欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106687318
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多特征融合的指静脉仿冒检测方法,其特征在于:所述方法包括如下步骤:步骤1:对于输入图像I,分别在0°、45°、90°和135°四个方向上对图像进行差分滤波,得到四个方向上的差分矩阵M→、M↗、M↑和M↖,作为图像的噪声信息;

步骤2:对于输入图像I,采用引导滤波方法提取图像的模糊信息;

步骤2中,包括如下分步骤:

步骤2.1,对于输入图像I,设置引导滤波器的引导图像p等于I,滤波输出图像记为q;假设p和q在窗口wk中存在局部线性关系,即q是p在窗口wk中的局部线性变换,其中窗口wk以像素k为中心,r为半径,则q中各像素点的计算如式(5)所示:其中i、k都是像素索引,αk和bk为系数,且在局部窗口wk中为常数;

步骤2.2,记I和q之差为E,则通过式(6)对q进行约束,最小化E后求解系数αk和bk:其中ε>0,ε是为防止求得过大的αk而引入的正则化参数,Ii表示输入图像I的一个像素i,且i∈wk;

使用最小二乘法可解得线性系数其中uk和σk2分别表示在窗口wk中的均值和方差,|w|是窗口wk中的像素个数,表示输入图像I在窗口wk中的均值;

步骤2.3,计算某一像素点的具体输出时,将包含该像素点的所有线性函数值取平均,则最终滤波输出如式(7)所示:其中,wi是所有包含像素k的窗口,且像素i为窗口的中心;滤波输出的结果q将作为图像的模糊信息;

步骤3:对步骤2得到的结果进行2*2均等分块,得到四个模糊信息块;

步骤4:对步骤1得到的四个方向上的差分矩阵进行LBP纹理特征提取,并将结果进行串联,作为图像的噪声特征F1;

步骤5:对步骤3得到的四个模糊信息块进行LBP纹理特征提取,并将结果进行串联,作为图像的模糊特征F2;

步骤6:对噪声特征F1和模糊特征F2进行线性加权融合;

步骤7:训练分类模型;对特征融合后的结果使用支持向量机进行训练分类,训练过程中使用粒子群算法进行特征的权值寻优,获得最佳权值和分类模型;

步骤8:应用分类模型;向分类模型输入所需检测的指静脉图像,获取仿冒检测的结果。

2.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法,其特征在于:步骤1中,四个方向相应的差分矩阵M→、M↗、M↑和M↖的计算方式如下:M→(x,y)=I(x,y)-I(x+1,y) (1)

M↗(x,y)=I(x,y)-I(x+1,y+1) (2)

M↑(x,y)=I(x,y)-I(x,y+1) (3)

M↖(x,y)=I(x,y)-I(x-1,y+1) (4)

其中,I(x,y)∈{0,1,2,...,255},x、y分别表示图像I的像素位置。

3.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法,其特征在于:步骤4和步骤5中,LBP特征提取的过程是,选定一个像素点,在以该像素点为中心的3*3大小的邻域窗口中,若其邻域的像素值大于或等于该像素值,则该邻域的像素值置1,否则置0;最后,以邻域窗口左上角的像素为第一位,按顺时针方向将各邻域的值保存下来,作为该中心像素点的LBP码。

4.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法,其特征在于:步骤6中,融合后的特征F如式(8)所示:F=z1 F1+z2 F2 (8)

其中z1、z2为F1、F2对应权值,满足z1+z2=1,0≤z1,z2≤1。

5.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法,其特征在于:步骤7中,训练过程中使用粒子群算法进行z1和z2的寻优,使得模型的检测性能达到最佳;使用粒子群算法进行权值寻优,流程如下:随机初始化粒子群分布后,在迭代次数内,分别评估每个粒子对应的仿冒检测性能;然后,每个粒子根据当前适应值和历史最优适应值来更新自己的最优值;接着更新整个种群的最优值;之后,所有粒子更新自己的速度和位置;最后,根据是否达到迭代次数循环上述步骤;其中,粒子群算法的速度和位置更新公式如下:Ve(t+1)=wVe(t)+c1R1(pbest-Se(t))+c2R2(gbest-Se(t)) (9)Se(t+1)=Se(t)+Ve(t+1) (10)

其中,Ve(t)为第e个粒子在t时刻的速度,Se(t)为第e个粒子在第t时刻的位置,pbest保存该粒子的历史最优位置,gbest保存全局所有粒子的最优位置,w为惯性权值,c1和c2为加速因子,R1和R2取[0,1]随机数,粒子在一维空间进行搜索,设置粒子数和最大迭代次数,位置和速度分别限制在区间[0,1]、[-0.2,0.2],适应度函数为模型的识别率;训练过后获得特征融合最佳权重z1和z2,保存最佳分类模型。