[发明专利]一种基于图像特征签名的静脉图像快速检索方法

说明书

本发明公开了一种基于图像特征签名的静脉图像快速检索方法，该方法通过分解图像为局部特征集合，对局部特征进行签名编码，利用全文检索引擎，把图片检索转化成文本检索，从而实现静脉图像的快速检索。本发明方法通过对特征向量进行降维，并对图像进行签名，达到缩小检索范围、降低特征的存储空间的目的。同时，借鉴文本检索的方式进行图像检索，有效地提高了检索效率，在亿级规模的图片保持较高精度的同时可达到毫秒级的响应速度，达到了工业可用的程度。

技术领域

本发明涉及静脉特征识别技术领域，尤其涉及一种基于图像特征签名的静脉图像快速检索方法。

背景技术

静脉识别作为一种生物特征识别技术，比指纹、人脸等生物特征识别技术更为精准，其利用掌静脉、指静脉等的分布纹路进行身份识别，主要特点是非接触式的图像采集，安全卫生，在可见光下无法获取，且只有活体才能检测出静脉，无法伪造，具有较强的隐蔽性及防伪能力，手掌静脉血管结构相比人脸和指纹等特征信息更加丰富复杂，安全级别高。目前静脉识别技术已经逐渐应用于安防系统、银行系统、楼宇门禁等。

传统的静脉识别技术考虑到安全性必须保证较高的精度，与之相对的牺牲了一定的识别速度，在应用到大流量的场景等需要应对海量数据存储，高并发、实时响应的系统时，会造成较差的用户体验。基于这一点，如何应对海量图像检索问题成为我们不可避免的问题。

传统的图像检索方案包括基于树结构的方法、基于哈希的方法和基于视觉单词的倒排索引方法等。基于树结构的方法，通常的实现是对待处理数据集在树这种数据结构进行空间的划分，因为检索的时候需要在树上进行子结点的递归回溯，当数据规模较大、空间维度较高时，会出现维度灾难的问题导致检索十分低效。基于哈希的方法，通常的实现是对待处理数据集进行散列化，把数据划分到多个散列表中，通过对待查询数据检索到哈希桶中若干个散列表，从而避免暴力检索全数据集以达到加速的效果，在小规模的数据上有卓越的表现。然而，当面对大规模、高维度的数据时，由哈希带来的精度损失及散列表占用存储空间过大等问题，导致其无法满足大部分工业应用的需求。

发明内容

针对上述的技术背景，为解决上述问题，本发明提出一种基于图像特征签名的静脉图像快速检索方法，通过对特征向量进行降维，并对图像进行签名，从而达到缩小检索范围、降低特征的存储空间的目的。同时，以相似性检索代替精确检索，借鉴文本检索的方式进行图像检索，有效地提高了检索效率，在亿级规模的图片保持较高精度的同时可达到毫秒级的响应速度，达到了工业可用的程度。

实现本发明的技术目的所采用的技术方案如下：

一种基于图像特征签名的静脉图像快速检索方法，包括如下的实施步骤：

步骤(1)：采用连通域检测的方法对需要处理的静脉图像进行局部特征提取，得到静脉图像的关键点区域图像集合，定义为P。

步骤(2)：进一步对提取得到的集合P进行图像特征签名操作，以获得图像特征签名阵列Signature。

具体的，首先将关键点区域图像转换为8位灰度图，并在图像上设置9x9网格点；其次，在每个网格点处，计算以网格点为中心的P*P平方的平均灰度级；最后，将每个网格点与八个邻居网格点的进行平均灰度级比较，得到一个代表比较结果的8元素阵列，将该阵列从左到右、从上到下串联，得到图像特征签名阵列Signature。

步骤(3)：将图像特征签名阵列转换成N行3列的矩阵S，S每行3列从左到右视作3进制数的低三位，把矩阵S的N行3列数转换成10进制的N行1列矩阵，得到由N个32位整数组成的图像特征签名。

步骤(4)：将转化后的图像特征签名视作N个word，结合图像特征签名阵列Signature，作为一条记录插入到Elasticsearch。

步骤(5)：对静脉图像进行快速检索，具体步骤还包括：