基于LogGabor特征的手部静脉识别方法、装置及存储介质与流程

【】本技术涉及通信，尤其涉及基于loggabor特征的手部静脉识别方法、装置及存储介质。

背景技术

0、
背景技术：

1、目前的智能设备(如手机、手表、料理机等)基本都是采用指纹解锁、面部解锁、手动解锁等方式进行解锁。但是上述解锁过程存在对环境要求高、使用不便的问题。例如指纹识别，当用户在进行料理时，手指上沾有调料或者其他食材时，会出现料理机指纹解锁验证失败的情况；例如智能手表，每次取下戴上后需要用户进行手动解密，使用上存在较大的不便。

2、手部静脉作为人体特征，包含了大量的拓扑结构特征和局部纹理特征，信息量丰富，能够很好的用于身份识别，手部静脉识别是一种识别率高、实时检测能力强、防伪能力强和易于接受的生物特征识别技术。

3、现有的手部静脉识别方法大多对采集到的图像，通过提取结构、纹理等特征，利用特征信息进行特征匹配、神经网络方法、稀疏表示方法等进行身份识别。然而，直接采集到的手部静脉图像具有很多噪声和冗余信息，同时会出现手势旋转或移动等无法避免的情况，对后续静脉特征的提取具有较大的干扰，会降低识别的准确性和鲁棒性。

技术实现思路

0、
技术实现要素：

1、为了能够更好地采集到手部静脉图像，解决现有静脉特征的提取具有较大的干扰，会降低识别的准确性和鲁棒性的问题，本发明通过获取用户的手部静脉图像，再对静脉图像的冗余信息进行消除，采用预处理方案，能够很好地去除噪声和冗余信息，有利于进行手部静脉纹理特征提取，再与特征图库字典进行匹配，从而生成分类识别结果。

