[发明专利]基于方向特征的手掌静脉分类索引构建方法

说明书

本发明公开了一种基于方向特征的手掌静脉分类索引构建方法，它采用Gaussian_iRadon（G‑iR）变换提取掌脉图像的方向特征矩阵，得到图像主方向，以此图像主方向构建分类索引，本发明提供的一种基于方向特征的手掌静脉分类索引构建方法，利用Gaussian Radon变换提取掌静脉图像方向特征信息，并用统计法分析高、中、低三种分辨率下的图像相应的方向特征矩阵，进而得到简单且有效的分类索引结构，能增强对掌脉的形变误差及噪声的鲁棒性，有效地实现了各子库中样本分布的均匀性，大大减少了检索时间。

技术领域

本发明涉及一种手掌静脉特征识别技术，特别是一种基于方向特征的手掌静脉分类索引构建方法。

背景技术

掌静脉识别基于静脉血管进行一致性判断，因其具有活体采集、难伪造、特征信息丰富且唯一等良好性质，成为近十年来新兴生物特征识别技术之一，得到业内人士的广泛关注。随着掌脉识别技术应用领域的不断扩大，掌脉数据库的规模也在不断扩大，随之而来的关键问题就是大型掌脉数据库的识别精度和识别速度问题。

掌脉识别算法从运行方式而言，可以分成两类，即验证模式(verification)和辨识模式(identification)。验证模式：判定实时输入的具有唯一编码(ID)的掌脉图像，是否与此ID所对应的数据库中的掌脉样本相匹配；辨识模式：输入一幅实时掌脉图像(Probepalm vein image)(测试样本)，检索数据库中的所有样本，找到与之相匹配的数据库中的样本，获取数据库中样本的ID，即确认为测试样本的ID。辨识问题可以看作是广义化的验证问题。

大多数掌脉识别算法的研究都针对验证模式，并且取得了很大进步，算法都有很高的识别精度并且能在几十毫秒至几百毫秒内完成匹配。但辨识工作模式下的掌脉检索算法要比验证工作模式下的匹配算法难度大很多，特别是在大型掌脉数据库中就更为困难。换句话说，若一个测试样本需要与数据库中所有样本相匹配，随着数据库中样本数的增加，辨识过程所需的时间会快速增加，导致辨识模式下系统无法满足实时性要求。因此，尽管现有掌静脉算法在验证模式下的匹配速度能满足系统实时性要求，仍不能直接将验证中的匹配算法用在辨识过程中。(对于大型掌脉数据库，提高辨识速度的一种有效方式就是保持精确匹配算法(验证模式下)不变，通过将生物特征分类或分层，进行指导性检索。指导性检索的基本工作模式是：首先提取可靠的检索特征作为指导性信息，然后依据检索特征的特点构造出高效的索引结构，得到一些候选的掌脉图像样本，最后利用验证模式下的精确匹配算法比对测试样本和候选样本，根据匹配分判定测试样本的ID。这样，既可以缩小对数据库样本检索范围，同时利用精确匹配算法也能保证辨识模式有较高的正确率。)

在大型生物特征识别系统中，指纹和掌纹图像与掌脉图像相似，均包含大量的纹理。其中指纹分类算法较成熟，大体分为两种：一种是固定分类方法，根据指纹的自然形状分成5类或者扩展成6～8类，如左旋、右旋、漩涡等类别，测试样本根据所属类别/子库，直接与子库内的候选样本进行进一步的精确匹配，得到测试样本的ID。其优点是无需采用相似度准则就能检索出候选样本，可以减少一定的检索时间；但是也存在很多问题，如某些样本的类别难以确定；分类遵循自然规律，可能导致某些子库中的样本数量过大；无法通过调整子库中样本数的分布来平衡系统的精度和速度。另一种分类方法是连续分类方法，通过某些变换方法提取图像主要特征作为分类特征，检索时，将测试图像的分类特征与数据库图像的分类特征进行相似度计算，找到与测试图像相似的一些数据库图像，作为候选样本进行进一步匹配。连续分类方法可以避免固定分类方法出现的问题，但其候选样本需用相似度准则检索整个数据库才能得到，且相似度测量方法若选取的不好会降低识别率(accuracy)。而在掌纹方面，尚在研究阶段，仅有一些文献提及到分类算法，如类似连续分类方法，由粗到细层次地减少掌纹检索范围；类似固定分类方法，根据掌纹主线的数量分成6类。与指纹、掌纹不同，掌脉图像中的静脉分布并无明显规律，即没有指纹中左旋、右旋、漩涡的特点，也没有掌纹中主线的分布。因此掌纹和指纹的分类算法，只能给我们提供一些检索方法上的指导，而在掌脉分类特征的选择上，参考意义有限。