[发明专利]一种基于纹理的掌纹掌脉融合识别方法

权利要求书

1.一种基于纹理的掌纹掌脉融合识别方法，其特征在于：包括以下步骤：

步骤1：对掌纹图像A及掌脉图像B基于NSCT域进行融合，利用NSCT变换将图像分解为低频子图像和高频子图像两部分，对低频部分采用区域能量自适应加权融合，高频部分带利用图像自相似进行系数融合，最后进行NSCT逆变换，重构生成融合图像F；

步骤2：对融合图像F利用BSLDP算法提取特征，对融合图像F进行分块操作，利用SLDP算法提取每一子块直方图特征向量，将每一子块的直方图特征向量进行串接，得到融合图像F的统计直方图总特征向量α；

所述BSLDP算法为分块增强局部方向模式；该模式是将一幅图像经过分块增强局部方向模式运算后，各像素点在取值上虽然有所改变，结果仍为一幅图像，称之为BSLDP图谱；将该图谱的统计直方图作为特征向量来进行之后的操作；

所述SLDP算法为增强局部方向模式；该模式是参照局部二值模式原理而提出的一种特征提取方法，该方法在描述图像的纹理信息时，对于任意一个大小为3×3的矩形块I，有9个灰度值，它中心点的SLDP值由其他8个相邻点的像素灰度值与模板卷积运算返回值的差值编码所得；

步骤3：根据BSLDP算法得到融合图像F的统计直方图特征向量α，利用融合图像F和待识别图像的特征向量之间的卡方距离来判断获取到的图像是否匹配；卡方距离χ²的定义如下：

其中，L为待识别图像的总数；

在具体的判别过程中，计算出卡方距离后，需要设定一个阈值T，当卡方距离χ²和T的关系满足：χ²＜T，满足则说明样本是来自同一个人，否则说明样本来自于不同人。

2.根据权利要求1所述的一种基于纹理的掌纹掌脉融合识别方法，其特征在于：所述步骤1的具体步骤如下：

步骤1.1：采用非下采样金字塔分解实现图像的多尺度分解，得到掌纹图像A及掌脉图像B的1个低频子图像和个高频子图像，其中，P为分解级数，为方向分解级数，子图像的大小与原始输入图像一致；

步骤1.2：低频融合的具体方法如下：

对大小为M×N像素的原图像X进行NSCT分解后，其中，X包括掌纹图像A和掌脉图像B，在X的第K层中心点为(m,n)的区域能量的公式如下：

其中，j代表第K层的分解级数，是原图像X在(m,n)点处两个方向的区域频率之和,是原图像分解后的低频系数；Ω(m',n')是在点(m,n)处大小为m'×n'的矩形区域；和是在像素点(m,n)处的两个方向；

区域能量比R(m,n)代表原图像X进行NSCT分解后的低频系数与在其邻域Ω(m',n')内像素点(m,n)上的能量差异，公式如下：

其中，代表掌纹图像A的区域能量，代表掌纹图像B的区域能量；

融合图像F的低频系数矩阵为

式中，mean[·]代表计算均值，std[·]代表计算标准差，T₁、T₂、u_A、u_B为参数，k₁、k₂为经验参数，0≦k₁≦1，1≦k₂≦3；

步骤1.3：高频融合的具体方法如下：

在原图像X中设参考块及候选块；所述参考块为Q_v∈C^ρ×ρ，区域C(v)∈C^D×D的中心像素为v，所述为候选块Q_p∈C^D×D，候选块与Q_v的相似性如下：

ε_p＝||Q_p-Q_v||_F

其中，C^ρ×ρ代表ρ×ρ像素的区域，C^D×D代表D×D像素的区域；

其中||G||_F代表矩阵的Frobenius范数，a_mn代表该矩阵内的具体元素；

在区域C(v)∈C^D×D内对所有的图像块进行降序排列得到ε_p，得出Q_v的k个最相似块，最相似块的集合表示为L_C(v)＝{Q_p1,Q_p2,,...,Q_pk}；和的共享相似块为：

其中，代表掌纹图像A的块的集合，代表掌脉图像B的块的集合：表示一个融合自适应区域，C^A(v)和C^B(v)表示在f^A和f^B中相同位置的区域，f^A代表原图像X中的掌纹图像A，f^B代表原图像X中的掌脉图像B：

融合后图像F的像素选择原图像中清晰度高的像素，称为最大值原则，如下所示：

其中O表示清晰度指标，O^B代表图像B的像素清晰度之和，O^F代表融合图像F的像素清晰度之和，用改进的拉普拉斯算子计算大小固定且以r为中心的区域v＝(x₀,y₀)的SML定义如下：

对高频系数进行融合时，先计算出原图像的每个自适应区域的清晰度；若在f^A的自适应区域的清晰度比在f^B中的清晰度高，则f^A自适应区域中的所有像素属于的投票加一，直到所有自适应区域都对比完成后停止，就可以得到一个和原图像X大小相同的计数映射，通过计数映射r^A(v)和r^B(v)得到像素v的最终投票结果，并通过分配相应的权重来得出融合图像的像素值，公式如下：

其中，r^A(v)和r^B(v)不为0。

3.根据权利要求1所述的一种基于纹理的掌纹掌脉融合识别方法，其特征在于：所述步骤2的具体步骤如下：

步骤2.1：用改进的Sobel算子，获取图像的边缘响应，同时采用差值法计算输出值，提出增强局部方向模式；

步骤2.1.1：利用Kirsch八方向模板，对矩形块I进行卷积，计算出不同方向的边缘响应绝对值

步骤2.1.2：对绝对值进行排序，将排在前η位的响应值编码为1，其余的8-η位编码为0；

步骤2.1.3：把这8个二进制数值按次序进行编码，作为该矩形块I的中心点特征值C_LDP，公式如下：

式中：w_i为Kirsch八方向模板；为第i个方向的响应值，是第i个二进制位响应值，是中第η个最大的值；

步骤2.2：将融合图像F分割成大小均匀的若干子块，对每一子块用SLDP算法进行特征提取，提出分块增强局部方向模式，对融合图像进行分块；

将一个M×N大小的图像矩阵V转化为t×t个子块，其中，每个子块V_de为z×z大小的方阵，其中,d∈t,e∈t,t＝128/z；利用SLDP算法分别提取每一子块V_de的直方图特征向量，将各子块的特征串接，得到融合图像F的统计直方图总特征向量α。