一种基于分数加权融合的指静脉仿冒检测模型及方法

本发明属于图像识别，涉及一种基于分数加权融合的指静脉仿冒检测模型及方法。

背景技术：

1、手指静脉识别技术是利用特定波长附近的红外光线对手指进行照射，并利用手指透射出的光进行红外成像获得静脉成像的图像，作为一种生物特征识别技术，手指静脉识别技术本身即具有成本低廉、准确性高、活体识别的唯一性等优势，但和其它生物识别技术类似，指静脉识别技术也面临仿冒攻击的威胁和风险。所谓仿冒攻击是指将伪造的特征样本呈现给生物特征捕获设备，以欺骗系统获得非法权限的行为。目前存在的仿冒攻击主要包括打印攻击、使用智能设备展示和利用蜂蜡制成的仿真手指等。

2、针对上述仿冒攻击，科研人员提出了多种仿冒攻击检测(presentation attackdetection,pad)方法，主流的解决方法可分为基于活体信号检测的方法和基于纹理分析的方法两类。基于活体信号检测的方法主要通过增加额外的设备来捕获活体信号，这类方法精确度较高，但需要硬件的支持或消耗巨大的系统资源。基于纹理分析的方法实现起来更为简单，成本更低，主要通过设计一个能区分真伪指静脉的特征来实现，因为伪造样本在制作过程中会产生很多与真实样本不一致的噪声信息。现有技术中的基于纹理分析的这类方法有傅里叶频谱能量比法(fourier spectral energy ratio，fser)、傅里叶频谱带宽能量法(fourier spectral bandwidth energy，fsbe)、二值统计图像特征法(binarizedstatistical image features，bsif)、基于图像纹理分析的可控金字塔法(steerablepyramids，sp)、面向梯度的多尺度直方图表示方法(multi-scale histogram oforientedgradients，mhog)、基于动态窗口模型进行图像分解法(windowed dmd，w-dmd)等。但是现有技术中上述基于纹理分析的这些方法通常基于单一的纹理特征来进行仿冒攻击检测，因此检测性能有限且通用性较低。

技术实现思路

1、与其他生物识别图像不同，指静脉图像通过红外光源成像，静脉在图像中呈暗影分布，灰度值较低，而手指区域的非纹路部分较亮，灰度值较高，针对现有技术中指静脉指静脉仿冒检测准确性和通用性不足的问题，本申请利用指静脉图像上述的特点，综合多种纹理特征，提出了一种基于分数加权融合的指静脉仿冒检测方法，以提升仿冒检测的性能和泛化性。

2、本发明提出了一种基于分数加权融合的指静脉仿冒检测模型及方法，将双边滤波噪声特征、均值滤波噪声特征和原始纹理特征的分类结果进行加权融合。该方法的基本原理是：伪造图像在打印或二次采集后会产生额外的噪声信息，因此采用双边滤波去噪算法和均值滤波去噪算法，分别从伪造图像和原始图像上提取出噪声特征，然后采用基于局部二值模式(local binary pattern，lbp)提取的两类噪声特征和原始纹理特征，lbp是一种用来描述图像局部纹理特征的算子，它的作用是进行特征提取，提取图像的局部纹理特征，最后使用支持向量机(support vector machines，svm)对提取的两类噪声特征和原始纹理特征分别进行分类，再将分类结果进行分数加权融合，就能得到最终的分类结果模型。

3、第一方面，本发明提供了一种基于分数加权融合的指静脉仿冒检测模型，如图1所示，所述模型是由如下操作步骤训练获得：

4、使用红外采集设备采集真实手指静脉图像作为真实数据集，伪造指静脉模型例如用激光胶片制作伪造指静脉模型，再使用采集设备进行二次采集得到伪造指静脉图像构成伪造数据集，所述真实数据集和伪造数据集合并后作为真伪数据集，最后将真伪数据集划分为训练集和验证集，并根据真伪打上标签；

5、对真伪数据集中的每个原始图像i均进行三次特征提取，需要说明的是，此处原始图像i既包括真伪数据集中的真实手指静脉图像，也包括真伪数据集中的伪造指静脉图像，第一次特征提取为对原始图像i进行lbp特征提取得到图像的原始纹理特征f1；第二次特征提取为采用双边滤波算法对原始图像i进行去噪得到第一去噪图像i1、再将i与i1做差得到第一噪声图像n1、并对n1进行lbp特征提取得到第一噪声特征f2；第三次特征提取为采用均值滤波算法对原始图像i进行去噪得到第二去噪图像i2、再将i与i2做差得到第二噪声图像n2、并对n2进行lbp特征提取得到第二噪声特征f3；

6、将训练集中的每一张原始图像i经过三次特征提取后获得的原始纹理特征f1、第一噪声特征f2、第二噪声特征f3分别输入支持向量机进行训练，得到三个预训练svm模型，再将验证集中的每一张原始图像i的经过三次特征提取后获得的原始纹理特征f1、第一噪声特征f2、第二噪声特征f3分别输入对应的预训练svm模型，得到三个分类结果r1、r2和r3；通过对三个分类结果加权，通过穷举算法求得最佳分类权重，得到分数加权融合模型即基于分数加权融合的指静脉仿冒检测模型。

