[发明专利]一种基于非负矩阵分解的指静脉特征提取方法

说明书

技术领域

本发明属于数字图像处理与模式识别技术领域，具体涉及基于非负矩阵分解理论的指静脉图像特征提取方法。 

背景技术

对图像处理任务而言，在大多数情况下，不能直接在图像数据本身这个测量空间直接进行分类和识别。这一方面是因为图像信息大多数具有很高的维数，或待处理的图像数量巨大，不适宜分类器和识别方法的设计，更重要的是这样一种描述并不能直接反映测量对象的本质，并且它随光照亮度、拍摄角度和位置能因素的变化而变化，因此，为了进行分类器和识别方法的设计，需要把图像从测量空间变换到维数大大减少的特征空间，被研究的对象在这个特征空间中就由一个或几个能表示其本质特征的特征向量来表示。因此，特征提取技术作为目标分类和识别中的关键技术之一，越来越受到科研人员的关注，成为模式识别研究的一个热点。 

手指静脉图像通过感兴趣区域(Region Of Interest,ROI)提取后得到的图像数据，还存在大量对最终识别结果无用的信息，如果直接将其用于分类，一方面庞大的数据量会降低识别速度，另一方面干扰信息会影响最终识别率，难以满足实际的需要。所以对其进行适当的特征提取操作，是必要的。 

近年发展起来的如主成分分析（Principal Component Analysis，PCA）、独立分量分析（Independent Component Analysis，ICA）、核分析(Kenel Analysis）等特征提取方法从数据的高阶统计相关性角度出发，提取图像内部特征，更有效地利用了输入数据在统计关系上得本质特征。但这些方法理论中的像素点可以是正值也可以是负值，特征基的线性组合中可能会存在相减关系，缺少直观意义上的由局部合成整体的效果，而且对于图像矩阵，负值的存在使分解结果缺少可解释和明确的物理意义，失去了与实际问题的联系。针对这些缺陷，Lee和Seung于1999年正式提出了一种新的特征子空间的方法——非负矩阵分解（Non-negative Matrix Factorization，NMF），NMF通过对基和系数的非负约束，将重构图像表示为一系列非负基图像非减的叠加组合，与传统子空间方法相比，这一重建过程更接近于由局部组合而成为整体的过程，具有明确的物理意义。而且，NMF的分解结果还具有一定的稀疏性，能在一定程度上抑制由外界变化(如：部分遮挡、光照变化和物体的旋转等)给特征提取带来的不利影响，在图像提取特征任务中的效果较好。 

发明内容

本发明的目的在于提供了一种基于非负矩阵分解的手指静脉图像特征提取方法。 

本发明的目的是这样实现的： 

（1）对指静脉样本库图片提取感兴趣区域； 

（2）将感兴趣区域图像矩阵列向量化，得到指静脉数据集； 

（3）训练指静脉数据集，得到特征矩阵及系数矩阵； 

（4）提取测试样感兴趣区域，列向量化为测试样本向量，在特征矩阵上做投影，得到的投影系数为待识别的特征。 

图像矩阵列向量化为将感兴趣区域图像矩阵A_k＝(b₁b₂...b_j)∈R^i×j的每列元素依次排列，得到一维的列向量：