专利名称：基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法
技术领域：
本发明涉及的是一种生物特征身份识别技术，具体涉及一种基于多尺度二阶微分结构(VLSDM)模型进行纹理分析及改进分水岭算法的手背静脉识别方法。
背景技术：
静脉模式特征的提取与匹配是静脉识别系统的核心问题，其研究内容包括两个部分1、静脉特征提取方法研究；2、静脉特征匹配方法研究。静脉特征提取方法主要负责将静脉模式的个体差异性特征选取和描述出来，匹配算法负责在特征空间中找到合适的度量准则，将不同类的特征区分开，同时又能很好的测度同类特征的相似性。特征提取是匹配的前提和基础，特征类型选取是否合适以及对其描述是否合理对识别系统性能的影响很大。从模式识别理论的角度来考虑，图像中能用于识别的信息属性大致可分为四类 统计特性、几何结构特性、模糊特性及知识特性。通常根据所要解决的问题特性及信息提取算法实现的难易程度，选择其中的一种或多种信息作为识别特征信息。针对静脉识别系统来说，其最为显著的个体特性是静脉模式的纹理信息，其特点是横断面像素值呈脊形分布、具有一定方向和宽度、纹理走向方向局部区域变化不大(即可局部近似为直线)。可见， 静脉纹理中所包含的信息更接近上述四个信息属性中的几何结构特性。不过也有研究者对静脉模式的统计特征展开研究将样本灰度图像按行列依次连续展开，形成一维的随机向量，然后利用主成份分析(PCA)方法对大量样本进行统计分析，找到一组合适的特征基，用其对静脉样本图像进行K-L变换，从而得到静脉特征向量；文献将二值图像中的静脉纹理区域像素点和背景区域像素点进行坐标编码，形成一个宽为原来图像的两倍、高与原图像相同的一个新的二维静脉样本，然后利用广义矩估计方法(GMM)，对大量样本进行统计分析，估计出样本矩空间一组合适的基，利用这组基对样本进行变换，得到样本矩特征向量作为静脉模式特征用于识别。这类方法都不可避免地遇到推广性的问题，即算法性能很大程度上依赖于测试集和训练集之间数据分布的相似程度。尽管统计学习理论以该问题为核心进行了深入的探讨，但在实际应用中，该问题仍然很棘手，尤其是对不可能获得待识别个体多个静脉样本的情况，这就意味着不可能对它们进行有效训练，只能寄希望于统计学习策略的泛化能力来提高识别系统的性能，这会带来很大的不确定性。目前大多数讨论的是提取静脉纹理几何细节特征，它们又可以分为五类第一类是将静脉纹理区域作为静脉特征，这类方法的主要特点是必须对静脉图像进行二值分割以得到准确的静脉纹理区域，而实际上由于目前大多数采集装置所获得的静脉样本图像存在边缘模糊、粘连、灰度值分布不均等特点，导致二值化分割结果存在许多问题，如失去静脉交叉处的连接性，虽然提出了一种利用增强滤波组代替高通滤波器来改善这个问题，但是这种方法提取的静脉区域边缘不光滑、有噪声，另外所形成的特征维数也太.大，不利于推广。第二类是提取静脉纹理的骨架形状作为静脉特征，这类方法又分为两种，一种是基于模板，另一种是基于线性分割。将静脉骨架进行平移旋转操作，然后将它们所得结果融合形成静脉骨架模板，用于识别；将静脉骨架进行直线分割生成一系列骨架直线特征，用于识别。这两种方法对所提取的静脉骨架质量要求挺高，通常是在二值化静脉图像的基础上进行骨架提取，而在对静脉图像二值化的过程中不可避免的会丢失一些特征信息、且容易受噪声干扰，导致提取的骨架并不准确，因此，跳过二值化过程，利用分水岭算法直接对灰度静脉图像进行骨架提取，大多数情况下，该方法可以直接从灰度静脉图像中提取出静脉骨架，但是存在过分割，无法正确提取距离较近的静脉纹理骨架。第三类为提取静脉骨架交叉点和端点作为静脉特征，这类特征一般从静脉骨架中提取，因此第二类方法所遇到的问题直接会影响到该类特征的可靠性和准确度，而且静脉模式纹理本身存在特征点少的问题，很难保证足够进行静脉识别所需的特征点；并且端点是由于对静脉区域进行切割而导致的，不同切割方法会带来不同的端点，其存在不确定性。第四类是将多种静脉特征进行融合形成融合静脉特征，这类方法为了克服以上三类方法所存在的问题，尝试将多种手背静脉细节特征进行融合，得到新的静脉特征，提取出静脉骨架信息后，对图像进行分块，然后统计不同块中所含静脉骨架点的数量、横向二阶矩、纵向二阶矩，再将所有块中的这三个统计特征值组合，形成三个不同的特征向量，分别进行匹配操作，然后将匹配度值融合，融合后识别系统性能有所改善，但是该算法对样本归一化要求比较高，当样本发生平移、旋转时，识别系统的性能会受到一定的影响。第五类是将静脉样本图像进行多尺度分解形成一组不同尺度不同频带的子图，通过对子图进行分析，得到静脉的特征，然后进行匹配。静脉纹理骨架结构是静脉模式各种不同类型的几何结构特征中最直接、最稳定的结构特征。静脉纹理骨架结构特征受光照、噪声的影响相对较小，并且具有足够的区分能力，因此非常适合用来进行静脉识别。