基于纹理特征的静脉识别方法与流程

本发明涉及一种识别方法，具体的说是基于纹理特征的静脉识别方法。
背景技术：
：伴随着通讯设备和互联网技术的不断发展，信息已遍布人们生活的各个角落。与之相关的是信息安全的重要性被已经提到了前所未有的高度。安检、司法、金融、移动网络、电子商务、人机交互等诸多场合都需要完善的认证系统来保障信息安全，而确保安全的第一前提是知晓一个人是谁。因此，身份识别技术的应用会越来越重要。传统的识别方式有ic卡、钥匙、证件、密码等，这些方法虽然实用性强，但缺点也很明显，如证件类方式容易遗失、被复制和伪造，而密码类方式则容易遗忘、被破解。同时这类方式暴露了本当隐私化的身份信息，且不能通过便捷的系统与计算机网络相连接，远离了信息化社会的要求。当传统的识别方式已经不能满足日益增长的社会安全需求时，人类找到了生物识别这种更为安全可靠、使用方便的身份识别技术。生物特征识别(biometrics/biometricauthentication)是指利用人体所固有的生理特征(如：指纹、虹膜、dna等)或行为特征(如：步态、语音等)来进行个人身份认证[1]。这些特征具有普遍性、唯一性、稳定性三方面的特性，即人人都有、各有不同、长期不变。与传统的密码或id卡身份认证方式相比，生物特征有随身携带、难以伪造而且无需记忆的优势。也正由于这些优势，目前国外国内对它的研究方兴未艾，生物特征识别技术的市场也不断增长。目前常见的生物特征识别方法有指纹、虹膜、人脸、手形、语音、静脉、步态等。其中指纹、虹膜、人脸等技术已经研究多年，技术成熟度相对较高，市场上均有完整的产品体系。静脉识别技术作为生物特征识别家庭的一个新成员，它出现于1990年，只有20年的历史，在2000年之后由于其自身的独特优点才逐渐受到关注，尤其是在日本、韩国等对指纹抵触的亚洲国家，静脉识别研究开展较好并出现了实际应用的产品，在生物特征识别市场中崭露头角。静脉识别：通过识别皮下静脉纹理特征来达到身份验证的目的。这种技术通过远红外仪或近红外摄像头采集静脉图像，利用图像处理技术提取静脉的纹理特征，和库中比较，以达到识别目的。目前这种技术分为四种，手指静脉、手掌静脉、手背静脉和手腕静脉，其中前三种研究较多。对每种技术来说，原理和识别过程基本一致。所谓纹理，是指因物体表面的物理属性不同导致的图像灰度和颜色的变化。不同的物体以及光线的变化会使得纹理的变化非常普遍。对于自然界，人眼所捕捉的图像很大部分都是纹理信息，由于受人的心理感知影响，纹理至今还没有一个明确定义。在数字图像处理中，基于人体最普遍的感观，纹理特征作为一个重要特征被广泛使用。手背静脉作为一种血管纹线，具有天然的纹理特征，其长短、粗细、结构都是有价值的纹理特征。因此，对红外光下的手背静脉图像进行纹理分析是可行的。技术实现要素：本发明的目的在于克服上述不足，提供一种基于纹理特征的方向投影算法。本发明的目的是这样实现的：基于纹理特征的静脉识别方法，包括以下步骤：步骤1、建立手背静脉图像库，每类图像随机分为训练集和测试集，所述训练集和测试集中的图像数量一样；步骤2、采集手背静脉图像并进行预处理；步骤3、基于纹理特征对静脉图像进行识别。其中，图像预处理包括噪声抑制、提取roi，所述噪声抑制包括中值滤波和均值滤波算法，所述中值滤波算法为：对每一像素点为中心，取其某邻域内所有像素点灰度值的中间值，再将此值赋给该中心：式中：f(x,y)为处理后图像，sxy为以(x，y)为中心的邻域；所述均值滤波算法为：以目标像素为中心，在其领域取n*n的模板，计算模板内所有像素灰度值的平均值，赋予目标像素，设给定带噪声的图像为f(x,y)，则处理后的图像g(x,y)为：其中，m是邻域s内包含的像素数目。s确定的邻域根据图像性质选取，邻域平均进行加权值，表达式为：其中，w(i,j)是大小为(2m+1)(2n+1)的邻域内(i,j)点的权值；所述提取roi包括剔除图像中的背景和边缘；所述静脉纹理分割是从灰度图像中将静脉纹理用二值的方法显示出来。