[發明專利]一種基于多特征融合和DE-ELM的手指靜脈活體檢測方法

在審

• 申請號: 202010007626.0
• 申請日: 2020-01-04
• 公開（公告）號: CN111241957A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 趙國棟;張烜;高旭;李學雙
• 申請（專利權）人: 圣點世紀科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 諸佩艷

本發明涉及基于多特征融合和DE?ELM的手指靜脈活體檢測方法，其包括以下步驟：1)分別采集真手指靜脈圖像和假手指偽靜脈圖像作為正負訓練樣本，并對其進行大小歸一化預處理和高斯濾波處理；2)分別提取靜脈圖像的多塊LBP直方圖特征與多尺度HOG特征，并融合成一個總的特征向量，用于表述靜脈特征；3)設置隱藏層神經元的激活函數和利用差分進化算法(Differential Evolution,DE)確定隱藏層神經元的個數，構建DE?ELM分類模型；4)訓練數據輸入到DE?ELM分類模型中進行訓練；5)將測試圖像數據輸入到訓練好的DE?ELM分類模型中進行活體數據的檢測和識別，確定測試圖像數據是否為活體手指靜脈。本發明采用多特征融合結合DE?ELM分類器進行手指靜脈活體檢測的算法，具有檢測速度快，檢測精度高，魯棒性強等優點。

技術領域

本發明屬于手指靜脈識別及信息安全技術領域，尤其涉及一種基于多特征融合和DE-ELM的手指靜脈活體檢測方法。

背景技術

在指靜脈活體檢測領域，基于活體信號檢測的算法通過檢測手指的活性或生命信號來辨別真偽靜脈，這類算法的精度和可靠性較高，但往往需要借助額外的設備或消耗更多的計算資源。基于紋理分析的算法利用真偽靜脈圖像上的成像質量差異，這些差異主要體現在紋理和噪聲層面上。該類算法既不需要增加額外的設備，也不需要會降低用戶體驗度的交互式動作，可最大限度減少額外的計算資源消耗。目前大多數基于紋理分析的研究都關注于提高分類精度，而忽略了學習速度，活體檢測需要提高學習速度來保證實時性需求。

此外，指靜脈活體檢測技術如專利號為CN107194367A公開的一種手指靜脈識別過程中的活體檢測方法，在手指靜脈識別過程中通過采集一定幀數的手指靜脈視頻圖像，然后選取部分有手指靜脈的區域作為活體靜脈檢測區域，最后再使用歐拉視頻運動放大算法進行靜脈紋路輕微膨脹和收縮運動檢測，根據檢測結果確定是否為活體手指靜脈。該技術主要采用基于統計的算法，通常包括收集訓練樣本、提取圖像特征、訓練分類器以及檢測目標四個主要階段，其中特征提取是影響檢測方法性能的關鍵因素，常用的圖像特征包括LBP特征，HOG特征與Haar特征等，但這些單一特征的圖像細節表現能力較差。

發明內容

本發明的目的是為了解決現有技術中活體檢測學習速度慢、單一特征圖像細節表現能力差的缺陷，提供基于多特征融合和DE-ELM的手指靜脈活體檢測方法。

為了達到目的，本發明提供的技術方案為：

本發明涉及的一種基于多特征融合和DE-ELM的手指靜脈活體檢測方法，其包括以下步驟：

1)分別采集真手指靜脈圖像和假手指偽靜脈圖像作為正負訓練樣本，并對其進行大小歸一化預處理和高斯濾波處理；

2)分別提取靜脈圖像的多塊LBP直方圖特征與多尺度HOG特征，并融合成一個總的特征向量，用于表述靜脈特征；

3)設置隱藏層神經元的激活函數和利用差分進化算法確定隱藏層神經元的個數，構建DE-ELM分類模型；

4)訓練數據輸入到DE-ELM分類模型中進行訓練；

5)將測試圖像數據輸入到訓練好的DE-ELM分類模型中進行活體數據的檢測和識別，確定測試圖像數據是否為活體手指靜脈。

優選地，所述的步驟2)具體包括以下步驟：

2.1)計算多塊LBP直方圖特征，即設置各種不同大小的尺度，根據給定的尺度從靜脈圖像模板獲得多個不同大小、不同位置的塊，計算每個塊的LBP直方圖特征，把所有局部塊的LBP直方圖特征連接起來得到多塊LBP特征；

2.2)計算多尺度HOG特征，即計算靜脈圖像模板的方向梯度，將圖像按照寬高比均分為m*n個小塊，選定一種遍歷方式對每個小塊進行掃描，每個小塊生成一個共生矩陣，使用多種遍歷方式掃描靜脈圖像模板，生成多尺度HOG特征；