[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

说明书

本发明涉及基于多特征融合和DE‑ELM的手指静脉活体检测方法，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(Differential Evolution,DE)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。本发明采用多特征融合结合DE‑ELM分类器进行手指静脉活体检测的算法，具有检测速度快，检测精度高，鲁棒性强等优点。

技术领域

本发明属于手指静脉识别及信息安全技术领域，尤其涉及一种基于多特征融合和DE-ELM的手指静脉活体检测方法。

背景技术

在指静脉活体检测领域，基于活体信号检测的算法通过检测手指的活性或生命信号来辨别真伪静脉，这类算法的精度和可靠性较高，但往往需要借助额外的设备或消耗更多的计算资源。基于纹理分析的算法利用真伪静脉图像上的成像质量差异，这些差异主要体现在纹理和噪声层面上。该类算法既不需要增加额外的设备，也不需要会降低用户体验度的交互式动作，可最大限度减少额外的计算资源消耗。目前大多数基于纹理分析的研究都关注于提高分类精度，而忽略了学习速度，活体检测需要提高学习速度来保证实时性需求。

此外，指静脉活体检测技术如专利号为CN107194367A公开的一种手指静脉识别过程中的活体检测方法，在手指静脉识别过程中通过采集一定帧数的手指静脉视频图像，然后选取部分有手指静脉的区域作为活体静脉检测区域，最后再使用欧拉视频运动放大算法进行静脉纹路轻微膨胀和收缩运动检测，根据检测结果确定是否为活体手指静脉。该技术主要采用基于统计的算法，通常包括收集训练样本、提取图像特征、训练分类器以及检测目标四个主要阶段，其中特征提取是影响检测方法性能的关键因素，常用的图像特征包括LBP特征，HOG特征与Haar特征等，但这些单一特征的图像细节表现能力较差。

发明内容

本发明的目的是为了解决现有技术中活体检测学习速度慢、单一特征图像细节表现能力差的缺陷，提供基于多特征融合和DE-ELM的手指静脉活体检测方法。

为了达到目的，本发明提供的技术方案为：

本发明涉及的一种基于多特征融合和DE-ELM的手指静脉活体检测方法，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。

优选地，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；