腕部静脉认证系统技术方案

本发明专利技术提供一种腕部静脉认证系统，其特征在于包括图像采集模块、图像预处理模块、特征提取模块、识别模块；通过对采集图像预处理后，得到清晰特征明显的图像；通过分析多种图像特征提取方法，结合实际情况选用了主成分分析和小波分析进行图像特征提取；采用极限学习机对图像进行分类，经过多次试验结果对比，选择最佳参数，使识别率达到了95％以上。该系统，用图像信息的主成分与高频低频特征进行识别，具有操作简单，鲁棒性强的优点。

【技术实现步骤摘要】
【专利摘要】本专利技术提供一种腕部静脉认证系统，其特征在于包括图像采集模块、图像预处理模块、特征提取模块、识别模块；通过对采集图像预处理后，得到清晰特征明显的图像；通过分析多种图像特征提取方法，结合实际情况选用了主成分分析和小波分析进行图像特征提取；采用极限学习机对图像进行分类，经过多次试验结果对比，选择最佳参数，使识别率达到了95％以上。该系统，用图像信息的主成分与高频低频特征进行识别，具有操作简单，鲁棒性强的优点。【专利说明】腕部静脉认证系统
本专利技术涉及一种腕部静脉认证系统。
技术介绍
静脉身份认证技术是将皮肤下的静脉血管作为身份特征进行身份识别的技术。由 于人体静脉血管隐藏于皮肤之下，不易伪造，因此静脉特征识别技术是一种安全性很高的 身份识别技术具有很好的应用前景。 现代社会对于信息技术又提出了更新、更高的要求，例如计算机使得经济与金融 网络化，而网络经济与金融又要求更可靠的信息安全系统。身份验证是人们进行加强信息 安全性的基本方法之一。传统的身份验证是基于标识物（如证件、钥匙等）或者知识（如 密码、PIN等）来完成，然而这些方式不方便、不安全、不可靠的缺点不言而喻：证件、钥匙 携带不便、容易丢失伪造；密码可能会被遗忘或被蓄意窃取。因此，急需一种不易被他人替 代、仿制、方便、有效、安全的身份识别技术来保障人们的生活和社会的安全，这种技术就是 基于人体生理特征的生物识别技术。
技术实现思路
本专利技术的目的是提供一种腕部静脉认证系统，操作简单，鲁棒性强，解决现有技术 中存在传统的身份验证是基于标识物或者知识来完成，然而这些方式不方便、不安全、不可 靠的问题。 本专利技术的技术解决方案是： -种腕部静脉认证系统，包括图像采集模块、图像预处理模块、特征提取模块、识 别丰吴块； 图像采集模块，通过手腕静脉采集装置采集手腕静脉红外图像； 图像预处理模块，对采集的手腕静脉红外图像截取感兴趣区域后，对该区域采用 均值滤波方法进行滤波处理，进行灰度化、归一化，并采用直方图拉伸的方法进行对比度增 强处理； 特征提取模块，对预处理后的图像进行主成分特征提取、小波特征提取； 识别模块，利用极限学习机对手腕静脉图像进行分类识别，用图像信息的主成分 与高频低频特征，与手腕静脉特征数据库进行识别比对。 进一步地，极限学习机模型为： L L Σ A (v/) ^ Σ · xi +b)=yj (5.3) 式中，j = 1，2, 3…N ;Wi为所有输入与第i个节点连接权重； Wi = T ; β i为所有输出与第i个节点连接权重； β i = T。 进一步地，极限学习机模型的矩阵表示形式为： Ηβ = Y (5. 4) 式中，Η为网络隐层输出矩阵， 【权利要求】1. 一种腕部静脉认证系统，其特征在于：包括图像采集模块、图像预处理模块、特征提 取模块、识别模块； 图像采集模块，通过手腕静脉采集装置采集手腕静脉红外图像； 图像预处理模块，对采集的手腕静脉红外图像截取感兴趣区域后，对该区域采用均值 滤波方法进行滤波处理，进行灰度化、归一化，并采用直方图拉伸的方法进行对比度增强处 理； 特征提取模块，对预处理后的图像进行主成分特征提取、小波特征提取； 识别模块，利用极限学习机对手腕静脉图像进行分类识别，用图像信息的主成分与高 频低频特征，与手腕静脉特征数据库进行识别比对。2. 如权利要求1所述的腕部静脉认证系统，其特征在于：极限学习机模型为：式中，j = 1，2, 3…N ;Wi为所有输入与第i个节点连接权重； Wi = T ; β i为所有输出与第i个节点连接权重； β i = [β η，β i2,…，β inJT。