(一)技术领域

本发明涉及计算机处理领域，具体涉及基于决策级融合的生物特征身份识别技术领域。

(二)背景技术

在现代社会中，随着计算机及网络技术的高速发展，信息安全显示出前所未有的重要性。 身份鉴定是保证系统安全的必要前提，在金融、国家安全、司法、电子商务、电子政务等应 用领域，都需要准确的身份鉴定。如某人是否有权进入安全区域(安全系统)，是否有权进行 特定交易，是否是本国居民，为了安全在公司计算机网络和因特网上单独设置口令或密钥进 行保护等。当前，用于个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡、计算机标 志卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失，或者由于使用过多 或不当而损坏、不可读和密码易被破解等诸多问题。因此，目前广泛使用的依靠证件、个人 识别号码(Personal Identification Number，NN)、口令等传统方法来确认个人身份的技术面临 着严峻的挑战，并显得越来越不适应现代科技的发展和社会的进步。

人们希望有一种更加方便可靠的办法来进行身份鉴定。生物特征识别技术给这一切带来 可能。人们可能会遗忘或丢失他们的卡片或忘记密码，但是人们却不可能遗忘或者丢失自己 的生物特征如人脸、指纹、虹膜、掌纹等。生物测定学(biometrics)是通过利用个体特有的生 理和行为特征来进行身份识别和(或)个体验证的一门科学。因此基于生物特征识别技术的个 人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进 入我们社会生活的各个领域，迎接新时代的挑战。

生物特征识别技术可分为基于生理特征的生物识别技术和基于行为特征的生物识别技 术。

基于生物特征的自动识别系统都有大体相同的工作原理和工作过程。首先是采集样本， 这些样本可以是人脸的图像，或者是声音的数字化描述、或者是指纹等；其次是进行特征提 取，根据样本所具有的独特和唯一的特征，用一种算法为其分配一个特征代码，这一代码被 存人数据库。最后当需要对某人进行身份鉴定时，再用某种特征匹配算法将存人数据库的此 人的特征代码与被识别人的特征相匹配，从而查明其身份。

医学研究以及最近国际上对手背静脉识别的研究表明所有人的静脉几乎都不一样，即使 双胞胎的静脉也不一样，这一点类似于指纹；

指纹是目前用得最广的生物认证方式，但是却存在一定的隐忧。其最大的隐忧就是容易 复制造假，因为指纹是身体外层的特征，不法分子容易取得指纹的印迹。另外，指纹识别系 统是采用光学玻璃或塑料棱镜读取指纹图，在手指与指纹采集器之间要克服许多技术问题。 如：人突然失去可用指纹，指纹被外界如过湿，过干的物质覆盖。当指纹过湿，指纹图像会 破损或模糊，这样成功比对的可能性就会降低。另外这种接触式的采集仪器是不卫生的。

静脉就可以克服这些缺点，对于静脉识别系统，就减少了受外界物质的影响程度，即使 有轻微的湿气，系统识别也不会受影响。在有小伤痕或墨迹或标记时，静脉识别系统将不会 受影响。静脉具有很高的防伪性，是不可伪造的；而且手背静脉识别是非接触式的，不接触 人体，不会对人体造成侵犯。因此研究静脉识别是非常有前途的。

(1)国内静脉识别研究动态

至今为止，国内仅发现清华大学精密仪器与机械学系研究过这一课题，仅有一篇清华大 学学报的文章是写手背血管图像的特征提取以及匹配。清华大学精密测试技术及仪器国家重 点实验室利用自行设计的近红外血管图像采集仪提取血管造影的原始图像，对采集到的图像 做归一化、增强、二值化、滤波、细化等一系列处理，随后进行特征提取和特征匹配算法的 研究。文献给出了65个小范围样本的匹配实验结果，在拒真率为4.6％条件下，误识率为0。

