一种手指静脉快速识别方法与流程

本发明涉及手指静脉识别领域，具体涉及一种手指静脉快速识别方法。

背景技术：

手指静脉识别系统主要包括图像获取、图像预处理、特征获取以及匹配四个部分。图像获取普遍采用透射式成像。图像预处理主要包括图像增强和静脉纹路的分割或者感兴趣区域(regionofinterest，roi)的提取。由于采集后的图像中普遍存在光照不均、对比度低、噪声干扰等问题，各种不同的图像增强方法被提出来解决图像的低质量问题，其中最常用的方法是gabor滤波。gabor滤波器可以在频域不同尺度、不同方向上提取相关的特征，是一种有效的纹理检测工具。特征提取是手指静脉识别最重要的步骤，大量文献在这方面对相关问题进行了深入的研究。目前手指静脉识别技术主要分为基于局部细节点、纹理、基于统计特性以及基于融合的方法。基于细节点的方法是在分割出手指静脉纹路之后，再提取细节点的位置信息，这种方法能够较好的表示静脉纹路的拓扑结构，对旋转平移图像具有一定的鲁棒性。在提取特征之前会先进行静脉纹路的提取或者roi的提取，以提高特征提取的速度、保证提取特征的有效性，但同时也容易造成图像部分信息的损失以及生成伪特征点。

技术实现要素：

本发明所要解决的技术问题是提供一种手指静脉快速识别方法，解决匹配过程中特征提取复杂且利用率低的问题。

本发明解决上述技术问题的技术方案如下：一种手指静脉快速识别方法，包括以下步骤：

s1、通过透射成像形成手指静脉的光学图像；

s2、基于光学图像的像素灰度值构建手指静脉字典；

s3、通过pca方法对手指静脉字典进行数据的降维处理；

s4、输入待测样本并对待测样本通过pca方法降维；

s5、将降维后的待测样本在降维后的静脉字典下进行稀疏表示，并并计算稀疏系数向量在静脉字典下对应每一类重建样本与待测样本的残差，输出残差最小的一类为最终手指静脉类别。

本发明的有益效果是：本发明融合稀疏表示和pca特征的手指静脉快速识别方法，既保留了稀疏特征对光照的鲁棒性，同时pca降维的过程也进一步缩短了特征提取的时间，使方法更好的满足实时性的要求。本发明不对图像做过多的预处理，只对图像背景进行粗略裁剪，这样更好的保存了图像的信息，也减少了预处理的时间。本发明使用自建数据库，通过精简图像预处理过程、缩小图像尺寸、简化特征提取模型等方法，在pca降维后图像上只需要提取图像的稀疏特征，保证了匹配过程的实时性及特征的有效性和利用率。

附图说明

图1为本发明总流程图；

图2为本发明实施例1中的公开数据库示例图；

图3为本发明实施例2中的自建数据库1示例图；

图4为本发明实施例3中的自建数据库2示例图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种手指静脉快速识别方法，包括以下步骤：

s1、通过透射成像形成手指静脉的光学图像。

在本发明实施例中，步骤s1中的成像过程为：摄像头与红外放射光源分置在手指两侧，光源从手指背侧进入，穿透手指而成像，本发明只对原始图像做尺寸归一处理，统一尺寸为32mm×32mm。

s2、基于光学图像的像素灰度值构建手指静脉字典。

在本发明实施例中，步骤s2具体包括以下步骤：

s21、根据像素灰度值将每一幅光学图像分别转换为一维列向量。

s22、将所有的列向量组合成手指静脉字典，其中字典的每一列即为一个训练样本对象。

s3、通过pca(principalcomponentanalysis，主成分分析)方法对手指静脉字典进行数据的降维处理。

在本发明实施例中，步骤s3具体包括以下步骤：

s31、将手指静脉字典数据用矩阵a0∈r^m*n表示，m为单个样本的维度，n为样本的个数，矩阵a0中每一列代表一个训练样本对象，对矩阵做样本中心化处理(对每个样本进行去平均处理)，从而得到静脉字典数据a1∈r^m*n。

s32、构建协方差矩阵c＝a1×a1^t，并计算其特征值和特征向量，选取特征值较大的前k个特征向量，得到压缩和归一化后的特征空间p∈r^k*m。

s33、将字典数据a1投影到新的特征空间p，得到降维后的静脉字典b∈r^k*n。

s4、输入待测样本并对待测样本通过pca方法降维。

在本发明实施例中，步骤s4具体包括：将待测样本投影到新的特征空间p，得到降维后的待测样本y∈r^k*1，保证测试图像和静脉字典的维度统一。

s5、将降维后的待测样本在降维后的静脉字典下进行稀疏表示，并计算稀疏系数向量在静脉字典下对应每一类重建样本与待测样本的残差，输出残差最小的一类为最终手指静脉类别。

