基于多模态静脉图像性别信息异构分离的身份识别方法

技术领域

本发明手部静脉识别领域，尤其涉及一种基于多模态静脉图像性别信息异构分离的身份识别方法。

背景技术

静脉图像由于其潜在的体内成像、稳定不变及抗外界干扰等特性正逐步成为主流的生物特征识别方式之一。基于静脉图像的身份识别可分为性别属性判断和身份属性判断两部分进行。

将身份识别所用的传统特征提取方法用于性别识别没有取得很好的效果，因此在静脉图像的基础上，首次提出无监督稀疏特征学习算法。无监督稀疏特征特征学习模型可以相对有效的找到静脉图像性别空间特征分布特性，保证特征向量分布的稀疏性，达到良好的性别识别效果。

二进制特征编码由于具有较高的计算效率，所提取的编码特征具有很强的分类能力等特征被广泛应用，除用于传统的图像纹理信息度量和描述外，已被广泛应用于其他视觉任务，如人脸识别，行人检测，静脉识别等。传统的二进制特征编码在进行特征提取时具有对光照变化的鲁棒性，Ojala等将传统二进制特征编码推广至任意形状和大小的处理邻域范围，提出了一种圆形二进制特征编码编码模式，又在此基础上进行改进，提出一种旋转不变纹理编码方法。不久，Ojala等又通过减少二进制特征编码冗余模式提出一种UniformLBP模式，得到低维、密集分布特征空间。但是以上特征编码模式都是以选定领域的中心像素为二值化阈值进行编码，存在对像素噪声敏感，容易丢失编码区域对比度的缺陷。

发明内容

本发明的主要内容为一种基于多模态静脉图像性别信息异构分离的身份识别方法，将身份识别分为性别属性分类识别和身份属性分类识别两步进行，可以有效的提高静脉特征提取的针对性，获得了具有鲁棒性的身份识别模型。

实现本发明目的的技术解决方案为：一种基于多模态静脉图像性别信息异构分离的身份识别方法，包括以下步骤：

步骤1、使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并进行零-均值归一化，得到像素大小为n×m的K幅的静脉图像，其中男性和女性手背静脉图像各K/2幅，100＜K＜10000，100＜n＜10000，100＜m＜10000，对静脉图像进行二次归一化处理，获取静脉图像库，将静脉图像库作为双层无监督稀疏特征学习模型的输入矩阵

步骤2、构建双层无监督稀疏特征学习模型，将双层无监督稀疏特征学习模型的输入矩阵

步骤3、对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值和编码权值，得到男性静脉图像特征分布直方图，转到步骤5；

步骤4、对女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，再对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，将女性的特征编码值和编码权值组合，得到女性当前邻域特征编码值，进而得到女性静脉图像特征分布直方图，转入步骤6；

步骤5、采用Chi-square distance方法对男性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果；

步骤6、采用Chi-square distance方法对女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果。

本发明与现有技术相比，其显著优点在于：

(1)、通过男女性别信息的分离，得到静脉图像分类的第一步信息，有效的提高静脉特征提取的针对性。

(2)、首次提出的双层无监督稀疏特征学习模型使手背静脉识别模型准确率得到提高。

(3)、通过将性别特征作为指导不同特征提取策略来进行身份认证，提高了身份识别的准确性，能很好地满足以特征学习和特征提取为基础的准确性要求较高的各类身份识别应用需求。

(4)、采用Chi-square distance方法对特征分布直方图进行直方图匹配，计算特征向量相似度，减少模型的计算量。

附图说明

图1为性别依赖多模态静脉图像信息编码模型图。

图2为ROI提取方法结果图像，其中图(a)为原始静脉图像，图(b)为ROI定位图像，图(c)为输入双层无监督稀疏特征学习模型的180*180大小的静脉图像。

图3为基于l

图4为双层无监督稀疏特征学习模型对灰度矩阵分布作用效果示意图，其中图(a)为未进行性别信息分离的静脉图像样本分布示意图，图(b)为经过性别信息分离的静脉图像样本分布示意图。

图5为男性静脉图像特征提取结果图。

图6为女性静脉图像特征提取结果图。

图7(a)为最大类间方差二进制特征编码模型和LIF模型在男性静脉库上等误率结果对比图。

图7(b)为最大类间方差二进制特征编码模型和LIF模型在对比度增强处理后的女性样图像等误率结果对比图。

图7(c)为全局静脉样本图像等误率结果对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

结合图1，一种基于多模态静脉图像性别信息异构分离的身份识别方法，步骤如下：

步骤1、使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并进行零-均值归一化，得到像素大小为n×m的K幅的静脉图像，其中男性和女性手背静脉图像各K/2幅，100＜K＜10000，100＜n＜10000，100＜m＜10000，对静脉图像进行二次归一化处理，获取静脉图像库，将静脉图像库作为双层无监督稀疏特征学习模型的输入矩阵