(2)国外静脉识别研究动态

外国的公司研究的比较早，韩国NEXTERN公司自1998年以来分别研制出了4套手背 静脉识别系统的产品BK100、BK200、BK300、BK500，前3套已经陆续投入使用，BK系列 产品已经是非常成熟的产品。BK300系统利用红外线采集手掌静脉血管分布图，采用1∶1的 识别方式，采集比对响应时间为1秒，脱机独立工作。

日本日立制作所近日开发出使用太阳光的手指静脉识别装置，通过手指静脉的形状确认 本人，用于汽车门和住宅大门，可有效防盗。日本富士通公司发布了由他们开发研制的可以 通过人手静脉进行认证的新型鼠标。这种鼠标在手掌部分安装了特殊的红外装置，通过它来 照射人手并接收返回的信息进行静脉认证。由于人手的静脉特征是非常独特的，左右手的静 脉特征也互不相同，从胎儿长后就不会改变，因此这种静脉认证的可靠性是有保证的富士通 打算将这种认证技术在更多的需要人身份辨别的领域推广，在他们进行的700人次的试验中， 这项技术的认证成功率为100％，富士通表示，他们的技术可以将认证的错误率控制在0.5％ 以下，并将在明年将这项技术产品化推向市场。

(三)发明内容

本发明的目的在于提供一种基于决策级融合的用于身份识别的手背静脉特征提取和匹配 方法。

本发明的技术方案是这样实现的：它是一种基于决策级融合的识别方法，包括以下步骤：

1、手背静脉的采集：

通过图像采集装置采集手背静脉图像；

2、图像的预处理：

2.1、静脉图像尺寸归一化：采用近邻法来处理；

2.2、静脉图像灰度归一化：对图像灰度进行预处理；

2.3、静脉图像的增强：采用直方图均衡方法处理；

2.4、图像的滤波与去噪：分割后的二值图像中的噪声分三种情况分别进行处理；

3、手背静脉的特征提取：

3.1、基于静脉几何结构的特征：

首先采取基于端点和交叉点的特征提取方法，统计出静脉图像的端点和交叉点，计算出 所有这些端点之间的距离与交叉点之间的距离，分别按照从小到大的顺序排列，进行匹配实 验；

3.2、基于特征矩的特征：将7个不变矩作为特征进行识别；

3.3、基于K-L压缩变换特征：利用K-L变换提取手背静脉的特征；

4、决策层融合：

采用基于决策级的结果融合方法，将由样本的不同特征与模式库的已知模型进行匹配， 得到匹配百分比；然后根据加权的方法进行融合；得出最后的识别结果。

本发明通过静脉采集专用装置采集手背静脉图像，然后对图像进行尺寸、灰度的归一化、 静脉图像的增强、基于静脉特征的阈值图像分割、图像的去噪、细化处理的预处理后，提取 基于静脉几何结构的特征、基于特征矩的特征及基于K-L压缩变换特征，最后针对提取到的 这些特征采用基于决策级融合的特征匹配方法来实现身份识别。本发明的特点有：针对指纹 识别等常见的生物认证技术的缺点，本发明提出了一种基于人体手背静脉特征的识别方法， 即将K-L变换、特征点、特征矩三种方法最后的识别结果进行加权分析，得出最后的匹配结 果。而且从实验结果看出，确实是提高了识别率。

(四)附图说明

图1是本发明图像采集装置的硬件结构图；

图2-4是第一类非单像素点示意图；

图5-7是第二类非单像素点示意图；

图8-9是消除第二类非单象素点的模版示意图；

图10-12是消除两类非单象素点后的效果示意图；

图13-16是四叉点情况示意图；

图17是融合方法示意图。

(五)具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明：

本发明手背静脉特征提取与匹配识别的方法，它是通过研制的静脉采集专用装置来采集 图像，然后对图像进行静脉图像的尺寸、灰度的归一化，静脉图像的增强，基于阈值图像的 图像分割，图像的去噪、细化处理等预处理后，提取基于静脉几何结构的特征、基于特征矩 的特征及基于K-L压缩变换特征，最后采用基于决策级融合的方法来对各种特征的识别结果 进行融合来给出识别结果。本发明方法含有以下步骤：

