[发明专利]基于Gabor神经网络的指静脉识别方法及系统

权利要求书

1.基于Gabor神经网络的指静脉识别方法，其特征在于，包括：

S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；

S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；

S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；

S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；

S5、对静脉感兴趣区域ROI进行resize，待匹配使用；

S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；

S7、特征提取使用Gabor卷积神经网络，每个卷积核需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类；

S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。

2.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S1具体包括：

S11、获得边缘点集a，当前像素点灰度值与其上方距离2个坐标的像素点灰度值相差超过33则认定该像素点为边缘点；

S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点；

S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐标频数前15的像素点，对边缘进行细化，即每个纵坐标下至多只有一个上边缘点和一个下边缘点；

S14、边缘点集在图像中表示为厚度不均匀的横向曲线，对其进行细化处理，将边缘细化至一个像素宽度。

3.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S2中，在上下边缘点集中分别选择一个纵坐标最接近中心的点作为起始点扩展边缘，设该点(x，y)，向该点左边扩展时若相邻的三个坐标(x-1，y-1)，(x-1，y)，(x-1，y+1)有一个灰度值为255，则把这个相邻点设置为边缘点，继续向左扩展，若没有一个灰度值为255，则取这三个坐标在S1中计算出的梯度最大的点作为边缘点，通过不断地扩展获得完整手指轮廓。

4.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S3中，在0.23宽度和0.77宽度处选择四个边缘点(x1，y1),(x2，y1),(x3，y2),(x4，y2)，计算手指旋转的角度：根据计算出的旋转角度将图像旋转至水平，并把背景灰度值置0。

5.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S4具体包括：

S41、使用宽度为30的矩形窗，从静脉的中间坐标开始往右移动，每移动一个坐标计算窗口灰度平均值，返回灰度平均值最大的5个窗口坐标，从这5个中选择坐标最小的作为纵坐标基线，往左截取原始图像0.73倍宽度的静脉感兴趣区域ROI；

S42、宽度截取完成后进行高度截取，图像上边缘点集选择最下面的边缘坐标，下边缘点集选择最上面的边缘坐标进行高度截取，获得静脉感兴趣区域ROI。