基于Riesz小波和SSLM模型的静脉识别方法与流程

技术特征：

1.一种基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：所述的基于Riesz小波和SSLM模型的静脉识别方法包括按顺序进行的下列步骤：

1)将采集的每张原始手指静脉图像均归一化成2^m×2^m大小的矩形图像；

2)将上述每张归一化的手指静脉图像进行N阶Riesz变换而获得N+1张Riesz变换图像；

3)利用高通滤波器和低通滤波器将上述N+1张Riesz变换图像分别进行J层小波分解而获得J(N+1)张小波分解图像；

4)计算上述每张小波分解图像的能量，并获得每张原始手指静脉图像的能量特征向量；

5)建立数据库，将数据库中每一个体的所有手指静脉图像作为一个类别，从数据库中依据类别归属来选取某一类别的正负样本作为训练样本，并赋予相应标签；然后将正负样本分别按上述步骤1)—步骤4)的方法进行处理而获得各自的J(N+1)张Riesz小波分解图像并求得能量特征向量；在特征空间中将每一正负样本对应的能量特征向量称为一个样本点；

6)利用上述每一类别的样本点建立一个SSLM模型；

7)计算上述每个SSLM模型中的重要参数；

8)利用上述SSLM模型中的重要参数，结合Riesz变换阶数和分解层数生成某类别训练样本的不同尺度纹理签名图；

9)利用决策函数对某一类别的所有正样本的能量特征向量分别进行判别，然后将判别结果进行编码，由所有类别的所有正样本编码值构成编码表；

10)利用上述SSLM模型和编码表对待检测手指静脉图像进行识别。

2.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤2)中，所述的Riesz变换所采用的变换公式如式(1)所示：

$R^N\left\{f\right\}\left(x\right)=\left(\begin{array}{c}{R}^{(0,N)}\left\{f\right\}\left(x\right)\\ .\\ .\\ .\\ R^{(n,N-n)}\left\{f\right\}\left(x\right)\\ .\\ .\\ .\\ R^{(N,0)}\left\{f\right\}\left(x\right)\end{array}\right)---\left(1\right)$

其中R^N表示N阶Riesz变换，该变换是由N+1个单核R^(n，N-n)构成；Riesz单核的计算公式如式(2)所示：

式中w为频率，由水平方向频率w₁和垂直方向频率w₂组成；f(x)为原始手指静脉图像，f(w)为原始手指静脉图像f(x)的二维傅里叶变换图像。

3.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤3)中，所述的高通滤波器H(w)和低通滤波器G(w)的公式分别为式(3)和式(4)：

$H\left(w\right)=\left\{\begin{array}{cc}1& \frac{\mathrm{\π}}{2}\<\left|\right|w\left|\right|\≤\mathrm{\π}\\ \sqrt{\frac{{\log }_2\frac{\left|\right|w\left|\right|}{\mathrm{\Ω}}}{{\log }_2\frac{\mathrm{\π}}{\mathrm{\Ω}}}}& \mathrm{\Ω}\<\left|\right|w\left|\right|\≤\frac{\mathrm{\π}}{2}\\ 0& \left|\right|w\left|\right|\≤\mathrm{\Ω}\end{array}\right.---\left(3\right)$

$G\left(w\right)=\left\{\begin{array}{cc}0& \frac{\mathrm{\π}}{2}\<\left|\right|w\left|\right|\≤\mathrm{\π}\\ \sqrt{1-\frac{{\log }_2\frac{\left|\right|w\left|\right|}{\mathrm{\Ω}}}{{\log }_2\frac{\mathrm{\π}}{2\mathrm{\Ω}}}}& \mathrm{\Ω}\<\left|\right|w\left|\right|\≤\frac{\mathrm{\π}}{2}\\ 1& \left|\right|w\left|\right|\≤\mathrm{\Ω}\end{array}\right.---\left(4\right)$

式中Ω为通带或阻带截止频率。

4.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤4)中，所述的计算每张小波分解图像的能量，并获得每张原始手指静脉图像的能量特征向量的方法为：

