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

技术特征：

1.一种基于超球粒化商空间模型的手指静脉图像识别方法，其特征在于：所述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。

2.根据权利要求1所述的基于超球粒化商空间模型的手指静脉图像识别方法，其特征在于：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。

3.根据权利要求1所述的基于超球粒化商空间模型的手指静脉图像识别方法，其特征在于：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。

4.根据权利要求3所述的基于超球粒化商空间模型的手指静脉图像识别方法，其特征在于：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。

5.根据权利要求1所述的基于超球粒化商空间模型的手指静脉图像识别方法，其特征在于：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。