[发明专利]一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法

说明书

本发明涉及一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法，通过训练样本中的每张指背图像进行指型分割、边缘检测处理，并通过矩形窗口提取指背关节纹图像，然后将指背关节纹图像输入到卷积神经网络模型中进行训练，得到训练好的指背关节纹识别卷积神经网络模型，并将提取的指背关节纹图像的图像特征向量输入到贝叶斯分类器中进行训练得到训练好的贝叶斯模型，最后将待检测的指背图像输入到指背关节纹识别卷积神经网络模型中提取图像特征，将图像特征输入训练好的贝叶斯分类器中，得到识别结果；本发明具有识别精度高，检测速度快的优点，通过卷积神经网络模型和贝叶斯分类器，从而避免了曲度变化、光照变化对识别性能的影响。

技术领域

本发明涉及一种生物特征识别技术领域，尤其是一种卷积神经网络和贝叶斯分类器的指背关节纹识别方法。

背景技术

基于生物特征的身份识别对于安防领域及各种身份认证系统具有重要作用，信息的安全性和隐私的保密性在信息化时代已经成为人们关注的焦点，自动身份识别技术的需求与日俱增，现在大部分生物特征识别技术，如人脸识别、虹膜识别、声音识别都已发展成熟，由于指纹、掌纹、手型、静脉和指关节识别(FKP---finger-Knuckle-print)平时较少接触刚性物体，具有易隐藏、不易磨损与伪造的优点，具有良好的发展和应用前景。

传统技术主要是通过手指表面的3D特征进行身份的识别，但是由于手指表面的3D数据处理耗时长，实际应用效果不强；

lin Zhang研究了指背关节纹理的高效获取装置与ROI(region of interest)定位方法，提出了采用Gabor方向和Gabor幅度特征的方法，实现了基于手指外表面关节纹理的实时识别系统，但是获取到的ROI存在因为扰动问题、光照变化等问题，导致识别的鲁棒性和准确性较低。

lin Zhang提出了结合局部Gabor方向特征和全局傅里叶系数特征的融合识别方法，以及基于相位一致性模型的多特征融合识别方法，这两种方法较之前的方法在性能上取得了一定的进展，Morales等提出采用方向增强特征来提高FKP身份鉴别性能，但是上述方法对仿射变换和非弹性变形的鲁棒性不高，上述的FKP识别主要是通过提取出ROI的方向、相位、幅度信息特征，再对特征进行度量匹配完成识别，当手指弯曲度、光照发生变化时，同一个人的上述的三种特征会发生变化，导致识别的鲁棒性不高等问题。

发明内容

针对现有技术的不足，本发明提供一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法。

本发明的技术方案为：一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法，包括以下步骤：

S1)、通过梯度卷积算子对获取的训练样本中的每张指背图像进行指型分割处理，除去图像背景与噪音对指背图像的影响；

S2)、通过Canny算子对指型分割后的指背图像进行指型边缘检测处理；

S3)并通过一定大小的矩形窗口遍历整幅指型边缘检测处理后的指背图像，找出含边缘点数最多的窗口，提取出该窗口作为指背关节纹图像(ROI)；

S4)、将S3)中提取的指背关节纹图像(ROI)输入到卷积神经网络模型中进行训练，得到训练好的指背关节纹识别卷积神经网络模型；

S5)、将步骤S3)中的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中，提取相应的图像特征向量A＝(a₁,a₂,....a_m)，以及类别集合C＝(y₁,y₂,....y_n)；