[发明专利]一种手指静脉图像防伪鉴别方法及装置

说明书

技术领域

本发明涉及生物特征识别技术领域，特别是涉及一种手指静脉图像防伪鉴别方法及装置。

背景技术

随着互联网技术广泛应用和恐怖活动的日益猖獗，如何有效鉴别身份以保护个人和财产安全成为急需解决的问题。与传统的认证方式如钥匙和密码相比，基于生理和行为的生物特征很难被盗取、复制和丢失。因此，生物认证技术已经被广泛研究并成功地应用到个人身份认证中。目前用于身份认证的生物特征主要分为两种：(1)外部特征：人脸、指纹和虹膜。(2)内部特征：手指静脉、手掌静脉和手背静脉。与外部生物特征相比，内在的生物特征位于手指的表皮下使其很难被盗取和伪造，因此它们具有更高的安全性能。

随着手指静脉特征的推广应用，手指静脉生物识别系统的脆弱性也相应表现出来。即使手指静脉图案用肉眼看不见，并且不存在潜在的风险，但是存储在系统中的手指静脉模板被盗时，则可以直接攻击手指静脉生物认证系统。有研究表明生物特征研究人员使用印刷图像成功地攻击了手指静脉识别传感器。因此，对于手指静脉防伪鉴别应予以极大重视。目前已有不少手指静脉防伪鉴别算法，比如二值化统计图像特征(BSIF)，雷斯变换(RT)，局部二进制模式(LBP)，局部相位量化(LPQ)，PAD算法，但它们对手指静脉图像防伪鉴别的精度都比较低。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种鉴别精度较高的手指静脉图像防伪鉴别方法及装置。

一种手指静脉图像防伪鉴别方法，包括以下步骤：

S1：采集手指静脉图像以及对采集的图像进行真假标注；

S2：利用标注的图像分别建立训练集、验证集以及测试集，所述训练集中的图像是将标注的图像进行分块操作后得到的；所述训练集用来训练DBN模型、BP模型和SVM，验证集用于DBN模型、BP模型和SVM的参数的选择，测试集用于检验手指静脉防伪鉴别模型的性能；

S3：DBN模型的构建及训练，用训练集和验证集构建该模型，并寻找该模型权重和偏置的最优解，以所述权重和偏置的最优解建立最终的DBN模型；

S4：BP模型的构建及训练，将带标签的训练集输入BP模型，利用所述DBN的权重和偏置的最优解对BP模型进行初始化，最终通过训练集和验证集寻找BP模型的最佳滤波器和偏移，以所述最佳滤波器和偏移建立最终的BP模型；

S5：将训练集和验证集依次输入最终的BP模型进行特征提取，提取所述最终的BP模型中所有隐含层的特征；

S6：将提取的所有隐含层的特征作为输入图像的多层次特征向量输入SVM模型对其进行训练，并确定SVM参数；

S7：将测试集中的每幅图像分为与训练集中分块后的图像尺寸大小相同的小块，将测试集中每幅图像分成的小块一一输入最终的BP模型和SVM进行真假分数的计算；将每幅图像所有小块的真假分数进行融合得到全局分数，来判断手指静脉图像的真假；

所述DBN模型与BP模型具有相同数量的隐含层。

进一步地，如上所述的手指静脉图像防伪鉴别方法，所述分块操作的方法为：首先选择一个窗口，其行数与图像的行数相同，列数小于图像的列数，然后，使该窗口沿着列方向在图像上滑动，并截取窗口经过每一位置时的图像块，按照该方法，一幅图像可以产生若干图像块，从而建立训练子块集合。

进一步地，如上所述的手指静脉图像防伪鉴别方法，所述步骤S1包括：首先，利用红外光采集照射人体手指，位于手指下方的红外相机可以获取到相应的手指静脉图像。然后，将真实的手指静脉图像打印到纸张上，再放入采集装置中获取到该手指对应的假手指静脉图像。最后，在数据库建立过程中，把从人体手指上采集的静脉图像标注为1，从打印纸上采集得到的图像标注为0。

进一步地，如上所述的手指静脉图像防伪鉴别方法，所述BP模型为将DBN模型的输出层替换为softmax分类器构建而成的；

所述BP模型的隐含层中，使用Sigmoid激活函数的表达式作为激励函数，其定义如下：

其中s(x)为激活函数的输出，x为数据；

所述Softmax函数σ(z)＝{σ(z₁),…,σ(z_m)}定义如下：

z_i＝w_ix+b_i