基于两种子空间相融合的掌静脉特征提取和匹配方法
【技术领域】
[0001] 本发明设及接触式生物特征身份识别技术领域，尤其是一种掌静脉特征提取和匹 配方法。
【背景技术】
[0002] 当今社会，随着信息技术尤其是互联网的高速发展，使得整个社会成为信息和网 络的结合体，如何进一步加强社会信息化和网络化的安全性成为如今迫切需要解决问题的 重中之重。身份验证是人们加强信息安全性的基本方法和前提。现实生活中，许多场合都 需要进行身份认证，如登录计算机，登录网络站点，到银行办理业务，鉴别疑犯，进入军事要 地等等。因而，有效的身份验证方法可W给我们的生活带来安全、便利和效益，可W给我们 的社会带来安定、秩序和效率。
[0003] 传统的身份验证主要是基于证件、钥匙等标识物或者密码、PIN码等知识来完成 的，而随着计算机和通信网络的飞速发展，该些传统的确认机制暴露出诸多固有的弊端。对 于基于标识物（证件、钥匙等）的安全机制，存在携带不便、容易被盗、容易伪造、容易丢失 等问题。对于基于密码的安全机制，存在密码难记、容易攻击甚至被破解、容易搞混、容易忘 记等问题。因此，要消除该些隐患必须擬弃该些身外之物，寻求一种对个人自身独有的特征 进行认证的识别技术，即生物识别技术。
【发明内容】
[0004] 为了克服已有身份验证方式的安全性较差的不足，本发明提供一种安全性较高的 基于两种子空间相融合的掌静脉特征提取和匹配方法。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] 一种基于两种子空间相融合的掌静脉特征提取和匹配方法，所述方法包括W下步 骤：
[0007] 1)采集手掌静脉图像；
[000引 2)对采集到的静脉图像进行预处理
[0009] 二值化提取出手掌，进行手掌关键点定位，采用各向异性扩散进行平滑处理，采用 对数灰度变换对静脉图像进行增强；
[0010] 3)对增强后的静脉图像采用基于子空间的2DPCA和2DFLD相结合的特征提取算法 提取其特征，投影到识别空间，过程如下：
[0011] 首先采用2DPCA算法进行特征的降维，将待训练样本图像Ay构建协方差矩阵S， 计算协方差的特征值Ai和对应的特征向量Ui，然后将特征值和对应的特征向量按有大到 小的顺序排序，计算其特征累积贡献率对应的最佳特征维数以根据特征维数把相应的特征 向量作为投影空间G;
[0012] 接下来用二维线性判别分析找到最佳投影方向，使得各个不同的类在该个方向上 能够比较清晰的辨别开，提取的是最佳分类特征。将图像Ay,样本均值:i，类均值才.在刚 才得到的投影空间G中进行投影，到对应投影空间中的By, &巧，同时构建类内离散度矩 阵H，，类间离散度矩阵Hb，计算巧的特征值ki，和对应的特征向量li，按特征值由大到 小的顺序排序，取前L个特征值对应的特征向量作为最佳的投影方向矩阵W;
[0013] 4)在投影空间采用Hausdorff距离进行用户身份的匹配。
[0014] 进一步，所述步骤3)中，首先采用2DPCA算法进行特征的降维，假设待训练图像矩 阵Ay为mXn，设模式类别有C个《1，…，《e，每类有训练样本Di个，将待训练样本 图像Ay构建协方差矩阵，公式如式巧）：
[0015]
(5)
[0016] 其中，M为训练样本的总数，
为训练样本的总体均值矩阵；
[0017] 接着计算协方差矩阵S的特征值Ai和对应的特征向量Ui，然后将特征值和对应 的特征向量按有大到小的顺序排序，计算其特征累积贡献率对应的最佳特征维数以根据特 征维数把相应的特征向量作为投影空间G= [Ui,U2,叫，…，uj;
[0018] 接下来用二维线性判别分析找到最佳投影方向，使得各个不同的类在该个方向上 能够比较清晰的辨别开，提取的是最佳分类特征。将样本图像4^，总体样本均值：^，每类 均值立在刚才得到的投影空间G= [Ui，U2,叫，…，化]中进行投影，到对应投影空间中的B。，衣，马如式（6)所示；
[0021]同时构建类内离散度矩阵H，，类间离散度矩阵Hb，定义如公式（7)所示：
[0024] 其中，M为训练样本的总数，n;为每类训练样本数；
