一种基于超球粒化商空间模型的手指静脉图像识别方法与流程

本发明属于图像识别技术领域，特别是涉及一种基于超球粒化商空间模型的手指静脉图像识别方法。

背景技术：

目前，由于传统的生物特征识别技术的安全性较低，因此无法满足人们对高精度身份识别的需求。随着生物特征识别技术的发展，手指静脉识别技术作为一种新型的生物特征识别技术存在很多优势。首先，手指静脉是活体识别，不同人的血管网络结构几乎在成年后终身不变；其次，手指静脉是内部特征，不存在任何外界因素(如：磨损等)带来的识别障碍；另外，手指静脉的采集系统是非接触性的，不存在易盗取问题。

人类智能的一个公认特点就是人们能从极不相同的粒度上观察和分析同一问题。人们不仅能在不同粒度世界上进行问题求解，而且能够很快地从一个粒度世界跳到另一个粒度世界，往返自如，毫无困难，这种处理不同粒度世界的能力，正是人类问题求解的强有力的表现。商空间模型正是模拟了这样的问题求解方法，它可以将原问题空间变换到不同的粒度空间进行求解，通过充分的利用各个粒度上的信息，大大降低了问题求解的复杂度。但目前尚未见到有关商空间模型在手指静脉图像识别方面的应用。

技术实现要素：

为了解决上述问题，本发明的目的在于提供一种基于超球粒化商空间模型的手指静脉图像识别方法。

为了达到上述目的，本发明提供的基于超球粒化商空间模型的手指静脉图像识别方法包括按顺序进行的下列步骤：

1)将采集的所有手指静脉ROI图像分为两部分，一部分作为训练样本集，一部分作为测试样本集，然后将上述所有手指静脉ROI图像进行分类，并给定类别标签，如果某些手指静脉ROI图像来自于同一根手指，则类别标签相同；

2)将上述所有手指静脉ROI图像的尺寸归一化为46*102像素，得到归一化ROI图像；

3)用各向异性滤波器对上述归一化ROI图像进行滤波，然后再利用中值滤波器进行滤波以去除脉冲噪声，由此对归一化ROI图像进行预处理，得到预处理后的ROI图像；

4)采用PCA对上述预处理后的ROI图像进行降维，并获取主成分特征，通过调节主成分特征占整个特征空间的贡献率，将预处理后的ROI图像降到不同的维数；

5)将上述训练样本集中每一张经预处理和PCA降维后的ROI图像作为一个样本并用高维空间中的一个超球粒来表示，超球粒的球心即为降维后的样本特征向量，半径设为0，这样每个样本都被抽象为高维空间中的一个具有球心和半径的原粒，然后对样本进行粒化，并构建分层递阶结构；

6)选取一个距离度量函数，通过此函数计算测试样本集中待测试样本与上述类粒集中每个类粒的距离，由此识别出待测试样本的类别。

在步骤4)中，所述的采用PCA对上述预处理后的ROI图像进行降维的具体步骤如下：

(1)特征中心化，即每一维的数据都减去该维的均值，特征中心化后得到矩阵B；

(2)计算矩阵B的协方差矩阵C；

(3)计算协方差矩阵C的特征值和特征向量；

(4)选取大的特征值对应的特征向量，得到新的数据集；特征值是由大到小排列的，如果前两个特征值的和已经超过了所有特征值之和的97％，满足要求，则取前两个特征值对应的特征向量，得到一个4692*2的矩阵M；

A′_5000*2＝A_5000*4692×M_4692*2 (1)

根据式(1)就可将5000*4692的数据集A映射成了5000*2的数据集A′，特征由4692个减到了2个。

在步骤5)中，所述的对样本进行粒化，并构建分层递阶结构的具体步骤如下：

①首先选定训练样本集中所有训练样本作为操作对象，每一个训练样本对应一个原粒；

②初始化一个空的类粒集，并将训练样本集中所有原粒放入原粒集；

③从原粒集中选出一个原粒并放入上述类粒集，作为第一个类粒；

④给定一个融合半径阈值t₁，然后将原粒集中的原粒从第二个原粒开始依次与上述第一个类粒进行融合而得到一个新粒G，融合公式为：

其中，第一个类粒G₁＝(C₁，r₁)，第二个原粒G₂＝(C₂，r₂)，C₁，C₂分别为第一个类粒G₁，第二个原粒G₂的球心，r₁，r₂分别为第一个类粒G₁，第二个原粒G₂的半径；P＝C₁-r₁(C₁₂/||C₁₂||)，Q＝C₂+r₂(C₁₂/||C₁₂||)，C₁₂是由第一个类粒G₁的球心C₁指向第二个原粒G₂的球心C₂的向量，C₁₂＝C₂-C₁，C是融合后新粒的圆心，R是融合后新粒的半径；

