一种基于GWO-OSELM的非接触式手掌活体检测方法及装置与流程

一种基于gwo-oselm的非接触式手掌活体检测方法及装置
技术领域
[0001]
本发明属于生物特征识别及信息安全技术领域，尤其涉及一种基于gwo-oselm的非接触式手掌活体检测方法及装置。


背景技术：

[0002]
非接触式掌纹识别技术作为一种新兴的生物特征识别技术，具有很好的市场前景。但为了防止恶意攻击者窃取或伪造他人的生物特征用于身份认证，非接触式掌纹识别系统需要具备活体检测功能，即判断所提取的掌纹特征是否来自有生命的真实个体。手掌活体检测即是在手掌检测的基础上，辨别当前所获取图像中的手掌是活体手掌(有生命的真实手掌)还是假体手掌(冒充真人身份的仿造手掌)，以达到防止不法分子冒用合法用户掌纹信息的目的。
[0003]
现如今较多的手掌活体检测算法集中在外部设备分析、运动信息分析、图像纹理分析等方面。其中，外部设备分析方法需要借助外部设备去判断，增加了额外花费；运动信息分析方法主要检测生物体相应移动信息进行判别，增加了资源消耗且具有一定的局限性；图像纹理分析方法主要是基于生物特征表面纹理信息进行判别，比如专利号为cn103198304b公开的掌纹提取识别方法，其操作步骤是：采集掌纹图像进行预处理、提取手掌轮廓，分析手掌轮廓上特征点、提取掌纹三条主干线、获得主干线的特征点，对掌部掌纹进行区域分割、搜索识别各个分割出的小区域内的异常纹，但传统的图像纹理分析方法未曾利用真伪掌纹图像上成像质量的噪声层面差异，导致检测率不高。此外，成像环境的差异性以及攻击方式的多样性，给传统的活体检测方法带来了巨大的挑战。
[0004]
灰狼优化算法（grey wolf optimizer，gwo）由澳大利亚格里菲斯大学学者 mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。
[0005]
极限学习机（extreme learning machine，elm）是huang g.b等人于2004年提出来一种快速神经网络学习算法。相比于传统的前馈神经网络学习算法，训练过程不需要反复地进行调整，即可完成对神经网络的快速学习和训练。但elm对输入权重和隐含层节点偏置的随机初始化、隐含层节点个数的难以确定，使得其性能变得极其不稳定，导致预测的精度不高。为此，liang等人提出在线顺序极限学习机算法oselm。oselm在一定程度上改善上述问题，模型的预测精度有所提高且性能更加稳定。
[0006]
将灰狼优化算法和在线顺序极限学习机算法应用于掌纹的图像识别还未见有报道。


技术实现要素：

[0007]
本发明所要解决的技术问题是提供一种基于gwo-oselm的非接触式手掌活体检测方法，克服传统手掌活体检测泛化性和稳定性差，导致检测效率低的问题。
[0008]
为了解决上述技术问题，本发明提供的技术方案为：
本发明涉及一种基于gwo-oselm的非接触式手掌活体检测方法，其包括以下步骤：1）采集若干活体和非活体手掌的掌纹图像作为正负训练样本，对正负训练样本的图像进行roi提取，再对图像进行预处理；2）分别对预处理后的正负训练样本图像进行高斯滤波处理；3）提取正负训练样本图像的lpq直方图特征和bsif特征，将lpq直方图特征和bsif特征进行特征融合，形成总特征向量；4）初始化oselm模型的参数，利用灰狼优化算法确定oselm模型的输入层权值和偏置，形成gwo-oselm分类模型；5）将总特征向量输入到gwo-oselm分类模型中进行训练；6）采用步骤1）至步骤3）的方法提取待检测图像的总特征向量，并将总特征向量输入到训练好的gwo-oselm分类模型中进行活体数据的检测和识别，确定待检测图像是否为活体手掌掌纹图像。
[0009]
基于上述方法能够迅速地分辨出真实手掌掌纹图像和手机翻拍的伪掌纹图像，并极大增强了对整个掌纹图像纹理细节特征的描述，有助于提升掌纹图像识别的安全性。
[0010]
