[发明专利]一种基于多特征融合和DE-ELM的手指静脉活体检测方法

权利要求书

1.一种基于多特征融合和DE-ELM的手指静脉活体检测方法，其特征在于：其包括以下步骤：

1)分别采集真手指静脉图像和假手指伪静脉图像作为正负训练样本，并对其进行大小归一化预处理和高斯滤波处理；

2)分别提取静脉图像的多块LBP直方图特征与多尺度HOG特征，并融合成一个总的特征向量，用于表述静脉特征；

3)设置隐藏层神经元的激活函数和利用差分进化算法确定隐藏层神经元的个数，构建DE-ELM分类模型；

4)训练数据输入到DE-ELM分类模型中进行训练；

5)将测试图像数据输入到训练好的DE-ELM分类模型中进行活体数据的检测和识别，确定测试图像数据是否为活体手指静脉。

2.根据权利要求1所述的基于多特征融合和DE-ELM的手指静脉活体检测方法，其特征在于：所述的步骤2)具体包括以下步骤：

2.1)计算多块LBP直方图特征，即设置各种不同大小的尺度，根据给定的尺度从静脉图像模板获得多个不同大小、不同位置的块，计算每个块的LBP直方图特征，把所有局部块的LBP直方图特征连接起来得到多块LBP特征；

2.2)计算多尺度HOG特征，即计算静脉图像模板的方向梯度，将图像按照宽高比均分为m*n个小块，选定一种遍历方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用多种遍历方式扫描静脉图像模板，生成多尺度HOG特征；

2.3)把多块LBP直方图特征与多尺度HOG特征融合成一个总的特征向量。

3.根据权利要求2所述的基于多特征融合和DE-ELM的手指静脉活体检测方法，其特征在于：所述步骤2.1)中，每个块的尺度通过公式计算得到，计算公式为：

其中，W与H分别表示静脉图像模板的宽度与高度，w与h分别表示块的宽度与高度，t₁表示块左右移动的步长，t₂表示块上下移动的步长。

4.根据权利要求2所述的基于多特征融合和DE-ELM的手指静脉活体检测方法，其特征在于：所述步骤2.2)中，计算多尺度HOG特征的步骤包括：

2.2.1)采用Gamma校正法对输入图像进行颜色空间的标准化；

2.2.2)计算图像每个像素的梯度值，包括大小和方向两个方面的值，图像中像素点(x，y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y) (2)，

G_y(x,y)＝H(x,y+1)-H(x,y-1) (3)，

式中G_x(x,y)，G_y(x,y)，H(x,y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值；

进一步计算像素点(x，y)处的梯度幅值G_x’(x,y)和梯度方向α_x(x,y)，

2.2.3)把图像平均分成多个正方形的单元格；

2.2.4)统计每个单元格的梯度直方图；

2.2.5)将单元格放到一个块中，分别标准化每个块，对整个块进行归一化操作，即对于向量v，

令

2.2.6)将图像内的所有块的HOG特征串联起来得到该图像的多尺度HOG特征。

5.根据权利要求4所述的基于多特征融合和DE-ELM的手指静脉活体检测方法，其特征在于：所述步骤2.2.5)中的多尺度HOG特征的维度为d，

式中，w、h为图像的宽度和高度，b、c分别为块、单元的大小，p为单元内梯度方向的数目，s为块移动的步长。