融合后的新粒半径为R_1i，如果满足R_1i<t₁，则将融合后的新粒作为第一个类粒放入类粒集中而代替开始放入的第一个类粒；然后继续进行下一次的融合，直至融合后的新粒半径R_1i＞t₁，则将对应于这个融合后新粒的原粒放入类粒集的第二位，成为类粒集的第二个类粒；

⑤然后将原粒集中未融合的原粒继续进行融合，不过要先比较待融合原粒与类粒集中哪个类粒最相似，相似程度用欧氏距离来衡量，由此找出与待融合原粒距离最近的类粒，然后将待融合原粒和这个类粒进行融合，如果融合后新粒的半径超出融合半径阈值t₁，则将对应于这个融合后新粒的原粒放入类粒集而成为第三个类粒，如果未超出，则将融合后的新粒放入类粒集中而代替与其距离最近的那个类粒；依此方法最后可将原粒集中所有原粒进行粒化，得到一个粗类粒集，即一个商集，该商集对应的空间为商空间；

⑥再设定一个小于上述融合半径阈值t₁的融合半径阈值t₁’，并按照步骤④—⑤的方法进行处理，得到一个细类粒集，并对粗类粒集和细类粒集构建拓扑关系；拓扑关系准则为只要细类粒集中具有粗类粒集中含有的原粒，就将粗类粒集与此细类粒集进行链接，细类粒集的类别由里面含有的大多数原粒的类别决定；以此准则，由此建立起两个商空间的拓扑结构；

⑦由大到小改变融合半径阈值，就可以得到由粗到细的不同类粒集，也就得到了不同的商集，由此形成了分层递阶结构。

所述的欧氏距离公式如下：

d(G_i,G_j)＝‖C_i-C_j‖₂-r_i-r_j (3)

其中，待融合原粒G_i＝(C_i,r_i)，类粒G_j＝(C_j,r_j)，C_i，C_j分别为待融合原粒G_i，类粒G_j的球心，r_i，r_j分别为待融合原粒G_i，类粒G_j的半径。

在步骤6)中，所述的选取一个距离度量函数，通过此函数计算测试样本集中待测试样本与上述类粒集中每个类粒的距离，由此识别出待测试样本的类别的方法是：距离度量函数选用欧氏距离，然后计算待测试样本test_m与类粒集中每个类粒的距离，选出和其距离最小的那个类粒的类别Class_t，那么该类别Class_t即为待测试样本test_m的类别；当为多层商空间时，首先将待测试样本test_m与粗类粒集中每个类粒进行比对，找到距离最小的粗类粒后，再与这个粗类粒有链接关系的细类粒进行比对，找到距离最小的细类粒，则该细类粒的类别即为待测试样本test_m的类别。

本发明提供的基于超球粒化商空间模型的手指静脉图像识别方法具有如下优点：可避免先形成矩阵的过程，直接通过设定不同粒化半径进行粒化形成分层递阶结构，使得运算效率大大提高，并成功应用于静脉图像识别，大大提高了识别效率。

附图说明

图1为归一化ROI图像。

图2为预处理后的ROI图像。

图3为基于超球粒化的多层递阶结构。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于超球粒化商空间模型的手指静脉图像识别方法进行详细说明。

本发明提供的基于超球粒化商空间模型的手指静脉图像识别方法包括按顺序进行的下列步骤：

1)将采集的所有手指静脉ROI图像分为两部分，一部分作为训练样本集，一部分作为测试样本集，然后将上述所有手指静脉ROI图像进行分类，并给定类别标签，如果某些手指静脉ROI图像来自于同一根手指，则类别标签相同；

比如，本发明中一共采集500个人的同一根手指(右手食指)的10张手指静脉ROI图像，共计5000张，其中3500张作为训练样本集，1500张作为测试样本集，每一个人的10张手指静脉ROI图像因为同属一根手指，所以类别相同，则给定相同的类别标签。