在本发明实施例中，步骤s5具体包括以下步骤：

s51、将降维后的待测样本y∈r^k*1在降维后的静脉字典b∈r^k*n下进行稀疏表示：

y＝bx+ε(1)

在公式(1)中，x为稀疏系数向量，ε为相应的噪声。

s52、利用l1范数最小化问题求解稀疏系数向量x：

在公式(2)中，y为待测样本，b为降维后的静脉字典，ε为二范数约束容差，为估计出的稀疏系数向量。

s53、根据稀疏系数计算每一类的样本残差

在公式(3)中，为第i类训练样本的稀疏系数，为稀疏系数向量在静脉字典下对应每一类的重建样本。

s54、选择残差值最小的一类样本作为最终手指静脉类别。

在本发明实施例中，方法的性能通过如下两个指标来衡量：

(1)识别率：方法识别率是判断方法识别准确性的指标，其公式为：

(2)单幅图像匹配时间：单幅图像匹配时间指的是从输入待测图像到输出识别结果的时间。

下面以三个具体实施例对本发明提供的一种手指静脉快速识别方法的性能作进一步描述：

实施例1为：实施例1所用数据库为公开数据库(图2)，公开数据库的图像是已经提取过roi的图像，所以公开数据库预处理只需进行简单的尺寸统一。本发明在公开数据库上的实验步骤如下：

(1)输入图像，尺寸统一为32×32；

(2)构建字典矩阵；

(3)pca降维，字典矩阵投影到特征空间；

(4)输入待测图像，投影到特征空间；

(5)将待测样本的投影向量在字典矩阵下进行稀疏表示；

(6)求解稀疏系数；

(7)计算样本残差，根据最小残差进行分类；

(8)统计不同维数上，本方法的识别率以及单幅图像识别时间。

其统计结果如表1所示，可以明显看到pca、lda+pca方法的识别时间很短，远远小于lbph和lbph+pca方法，且在此数据库上，pca、lda+pca方法识别率也很高。本发明在维数取22维的时候，识别率也达到了100％，且耗时较lbph和lbph+pca方法低了很多。

表1公开数据库实验结果

实施例2为：实施例2所用数据库为自建数据库1(图3)，自建库1存在数量不少的低质量图像。因为光照不均，这些图像普遍存在纹路模糊或信息缺失的问题，导致用局部特征不能很好的描述这些图像的特征，预处理也无法提取手指纹路信息和边缘信息。本发明从全局角度提取图像特征，对于以上问题效果较其他局部特征提取方法更好。统计的实验结果如表2所示。从表2可以看出：pca方法识别率依然很不错，识别时间也最短，充分证明了pca在速度上的优势。而lda+pca、lbph方法在自建数据库1上识别率较pca和本发明低。本发明在维数为21维的时候，识别率就达到了pca全维的识别率，在维数为37维的时候就超越了pca方法的识别率，更是在78维的时候，识别率达到了98.59％，且本发明在耗时上也是由于lbph方法，在性能综合评价上，本发明最优。

表2自建数据库1实验结果

实施例3：实施例3所用数据库为自建数据库2(图4)，自建库2存在的问题是：(1)多余背景过多；(2)亮度差别大；(3)部分信息缺失。通过裁剪背景区域发现识别效果不好，通过分析发现原因是由于采集过程中同一根手指位置发生变化，通过固定裁剪法放大了这种差异。但采集过程中并未采集到完整的手指边缘，所以无法通过边缘提取感兴趣区域。所以本发明对自建数据库2图像不提取roi，只统一尺寸32×32。实验结果统计如表3所示，从表3可以看出：pca方法在自建数据库2上识别率大大降低，说明其鲁棒性不够好，lda+pca、lbph的识别率有所提高，但不及本发明识别率。本发明识别率最高可达89.31％，单幅图像匹配时间依然比lbph方法少。

表3自建数据库2实验结果

从实施例1、实施例2和实施例3可以得出，本发明的基于稀疏表示和pca快速手指静脉识别方法能有效提取手指静脉的统计特征，在手指静脉图像缺失程度不同三个数据库上都有很好的表现：(1)在三个不同的数据库上，本发明识别率都优于其他局部特征提取方法，较pca、lda+pca对光照的鲁棒性更好，在低质量静脉图像数据库优势明显；(2)单幅图像识别时间较局部特征提取方法优势明显。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。