一種基于稀疏雙向二維局部判別投影的掌紋圖像識別方法
【專利摘要】本發明涉及一種基于稀疏雙向二維局部判別投影的掌紋圖像識別方法，其基于給定掌紋圖像樣本集的雙向計算與稀疏化處理來構造投影空間矩陣,進而用于掌紋圖像識別。首先，采用稀疏二維局部判別投影從行方向來構造行方向投影矩陣；其次，采用可選的稀疏二維局部判別投影從列方向來構造列方向投影矩陣；然后，基于計算的行方向投影矩陣和列方向投影矩陣對掌紋樣本圖像同時進行雙向投影，得到低維子空間的掌紋特征矩陣；最后，在特征匹配階段采用最近鄰分類器對低維掌紋特征矩陣進行分類。本發明對二維掌紋圖像分別從行和列兩個方向進行維數約減，同時引入稀疏限制，可實現行、列兩個方向的信息互補，能夠加快識別速度。
【專利說明】
一種基于稀疏雙向二維局部判別投影的掌紋圖像識別方法
技術領域
[0001] 本發明涉及掌紋圖像識別領域，具體涉及一種基于稀疏雙向二維局部判別投影的 掌紋圖像識別方法。
【背景技術】
[0002] 傳統的子空間降維方法中，如PCA、LDA、ICA等方法都假定樣本滿足高斯分布并各 變量是獨立的，同時這些經典的維數約簡方法研究的是圖像的全局線性結構。而現實生活 中，隨著科技的發展，采集到的圖像數據大多都呈現高維特性，然而高維數據的分布往往極 其復雜，全局性并不能反映數據的本質屬性。研究人員發現掌紋圖像中很可能存在一個低 維的非線性流形結構，而傳統的子空間降維方法學習不出這些數據的非線性結構，這樣在 圖像識別中，必然影響識別率。近幾年發展起來的流形學習方法，將數據從高維空間映射到 低維空間，既降低了數據的維數，又保持了樣本數據的拓撲結構。這類經典的方法有局部保 持投影(LPP)、局部判別保持投影(LDP)等，但是這類方法都首先是將二維圖像矩陣轉化為 一維的向量，而轉化得到的向量維數很高，同時失去了圖像本身的結構特性，也會出現小樣 本問題。
[0003] 為解決上述問題，受二維主成分分析（2DPCA)和二維線性判別分析（2DLDA)的啟 發，研究者對二維局部保持投影進行了研究，具體有二維局部保持投影(2DLPP)方法，二維 判別保持局部投影(2D-DLPP)。然而相比于LPP和DLPP，和許多二維維數約減方法一樣，2D-DLPP不足之處依然是需要更多的系數來對圖像進行表示。如果在2D-DLPP中加入PCA再次降 維，可能會影響到圖像的結構和識別性能。有研究表明基于圖像矩陣的掌紋識別方法本質 上都是對圖像做行方向上的維數約減，從而使圖像行方向特征去相關，但列方向的特征仍 是相關的，所以識別率不高、不穩定。而且二維投影提取的特征為矩陣，維數較高，導致計算 量大。針對這些問題，具體方法有雙向二維主成分分析（（2D) 2PCA)，雙向二維線性判別分析 ((2D)2LDA)和雙向二維局部保持投影（（2D) 2LPP)。雙向投影方法在行和列兩個方向進行維 數約減，使提取的特征維數大大減少，使掌紋圖像特征同時在行和列這兩個方向去相關，實 現信息互補，能取得較好的識別效果。然而這些方法獲取的特征不能反映出模式樣本的特 征結構與分布描述，也不能獲取特征層面上的解釋，不知道哪些特征變量在數據中起到最 重要的作用。

【發明內容】

[0004] 鑒于以上缺陷，本發明提出了一種稀疏雙向二維局部判別投影(S(2D)2LDP)方法， 分別對二維掌紋圖像進行行和列維數約減，實現行和列兩個方向的信息互補，同時加入稀 疏限制，合理解釋降維結果，有效揭示了掌紋圖像數據的內在結構，從語義層面上直觀的解 釋二維掌紋圖像，加快了識別速度。
[0005] 為實現上述目的，本發明采用的技術方案按以下步驟：
[0006] 步驟1:采用稀疏二維局部判別投影(S2DLDP)從行方向構造行方向投影矩陣；
[0007] 步驟2:采用可選的稀疏二維局部判別投影(AS2DLDP)從列方向構造列方向投影矩 陣；
[0008] 步驟3:基于步驟1和步驟2計算出的行方向投影矩陣和列方向投影矩陣對掌紋樣 本圖像同時進行雙向投影，得到低維子空間的掌紋特征矩陣；
[0009] 步驟4:對步驟3得到的低維子空間特征矩陣使用最近鄰分類器方法，得到與待識 別樣本的分類結果。
[0010] 其中，步驟1和步驟2包括以下具體步驟：
[0011] (1)樣本圖像大小為mXn維，N表示訓練樣本總數，C表示訓練樣本總類別數，m為 第i類訓練樣本的個數，即3
[0012] (2)對訓練圖像數據集中的所有圖像，求出行方向的局部類間與局部類內相似性 矩陣H$PH W:
[0013]
[0014] 其中，u i表示第i類樣本的均值，u表示所有樣本圖像的均值， < (/ = 1,2,〇 1.2,…./?,.)表示第i類中的第j個樣本。
[0015] ⑶求出列方向的局部類間與局部類內相似性矩陣
[0016]
[0017] (4)根據公式L = D_W分別求出行和列方向對應的拉普拉斯矩陣4、Μ和 忒、#，其中：