优选地，所述的步骤3）的具体步骤包括：3.1）计算lpq直方图特征：将图像分割成若干矩形块，在每个矩形块上计算每个像素的量化系数并生成量化系数的直方图，将所有矩形块的直方图向量串联起来，得到图像的lpq直方图特征；3.2）计算bsif特征：利用二进制统计图像特征，通过统计的图像特征获得一组大小和个数均不同的滤波器，利用滤波器提取图像bsif特征；3.3）把lpq直方图特征与bsif特征融合成一个总特征向量。
[0011]
优选地，所述步骤3.1）计算lpq直方图特征的具体步骤包括：3.1.1）在灰度图像f(x)上的每个像素点x的m
×
m大小的矩形邻域n
x
进行离散傅里叶变换提取相位信息f（u,x），即公式（1）：其中，w
u
为频率u的2维离散傅里叶变换的基向量，f
x
为n
x
中m
2
个像素的灰度值所组成的向量，x表示灰度图像上的像素点，y表示矩形邻域上的像素点，这里的t是转置的意思，表示e为数学常数，是自然对数函数的底数；f(x)表示灰度图像；3.1.2）lpq直方图特征只在,,,四个频率点上才会考虑傅里叶系数，其中a为不超过第一个过零点的频率点，其值为a=1/winsize，winsize为输入参数，即公式（2）：3.1.3）傅里叶系数中的相位信息由f
x
中每个分量的实部和虚部表示，傅里叶系数中的相位信息通过公式（3）的分级量化方法量化，得到二进制串q
j
(x)：
其中g
j
(x)为向量中的第j个分量，j为大于0且小于等于8的整数，re{
•
}表示实部，im{
•
}表示虚部；3.1.4）将得到的二进制串组成特征值，即为图像的lpq直方图特征，通过二进制编码表示量化系数f
lpq
(x)，量化系数为一个[0,255]的整数，计算公式如（4）所示：。
[0012]
优选地，所述步骤3.2）计算bsif特征的具体步骤包括：3.2.1）设置一张大小为n
×
n像素的图像块x和一个相同大小的线性滤波器，滤波响应通过公式（5）计算而得：其中，i为大于0且小于等于n的整数；n为大于0且小于等于图像宽度的整数，向量w
i
和x分别代表滤波w
i
及图像块x的像素，g
i
是滤波响应，通过公式（6）计算得到相应的二值特征b
i
，即3.2.2）设置m个线性滤波器w
i
，将他们串联成一个大小为m
×
n
2
的矩阵w，矩阵w的大小由滤波器大小n和滤波器个数m决定；3.2.3）遍历图像，通过公式（7）计算图像对所有滤波器的滤波响应，并得到对应的二进制序列，图像通过二进制序列产生的十进制数的统计直方图表示，即为bsif编码图像：其中，g表示所有滤波器的滤波响应。
[0013]
优选地，所述步骤4）的具体步骤包括：4.1）设置灰狼优化算法的相关参数，包括狼群规模n，最大迭代次数max_iter，搜索边界，搜索维度，适应度函数；4.2）初始化灰狼种群，初始化oselm模型，oselm模型随机生成一组隐层的输入权值和偏置作为种群成员构成灰狼算法的初始种群；4.3）计算灰狼种群中每头适应度函数值：建立一个原始的oselm模型，利用初始种群中的所有个体和训练数据集进行预测训练，以均方根误差rmse作为适应度函数，计算适应度函数值fit，所述的适应度函数的公式如（8）所示：其中，为训练输出，为实测值， i，j均为整数，且0<i<n,0<j<n，n为样本总数；4.4）以计算所得的适应度函数值fit为最优解，代替oselm模型随机生成的输入权值和偏置，进行oselm模型的初始化训练，得到初始权值矩阵；4.5）进行oselm模型的序列化训练，得到最终的输出权值矩阵。
[0014]
优选地，所述步骤1）中图像预处理包括尺寸和灰度归一化处理。
[0015]
优选地，所述步骤1）中分别使用手机采集真实手掌掌纹图像和手机翻拍的伪掌纹图像作为正负训练样本。
[0016]
