[发明专利]基于HOL特征与子空间学习的静脉识别方法

说明书

技术领域

本发明涉及基于生物特征的自动身份识别技术，特别是一种基于HOL特征与子空间学习的静脉识别方法。

背景技术

基于生物特征的自动身份识别技术近年来越来越受到研究人员的重视，这项技术主要采用人的生理特征(指纹、人脸、虹膜、掌纹、静脉等)或行为特征(语音、步态等)进行身份识别。其中指纹、人脸、虹膜等识别技术已经相对成熟，能达到很高的识别率，并且市场上已有大量的相关产品。国际生物识别集团发表过一篇关于生物识别市场的报告：《生物识别市场与产业报告2009-2014》，该报告中提到，目前，指纹识别在各种生物特征识别技术中所占的市场份额最大，占到66.7％；人脸识别居第二，占到11.4％；而虹膜识别、语音识别、静脉识别和掌纹识别所占总和才15.2％(分别为8.0％、3.0％、2.4％、1.8％)。但是随着技术的发展，上述各项技术的局限性也相应出现：指纹识别准确性高，但是接触式使用造成用户体验不好，同时造假容易；人脸识别被认为是最直观的生物识别技术，但是近年来越来越受到光照、姿态、表情等因素的约束；虹膜识别对采集设备及采集过程有过高的要求等。静脉识别是近年来出现的一种较为新颖的生物识别技术，与其他识别技术相比，静脉识别起步较晚，但是因为其具有非接触性、活体检测、不易伪造、安全性更高等优点，使其在生物特征识别领域得到越来越多的关注。

发明内容

(一)要解决的技术问题

为解决上述技术问题，本发明提出一种基于HOL特征与子空间学习的静脉识别方法，该方法既能利用HOL特征描述获得静脉的线形响应和方向，又能克服子空间学习直接应用于原始图像时特征描述不足及冗余信息较多的缺点。

(二)技术方案

一种基于HOL特征与子空间学习的静脉识别方法，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测试集和训练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测试集和训练集图像的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。

上述方案中，所述静脉图像为手指静脉图像，在步骤S1中，采集设备以矩形框定义识别部位的有效采集区域，对有效采集区域成像得到静脉图像。

上述方案中，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。

上述方案中，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。

上述方案中，所述HOL特征表示为一维HOL特征或二维2DHOL特征。

上述方案中，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。