目前采用静脉纹理骨架形状特征进行识别静脉识别， 可分为两种，一种是基于骨架模板的方法，将静脉纹理骨架进行平移和旋转结果融合形成骨架模板用于识别，其缺点是改变了原静脉骨架中细节特征及结构特征，容易引起识别系统误识和拒识，且所需特征存储量大；另一种是基于直线分割的方法，对静脉骨架进行直线分割，形成一组直线特征用于识别，虽然这样处理后使得静脉骨架的表示变得简化，因此减少了所需特征存量，但其丢失许多静脉骨架的细节特征，容易引起识别系统误识，另外，这种方法对骨架噪声非常敏感，噪声引起的骨架断裂及错误分叉点会导致骨架的直线分割结果差别很大而不能正确匹配，引起识别系统拒识。以上两种方法均不是直接采用静脉骨架结构特征进行静脉识别。与本发明申请的内容相关的公开报道包括[I] 丁宇航，手背静脉识别技术研究，哈尔滨工程大学，2006 ；[2]F. Motato Toro and H. Loaiza Correa, Biometric identification using infrared dorsum hand vein images， Ingenierae Investigacin， vol.29，2009， pp.90-100 ；[3]R. Dell 1 Aquila, Generalized Method of Moments, Journal of the American Statistical Association，vol. 101，2006，pp.1309-1310 ;
[4]J. Cross and C. Smith, Thermographic imaging of the subcutaneous vascular network of theback of the hand for biometric identification， in Institute of Electrical and Electronics Engineers 29th Annual 1995 International Carnahan Conference on 1995，pp.20-35 ；[5]G. Park, S. Im, and H. Choi, A person identification algorithm utilizing hand vein pattern， in Korea Signal Processing Conference，1997，pp.1107—1110 ；[6] S. -K. Im, H. Park, S. Kim, C. Chung, and H. Choi, Improved vein pattern extracting algorithm and its implementation，2000 ;[7] S. -K. Im, H. Park，Y. Kim, S. Han, S. Kim, C. Kang, and C. Chung, An biometric identification system by extracting hand vein patterns，J0URNAL-K0REAN PHYSICAL SOCIETY，vol. 38，2001，pp.268-272 ；[8]S. -K. Im, H. Choi, T. Ltd, and S. Seoul，A filter bank algorithm for hand vascular pattern biometrics，2002 ;[9]S. Lopez and A. Gonzalez, Hand veins segmentation and matching under adverse conditions，2003，pp.166 ；[10]L. Wang and G. Leedham, A thermal hand vein pattern verification system, Pattern Recognition and Image Analysis,2005, pp.58-65 ；[11]L. Wang, G. Leedham, and S. Cho，Infrared imaging of hand vein patterns for biometric purposes，let Computer Vision, vol. I,2007,pp.113—122 ；[12]L. Wang and G. Leedham, Gray-Scale Skeletonization of Thermal Vein Patterns Using the Watershed Algorithm in Vein Pattern Biometrics，2006 ；[13]L. Wang, G. Leedham, and D. Siu-Yeung Cho，Minutiae feature analysis for infrared hand vein pattern biometrics， Pattern Recognition， vol.41，2008， pp.920_929 ；[14]A. Kumar and K. Prathyusha, Personal Authentication using Hand Vein Triangulation and Knuckle Shape， IEEE Transactions on Image ；[15]周斌，林喜荣，贾惠波，宋榕，多特征融合的手背血管识别算法，清华大学学报自然科学版，vol. 