[0020] 表示數據間相似度，表示數據間差異度，D為對角矩陣，其對角線上的元素為
[0018]
[0019] 矩陣W上各行和各列元素之和，即有,Nk(x〇表示與~最近鄰的前k個 1. 數據點。
[0021] (5)分別計算出1>=^士>和1^=41；>的最大特征值所對應的特征向量。
[0022] (6)利用Elastic Net回歸的二維拓展式：
[0023]
[0024] 分別計算出行和列方向的最優稀疏投影矩陣為Ω =( φ2, . . .，（Jm)和 3 二(乃，,]，…，％)。
[0025] 步驟3和步驟4包括以下具體步驟：
[0026] (1)將二維掌紋圖像同時投影到行和列方向的最優稀疏投影矩陣Ω和3所表示的 空間中，得到低維子空間的掌紋特征矩陣Y:
[0027]
[0028] (2)根據(1)得到的訓練樣本特征矩陣Ctr(tr = l，2,. . .，N)和測試樣本特征矩陣C， 用最近鄰分類器進行分類識別：
[0029]
[0030] 其中，1和d分別是樣本圖像在低維子空間中行和列方向的維數。
[0031] 本發明的有益效果：本發明在雙向二維局部判別投影（（2D)2LDP)方法基礎上，弓丨 入稀疏限制，并對二維圖像矩陣進行行和列維數約減，使提取的稀疏特征實現行和列兩個 方向的信息互補，在合理解釋降維結果的同時，能夠有效揭示圖像數據內在結構，節省處理 時間與儲存空間，得到較高的識別精度。
【附圖說明】
[0032]以下結合附圖和【具體實施方式】對本發明作進一步詳細說明 [0033]圖1為S(2D)2LDP方法流程示意圖；
[0034] 圖2為(2D) 2LDP和S (2D) 2LDP方法識別率的比較；
【具體實施方式】
[0035]參見圖1，為實現本發明的掌紋圖像雙向降維與有效識別目的：首先，獲取掌紋圖 像樣本集，并分別計算出行方向和列方向上的類內散度矩陣、類間散度矩陣;其次，分別計 算出這兩個方向最優稀疏投影矩陣;然后，使用行和列方向這兩個稀疏投影矩陣將樣本圖 像進行雙向投影，得到低維子空間掌紋特征矩陣;最后，用最近鄰分類器進行分類計算得出 識別率。
[0036]以下結合實施例和附圖對本發明做詳細的說明：
[0037]本發明實驗數據來自于香港理工大學的PolyU掌紋數據庫，實驗數據庫包含100個 人的1000幅掌紋圖像，每張尺寸大小為128X128像素，實驗選取每人其中的3幅圖像作為訓 練樣本，其余作為測試，以下為具體過程：
[0038]步驟一:獲取PolyU掌紋圖像庫中訓練樣本圖像集，訓練樣本數分別為N = 300(共 1000幅掌紋圖像），訓練樣本總類別數為C=100(共100個不同的人），每類中第i類訓練樣本 的個數為m (取m =
[0039] 1、對訓練圖像數據集中的所有圖像，求出行方向的局部類間與行方向的局部類內 相似性矩陣H%H W:
[0040]
[0041] 其中，m表示第i類樣本的均值(共 100類，Ui=187.315，176.36，· · ·，181.76)，u = 180.82表示所有樣本圖像的均值，= 1備;/=1，2,...,10)表示第i類中的第j個樣 本。
[0042] 2、求出列方向的局部類間與列方向的局部類內相似性矩陣V$PVW:
[0043]
[0044] 3、根據公式L = D_W分別求出水平和垂直方向對應的拉普拉斯矩陣鋱、￡【和 忒、；，其中，
[0045]
[0046]
[0047] %表示數據間相似度，表示數據間差異度，D為對角矩陣，其對角線上的元素 為矩陣W上各行和各列元素之和，即有
>Nk(xJ表示與^最近鄰的前k ； ' ). (此時，k = 4)個數據點。
[0048] 步驟二:分別計算出總供=和= AL'>的最大特征值所對應的特征向量Zh 和Zv;
[0049] 1、隨機產生1和d個向量(取1 = 14和d = 14時，實驗結果最好），并分別把他們相互 垂直化處理，記為hi，h2, . . .，hi和vi，V2, . . .，Vd;
[0050] 2、分別計算父=忑 ?/;,(，= V2,·..,/)和夂=Z,. ? v:/(./ = U，'…cl)；
[0051] 步驟三：利用公式
> 分別計算行和 列方向的稀疏投影矩陣為〇=(巾1,(})2，...，巾14)和3 = 〇1，/2,...；^);
[0052] 部分行方向和列方向的最優向量集如下：
[0053] Φ 1=(0,0,0,-0.3432,0,0,0,0,0,0,0,0,0.3056,...)τ
[0054] (62=(0,-0.6053,0,0,0,0.4849,0,0,0,0,0,0,0,. . . )τ
[0055] Φ3=(0，-0·8192,0.2426,0,0,0.5122，0,0,0,0,0，·· ·）τ
[0056] .......
