[发明专利]一种基于GWO-OSELM的非接触式手掌活体检测方法及装置

说明书

本发明涉及一种基于GWO‑OSELM的非接触式手掌活体检测方法及装置，所述的非接触式手掌活体检测方法包括以下步骤：1）采集若干活体和非活体手掌的掌纹图像作为正负训练样本；2）对正负训练样本图像进行高斯滤波处理；3）将LPQ特征和BSIF特征进行特征融合，形成总特征向量；4）形成分类模型；5）将总特征向量输入到分类模型中进行训练；6）提取待检测图像的总特征向量，并将总特征向量输入到训练好的分类模型中进行活体数据的检测和识别，确定待检测图像数据是否为活体手掌掌纹图像。本发明利用灰狼优化算法对输入权值和偏置进行优化选取，具有良好的泛化性能和较强的稳定性，有助于提升活体检测的效率。

技术领域

本发明属于生物特征识别及信息安全技术领域，尤其涉及一种基于GWO-OSELM的非接触式手掌活体检测方法及装置。

背景技术

非接触式掌纹识别技术作为一种新兴的生物特征识别技术，具有很好的市场前景。但为了防止恶意攻击者窃取或伪造他人的生物特征用于身份认证，非接触式掌纹识别系统需要具备活体检测功能，即判断所提取的掌纹特征是否来自有生命的真实个体。手掌活体检测即是在手掌检测的基础上，辨别当前所获取图像中的手掌是活体手掌(有生命的真实手掌)还是假体手掌(冒充真人身份的仿造手掌)，以达到防止不法分子冒用合法用户掌纹信息的目的。

现如今较多的手掌活体检测算法集中在外部设备分析、运动信息分析、图像纹理分析等方面。其中，外部设备分析方法需要借助外部设备去判断，增加了额外花费；运动信息分析方法主要检测生物体相应移动信息进行判别，增加了资源消耗且具有一定的局限性；图像纹理分析方法主要是基于生物特征表面纹理信息进行判别，比如专利号为CN103198304B公开的掌纹提取识别方法，其操作步骤是：采集掌纹图像进行预处理、提取手掌轮廓，分析手掌轮廓上特征点、提取掌纹三条主干线、获得主干线的特征点，对掌部掌纹进行区域分割、搜索识别各个分割出的小区域内的异常纹，但传统的图像纹理分析方法未曾利用真伪掌纹图像上成像质量的噪声层面差异，导致检测率不高。此外，成像环境的差异性以及攻击方式的多样性，给传统的活体检测方法带来了巨大的挑战。

灰狼优化算法（Grey Wolf Optimizer，GWO）由澳大利亚格里菲斯大学学者Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。

极限学习机（Extreme Learning Machine，ELM）是Huang G.B等人于2004年提出来一种快速神经网络学习算法。相比于传统的前馈神经网络学习算法，训练过程不需要反复地进行调整，即可完成对神经网络的快速学习和训练。但ELM对输入权重和隐含层节点偏置的随机初始化、隐含层节点个数的难以确定，使得其性能变得极其不稳定，导致预测的精度不高。为此，Liang等人提出在线顺序极限学习机算法OSELM。OSELM在一定程度上改善上述问题，模型的预测精度有所提高且性能更加稳定。

将灰狼优化算法和在线顺序极限学习机算法应用于掌纹的图像识别还未见有报道。

发明内容

本发明所要解决的技术问题是提供一种基于GWO-OSELM的非接触式手掌活体检测方法，克服传统手掌活体检测泛化性和稳定性差，导致检测效率低的问题。

为了解决上述技术问题，本发明提供的技术方案为：

本发明涉及一种基于GWO-OSELM的非接触式手掌活体检测方法，其包括以下步骤：

1）采集若干活体和非活体手掌的掌纹图像作为正负训练样本，对正负训练样本的图像进行ROI提取，再对图像进行预处理；

2）分别对预处理后的正负训练样本图像进行高斯滤波处理；

3）提取正负训练样本图像的LPQ直方图特征和BSIF特征，将LPQ直方图特征和BSIF特征进行特征融合，形成总特征向量；