[发明专利]掌静脉识别系统、识别方法及计算机可读取的存储介质

说明书

本发明的掌静脉识别系统，由MSER检测候选区域、边缘图像定位关键点与打分、提取ROI并用HOG+SVM分类器判断手掌ROI的真假；特征提取时先采用曲率滤波、Gamma滤波，对比度受限的直方图均衡化来做预处理，然后提取Gabor小波系数特征、LGBP特征、索引特征；比对时先用索引特征进行比对，在注册库中选取前5％作为候选集，然后通过挑选采样点、方向、频率进行比对再次选择候选集的20％，最终通过一一比对挑选出类似度最高的注册特征。

技术领域

本发明属于手掌静脉识别的技术领域，尤其涉及一种掌静脉识别系统、掌静脉识别方法及计算机可读取的存储介质。

背景技术

掌静脉识别是用手掌的静脉纹路进行身份认证的技术。与指纹识别、虹膜识别等其他生物特征识别相比掌静脉识别便于使用、卫生、准确率高。掌静脉识别技术与其他生物特征识别技术一样包括检测、特征提取、比对。

手掌检测和对齐方法主要分为传统图像处理方法和深度学习方法。传统图像处理方法包括图像分割方法、基于边缘特征方法、基于局部描述符(SIFT(Scale-invariantfeature transform：尺度不变特征变换)、SURF(Speeded Up Robust Feature：加速稳健特征)等)的方法、基于Haar特征的级联分类器(Haar Cascade)方法等。深度学习方法通常采用目标检测网络或语义分割网络进行检测。目前的掌静脉识别技术中，普遍运算量大，并且鲁棒性小。

发明内容

本发明的目的在于，提供一种运算量小且检测鲁棒性大的掌静脉识别系统、掌静脉识别方法及计算机可读取的存储介质。

包含手掌检测模块、特征提取模块以及比对模块，

在所述手掌检测模块中，

用MSER(Maximally Stable Extremal Regions：最大稳定极值区域)算法检测手掌候选区域，手掌候选区域一般检测出来一个或两个，若三个以上时则按面积大小排序并提取除面积最大的三个，

对检测出的所述手掌候选区域进行预处理后得到边缘图像，用黑塞矩阵检测定位边缘图像的关键点，分析关键点周围并进行可信度计算得分，

按照关键点的位置和得分高低得出最终的ROI(Region of interest：感兴趣区域)并判断旋转角度，根据旋转角度将手掌区域旋转至预设方向(例如手指向上的方向)，

得出的ROI区域有可能会把背景误检测出来，为了避免误检测，用HOG(Histogramof oriented gradient：方向梯度直方图)+SVM(Support vector machines：支持向量机)分类器去掉误检测的背景。

在所述特征提取模块，

对检测对齐后的ROI区域提取特征，

特征主要基于Gabor小波，

为了减少外部变动且提高性能和速度构建LGBP(Local Gabor Binary Patter：局部Gabor二值模式)特征，

另外为了索引，通过PCA(principal component analysis：主成分分析)和LDA(Linear Discriminant Analysis：线性判别分析)变换构成低维度特征。

在所述比对模块，

提供一种手掌快速比对方法，

索引排序。这里对于上述的低维度索引特征按照类似度排序，提取排名前5％的注册特征，

对于这5％的注册特征，用挑选采样点的频率、方向的特征再提取20％的注册特征索引，这样得到注册特征的1％的候选集，