本发明还涉及一种基于gwo-oselm的非接触式手掌活体检测装置，其包括：1）图像预处理模块，其使用手机分别采集真实手掌掌纹图像和手机翻拍的伪掌纹图像作为正负训练样本，对正负训练样本的图像进行roi提取，再对图像进行预处理；2）高斯滤波模块，用于分别对预处理后的正负训练样本图像进行高斯滤波处理；3）特征向量提取模块，用于提取正负训练样本图像的lpq直方图特征和bsif特征，将lpq直方图特征和bsif特征进行特征融合，形成总特征向量；4）gwo-oselm分类模型生成模块，用于初始化oselm模型的参数，利用灰狼优化算法确定oselm模型的输入层权值和偏置，形成gwo-oselm分类模型；5）训练模块，用于将总特征向量输入到gwo-oselm分类模型中进行训练；6）判别模块，用于提取测试图像的特征向量，并将特征向量输入到训练好的gwo-oselm分类模型中进行活体数据的检测和识别，确定测试图像数据是否为活体手掌掌纹图像。
[0017]
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：1、本发明利用灰狼优化算法对oselm分类器隐层的输入权值和偏置进行优化选取，得到gwo-oselm分类器，再利用构建好的gwo-oselm分类器对采集的活体、非活体掌纹图像库进行分类，检测出活体图像，具有良好的泛化性能和较强的稳定性，有助于提升活体检测的效率。
[0018]
2、本发明采用lpq直方图特征和bsif特征串联的方式，利用lpq直方图特征计算简单描述能力强的特点；再利用bsif特征能准确描述图像的局部信息，同时也能把握图像的整体特征信息的特点；由于lpq直方图特征可能存在提取掌纹细节特征不完整的问题，bsif特征在lpq直方图特征的基础上更加细化地表达了整个掌纹图像纹路的信息，然后通过串联两种特征向量作为最终的特征，极大增强了对整个掌纹图像纹理细节特征的描述。
附图说明
[0019]
图1为基于gwo-oselm的非接触式手掌活体检测方法的流程图；图2为采集到的活体手掌掌纹图像；图3为采集到的非活体手掌掌纹图像；图4为真实手掌掌纹图像经过roi提取、归一化处理和高斯滤波后的图像；图5为伪掌纹图像经过roi提取、归一化处理和高斯滤波后的图像；图6为真实手掌掌纹图像经过lpq直方图特征提取后的图像；图7为伪掌纹图像经过lpq直方图特征提取后的图像；图8为样本图像经过bsif特征提取后的图像；图9为利用gwo算法选取oselm隐层的输入权值和偏置的流程图；图10为基于gwo-oselm的非接触式手掌活体检测的原理框图。
具体实施方式
[0020]
为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
[0021]
实施例1参照附图1所示，本发明涉及一种基于gwo-oselm的非接触式手掌活体检测方法，包括以下步骤：1）使用手机分别采集真实手掌掌纹图像（活体手掌掌纹图像、正样本）和手机翻拍的伪掌纹图像（非活体掌纹图像、负样本）作为正负训练样本，对正负训练样本的图像进行roi提取，再对图像进行预处理，包括尺寸和灰度归一化。
[0022]
2）分别对预处理后的正负训练样本图像进行高斯滤波处理，即采用高斯滤波进行去噪处理，处理前的活体和非活体掌纹图像见图2和图3所示，处理后的活体和非活体图像见图4和图5所示。
[0023]
3）提取正负训练样本图像的lpq直方图特征和bsif特征，将lpq直方图特征和bsif特征进行特征融合，形成总特征向量，其具体步骤为：3.1）计算局部相位量化（local phase quantization，lpq）直方图特征：将图像分割成若干矩形块，在每个矩形块上计算每个像素的量化系数并生成量化系数的直方图，将所有矩形块的直方图向量串联起来，得到图像的lpq直方图特征，lpq直方图特征计算过程的具体步骤如下：3.1.1）在灰度图像f(x)上的每个像素点x的m
×
m大小的矩形领域n
x
进行离散傅里叶变换提取相位信息，即公式（1）：其中，w
u
为频率u的2维离散傅里叶变换的基向量，f
x
为n
x
中m
2