2、本发明提出了如下方案：

3、基于loggabor特征的手部静脉识别方法，包括：

4、获取用户的手部静脉图像；

5、根据手部静脉图像，消除静脉图像的冗余信息；

6、基于loggabor滤波器，提取手部静脉图像中的手部静脉纹理信息；

7、根据手部静脉纹理信息与特征图库字典，生成分类识别结果。

8、如上所述的手部静脉识别方法，所述获取用户的手部静脉图像的步骤，包括：

9、启动近红外光源照射手部；

10、获取用户在近红外光源照射下的手部图像。

11、如上所述的手部静脉识别方法，所述根据手部静脉图像，消除静脉图像的冗余信息的步骤，包括：

12、确定手部静脉图像的roi区域；

13、增强手部静脉图像的roi区域对比度；

14、对所述roi区域尺寸进行归一化处理；

15、消除静脉图像的冗余信息，所述冗余信息至少包括位移、噪声和光照。

16、如上所述的手部静脉识别方法，所述确定手部静脉图像的roi区域的步骤，包括：

17、基于otsu阈值方法，分割手部静脉图像的阈值；

18、基于边缘检测算法，确定手部的边缘图像；

19、根据边缘图像，确定剪裁边界框得到roi图像。

20、如上所述的手部静脉识别方法，所述根据手部静脉纹理信息与特征图库字典，生成分类识别结果的步骤，包括：

21、根据手部静脉纹理信息与特征图库字典，确定增强稀疏度的稀疏系数和概率协同表示的密集系数；

22、确定稀疏系数对应元素与密集系数对应元素的乘积结果；

23、根据得到的乘积结果和最大化融合系数，区分测试图像的类别。

24、如上所述的手部静脉识别方法，所述增强稀疏度的稀疏系数的确定方法具体为：

25、

26、其中，为权重系数，可通过交叉验证求解，为平方系数，为增强稀疏度的稀疏系数；

27、所述概率协同表示的密集系数的确定方法，具体为：

28、

29、其中，y表示测试图像的loggabor特征，为概率协同表示系数，t的确定公式为：

30、

31、其中，e为单位矩阵，zk′为与z大小相同的矩阵，且只有在zk对应位置为zk的值，其他位置均为零，

32、稀疏系数对应元素与密集系数对应元素的乘积结果的确定方法，具体为：

33、

34、其中，⊙为稀疏系数与密集系数中元素对应位相乘；

35、所述测试图像的类别的确定方法，具体为：

36、

37、其中，t＝[t1,t2,…,tk]＝[t1,t2,…,tn]∈rk×n，为所有训练样本的标签矩阵；第k类的标签由tk＝[t(k,1),t(k,2),…,t(k,nk)]∈rk×nk表示，其中，t(k,nk)＝[0,0,…,1,…,0]t∈rk×1为单个训练样本的标签，该样本对应位置上为1，其他位置为0，为第k类训练量样本zk对应的融合系数之和。

38、基于loggabor特征的手部静脉识别装置，包括：

39、获取模块，用于获取用户的手部静脉图像；

40、消除模块，用于根据手部静脉图像，消除静脉图像的冗余信息；

41、提取模块，用于基于loggabor滤波器，提取手部静脉图像中的手部静脉纹理信息；

42、生成模块，用于根据手部静脉纹理信息与特征图库字典，生成分类识别结果。

43、如上所述的手部静脉识别装置，所述获取模块包括：

44、启动单元，用于启动近红外光源照射手部；

45、获取单元，用于获取用户在近红外光源照射下的手部图像；

46、所述消除模块包括：

47、第一确定单元，用于确定手部静脉图像的roi区域；

48、增强单元，用于增强手部静脉图像的roi区域对比度；

49、归一单元，用于对所述roi区域尺寸进行归一化处理；

50、消除单元，用于消除静脉图像的冗余信息，所述冗余信息至少包括位移、噪声和光照；

51、所述第一确定单元包括：

52、分割子单元，用于基于otsu阈值方法，分割手部静脉图像的阈值；

53、第一确定子单元，用于基于边缘检测算法，确定手部的边缘图像；

54、第二确定子单元，用于根据边缘图像，确定剪裁边界框得到roi图像；

55、所述生成模块包括：

56、第二确定单元，用于根据手部静脉纹理信息与特征图库字典，确定增强稀疏度的稀疏系数和概率协同表示的密集系数；

57、第三确定单元，用于确定稀疏系数对应元素与密集系数对应元素的乘积结果；

58、区分单元，用于根据得到的乘积结果和最大化融合系数，区分测试图像的类别；

59、所述增强稀疏度的稀疏系数的确定方法具体为：

60、

61、其中，为权重系数，可通过交叉验证求解，为平方系数，为增强稀疏度的稀疏系数；

62、所述概率协同表示的密集系数的确定方法，具体为：

63、

64、其中，y表示测试图像的loggabor特征，为概率协同表示系数，t的确定公式为：

65、

66、其中，e为单位矩阵，z′k为与z大小相同的矩阵，且只有在zk对应位置为zk的值，其他位置均为零，

67、稀疏系数对应元素与密集系数对应元素的乘积结果的确定方法，具体为：

68、

69、其中，⊙为稀疏系数与密集系数中元素对应位相乘；

70、所述测试图像的类别的确定方法，具体为：

71、

72、其中，t＝[t1,t2,…,tk]＝[t1,t2,…,tn]∈rk×n，为所有训练样本的标签矩阵；第k类的标签由tk＝[t(k,1),t(k,2),…,t(k,nk)]∈rk×nk表示，其中，t(k,nk)＝[0,0,…,1,…,0]t∈rk×1为单个训练样本的标签，该样本对应位置上为1，其他位置为0，为第k类训练量样本zk对应的融合系数之和。

73、一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被基于loggabor特征的手部静脉识别装置执行时，实现如上所述的基于loggabor特征的手部静脉识别方法。

74、一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述计算机程序时实现如上所述的基于loggabor特征的手部静脉识别方法。

75、本发明实施例通过获取用户的手部静脉图像，再对静脉图像的冗余信息进行消除，采用预处理方案，能够很好地去除噪声和冗余信息，有利于进行手部静脉纹理特征提取，再与特征图库字典进行匹配，从而生成分类识别结果，该方法能很好的提高识别精度，降低了计算复杂度，提高算法性能。