所述的小波分解图像的能量计算公式为：

$E_j^n=2^j\sqrt{\frac{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{R}_j^{(n,N-n)}\left\{f\right\}(j,j)}{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}1(i,j)}}---\left(5\right)$

式中i、j表示像素点坐标，表示第j层分解、第n个小波分解图像中(i,j)位置处的灰度值，为该小波分解图像中灰度有效，即即灰度值非零的像素点个数；

计算出J(N+1)张小波分解图像的能量后，将上述J(N+1)个能量值先根据分解层数再根据变换阶数且数值由小到大的顺序进行排列，由此获得每张原始手指静脉图像的能量特征向量E。

5.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤5)中，所述的建立数据库，将数据库中每一个体的所有手指静脉图像作为一个类别，从数据库中依据类别归属来选取某一类别的正负样本作为训练样本，并赋予相应标签；然后将正负样本分别按上述步骤1)—步骤4)的方法进行处理而获得各自的J(N+1)张Riesz小波分解图像并求得能量特征向量；在特征空间中将每一正负样本对应的能量特征向量称为一个样本点的方法是；

采集多个不同个体同一手指的多张手指静脉图像而组成数据库，将数据库中每一个体的所有手指静脉图像作为一个类别，从每一类别中抽取m₁张手指静脉图像作为m₁个正样本，并赋予正样本的标签为+1，从剩余的非该类别中抽取m₂张手指静脉图像作为m₂个负样本，并赋予负样本的标签为-1；抽取获得的正负样本即为该类别的训练样本；然后将上述m₁个正样本和m₂个负样本分别按上述步骤1)—步骤4)的方法进行处理而获得各自的J(N+1)张小波分解图像及能量特征向量E；在特征空间中将每一正样本或负样本对应的能量特征向量E分别称为正样本点或负样本点。

6.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤6)中，所述的利用上述每一类别的样本点建立一个SSLM模型的方法是：

在特征空间中建立一个球心为C、半径为R的超球面来包含上述某一类别训练样本中的所有正样本点，而将该类别训练样本中所有负样本点置于距球心C为R+ρ的间隔球面之外，ρ为超球面外的间隔距离，由此建立起SSLM模型；

SSLM模型的目标函数为：

$\min R^2-{\mathrm{v\ρ}}^2+\frac{1}{v_1{m}_1}\underset{i=1}{\overset{m_1}{\Σ}}{\mathrm{\ζ}}_i+\frac{1}{v_2{m}_2}\underset{j=m_1}{\overset{n}{\Σ}}{\mathrm{\ζ}}_j---\left(6\right)$

约束条件为:

||Φ(x_i)-C||²≤R²+ζ_i 1≤i≤m₁

||Φ(x_i)-C||²≥R²+ρ+ζ_j m₁≤j≤n

ζ_k≥0 1≤k≤n

式(6)中，R表示超球面的半径，ρ表示超球面外的间隔距离，m₁和m₂分别表示正负样本的个数，ξ_i和ξ_j表示松弛变量，而v、v₁及v₂为正值的优化参数；在本发明中，SSLM模型的输入量x_i即为步骤4)求得的能量特征向量E。

7.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤7)中，所述的计算上述每个SSLM模型中的重要参数的方法是：

SSLM模型中重要的参数为超球面的球心C、超球面的球半径R以及超球面外的间隔距离ρ，各计算公式如下：

$C=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i\mathrm{\Φ}\left(x_i\right)---\left(7\right)$

$R=\frac{P_1}{n_1}---\left(8\right)$

$\mathrm{\ρ}=\frac{P_2}{n_2}-\frac{P_1}{n_1}---\left(9\right)$

上式中α表示最优化求解过程中的拉格朗日系数，y_i表示第i个样本的标签；n₁和n₂分别表示最优化求解过程中对超球面形成有效的正负样本点的个数；P₁和P₂则通过如下公式计算获得：