个像素的灰度值所组成的向量，x表示灰度图像上的像素点，y表示矩形邻域上的像素点，这里的t是转置的意思，表示e为数学常数，是自然对数函数的底数；f(x)表示灰度图像；3.1.2）lpq直方图特征只在，，，四个频率点上才会考虑傅里叶系数，其中a为不超过第一个过零点的频率点，其值为a=1/winsize，winsize为输入参数，即公式（2）：3.1.3）傅里叶系数中的相位信息由中每个分量的实部和虚部表示，傅里叶系数中的相位信息通过公式（3）的分级量化方法量化，得到二进制串：其中g
j
(x)为向量中的第j个分量，j为大于0且小于等于8的整数，re{
•
}表示实部，im{
•
}表示虚部；3.1.4）将得到的二进制串组成特征值，即为图像的lpq直方图特征，通过二进制编码表示量化系数，量化系数为一个[0,255]的整数，计算公式如（4）所示：
。
[0024]
由于这里采用固定的四个相位，八个特征值，因此特征向量共256维。将得到的特征值组成直方图；图6、7是经过局部特征提取方法分别对真实和伪掌纹图像进行处理后的结果，从图中可以清晰的看到各个纹理细节；3.2）计算二进制统计图像（binarized statistical image features， bsif）特征：利用二进制统计图像特征，通过统计的图像特征获得一组大小和个数均不同的滤波器，利用滤波器提取图像bsif特征，即3.2.1）设置一张大小为n
×
n像素的图像块x和一个相同大小的线性滤波器，滤波响应通过公式（5）计算而得：其中，i为大于0且小于等于n的整数；n为大于0且小于等于图像宽度的整数，向量w
i
和x分别代表滤波w
i
及图像块x的像素，g
i
是滤波响应，通过公式（6）计算得到相应的二值特征b
i
，即3.2.2）设置m个线性滤波器w
i
，将他们串联成一个大小为m
×
n
2
的矩阵w，矩阵w的大小由滤波器大小n和滤波器个数m决定；3.2.3）遍历图像，通过公式（7）计算图像对所有滤波器的滤波响应，并得到对应的二进制序列，图像通过二进制序列产生的十进制数的统计直方图表示，即为bsif编码图像：其中，g表示所有滤波器的滤波响应。样本图像经过提取bsif特征后的图像如图8所示。
[0025]
3.3）把lpq直方图特征与bsif特征融合成一个总的特征向量。
[0026]
4）初始化oselm模型的参数，利用灰狼优化算法确定oselm模型的输入层权值和偏置，形成gwo-oselm分类模型，该步骤就是基于在线顺序极限学习机（online sequential extreme learning machine，oselm）算法，设置隐藏层神经元的激活函数和利用灰狼优化算法确定隐层的输入权值和偏置，构建分类模型。
[0027]
参照附图9所示，初始化oselm模型的参数，利用灰狼优化算法确定oselm模型的输入层权值和偏置，形成gwo-oselm分类模型的具体步骤为：4.1）设置灰狼优化算法的相关参数，包括狼群规模n = 40，最大迭代次数max_iter = 50，搜索边界为[0.01,100]，搜索维度为[1,3]，适应度函数；4.2）初始化灰狼种群，初始化oselm模型，oselm模型随机生成一组隐层的输入权值和偏置作为种群成员构成灰狼算法的初始种群；4.3）计算灰狼种群中每头适应度函数值：建立一个原始的oselm模型，利用初始种群中的所有个体和训练数据集进行预测训练，以均方根误差rmse作为适应度函数，计算适应度函数值fit，所述的适应度函数的公式如（8）所示：
其中，为训练输出，为实测值， i，j均为整数，且0<i<n,0<j<n，n为样本总数；由上式可知，如果适应度函数值较小的话，就表示个体在某个种群间的竞争力比较大，更易保存至下一代，因此，可以利用rmse的值，寻找适应度最优的个体，并将其记为全局最优解；4.4）以计算所得的适应度函数值fit为最优解，代替oselm模型随机生成的输入权值和偏置，进行oselm模型的初始化训练，得到初始权值矩阵；4.5）进行oselm模型的序列化训练，得到最终的输出权值矩阵。
