一种基于鲁棒稀疏最小二乘回归的手指静脉识别方法

本发明涉及模式识别和图像处理技术，具体涉及对手指静脉图像的特征提取和映射学习技术，从而获取手指静脉图像中最具代表力和辨别力的静脉特征，进一步实现快速、精准的手指静脉识别。

背景技术：

1、随着数字化社会对身份鉴别准确性、可靠性要求的提升，以人脸、指纹为代表的生物特征识别技术已经替代传统的身份识别方式成为身份认证的重要手段。然而，人脸涉及个人隐私和数据泄露隐患，指纹易磨损、污染和复制，而且易受采集环境、噪声和欺骗攻击等外部因素的影响。不同于这些生物特征，手指静脉特征是通过人体手指静脉血管中的血红蛋白吸收红外光线成像形成的，具有以下优势：(1)高防伪性，静脉血管位于手指内部，不易被复制和伪造，天然的活体性使其具有较高的防伪能力；(2)高安全性，非接触式的采集过程无需物理接触，不易使采集窗口受污染，具有较高的安全性和卫生性，而且不需要辅助固定设备来约束手掌位置，具有良好的用户体验；(3)稳定性，静脉特征位于皮肤组织下方，不易受外部环境(如温度、湿度)和表面因素(如污垢、磨损或伤疤)的影响；(4)唯一性，每个人每根手指的手指静脉图像都不相同，而且手指静脉特征终身不变，具有独一无二的特点。近十几年来，手指静脉识别技术已经被广泛地应用在现实生活中的各个领域，如考勤门禁、社区防疫、海关安检等公共安全场景以及电子支付、智慧办公等金融教育服务和智能交通服务等。

2、目前为止，研究人员已经提出了大量的手指静脉识别算法，可大致分为四类：1)基于模板的方法，如最大曲率点和基于解剖结构分析的静脉提取方法，这些方法通过提取静脉模式和细节点特征来表示手指静脉图像。2)基于表示的方法，利用特征描述器、纹理提取和特征降维进行特征表示。3)基于轻量学习的方法，如二值特征学习法、稀疏表示法和多视角学习法，这些方法可以自适应地从手指静脉图像中学习最具辨别力的特征。4)基于深度学习的方法，通常使用预先训练好的卷积神经网络或生成对抗网络自动提取静脉特征，并生成用于识别的指静脉模板。

3、传统的基于模板和基于表示的手指静脉识别方法一般侧重于人工提取手指静脉图像的纹理、细节点、线条和静脉特征。然而，这些手工设计的方法很大程度上依赖于大量的先验知识，易受噪声和异常值的影响，而且对于不同质量的手指静脉图像的特征表达并不总是有效。基于轻量学习的手指静脉识别方法通过自适应学习一组投影函数，将原始手指静脉图像映射到一个特征子空间中，使映射后的特征具有更好的辨别能力。然而大多数基于轻量学习的手指静脉识别方法是在预先提取的静脉特征上进行特征学习，在特征提取过程中也需要依赖一定的先验知识。此外，深度学习技术通常需要大量的训练数据来训练网络，而现有的手指静脉数据库的样本规模较小，限制了现有基于深度学习的手指静脉识别技术在实际应用中的推广。并且，上述大多数方法需要较高的计算成本和较大的存储空间，给实际应用带来了挑战。因此，研究一种对噪声不敏感且快速精准的手指静脉特征提取方法成为手指静脉识别领域的关键问题。

技术实现思路

1、本发明提供了一种基于鲁棒稀疏最小二乘回归的手指静脉识别方法，利用鲁棒稀疏最小二乘回归方法从手指静脉图像中自适应地学习最具代表力和辨别力的静脉特征，进一步实现高准确率、高效率的手指静脉识别。

2、为了实现上述方法，具体步骤如下：

3、步骤100、对所有原始采集的手指静脉图像进行感兴趣区域(region ofinterest,roi)提取，获得手指静脉roi图像，然后对手指静脉roi图像进行归一化处理，从而实现图像预处理。

4、步骤200、利用主成分分析(principal component analysis,pca)对上述所有归一化处理后的手指静脉roi图像进行特征降维，保存原始数据98％的信息，作为输入数据集。

5、步骤300、将输入数据集随机地分为训练集和测试集。在训练阶段，已知训练数据的样本标签，利用训练数据和该样本标签建立一个噪声分解模型和一个最小二乘回归模型，分别得到噪声分解模型和最小二乘回归模型的目标函数。通过将噪声分解模型和回归模型集成到一个统一的特征学习模型(称为robust and sparse least squareregression,rslsr)中，构建新的目标函数，旨在自适应地学习一个映射矩阵，将训练数据转换为数据对应的标签，将在子空间中的特征学习问题转化为求解rslsr模型的最优化问题。

6、步骤400、利用交替向乘子法(alternating direction method of multipliers,admm)求解上述鲁棒稀疏最小二乘回归模型的优化问题，通过迭代更新所有变量，直至模型收敛或达到预先设定的最大迭代次数，输出最优映射矩阵。

7、步骤500、在测试阶段，利用上述学习到的映射矩阵将训练集数据和测试集数据分别投影为稀疏的映射特征，得到训练集数据和测试集数据上的映射特征的。

8、步骤600、通过计算训练集和测试集映射后特征之间的欧氏距离，利用最近邻分类器(k-nearest neighbor,knn)对手指静脉图像的类别进行分类，进一步进行手指静脉识别。

9、步骤700、重复步骤300到步骤600的操作十次，得到十次的识别准确率，计算平均识别准确率。

10、其中，对所有原始采集的手指静脉图像进行roi提取，以此获得手指静脉roi图像，再对手指静脉roi图像进行归一化处理，从而实现图像预处理的步骤100包括：

11、首先，使用《finger-vein roi localization and vein ridge enhancement》感兴趣区域提取算法对原始采集到的手指静脉图像进行roi提取，得到去除冗余信息的手指静脉roi图像。其中，感兴趣区域提取操作为去除原始采集图像中大量的背景信息，保留有用的手指静脉区域。