47，2007，pp. 194-197 ；[16]韩笑，人体手背静脉识别算法研究，吉林大学，2007 ；[17]林喜荣，庄波，人体手背血管图像的特征提取及匹配，清华大学学报自然科学版，vol. 43，2003，pp. 164-167. Processing, vol. 18，2009，pp ；[18]X. Wu, D. Zhang, and K. Wang, Palm line extraction and matching for personal authentication,Systems,Man and Cybernetics,Part A Systems and Humans， IEEE Transactions on，vol. 36，2006，pp.978-987。
发明内容
本发明的目的在于提供一种能够解决样本旋转和平移对识别影响、加快匹配速度等问题的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法。本发明的目的是这样实现的
包括ROI区域自动提取、基于多尺度VLSDM模型对样本进行多尺度分析、静脉模式纹理骨架提取、静脉骨架特征描述与匹配；第一步，利用基于手背目标外部轮廓分析的方法从原始样本中提取出静脉样本的ROI区域；第二步，基于多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，得到静脉纹理的形态响应、方向响应及尺度响应；第三步，利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征；第四步，利用链码及方向空间采样编码描述静脉纹理骨架的结构特征及方向特征，并利用改进的模板匹配方法对特征进行匹配。本发明还可以包括这样一些特征I、所述的手背目标图像区域提取根据静脉样本图像中手部目标图像区域与背景区域像素点的分布规律，采用阈值分割将手部目标图像从原始静脉样本中分离出来，阈值T 的计算公式如下
权利要求
1.一种基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是第一步，利用基于手背目标外部轮廓分析的方法从原始样本中提取出静脉样本的ROI 区域；第二步，基于多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，得到静脉纹理的形态响应、方向响应及尺度响应；第三步，利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征；第四步，利用链码及方向空间采样编码描述静脉纹理骨架的结构特征及方向特征，并利用改进的模板匹配方法对特征进行匹配。
2.根据权利要求I所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述提取出静脉样本的ROI区域包括手背目标图像区域提取、手背外部轮廓关键点提取、ROI区域位置确定；所述的手背目标图像区域提取的方法为根据静脉样本图像中手部目标图像区域与背景区域像素点的分布规律，采用阈值分割将手部目标图像从原始静脉样本中分离出来，阈值T的计算公式为5, /W < 45 —5+ (5 X O —45))/10，45<m<55 ~ 110+ (25X(m-55))/60, 55 <m<115 55, m >115式中，m表示样本图像中非零像素点灰度平均值；所述的手背外部轮廓关键点提取的方法为第一步，求取有效轮廓点集及距离基准线； 第二步，求取有效轮廓关键点；第三步，判断所获得的关键点个数是否为15，如不是则执行第四步；第四步，采用关键点修正构建方法获得关键点。
3.根据权利要求2所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征的方法为首先提取局部形态响应中的脊线，脊线相当于分水岭，背景相当与盆地；然后将区域合并融合到盆地标注中，对不同盆地记录面积和标号；最后将区域合并融合到分水岭标注中。
4.根据权利要求3所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述利用改进的模板匹配方法对特征进行匹配是直接采用静脉骨架结构特征作为识别特征，同时采用不同的特征描述方法对其进行描述，这样既保持了静脉骨架的原有形态，又减少了特征存储量，其平移和旋转校正在匹配算法中完成。
5.根据权利要求3所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述求取有效轮廓点集及距离基准线的过程为提取的二值化目标图像的轮廓外曲线，采用经典Douglas-Peucker轮廓多边形拟合算法,对轮廓外曲线进行拟合，取拟合精度阈值为50个像素点，则获得一个拟合四边形，设I为所述四边形上边L3的长度，将L3向下平移1/8个像素单位，即得到基准线Ld ；采用局部均值法对原始距离分布曲线进行处理，N为有效轮廓线所包含的总点数，局部平滑直径为不小于N/24的最小整数；然后，采用阈值曲线对平滑距离曲线进行分割，正常情况下，平滑距离分布曲线与阈值曲线将存在八个交点，并称之为第一类特征点；最后，利用第一类特征点构建第二类和第三类特征点的方法得到其他七个特征点，即正常情况总共得到15个特征点。