2)将上述所有手指静脉ROI图像的尺寸归一化为46*102(4692)像素，得到如图1所示的归一化ROI图像；

3)用各向异性滤波器对上述归一化ROI图像进行滤波，然后再利用中值滤波器进行滤波以去除脉冲噪声，由此对归一化ROI图像进行预处理，得到预处理后的ROI图像；

由图1可见，归一化ROI图像的静脉纹理和特征并不是很清晰，所以本步骤首先利用各向异性滤波器对其进行滤波。由于各向异性扩散所具有的优良特性，因此目前各向异性扩散滤波已广泛应用于图像处理的许多领域中。各向异性扩散将图像描述为一个分片常数模型，即将边缘作为区域的边界，假定各区域内像素的灰度值为常数。各向异性扩散在鼓励区域内平滑的同时禁止区域间平滑，从而使滤波器在平滑噪声的同时能较好地保留边缘等重要特征。然而，当图像中存在较强的脉冲噪声时，由于这些噪声点与边缘具有相似的梯度和方差，因此经过扩散处理后，这些噪声常常会与边缘一起被保留下来。所以本步骤再利用中值滤波器进行滤波以去除脉冲噪声。经过以上对归一化ROI图像的预处理，得到如图2所示的预处理后的ROI图像。每一张预处理后的ROI图像都可以用46*102的矩阵表示，将上述矩阵顺序相接后，每一张预处理后的ROI图像都可用一个1*4692的行向量来表示，这样5000张预处理后的ROI图像便可用一个5000*4692的矩阵来表示了。

4)采用PCA对上述预处理后的ROI图像进行降维，并获取主成分特征，通过调节主成分特征占整个特征空间的贡献率，将预处理后的ROI图像降到不同的维数；

信息粒在高维空间中的表示方法一直是粒计算的一个重要问题。本发明中用超球粒来表征每张预处理后的ROI图像，但若将每张预处理后的ROI图像直接看作一个超球粒，特征空间维数会很高(4692维)，这使得超球粒在高维空间的表示变得困难，而且计算复杂，识别效率非常低，所以本步骤采用PCA(主成分分析法)对上述所有预处理后的ROI图像进行降维，并获取主成分特征，通过调节主成分特征占整个特征空间的贡献率，将预处理后的ROI图像降到不同的维数。

PCA降维过程如下：

(1)特征中心化，即每一维的数据都减去该维的均值。这里的“维”指的是一个特征或属性。如在本发明中，5000张预处理后的ROI图像的矩阵A_5000*4692中每一列即为一维。特征中心化后得到矩阵B；

(2)计算矩阵B的协方差矩阵C；

(3)计算协方差矩阵C的特征值和特征向量；

(4)选取大的特征值对应的特征向量，得到新的数据集。特征值是由大到小排列的，如果前两个特征值的和已经超过了所有特征值之和的97％，满足要求，则取前两个特征值对应的特征向量，得到一个4692*2的矩阵M。

A′_5000*2＝A_5000*4692×M_4692*2 (1)

根据式(1)就可将5000*4692的数据集A映射成了5000*2的数据集A′，特征由4692个减到了2个。

本发明中PCA降维贡献率选为90％，最终降到68维。即经过PCA后，每个样本都变为一个68维的行向量，所有预处理后的ROI图像就组成了5000*68的矩阵。

5)将上述训练样本集中每一张经预处理和PCA降维后的ROI图像作为一个样本并用高维空间中的一个超球粒来表示，超球粒的球心即为降维后的样本特征向量，半径设为0，这样每个样本都被抽象为高维空间中的一个具有球心和半径的原粒，然后对样本进行粒化，并构建分层递阶结构；

具体步骤如下：

①首先选定训练样本集中所有训练样本作为操作对象，每一个训练样本对应一个原粒；

②初始化一个空的类粒集，并将训练样本集中所有原粒放入原粒集；

③从原粒集中选出一个原粒并放入上述类粒集，作为第一个类粒；

④给定一个融合半径阈值t₁，然后将原粒集中的原粒从第二个原粒开始依次与上述第一个类粒进行融合而得到一个新粒G，融合公式为：

其中，第一个类粒G₁＝(C₁，r₁)，第二个原粒G₂＝(C₂，r₂)，C₁，C₂分别为第一个类粒G₁，第二个原粒G₂的球心，r₁，r₂分别为第一个类粒G₁，第二个原粒G₂的半径；P＝C₁-r₁(C₁₂/||C₁₂||)，Q＝C₂+r₂(C₁₂/||C₁₂||)，C₁₂是由第一个类粒G₁的球心C₁指向第二个原粒G₂的球心C₂的向量，C₁₂＝C₂-C₁，C是融合后新粒的圆心，R是融合后新粒的半径。

