低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统的制作方法
【专利摘要】本发明公开了一种低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统。系统采集五种光谱下的掌部图像，充分利用多光谱图像信息的互补性，提高系统识别率；同时在近红外线光光谱下采集掌静脉信息，使系统具有活体检测能力，提高系统的防仿冒攻击能力；采用基于双立方插值的下采样技术，提高特征提取速度及其它后处理速度，节约特征模板的存储空间；采用多尺度多方向滤波器组进行特征提取，减少光照变化对特征提取的影响，提高系统鲁棒性；采用哈希表对特征矩阵编码，进一步提高系统匹配速度；使用独特的分数级多光谱特征融合方法，进一步提高系统的识别率。本发明实现的系统具有：分辨率高、识别速度快、系统性稳定和扩展性好、防仿冒攻击等特点。
【专利说明】低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统
【技术领域】
[0001]本发明涉及生物特征识别的【技术领域】，特别是涉及低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统。
【背景技术】
[0002]身份识别是人类工业生产、商业活动及日常生活的重要组成部分。目前常用的识别手段包括钥匙、智能卡和密码等传统方式。钥匙及智能卡识别普及程度高，但容易丢失及复制；密码易用但易于忘记及破解。传统的身份识别方式无法适应人类生产、生活需要，因此，生物特征识别方法应运而生。
[0003]生物特征识别是指计算机利用人的生理或行为特征进行个人身份鉴定的技术。目前人们研究和使用的生物识别方法主要有指纹识别、人脸识别、虹膜识别、掌纹识别等。
[0004]指纹识别是最早的生物特征识别方法，其历史悠久，容易实现。指纹识别方法存在的主要问题是:指纹是身体的外层特征，容易复制伪造、损伤。而且，指纹图像区域小，所包含的信息量少，导致其识别率偏低，注册数据库小，限制其大规模应用。另外，手指过干、过湿及脏物等容易导致指纹图像模糊而无法正常比对。
[0005]人脸识别应用广泛，其可用于识别的特征包括眼、鼻、口、眉、人脸轮廓及位置关系等，具有“非侵犯性”的优点，可用于公共场合下特定人士的主动搜寻，也可作为多模式生物特征特征识别的重要组成部分。其缺点是识别精度低，受环境影响大，实用性不强。
[0006]由于虹膜特征信息丰富、几乎终生不变，所以虹膜识别是各种生物特征识别方法中错误率最低的，其一直是高端安全设备所采用的身份识别技术。但与其他生物识别技术相比，其设备复杂、昂贵，而且识别时需要被识别人主动配合，且固定人脸对焦瞳孔，其易接受性最差。
[0007]掌纹识别是一种相对较新的生物特征识别技术。掌纹图像包括手掌主线、皱纹、细小纹理、脊末梢、分叉点等丰富的信息特征，这些特征清晰、稳定。而且系统识别时对图像分辨率要求不高，掌纹图像采集也相对容易、方便快捷，是一种非侵犯性的识别方法，用户比较容易接受。但相对于指纹图像，掌纹图像要大很多，这给图像特征提取、匹配及存贮带来许多困难，不能保证识别系统实时性要求，而且，单光谱掌纹识别系统不能防止仿冒攻击。
[0008]掌静脉属于人体内部的血管特征，具有很好的唯一性、稳定性；不易受污染、磨损、老化、伤痕等问题影响，静脉图像采集过程也十分友好，容易保证识别过程顺利进行；而且静脉属人的内部特征，具有活体性，因此无法通过技术手段仿制和窃取，具有很好的安全性。但掌静脉识别也存在一些缺点，如因静脉位于浅层皮肤下，图像采集较掌纹困难，对设备有特殊要求，设备相对复杂，难以小型化，制造成本相对较高，且图像清晰度不高，因此需要更复杂图像处理算法。
[0009]基于掌纹、掌静脉识别各自的缺点，虽然三维掌纹掌形识别方法可用于解决其中的某些问题，但昂贵和笨重的装置，使得它很难应用于实际应用中。解决问题的方案之一是采用多光谱掌纹掌静脉成像，即在多种光谱条件下捕获图像。现有的多光谱身份识别系统成像分辨率一般大于300DPI，即具有高分辨率的图像，但高分辨率图像特征提取又不能满足系统实时性要求。
