[發明專利]一種基于紋理的掌紋掌脈融合識別方法

在審

• 申請號: 201811249308.4
• 申請日: 2018-10-25
• 公開（公告）號: CN109359607A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 李新春;林森;張春華;李曉曦;馬紅艷
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

1.一種基于紋理的掌紋掌脈融合識別方法，其特征在于：包括以下步驟：

步驟1：對掌紋圖像A及掌脈圖像B基于NSCT域進行融合，利用NSCT變換將圖像分解為低頻子圖像和高頻子圖像兩部分，對低頻部分采用區域能量自適應加權融合，高頻部分帶利用圖像自相似進行系數融合，最后進行NSCT逆變換，重構生成融合圖像F；

步驟2：對融合圖像F利用BSLDP算法提取特征，對融合圖像F進行分塊操作，利用SLDP算法提取每一子塊直方圖特征向量，將每一子塊的直方圖特征向量進行串接，得到融合圖像F的統計直方圖總特征向量α；

所述BSLDP算法為分塊增強局部方向模式；該模式是將一幅圖像經過分塊增強局部方向模式運算后，各像素點在取值上雖然有所改變，結果仍為一幅圖像，稱之為BSLDP圖譜；將該圖譜的統計直方圖作為特征向量來進行之后的操作；

所述SLDP算法為增強局部方向模式；該模式是參照局部二值模式原理而提出的一種特征提取方法，該方法在描述圖像的紋理信息時，對于任意一個大小為3×3的矩形塊I，有9個灰度值，它中心點的SLDP值由其他8個相鄰點的像素灰度值與模板卷積運算返回值的差值編碼所得；

步驟3：根據BSLDP算法得到融合圖像F的統計直方圖特征向量α，利用融合圖像F和待識別圖像的特征向量之間的卡方距離來判斷獲取到的圖像是否匹配；卡方距離χ²的定義如下：

其中，L為待識別圖像的總數；

在具體的判別過程中，計算出卡方距離后，需要設定一個閾值T，當卡方距離χ²和T的關系滿足：χ²＜T，滿足則說明樣本是來自同一個人，否則說明樣本來自于不同人。

2.根據權利要求1所述的一種基于紋理的掌紋掌脈融合識別方法，其特征在于：所述步驟1的具體步驟如下：

步驟1.1：采用非下采樣金字塔分解實現圖像的多尺度分解，得到掌紋圖像A及掌脈圖像B的1個低頻子圖像和個高頻子圖像，其中，P為分解級數，為方向分解級數，子圖像的大小與原始輸入圖像一致；

步驟1.2：低頻融合的具體方法如下：

對大小為M×N像素的原圖像X進行NSCT分解后，其中，X包括掌紋圖像A和掌脈圖像B，在X的第K層中心點為(m,n)的區域能量的公式如下：

其中，j代表第K層的分解級數，是原圖像X在(m,n)點處兩個方向的區域頻率之和,是原圖像分解后的低頻系數；Ω(m',n')是在點(m,n)處大小為m'×n'的矩形區域；和是在像素點(m,n)處的兩個方向；

區域能量比R(m,n)代表原圖像X進行NSCT分解后的低頻系數與在其鄰域Ω(m',n')內像素點(m,n)上的能量差異，公式如下：

其中，代表掌紋圖像A的區域能量，代表掌紋圖像B的區域能量；

融合圖像F的低頻系數矩陣為

式中，mean[·]代表計算均值，std[·]代表計算標準差，T₁、T₂、u_A、u_B為參數，k₁、k₂為經驗參數，0≦k₁≦1，1≦k₂≦3；

步驟1.3：高頻融合的具體方法如下：

在原圖像X中設參考塊及候選塊；所述參考塊為Q_v∈C^ρ×ρ，區域C(v)∈C^D×D的中心像素為v，所述為候選塊Q_p∈C^D×D，候選塊與Q_v的相似性如下：

ε_p＝||Q_p-Q_v||_F

其中，C^ρ×ρ代表ρ×ρ像素的區域，C^D×D代表D×D像素的區域；

其中||G||_F代表矩陣的Frobenius范數，a_mn代表該矩陣內的具體元素；

在區域C(v)∈C^D×D內對所有的圖像塊進行降序排列得到ε_p，得出Q_v的k個最相似塊，最相似塊的集合表示為L_C(v)＝{Q_p1,Q_p2,,...,Q_pk}；和的共享相似塊為：

其中，代表掌紋圖像A的塊的集合，代表掌脈圖像B的塊的集合：表示一個融合自適應區域，C^A(v)和C^B(v)表示在f^A和f^B中相同位置的區域，f^A代表原圖像X中的掌紋圖像A，f^B代表原圖像X中的掌脈圖像B：

融合后圖像F的像素選擇原圖像中清晰度高的像素，稱為最大值原則，如下所示：

其中O表示清晰度指標，O^B代表圖像B的像素清晰度之和，O^F代表融合圖像F的像素清晰度之和，用改進的拉普拉斯算子計算大小固定且以r為中心的區域v＝(x₀,y₀)的SML定義如下：

對高頻系數進行融合時，先計算出原圖像的每個自適應區域的清晰度；若在f^A的自適應區域的清晰度比在f^B中的清晰度高，則f^A自適應區域中的所有像素屬于的投票加一，直到所有自適應區域都對比完成后停止，就可以得到一個和原圖像X大小相同的計數映射，通過計數映射r^A(v)和r^B(v)得到像素v的最終投票結果，并通過分配相應的權重來得出融合圖像的像素值，公式如下：

其中，r^A(v)和r^B(v)不為0。

3.根據權利要求1所述的一種基于紋理的掌紋掌脈融合識別方法，其特征在于：所述步驟2的具體步驟如下：

步驟2.1：用改進的Sobel算子，獲取圖像的邊緣響應，同時采用差值法計算輸出值，提出增強局部方向模式；

步驟2.1.1：利用Kirsch八方向模板，對矩形塊I進行卷積，計算出不同方向的邊緣響應絕對值

步驟2.1.2：對絕對值進行排序，將排在前η位的響應值編碼為1，其余的8-η位編碼為0；

步驟2.1.3：把這8個二進制數值按次序進行編碼，作為該矩形塊I的中心點特征值C_LDP，公式如下：

式中：w_i為Kirsch八方向模板；為第i個方向的響應值，是第i個二進制位響應值，是中第η個最大的值；

步驟2.2：將融合圖像F分割成大小均勻的若干子塊，對每一子塊用SLDP算法進行特征提取，提出分塊增強局部方向模式，對融合圖像進行分塊；

將一個M×N大小的圖像矩陣V轉化為t×t個子塊，其中，每個子塊V_de為z×z大小的方陣，其中,d∈t,e∈t,t＝128/z；利用SLDP算法分別提取每一子塊V_de的直方圖特征向量，將各子塊的特征串接，得到融合圖像F的統計直方圖總特征向量α。