3. 如权利要求2所述的腕部静脉认证系统，其特征在于：极限学习机模型的矩阵表示 形式为： Ηβ = Y (5. 4) 式中，Η为网络隐层输出矩阵，4. 如权利要求3所述的腕部静脉认证系统，其特征在于，极限学习机训练前，随机产生 w和b，只需确定隐含层神经元个数和激励函数g(x)，即算出β ;具体步骤如下： 确定隐含层神经元个数L随机设定输入层和隐含层连接权值w与隐含层神经元偏置 b ； 选择一个无限可微的函数g (X)作为激励函数，计算隐含层输出矩阵Η ; 计算输出层权值：β = Η4Υ。5. 如权利要求1-4任一项所述的腕部静脉认证系统，其特征在于，对采集图像截取感 兴趣区域，具体为： 截取待处理图像：去除掉原始图像的背景，记下手腕静脉与背景交界点的坐标，然后截 取交界以内的区域作为待处理图片； 待处理图像上截取训练和测试的图像块：待处理图象上随机取一点作为中心，以为边 长截取一个图像块作为训练和识别的样本。6. 如权利要求5所述的腕部静脉认证系统，其特征在于：主成分分析步骤为： 51、 对原始数据进行标准化处理； 52、 计算样本相关系数矩阵； 53、 用雅克比方法求相关系数矩阵的特征值和相应的特征向量； 54、 选择主成分，并写出主成分表达式； 55、 计算主成分得分； 56、 依据主成分得分的数据，提取得分高的主成分作为特征用于下面的分类中。7. 如权利要求6所述的腕部静脉认证系统，其特征在于：利用小波分析提取特征具体 为，对手腕静脉图像采样后，在一个大的有限频带中的一个信号，对这个信号进行小波多尺 度分解，把采到的信号分成两个信号，即高频部分和低频部分。8. 如权利要求7所述的腕部静脉认证系统，其特征在于：手腕静脉采集装置中，采用 850nm和940nm波段混合作为照射光源，采用选择CMOSS图像传感器，采用的是130万像素 的USB网络摄像头，背景颜色设置为黑色。9. 一种基于极限学习机的手腕静脉图像识别方法，其特征在于：利用极限学习机对手 腕静脉图像进行分类识别，用图像信息的主成分与高频低频特征，与手腕静脉特征数据库 进行识别比对。10. 如权利要求9所述的基于极限学习机的手腕静脉图像识别方法，其特征在于：极限 学习机模型为：式中，j = 1，2, 3…N ;Wi为所有输入与第i个节点连接权重； Wi = T ; β i为所有输出与第i个节点连接权重； β i = [β η，β i2,…，β inJT ; 极限学习机模型的矩阵表示形式为： Ηβ = Y (5. 4) 式中，Η为网络隐层输出矩阵， 1极限学习机训练前，随机产生W和b，只需确定隐含层神经元个数和激励函数g (X)，即 算出β;具体步骤如下： 确定隐含层神经元个数L随机设定输入层和隐含层连接权值w与隐含层神经元偏置 b ； 选择一个无限可微的函数g(X)作为激励函数，计算隐含层输出矩阵Η ; 计算输出层权值：β =Η4Υ。【文档编号】G06K9/60GK104102913SQ201410337530【公开日】2014年10月15日 申请日期:2014年7月15日 优先权日:2014年7月15日 【专利技术者】梁静, 瞿博阳, 李冀, 岳彩通, 肖岩, 尚志刚 申请人:无锡优辰电子信息科技有限公司本文档来自技高网...

【技术保护点】
一种腕部静脉认证系统，其特征在于：包括图像采集模块、图像预处理模块、特征提取模块、识别模块；图像采集模块，通过手腕静脉采集装置采集手腕静脉红外图像；图像预处理模块，对采集的手腕静脉红外图像截取感兴趣区域后，对该区域采用均值滤波方法进行滤波处理，进行灰度化、归一化，并采用直方图拉伸的方法进行对比度增强处理；特征提取模块，对预处理后的图像进行主成分特征提取、小波特征提取；识别模块，利用极限学习机对手腕静脉图像进行分类识别，用图像信息的主成分与高频低频特征，与手腕静脉特征数据库进行识别比对。

【技术特征摘要】

【专利技术属性】
技术研发人员：梁静，瞿博阳，李冀，岳彩通，肖岩，尚志刚，
申请(专利权)人：无锡优辰电子信息科技有限公司，
类型：发明
国别省市：江苏;32