近红外手掌静脉图像的识别方法技术

本发明专利技术公开了一种对手掌静脉图像进行采集并识别的系统方法，现利用红外工业摄像头采集人手掌的静脉图像，再对原始图像进行归一化、二值化、中值滤波进行预处理得出具有一定特征的目标图像，接下来对图像通过多层卷积和池化等操作进行训练，最终得到合理的权矩阵，该权矩阵经验证可以运用于范围较小的手掌静脉图像识别。该系统方法具有小范围内识别速度快，系统简洁，识别率高等优点。

【技术实现步骤摘要】

本专利技术是一项利用卷积神经网络处理和识别数字图像的技术。
技术介绍
当今世界，身份识别在日常生活中越来越重要，无论是到银行办理业务，还是乘坐飞机，甚至小到打开一扇门，都需要验明身份。传统的身份验证方法包括证件、钥匙、用户名和密码等身份标识内容，由于借助体外物，一旦标志物或密码被盗或遗忘，其身份就容易被他人冒充或取代。于是生物识别受到了越来越多人的重视，目前指纹识别的普及率最高。但是因指纹容易仿照，且面积较少。虹膜识别的可靠性高而且容易仿造，但是其成本太高，目前还不能大量普及。手掌静脉识别速度和稳定性：采用红外线感应，用户可以有自己的凭据快速扫描，而无需实际触摸扫描仪。此外，大多数环境中对生物特征认证或扫描仪的准确度的可靠性小的负面影响。不过目前市场上的手掌静脉识别设备大都相对精密价格偏高，一般家庭和企业并不能消费的起。
技术实现思路
本专利技术采用卷积神经网络算法，为手掌静脉图像识别这一领域提供了一种高效、精确的解决方案。本专利技术针对手掌静脉图像识别所采取的技术方案是：利用自主设计的基于近红外相机的手掌静脉图像采集装置提取的手掌静脉的原始图像，然后对采集到的图像压缩、动态二值化和增强处理，最后以预处理的手掌静脉图像作为输入进行卷积神经网络的训练并匹配。手掌静脉识别流程有如下五个步骤：(1)图像归一化处理：先将样本图像一定比例缩小，并进行灰度归一化处理，样本图像的标准约定为同一方差与同一均值；(2)动态二值化处理：采用大律法(OSTU)方法对手掌静脉图像进行动态二值化处理，即将图像划分成多个区域，对每个区域分别进行二值化处理，同时又能很好地避免图像不联通和伪影像的出现；(3)中值滤波处理：对图像进行中值滤波，去除图像中大量的噪声点和孤立点；(4)卷积神经网络训练：先经过向前传播阶段，将样本从输入层经过卷积神经网络中逐级的变换(变换的过程为：第一层卷积、第一层池化、第二层卷积、第二层池化)，传送至输出层。再经过向后传播阶段，进行误差调整，不断地调整权矩阵；(5)手掌静脉图像识别：将输入的手掌静脉图像与样本库中已经进行卷积神经网络训练过的图像进行比对，得出识别结果。附图说明图1是采样样本原图；图2是经过压缩和归一化处理后的图像；图3是经过动态二值化处理后的图像；图4是经过中值滤波处理后的图像。具体实施方式以下参照附图及实施例对本专利技术进行详细的说明。本专利技术的范围不受这些实施例的限制，本专利技术的范围在权利要求书中提出。本专利技术利用自主设计的基于近红外相机的手掌静脉图像采集装置提取的手掌静脉的原始图像，然后对采集到的图像压缩、动态二值化和增强处理，最后以预处理的手掌静脉图像作为输入进行卷积神经网络的训练并匹配。手掌静脉识别流程有如下五个步骤：(1)图像归一化处理：先将样本图像一定比例缩小，并进行灰度归一化处理，样本图像的标准约定为同一方差与同一均值；(2)动态二值化处理：采用大律法(OSTU)方法对手掌静脉图像进行动态二值化处理，即将图像划分成多个区域，对每个区域分别进行二值化处理，同时又能很好地避免图像不联通和伪影像的出现；(3)中值滤波处理：对图像进行中值滤波，去除图像中大量的噪声点和孤立点；(4)卷积神经网络训练：先经过向前传播阶段，将样本从输入层经过卷积神经网络中逐级的变换(变换的过程为：第一层卷积、第一层池化、第二层卷积、第二层池化)，传送至输出层。再经过向后传播阶段，进行误差调整，不断地调整权矩阵；(5)手掌静脉图像识别：将输入的手掌静脉图像与样本库中已经进行卷积神经网络训练过的图像进行比对，得出识别结果。利用本专利技术提出的手掌静脉图像识别算法，对图1原图进行操作，首先经过压缩和归一化处理，得到图2，以减少运算量、提高处理速度；其次进行动态二值化和中值滤波处理，分别如图3和图4所示，得到最终处理后的图像；最后进行卷积神经网络训练，得到的结果录入样本库。如果用户需要进行识别，只需上传手掌静脉图像，系统会将该图像与样本库中所有经过卷积神经网络训练的图像进行比对，可以得出比对信息，识别成功。对于我们采用的手掌静脉图像识别方法的验证，我们采用的是交叉验证中的十折交叉验证方法。将数据集分成十分，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法准确性的估计。之所以选择将数据集分为10份，是因为通过利用大量数据集、使用不同学习技术进行的大量试验，表明10折是获得最好误差估计的恰当选择，而且也有一些理论根据可以证明这一点。我们的数据集是我们用红外摄像头采集到的3个人，每人20张的手掌图片。测试的过程中，我们对于卷积核的训练次数都用500次，具体验证结果如下表所示：误识率灵敏度特异度第一个人2/22＝9.09％20/(20+0)＝100％38/(38+2)＝95％第二个人1/20＝5％19/(19+1)＝95％39/(39+1)＝97.5％第三个人0/18＝0％18/(18+2)＝90％40/(40+0)＝100％总计4.70％95％97.5％误识率，指不是这个人的手掌照片，但却别识别成这个人的手掌照片的百分比。灵敏度，指是这个人的手掌照片，被正确识别的百分比。特异度，指不是这个人的手掌照片，同时也识别为不是这个人手掌照片的百分比。本文档来自技高网...

