本发明涉及特征识别技术领域，具体地，涉及一种基于pca和小波分解的手背静脉识别方法。
背景技术：
静脉识别，生物识别的一种。静脉识别系统一种方式是通过静脉识别仪取得个人静脉分布图，依据专用比对算法从静脉分布图提取特征值，另一种方式通过红外线ccd摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，实现特征值存储。静脉比对时，实时采取静脉图，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，采用复杂的匹配算法同存储在主机中静脉特征值比对匹配，从而对个人进行身份鉴定，确认身份。
手背静脉识别成为了现今进行身份确认的主要途径之一。常见的方法有对手背静脉图像进行几何特征提取、利用阈值法建立手背模板或者通过计算静脉图像的质心获取几何分割中心点。但是，通过以上方法获取的图像包含大量阴影和边缘，图像对比度和稳定性都比较差。
技术实现要素：
本发明的目的在于，针对上述问题，提出一种基于pca和小波分解的手背静脉识别方法，以实现手背静脉图像清晰度高、对比度高和稳定性好的优点。
为实现上述目的，本发明采用的技术方案是：一种基于pca和小波分解的手背静脉识别方法，主要包括步骤1:：客户将手水平放置于图像采集器下，获取客户的手背静脉图像；步骤2：对手背静脉图像进行小波分解，得到手背静脉分解图像；步骤3：利用pca算法降低背静脉特征图像的维数，提取手背静脉特征值，得到手背静脉特征图像。
进一步地，所述手背静脉图像包括高频带信息和低频带信息。
进一步地，所述高频带信息为手背静脉图像的全局信息、细节信息和噪声信息。
进一步地，所述低频带信息为手背静脉图像的主要特征信息。
进一步地，所述小波分解对手背静脉图像进行n次分解，将手背静脉图像的噪声降低到原来的5n，以去除高频带信息，保留低频带信息。
进一步地，所述pca算法具体包括：步骤s1：将手背静脉分解图像按行或列展开成m个一维向量；步骤s2：构建协方差矩阵；步骤s3：求解特征值和特征向量；步骤s4：对特征值和特征向量进行降序排列，提取主要特征值，得到特征子空间。
本发明采用的一种基于pca和小波分解的手背静脉识别方法，主要包括：步骤1:：客户将手水平放置于图像采集器下，获取客户的手背静脉图像；步骤2：对手背静脉图像进行小波分解，得到手背静脉分解图像；步骤3：利用pca算法降低背静脉特征图像的维数，提取手背静脉特征值，得到手背静脉特征图像。本发明采用的一种基于pca和小波分解的手背静脉识别方法，可以实现手背静脉图像清晰度高、对比度高和稳定性好的优点。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明所述一种基于pca和小波分解的手背静脉识别方法的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
由图1可知，一种基于pca和小波分解的手背静脉识别方法，主要包括步骤1:：客户将手水平放置于图像采集器下，获取客户的手背静脉图像；步骤2：对手背静脉图像进行小波分解，得到手背静脉分解图像；步骤3：利用pca算法降低背静脉特征图像的维数，提取手背静脉特征值，得到手背静脉特征图像。
手背静脉图像包括高频带信息和低频带信息。高频带信息为手背静脉图像的全局信息、细节信息和噪声信息。低频带信息为手背静脉图像的主要特征信息。小波分解对手背静脉图像进行n次分解，将手背静脉图像的噪声降低到原来的5n，以去除高频带信息，保留低频带信息。
pca算法具体包括：步骤s1：将手背静脉分解图像按行或列展开成m个一维向量；步骤s2：构建协方差矩阵；步骤s3：求解特征值和特征向量；步骤s4：对特征值和特征向量进行降序排列，提取主要特征值，得到特征子空间。
至少可以达到以下有益效果：
本发明采用的一种基于pca和小波分解的手背静脉识别方法，主要包括：步骤1:：客户将手水平放置于图像采集器下，获取客户的手背静脉图像；步骤2：对手背静脉图像进行小波分解，得到手背静脉分解图像；步骤3：利用pca算法降低背静脉特征图像的维数，提取手背静脉特征值，得到手背静脉特征图像。本发明采用的一种基于pca和小波分解的手背静脉识别方法，可以实现手背静脉图像清晰度高、对比度高和稳定性好的优点。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。