一种利用谷形特征的掌静脉图像识别与匹配的方法及其系统

本发明属于图像识别，具体涉及一种利用谷形特征的掌静脉图像识别与匹配的方法及其系统。

背景技术：

1、在现有技术中，对掌静脉这种生物特征的处理，一般分为两类：

2、第一种是深度学习方法，这种方法的优点是匹配准确度高，缺点是需要进行大量的图像预处理工作，对算力需求较大；

3、第二种是以哈希编码为代表的传统方法，这种方法的优点是速度快，对算力需求小，缺点是匹配的准确度不高。

技术实现思路

1、为了解决现有技术存在的上述技术问题，本发明提供一种利用谷形特征的掌静脉图像识别与匹配的方法及其系统，本发明跳过了深度学习方法中最消耗算力的图像预处理环节，并通过对特征点的处理，优化了哈希方法的匹配准确度。本发明采用的技术方案是：

2、一种利用谷形特征的掌静脉图像识别与匹配的方法，其特征在于，具体包括如下步骤：

3、一种利用谷形特征的掌静脉图像识别与匹配的方法，其特征在于，具体包括如下步骤：

4、s1：对用户手掌进行拍照，并将图像目标区域的灰度图像记为hg，对采集到的掌静脉信息进行加工得到掌静脉特征并上传至数据库中的方法为：

5、将掌静脉信息作为一个大小为m*n的图像矩阵，并记作矩阵g，其中，m为矩阵g的行的数量，矩阵g中的行的序号为j，矩阵g的列的数量为n，矩阵g的列的序号为i，记矩阵g中序号为i的列的元素为g(,i)，记矩阵g中序号为j的行的元素为g(j,)，记矩阵g中行的序号为j、列的序号为i的元素为g(j,i)，i∈[1,n]，j∈[1,m]；设置一个与预处理图大小相同为m×n的图像矩阵，记作矩阵g1，其中，m为矩阵g1的行的数量，n为矩阵g1的列的数量，矩阵g1中的行的序号同样为j，列的序号为i，记矩阵g1中序号为i的行的元素为g1(,i)，记矩阵g1中序号为j的行的元素为g1(j,)，记矩阵g1中行的序号为j,列的序号为i的元素为g1(j,i)；

6、s2：各点g1(j,i)的数值计算方式如下：

7、将步骤s1中灰度图像中的各点hg(j,i)的灰度值，按照相同的行列坐标(j,i)，映射在矩阵g1中，使得g1(j,i)的值等于hg(j,i)点的灰度值；，将点g1(j,i)在矩阵中表示为gji，有矩阵表达如下：

8、

9、s3、提取矩阵g1中的列向量，将得到的一维离散向量记作1*n，其中n与j值相等；对提取出的列向量进行曲线拟合处理；由泰勒公式可知，任何一个函数都可以拆分成近似于这个函数的多项式表达，通过最小二乘法，取该列向量中所有点，进行曲线拟合，拟合阶数为18，记拟合多项式为yn，则有：

10、

11、s4、对步骤s3中拟合好的多项式yn，寻找其局部最低点，得到的最低点即为特征点p，取得的特征点集合记作pc；计算方式为：

12、设存在向量li(x，g)，其中的各点数据来自于多项式yn，对向量li(x，g)内各数据点，存在误差平方和s，将向量li(x，g)以矩阵形式表示如下：

13、

14、

15、误差平方和s表示为：

16、s＝(xa-g)t(xa-g)  (5)

17、其中x是一个范德蒙矩阵，a是多项式ai系数构成的系数向量，g是多项式yn在矩阵g1中的输出向量；

18、对于最优函数，应满足：

19、

20、则得到多项式系数集合a的求解公式为：

21、a＝(xtx)-1xtg   (7)；

22、s5、重复上述步骤s2与s3，对整幅图像g1进行遍历，从而提取出全部特征点。

23、进一步的，在步骤s1中，采集掌静脉信息的方法为：红外传感器采集用户掌静脉信息，采用波长为850nm的红外线照射用户的手掌，采集到的手掌反射的掌静脉图案，对掌静脉图案进行灰度化与二值化的处理得到大小统一的图像矩阵作为掌静脉信息。

