【技术实现步骤摘要】
本专利技术属于数字图像处理与模式识别
，具体涉及基于非负矩阵分解理论的指静脉图像特征提取方法。
技术介绍
对图像处理任务而言，在大多数情况下，不能直接在图像数据本身这个测量空间直接进行分类和识别。这一方面是因为图像信息大多数具有很高的维数，或待处理的图像数量巨大，不适宜分类器和识别方法的设计，更重要的是这样一种描述并不能直接反映测量对象的本质，并且它随光照亮度、拍摄角度和位置能因素的变化而变化，因此，为了进行分类器和识别方法的设计，需要把图像从测量空间变换到维数大大减少的特征空间，被研究的对象在这个特征空间中就由一个或几个能表示其本质特征的特征向量来表示。因此，特征提取技术作为目标分类和识别中的关键技术之一，越来越受到科研人员的关注，成为模式识别研究的一个热点。手指静脉图像通过感兴趣区域(Region Of Interest, R0I)提取后得到的图像数据，还存在大量对最终识别结果无用的信息，如果直接将其用于分类，一方面庞大的数据量会降低识别速度，另一方面干扰信息会影响最终识别率，难以满足实际的需要。所以对其进行适当的特征提取操作，是必要的。近年发展起来的如主成分分析(Principal Component Analysis, PCA)、独立分量分析(Independent Component Analysis, ICA)、核分析(Kenel Analysis)等特征提取方法从数据的高阶统计相关性角度出发，提取图像内部特征，更有效地利用了输入数据在统计关系上得本质特征。但这些方法理论中的像素点可以是正值也可以是负值，特征基的线性组合中可...
【技术保护点】
一种基于非负矩阵分解的指静脉特征提取方法，其特征在于：（1）对指静脉样本库图片提取感兴趣区域；（2）将感兴趣区域图像矩阵列向量化，得到指静脉数据集；（3）训练指静脉数据集，得到特征矩阵及系数矩阵；（4）提取测试样感兴趣区域，列向量化为测试样本向量，在特征矩阵上做投影，得到的投影系数为待识别的特征。
【技术特征摘要】
1.一种基于非负矩阵分解的指静脉特征提取方法，其特征在于: (1)对指静脉样本库图片提取感兴趣区域； (2)将感兴趣区域图像矩阵列向量化，得到指静脉数据集； (3)训练指静脉数据集，得到特征矩阵及系数矩阵； (4)提取测试样感兴趣区域，列向量化为测试样本向量，在特征矩阵上做投影，得到的投影系数为待识别的特征。2.根据权利要求1所述的一种基于非负矩阵分解的指静脉特征提取方法，其特征在于:所述的图像矩阵列向量化为将感兴趣区域图像矩阵Ak= (b^...bj) eRiXj的每列元素依次排列，得到一维的列向量:3.根据权利要求2所述的一种基于非负矩阵分解的指静脉特征提取方法，其特征在于:所述的训练指静脉数据集包括: 降维后的特征维数r，初始化特征矩阵W和系数矩阵H为随机正矩阵，进行迭代使目标函数相稳定后停止，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。