一种手骨身份识别系统

暂无

一种手骨身份识别系统\n技术领域\n[0001] 本发明涉及信息安全技术领域，特别涉及一种手骨的身份识别系统。\n背景技术\n[0002] 在信息化高度发展的当今社会，如何准确识别一个人的身份，保护信息安全是当今信息时代必须解决的一个关键社会问题，这就需要身份识别系统。身份识别系统已经被应用到各行各业，并且得到越来越广泛的使用。据研究报道，越是容易获取的生物特征，遭到人为恶意攻击的可能性就越大。到目前为止，指纹、人脸、声音、掌纹、步态和耳廓识别方法都存在弱点，对人为的修饰和伪装难以识别。手骨识别作为一种新的身份识别方法，目的是以手骨X光片作为身份识别的依据，使“造假者”难于伪装和修饰，提高身份识别的正确率。\n[0003] 但是，目前使用手掌骨骼X线片主要被用来研究骨龄的评估问题，被应用在身份识别问题的研究还没有。因此，这个发明本身在身份识别方式上就是一种创新。\n发明内容\n[0004] 本发明的目的在于提供一种用于准确识别个人身份的识别系统。\n[0005] 本发明的目的是这样实现的：\n[0006] 一种手骨身份识别系统，包括采集模块，预处理模块，特征提取模块，手骨数据库，特征识别模块，采集模块采集手骨x光图像传送给预处理模块；预处理模块对手骨图像进行形态学计算、灰度变换、直方图均衡化、图像平滑和图像的归一化处理，并将处理后的图像传送给特征提取模块；特征提取模块提取手骨图像中的手骨轮廓，根据手骨轮廓图像计算手骨轮廓特征值；特征识别模块对手骨数据库中预先采集的手骨图像及其特征值进行聚类和分类，根据特征提取模块提供的手骨轮廓特征值对待识别的手骨图像进行识别。\n[0007] 提取手骨图像中的手骨轮廓采用适合手骨凸凹轮廓特征的Harris角点检测和Snake模型提取手骨轮廓特征。\n[0008] 根据手骨轮廓图像计算特征值，通过计算手骨轮廓图像的小波矩函数，得出特征值。\n[0009] 手骨数据库对预先采集的手骨图像进行聚类，通过手骨数据库的支持向量机进行分类训练。\n[0010] 特征识别模块将手骨轮廓图像的特征值作为输入，输入到数据库中经过训练的支持向量机中，由数据库的支持向量机分类器进行识别。\n[0011] 本发明的有益效果在于：\n[0012] 本发明具有识别数据不容易伪装，进而识别准确性高的优点；因为手骨身份识别的数据是通过X光机拍摄的X光手骨图片，和现有的指纹、人脸、声音、掌纹、步态和耳廓识别方法数据相比，手骨数据的伪装要改变骨骼，因而要困难很多。此外，手骨身份识别还具有良好的可扩展性，既可以单独作为一个实用的身份识别系统，也可对其它身份识别系统进行有益地补充。\n附图说明\n[0013] 图1为手骨身份识别系统的工作流程图；\n[0014] 图2为预先建立手骨图像数据库的流程图；\n[0015] 图3为对待识别的手骨图像进行分类识别的流程图；\n[0016] 图4为手骨身份识别系统的结构图。\n具体实施方式\n[0017] 下面结合附图对本发明做进一步描述：\n[0018] 图1示出了一个实施例中的手骨身份识别系统，包括以下步骤：\n[0019] 在步骤S01中，采集模块采集手骨x光图像。本实施例中，由于手骨作为人体骨骼的一部分，具有唯一性，并且不容易受到破坏和模仿，因此可以利用手骨的x光图像进行身份识别，可提高身份识别的正确率。在一个具体的实施例中，可以通过便携式x光机对手骨进行图像采集。\n[0020] 在步骤S02中，预处理模块对手骨图像进行预处理。本实施例中，对手骨图像进行预处理，包括以下步骤：对采集到的手骨x光图像进行去噪、均衡、归一化处理。具体操作包括形态学计算、灰度变换、直方图均衡化、图像平滑和图像的归一化等。\n[0021] 在步骤S03中，特征提取模块对手骨图像进行轮廓提取。本实施例中，采用适合手骨凸凹轮廓特征的Harris角点检测和Snake模型提取手骨轮廓。首先通过计算角点，提取出初始轮廓的大概位置，并使用此位置作为Snake模型的初始轮廓，经过Snake模型的不断迭代计算，最终使手骨轮廓较为完整的被提取出来。\n[0022] 在步骤S04中，特征提取模块计算手骨轮廓图像的特征值。本实施例中，通过计算公式1定义的小波矩得到图像的特征值：\n[0023] Wm，n，q＝∫Sq(r)ψm，n(r)dr (1)[0024] 其中，Sq(r)＝∫f(r,θ)e-jqθdθ，ψm，n(r)＝2m/2ψ(2mr-n)为二进小波函数，m-1\nψ(r)为小波母函数，m＝0,1,2,3,…；n＝0,1,2,…,2 ；q＝0,1,2,3。f(r,θ)表示极-jqθ\n坐标上的二维二值图像，e 是变换核的角度分量。