【发明内容】
[0010]为克服现有技术所存在的问题，本发明的目的在于提供低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统，能够满足身份识别要求，识别性能提高的同时加快匹配速度，节约压缩特征码的存储空间，同时还满足系统实时性功能。
[0011]本发明采用的技术方案是:
[0012]低分辨率多光谱掌纹、掌静脉实时身份识别方法，包括注册阶段和识别阶段。
[0013]注册阶段包括:
[0014]a.采集待注册的掌部图像，所述掌部图像包括在白光、红光、绿光、蓝光、近红外线光谱下采集的五幅图像；
[0015]b.对待注册的掌部图像进行ROI提取，并采用双立方插值对所得的ROI图像进行下采样；
[0016]c.采用多尺度多方向滤波器对获取的ROI图像进行特征提取，得到五组对应不同光谱的特征矢量，并对特征矢量进行编码，生成特征模板并存储于特征数据库中；
[0017]识别阶段包括:
[0018]a.采集待识别的掌部图像，所述掌部图像包括在白光、红光、绿光、蓝光、近红外线光谱下采集的五幅图像；
[0019]b.对待识别的掌部图像进行ROI提取，并采用双立方插值对所得的ROI图像进行下采样；
[0020]c.采用多尺度多方向滤波器对获取的ROI图像进行特征提取，得到五组对应不同光谱的特征矢量，并对特征矢量进行编码，生成输入特征；
[0021]d.将输入特征与存储于特征数据库中的特征模板一一对应地进行单光谱特征匹配，得到的五个匹配分数进行分数级权重融合，最后根据融合分数采用最近邻算法进行决策，得到识别结果。
[0022]进一步，所述对掌部图像进行ROI提取前还包括预处理以及参考坐标系定位，其中所述预处理包括二值化处理以及形态学处理，所述形态学处理包括图像腐蚀、膨胀、闭运算；参考坐标系定位包括:从二值化图像中提取出手掌和手指的轮廓曲线，并通过Harris角点检测方法确定图像的参考坐标系。
[0023]进一步，所述对ROI图像进行特征提取的步骤包括:采用非下采样带通金字塔滤波器与下采样图像进行卷积，卷积后的输出响应再与非下采样八方向滤波器组进行卷积，最后在八个方向上采用竞争方式对滤波器输出响应进行最大值编码构成O或I的二进制特征矢量。
[0024]进一步，所述模板特征以哈希表形式存储于特征数据库中。
[0025]本发明还提供了低分辨率多光谱掌纹、掌静脉实时身份识别系统，包括:
[0026]图像采集模块，所述图像采集模块包括多光谱主动光源、CXD图像感应器，以及与多光谱主动光源连接的控制单元；
[0027]图像预处理模块，所述图像预处理模块的输入端与CXD图像感应器的输出端相连，用于对CCD图像感应器采集到的掌部图像进行预处理、参考坐标系定位、ROI提取、下采样处理；
[0028]特征提取模块，所述特征提取模块的输入端与图像预处理模块的输出端相连，用于对经过预处理后的掌部图像进行特征提取；
[0029]存储模块，所述存储模块设有特征数据库，与特征提取模块的输出端相连，用于存储注册阶段中获取的模板特征；
[0030]识别决策模块，所述识别决策模块与特征提取模块、特征数据库相连，用于将待识别的输入特征与模板特征进行单光谱特征匹配，并将不同光谱的匹配结果进行分数级权重融合，最后根据融合分数采用最近邻算法进行决策，进而得到识别结果。
[0031]进一步，所述多光谱主动光源包括围绕CXD图像感应器呈环形依次交替分布的白光光源、红光光源、绿光光源、蓝光光源、近红外线光源，所述控制单元用于控制各光源的轮流亮暗。
[0032]本发明提供的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统主要具有以下有益效果:
[0033](I)采集五种光谱下的掌部图像，基于多光谱图像融合方法，充分利用多光谱图像/[目息，提闻系统识别率；
[0034](2)采用基于双立方插值的下采样技术，提高特征提取速度、匹配速度，节约特征模板存储空间，使识别速度加快，保证系统实时性要求，降低系统成本；
[0035](3)采用多尺度多方向滤波器进行特征提取，减少光照变化对特征提取的影响；
[0036](4)在近红外线光光谱下采集到手掌的掌静脉信息，使系统具有活体检测能力，提高系统的防仿冒攻击能力。
【专利附图】
【附图说明】
[0037]以下结合附图和实例对本发明做进一步说明。
[0038]图1是本发明的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统实施主要流程；
[0039]图2是本发明的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统的主要组成模块；
[0040]图3是本发明的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统的掌部图像预处理流程；
[0041]图4是本发明的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统的多尺度多方向滤波器组特征提取过程；
[0042]图5是本发明的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统的识别过程详细流程。
【具体实施方式】
[0043]下面结合附图和具体实例对本发明做进一步详细说明:
[0044]参照图1，本发明低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统实施的主要流程包括:(I)在多光谱主动光源下采集包含掌纹以及掌静脉信息的图像；(2)对掌部图像的二值化、形态学处理、ROI提取以及双立方插值下采样；(3)对多种光谱图像ROI进行多尺度多方向滤波器组进行特征提取，分别得到相应特征，并用哈希表对提取的特征进行编码；(4)分别对不同光谱图像下得到的特征进行匹配，得到匹配分数，采取分数级融合方法融合；(5)依据融合分数，采用最近邻决策方法得到识别结果。
[0045]具体地，本发明的身份识别方法包括注册阶段和识别阶段。
[0046]其中注册阶段包括:
[0047]a.采集待注册的掌部图像，所述掌部图像包括在白光、红光、绿光、蓝光、近红外线光谱下采集的五幅图像；
[0048]b.对待注册的掌部图像进行ROI提取，并采用双立方插值对所得的ROI图像进行下采样；
[0049]c.采用多尺度多方向滤波器组对获取的ROI图像进行特征提取，得到五组对应不同光谱的特征矢量，并对特征矢量进行编码，生成特征模板并存储于特征数据库中；
[0050]识别阶段包括:
[0051]a.采集待识别的掌部图像，所述掌部图像包括在白光、红光、绿光、蓝光、近红外线光谱下采集的五幅图像；
[0052]b.对待识别的掌部图像进行ROI提取，并采用双立方插值对所得的ROI图像进行下采样；
[0053]c.采用多尺度多方向滤波器组对获取的ROI图像进行特征提取，得到五组对应不同光谱的特征矢量，并对特征矢量进行编码，生成输入特征；
[0054]d.将输入特征与存储于特征数据库中的特征模板一一对应地进行单光谱特征匹配，得到的五个匹配分数进行分数级权重融合，最后根据融合分数采用最近邻算法进行决策，得到识别结果。
[0055]参照附图2，本发明的系统主要由图像采集模块、图像预处理模块、特征提取模块、存储模块、识别决策模块等组成。
[0056](I)图像采集模块
