[发明专利]基于多模态融合的单幅近红外手掌图像识别方法

权利要求书

1.一种基于多模态融合的单幅近红外手掌图像识别方法，其特征在于包括以下步骤：

步骤1：输入原始近红外手掌图像并对图像尺寸进行归一化处理；

步骤2：对处理后的图像使用分块增强模型提取掌纹的纹理结构同时去除掌静脉信息；

步骤3：使用定义的隶属度函数，对步骤2提取的掌纹结构进行模糊反锐化增强得到增强的掌纹图像；

步骤4：对步骤1处理后的近红外手掌图像使用自引导滤波去除掌纹信息，然后对掌静脉信息进行自适应滤波增强得到增强的掌静脉图像；

步骤5：将步骤3、4得到的掌纹图像和掌静脉图像进行特征自适应融合，得到相似系数；

步骤6：选取数据库的近红外手掌图像按照步骤1至5进行训练，获得加权后的相似系数，并将加权相似系数的最小值为识别阈值，对识别的样本的加权相似系数与训练样本的阈值进行比较，若识别的样本的加权相似系数≥训练样本的阈值，则识别正确。

2.根据权利要求1所述的单幅近红外手掌图像识别方法，其特征在于：所述步骤2具体采用以下步骤：

步骤2.1：将归一化处理后的近红外手掌图像I分割成R*R的小块，计算每个小块像素灰度值的均值，得到维度变小的背景矩阵I_back；

步骤2.2：对分块处理后得到的背景矩阵I_back进行双三次插值，使背景矩阵的维数和近红外手掌图像矩阵I的维数相同，此时背景矩阵记为I'_back；

步骤2.3：将近红外手掌图像矩阵I减去双三次插值处理后的背景矩阵I'_back，对I-I'_back进行直方图均衡化，得到增强的掌纹结构图像。

3.根据权利要求1所述的单幅近红外手掌图像识别方法，其特征在于：所述步骤3具体采用以下步骤：

步骤3.1:定义的隶属度函数如下：

优化后的参数如下：

其中，δ为论域X的标准差，m为论域X的均值。c1,c2,c3,c4是四个参数，这个四个值是由统计值决定的；

步骤3.1：将步骤2处理后的掌纹图像作为输入图像I₀；

步骤3.2：对输入图像I₀进行I_enhance＝I₀-μI_fuzzy处理，获得增强后的掌纹结构图像；

其中，I_fuzzy为I₀经过隶属度函数模糊化后的图像矩阵，μ是细节增强系数。

4.根据权利要求1所述的单幅近红外手掌图像识别方法，其特征在于：所述步骤4具体采用以下步骤：

步骤4.1：使用自引导滤波对输入的手掌图像I进行滤波处理，取滤波半径r＝2和规整化因子λ＝0.01，得到滤波后的结果q₁；

步骤4.2：将q₁作为引导滤波的引导图像和输入图像，选取r＝16和λ＝0.01，进行自引导滤波处理后，得到平滑掌纹后的图像q₂；

步骤4.3：通过线性增强模型I'＝(q₁-q₂)·t+q₂对掌静脉结构进行增强，得到增强后的掌静脉图像I'，线性增强模型中的系数t＝5；

步骤4.4：重复步骤4.1至4.3，进一步增强掌静脉结构，输出图像即为掌静脉增强后的图像。

5.根据权利要求1所述的单幅近红外手掌图像识别方法，其特征在于：所述步骤5具体采用以下步骤：

步骤5.1：提取掌纹增强图像的二级二维小波特征；

步骤5.2：提取掌静脉增强图像的二级二维小波特征；

步骤5.3：对增强后的掌纹和掌静脉特征进行自适应融合，相似系数采用式3获得：

其中A、B为大小为M*N的两个矩阵。

6.根据权利要求1所述单幅近红外手掌图像识别方法，其特征在于：所述步骤6中的相似系数采用式4获得：

R_s'(i)＝w₁(i)R_vein(i)+(1-w₁(i))R_print(i) (4)

其中R_vein(i)是训练样本中，掌静脉的相似系数的最小值；R_print(i)是训练样本中，掌纹的相似系数的最小值；w₁是掌静脉相似系数的权值，采用式5获得：

w₁＝1/3*LV₁/(LV₁+LP₁)+1/3*LV₂/(LV₂+LP₂)+1/3*LV₃/(LV₃+LP₃) (5)

G是数据库样本，i∈(1,2,3,...,G)；LV₁,LV₂,LV₃,是衡量掌静脉图像质量的三个指标；LP₁,LP₂,LP₃是衡量掌纹图像质量的三个指标。