7、第二方面，本发明提供了一种基于分数加权融合的指静脉仿冒检测方法，即应用所述分数加权融合模型进行真伪指静脉识别，所述检测方法包括步骤：将待识别指静脉图像按照上述特征提取方式进行三次特征提取，分别提取出待识别指静脉图像的原始纹理特征f1'、第一噪声特征f2'、第二噪声特征f3'，分别输入上述三个预训练svm模型获得三个分类结果r1'、r2'和r3'，然后再三个分类结果r1'、r2'和r3'输入上述训练获得的分数加权融合模型进行加权决策，最后输出得到的指静脉仿冒检测结果。

8、有益效果：

9、(1)判别方法简单，模型训练完成后，不需要额外的硬件设备，直接输入单张的指静脉图像就能实现真伪判断，硬件成本与计算成本较低。

10、(2)本发明将真伪图像进行高强度去噪处理，再通过与原图做差提取出真伪指静脉噪声特征，这样提取的噪声特征具有很高的区分度，能提高仿冒检测的准确度。

11、(3)且与现有指静脉仿冒攻击检测方法大部分采取单一的特征进行检测相比，本发明将原始纹理特征的分类结果和两种噪声特征的分类结果进行加权融合，针对真实指静脉红外图像中存在的低频信息如皮肤纹理和关节纹理，采用双边滤波算法去除这些低频信息同时保留图像的高频信息如指静脉纹路、手指边缘。通过将原始图像与去噪图像做差，就可以提取出真伪指静脉图像中的低频信息。而伪造图像的低频信息为分布不均的噪点和斑块，且针对真实指静脉红外图像和伪造指静脉红外的像素点差值不同，且均值滤波算法可以让图像整体都变得更加模糊平滑，像素值更加均匀，通过将原始图像与均值滤波算法去噪图像做差得到的噪声特征能放大真伪图像的成像细粒度的差异，因此，将原始纹理特征的分类结果和两种噪声特征的分类结果进行加权融合能够提高仿冒检测的性能和泛化性。

技术特征：

1.一种基于分数加权融合的指静脉仿冒检测模型，其特征在于，所述检测模型是通过如下步骤训练获得：

2.权利要求1所述的一种基于分数加权融合的指静脉仿冒检测模型，其特征在于，所述伪造指静脉模型是采用激光胶片制作伪造的。

3.权利要求1所述的一种基于分数加权融合的指静脉仿冒检测模型，其特征在于，采用双边滤波算法对原始图像i进行去噪得到第一去噪图像i1的具体过程如下：定义一个卷积窗口h,p为卷积窗口h的中心像素，其位置为(px,py)，q为h中的另一个像素，其位置为(qx,qy)，op、oq分别为p、q的像素值；通过公式(1)，可以求出op经过双边滤波算法后新的像素值o'p，

4.权利要求2所述的一种基于分数加权融合的指静脉仿冒检测模型，其特征在于，σs＝7、σr＝0.2。

5.权利要求1所述的一种基于分数加权融合的指静脉仿冒检测模型，其特征在于，采用均值滤波算法对真伪数据集原始图像进行去噪的具体过程如下：j为一个卷积窗口,k为卷积窗口j的中心像素，其位置为(kx,ky)，l为j中的另一个像素，其位置为(lx,ly)，ok、ol分别为k、l的像素值；则通过公式(3)可以得到ok经过均值滤波处理后的新值o'k；

6.权利要求1所述的一种基于分数加权融合的指静脉仿冒检测模型，其特征在于，对分类结果进行分数加权融合，并寻找最优权重的步骤具体为：对预测结果r1、r2、r3分配权重w1、w2、w3，最终融合后的预测结果r可表示为公式(5)；

7.一种基于分数加权融合的指静脉仿冒检测方法，其特征在于，将待识别指静脉图像按照权利要求1中所述的特征提取方式进行三次特征提取，分别提取出待识别指静脉图像的原始纹理特征f1'、第一噪声特征f2'、第二噪声特征f3'，分别输入三个权利要求1所述的预训练svm模型获得三个分类结果r1'、r2'和r3'，然后将三个分类结果r1'、r2'和r3'输入权利要求1中所述分数加权融合模型进行加权决策，最后输出得到的指静脉仿冒检测结果。

技术总结
本发明属于图像识别技术领域，具体公开了一种基于分数加权融合的指静脉仿冒检测模型及方法，所述模型的训练步骤包括：伪造图像在打印或二次采集后会产生额外的噪声信息，因此采用双边滤波去噪算法和均值滤波去噪算法提取出伪造图像和真实图像的噪声特征，然后采用基于局部二值模式LBP提取的两类噪声特征和原始纹理特征，最后使用支持向量机SVM对提取的两类噪声特征和原始纹理特征分别进行分类，再将分类结果进行分数加权融合，就能得到最终的分类结果模型，然后采用分类结果模型对待识别图像进行识别。

技术研发人员：郭剑,王子浩然,穆恒宇,季洁,邹浩然,韩崇
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2024/1/5