[0057]所述图像采集模块包括多光谱主动光源、CXD图像感应器，以及与多光谱主动光源连接的控制单元。所述多光谱主动光源包括蓝光光源(470nm)、绿光光源(525nm)、红光光源(660nm)、白光光源以及近红外线光源(850nm)，各光源围绕CXD摄像机呈环形依次交替分布。由于人的皮肤对不同波长的光谱的吸收率不同，也就是说在不同的光谱下将获得有差别的图像；同时人的表皮有一定的厚度，而某些光谱可以穿透人的表皮从而获取皮下组织的纹理特征，而这些特征是不易伪造的，可以提高识别系统的抗欺骗性。于是本发明使用了五种光源，其中包含四种可见光源和一种近红外光源。在前四种可见光源照射下得到四幅包含掌纹信息的掌部图像；采用近红外光源照射可以穿透表皮获取皮下组织的纹理特征，即静脉血管特征，由此可得到包含掌静脉信息的掌部图像。本发明中使用的掌部图像采集专用装置采用基于CCD的图像感应器，这种采集方式的优点是获取图像速度快、系统集成度高、实时性好。本发明采用五种LED阵列作为光源环绕在CCD图像感应器四周，并在光源前加滤光片以确保均匀而稳定的光照条件。
[0058](2)图像预处理模块
[0059]所述图像预处理模块的输入端与CXD图像感应器的输出端相连，用于对CXD图像感应器采集到的掌部图像进行预处理、参考坐标系定位、ROI提取、下采样处理。
[0060]结合附图3所示，本发明中的图像预处理步骤如下:
[0061]首先进行图像二值化，并采用腐蚀、膨胀等形态学运算完善图像二值化结果。
[0062]接着由上步所得出的二值图像提取出手掌和手指的轮廓曲线，再由Harris角点检测方法提取两点，食指与中指间的谷底点Pl及无名指与小指间的谷底点P2。实现方法是:取一个以目标像素点为中心的窗口(5X5)，并将窗口沿着目标点上下左右移动，同时计算出移动过程中4个方向上窗口内部的灰度变化，把4个灰度变化的差值中最小的设定为该目标像素点的角点相应函数值，当这个数值大于阈值时，便作为角点。于是把Pl和P2的连线确定为Y轴，以Pl到P2线段的中点且垂直于Y轴直线作为X轴，与此同时因为系统在很短时间内完成五幅掌部图像采集，不存在图像配准问题，所以在白光照射下掌部图像参考坐标系确定后，其他四种光照下的掌部坐标系也相应确定。此步骤以前的图像预处理只针对白光谱图像进行，以提高图像处理速度。
[0063]然后，依据确定的参考坐标系分别对五幅掌部图像进行ROI提取，提取手掌的中心区域作为感兴趣区域(R0I)，R0I区域为正方形区域，其边长约为手掌宽度70%。由于ROI图像包含了掌部图像中最主要的特征和信息，ROI的提取减少了噪声干扰，同时又可提高系统的运算速度。因本发明中使用了有效的图像预处理方法，减小了由于ROI提取实时的平移、旋转等因素的干扰，提高了系统的识别率。
[0064]最后对五种光照下的ROI掌部分别进行双立方插值下采样处理。双立方插值利用16个点的灰度值三次插值，不仅考虑到4个直接相邻点的灰度影响，而且考虑到12个相邻点间灰度值变化率的影响，所以得到的一个下采样像素点综合了 4X4区域内像素的信息，既保证了识别精度，更提高了识别速度。本发明采用下采样率是4:1，例如源图像大小为128X128，下采样后的图像大小为32X32，显然图像处理速度将提高16倍。
[0065](3)特征提取模块
[0066]所述特征提取模块的输入端与图像预处理模块的输出端相连，用于对经过预处理后的掌部图像进行特征提取。
[0067]结合图4，特征提取的处理步骤如下:
[0068]多尺度多方向滤波器组允许每个尺度上具有不同方向分解，其基支撑区间随尺度变化而长宽比呈现“各向异性”特性，能够实现对图像的稀疏表示。本发明中使用的特征提取方法是多尺度多方向滤波器组，其结构分为:无下采样金字塔(Non-subsampledPyramid, NSP)分解和无下米样方向滤波器组(Non-subsampled Directional FilterBank, NSDFB)分解两部分，首先利用NSP对图像进行多尺度分解，通过NSP分解可有效“捕获”图像中的奇异点；然后采用NSDFB对高频分量进行方向分解，从而得到不同尺度、不同方向的子带图像(系数)。与轮廓波变换不同的是在图像的分解和重构过程中，多尺度多方向滤波器组没有对NSP以及NSDFB分解后的信号分量进行分解滤波后的下采样(抽取)以及综合滤波器的上采样(插值)，使得其具有多尺度、良好的空域和频域局部特性以及多方向特性。