24、进一步的，在步骤s1中，所述灰度图像g的尺寸为m*n，其中m＝n＝128。

25、进一步的，在步骤s4中，对拟合好的多项式yn求解其二阶导数f″(px)，当f″(px)＝0，时，记录该点的横坐标为px，并分别计算点px+1与点px-1的一阶导数f′(px-1)与f′(px+1)，当f′(px+1)>0且f′(px-1)<0时，记录该点px为特征点，取得的特征点集合记作pc。

26、进一步的，在步骤s4中，对所述特征点集合pc的灰度值进行重新赋值，由于像素点的灰度值为在0—255区间的整数，且数值越小，该点在人眼中越黑，所以对其灰度值进行重新赋值为0，并生成新的子图像g2，并获取新的子图像g2的哈希编码h。

27、进一步的，在步骤s5中，对新的子图像g2使用8*8大小的滑动窗口w进行遍历，窗口w的遍历规则为：每次遍历得到的像素点，均不重复，获取其哈希编码hl，并上传至数据库中，数据库中的所有哈希编码构成集合ht；通过比对用户此次数据库中系统会得到本次的哈希编码hl，与所述ht中的所有哈希编码h进行比较，由此实现掌静脉特征的快速的提取和快速的识别及查找。

28、进一步的，在步骤s4中，进行哈希编码的方式为：

29、s41、将g2划分为8*8的、相互之间无交集的子矩阵共计256个，记作z1～z256，计算每个矩阵的平均值，记作equ1n，equ1n＝∑zn÷64，其中映射到新矩阵g3；

30、s42、在新矩阵g3中，再将其划分为4*4的子矩阵共计64个，记作zz1～zz64，进行每个矩阵的平均值，记作equ2n2，equ2n2＝∑zzn2÷16

31、其中映射到新矩阵g4中；

32、s43、计算g4的平均值，记作equ3，equ3＝∑g4÷64；然后将矩阵中各个元素分别与平均值比对，大于平均值的记作1，小于平均值的记作0，生成64位哈希编码hl；

33、s44、将步骤s43中得到的哈希编码hl，与数据库中的各条编码逐一计算汉明距离hamdist，并设置成功条件，不满足条件的均视作失败；集合ht共储存t个数据，其中各条哈希编码按录入顺序记录为h1，h2，...，ht；则有：

34、

35、其中，匹配成功条件设置为hamdist≤5。

36、进一步的，上述所述的方法配套的系统，其特征在于，包括处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据执行所述计算机程序时实现所述方法；所述存储器用于存储所述计算机程序和/或模块；所述处理器执行所述计算机程序运行在以下系统的单元中：

37、信息采集单元，用以采集掌静脉信息；

38、数据加工单元，用于对采集到的掌静脉信息进行加工得到掌静脉特征并编码上传至数据库中；

39、哈希编码计算单元，用于对数据库中各个掌静脉特征进行编码，并计算各个掌静脉特征编码之间的相似度。

40、进一步的，所述处理器可以是中央处理单元、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件；通用处理器可以是微处理器。

41、进一步的，所述存储器包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区存储根据手机的使用所创建的数据；所述存储器可以包括高速随机存取存储器或非易失性存储器。

42、与现有技术相比，本发明的有益效果体现在：

43、1、本发明通过对采集到的掌静脉信息进行加工，将加工后的掌静脉图像进行哈希编码，并将编码上传至数据库，再对数据库中各条编码进行计算，各个掌静脉编码之间，通过计算汉明距离来确认相似度，并通过阈值设置，实现用户识别功能对掌静脉特征提取并进行哈希编码，实现识别的方法。

44、2、本发明通过使用一种凸显特征点的方式，精简了图像预处理的步骤，并使得后续的哈希编码具有更高的保密性，在保证了匹配速度的同时提升了匹配准确度。

45、3、本发明跳过了深度学习方法中最消耗算力的图像预处理环节，并通过对特征点的处理，优化了哈希方法的匹配准确度。

46、4、本发明可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。