[發明專利]一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法

無效

• 申請號: 201110231197.6
• 申請日: 2011-08-12
• 公開（公告）號: CN102254165A
• 公開（公告）日: 2011-11-23
• 發明（設計）人: 王一丁;李克峰
• 申請（專利權）人: 北方工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/54;G06K9/62
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 官漢增

1.一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，其特征在于：包括以下幾個步驟：

步驟一：圖像采集和圖像預處理；

通過圖像采集設備采集手背靜脈圖像，采用質心自適應方法提取手背靜脈圖像上的手背區域，并采用對比度約束的局部直方圖均衡方法和邊緣保留的高斯濾波方法，完成對提取的手背區域的手背靜脈圖像的預處理，得到預處理的手背區域圖像；

步驟二：提取結構編碼特征；

(1)對從步驟一中得到的預處理的手背區域圖像使用梯度增強的圖像分割算法進行二值化，得到二值圖像；

(2)在二值圖像上進行形態學濾波和細化，得到骨架化的手背靜脈圖像；

(3)從骨架化的手背靜脈圖像上，采用領域信息的方法提取得到M個交叉點C_i(x_ci，y_ci)及K個端點E_j(x_ej，y_ej)，其中(x_ci，y_ci)，(x_ej，y_ej)分別表示交叉點C_i以及端點E_j的直角坐標；以圖像中心O為原點建立極坐標系，得到交叉點及端點的極坐標信息分別為C_i(r_ci，θ_ci)、E_j(r_ej，θ_ej)，其中(r_ci，θ_ci)，(r_ej，θ_ej)分別表示交叉點C_i以及端點E_j的極坐標，對這M+K個關鍵點按θ進行排序，得到點集P：

P＝[C₁，C₂，…，C_M，E₁，E₂，…，E_K]θ_ci-1≤θ_ci≤θ_ci+1；θ_ej-1≤θ_ej≤θ_ej+1

????????????????????????????????????????????????????????????????????????????????；

?＝[p₁，p₂，…，p_M+K]??p_i(r_i，θ_i)

其中C₁，C₂，…，C_M表示第1至M個交叉點，E₁，E₂，…，E_K表示第1至K個端點，θ_ci、θ_ej分別表示交叉點C_i以及端點E_j的極坐標中的極角，p₁，p₂，…，p_M+K表示排序后的M+K個交叉點及端點；p_i(r_i，θ_i)中，(r_i，θ_i)表示關鍵點p_i的極坐標；

獲取點積P中任意兩點p_u、p_v之間的距離：

duv=ru2+rv2-2×ru×rv×cos(θu-θv)]]>u，v＝1，2，…，M+K，u≠v

其中(r_u，θ_u)，(r_v，θ_v)分別表示關鍵點p_u、p_v的極坐標；

將所有交叉點及端點的極坐標信息及任意兩點之間距離按下式連接，形成結構特征向量S：

S=r1r2...rM+Kd12d13...d(M+K-1)(M+K)]]>

=s1s2...sNS,NS=(M+K)(M+K+1)2;]]>

其中r₁，r₂…r_M+K表示排序后的M+K個關鍵點的極坐標中的極徑，d_uv，u≠v，表示p_u、p_v之間的距離，s₁?s₂…表示結構特征S中的元素；

(4)對得到的結構特征S=s1s2...sNS,]]>NS=(M+K)(M+K+1)2]]>進行二值化編碼：

查找結構特征向量S中所有元素的最大值M_S，i＝1，2，...，N_S；

設定閾值T＝αM_S，其中α表示閾值系數；對結構特征向量S進行二值化編碼，得到編碼后的結構特征向量V_S：

VS=cs1cs2...csNS;]]>其中csi=0si≤T1si>T;]]>i＝1，2，...，N_S；

其中cs₁?cs₂…表示結構編碼特征V_s的元素，s_i表示結構特征S中的對應元素；

步驟三：提取手背靜脈紋理編碼特征；

從步驟一中得到的手背區域預處理結果中提取手背靜脈紋理編碼特征；

(1)將從步驟一中得到的預處理后的手背區域圖像歸一化到B*B像素尺寸；

(2)將歸一化后的手背區域平均分成N個子塊，從每個子塊中分別提取旋轉不變一致性模式的LBP特征H₁，H₂，...，H_N，再將所有子塊提取的LBP特征按照下式連接起來，形成1×N_H，N_H＝10N，維的紋理特征向量H：

