本发明涉及接触式生物特征身份识别技术领域,尤其是一种手指静脉识别方法。
背景技术:
随着信息技术的高速发展,人们对信息安全的需求越来越高。传统的身份认证方式是基于标识物(钥匙、证件)和基于知识(卡号、密码)的身份认证,但这些身外之物容易被伪造和遗忘。相比于传统的身份认证,生物特征具有唯一性、无需记忆、不易伪造、易于使用等优点,基于生物特征的识别方式在很大程度上解决了传统身份认证存在的问题,并逐渐取代传统身份认证成为当前身份认证的主要方式。手指是人类感知外部世界的重要器官之一,在手指皮肤表皮下面的手指静脉是活体才具有的特性,实践表明,世界上没有2个人的手指静脉是完全相同的。因此基于手指静脉特征识别技术是一种安全性很高的身份识别技术。
技术实现要素:
为了克服已有身份验证方式的安全性较差的不足,本发明提供一种信息丰富、安全性很高的基于散射卷积网络的手指静脉特征提取方法。
本发明解决其技术问题所采用的技术方案是:
一种基于散射卷积网络的手指静脉特征提取方法,所述方法包括以下步骤:
1)采集到掌手指静脉图像;
2)对采集到的图像做基于最大内切矩阵感兴趣区域提取;
3)将处理后的图像基于散射卷积网络的手指静脉特征提取,过程如下:先得到多分辨率小波函数,然后对roi图像进行小波变换得到第一层的散射系数,再对第一层的散射结果进行第二次散射,得到第二次的散射系数,最后将每一个散射能量块的能量均值和方差组成图像的特征向量;
4)通过支持向量机svm进行分类。
进一步,所述步骤3)中,通过二进制缩放和旋转带通滤波函数ψ,得到多分辨率小波函数如式(1):
ψλ(x)=22jψ(2jr-1x)(1)
式中λ=2jr∈λ=g×r,j∈r,r∈g,g是r2内一个离散的、有限的旋转组,j确定了ψ(x)的尺度,r确定了ψ(x)的方向;
然后对信号f(x)进行小波变换如式(2):
wλf(x)=f*ψλ(x)(2)
因此,小波变换模为式(3):
uλf(x)=|f*ψλ(x)|(3)
对于一幅给定的图像f(x),其原始图像的散射系数为信号的均值,通过与均值滤波器φj卷积得到式(4):
s0,j(f)=f*φj(4)
对原始图像在不同方向和不同尺度中做小波变换,得到第1层散射系数,然后去除复杂项和取均值得到式(5):
式中j1表示尺度,λ1表示方向;
将式(5)中得到的小波变换模算子
式中j2<j,从小波变换的定义中看出,当
继续这个过程得到第k层的散射网络系数如式(7)所示:
式中,jk<...<j2<j1<j,(λ1,...,λk)∈γk;
经过对上述过程的分析,得出第k层散射变换得到
将散射卷积网络的前两层散射能量特征作为手指静脉识别的相似性度量特征,即第一层散射卷积变换中,这些图像分别由原始图像经过5个尺度和6个方向的小波变换得到,总共有30张散射能量分布图,在第二层散射卷积变换,所以第二层散射卷积变换中可以得到360张散射能量分布图,最后计算每一个散射能量块的能量均值和方差组成图像的特征向量,一张手指静脉roi图像总共得到包括第0层的原图的782个散射特征。
更进一步,所述步骤1)中,通过850nm近红外led和高清ccd的前端采集装置采集手指静脉图像。
再进一步,所述步骤2)中,采用otsu算法来自动选取阈值进行二值化,设图像二值化的阈值为t,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为式(8):
u=w0×u0+w1×u1(8)
前景和背景图像的方差为如式(9):
sb=w0×w1×(u0-u1)×(u0-u1)(9)
从l个灰度级遍历t,使得t为某个值的时候,前景和背景的方差最大,则这个t值便是要求得的阈值;
采用形态学图像处理中的开操作对二值化后的图像轮廓进行平滑处理,开操作是采用3×3数值为1的结构元先对图像做腐蚀,然后再对腐蚀后的图像做膨胀;
根据二值化的图像得到去除背景后的手指静脉图像,计算每一列的像素灰度值总和l如式(10):
采用长度为21的滑动窗口分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为a、b,然后将a移50列得到l1、b右移50列得到l2,最后通过求l1、l2之间的最大内切矩阵得到最终的手指静脉roi区域;
对获取到的roi图像进行尺寸的归一化,保证每张roi图像的大小一样,我们采用缩放的方法如式(11):
其中a,b分别表示延x方向和延y方向的缩放比例,u,v表示缩放后的坐标,x,y是u,v变换到原图的坐标,a和b的数值趋于相等。
再进一步,所述步骤4)中,采用svm分类器对样本进行训练,训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类,这样k个类别的样本就构造出了k个svm,对于k个训练集进行训练,得到k个训练文件,对于要测试的特征向量,分别利用这k个训练文件进行测试,得到k个测试结果f1(x),f2(x),…,fk(x),最终,测试结果中的值最大的作为该特征向量的分类结果。