n代表小波函数在x轴上的位置，m决定了小波函数的宽度，即沿x轴的宽或窄的程度。\n[0025] 在众多的小波基函数中，三次B样条小波常常用于小波分析的应用，三次B样条小波在空间-频率局部性近似最优，它的函数不仅逼近Gabor基本函数，而且还具有小波变换的多尺度特性。此外，三次B样条小波也是紧支的，即它只在有限集中取非零值。B样条小波是以牺牲小波基函数的正交性来换取紧支集的。本实例中的小波矩就是采用它作为母小波构造的。具有如下形式：\n[0026] \n[0027] 其中，n＝3，α＝0.697066，f0＝0.409177， n:B样条小波阶数、α:合理度量常数、f0:调制参数、 分散度参数。\n[0028] 在步骤S05中，特征识别模块比较手骨图像特征值是否与手骨数据库中的模板匹配。本实例中，将待识别个人图像依次进行图像预处理和特征提取等操作计算出图像的特征后，将其输入到SVM分类器进行识别，根据SVM分类器得到的所属类别查询出所有该类别下的样本特征，执行身份匹配算法，对最匹配的结果进行信息的显示。进行身份识别时，已有的数据信息包括：各个已知的样本所属的聚类所属类别、SVM的分类参数等信息。识别的主要思想是首先将待识别的个人特征输入分类器中，寻找其所属类，最后再和所属类别中的所有样本进行比对，以最近邻匹配为原则进行身份识别。\n[0029] 在步骤S06中，特征识别模块提取最相似模板作为识别结果。本实例中，若在步骤S05中，待识别手骨图像特征值与数据库中的某一模板匹配，则将该匹配模板为最相似模板，作为识别结果。\n[0030] 如图2所示，上述身份识别方法中，还需要预先建立手骨图像数据库，因此在比较手骨图像特征值是否与数据库中的模板匹配的步骤之前还包括以下步骤：\n[0031] 步骤S11，预先采集手骨x光图像。本实例中，身份识别之前，需要预先采集需要进行身份识别的用户的手骨x光图像。\n[0032] 步骤S12，对手骨图像进行预处理。本实施例中，对预先采集的手骨图像进行预处理，包括以下步骤：对采集到的手骨x光图像进行去噪、均衡、归一化处理。\n[0033] 步骤S13，对手骨图像进行轮廓提取。本实施例中，采用适合手骨凸凹轮廓特征的Harris角点检测和Snake模型提取手骨轮廓。\n[0034] 步骤S14，计算手骨轮廓图像的特征值。本实施例中，计算手骨轮廓图像的小波矩做为手骨轮廓图像的特征值。\n[0035] 步骤S15，将手骨图像及其特征值存入数据库中。本实施例中，将手骨图像及其对应的特征值存储在xml文件中。\n[0036] 步骤S16，进行SVM训练。本实施例中，对待识别手骨图像进行分类识别时，使用支持向量机(SVM)进行分类操作，在使用SVM进行分类之前，需要对SVM进行训练。在经过SVM训练之后，SVM中就保存了对手骨图像进行分类的函数。\n[0037] 上述身份识别方法中，在比较手骨图像特征值是否与数据库中的模板匹配的步骤中，需要通过SVM对其进行分类识别。如图3所示，为一个实施例中对待识别的手骨图像进行分类识别的流程，包括以下步骤：\n[0038] 步骤S31，输入经过处理的手骨图像。本实施例中，经过上述身份识别方法中，对手骨图像进行一系列的处理后，将其作为SVM的输入。\n[0039] 步骤S32，执行SVM识别。本实施例中，当输入经过处理的待识别的手骨图像后，将其特征值做为SVM的输入，计算在该特征值下的分类函数，得到分类结果。\n[0040] 步骤S33，执行身份匹配操作。本实施例中，根据SVM的分类结果，将该特征值与数据库中的所有模板进行匹配，若两者的误差在可接受的范围内，则该特征值与其中的某一模板匹配，反之，则该特征值不与数据库中的任何模板匹配。\n[0041] 步骤S34，查找数据库并返回识别结果。本实施例中，若待识别的手骨图像与数据库中的某一模板匹配，则在数据库中查找该模板对应的用户信息，并将其作为识别结果进行返回。\n[0042] 图4为一个实施例中手骨身份识别系统的结构图。该实施例采用三层分级的体系结构，由下至上分别为数据层、逻辑层和应用层。数据层包含数据库管理和数据库访问接口两个部分组成。数据访问接口模块主要负责向业务逻辑层提供数据库的支持，包括数据的查询、修改、删除等操作，但却隐藏了具体的数据库类型和具体实现细节。数据库管理模块负责对某个具体数据库的进行数据操作，每一种数据库需要实现一个数据库管理模块。逻辑层主要是对业务的处理实现，主要包括图像预处理、特征提取、聚类和分类识别等功能的实现。应用层负责给所有功能模块提供各种各样的功能接口，方便人机交互。各层之间采用接口方法，降低系统的各功能模块间的耦合性并提高系统的可扩展性，为系统的维护和升级提供良好的底层支持。