申请/专利权人：北京工业大学

申请日：2023-12-08

公开（公告）日：2024-04-30

公开（公告）号：CN117953547A

主分类号：G06V40/12

分类号：G06V40/12;G06V10/25;G06V10/764;G06V10/774;G06F17/16;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：一种基于鲁棒稀疏最小二乘回归的手指静脉识别方法涉及模式识别和图像处理技术领域。该方法包括如下步骤：图像预处理、特征降维、鲁棒稀疏最小二乘回归模型构建、最优化问题求解、特征匹配、手指静脉识别。现有算法存在两个主要缺陷：1大多方法很大程度上依赖于大量的先验知识，容易受噪声和不同图像质量的影响；2计算成本较高，计算速度慢。本发明可以有效提高手指静脉识别的识别准确率和识别效率，同时具有较强的自适应性和泛化性。因此，本发明具有一定的应用价值和意义。

主权项：1.一种基于鲁棒稀疏最小二乘回归的手指静脉识别方法，其特征在于，包括以下步骤：步骤100、对所有原始采集的手指静脉图像进行感兴趣区域ROI提取，获得手指静脉ROI图像，然后对手指静脉ROI图像进行归一化处理，从而实现图像预处理；步骤200、利用主成分分析对上述所有归一化处理后的手指静脉ROI图像进行特征降维，保存原始数据98％的信息，作为输入数据集；步骤300、将输入数据集随机地分为训练集和测试集；在训练阶段，已知训练数据的样本标签，利用训练数据和该样本标签建立一个噪声分解模型和一个最小二乘回归模型，分别得到噪声分解模型和最小二乘回归模型的目标函数；通过将噪声分解模型和回归模型集成到一个统一的特征学习模型RSLSR中，构建新的目标函数，旨在自适应地学习一个映射矩阵，将训练数据转换为数据对应的标签，将在子空间中的特征学习问题转化为求解RSLSR模型的最优化问题；步骤400、利用交替向乘子法ADMM求解上述鲁棒稀疏最小二乘回归模型的优化问题，通过迭代更新所有变量，直至模型收敛或达到预先设定的最大迭代次数，输出最优映射矩阵；步骤500、在测试阶段，利用上述学习到的映射矩阵将训练集数据和测试集数据分别投影为稀疏判别的映射特征，得到训练集数据和测试集数据上的映射特征；步骤600、通过计算训练集和测试集映射后特征之间的欧氏距离，利用最近邻分类器对手指静脉图像的类别进行分类，进一步进行手指静脉识别；步骤700、重复步骤300到步骤600的操作十次，得到十次的识别准确率，计算平均识别准确率。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于鲁棒稀疏最小二乘回归的手指静脉识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD