[发明专利]结合表观相似度与奇异点匹配个数的手指静脉识别方法

说明书

本发明提供了结合表观相似度与奇异点匹配个数的手指静脉识别方法及系统，包括：对用于手指静脉识别的数据集中的各幅图像进行预处理；基于空间重叠金字塔与正交局部保留投影降维分别得到测试图像与模板图像的特征，并基于特征计算测试图像与模板图像之间的表观相似度；计算测试图像与模板图像的奇异点匹配个数，并基于奇异点匹配个数计算测试图像和模板图像之间的奇异点匹配个数相似度；将测试图像与模板图像的表观相似度和奇异点个数相似度进行加权融合，得到加权匹配分数；对测试图像与各个模板图像的加权匹配分数值进行分类，分类结果所对应的图像标签即为识别结果。本发明能够有效解决由于指静脉采集时手指姿态不同导致识别率较低的问题。

技术领域

本发明涉及手指静脉识别技术领域，尤其是涉及结合表观相似度与奇异点匹配个数的手指静脉识别方法及系统。

背景技术

目前针对手指静脉识别的方法主要分为深度学习方法和传统方法两大类，深度学习方法主要有基于神经网络的自学习特征提取方法，该方法是基于对海量指静脉图像数据的学习，在深度框架理论约束下对多层网络参数调整，建立输入、输出之间的最佳非线性拟合网络，完成以图像分类为目标的指静脉识别。传统方法基于特征提取，主要有基于纹路特征提取方法，通过从指静脉灰度图像中提取出静脉网络，表达出指静脉整体的拓扑结构，计算静脉网络特征距离进行识别。基于纹理特征提取方法，使用LBP(局部二值模式)或LDP(局部导数模式)表达提取静脉的纹理特征，利用目标间纹理二值特征的距离差异对指静脉图像进行识别。基于细节点特征提取方法，通过提取指静脉图像中的分叉点、端点等细节点及其位置信息来描述指静脉主要特征，利用目标间细节点特征的距离差异对指静脉图像进行识别。还有基于统计特征提取方法，通过对批量指静脉图像的统计分析获取到指静脉识别的统计特征，使用PCA(主成分分析)、LDA(线性判别分析)和ONPP(正交邻域保持投影)等方法对指静脉图像的感兴趣区域进行降维获得可靠的统计特征，利用目标间统计特征的距离差异对指静脉图像进行识别。

然而，上述各种方法中，易受指静脉图像采集过程中的手指姿态不同以及低质量图像的影响，导致细节点特征无法提取或提取不正确，影响识别性能。

发明内容

有鉴于此，本发明提供了结合表观相似度与奇异点匹配个数的手指静脉识别方法及系统，能够有效地解决由于指静脉采集时手指姿态不同导致识别率较低的问题。

为此，本发明提供了以下技术方案：

一方面，本发明提供了一种结合表观相似度与奇异点匹配个数的手指静脉识别方法，包括以下步骤：

获取用于手指静脉识别的数据集，并对数据集中的各幅图像进行预处理；所述数据集中包括测试图像和多幅带有图像标签的模板图像；

针对经过预处理的每幅模板图像：

基于空间重叠金字塔与正交局部保留投影降维分别得到经过预处理的测试图像与所述模板图像的特征，并基于所述特征计算所述测试图像与所述模板图像之间的表观相似度；计算经过预处理的测试图像与所述模板图像的奇异点匹配个数，并基于所述奇异点匹配个数计算所述测试图像和所述模板图像之间的奇异点匹配个数相似度；将所述测试图像与所述模板图像的表观相似度和奇异点个数相似度进行加权融合，得到所述测试图像与所述模板图像的加权匹配分数；加权匹配分数score计算公式如下：score＝d×λ+(1-pro)×(1-λ)；其中λ为加权值；d为测试图像和模板图像的表观相似度，pro为测试图像和模板图像的奇异点匹配个数相似度；

对所述测试图像与所有模板图像的加权匹配分数值进行分类，分类结果所对应的图像标签即为识别结果。

进一步地，对数据集中的各幅图像进行预处理，包括：

将图像统一为指尖朝上方向，并转化为灰度图像，进行高斯滤波后对图像进行边缘检测，得到图像对应的手指边缘二值图像；

确定手指边缘二值图像中手指两侧边缘线之间的中线，基于中线判断图像是否倾斜；