[发明专利]一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法

摘要

本发明涉及一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法，通过训练样本中的每张指背图像进行指型分割、边缘检测处理，并通过矩形窗口提取指背关节纹图像，然后将指背关节纹图像输入到卷积神经网络模型中进行训练，得到训练好的指背关节纹识别卷积神经网络模型，并将提取的指背关节纹图像的图像特征向量输入到贝叶斯分类器中进行训练得到训练好的贝叶斯模型，最后将待检测的指背图像输入到指背关节纹识别卷积神经网络模型中提取图像特征，将图像特征输入训练好的贝叶斯分类器中，得到识别结果；本发明具有识别精度高，检测速度快的优点，通过卷积神经网络模型和贝叶斯分类器，从而避免了曲度变化、光照变化对识别性能的影响。

主权项

1.一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法，包括以下步骤：S1)、通过梯度卷积算子对获取的训练样本中的每张指背图像进行指型分割处理，除去图像背景与噪音对指背图像的影响；S2)、通过Canny算子对指型分割后的指背图像进行指型边缘检测处理；S3)并通过一定大小的矩形窗口遍历整幅指型边缘检测处理后的指背图像，找出含边缘点数最多的窗口，提取出该窗口作为指背关节纹图像(ROI)；S4)、将S3)中提取的指背关节纹图像(ROI)输入到卷积神经网络模型中进行训练，得到训练好的指背关节纹识别卷积神经网络模型；S5)、将步骤S3)中的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中，提取相应的图像特征向量A＝(a1,a2,....am)，以及类别集合C＝(y1,y2,....yn)；S6)、将步骤S5)中提取的图像特征向量A＝(a1,a2,....am)，以及类别集合C＝(y1,y2,....yn)输入到贝叶斯分类器模型中进行训练，并统计各类别yj下的特征属性ai的条件概率P(ai|yj)，由于特征属性为连续值，假定其值服从高斯分布，即从而得到从而得到该类别下相应特征的均值和标准差，从而得到训练好的指背关节纹识别贝叶斯模型；S7、按照步骤S1)-S3)对测试图像进行预处理，得到测试图像的指背关节纹图像(ROI)，然后将测试图像的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中，提取相应的图像特征向量B＝(b1,b2,....bm)，然后将相应的图像特征向量输入到训练好的指背关节纹识别贝叶斯模型中进行分类，通过P(yk|B)＝max{P(y1|B),P(y2|B).....P(yn|B)}，计算该图像特征向量B在各个类别下的概率值，通过比较各个类别下的概率P(yk|B)与预设阈值的大小，若类别yk下的概率P(yk|B)大于给定阈值，则判定测试图像属于第k人，否则输出查无此人，实现对指背关节纹的识别。