近紅外手掌靜脈圖像的識別方法
【專利摘要】本發明公開了一種對手掌靜脈圖像進行采集并識別的系統方法，現利用紅外工業攝像頭采集人手掌的靜脈圖像，再對原始圖像進行歸一化、二值化、中值濾波進行預處理得出具有一定特征的目標圖像，接下來對圖像通過多層卷積和池化等操作進行訓練，最終得到合理的權矩陣，該權矩陣經驗證可以運用于范圍較小的手掌靜脈圖像識別。該系統方法具有小范圍內識別速度快，系統簡潔，識別率高等優點。
【專利說明】
近紅外手掌靜脈圖像的識別方法
技術領域
[0001 ]本發明是一項利用卷積神經網絡處理和識別數字圖像的技術。
【背景技術】
[0002] 當今世界，身份識別在日常生活中越來越重要，無論是到銀行辦理業務，還是乘坐 飛機，甚至小到打開一扇門，都需要驗明身份。傳統的身份驗證方法包括證件、鑰匙、用戶名 和密碼等身份標識內容，由于借助體外物，一旦標志物或密碼被盜或遺忘，其身份就容易被 他人冒充或取代。于是生物識別受到了越來越多人的重視，目前指紋識別的普及率最高。但 是因指紋容易仿照，且面積較少。虹膜識別的可靠性高而且容易仿造，但是其成本太高，目 前還不能大量普及。手掌靜脈識別速度和穩定性:采用紅外線感應，用戶可以有自己的憑據 快速掃描，而無需實際觸摸掃描儀。此外，大多數環境中對生物特征認證或掃描儀的準確度 的可靠性小的負面影響。不過目前市場上的手掌靜脈識別設備大都相對精密價格偏高，一 般家庭和企業并不能消費的起。
【發明內容】
[0003] 本發明采用卷積神經網絡算法，為手掌靜脈圖像識別這一領域提供了一種高效、 精確的解決方案。
[0004] 本發明針對手掌靜脈圖像識別所采取的技術方案是:利用自主設計的基于近紅外 相機的手掌靜脈圖像采集裝置提取的手掌靜脈的原始圖像，然后對采集到的圖像壓縮、動 態二值化和增強處理，最后以預處理的手掌靜脈圖像作為輸入進行卷積神經網絡的訓練并 匹配。手掌靜脈識別流程有如下五個步驟：
[0005] (1)圖像歸一化處理：先將樣本圖像一定比例縮小，并進行灰度歸一化處理，樣本 圖像的標準約定為同一方差與同一均值；
[0006] (2)動態二值化處理:采用大律法(OSTU)方法對手掌靜脈圖像進行動態二值化處 理，即將圖像劃分成多個區域，對每個區域分別進行二值化處理，同時又能很好地避免圖像 不聯通和偽影像的出現；
[0007] (3)中值濾波處理:對圖像進行中值濾波，去除圖像中大量的噪聲點和孤立點；
[0008] (4)卷積神經網絡訓練:先經過向前傳播階段，將樣本從輸入層經過卷積神經網絡 中逐級的變換(變換的過程為:第一層卷積、第一層池化、第二層卷積、第二層池化），傳送至 輸出層。再經過向后傳播階段，進行誤差調整，不斷地調整權矩陣；
[0009] (5)手掌靜脈圖像識別：將輸入的手掌靜脈圖像與樣本庫中已經進行卷積神經網 絡訓練過的圖像進行比對，得出識別結果。
【附圖說明】
[0010]圖1是采樣樣本原圖；
[0011]圖2是經過壓縮和歸一化處理后的圖像；
[0012]圖3是經過動態二值化處理后的圖像；
[0013]圖4是經過中值濾波處理后的圖像。
【具體實施方式】
[0014] 以下參照附圖及實施例對本發明進行詳細的說明。本發明的范圍不受這些實施例 的限制，本發明的范圍在權利要求書中提出。
[0015] 本發明利用自主設計的基于近紅外相機的手掌靜脈圖像采集裝置提取的手掌靜 脈的原始圖像，然后對采集到的圖像壓縮、動態二值化和增強處理，最后以預處理的手掌靜 脈圖像作為輸入進行卷積神經網絡的訓練并匹配。手掌靜脈識別流程有如下五個步驟：
[0016] (1)圖像歸一化處理:先將樣本圖像一定比例縮小，并進行灰度歸一化處理，樣本 圖像的標準約定為同一方差與同一均值；
