[发明专利]一种基于邻域类编码学习的静脉识别方法

说明书

本发明提供了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。本发明在输入静脉图像特征的基础上，考虑类别间的关系，采用类别编码的方式对原始特征进行二值化，既能提高静脉识别准确率，又能在很大程度上降低数据量。

技术领域

本发明涉及基于生物特征的自动身份识别技术领域，特别是一种基于邻域类编码学习的静脉识别方法。

背景技术

随着科学技术的发展，传统的钥匙、口令、门禁卡等身份识别手段逐渐被人们所淘汰，取而代之的是各类生物特征识别手段，如：人脸识别、指纹识别、虹膜识别、掌纹识别(人的生理特征)和步态识别、语音识别 (人的行为特征)等。作为21世纪的一个朝阳产业，生物识别技术已进入人们生活的各个方面，呈现出网络化、非接触、多模态等趋势特征。这些生物特征识别与传统的身份识别技术相比，具有方便、快捷、有效、不易丢失、交互力强等优势。

静脉是人体皮下组织中随机分布的一种网络，手指静脉是指沿着手指皮下组织随机分布的一种网络，医学研究表明，不同人，甚至是同一人的不同手指静脉分布都是不同的，而且静脉纹路一旦形成，不会随着人的年龄增长发生变化。手指静脉识别是利用手指静脉血液中的血红蛋白对近红外光(波长范围为690～980nm)的吸收特性来采集静脉图像进而进行身份识别的技术。与其他生物特征识别技术相比，手指静脉识别具有以下优势：(1)利用血液中的血红蛋白对近红外光的吸收特性获取特征，能实现活体检测；(2)内部特征，肉眼不可见，能有效防止造假；(3)非接触式采集，用户体验好；(4)采集设备简单、小巧，容易实现便携式设备开发。因此，手指静脉识别技术从2000年第一次被提出就得到研究人员的广泛关注。

现有技术中，相关单位和个人针对静脉识别也进行了大量的研究和分析，其中针对静脉特征训练学习提取的研究尤为突出，如专利申请号 201710656587.5，一种基于自学习的指静脉特征提取方法及系统，采用自编码神经网络模型进行特征提取，申请号201611114622.2，一种基于HOL 特征与子空间学习的静脉识别方法，采用基于方向线直方图统计的方法进行特征表示。然而，现有技术中均是通过提取静脉图像的多维度特征进行分析，通过静脉特征自身的特异性实现静脉特征的识别，而忽略了静脉特征类别间的相互关系，导致静脉的识别效率不高。

发明内容

(一)要解决的技术问题

鉴于上述技术问题，本发明提供了一种基于邻域类编码学习的静脉识别方法，该方法在输入静脉图像特征的基础上，考虑类别间的关系，采用类别编码的方式对原始特征进行二值化，既能提高静脉识别准确率，又能在很大程度上降低数据量。

(二)技术方案

根据本发明的一个方面，提供了一种基于邻域类编码学习的静脉识别方法，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。

在某些实施例中，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；