[发明专利]多模态多应用场景下的生物识别方法

权利要求书

1.一种多模态多应用场景下的生物识别方法，其特征在于，包括以下步骤：

S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长；

S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理；

S3：对提取的所述静脉信号轮廓进行信号加强；

S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。

2.根据权利要求1所述的多模态多应用场景下的生物识别方法，其特征在于，S1中所述最佳波长的范围为830nm-950nm，每5nm为一个变化量。

3.根据权利要求1所述的多模态多应用场景下的生物识别方法，其特征在于，在S1中，获取最佳波长包括以下步骤：

S11：确定手掌、关节、指尖的测试位置，并对对应的所述测试位置分别进行测试，在测试过程中对手掌的其他位置进行遮光处理；

S12：对步骤S11中的测试图象进行筛选，以最佳透光率和最佳采集图片清晰度为标准，选出三个部分最佳测试光波长；

S13：对不同测试对象，多次重复S11和S12，最终筛选出最佳波长。

4.根据权利要求1所述的多模态多应用场景下的生物识别方法，其特征在于，S2中，对提取出的所述静脉信号轮廓进行除噪处理，包括以下步骤：

S21：在原始信号中加入白噪声；

S22：计算每个固有模式函数分量的置换值并选择阈值；

S23：获得标准信号。

5.根据权利要求4所述的多模态多应用场景下的生物识别方法，其特征在于，S21中，原始信号被定义为X(t)，首先在原始信号加入白噪声，公式如下：

X'(t)＝X(t)+c_iN_i(t)

其中c_i是白噪声的幅度，然后根据经验模式分解信号，重复上述操作z次，其中z一般选择100～200。信号可以表示为：

其中i是大于等于1但小于等于n的整数，r_n(t)表示余数，IMF₁～IMF_n都是分解的固有模态函数分量，在空间重建之后给出一个序列；

序列中的参数a落在1≤a≤N-(α-1)λ的范围内；α表示嵌入维度，λ表示时间延迟。

6.根据权利要求4所述的多模态多应用场景下的生物识别方法，其特征在于，S22中，分解的固有模式函数分量的置换熵可以表示为：

P_j表示出现每个符号的概率，其值等于1/α，所以可以确定PE_i(α)的最大值为ln(α！)；标准化后，最终得到分解PE_i＝PE_i(α)/ln(α！)的固有模态函数分量的置换熵。

7.根据权利要求4所述的多模态多应用场景下的生物识别方法，其特征在于，S23中，重构信号是去噪处理的最后一步，重建的信号被表示为表达式基准给出为：

其中k是h和n之间的整数，line(B(m))是在重建信号B取平均值之后的基线；m是采样点的数量，l是在m和n范围内的整数。