一种基于压缩感知方法的掌纹掌静脉智能锁
技术领域
本发明涉及一种掌纹掌静脉识别智能锁。
背景技术
在当今信息社会中，人们对身份验证的需求越来越迫切，信息化系统在如何鉴别一个人的身份方面面临着艰难的挑战。目前国内广泛应用的指纹识别、人脸识别等技术，掌纹掌静脉识别技术正在逐步发展并且存在明显优势。掌纹掌静脉是一种不易被他人替代、仿制、方便、有效、安全的身份识别技术，但是在智能锁的身份识别过程中，准确度高、降低设备成本是人们对于智能锁的基本需求。因此，采集到的掌纹掌静脉图像的处理方法尤为重要。
基于压缩感知的图像处理，通过利用压缩感知理论的压缩采样同步进行的特点，与传统的图像处理相比，具有无与伦比的优势。其优点在于该算法采样率低可以减少存储资源的要求和传输宽带的要求，抗噪能力强，图像传输过程中安全性强。
发明内容
针对现有的掌纹掌静脉识别过程，本发明的目的是提供一种基于压缩感知的掌纹掌静脉识别方法提高智能锁的性能，通过采用压缩感知算法提高身份验证的准确率，降低设备成本。
实现本发明目的的技术方案是：
一种基于压缩感知方法的掌纹掌静脉智能锁，包括掌纹掌静脉智能锁设备，所述掌纹掌静脉智能锁设备包括锁体、锁把手、钥匙孔及掌纹掌静脉认证设备；
所述掌纹掌静脉认证设备安装在锁体上，其内置的掌纹掌静脉采集模块是对掌纹和掌静脉两种生物识别的融合，提高其准确性。
所述锁体内置的中央处理器包括掌纹掌静脉图像预处理单元、掌纹掌静脉特征提取单元和掌纹掌静脉识别判断单元，其中：
掌纹掌静脉图像预处理单元采用压缩感知方法对采集到的手掌原始图像进行预处理。其过程包括四个实施步骤：获取图像信息、测量矩阵变换、获取重构原信号及恢复图像，各步骤特征如下：
S1:获取图像信息特征在于：通过图像压缩采样，获取图像的部分信息；
S2:测量矩阵变换特征在于：设计满足条件的测量矩阵，保证测量矩阵与信号稀疏之间不相关性，在稀疏度确定的情况下，将采样信号与测量矩阵的逆矩阵作相乘的线性变换，得到原信号的稀疏信号；
S3:获取重构原信号特征在于：求解一个优化问题，在不改变目标函数的情况下，利用贪婪算法近似求解0范数问题；
S4:恢复图像特征在于：在重构的原信号后，进行图像的整体恢复。
其方法中求稀疏度的具体实现如下：
M1：将原有算法中精确的稀疏度用估计的稀疏度代替；
M2：以估计的稀疏度为中心，向两边自动搜索，得到一组稀疏度值；
M3：分别计算一组稀疏值下各自信号的残差，残差最小的为本组最优稀疏度；
M4：以M3选定的稀疏度为中心，重复M2和M3，并记录每一组的最优稀疏度值；
M5：循环执行M4，如果某组内最优稀疏度出现的频数大，算法终止，此稀疏度为最后的最优稀疏度。
此方法突破了压缩感知算法中稀疏度的限制，极大地增强了压缩感知算法的实用性；并且，从概率统计角度设定算法停止条件，有效缩短了恢复的时间。
掌纹掌静脉特征提取单元采用自适应Gabor滤波方法提取手掌静脉特征，在划分的每一块子区域中确定主方向，再对每块子区域计算标准方差，确定中心频率；
掌纹掌静脉识别判断单元用于对特征提取后的图像进行特征对比。
所述钥匙孔用来钥匙开锁，与掌纹掌静脉认证设备同时具备开锁功能。
本发明基于压缩感知方法的掌纹掌静脉智能锁的原理是：智能锁可以采用钥匙和掌纹掌静脉识别两种方式开锁。当客户选择钥匙开锁时，直接把钥匙插入钥匙孔旋转打开即可；当客户选择掌纹掌静脉识别方式开锁时，首先把手掌放在掌纹掌静脉采集设备处，设备会采集客户的掌纹掌静脉图像，然后通过压缩感知算法来对图像进行预处理，得到处理过的图像后，接着对图像进行特征提取，最后待对比数据与设备本身存储的数据进行匹配决策。若匹配成功，则锁会自动打开，否则，显示无匹配项。
该基于压缩感知方法的掌纹掌静脉智能锁，采用静脉识别具有以下优点：稳定性；唯一性：任何人手血脉的特征都具有唯一的生物特征，不会重复；长期有效的识别率：采集表面的任何损伤、划痕、污染和周围的环境变化都不会影响识别的效果；超精密的安全措施：具有唯一性、不可复制性、不能被盗用，防止使用者个人信息的泄露、伪造、盗用和数据遗失。
本发明的有益效果是：