所述提取roi采用最大矩形搜索法，所述最大矩形搜索法包括以下步骤：步骤201、将静脉图像按列循环，对第x列从上到下查找并记录第一个白点和最后一个白点的纵坐标y1，y2，从而得到一个多维的向量a；步骤202、对向量a按行进行双重循环搜索面积最大矩形，设x1，x2分别表示矩阵的左右边坐标，则上下两边的坐标：y1＝max(a(x1,1),a(x2,1))，y2＝min(a(x1,2)，a(x2,2))最终面积：area＝(x2-x1)*(y2-y1)所述基于纹理特征对静脉图像进行识别方法包括以下步骤：步骤301、将原roi图像a0进行二级haar小波分解，进而获得两级8个子带分量：a1，h1，v1，d1，a2，h2，v2和d2；步骤302、对a0以及其他8个子带分量进行plbp(局部二值模式)特征提取，得到9个维数不同的特征向量；步骤303、基于欧式距离分别对两张图像的9个特征向量进行计算，从而获得9个判定距离步骤304、对9个判定距离进行融合，融合规则如下：其中d为最终的两张图像间的特征距离，ωi为与之相应的i分量的权重。本发明的优点在于：采用基于纹理特征的静脉识别方法，能够针对静脉的方向性特点进行针对性提取，具有较强的鲁棒性、旋转不变性，能够实现多分辨率、多方向性分析，。同时解决特征维数的问题，在实际试验中取得了良好的效果。附图说明图1为本发明的基于纹理特征的静脉识别方法的流程图；图2为本发明的最大矩形搜索法效果图。具体实施方式下面结合附图对本发明作进一步说明。本发明为基于纹理特征的静脉识别方法，如附图1所示，包括以下步骤：步骤1、建立手背静脉图像库：本实施例建立了一个拥有102人、左右双手的手背图像库，由于每个个体左右手静脉分布的差异性，因此该库可以认为是204类样本的手背图像。对每个手背本文采集了10张图片，随机地选取每类中5张图像作为训练集，另5张作为测试集，故总的测试集为1020张图片，其中图片格式为bmp，灰阶为256级，大小为640*480像素，水平和垂直分辨率均为96dpi。步骤2、采集手背静脉图像并进行预处理：包括中值滤波、均值滤波、roi提取，其中中值滤波：对每一像素点为中心，取其某邻域内所有像素点灰度值的中间值，再将此值赋给该中心：式中：f(x,y)为处理后图像，sxy为以(x，y)为中心的邻域，均值滤波：以目标像素为中心，在其领域取n*n的模板，计算模板内所有像素灰度值的平均值，赋予目标像素，设给定带噪声的图像为f(x,y)，则处理后的图像g(x,y)为：其中，m是邻域s内包含的像素数目。s确定的邻域根据图像性质选取，邻域平均进行加权值，表达式为：其中，w(i,j)是大小为(2m+1)(2n+1)的邻域内(i,j)点的权值，上述中值滤波、均值滤波均使用15*15大小的模板；roi提取使用最大矩形搜索法，首先，将图像按列循环，对第x列从上到下查找并记录第一个白点和最后一个白点的纵坐标y1，y2，从而得到一个640*2维的向量a，其次，对向量a按行进行双重循环搜索面积最大矩形。设x1，x2分别表示矩阵的左右边坐标，则上下两边的坐标：y1＝max(a(x1,1),a(x2,1))，y2＝min(a(x1,2)，a(x2,2))公式(2.5)最终面积：area＝(x2-x1)*(y2-y1)再将图片归一化到256*256大小，附图2为最大矩形搜索法效果图；步骤3、基于纹理特征对静脉图像进行识别，包括以下步骤：步骤301、将原roi图像a0进行二级haar小波分解，进而获得两级8个子带分量：a1，h1，v1，d1，a2，h2，v2和d2，下表为小波分解后各分块的识别率：小波分量样本数正确数识别率(％)a1102099197.16％h1102097595.59％v1102097695.69％d1102088086.27％a2102098796.76％h2102093591.67％v2102098696.67％d2102019919.51％从表中可以得出a1、a2的识别效果也是最好的，达到了97％左右。水平分量和垂直分量因为与静脉血管的方向相符，故识别率的表现也比较好，全部达到了90％以上。而对于对角线分量d1、d2由于静脉在该方向的情况很少，因而其识别率也较低。步骤302、对a0以及其他8个子带分量进行plbp(局部二值模式)特征提取，得到9个维数不同的特征向量；步骤303、基于欧式距离分别对两张图像的9个特征向量进行计算，从而获得9个判定距离步骤304、对9个判定距离进行融合，融合规则如下：其中d为最终的两张图像间的特征距离，ωi为与之相应的i分量的权重，其中和设为0，下表为本实施例试验得到的各分量权重的取值：上述试验结果为：识别率ir(％)：99.02；等错误率eer(％)：3.169％；识别时间(s)：0.36800；可见本实施例的方法具有很高的可靠性，也充分说明了本实施例提出的算法的有效性。最后应说明的是：显然，上述实施例仅仅是为清楚地说明本申请所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本申请型的保护范围之中。当前第1页12