12、然后，对手指静脉roi图像进行归一化处理，获得归一化后的手指静脉roi图像。其中，归一化处理操作就是使手指静脉roi图像的像素被归一化在[0,1]的范围内。

13、其中，利用pca算法对归一化后的手指静脉roi图像进行降维，得到输入数据，并将输入数据随机地分为训练集和测试集的步骤200包括：

14、使用《a tutorial on principal component analysis》主成分分析算法对归一化后的手指静脉roi图像进行特征降维，本发明保存手指静脉roi图像中98％的信息，得到降维后的手指静脉图像特征。其中，pca操作为将原始高维特征映射到低维特征，从高维数据中保留下最重要的特征，去除不重要的特征后，得到低维特征，作为输入数据集。

15、其中，将输入数据集随机地分为训练集和测试集。在训练阶段，已知训练数据的样本标签，先利用训练数据建立一个噪声分解模型，将训练数据分解为噪声成分和干净成分，得到噪声分解模型的目标函数。同时，利用训练数据和该样本标签构建一个最小二乘回归模型，通过自适应地学习一个映射矩阵，将训练数据转换为数据对应的标签，得到最小二乘回归模型的目标函数。接着，通过将噪声分解模型和回归模型集成到一个统一的特征学习模型(robust and sparse least square regression,rslsr)中，建立新的目标函数，将在子空间中的特征学习问题转化为求解模型的最优化问题的步骤300包括：

16、给定训练数据和训练数据所对应的样本标签，rslsr模型的目标是学习一个映射矩阵，能够自适应地将上述训练数据转换为每个数据对应的只含0和1元素的样本标签。由于训练数据中存在噪声和冗余信息会对识别性能带来负面影响。因此，需要先从输入的训练数据中分离出噪声成分，再利用干净数据提取最具代表力的特征。通过将噪声分解和回归模型集成到一个统一的特征学习模型中，实现在消除噪声成分的同时，尽可能地保留训练数据中的最重要的判别信息。

17、为此，首先，将输入数据集随机地分为训练集和测试集。具体操作为从每个类别中随机选取三幅手指静脉图像作为训练集，该类别下剩余的手指静脉图像作为测试集。

18、然后，利用训练数据建立一个噪声分解模型，通过学习一个分解矩阵和噪声矩阵，将输入的训练数据分解为噪声成分和干净成分，得到噪声分解模型的目标函数。同时，利用训练数据和训练数据所对应的样本标签构建一个最小二乘回归模型，通过学习一个映射矩阵和映射误差矩阵，将训练数据转换为数据所对应的只含0和1元素的样本标签，得到最小二乘回归模型的目标函数。接着，通过同时考虑量化误差约束、稀疏约束、映射误差约束、正则化约束和噪声分解约束，将噪声分解模型和回归模型集成到一个统一的特征学习模型中，构建新的目标函数，通过求解该目标函数的最优化问题，学习最优的映射矩阵和映射误差矩阵。

19、其中，利用admm算法求解上述目标函数的最优化问题，通过迭代更新所有变量，直至模型收敛或达到预先设定的最大迭代次数，则输出最优映射矩阵的步骤400包括：

20、通过引入拉格朗日乘法子，首先将上述目标函数的最优化问题转化为求拉格朗日函数多变量优化问题。然后，在其他变量固定不变的情况下，通过最小化拉格朗日函数对一个变量进行迭代更新，将多变量优化问题转化为多个单变量优化问题。直至模型收敛或达到预先设定的最大迭代次数，则输出此时的映射矩阵。模型收敛是指目标函数的值不再发生变化。

21、其中，利用上述学习到的映射矩阵将训练集数据和测试集数据分别投影为稀疏的映射特征，得到训练集数据和测试集数据上的映射特征的步骤500包括：

22、针对训练集的所有数据x和测试集中的一张经过归一化处理并使用pca进行特征降维后的手指静脉图像z，通过步骤400学习到的映射矩阵θ，分别将其映射为具有判别力的映射特征和用于手指静脉识别。

23、其中，通过计算训练集和测试集映射后特征之间的欧氏距离，利用最近邻分类器(knn)对手指静脉图像的类别进行分类，进一步进行手指静脉识别的步骤600包括：

24、首先，计算训练集中的每一张图像映射后特征和测试集中的一张图像映射后特征的欧氏距离，利用最近邻分类器对测试集中的手指静脉图像进行分类，输出测试集中手指静脉图像的标签。

25、然后，匹配测试集图像的输出标签与真实标签，计算识别准确率。

26、其中，重复步骤300到步骤600的操作十次，得到十次的识别准确率，计算平均识别准确率的步骤700包括：

27、重复上述步骤300到步骤600的操作十次，可以得到十次测试的识别准确率，计算平均识别准确率，作为评估本发明方法识别性能的指标。

28、本发明具有以下优点：

29、(1)具有较强的自适应性，本发明提出的方法为数据驱动的自适应性特征学习算法，不需要依赖任何先验知识；

30、(2)提高平均识别准确率和识别效率；

31、(3)对噪声鲁棒，本发明提出的方法先将噪声从原始数据中分离再对干净成分进行特征提取，使学习到的特征对噪声不敏感。因此，能够应用到不同图像质量和不同应用场景的手指静脉识别；

32、(4)具有强大的泛化能力，只需调整目标函数中的超参数，本发明提取的方法就能应用其他类似的生物特征识别中，如：指节纹识别、掌纹识别和掌静脉识别等。