一种基于纹理的手指静脉特征匹配方法与流程

本发明涉及图像识别及处理技术领域，尤其涉及一种基于纹理的手指静脉特征匹配方法。

背景技术：

随着科技和信息技术的发展，身份鉴别的安全性受到人们的广泛重视。由于传统的身份鉴别方式如密码、身份证等存在易丢失、易被盗用等安全风险，已经满足不了人们对身份识别安全性的要求，因此各种基于生物特征识别技术凭借较高的安全性和便利性受到用户的青睐。相比于指纹识别、人脸识别、虹膜识别等其他生物特征识别技术，人类手指静脉生物特征识别具有其独特的优势，比如具有更好的稳定性、防复制性、唯一性和普遍性等优势。因此，手指静脉认证具有很高的研究价值和市场应用前景。但是如何降低手指静脉的表达上的维数，减小计算量和计算时间，是研究的热点。

目前手指静脉图像的特征提取的方法主要有以下几类：(1)运用基于子空间的理论思想，以空间投影变化理论将原始手指静脉图像降维，提取图像的空间特征并同时提高系统识别效率。但基于子空间的理论方法由于对光照等噪声的影响比较敏感，因此其应用范围具有一定的局限性。(2)运用基于结构特征的理论思想，对手指静脉图像上的特征点和几何线提取结构特征。但基于结构特征的理论方法受限于特征点的数量、算法的复杂度，因此有一定的局限性。(3)运用基于纹理分析的理论思想，对手指静脉图像的全局或局部纹理提取特征。基于纹理分析的方法能够有效的描述静脉的纹理特征，因此在静脉识别中有着广泛的应用。

技术实现要素：

针对现有技术的缺陷，本发明提供一种基于纹理的手指静脉特征匹配方法，实现对手指的静脉特征进行提取匹配。

一种基于纹理的手指静脉特征匹配方法，包括以下步骤：

步骤1、将待匹配的两幅手指静脉图像分别进行静脉特征提取，得到每幅图像的编码向量；

所述每幅手指静脉图像进行静脉特征提取的具体方法为：

步骤1.1、将预处理后的手指静脉图像通过一组gabor滤波器，从而获得5个尺度v＝{v＝0，1，2，3，4}和8个方向u＝{u＝0，1，2，3，4，5，6，7}的40张gabor特征图像r(v，u)；所述特征图像r(v，u)包括指静脉结构中血管粗细以及不同延伸方向特征；

步骤1.2、将步骤1.1中得到的40张图像按尺度分类，即rv＝{r(v，0)，r(v，1)，...，r(v，7)}，再利用curvelet变换分别将每个尺度下8个方向的图像进行融合，在有效的保留gabor特征的前提下减小数据维度，最终得到融合后的5幅不同尺度的集成gabor特征图像cur1、...、cur5；

所述每个尺度下8个方向的图像进行融合的具体方法为：

首先将每个尺度下的8张图像，按两两一组的方式采用曲线波curvelet变换方法进行融合，即对图像对{r(v，u′)，r(v，u′+4)}，u∈{0，1，2，3}使用曲线波curvelet变换方法进行融合，得到4张融合后的静脉图像；然后对这4张融合后的图像同样采取两两分组模式采用曲线波curvelet变换方法进行融合，得到2张融合后的图像；最后对得到的2张融合后的图像采用曲线波curvelet变换方法进行融合，最终得到该尺度下的1幅集成gabor特征图像；

步骤1.3、对集成gabor特征的融合图像做近邻二值模式编码，作为手指静脉特征向量，即分别对cur1、...、cur5进行近邻二值模式编码，得到其编码图像，并转化为5个特征行向量scode1、...、scode5，进一步将这5个行向量串联，得到编码向量gcncode；