(1)手背静脉的采集

根据人体骨骼、肌肉组织的特点，当入射光波长在0.72～1.10μm时，能够较好地穿透骨 骼和肌肉，凸现出血管结构。该波波长范围属于近红外光线，根据中国国家医用红外检测光 源的有关规定，红外光强处于峰值时波长范围在0.8～1.5μm之间。我们就是利用这样的原理 来设计我们的采集图像采集装置的。静脉采集装置的框图如附图1：

(2)图像的预处理

针对采集到手背的静脉图像的预处理主要有以下几个步骤组成：

(2.1)静脉图像尺寸归一化

为了统一图像的大小，而且静脉图像的灰度突变并不明显，所以用近邻法来处理。

假设图像x轴方向缩放比率fx，y轴方向缩放比率fy，那么原图中点(x0，y0)对应于新 图中的点(x1，y1)的转换矩阵为：

$\left[\begin{array}{c}x1\\ y1\\ 1\end{array}\right]=\left[\begin{array}{ccc}\mathrm{fx}& 0& 0\\ 0& \mathrm{fy}& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}x0\\ y0\\ 1\end{array}\right]$

逆运算为：

$\left[\begin{array}{c}x0\\ y0\\ 1\end{array}\right]=\left[\begin{array}{ccc}1/\mathrm{fx}& 0& 0\\ 0& 1/\mathrm{fy}& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}x1\\ y1\\ 1\end{array}\right]$

例如：当fx＝fy＝0.5时，图像被缩到一半大小，此时缩小后图像中的(0，0)像素对应 于原图像中的(0，0)像素；(0，1)像素对应于原图像中的(0，2)像素；(1，0)像素对 应原图像中的(2，0)像素，依次类推。在原图基础上每行隔一个像素取一点，每隔一行进 行操作。同理，当fx＝fy＝2时，图形放大两倍，放大后图像中的(0，0)点像素对应于原图 像中的(0，0)像素；(0，1)像素对应于原图中的(0，0.5)像素，该像素不存在，可以近 似取为(0，0)或(0，1)像素；(0，2)像素对应于原图中的(0，1)像素，(1，0)像素 对应于原图中的(0.5，0)像素，可以近似取为(0，0)或(1，0)像素，以此类推。其实 是将原图每行中的像素取值一遍，然后每行重复一次。

(2.2)静脉图像灰度归一化

灰度归一化的目的是通过对图像灰度的预处理，在一定程度上除去不同光照条件对最终 识别的影响。

对于八位的灰度图像，有256个灰度级，但数字化后的原图像的实际灰度值范围往往没 有占满0～255的全部灰度级，而是集中在某一个或者几个区段，究竟哪几个区段主要与当时 拍摄时的光照有关，为了消除光照对识别的影响，我们也实验了这种灰度归一化的方法。对 光照进行归一化(如下式)。

y＝((x-min)*255)/(max-min)

式中：x——原图像灰度值

y——变换后的灰度值

min——原图像中的灰度最小值

max——原图像中的灰度最大值

(2.3)静脉图像的增强

直方图均衡是得到对比度增强的标准方法，它把灰度级范围调整到均匀分布，这种直方 图均匀分布的结果能使图像具有最大的信息熵。

直方图均衡的第一步是重新布局图像的直方图分布形式，然后用一个映射函数作用于原 始图像的灰度级值，原图像灰度级数值i与处理后灰度级数值gi的关系为

$g_i=\mathrm{Round}\left(\frac{m-1}{n_t}\underset{j=0}{\overset{i}{\Sigma }}{n}_{\mathrm{fj}}\right)$

式中：m为原始图像灰度级数；ni为像素总和；nfj为j灰度下图像f的像素总和；Round() 为四舍五入取整函数。

(2.4)静脉图像分割

通过针对适合于手背静脉的阈值分割算法，得到手背静脉的清晰的二值化图像。此技术 可采用目前通用的技术处理即可实现，这里就不细举。

(2.5)图像的滤波与去噪

分割后的二值图像中的噪声有以下三种：

(1)白色背景中存在黑色的孤立小区域，这里称之为斑点(spot)

(2)黑色前景中存在白色的孤立小区域，这里称之为孔洞(hole)；

(3)黑色图案的边缘存在微小的突起和凹陷，这里称之为毛刺(spur)。

针对于(1)和(2)两种噪声情况，本发明采取的方法是面积消除法。即计算每一块黑色背景 或白色背景，如果背景面积小于给定的面积，则是此块为噪声，将其去除。

针对情况(3)，将采取的方法是中值滤波法。中值滤波是一种非线性信号处理方法。它在 一定的条件下，可以克服线性滤波器如最小均方值滤波、平均值滤波(平滑滤波)等所带来的 图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。对于均值为零的正态分布噪 声输入，中值滤波输出的噪声方差。σ2 med近似为

${{\sigma }^2}_{\mathrm{med}}=\frac{1}{{4\mathrm{mf}}^2\stackrel{-}{\left(m\right)}}\approx \frac{{\sigma }^{2}i}{m+\frac{\pi }{2}-1}*\frac{\pi }{2}$

式中：σ2 i为输入噪声功率(方差)；m为中值滤波窗口长度(点数)； 为输入噪声均 值； 为输入噪声密度函数。由上式可以看出，中值滤波的输出与输入噪声的密度分布有 关。中值滤波对脉冲干扰来讲，特别是脉冲宽度小于m/2，相距较远的窄脉冲干扰，中值滤 波是很有效的。中值滤波对于高斯噪声也是非常有效的。中值滤波处理时把模板窗口中心位 置在图像上逐像素点移动做卷积运算。若当前窗口中心位于坐标(i，j)处，则滤波后的图像(i，j) 处的像素值为w(i，j)内所有B×H个像素的中值(由于B，H为奇数，所以中值一定存在)。

在程序的实现过程中，采用了一个3×3的不带权值的方形模板进行中值滤波。

(3)手背静脉的特征提取

选取稳定、典型的特征是手背静脉识别系统设计的核心，提取描述性强的特征能够有效 提高分类器的识别效率。在本发明中，我们提出了3种提取静脉图像特征的方法。

(3.1)基于静脉几何结构的特征

我们首先采取基于端点和交叉点的特征提取方法。一幅典型的细化后的静脉图像大约由 5-10个端点和若干个交叉点组成，最多也不会大于12个，统计出静脉图像的端点和交叉点， 计算出所有这些端点之间的距离与交叉点之间的距离，分别按照从小到大的顺序排列，大概 可以得出100多个距离，我们就用这100多个距离进行匹配实验。

(a)端点

本发明中首先进行端点的提取，对于细化后的图像(灰度为0或255的单像素图像)，端 点的提取比较简单，思路非常清晰：逐行扫描图像，首先找到第一个黑点f(x，y)(灰度为 0)，检查其周围八个相邻点中黑点的个数Nf，如果Nf＝l，则证明f点为端点，迭代整个图像， 直到整幅图像扫描完毕，找到所有端点。

(b)交叉点(三叉点与四叉点)

求三线交叉点的算法和求端点的算法类似，表面上只是要求该黑点周围八相邻点中黑点 的个数为3，那么如图2中的1、2、3、4分别所指出的点，它们周围黑点个数都是3，它们 是否都要按三叉点处理呢，又如图3中的点5和图4中的点6周围八相邻点中有4或5个黑 点，他们又该如何处理呢？这些都是在计算交叉点时需要考虑的问题。对于图2用模板法可 以把2点去掉，这一类干扰将被去掉，同时图3和图4所遇到的问题也就不复存在了，而转 变为第二类非单像素点的问题了。

对于第二类非单像素点，需要讨论一下三种情形，如图5-7所示：图中线1、2、4、5、6 所指出的点的周围八邻域中，都有3个黑点，但是有些是可以把它列为交叉点，但是有些却 是干扰点，还有线3所指出来的点，它周围有四个点，严格来说是四叉点。

对于这些点，靠其周围黑点的个数来区分是否为交叉点的方法已经不适应了，解决的方 法有两个，下面介绍对这两种方法分别介绍一下：

方法一：由于不能依靠其周围黑点个数来确定是否为交叉点，只能从更细节的地方入手， 就是观察其特点，通过其八邻域黑点与白点的特点来加以区分，线1、2、4、5、6所指出来 的点中有两个四邻域点一个八邻域点的情况，也有两个八邻域点一个四邻域点的情况，还有 三个四邻域点的情况以及三个八邻域点的情况(未画出)，三个四邻域点与三个八邻域点的情 况显然是交叉点，这种情况比较容易统计，下面看两个四邻域点一个八邻域点的情况，图5 中的线1所指的点和图7线5所指出的点，点5是交叉点而点1不是，区分的方法同样用模 板，如下图8、图9所示，图8交叉点示意图，图9是非交叉点示意图。

然后把两个模板依次旋转90°分别旋转四次，分别出来四种情况，这样就可以区分出两 个四邻域点一个八邻域点的情况中的交叉点与非交叉点。同理对于线4和6所指出的两个八 邻域点一个四邻域点的情况，也可以区分出来交叉点与非交叉点。而且对于线3所指的情况 将不再考虑(否则与2所指的点重复)。

方法二：应用删除第二类非单像素点的方法，对图像进行模板迭代，那么图5-7中的情 况就变成图10-12所示情况：

图10-12分别为删除第二类非单像素点的情形1、情形2和情形3的示意图，此时图中线 所指的点就不再产生歧义，线1和线4所指的点周围有两个点，排出在讨论范围之外，图11 中线3所指的点成为交叉点，与原来位于图5中线2的位置的交叉点相比，位置相差了一个 像素，但是与方法1中所述的算法复杂度来说，虽然产生了一个像素的误差，还是非常值得 的。

现在讨论四叉点的情况，对于四叉点，情况没有那么复杂，两线只有垂直交叉和非垂直 交叉两种情况，如图13-16所示：

图13-16中图13是原始图，图14是细化后示意图，图15是非垂直交叉示意图，图16 是垂直交叉示意图。应用细化算法处理图13得到结果图14，放大后出现图15和图16两种 情况，对于垂直交叉的情况如图16，中心交叉点有四个四邻域点，只有这一种可能；对于非 垂直交叉点，按照本文的处理方法结果如图15，按照本文的求交叉点的算法，图15中将产 生两个三叉点，在这段图像中两线交叉应该只有一个交叉点，产生误差，排除方法是：如果 求出某点是交叉点，那么限定其八邻域内不允许再有交叉点，既是周围八邻域内不再考虑交 叉点。

(3.2)基于特征矩的特征

矩在统计学中用于表征随机量的分布，若把二值图或灰度图看作是二维密度分布函数， 就可把矩技术应用于描述一幅图像的特征。

对于一幅M×N的离散图像f(i，j)，它的p+q阶几何矩定义为：

$M_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{i}^p{j}^{q}f(i,j)$

其中，i∈M，j∈N，p，q为常数。

令 ${\mu }_{\mathrm{pq}}=\frac{M_{\mathrm{pq}}}{{M^r}_{00}},$ $r=\frac{(p+q+2)}{2},$ 经过一系列的代数恒等变换，Hu推导出了七个对于 位移，缩放和旋转变化都不变的绝对不等式。

