基于2dpca和分区lbp的单样本静脉识别的方法
【专利摘要】本发明是一种基于2DPCA特征和分区LBP特征的静脉识别方法，克服了单样本识别性能较低的问题，仅仅利用手掌静脉图像样本，避免了采集多种生物特征样本的麻烦，实验结果表明，本发明在很大程度上克服了手掌静脉识别中单样本情况的影响，提高了单样本情况下的识别率，从而保证了单样本手掌静脉识别的实用性。
【专利说明】基于2DPCA和分区LBP的单样本静脉识别的方法
【技术领域】
[0001]本发明属于手掌静脉识别【技术领域】，涉及一种基于2DPCA和分区LBP的单样本静脉识别的方法。
【背景技术】
[0002]随着现代社会的发展与进步，人们对社会信息化和网络化安全性的要求越来越高。静脉身份识别作为当前最新的一种生物特征识别技术，也相应地受到国内外研究机构和公司越来越多的重视。所谓的静脉识别，是指将皮肤下的静脉血管作为身份特征进行身份识别的技术。静脉作为血管的一种，它比动脉靠近皮肤，更易于通过近红外线检测获取。静脉图案的曲线和分支相当的复杂，每个人的差别十分清楚，据统计，手掌静脉分布的相似率只有不到0.00008%，相比于指纹、虹膜等的识别，它具有更高的精确度。静脉血管位于体表内部，随年龄增长其组织结构变化不大，而且很难伪造或是手术改变，可以避免一旦皮表受损害而无法进行指纹、掌纹识别的缺陷；相比DNA、虹膜识别，它的采集过程十分友好。一个典型的静脉识别系统主要分为两个部分:一是注册部分，包括图像预处理、特征提取及特征数据库的生成；二是验证部分，包括图像预处理、特征提取及与特征数据库中的特征进行匹配判断。
[0003]不过，在当前的静脉识别研究中，大部分的是基于多样本的算法研究，算法的识别率会随着训练样本个数的增加而提高，但是当只有单个样本时，识别性能则会显著下降。为了解决单样本识别性能缺陷，目前的研究主要关注的是多模态生物特征融合方法。但是，在实际应用中，经常会遇到缺乏多种生物特征样本的情况。
【发明内容】
[0004]本发明的目的为了避免采集多种生物特征样本的麻烦，提供了一种基于2DPCA和分区LBP的单样本手掌静脉识别方法，有效地提高单样本手掌静脉识别率。
[0005]本发明一种基于2DPCA和分区LBP的单样本手掌静脉识别方法，包括如下步骤:
[0006]步骤1、生成2DPCA特征库:
[0007]步骤11、对训练图像库中的每张原始单样本手掌静脉图像通过图像重采样方法采样4次生成4张虚拟子图像，然后再利用奇异值扰动的虚拟图像生成算法，对该原始单样本手掌静脉图像的奇异值进行扰动4次生成另外4张虚拟子图像；
[0008]步骤12、利用2DPCA算法从生成的8张虚拟子图像上提取静脉特征，得到原始单样本手掌静脉图像的投影特征图像形成2DPCA特征库；
[0009]步骤2、生成分区LBP特征库:
[0010]步骤21、将训练图像库中的每张原始单样本手掌静脉图像的ROI区域按行2等分和列2等分的模式，划分为4个大小相等的子图像；
[0011]步骤22、对每个子图像利用圆形LBP算子提取纹理特征，其步骤为:对子图像中的每个像素点，在半径为8的圆形LBP算子的窗口中，以窗口中心点的灰度值为阈值对窗口内16个采样点像素作二值化处理，得到16位二进制数，计算公式为:
[0012]
【权利要求】
1.一种基于2DPCA和分区LBP的单样本手掌静脉识别方法，其特征在于包括如下步骤: 步骤1、生成2DPCA特征库: 步骤11、对训练图像库中的每张原始单样本手掌静脉图像通过图像重采样方法采样4次生成4张虚拟子图像，然后再利用奇异值扰动的虚拟图像生成算法，对该原始单样本手掌静脉图像的奇异值进行扰动4次生成另外4张虚拟子图像； 步骤12、利用2DPCA算法从生成的8张虚拟子图像上提取静脉特征，得到原始单样本手掌静脉图像的投影特征图像形成2DPCA特征库； 步骤2、生成分区LBP特征库: 步骤21、将训练图像库中的每张原始单样本手掌静脉图像的ROI区域按行2等分和列2等分的模式，划分为4个大小相等的子图像； 步骤22、对每个子图像利用圆形LBP算子提取纹理特征，其步骤为:对子图像中的每个像素点，在半径为8的圆形LBP算子的窗口中，以窗口中心点的灰度值为阈值对窗口内16个采样点像素作二值化处理，得到16位二进制数，计算公式为:
2.根据权利要求1所述的一种基于2DPCA和分区LBP的单样本手掌静脉识别方法，其特征在于:所述的图像重采样方法是通过对原始单样本手掌静脉图像进行采样来获取新的虚拟子图像，具体过程是将训练图像库中的每张原始单样本手掌静脉图像划分成PXQ大小的子块，然后从每个PXQ大小的子块中采样一个像素点构成原始单样本手掌静脉图像的一张虚拟子图像，所述的P和Q分别是采样间距的长和宽，令P=Q=2，设原始单样本手掌静脉图像的大小是MXN，M、N分别是图像的长和宽，则经过图像重采样生成的一张虚拟子图像 Iij(m, η)为:Iij(m, n)=I ((m-1) XP+i, (n_l) XQ+j) (I) 式(I)中，I≤m≤M/P，l≤η≤N/Q，I≤i≤P，I≤j≤Q。
3.根据权利要求1所述的一种基于2DPCA和分区LBP的单样本手掌静脉识别方法，其特征在于:所述的基于奇异值扰动的虚拟图像生成方法是通过对原始单样本手掌静脉图像的奇异值进行扰动来生成新的虚拟子图像，假设I (x，y)表示一张MXN的静脉图像的灰度值分布，其中xe [l，M]，ye [1，N]，通过式(2)得到一张新的虚拟子图像P: P=UXnV1 (2) 式(2)中，η表不扰动系数，U、V分别表不为一个正交矩阵,T表不矩阵的转置，Σ表不一个对角矩阵，它对角线上的值为图像矩阵I (x，y)的奇异值，U，Σ，V由图像矩阵I(x，y)的奇异值分解公式(3)决定:Ι=υΣντ (3)。
4.根据权利要求1所述的一种基于2DPCA和分区LBP的单样本手掌静脉识别方法，其特征在于:所述的2DPCA算法是直接利用虚拟子图像得到协方差矩阵，求得协方差矩阵的前d个较大的特征值所对应的特征向量组成投影矩阵，然后把上述8张虚拟子图像都投影到上述特征向量上，得到原始单样本手掌静脉图像的投影特征图像。
【文档编号】G06K9/62GK103839051SQ201410077823
【公开日】2014年6月4日 申请日期:2014年3月5日 优先权日:2014年3月5日
【发明者】冯桂, 林建民 申请人:华侨大学