[0069]本发明特征提取过程如下:首先采用非下采样带通金字塔滤波器Pf与下采样图像Ix,y进行卷积，得到带通滤波后的子图像fx，y
[0070]fx’y=Ix’y*Pf[0071]Pf滤波器只允许具有一定鲁棒的纹理信息保留下来以便后续特征提取；然后，卷积后的输出响应与非下采样多方向滤波器组Df卷积，得到多个方向子图像i/i,,
[0072]
【权利要求】
1.低分辨率多光谱掌纹、掌静脉实时身份识别方法，主要包括注册阶段和识别阶段，其特征在于， 注册阶段包括: a.采集待注册的掌部图像，所述掌部图像包括在白光、红光、绿光、蓝光、近红外线光谱下采集的五幅图像； b.对待注册的掌部图像进行ROI提取，并采用双立方插值对所得的ROI图像进行下采样； c.采用多尺度多方向滤波器组对获取的ROI图像进行特征提取，得到五组对应不同光谱的特征矢量，并对特征矢量进行编码，生成特征模板并存储于特征数据库中； 识别阶段包括: a.采集待识别的掌部图像，所述掌部图像包括在白光、红光、绿光、蓝光、近红外线光谱下采集的五幅图像； b.对待识别的掌部图像进行ROI提取，并采用双立方插值对所得的ROI图像进行下采样； c.采用多尺度多方向滤波器组对获取的ROI图像进行特征提取，得到五组对应不同光谱的特征矢量，并对特征矢量进行编码，生成输入特征； d.将输入特征与存储于特征数据库中的特征模板一一对应地进行单光谱特征匹配，得到的五个匹配分数进行分数级权重融合，最后根据融合分数采用最近邻算法进行决策，得到识别结果。
2.根据权利要求1所述的低分辨率多光谱掌纹、掌静脉实时身份识别方法，其特征在于，所述对掌部图像进行ROI提取前还包括预处理以及参考坐标系定位，其中所述预处理包括二值化处理以及形态学处理，所述形态学处理包括图像腐蚀、膨胀、闭运算； 所述参考坐标系定位包括:从二值化图像中提取出手掌和手指的轮廓曲线，并通过Harris角点检测方法确定图像的参考坐标系。
3.根据权利要求1所述的低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统，其特征在于，所述对ROI图像进行特征提取的步骤包括:采用非下采样带通金字塔滤波器与下采样图像进行卷积，卷积后的输出响应再与非下采样八方向滤波器组进行卷积，最后在八个方向上采用竞争方式对滤波器输出响应进行最大值编码构成O或I的二进制特征矢量。
4.根据权利要求1所述的低分辨率多光谱掌纹、掌静脉实时身份识别方法，其特征在于，所述模板特征以哈希表形式存储于掌部特征数据库中。
5.低分辨率多光谱掌纹、掌静脉实时身份识别系统，其特征在于，包括: 图像采集模块，所述图像采集模块包括多光谱主动光源、CCD图像感应器，以及与多光谱主动光源连接的控制单元； 图像预处理模块，所述图像预处理模块的输入端与CCD图像感应器的输出端相连，用于对CCD图像感应器采集到的掌部图像进行预处理、参考坐标系定位、ROI提取、下采样处理； 特征提取模块，所述特征提取模块的输入端与图像预处理模块的输出端相连，用于对经过预处理后的掌部图像进行特征提取；存储模块，所述存储模块设有特征数据库，与特征提取模块的输出端相连，用于存储注册阶段中获取的模板特征； 识别决策模块，所述识别决策模块与特征提取模块、特征数据库相连，用于将待识别的输入特征与模板特征进行单光谱特征匹配，并将不同光谱的匹配结果进行分数级权重融合，最后根据融合分数采用最近邻算法进行决策，进而得到识别结果。
6.根据权利要求1所述的低分辨率多光谱掌纹、掌静脉实时身份识别系统，其特征在于:所述多光谱主动光源包括围绕CCD图像感应器呈环形依次交替分布的白光光源、红光光源、绿光光源 、蓝光光源、近红外线光源，所述控制单元用于控制各光源的轮流亮暗。
【文档编号】G06K9/00GK103793692SQ201410043629
【公开日】2014年5月14日 申请日期:2014年1月29日 优先权日:2014年1月29日
【发明者】余义斌, 唐遥芳, 甘俊英, 曾军英 申请人:五邑大学