M1＝μ20+μ02

M2＝(μ20-μ02)2+4μ11 2

M3＝(μ30-3μ12)2+(3μ21-μ03)2

M4＝(μ30+μ12)2+(μ21+μ03)2

M5＝(μ30-3μ12)(μ30+μ12)[μ30+μ12)2-3(μ21+μ03)2]

+(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]

M6＝(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+4μ11(μ30+μ12)2(μ21+μ03)

M7＝(3μ12-μ03)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2]

+(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]

将7个不变矩作为特征进行识别。

匹配方法采用变换的模板匹配的方法。与传统的模板匹配不同的是，在没有标准模板的 情况下，采用移动的变换模板(在样本图像中从起始点开始选定特定大小模板，每一块模板 都与待识别图像进行模板匹配。然后按照特定的大小逐点移动变换模板。)最后找出最接近的 匹配结果。

在本发明中，我们结合了这两种方法，匹配过程中，模板每移动一次都计算出相对应部 分的不变矩，然后匹配模板和带匹配图像相对应部分的不变矩。

(3.3)基于K-L压缩变换特征

K-L变换法，又称为主成分分析法，广泛地用于图像压缩领域中，最近几年来，K-L变 换也被广泛地用于脸部识别、指纹识别中。利用K-L变换进行特征提取，能够显著地起到在 降低特征空间维数的同时，充分保留信息的作用。

本发明同时将K-L变换应用于手背静脉的特征提取上。经过K-L变换后，每一个手背图 像都可以投影到由特征向量(u0，u1，...，uN)(变换后的降维特征空间向量)张成的子空间中， 也就是说每幅手背图像对应于子空间中的一个点。有了这样一个降维子空间，任何一幅手背 静脉图像都可以向其投影并获得一组坐标系数，这组系数表明了该图像在子空间中的位置， 从而可以作为下一步识别的依据。详细的实现如下文所述。

本发明采用的样本是申请人所采集的静脉图像，我们采集了100个手背的在不同时间， 不同光照，不同角度等条件下的静脉图像，每个手背采集了5次，总共500张图片。原始图 像为24位图，大小为320*240。由于前面图像处理工作已经结束，所以我们采用标准化后的 256色位图，大小为256*256的图像。每个手背取3幅作为训练样本，另外2幅作为测试样 本。

将归一化后的标准图像作为训练样本集，以样本集的总体散布矩阵为产生矩阵，即

Σ＝E[(x-u)(x-u)T]

或 $\Sigma \cong \frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}(x_i-\mu ){(x_i-\mu )}^t$

其中：xi为第i个训练样本的图像向量，μ为训练样本集的平均图向量，M为训练样本 的总数。

为了求2562*2562维矩阵∑的特征值和 交归一的特征向量，直接计算是困难的。为此 引用奇异值分解。因为：

$\Sigma =\frac{1}{N}\underset{i=0}{\overset{N-1}{\Sigma }}\left[(x_i-u){(x_i-u)}^T\right]=\frac{1}{N}{\mathrm{XX}}^T$

其中：X＝[x0-u，x1-u，...，xN-1-u]，本例中N为300，u为样本集的总均值向量。可以 构造矩阵： ，其中该式中：N为300，则R为300×300维矩阵，容易求出其特 征值λi以及相应的正交归一特征向量vi(i＝0，1，2，...，N-1)。然后根据前文公式求得∑的正交 归一向量ui。

这就是静脉图像的特征空间。它是通过计算较低维矩阵R的特征值与特征向量而间接求 出的。那么ui，i＝0，1，2，...，N-1为X所在空间的K-L变换坐标系，也即为静脉图像的特征 空间。

这样对于任一待识样本f，就可以通过向特征空间投影求出其系数向量：

y＝UTf

然后将这组系数向量y作为这个样本的识别特征，来进行特征比对。

总共得到了N个特征系数向量(N＝300)，而事实上，通过实验发现，有些时候并非所 有的ui都有很大的保留意义。在上面讨论K-L变换的时候，当取d个ui，i=1，2，3...，d来逼近 x时，其均方误差为