$P_1=\underset{x_i\∈S_1}{\Σ}\left|\right|\mathrm{\Φ}\left(x_i\right)-c|{|}^2=\underset{x_i\∈S_1}{\Σ}\left(K\right(x_i,x_j)-2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_k{y}_{k}K(x_i,x_k)+\<c,c\>)---\left(10\right)$

$P_2=\underset{x_j\∈S_2}{\Σ}\left|\right|\mathrm{\Φ}\left(x_j\right)-c|{|}^2=\underset{x_j\∈S_2}{\Σ}\left(K\right(x_j,x_j)-2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_k{y}_{k}K(x_j,x_k)+\<c,c\>)---\left(11\right)$

式(10)、(11)中的S₁和S₂分别表示正、负样本点集合；K(x,y)表示所使用的核函数，这里指的是高斯核函数，如式(12)所示；

$K(x_i,x_j)=e^{-{\mathrm{\τ}}^2{(x_i-x_j)}^2}---\left(12\right).$

8.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤8)中，所述的利用上述SSLM模型中的重要参数，结合Riesz变换阶数和分解层数生成某类别训练样本的不同尺度纹理签名图的方法是：

将某一类别对应的SSLM模型的超球面的球心C依尺度进行分组，即将超球面的球心C中每N+1个数分为一组，作为一个尺度下的签名系数，通过分组该类别的超球面的球心可以获得J个尺度的签名系数w_j，j＝1，2，3…J，利用式(13)可以获得该类别在第j尺度下的纹理签名图：

${\mathrm{TS}}_j=\underset{n=1}{\overset{N}{\Σ}}{w}_{j,n}{R}_j^{(n,N-n)}\left\{G\right\}\left(x\right)---\left(13\right)$

式中w_j表示第j尺度下的签名系数，G(x)表示高斯函数。

9.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤9)中，所述的利用决策函数对某一类别的所有正样本的能量特征向量分别进行判别，然后将判别结果进行编码，由所有类别的所有正样本编码值构成编码表的方法是：

(1)首先选取某一类别的训练样本中任意l张指静脉图像，并分别提取这l张图像的能量特征向量E_q,q＝1,2,3…l；

(2)然后使用所有类别的SSLM模型利用式(14)所示的决策函数依次对该类别的l个能量特征向量E_q分别进行判别，判别结果如下：

${\mathrm{BC}}_i=\mathrm{sgn}\[R_i^2-\left|\right|\mathrm{\Φ}\left(x\right)-C_i|{|}^2\]=\mathrm{sgn}\[R^2-\<C,C\>-K(x,x)+2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_{i,k})\]---\left(14\right)$

式(14)中判别输入量x为上一步骤提取的能量特征向量E_q；BC_i表示该训练样本E_q相对于第i类SSLM模型的判别结果，+1表示判别属于第i类，-1表示判别不属于第i类；R_i表示第i类SSLM模型的球半径，C_i、α_i分别表示该SSLM模型对应的球心、拉格朗日系数，y_i和x_i表示该类别SSLM模型的支持向量；

(3)之后将上述获得的判别结果BC_i进行编码，编码公式如下：

${\mathrm{ECR}}_c\left(i\right)=\left\{\begin{array}{c}1,{\mathrm{BC}}_i=1\\ 0,{\mathrm{BC}}_i=-1\end{array}\right.---\left(15\right)$

式中ECR_c(i)表示该类别在第i个编码位，即对应于第i个SSLM分类器的编码情况，而长度为类别总数、由0和1组成的ECR编码就是该类别的编码结果；由于m₁个正样本的编码结果可能会出现不一致的情况，所以将m₁个编码结果按位进行与运算，将得到的结果作为该类别的编码值；

(4)最后将所有类别的编码值放入一个表中而生成编码表。

10.根据权利要求1所述的基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：在步骤10)中，所述的利用上述SSLM模型和编码表对待检测手指静脉图像进行识别的方法是：

从数据库中选取一张待检测手指静脉图像，然后按照上述步骤2)—步骤8)的方法而获得其编码值，最后将该编码值与上述编码表中各类别的编码值进行欧式距离求解，选取距离最小的类别作为该待检测手指静脉图像的识别结果。