[0028]
5）将总特征向量输入到gwo-oselm分类模型中进行训练；6）采用步骤1）至步骤3）的方法提取待检测图像的总特征向量，并将总特征向量输入到训练好的gwo-oselm分类模型中进行活体数据的检测和识别，确定待检测图像是否为活体手掌掌纹图像。
[0029]
试验例以下是利用本发明所述手掌活体检测方法对几种图像数据库的实验结果与分析。
[0030]
本实施例采集了三组由手机采集的正负样本掌纹图像数据库，其中第一组图像由1000个正样本和1000个负样本组成，第二组由10000个正样本和8000个负样本组成，第三组由3000个正样本和1500个负样本组成。其中每组图像库选取70%图像作为训练集，30%作为测试集。手机相机像素4800万，以visual studio community 2019为编译软件，所用电脑的操作系统为64位window10，内存8g，主频率2.30ghz。对于每组图像库，按照实施例1的非接触式手掌活体检测方法，首先依次对roi提取后的图像进行预处理，再对图像高斯滤波处理以降低噪声的影响，然后对图像提取lpq直方图特征和bsif特征以获取手掌掌纹纹路信息，其次将从训练集图像提取到的lpq直方图特征和bsif特征集合起来作为训练特征向量集送至gwo-oselm分类器进行训练，得到一个训练好的gwo-oselm分类器，最后再将从测试集图像提取到的融合特征作为测试特征向量集送至已训练好的gwo-oselm分类器进行分类识别，以得出分类结果，“|”左边为活体检出率，“|”右边为非活体检出率，识别结果表1所示；表1 各种方法（算法）的检出率对比表由表1可以看出，本发明提出的方法对不同图像库的活体分类精度均达到100%，非活体检出率也达到了99.09%以上。其中，活体分类精度比原始elm的分类精度高5%左右，比原始oelsm的分类精度高2%左右，可见本发明提出的基于gwo-oselm的非接触式手掌活体检测方法可以有效提取出活体与非活体掌纹图像的关键信息，并达到较好的活体检测效果。
[0031]
实施例2
参照附图10所示，本实施例一种基于gwo-oselm的非接触式手掌活体检测装置，该装置包括：1）图像预处理模块，其使用手机分别采集真实手掌掌纹图像和手机翻拍的伪掌纹图像作为正负训练样本，对正负训练样本的图像进行roi提取，再对图像进行预处理；图像预处理模块用于实现实施例1步骤1）的功能。
[0032]
2）高斯滤波模块，用于分别对预处理后的正负训练样本图像进行高斯滤波处理；高斯滤波模块用于实现实施例1步骤2）的功能。
[0033]
3）特征向量提取模块，用于提取正负训练样本图像的lpq直方图特征和bsif特征，将lpq直方图特征和bsif特征进行特征融合，形成总特征向量；特征向量提取模块用于实现实施例1步骤3）的功能。
[0034]
4）gwo-oselm分类模型生成模块，用于初始化oselm模型的参数，利用灰狼优化算法确定oselm模型的输入层权值和偏置，形成gwo-oselm分类模型；gwo-oselm分类模型生成模块用于实现实施例1步骤4）的功能。
[0035]
5）训练模块，用于将总特征向量输入到gwo-oselm分类模型中进行训练；训练模块用于实现实施例1步骤5）的功能。
[0036]
6）判别模块，用于提取待检测图像的特征向量，并将特征向量输入到训练好的gwo-oselm分类模型中进行活体数据的检测和识别，确定待检测图像是否为活体手掌掌纹图像。判别模块用于实现实施例1步骤6）的功能。
[0037]
显然，本实施例的非接触式手掌活体检测装置可以作为上述实施例1的非接触式手掌活体检测方法的执行主体，因此能够实现非接触式手掌活体检测方法所实现的功能。由于原理相同，本文不再赘述。
[0038]
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。