$\xi =\underset{j=d+1}{\overset{N}{\Sigma }}{\lambda }_j$

式中λj为矩阵ψ的相应本征值。而在实验中发现，∑的特征值λ0，λ1，...，λ199。依次减小， 而且最大特征值与最小特征值的比值达到几千，考虑到使用K-L变换作为静脉图像的压缩手 段，可以选取前k最大特征值相对应的特征向量，使得：

$\frac{\underset{i=0}{\overset{k}{\Sigma }}{\lambda }_i}{\underset{i=0}{\overset{N-1}{\Sigma }}{\lambda }_i}\ge \partial$

在上式中，可以选取＝99％。则说明本集在前k个轴上的能量占整个能量的99％以上。 本文中山于N＝300，不是很大，另外为了减小识别误差，所以在这里不进行取舍，将求取的 300维向量全部用上，这样通过实验计算求取的65536*300维矩阵就是主分量法的特征空间。

在实际应用中，由于在进行K-L变换的同时，应该充分考虑训练样本的类别信息，这样 对静脉识别才更有意义，所以可以采用训练样本集的类问散布矩阵作为K-L变换的产尘矩阵， 即如下式所示：

$S_b=\underset{i=0}{\overset{P-1}{\Sigma }}P\left({\omega }_i\right)(u_i-u){(u_i-u)}^T$

其中ui为训练样本集中第i个手背静脉的平均图像向量，本例中则为每个手背前3张静脉 图像向量的均值，P为训练样本集中的总个数(P＝100)。这样就从计算总体散布矩阵∑的 正交归一特征向量转向计算类间散布矩阵Sb的特征向量，特征静脉的个数从300变成了100， 计算量减小了很多，而且识别的效果也没有受到影响。用类间散布矩阵作为产生矩阵进行实 验时N＝100，比较小，另外通过计算发现λ0≥λ1≥...≥λP-1＞0，所以在进行静脉识别的时候将 求取的100个特征空间全部利用上，而不进行舍弃，尽量减小误差。

(4)特征匹配方法

(4.1)特征的分类

分类器的设计是整个模式识别过程的最后一个阶段，也是影响模式识别结果的另一个关 键问题。在这个阶段，需要充分利用前面找到的模式特征，在特征空间中，使用距离的、变 换的等方法，设计出性能稳定的、能达到识别要求的模式识别分类器。

针对我们采集的样本库，为了达到取得较好的识别效果，我们试验了多种分类算法，其 中效果较好的是最近邻分类方法。下面我们将进一步介绍。

假设有c个模式类别(ωi，i＝1，2，...，c)，每类有标明类别的Ni个样本 xi k(i＝1，2，...c，k＝1，2，...，Ni)。可以定义类的判别函数为：

$g_i\left(x\right)=\underset{k}{\min }\left|\right|x-x_i^k\left|\right|,k=\mathrm{1,2},...,N_i$

按照上式，决策规则可以写为：

$g_j\left(x\right)=\underset{i}{\min }\left\{g_i\left(x\right)\right\}\Rightarrow x\in {\omega }_{j}i=\mathrm{1,2},...,c$

这一决策方法称为最近邻法(nearest neighbour)，其直观解释是比较未知样本x与 $N=\underset{i=1}{\overset{c}{\Sigma }}{N}_i$ 个 已知类别样本之间的欧氏距离，由此决策x与离它最近的样本同类。此方法是直接基于模式 样本建立判决函数的方法。最近邻法模式分类器要求存储所有训练模式样本及其类别属性， 实现起来简单且无须训练，因而得到了广泛的应用，但该分类器也存在着如下一些问题：

