【】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。