第三數(shù)值的初始值可以為一較大的數(shù)值，比如為104、1.7×10308等。第四數(shù)值的初始值一般為0?？蛇x地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述計(jì)算當(dāng)前匹配點(diǎn)對(duì)的基于LmTP特征的局部相似度SimilarityL，包括：計(jì)算變換后的第i個(gè)特征點(diǎn)和所述模板圖像的第j個(gè)特征點(diǎn)的歐式距離dij，計(jì)算公式為dij＝((fxi'-gxj)2+(fyi'-gyj)2)0.5；計(jì)算距離矩陣D，其中，其中，Dij＝exp(-dij)；將D中在所屬的行和所屬的列中均最大的元素值對(duì)應(yīng)的特征點(diǎn)對(duì)確定為匹配的特征點(diǎn)對(duì)，此時(shí)匹配的特征點(diǎn)對(duì)簡(jiǎn)計(jì)為M1＝{(fn',gn)}，n＝1,…,N，N為匹配點(diǎn)對(duì)的總數(shù)；計(jì)算SimilarityL，計(jì)算公式為其中，Ln1(k)和Ln2(k)分別為第n個(gè)匹配點(diǎn)對(duì)中兩個(gè)特征點(diǎn)的LmTP特征的第k位，Len為64。對(duì)于一對(duì)LmTP特征Li1和Li2，長(zhǎng)度均為64，由于LmTP特征包含-1，無法使用漢明距離計(jì)算相似度，因而本發(fā)明通過下式計(jì)算這對(duì)特征的相似度SimG(i)：SimG(i)=12LenΣj=1Len|Li1(j)-Li2(j)|,]]>如果匹配到N個(gè)特征點(diǎn)，匹配點(diǎn)對(duì)的相似度SimilarityG可通過下式計(jì)算：SimilarityG=1NΣi=1NSimG(i),]]>相似度SimilarityG越小，代表這兩個(gè)模板越相似。但是該相似度會(huì)造成誤匹配，如當(dāng)匹配到的特征點(diǎn)很少時(shí)，全局相似度值可能很小，會(huì)導(dǎo)致匹配錯(cuò)誤。因而，上述相似度稱為全局相似度。同時(shí)，本發(fā)明對(duì)全局相似度進(jìn)行了修改，Li1和Li2這對(duì)特征的局部相似度通過下式計(jì)算：SimL(i)=12LenΣj=1Len(1-|Li1(j)-Li2(j)|),]]>匹配點(diǎn)對(duì)的局部相似度SimilarityL便可通過下式計(jì)算：SimilarityL=Σi=1NSimL(i),]]>局部相似度越大，這兩個(gè)模板越相似。使用局部相似度后，當(dāng)匹配到的特征點(diǎn)對(duì)較少時(shí)，局部相似度不會(huì)太大，從而避免出現(xiàn)誤匹配?？蛇x地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述S3，包括：計(jì)算最佳匹配點(diǎn)對(duì)的全局相似度以及的全局相似度并選取較小者作為所述匹配點(diǎn)對(duì)的全局相似度?？蛇x地，在本發(fā)明基于改進(jìn)局部二值模型的指靜脈識(shí)別方法的另一實(shí)施例中，所述S4，包括：將所述全局相似度與第五數(shù)值進(jìn)行比較，若所述全局相似度大于第五數(shù)值，則確定為不同手指，否則，則確定為相同手指。本發(fā)明實(shí)施例中，第五數(shù)值一般閾值取0.25。參看圖3，本實(shí)施例公開一種基于改進(jìn)局部二值模型的指靜脈識(shí)別裝置，包括：LmTP特征計(jì)算單元1，用于獲取待識(shí)別的指靜脈圖像，定位指靜脈特征點(diǎn)位置，并基于改進(jìn)的局部二值模型計(jì)算各個(gè)特征點(diǎn)的LmTP特征；匹配單元2，用于借助于融合距離和LmTP特征的相似度對(duì)所述指靜脈特征點(diǎn)和預(yù)設(shè)的模板圖像的指靜脈特征點(diǎn)進(jìn)行匹配；全局相似度計(jì)算單元3，用于根據(jù)匹配的結(jié)果，計(jì)算匹配點(diǎn)對(duì)的全局相似度；識(shí)別單元4，用于根據(jù)所述全局相似度對(duì)所述指靜脈圖像進(jìn)行指靜脈識(shí)別。本發(fā)明實(shí)施例所述的基于改進(jìn)局部二值模型的指靜脈識(shí)別裝置，一方面，改進(jìn)了局部二值模型，使其不易受噪聲的影響，另一方面，提出了LmTP特征，該LmTP特征能夠克服噪聲的影響，并且在指靜脈特征點(diǎn)匹配時(shí)，借助于融合距離和LmTP特征的相似度進(jìn)行匹配，能夠得到最優(yōu)匹配結(jié)果，使其在匹配點(diǎn)較少時(shí)，不易出現(xiàn)誤匹配的情況，匹配的準(zhǔn)確度更高且易于并行化實(shí)現(xiàn)，從而相較于現(xiàn)有技術(shù)，本發(fā)明能夠克服噪聲的影響，提高識(shí)別的準(zhǔn)確度且易于并行化實(shí)現(xiàn)。雖然結(jié)合附圖描述了本發(fā)明的實(shí)施方式，但是本領(lǐng)域技術(shù)人員可以在不脫離本發(fā)明的精神和范圍的情況下做出各種修改和變型，這樣的修改和變型均落入由所附權(quán)利要求所限定的范圍之內(nèi)。當(dāng)前第1頁1 2 3