融合后的新粒半径为R_1i，如果满足R_1i<t₁，则将融合后的新粒作为第一个类粒放入类粒集中而代替开始放入的第一个类粒。然后继续进行下一次的融合，直至融合后的新粒半径R_1i＞t₁，则将对应于这个融合后新粒的原粒放入类粒集的第二位，成为类粒集的第二个类粒。

⑤然后将原粒集中未融合的原粒继续进行融合，不过要先比较待融合原粒与类粒集中哪个类粒最相似，相似程度用欧氏距离来衡量，由此找出与待融合原粒距离最近的类粒，然后将待融合原粒和这个类粒进行融合，如果融合后新粒的半径超出融合半径阈值t₁，则将对应于这个融合后新粒的原粒放入类粒集而成为第三个类粒，如果未超出，则将融合后的新粒放入类粒集中而代替与其距离最近的那个类粒。依此方法最后可将原粒集中所有原粒进行粒化，得到一个粗类粒集，即一个商集，该商集对应的空间为商空间；

⑥再设定一个小于上述融合半径阈值t₁的融合半径阈值t₁’，并按照步骤④—⑤的方法进行处理，得到一个细类粒集，并对粗类粒集和细类粒集构建拓扑关系；拓扑关系准则为只要细类粒集中具有粗类粒集中含有的原粒，就将粗类粒集与此细类粒集进行链接，细类粒集的类别由里面含有的大多数原粒的类别决定。以此准则，由此建立起两个商空间的拓扑结构；

⑦由大到小改变融合半径阈值，就可以得到由粗到细的不同类粒集，也就得到了不同的商集，由此形成了分层递阶结构。当然，下一步骤的识别可以只选其中一个融合半径阈值下的商集进行，这意味着只用到了一层商空间；还可以选择几个融合半径阈值下的商集，并构建商集间的联系，然后进行识别，这意味着用到了多层商空间。本发明方法采用二层商空间，即选择两个融合半径阈值，得到一个粗类粒集，一个细类粒集，并对二者构建拓扑关系。基于超球粒化的多层递阶结构如图3所示。其中t为融合半径阈值。

欧氏距离公式如下：

d(G_i,G_j)＝||C_i-C_j||₂-r_i-r_j (3)

其中，待融合原粒G_i＝(C_i,r_i)，类粒G_j＝(C_j,r_j)，C_i，C_j分别为待融合原粒G_i，类粒G_j的球心，r_i，r_j分别为待融合原粒G_i，类粒G_j的半径。

6)选取一个距离度量函数，通过此函数计算测试样本集中待测试样本与上述类粒集中每个类粒的距离，由此识别出待测试样本的类别。

根据应用领域的不同，距离度量函数的形式很多。本发明中选用形式最为简单的欧氏距离，其公式如式(3)所示，然后计算待测试样本test_m与类粒集中每个类粒的距离，选出和其距离最小的那个类粒的类别Class_t，那么该类别Class_t即为待测试样本test_m的类别。

当为多层商空间时，首先将待测试样本test_m与粗类粒集中每个类粒进行比对，找到距离最小的粗类粒后，再与这个粗类粒有链接关系的细类粒进行比对，找到距离最小的细类粒，则该细类粒的类别即为待测试样本test_m的类别。

为了验证本发明方法的效果，本发明人所采用的数据库包含500个不同个体的手指，每个个体包含10幅手指静脉ROI图像，总共5000幅手指静脉ROI图像。将所有手指静脉ROI图像的尺寸均归一化为46*102(4692)像素，实验环境为PC机，Matlab R2010a。

这里主要讨论本发明方法在测试精度Ts(％)、测试时间Ts(s)、训练精度Tr(％)和训练时间Tr(s)四方面的识别性能，并与传统的基于模糊等价关系矩阵的分层递阶结构方法进行了对比。实验结果如表1所示。

表1基于超球粒化分层递阶结构的识别性能

为了增强对比性，两种方法选取的均为两层结构，由表中可以明显看出，在训练时间上本发明方法有明显减少，测试时间也有所减少，精度均为99％以上，差别不大。由此可见，本发明方法能大大提高识别效率。

本发明方法不需要形成费时较长的模糊等价关系矩阵即可完成商空间的分层递阶结构，因此对传统方法进行了改进，很好地提高了识别效率，并保证了高精度。