(1)用压缩感知理论在接收端对图像进行重构，是基于数目远小于Nyquist采样定理的采样值的测量值，通过求解有约束的优化算法得到重构图像。能够很大程度上减小对图像采集和存储的资源要求，降低了对图像采集设备的要求。
(2)压缩感知的图像重构是根据远小于原图像的数据量进行恢复，是解决从低维到高维的欠定病态问题，这为图像处理应用领域的很多棘手问题提供了解决办法；在传输过程中，只需要压缩测量后的测量值，这也显减少了对传输带宽的要求。
(3)压缩感知可以实现安全传输，为了满足精确重构图像的条件——RIP条件，测量矩阵通常选用随机矩阵，这种只对收发两端可知的随机测量矩阵具有很强的安全性，极难破解，从而压缩感知从编码端的压缩采样到解码端的重构恢复过程，具有较强的安全性，可以作为一个图像安全传输的理论基础。
(4)计算稀疏度方法优点在于：不需要输入精确的稀疏度，而以一个估计的稀疏度代替，增强了算法的实用性；不需要人工干预，算法将自动搜索最优的稀疏度；以残差值来衡量稀疏度的优劣；通过不断地循环迭代，逐步达到最优；从概率统计的角度出发，设定算法终止条件，有效的缩短了图像的恢复时间。
(5)应用了掌纹掌静脉两种生物识别融合的认证方式，相比于现在广泛使用的指纹识别，它是一种非接触式的识别方式，准确率更高。
附图说明：
图1是本发明实施例的结构示意图；
图2是本发明实施例中掌纹掌静脉认证模块的工作流程图；
图3是压缩感知框图；
图4是压缩感知矩阵模型。
图5是本发明实施例中压缩感知具体流程图；
具体实施方式
下面结合附图详细说明本发明的优选实施例。
如图1所示，本实施例提供一种基于压缩感知方法的掌纹掌静脉智能锁，包括掌纹掌静脉智能锁设备，所述掌纹掌静脉智能锁设备包括锁体、锁把手、钥匙孔及掌纹掌静脉认证设备。掌纹掌静脉智能锁可以采用钥匙和掌纹掌静脉识别两种方式开锁。
如图2所示，掌纹掌静脉识别与指纹识别、虹膜识别以及人脸识别等传统生物特征识别方法在工作流程上较为类似，都包括原始信息、图像预处理、特征信息提取和模式匹配四个过程。首先建立掌纹掌静脉特征数据库，不同的用户通过信息采集设备，将静脉特征模板与身份唯一标识信息进行关联并存入数据库；其次识别系统将提取到的待对比静脉图像，利用特定且复杂的算法与数据库中已有特征进行对比；最后将进行对比的结果输出。
如图3所示，掌纹掌静脉图像预处理单元采用压缩感知方法对采集到的手掌原始图像进行预处理。首先对信号用稀疏基Ψ进行表示，α为信号x在稀疏基矩阵线性投影下的系数向量，接下来我们用测量矩阵ΦM×N对信号x进行测量，将原始信号投影到相对于信号长度更低的维度进行观察研究，采样得到的M维向量称之为测量信号y，最后采用CS优化重建算法对信号进行恢复。
如图4所示，图中形象化的用彩色方块矩阵形式表示，其中有颜色的子块表示非零值，白色的位置表示元素值为0。利用测量矩阵ΦM×N将可压缩信号从N维投影到M维空间，在这过程中存储原信号的感兴趣信息到y中，为简化表示，将测量矩阵ΦM×N和稀疏基矩阵ΨN×Nt进行线性相乘，所得矩阵称为传感矩阵ΘM×Nt＝ΦΨ。基于此，测量信号y与稀疏系数向量S可视为等价，其本质上S是在变换域Θ中y的稀疏表示形式。
如图5所示，压缩感知算法过程包括四个实施步骤：获取图像信息、测量矩阵变换、获取重构原信号及恢复图像，各步骤特征如下：
S1:获取图像信息特征在于：通过图像压缩采样，获取图像的部分信息；
S2:测量矩阵变换特征在于：设计满足条件的测量矩阵，保证测量矩阵与信号稀疏之间不相关性，在稀疏度确定的情况下，将采样信号与测量矩阵的逆矩阵作相乘的线性变换，得到原信号的稀疏信号；
S3:获取重构原信号特征在于：求解一个优化问题，在不改变目标函数的情况下，利用贪婪算法近似求解0范数问题；
S4:恢复图像特征在于：在重构的原信号后，进行图像的整体恢复。
由于本发明的技术方案充分，很好地将掌纹掌静脉识别技术运用在智能锁领域，采用压缩感知算法对采集到的掌纹掌静脉图像进行处理，其优点在于该算法采样率低可以减少存储资源的要求和传输宽带的要求，抗噪能力强，图像传输过程中安全性强。从而，提高身份验证的准确率，降低设备成本。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
