[发明专利]一种基于局部相似性保持特征表示的掌纹识别方法

说明书

本发明提出了一种基于局部相似性保持特征表示的掌纹识别方法。该方法首先将待识别样本表示成全体训练样本的线性组合，同时考虑了样本的邻域信息，在建立特征表示模型时，其假定同属于待识别样本近邻的两个样本的重构系数接近；其次，将待识别样本与其邻域样本的重构误差作为权重参数进一步对重构系数施加约束，从而增强所提方法的特征表达能力；最后，根据待识别样本在每类中的重构误差判断待识别样本的类别。本发明识别准确率高，可靠性佳。

技术领域

本发明提出了一种基于局部相似性保持特征表示的掌纹识别方法，属于图像识别技术领域。

背景技术

近年来随着新冠疫情的影响，关于疫情中高危地区人员的管控已成为当前社会安全重点关注的一方面，因此如何快速准确地识别出相关人员的身份是当前迫切需要解决的问题之一。掌纹是人类与生俱来的一种生物特征，使用掌纹识别作为安全监控的一种手段，具有友好、方便、准确率高等特点。由于疫情的影响，佩戴口罩已成为当前人们生活的一种常态，这显然给基于其它生物特征识别技术(典型的如人脸识别)的身份确认带来困难，而掌纹识别一般无遮挡，因此使用掌纹识别进行身份确认准确率更高。

现有技术中有不少应用于掌纹识别的图像识别方法，但均具有缺陷。基于特征表示模型的分类算法是当前使用较广泛的一种图像识别方法，如Wright等人2009年提出了稀疏表示分类器(SRC)，该方法将压缩感知理论引入图像识别中，能有效处理噪声对图像识别的影响，然而SRC需基于L₁范数最优化问题求解特征表示系数，计算速度较缓慢，这显然对于大规模的图像识别较不利。Zhang等人提出了协同表示分类器(CRC)，该方法假设待识别样本可由全体训练样本重构表示而成，其基于L₂范数求解最优化问题，相较于SRC，识别率相近但计算速度却快得多，但该模型中未充分利用图像邻域信息。针对该问题，Huang等人提出了局部均值表示分类器(LMRC)并用于掌纹识别，该方法首先计算待识别样本在每类中的均值，然后将计算出的所有类均值构建字典表示待识别样本，最后根据最大相似性准则判断待识别样本的类别。LMRC考虑了邻域样本的相似信息，但是所采用的字典较小并不能充分利用所有样本信息，尤其当训练样本较少时，此方法识别率可能并不可靠。

发明内容

为解决上述问题，本发明提出了一种基于局部相似性保持特征表示的掌纹识别方法。该方法首先将待识别样本表示成全体训练样本的线性组合，同时考虑了样本的邻域信息，在建立特征表示模型时，其假定同属于待识别样本近邻的两个样本的重构系数接近；其次，将待识别样本与其邻域样本的重构误差作为权重参数进一步对重构系数施加约束，从而增强所提方法的特征表达能力；最后，根据待识别样本在每类中的重构误差判别待识别样本的类别。

为了达到上述目的，本发明提供如下技术方案：

一种基于局部相似性保持特征表示的掌纹识别方法，包括如下步骤：

步骤1，构建训练样本集与待识别样本；

步骤2，对全体训练样本及待识别样本进行模为1的归一化操作；

步骤3，将待识别样本表示成全体训练样本的线性组合；

步骤4，在训练集中搜索待识别样本的k个近邻样本，构造全体邻域约束矩阵W，利用样本的邻域信息对重构系数施加约束；

步骤5，根据待识别样本与其邻域样本的重构误差计算权重参数，进一步对重构系数施加约束；

步骤6，构建特征表示方程，并根据拉格朗日乘子法求解表示系数；

步骤7，根据待识别样本在每类中的重构误差判断待识别样本的类别。

进一步的，所述步骤1具体包括如下过程：