[发明专利]一种基于散射卷积网络的手指静脉特征提取方法

权利要求书

1.一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述方法包括以下步骤：

1)采集到掌手指静脉图像；

2)对采集到的图像做基于最大内切矩阵感兴趣区域提取；

3)将处理后的图像基于散射卷积网络的手指静脉特征提取，过程如下：先得到多分辨率小波函数，然后对ROI图像进行小波变换得到第一层的散射系数，再对第一层的散射结果进行第二次散射，得到第二次的散射系数，最后将每一个散射能量块的能量均值和方差组成图像的特征向量；基于散射卷积网络的手指静脉特征提取过程如下：通过二进制缩放和旋转带通滤波函数ψ，得到多分辨率小波函数如式(1)：

ψ_λ(x)＝2^2jψ(2^jr^-1x) (1)

式中λ＝2^jr∈Λ＝G×R，j∈R，r∈G，G是R²内一个离散的、有限的旋转组，j确定了ψ(x)的尺度，r确定了ψ(x)的方向；

然后对信号f(x)进行小波变换如式(2)：

W_λf(x)＝f*ψ_λ(x) (2)

因此，小波变换模为式(3)：

U_λf(x)＝|f*ψ_λ(x)| (3)

对于一幅给定的图像f(x)，其原始图像的散射系数为信号的均值，通过与均值滤波器φ_J卷积得到式(4)：

S_0,J(f)＝f*φ_J (4)

对原始图像在不同方向和不同尺度中做小波变换，得到第1层散射系数，然后去除复杂项和取均值得到式(5)：

式中j₁表示尺度，λ₁表示方向；

将式(5)中得到的小波变换模算子在另一个不同尺度、不同方向中进行小波变换，如式(6)所示：

式中j₂＜J，从小波变换的定义中看出，当时，的值极小，忽略不计，只需要计算当j₁＞j₂的情况即可；

继续这个过程得到第k层的散射网络系数如式(7)所示：

式中，j_k＜...＜j₂＜j₁＜J，(λ₁,...,λ_k)∈Γ^k；

经过对上述过程的分析，得出第k层散射变换可以得到个散射向量，每一个散射向量可以表示为一张能量分布图，其中p表示为方向数，J表示为尺度数；

将散射卷积网络的前两层散射能量特征作为手指静脉识别的相似性度量特征，即第一层散射卷积变换中，这些图像分别由原始图像经过5个尺度和6个方向的小波变换得到，总共有30张散射能量分布图，在第二层散射卷积变换，所以第二层散射卷积变换中可以得到360张散射能量分布图，最后将每一个散射能量块的能量均值和方差组成图像的特征向量，一张手指静脉ROI图像总共可以得到包括第0层的原图的782个散射特征；

4)通过支持向量机SVM进行分类。

2.如权利要求1所述的一种基于散射卷积网络的手指静脉特征提取方法，其特征在于：所述步骤1)中，通过850nm近红外LED和高清CCD的前端采集装置采集手指静脉图像。