H=H1H2...HN]]>

=h1h2...hNH]]>

其中H₁?H₂…H_N表示N個子塊的旋轉不變一致性模式的LBP特征；h₁??h₂…表示紋理特征H的元素；

(3)對紋理特征向量H進行二值化編碼：

查找特征向量H中所有元素的最大值M_H：

MH=maxi{hi}]]>i＝1，2，...，N_H

設定閾值T′＝αM_H，α表示閾值系數；

對紋理特征向量H=h1h2...hNH]]>進行二值化編碼，得到編碼后的紋理特征向量VH=ch1ch2...chNH:]]>

chi=0hi≤T′1hi>T′,]]>i＝1，2，...，N_H；

其中ch₁?ch₂…表示紋理編碼特征V_H中的元素；h_i表示紋理特征H中的對應元素；

步驟四：結構編碼特征與紋理編碼特征進行融合；

(1)將二值化編碼后的結構特征向量V_S的維數N_S和二值化編碼后的紋理編碼特征V_H的維數N_H進行歸一化，歸一化后特征維數N_F為

N_F＝N_H

N_F是歸一化后特征維數，與二值化編碼后的紋理編碼特征的維數N_H相同；如果二值化編碼后的結構特征向量V_S的維數N_S小于歸一化后特征維數N_F，在二值化編碼后的結構特征向量V_S后面補充N_F-N_S個0；如果二值化編碼后的結構特征向量V_S的維數大于等于歸一化特征維數N_F，則截取V_S的前N_F個維特征，得到歸一化后的結構編碼特征V′_S和紋理編碼特征V′_H分別為：

Vs′=cs1cs2...csNF,]]>cs_i＝0，1

VH′=ch1ch2...chNF,]]>ch_i＝0，1

(2)對歸一化后的結構編碼特征V′_S和紋理編碼特征V′_H進行按位異或，得到融合特征V：

V=v1v2...vNF]]>

vi=csi⊕chi]]>

其中v₁，v₂…表示融合特征V中的元素cs_i，ch_i分別表示歸一化后的結構編碼特征和紋理編碼特征的元素；

為異或運算，1⊕1=0,]]>0⊕0=0,]]>1⊕0=1,]]>0⊕1=1;]]>

步驟五：通過分類器識別，得到結果；

(1)使用步驟一至步驟四的方法提取測試樣本融合特征V=v1v2...vNF]]>與訓練樣本的融合特征V′=v1′v2′...vNF′;]]>

(2)獲取測試樣本融合特征V=v1v2...vNF]]>與訓練樣本的融合特征V′=v1′v2′...vNF′]]>的距離Dis：

Dis=||V-V′||=Σi=1NF(vi-vi′)2]]>

(3)使用最近鄰分類器進行分類，得到識別結果：

設訓練樣本共有L類，其融合特征為Vt′=vt1′vt2′...vtNF′,]]>t＝1，2，…，L；對于測試樣本A，其融合特征為VA=vA1vA2...vANF,]]>計算測試樣本A的融合特征V_A與訓練樣本的融合特征V′_t(t＝1，2，…，L)之間的距離Dis_t(t＝1，2，…，L)：

Dist=||VA-Vt′||=Σi=1NF(vAi-vti′)2,]]>t＝1，2，…，L

t*=mint=1L{Dist}]]>

測試樣本A融合特征V_A與第t^*類測試樣本的融合特征距離最小，則測試樣本A被識別為第t^*類。