[发明专利]一种基于邻域类编码学习的静脉识别方法

权利要求书

1.一种基于邻域类编码学习的静脉识别方法，其特征在于，包括以下步骤：

S1、获取训练集静脉图像特征；

S2、对所有训练集特征，生成类别间二值模版；

S3：以所有训练集特征和得到的类别间二值模版作为输入，二值模版中的每一位训练一个分类器；

S4：获取测试静脉图像特征，并将测试特征循环输入每一个分类器，得到测试特征的二值编码；

S5：对测试特征的二值编码和得到的类别间二值模版进行相似性度量与识别，得到静脉识别结果；

其中，所述S2包括，

S21：生成类间关系矩阵；

S22：类间关系矩阵粗二值化，得到编码矩阵；

S23：类间关系矩阵再二值化，得到最终的编码矩阵。

2.根据权利要求1所述的静脉识别方法，其特征在于，步骤S1包括以下步骤：

S11、采集识别部位的静脉图像；

S12、对采集到的静脉图像进行预处理；

S13、对预处理后的静脉图像进行特征表示，得到特征。

3.根据权利要求2所述的静脉识别方法，其特征在于，在步骤S13中，对预处理后的静脉图像进行特征表示，采用的方法为基于局部编码方法、基于频域的方法、基于子空间的方法或基于HOL特征描述的方法。

4.根据权利要求1所述的静脉识别方法，其特征在于，步骤S21包括以下步骤：

S211：计算类均值构建每个类的中心；

S212：通过计算每两类中心之间的距离来获得两类的权重并生成类间关系矩阵；

S213：将类间关系矩阵量化为0-255间的整数；

S214：对类间关系矩阵进行行均衡化和列均衡化。

5.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S22中，对每一类选取K个类邻域位置，根据所选邻域对类间关系矩阵粗二值化，得到编码矩阵。

6.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S23中，计算编码矩阵中所有类的类间散度，对类间散度小的类别单独处理，进行类间关系矩阵再二值化，包括以下步骤：

S231：计算编码矩阵中所有类二值模版的类间散度；

S232：设定阈值，找出类间散度小于阈值的类别对，改变邻域个数，以类间散度最大为优化目标，并更新编码矩阵中该类别对的模版；

S233：重复上述步骤，直到类间散度不再改变，得到最终的编码矩阵。

7.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S3中，所述分类器是SVM模型、回归树模型、随机森林模型、深度神经网络模型中的一种。

8.根据权利要求1所述的静脉识别方法，其特征在于，在步骤S5中，采用汉明距离对类间二值模版和测试特征的二值编码进行相似性度量，对测试图像进行识别分类，得到静脉识别结果。

9.根据权利要求1-8任一项所述的静脉识别方法，其特征在于，所述静脉识别方法的识别部位为手指、手背或手掌，识别部位为手指时，获取手指指体区域的静脉图像，手指是左右手除大拇指和小拇指以外的其余任何手指之一。