【技术保护点】
本专利技术利用自主设计的基于近红外相机的手掌静脉图像采集装置提取的手掌静脉的原始图像，然后对采集到的图像压缩、动态二值化和增强处理，最后以预处理的手掌静脉图像作为输入进行卷积神经网络的训练并匹配。手掌静脉图像识别流程有如下五个步骤：(1)图像归一化处理：先将样本图像一定比例缩小，并进行灰度归一化处理，样本图像的标准约定为同一方差与同一均值；(2)动态二值化处理：采用大律法(OSTU)方法对手掌静脉图像进行动态二值化处理，即将图像划分成多个区域，对每个区域分别进行二值化处理，同时又能很好地避免图像不联通和伪影像的出现；(3)中值滤波处理：对图像进行中值滤波，去除图像中大量的噪声点和孤立点；(4)卷积神经网络训练：先经过向前传播阶段，将样本从输入层经过卷积神经网络中逐级的变换(变换的过程为：第一层卷积、第一层池化、第二层卷积、第二层池化)，传送至输出层。再经过向后传播阶段，进行误差调整，不断地调整权矩阵；(5)手掌静脉图像识别：将输入的手掌静脉图像与样本库中已经进行卷积神经网络训练过的图像进行比对，得出识别结果。

【技术特征摘要】
1.本发明利用自主设计的基于近红外相机的手掌静脉图像采集装置提取的手掌静脉的原始图像，然后对采集到的图像压缩、动态二值化和增强处理，最后以预处理的手掌静脉图像作为输入进行卷积神经网络的训练并匹配。手掌静脉图像识别流程有如下五个步骤：(1)图像归一化处理：先将样本图像一定比例缩小，并进行灰度归一化处理，样本图像的标准约定为同一方差与同一均值；(2)动态二值化处理：采用大律法(OSTU)方法对手掌静脉图像进行动态二值化处理，即将图像划分成多个区域，对每个区域分...

【专利技术属性】
技术研发人员：陈科，游京翰，梁作宇，崔路男，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津;12