(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210668731.8 (22)申请日 2022.06.14 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区文苑路9 号 (72)发明人 邵雷　刘星利　穆恒宇　马宇晗　 邰奕雯　郭剑　张勤　韩崇　王娟　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 杭行 (51)Int.Cl. G06V 40/40(2022.01) G06V 40/14(2022.01) G06V 10/54(2022.01) G06V 10/80(2022.01)G06V 10/30(2022.01) G06T 5/00(2006.01) G06N 3/00(2006.01) (54)发明名称 一种基于多特征融合的指静脉仿冒检测方 法 (57)摘要 一种基于多特征融合的指静脉仿冒检测方 法， 利用真伪静脉图像在成像质量上的差异， 将 图像的噪声特征和模糊特征进行融合， 来进行仿 冒攻击的检测。 本方法实现简单， 原始指静脉图 像在实现真伪鉴别的同时， 可同时用于后续的身 份识别， 减少了额外的计算机资源消耗； 相比于 仅使用单一图像纹理特征的指静脉仿冒检测方 法， 本方法融合静脉图像的噪声特征和模糊特 征， 可增加真伪静脉图像的区分度， 有助于提高 指静脉仿冒检测的准确度； 相比于传统的直接串 联或并行的多特征融合方法， 本方法使用加权特 征融合， 考虑了各特征的重要程度， 减小了特征 间的相互影响， 提高了分类 器的泛化能力。 权利要求书2页 说明书7页 附图2页 CN 114913607 A 2022.08.16 CN 114913607 A 1.一种基于多特 征融合的指静脉仿冒检测方法， 其特 征在于： 所述方法包括如下步骤： 步骤1： 对于输入图像I， 分别在0 °、 45°、 90°和135°四个方向上对图像进行差分滤波， 得 到四个方向上的差分矩阵M→、 M↗、 M↑和M↖， 作为图像的噪声信息； 步骤2： 对于 输入图像I， 采用引导滤波方法提取图像的模糊信息； 步骤3： 对步骤2得到的结果进行2*2均等分块， 得到四个模糊信息块； 步骤4： 对步骤1得到的四个方向上的差分矩阵进行LBP纹理特征提取， 并将结果进行串 联， 作为该静脉图像的噪声特 征F1； 步骤5： 对步骤3得到的四个模糊信息块进行LBP纹理特征提取， 并将结果进行串联， 作 为该静脉图像的模糊特 征F2； 步骤6： 对噪声特 征F1和模糊特 征F2进行线性加权融合； 步骤7： 训练分类模型； 对特征融合后的结果使用支持向量机进行训练分类， 训练过程 中使用粒子群算法进行 特征的权值 寻优， 获得最佳权值和分类模型； 步骤8： 应用分类模型； 向分类模型输入所需检测的指静脉图像， 获取仿冒检测的结果。 2.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法， 其特征在于： 步 骤1中， 四个方向相应的差分矩阵M→、 M↗、 M↑和M↖的计算方式如下： M→(x,y)＝I(x,y)‑I(x+1,y)   (1) M↗(x,y)＝I(x,y)‑I(x+1,y+1)    (2) M↑(x,y)＝I(x,y)‑I(x,y+1)   (3) M↖(x,y)＝I(x,y)‑I(x‑1,y+1)   (4) 其中， I(x,y)∈{0,1,2,. ..,255}， x、 y分别表示图像I的像素位置 。 3.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法， 其特征在于： 步 骤2中， 包括如下分步骤： 步骤2.1， 对于输入图像I， 设置引导滤波器的引导图像p等于I， 滤波输出图像记为q； 假 设p和q在窗口wk中存在局部线性关系， 即 q是p在窗口wk中的局部线性变换， 其中窗口wk以像 素k为中心， r为半径， 则q中各像素点的计算如式(5)所示： 其中i、 k都是像素索引， αk和bk为该线性 函数的系数， 且在局部窗口wk中为常数； 步骤2.2， 记I和q之差为E， 则通过式(6)对q进行约束， 最小化E后求 解系数αk和bk： 其中ε>0， ε是为防止求得过大的αk而引入的正则化参数， Ii表示输入图像I的一个像素 i， 且i∈wk； 使用最小二乘法可解得线性系数 其中uk和σk2分 别表示在窗 口wk中的均值和方差， |w|是窗 口wk中的像素个数， 表示输入图像I在窗口wk中 的均值； 步骤2.3， 计算某一像素点的具体输出时， 将包含该像素点的所有线性函数值取平均，权　利　要　求　书 1/2 页 2 CN 114913607 A 2则最终滤波输出如式(7)所示： 其中， wi是所有包含像素k的窗口， 且像素i为窗口的中 心； 滤波输出的结果q将作为图像的模糊信息 。 4.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法， 其特征在于： 步 骤4和步骤5中， LBP特征提取的过程是， 选定一个像素点， 在以该像素点为中心的3*3大小的 邻域窗口中， 若其邻域的像素值大于或等于该像素值， 则该邻域位的像素值置1， 否则置0； 最后， 以邻域窗口左上角的像素为第一位， 按顺时针方向将各邻域的值保存下来， 作为该中 心像素点的LBP码。 5.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法， 其特征在于： 步 骤6中， 融合后的特 征F如式(8)所示： F＝z1F1+z2F2   (8) 其中z1、 z2为F1、 F2对应权值， 满足z1+z2＝1， 0≤z1,z2≤1。 6.根据权利要求1所述的一种基于多特征融合的指静脉仿冒检测方法， 其特征在于： 步 骤7中， 训练过程中使用粒子群算法进行z1和z2的寻优， 使得模型的检测性能达到 最佳； 使用 粒子群算法进行权值寻优， 流程如下： 随机初始化粒子群分布后， 在迭代 次数内， 分别评估 每个粒子对应的仿冒检测性能； 然后， 每个粒子根据当前适应值和历史最优适应值来更新 自己的最优值； 接着更新整个种群的最优值； 之后， 所有 粒子更新自己的速度和位置； 最后， 根据是否 达到迭代次数循环上述 步骤； 其中， 粒子群算法的速度和位置更新公式如下。 Ve(t+1)＝wVe(t)+c1R1(pbest–Se(t))+c2R2(gbest‑Se(t))   (9) Se(t+1)＝Se(t)+Ve(t+1)   (10) 其中， Ve(t)为第e个粒子在t时刻的速度， Se(t)为第e个粒子在第t时刻的位置， pbest保 存该粒子的历史最优位置， gbest保存全局所有粒子的最优位置， w为惯 性权值， c1和c2为加速 因子， R1和R2取[0,1]随机数， 粒子在一维空间进行搜索， 设置粒子数和最大迭代次数， 位置 和速度分别限制在区间[0,1]、 [ ‑0.2,0.2]， 适应度函数为模型的识别 率； 训练过后获得特 征融合最佳权重z1和z2， 保存最佳分类模型。权　利　要　求　书 2/2 页 3 CN 114913607 A 3