本发明的技术构思为:生物识别技术是对人体生物特征(生理或行为特征)进行自动身份识别的技术,生理特征包括dna、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等,这些生物特征拥有足够的稳定性,不会随着年龄的增长,时间的改变而改变。基于生物特征的身份验证系统,提供了更大程度的安全性。基于手指静脉识别技术的优点在于利用的是活体的内生理特性,较难伪造,具有很高安全性;具有较好的特异性与唯一性,可以提供很好的区分度。
采用自制的手指静脉采集装置采集手指静脉图像;对采集到的图像做基于最大外切矩阵感兴趣区域提取预处理;对获得的roi图像进行基于散射卷积网络的手指静脉特征提取,主要包括获得多分辨率小波函数,然后对roi图像进行小波变换得到第一层的散射系数,再对第一层的散射结果进行第二次散射,得到第二次的散射系数,最后将每一个散射能量块的能量均值和方差组成图像的特征向量;通过支持向量机svm进行分类。
本发明的有益效果主要表现在:安全性高,识别率高。
附图说明
图1为手指静脉采集装置示意图,其中,1为850nmled,2为ccd摄像头,3为zynq处理器,4为显示接口;
图2为系统流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于散射卷积网络的手指静脉特征提取方法,包括以下步骤:
1)采集到掌手指静脉图像
通过850nm近红外led和高清ccd的前端采集装置采集手指静脉图像。
2)对采集到的图像做基于最大内切矩阵感兴趣区域提取,过程如下:
(2.1)二值化提取出手指静脉
采用otsu算法来自动选取阈值进行二值化,设图像二值化的阈值为t,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为式(8):
u=w0×u0+w1×u1(8)
前景和背景图像的方差为如式(9):
sb=w0×w1×(u0-u1)×(u0-u1)(9)
从l个灰度级遍历t,使得t为某个值的时候,前景和背景的方差最大,则这个t值便是我们要求得的阈值;
二值化的图像中会包含毛刺,为了使图像边缘更加平滑,采用形态学图像处理中的开操作对二值化后的图像轮廓进行平滑处理,开操作是采用3×3数值为1的结构元先对图像做腐蚀,然后再对腐蚀后的图像做膨胀;
根据二值化的图像得到去除背景后的手指静脉图像;
(2.2)进行关键区域定位
计算每一列的像素灰度值总和l如式(10):
采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为a、b,然后将a移50(n取50)列得到l1、b右移50(m取50)列得到l2,最后通过求l1、l2之间的最大内切矩阵得到最终的手指静脉roi区域;
(2.3)图像的尺寸灰度归一化
对获取到的roi图像进行尺寸的归一化,保证每张roi图像的大小一样,我们采用缩放的方法如式(11):
其中a,b分别表示延x方向和延y方向的缩放比例,u,v表示缩放后的坐标,x,y是u,v变换到原图的坐标,在使用的过程中,为了避免图像的扭曲,a和b的数值趋于相等。
3)将处理后的图像基于散射卷积网络的手指静脉特征提取
通过二进制缩放和旋转带通滤波函数ψ,得到多分辨率小波函数如式(1):
ψλ(x)=22jψ(2jr-1x)(1)
式中λ=2jr∈λ=g×r,j∈r,r∈g(g是r2内一个离散的、有限的旋转组),j确定了ψ(x)的尺度,r确定了ψ(x)的方向;
然后对信号f(x)进行小波变换如式(2):
wλf(x)=f*ψλ(x)(2)
因此,小波变换模为式(3):
uλf(x)=|f*ψλ(x)|(3)
对于一幅给定的图像f(x),其原始图像的散射系数为信号的均值,可以通过与均值滤波器φj卷积得到式(4):
s0,j(f)=f*φj(4)
对原始图像在不同方向和不同尺度中做小波变换,可以得到第1层散射系数,然后去除复杂项和取均值可以得到式(5):
式中j1表示尺度,λ1表示方向;
将式(5)中得到的小波变换模算子
式中j2<j,从小波变换的定义中可以看出,当
继续这个过程得到第k层的散射网络系数如式(7)所示:
式中,jk<...<j2<j1<j,(λ1,...,λk)∈γk;
经过对上述过程的分析,可以得出第k层散射变换可以得到
将散射卷积网络的前两层散射能量特征作为手指静脉识别的相似性度量特征,即第一层散射卷积变换中,这些图像分别由原始图像经过5个尺度和6个方向的小波变换得到,总共有30张散射能量分布图,在第二层散射卷积变换,所以第二层散射卷积变换中可以得到360张散射能量分布图,最后将每一个散射能量块的能量均值和方差组成图像的特征向量,这样,一张手指静脉roi图像总共可以得到782个散射特征(包括第0层的原图)。
4)通过支持向量机svm进行分类,采用svm分类器对样本进行训练,训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类,这样k个类别的样本就构造出了k个svm,对于k个训练集进行训练,得到k个训练文件,对于要测试的特征向量,分别利用这k个训练文件进行测试,得到k个测试结果f1(x),f1(x),…,fk(x),最终,测试结果中的值最大的作为该特征向量的分类结果。