6.根据权利要求5所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述的阈值曲线的数学表达式为
7.根据权利要求6所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述的利用第一类特征点构建第二类和第三类特征点的数学表达式分别为(1)构建第二类特征点的数学表达
8.根据权利要求7所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述采用关键点修正构建方法获得关键点的具体方法为用Pm、Pde分别表示线段Ld与轮廓线的左、右两个交点，手背外部轮廓近似四变形的上边与轮廓线的左右两个交点分别用PpP3Ii表不，用表不Pdl和的中心点，用表不Pde 和P3k的中心点，则由和确定的直线与轮廓线有左右两个交点，就是所要求的左右两个第一类特征点if，其他六个第一类特征点将由if确定的线段分成了七等份， 则确定其他六个第一类特征点位置的公式为
9.根据权利要求8所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是获得第一类特征点坏、巧、g、P71、S，第二类特征点if Jf、P3\ if和第三类特征点if、p2\ if后，在此基础上确定ROI区域的方法为(1)、寻找基准线段通过基准线确定ROI的方向和基准位置，选取由第一类关键点if 和片构成的线段记为Lkd作为基准线段；(2)、判断样本的左右性分别从if和#作两条垂线，令两条垂线与轮廓线的交点分别为K、P2:，设if和构成的线段长度为U #和^^构成的线段长度为11，如果仁< I1，则说明手背样本来自右手，反之来自左手；(3)、寻找ROI的有效右边线段选择矩形ROI，ROI的有效左边线段一定与Led垂直，寻找有效左线段的方法分两种情况第一中情况是样本来自右手，则选择从片作一条与Led垂直 的直线；第二种情况是样本来自左手，则选择从片作一条与Led垂直的直线；无论是哪一种情况，均需要作一条与Lkd垂直的直线，直线与线段Led和轮廓线相交，得到两交点，分别记为Puo P ，由Pui和P 构成的线段即为所求的ROI有效右边线段；(4)、寻找ROI的有效左边线段分为两种情况如果样本来自右手，则从if作一条与Lkd 垂直的直线；反之，样本来自左手，则从<作一条与Lkd垂直的直线；无论哪情况，所作垂线与线段Led和轮廓线相交，产生两个交点，分别记为Pu、Pcl,由Pu和Pa构成的线段即为所求的有效左边线段；(5)、寻找ROI的上、下边线段选取由Pui和Pa所组成的线段作为ROI的上边线段，而寻找ROI下边线段的方法分三种情况，令ROI有效左边线段的长度为L1，有效右边线段的长度为L2,如果L1 > L2,则从点Rai作一条直线，所述直线与有效左边线段相交，产生一个交点， 记为F α，此时，ROI的下边线段由点α组成；如果L1 < L2，则从点Pa作一条直线，与有效右边线段相交，产生一个交点，记为P Oi，此时，ROI的下边线段由点P'组成；如果L1 = L2,此时,ROI的下边线段由点Pce和Pcl组成；经过上述过程处理后，得到矩形ROI区域的四个顶点坐标值。
10.根据权利要求9所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述的VLSDM模型由静脉纹理局部曲面形状约束模型和静脉纹理的显著二阶微分结构特征量组成，首先，根据静脉纹理局部曲面形状约束索引值不同的特点，结合采样定理及加权融合的方法得到融合形状约束索引值计算模型即SICM模型； 然后，根据曲面最大主曲率对静脉纹理的描述能力较强的特点，选取曲面最大主曲率作为 VLSDM模型中的静脉纹理的显著二阶微分结构特征量；最后，采用基于最大似然估计模型改进的组合方式将SICM模型与显著二阶微分结构特征量进行融合，从而形成VLSDM模型。
全文摘要
本发明提供的是基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法。利用基于手背目标外部轮廓分析的方法从原始样本中提取出静脉样本的ROI区域；基于多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，得到静脉纹理的形态响应、方向响应及尺度响应；利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征；利用链码及方向空间采样编码描述静脉纹理骨架的结构特征及方向特征，并利用改进的模板匹配方法对特征进行匹配。本发明解决样本旋转和平移对识别影响、加快算法匹配速度等问题，且该方法的效率符合模式识别系统的要求。
文档编号G06K9/00GK102622587SQ201210059350
公开日2012年8月1日 申请日期2012年3月8日 优先权日2012年3月8日
发明者付斌, 冯伟兴, 刘静宇, 唐墨, 崔建文, 杜同春, 熊新炎, 王科俊 申请人:哈尔滨工程大学