[002引根据fisher准则函数定义如公式做所示：
[0026]
(8)
[0027] X就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特 征向量，得到如公式（9)所示：
[002引 巧声=AH,XH/HbX=AX(9)
[0029] 当类内散布矩阵H，非奇异时，对应矩阵H/Hb的最大特征值对应的特征矢量，即使 得准则函数J00最大化时的X，即为最佳投影方向X，所W计算打,,|片/,的特征值ki，和对应 的特征向量li，将特征值由大到小的顺序排序；
[0030] 取前L个特征值对应的特征向量作为最佳的投影方向矩阵W=
[0031] 最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵Cu如公式 (10)所示：
[0032] Cij=AijW(10)。
[0033] 更进一步，所述步骤1)中，通过双波长近红外L邸和高清CCD的手掌静脉前端采 集装置采集到手掌静脉图像。
[0034] 再进一步，所述步骤2)中，采用了化SU算法进行静脉图像的二值化。
[0035] 所述步骤2)中，采用分块局部极值的算法进行手掌关键点定位，首先选择小拇指 与无名指的交叉点，W及食指与中指的交叉点，作为用来提取感兴趣区域的两个关键点。通 过上一步得到的手掌二值化图像，提取其手掌的轮廓，分别求出每一个轮廓点到底部手腕 处的距离，把手掌的轮廓对应距离保存到S维数组X(x，y，d)，其中（x，y)为轮廓点的位置 坐标，d为轮廓点到底部手腕处的距离。首先将数组分成20份，找到距离d的局部极值，从 而确定两个关键点。
[0036] 所述步骤。中，找到小拇指和无名指之间的点P2与中指和食指之间的点P1，将 P1和P2连成一条线，获得其与手腕的水平方向的夹角进行图像0角度，其中P1点坐标为 狂P1，Ypi)，P2点坐标为狂P2,Yp2)，旋转的角度0如式所示（3);
[0037]
(3)
[003引将整个掌静脉图像按照0角度旋转，最终获得ROI为矩形有效区域ABCD，下一步 将对其进行尺度归一化。
[0039] 所述步骤2)中，采用各向异性扩散进行平滑处理是引入一个系数来控制图像不 同的区域的扩散速度，其数学算式可表示为：
[0040]
[004U其中u"(x，y)为图像的像素值，▽是梯度算子，div是散度算子，g(0是扩散系 数，各向异性扩散主要在于降低细节，也可表示为图像梯度大的区域的平滑，其中扩散系数 g( ?)被定义为：
[0042]
(2)
[0043] 其中k控制梯度细节被保留的程度，I?I是绝对值算法，由此平滑力度在静脉区 域会被设为低于非静脉区域，从而去除噪声同时保持静脉的细节。
[0044] 所述步骤2)中，对静脉图像进行增强，对数灰度变换公式如式（4)所示：
[0045] g(x) =bc[fW-a]-l(4)
[0046] 其中，参数b，c是用来调整曲线的位置和形状；a相当于平移量，在灰度没有达到 a时皆将输入定位为0, C用于控制变换速率，b用于控制曲线形状。
[0047] 所述步骤4)中，在投影空间采用Hausdorff距离进行用户身份的匹配，具体如下： 设有两个手掌静脉特征点集A = {a。…，a。}，B =化1，…，b。}，则该两个点特征集合之间的 Hausdorff距离定义如公式（11) (12);
[0048] H(A，B) =max〇i(A，B)，h@，A)) (11)其中；
[0049] h(A,B) =max(aGA)min化GB)IIa_bII(12)
[0050] h化A) =max化GB)min(aGA) I Ib-aI
[OWU II - M是点集A和B点集之间的距离范数，双向Hausdorff距离H (A, B)是单向距 离h(A，B)和MB, A)两者中的较大者，它度量了两个特征点集间的最大不匹配程度；则待 识别的特征点集与每一类特征点集计算其Hausdorff距离，Hausdorff距离越小，则最大不 匹配程度越小，即把待识别样本归为Hausdorff距离越小的一类。
[0化2] 本发明的技术构思为：生物识别技术是对人体生物特征（生理或行