[发明专利]基于Riesz小波和SSLM模型的静脉识别方法

摘要

一种基于Riesz小波和SSLM模型的静脉识别方法。本方法中特征提取是基于Riesz小波。Riesz变换是Hilbert变换的多维扩展，有着良好频谱方向性，且在变换前后不会发生幅度的改变。同小波相结合而产生的Riesz小波不仅保持原有的方向性，还增加了尺度不变性的特点。利用Riesz小波来处理静脉图像可以有效地提取其不同方向、不同尺度上的纹理特征。另外，采用SSLM模型能利用尽量小的超球面来包围正样本点，同时使用较大间隔来分离负样本点，这样往往可利用较少负样本就可完成模型构建；而其超球面球心可以较好地代表正样本，可以生成多个尺度的纹理签名，因此本发明方法具有速度快、效果好、物理意义强等特点。

主权项

1.一种基于Riesz小波和SSLM模型的静脉识别方法，其特征在于：所述的基于Riesz小波和SSLM模型的静脉识别方法包括按顺序进行的下列步骤：1)将采集的每张原始手指静脉图像均归一化成2^m×2^m大小的矩形图像；2)将上述每张归一化的手指静脉图像进行N阶Riesz变换而获得N+1张Riesz变换图像；3)利用高通滤波器和低通滤波器将上述N+1张Riesz变换图像分别进行J层小波分解而获得J(N+1)张小波分解图像；4)计算上述每张小波分解图像的能量，并获得每张原始手指静脉图像的能量特征向量；5)建立数据库，将数据库中每一个体的所有手指静脉图像作为一个类别，从数据库中依据类别归属来选取某一类别的正负样本作为训练样本，并赋予相应标签；然后将正负样本分别按上述步骤1)—步骤4)的方法进行处理而获得各自的J(N+1)张Riesz小波分解图像并求得能量特征向量；在特征空间中将每一正负样本对应的能量特征向量称为一个样本点；6)利用上述每一类别的样本点建立一个SSLM模型；7)计算上述每个SSLM模型中的重要参数；8)利用上述SSLM模型中的重要参数，结合Riesz变换阶数和分解层数生成某类别训练样本的不同尺度纹理签名图；9)利用决策函数对某一类别的所有正样本的能量特征向量分别进行判别，然后将判别结果进行编码，由所有类别的所有正样本编码值构成编码表；10)利用上述SSLM模型和编码表对待检测手指静脉图像进行识别；在步骤6)中，所述的利用上述每一类别的样本点建立一个SSLM模型的方法是：在特征空间中建立一个球心为C、半径为R的超球面来包含上述某一类别训练样本中的所有正样本点，而将该类别训练样本中所有负样本点置于距球心C为R+ρ的间隔球面之外，ρ为超球面外的间隔距离，由此建立起SSLM模型；SSLM模型的目标函数为：约束条件为:||Φ(x_i)‑C||²≤R²+ζ_i 1≤i≤m₁||Φ(x_i)‑C||²≥R²+ρ+ζ_j m₁≤j≤nζ_k≥0 1≤k≤n式(6)中，R表示超球面的半径，ρ表示超球面外的间隔距离，m₁和m₂分别表示正负样本的个数，ζ_i和ζ_j表示松弛变量，而v、v₁及v₂为正值的优化参数；在本发明中，SSLM模型的输入量x_i即为步骤4)求得的能量特征向量E。