(1)大量的训练样本，需要庞大的存储空间。

(2)对每个待分类样本，都需要计算它与所有存储的训练样本的距离，因而，费了大量 的测试时间。

(3)分类时只利用最近邻样本的信息，而未能充分利用所有样本的信息，因而极易受到 噪声的影响。

鉴于以上特点，我们只将最近邻分类法用于特征矩的特征和静脉几何结构的特征的分类， 而K-L变换采用加权距离法如下。

在样本分布的N维空间中，考虑到各维重要性的不同，可以采用加权距离作为空间中点 间相似性度量。样本数据在空间中各维基向量上的散布是不同的。如果某一类样本在某些向 量上的分布稳定，方差较小，则在这些基上体现了样本的共性，应给以较大的权值，增加其 比重。反之，样本若在某些基上分布差别较大，则反映了样本类内的散布情况，此时应给予 较小的权值，以减小其所占的比重。K-L变换在此应用方面具有良好的性能，K-L变换后的 空间将方差压缩后重新分配，且各维基上数据的分布彼此不相关。方差较大时，说明数掘样 本在对应基向量上分布不稳定，方差很小时，样本数据在其基向量上分布稳定。因此，可将 K-L变换后方差λi对应的基赋予权值 $\frac{1}{\sqrt{{\lambda }_i}}(i=\mathrm{1,2},...n),$ 设K-L变换矩阵为Φ，将测试样本x作 K-L变换

y＝Φ(x-mj)

式中：mj------ωj类的均值向量，其中y＝[y1y2…yn]T。

样本x与ωj类的加权距离平方为：

$d^2=\underset{i=1}{\overset{n}{\Sigma }}\frac{y_i^2}{{\lambda }_i}$

其分类规则为：

$d^2(x,m_j)=\underset{l}{\min }{d}^2(x,m_l)\Rightarrow x\in {\omega }_{j}l=\mathrm{1,2},...,c$

此加权距离实质是将样本进行了白化处理后的欧氏距离。白化变化为：

$z={\Lambda }^{-\frac{1}{2}}\Phi (x-m_j)$

式中：Λ----diag(λ1，λ2，...λn)，其中z＝[z1z2...zn]T。

则z到ωj类原点的欧氏距离平方为：

$d^2=\underset{i=1}{\overset{n}{\Sigma }}{z}_i^2=\underset{i=1}{\overset{n}{\Sigma }}\frac{y_i^2}{{\lambda }_i}$

上述过程可以理解为将每类训练样本分别作白化变换，变换后的样本分布是在N维空间 中一个以此类训练样本均值为中心的超球体，c个类别对应c个超球体，当经过白化变换后的 测试样本与某类样本中心距离最小时，则认为是某类人。

(4.2)基于决策层融合的匹配算法

有了上述的分类方法，这里采用基于决策级的结果融合方法，将由样本的不同特征与模 式库的已知模型进行匹配，得到匹配百分比；然后根据加权的方法进行融合。得出最后的识 别结果。其过程见图17。

其中S1为k-L变换方法的加权系数，S2为特征点方法的加权系数，S3为特征矩方法的 加权系数。

S1，S2，S3的大小我们采用如下方法确定：

$\left\{\begin{array}{c}S1:S2:S3=P1:P2:P3\\ S1+S2+S3=1\end{array}\right.$

其中P1，P2，P3分别为三种方法的识别率。

最后的判别公式为：

λ＝S1×λ1+S2×λ2+S3×λ3

其中，λ1，λ2，λ3分别为三种方法匹配结果的准确度，用隶属度表示，即待识样本隶 属于模板样本的程度。

那么，λ即为最后的隶属度。如果大于一定的阈值我们就判断该样本与模板样本匹配成 功，如果小于阈值则判断匹配失败。

通过以上步骤就完成了一个完整的手背静脉身份认证过程。

结合图1，本发明采用的静脉采集装置包括红外成像单元、USB接口电路、红外光源和 光源控制单元，红外成像单元电信号连接USB接口电路，USB接口电路与外部计算机电信号 连接，USB接口电路电信号连接光源控制单元，光源控制单元电信号连接红外光源。