使用手背静脉采集装置采集K幅人体手背静脉图像，对人体手背静脉图像进行有效区域提取，并通过零-均值归一化，得到像素大小为n×m的K幅的静脉图像，再通过公式

转入步骤2。

步骤2、构建双层无监督稀疏特征学习模型，将双层无监督稀疏特征学习模型的输入矩阵

步骤2-1、将双层无监督稀疏特征学习模型的输入矩阵

步骤2-2、双层无监督稀疏特征学习模型对输入矩阵

步骤2-3、基于l

步骤2-4、基于L-BFGS方法不断最小化目标函数，得到第一层网络结构优化求解后的输出矩阵，转入步骤2-5；

步骤2-5、将上述第一层网络结构优化求解后的输出矩阵作为输入，返回步骤2-1直到得到第二层网络结构优化求解后的输出矩阵，即为手背静脉图像的稀疏特征矩阵，转入步骤2-6；

步骤2-6、将手背静脉图像的稀疏特征矩阵输入线性SVM进行分类，得到带有性别标签信息的手背静脉图像，即男性手背静脉图像和女性手背静脉图像。

同时转入步骤3和步骤4。

步骤3、对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值和编码权值，得到男性静脉图像特征分布直方图，具体公式如下：

其中均值μ

其中r

其中逻辑判断函数S(x)：

进一步地，对男性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差的编码权值，具体如下：

最大类间方差二进制特征编码模型中的编码权值为分类后的像素集类间方差取最大值时的像素值，计算公式如下：

其中τ

其中，类间方差

实现的有效特征选择的权重求解如下式

其中ω

转到步骤5。

步骤4、对女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，再对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，将女性的特征编码值和编码权值组合，得到女性当前邻域特征编码值，进而得到女性静脉图像特征分布直方图，

步骤3和步骤4中，对男性/女性手背静脉图像直接进行特征提取，计算当前邻域的最大类间方差二进制特征编码值，具体如下：

所述对手背静脉图像直接最大类间方差二进制特征编码值，获得特征编码值：

其中m×n表示输入男性手背静脉图像尺寸，A

所述对女性手背静脉图像进行对比度增强处理，计算最大类间方差二进制编码权值，具体如下：

最大类间方差二进制编码公式如下：

式中m×n表示输入静脉图像尺寸，B

转入步骤6。

步骤5、采用Chi-square distance方法对男性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果；

步骤6、采用Chi-square distance方法对女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果。

步骤5和步骤6中，采用Chi-square distance方法对男性/女性静脉图像特征分布直方图和静脉图像库进行直方图匹配，计算特征向量相似度，得到身份认证结果，具体如下：

Chi-square distance方法统计男性/女性的特征向量相似度，通过以下公式进行：

其中，n,m表示静脉图像大小，i′和j′表示当前计算的图像像素点。D表示对于需要进行识别的静脉图像特征向量，F是静脉图像库中计算的静脉特征向量。K为静脉图像库的静脉图像幅数，k′代表当前计算的静脉图像库中的静脉图像特征向量。

通过比较

实施例1

结合图1，本发明所述的基于多模态静脉图像性别信息异构分离的身份识别方法，步骤如下：

步骤1、对静脉图像库的图像进行有效区域提取，结果如图2所示。在进行无监督稀疏特征学习模型训练之前，将有效区域提取的6000幅手背静脉样本图像进行数据归一化后，得到180*180大小的静脉图像矩阵。再用

步骤2、将生成的特征矩阵输入双层无监督稀疏特征学习模型，分别对输入矩阵进行行分布和列分布的l

由于生理差异，男性的静脉图像相对于女性在后续的特征提取中表现出更高的质量，于是将男性静脉图像标记为HQ组，女性静脉图像标记为LQ组。经过双层无监督稀疏特征学习模型特征学习后，对不同性别的灰度矩阵分布作用效果如图4所示。

本发明使用高效率双层无监督稀疏特征学习模型对不同质量的男性和女性的静脉图像进行分组，得到主观视觉一致静脉质量分类结果(HQ和LQ两组)，再使用改进的最大类间方差二进制特征编码模型进行特征提取，针对高质量静脉图像所提取的特征编码值定义为

步骤3、采用

式中m×n表示输入静脉图像尺寸，A

步骤4、对LQ组的特征提取具体为，对LQ组的每个输入图像来说，选用自适应直方图均衡化

式中m×n表示输入静脉图像尺寸，B

基于这一编码策略得到的LQ组静脉图像直方图分布结果如图6所示，两者直方图分布差异明显增强，充分证明了所提出特征编码策略对于低对比度图像特征表征的有效性。

步骤5～6、在对得到的HQ组合LQ组的像素点特征编码值进行l

为验证本发明提出的改进的最大类间方差二进制特征编码模型(DLβP)特征提取方法的有效性，将DLBP和LIF模型(SIFT及其改进模型SURF、ASIFT、RootSIFT)在静脉图像库上进行等误率结果对比，如图7(a)、7(b)和7(c)所示。结果表明，在男性静脉图像库，经过对比度预处理的女性静脉图像库和全局静脉图像库中，本发明提出的改进的最大类间方差二进制特征编码模型都取得了较高的等误率，表明此模型在特征提取和生成策略的有效性。