[0017] (2)動態二值化處理:采用大律法(OSTU)方法對手掌靜脈圖像進行動態二值化處 理，即將圖像劃分成多個區域，對每個區域分別進行二值化處理，同時又能很好地避免圖像 不聯通和偽影像的出現；
[0018] (3)中值濾波處理:對圖像進行中值濾波，去除圖像中大量的噪聲點和孤立點；
[0019] (4)卷積神經網絡訓練:先經過向前傳播階段，將樣本從輸入層經過卷積神經網絡 中逐級的變換(變換的過程為:第一層卷積、第一層池化、第二層卷積、第二層池化），傳送至 輸出層。再經過向后傳播階段，進行誤差調整，不斷地調整權矩陣；
[0020] (5)手掌靜脈圖像識別：將輸入的手掌靜脈圖像與樣本庫中已經進行卷積神經網 絡訓練過的圖像進行比對，得出識別結果。
[0021] 利用本發明提出的手掌靜脈圖像識別算法，對圖1原圖進行操作，首先經過壓縮和 歸一化處理，得到圖2,以減少運算量、提高處理速度;其次進行動態二值化和中值濾波處 理，分別如圖3和圖4所示，得到最終處理后的圖像;最后進行卷積神經網絡訓練，得到的結 果錄入樣本庫。
[0022] 如果用戶需要進行識別，只需上傳手掌靜脈圖像，系統會將該圖像與樣本庫中所 有經過卷積神經網絡訓練的圖像進行比對，可以得出比對信息，識別成功。
[0023]對于我們采用的手掌靜脈圖像識別方法的驗證，我們采用的是交叉驗證中的十折 交叉驗證方法。將數據集分成十分，輪流將其中9份作為訓練數據，1份作為測試數據，進行 試驗。每次試驗都會得出相應的正確率(或差錯率）。1〇次的結果的正確率(或差錯率）的平 均值作為對算法精度的估計，一般還需要進行多次10折交叉驗證（例如10次10折交叉驗 證），再求其均值，作為對算法準確性的估計。之所以選擇將數據集分為10份，是因為通過利 用大量數據集、使用不同學習技術進行的大量試驗，表明10折是獲得最好誤差估計的恰當 選擇，而且也有一些理論根據可以證明這一點。
[0024]我們的數據集是我們用紅外攝像頭采集到的3個人，每人20張的手掌圖片。測試的 過程中，我們對于卷積核的訓練次數都用500次，具體驗證結果如下表所示：
[0026]~誤識率，指不是這個人的手掌照片，但卻別識別成這個人的手掌照片的百分比。~ [0027]靈敏度，指是這個人的手掌照片，被正確識別的百分比。
[0028]特異度，指不是這個人的手掌照片，同時也識別為不是這個人手掌照片的百分比。
【主權項】
1.本發明利用自主設計的基于近紅外相機的手掌靜脈圖像采集裝置提取的手掌靜脈 的原始圖像，然后對采集到的圖像壓縮、動態二值化和增強處理，最后以預處理的手掌靜脈 圖像作為輸入進行卷積神經網絡的訓練并匹配。 手掌靜脈圖像識別流程有如下五個步驟： (1) 圖像歸一化處理:先將樣本圖像一定比例縮小，并進行灰度歸一化處理，樣本圖像 的標準約定為同一方差與同一均值； (2) 動態二值化處理:采用大律法(OSTU)方法對手掌靜脈圖像進行動態二值化處理，即 將圖像劃分成多個區域，對每個區域分別進行二值化處理，同時又能很好地避免圖像不聯 通和偽影像的出現； (3) 中值濾波處理:對圖像進行中值濾波，去除圖像中大量的噪聲點和孤立點； (4) 卷積神經網絡訓練:先經過向前傳播階段，將樣本從輸入層經過卷積神經網絡中逐 級的變換(變換的過程為:第一層卷積、第一層池化、第二層卷積、第二層池化），傳送至輸出 層。再經過向后傳播階段，進行誤差調整，不斷地調整權矩陣； (5) 手掌靜脈圖像識別：將輸入的手掌靜脈圖像與樣本庫中已經進行卷積神經網絡訓 練過的圖像進行比對，得出識別結果。
【文檔編號】G06K9/00GK106056041SQ201610334223
【公開日】2016年10月26日
【申請日】2016年5月18日
【發明人】陳科, 游京翰, 梁作宇, 崔路男
【申請人】天津工業大學