[发明专利]基于HOL特征与子空间学习的静脉识别方法

权利要求书

1.一种基于HOL特征与子空间学习的静脉识别方法，其特征在于，包括以下步骤：

S1：采集识别部位的静脉图像；

S2：截取静脉图像的感兴趣区域，得到感兴趣区域图像，并将感兴趣区域图像分为训练集和测试集；

S3：采用基于方向线直方图统计的方法对训练集和测试集图像进行特征表示，得到训练集和测试集图像的HOL特征表示；

S4：采用子空间学习方法分别对训练集和测试集图像的HOL特征表示进行降维和压缩，得到模版特征和待测试特征；

S5：对模版特征和待测试特征进行静脉特征的相似性度量与识别，得到静脉识别结果。

2.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S1中，所述识别部位为手指，采集设备以矩形框定义手指的有效采集区域，对有效采集区域成像得到手指静脉图像。

3.根据权利要求2所述的静脉识别方法，其特征在于，步骤S2包括：

子步骤S21：以矩形框的左右边的中点连接成的中线为中心，并以该中线作为垂直方向的截取中心；

子步骤S22：将矩形框内的静脉图像在水平方向上投影，求投影各个位置像素点的灰度累加值曲线；

子步骤S23：灰度累加值曲线在两个指关节处存在两个局部峰值，取第一个指关节位置为左右截取参考线；

子步骤S24：以左右截取参考线为水平方向的基准，结合垂直方向的截取中心，截取静脉图像的感兴趣区域图像；

子步骤S25：将部分感兴趣区域图像作为训练集，剩余部分感兴趣区域图像作为测试集。

4.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S3中：对测试集和训练集的感兴趣区域图像执行以下步骤：

子步骤S31：利用Gabor滤波器对感兴趣区域图像的像素进行滤波；

子步骤S32：构造感兴趣区域图像像素对应的Gabor幅值和Gabor方向响应；

子步骤S33：将感兴趣区域图像分为互不重合的多个单元，每个单元包含多个像素；

子步骤S34：上述多个单元中的部分单元构成一个块，相邻的两个块之间重合或不重合；

子步骤S35：统计每个单元的基于方向的子直方图；

子步骤S36：串联每个块内所有单元的子直方图，构建基于块的子直方图；

子步骤S37：对基于块的子直方图进行归一化；

子步骤S38：将归一化后的基于块的子直方图组合成HOL特征表示，得到训练集和测试集图像的HOL特征表示。

5.根据权利要求4所述的静脉识别方法，其特征在于，所述HOL特征表示为一维HOL特征或二维2DHOL特征。

6.根据权利要求4所述的静脉识别方法，其特征在于，子步骤S31得到像素在多个方向上的Gabor滤波响应图谱；

子步骤S32基于Gabor滤波响应图谱构造Gabor幅值和Gabor方向响应；

子步骤S35的子直方图每个方向的值为该单元中Gabor方向响应为该方向的所有像素点的Gabor幅值累加求和。

7.根据权利要求1所述的静脉识别方法，其特征在于，步骤S4包括：

子步骤S41：在训练集图像的HOL特征表示的行方向上进行第一变换，得到第一变换矩阵；

子步骤S42：用第一变换矩阵将训练集图像的HOL特征表示降维，并将降维后的训练集图像HOL特征表示进行转置；

子步骤S43：对转置后的训练集图像HOL特征表示在行方向上进行第二变换，得到第二变换矩阵，第一变换矩阵和第二变换矩阵组成降维矩阵；

子步骤S44：利用降维矩阵对训练集图像HOL特征表示降维，得到模板特征，利用降维矩阵对测试集图像HOL特征表示降维，得到待测试特征。

8.根据权利要求7所述的静脉识别方法，其特征在于，所述HOL特征为二维2DHOL，所述第一变换和第二变换为2DPCA变换和2DFLD变换中的一种。

9.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S5中，采用欧氏距离对模板特征和待测试特征进行相似性度量，采用最近邻分类对测试集图像进行识别分类，得到静脉识别结果。

10.根据权利要求9所述的静脉识别方法，其特征在于，所述相似性度量采用余弦相似度、马氏距离中的一种，识别采用K近邻或神经网络法中的一种。