[0057] γ 1=(-0.2317,0,0,0,0,0,0,0,0,0,0,0,0,0,-0.5788,0,0,0,. . . )τ
[0058] γ2=(0,0,0,0,0,0,-0.7905,0,0.3006,0,0,0,0,0,0,0,0,0,0,. . . )τ
[0059] γ 3=(0,0.0615,0,0,0,0,-0.8274,0,0,0,0,0,0,0,0,0,0,0,0,. . . )τ
[0060] ......
[0061]步驟四：將二維掌紋圖像同時投影到步驟三求出的行和列兩個方向上的最優投影 矩陣Ω和3所表示的投影空間中：
[0062]
[0063] 上式X是128X128維的樣本圖像，Y為圖像樣本經過稀疏雙向降維后得到的14X14 維特征圖像。
[0064] 步驟五、用最近鄰分類器實現對以上四個步驟中降維得到的14X14維特征圖像的 分類，并統計出方法獲得的識別率，識別結果見附圖2。
[0065]根據以上步驟，本發明比較了 S(2D)2LDP方法和(2D)2LDP方法，從圖2中可以看出本 發明提出的方法在識別和降維效果上明顯優于（2D)2LDP方法，當維數為14X14時，S(2D) 2LDP方法的識別率達到最優為99.4 %。
[0066]綜上所述，本發明提出的S(2D)2LDP方法對給定的掌紋圖像數據有很好的識別效 果，具有很強的魯棒性。分別對二維掌紋圖像從行和列兩個方向進行維數約減，實現行、列 兩個方向的信息互補，同時引入稀疏限制，使提取的特征更有利于識別，加快識別速度。本 發明減少了計算復雜度，使提取的稀疏特征能從語義層面上直觀的解釋二維圖像，易于在 實際系統中使用。
[0067]以上所述，僅為本發明較佳的【具體實施方式】，但本發明的保護范圍并不局限于此， 任何熟悉本技術領域的技術人員在本發明披露的技術范圍內，根據本發明的技術方案及其 發明構思加以等同替換或改變，都應涵蓋在本發明的保護范圍內。
【主權項】
1. 一種基于稀疏雙向二維局部判別投影的掌紋圖像識別方法，其特征在于:其包括W 下步驟： 步驟1:采用稀疏二維局部判別投影(S2DLDP)從行方向構造行方向投影矩陣； 步驟2:采用可選的稀疏二維局部判別投影(AS2DLDP)從列方向構造列方向投影矩陣； 步驟3:基于步驟1計算的行方向投影矩陣和步驟2計算的列方向投影矩陣對掌紋樣本 圖像同時進行雙向投影，得到低維子空間的掌紋特征矩陣； 步驟4:對步驟3得到的低維子空間的掌紋特征矩陣使用最近鄰分類器方法，得到與待 識別樣本的分類結果。2. 根據權利要求1所述的一種基于稀疏雙向二維局部判別投影的掌紋圖像識別方法， 其特征在于:步驟1和步驟2中構造行和列方向投影矩陣的主要步驟是根據方法模型：其中，X表示大小為mXn的樣本圖像，χτ是X的轉置;Lb和17分別表示類間和類內拉普拉 斯矩陣，Im表示是秩為m的單位矩陣，@表示Kronecher運算，??是特征方程對應于特征值λ的 特征向量，（'(^/^9)表示特征向量^?^的非零元素個數，1(是不大于圖像矩陣維數大小的正數； 利用Elastic Net回歸的二維拓展式：求出行方向最優稀疏投影矩陣Ω = (Φ?，Φ2，...，Φ 1)和列方向最優稀疏投影矩陣3 =如朽，…，frf);其中，曰>〇，0>〇, I · I為 絕對值號，N表示訓練樣本總數，Xi化，：）為圖像矩陣Xi的第h行，y功特征方程對應特征向量 y的第i個元素，式和六分別表示Φ和丫的第j個元素。3. 根據權利要求2所述的一種基于稀疏雙向二維局部判別投影的掌紋圖像識別方法， 其特征在于:步驟3為按F = 進行雙向投影，得到訓練樣本特征矩陣Ctr和測試樣本特 征矩陣C;其中，Ctr和C都是lXd(l《l<m，l《d<n)維特征矩陣。
【文檔編號】G06K9/00GK105975940SQ201610298521
【公開日】2016年9月28日
【申請日】2016年5月9日
【發明人】張建新, 劉利剛, 張強
【申請人】大連大學