步骤2、利用两幅手指的静脉特征编码向量gcncode之间的汉明距离来判断获取到的两幅手指静脉图像是否匹配，具体方法为：

设两幅手指静脉特征编码向量gcncode的两个编码字符串为sgcncode1和sgcncode2，其比特串形式分别为：

sgcncode1＝x1x2...xn

sgcncode2＝y1y2…yn

其中，xi＝1、2…、n，yi＝1、2…、n，n为编码字符串的数据维度，xi和yi的取值均为0或1；

则两个编码字符串之间的汉明距离如下公式所示：

其中，rhd为两个编码字符串之间的汉明距离，为异或运算；

两幅手指静脉特征在进行匹配时，由rhd值的大小来判断两个手指静脉特征之间的相似程度，rhd越小，则说明两个特征之间的相似程度越高，rhd越大则说明相似程度越低；

在手指识别的时候，当rhd和阈值t的关系满足以下关系式时：

rhd＜t

则说明样本是来自同一个人的相同手指静脉，否则说明样本来自于不同的手指静脉。

由上述技术方案可知，本发明的有益效果在于：本发明提供的一种基于纹理的手指静脉特征匹配方法，不仅克服了常用典型手指静脉特征提取方法不能有效获取指静脉的纹理特征的缺点，并且减小了提取到的指静脉特征向量维数，能够有效获取指静脉纹理特征，提高了手指识别的识别率，同时也提高了识别的识别效率。

附图说明

图1为本发明实施例提供的一种基于纹理的手指静脉特征匹配方法的流程图；

图2为本发明实施例提供的40张gabor特征图像的示意图；

图3为本发明实施例提供的采用curvelet变换对两张手指静脉图像进行融合的流程图；

图4为本发明实施例提供的对图像采用近邻二值模式编码得到的像素窗口示意图；

图5为本发明实施例提供的数据库1上的手指静脉图像的类内类间匹配曲线示意图；

图6为本发明实施例提供的数据库2上的手指静脉图像的类内类间匹配曲线示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以天津市智能信号与图像处理重点实验室数据库和马来西亚大学fingerveinusm(fv-usm)数据库为例，使用本发明的基于纹理的手指静脉特征匹配方法进行手指静脉特征的提取匹配。

一种基于纹理的手指静脉特征匹配方法，如图1所示，包括以下步骤：

步骤1、将待匹配的两幅手指静脉图像分别进行静脉特征提取，得到每幅图像的编码向量；

每幅手指静脉图像进行静脉特征提取的具体方法为：

步骤1.1、将预处理后的手指静脉图像通过一组gabor滤波器，从而获得如图2所示的5个尺度v＝{v＝0，1，2，3，4}和8个方向u＝{u＝0，1，2，3，4，5，6，7}的40张gabor特征图像r(v，u)；特征图像r(v，u)包括指静脉结构中血管粗细以及不同延伸方向特征；

步骤1.2、将步骤1.1中得到的40张图像按尺度分类，即rv＝{r(v，0)，r(v，1)，...，r(v，7)}，再利用curvelet(即曲线波)变换分别将每个尺度下8个方向的图像进行融合，在有效的保留gabor特征的前提下减小数据维度，最终得到融合后的5幅不同尺度的集成gabor特征图像cur1、...、cur5；

每个尺度下8个方向的图像进行融合的具体方法为：

首先将每个尺度下的8张图像，按两两一组的方式采用curvelet变换方法进行融合，即对图像对{r(v，u′)，r(v，u′+4)}，u∈{0，1，2，3}使用curvelet变换方法进行融合，得到4张融合后的静脉图像；然后对这4张融合后的图像同样采取两两分组模式采用curvelet变换方法进行融合，得到2张融合后的图像；最后对得到的2张融合后的图像采用curvelet变换方法进行融合，最终得到该尺度下的1幅集成gabor特征图像。

采用curvelet变换对手指静脉图像进行融合的具体方法如图3所示，包括以下步骤：

step1：对经过配准的手指静脉图像a和b分别进行curvelet变换，得到各自的低频和高频系数矩阵，即为其中，和分别为手指静脉图像a和b的低频系数矩阵，和分别为手指静脉图像a和b的高频系数矩阵，j代表尺度，l代表方向，m，n为曲线波curvelet变换后的子图像矩阵中的坐标；

step2：将得到的低频系数矩阵和高频系数矩阵根据低频系数和高频系数的融合规则进行图像融合，得到融合后的融合系数阵

step3：对得到的融合系数阵进行逆变换，最终得到融合结果。

低频系数融合规则如下：

其中，l^a(m，n)和l^b(m，n)分别为图像a和图像b的综合了能量和方差的因子，其值越大说明对应区域的显著性越强，从而能获得更多的细节信息，表达式如下公式所示：

其中，r^a(m，n)和r^b(m，n)分别为图像a和图像b的区域方差函数，反映图像灰度分布情况，是图像纹理结构的数值反映，表达式如下公式所示：

r^x(m，n)＝1-1/(1+v^x(m，n)²)，x∈{a，b}

其中，x∈{a，b}为图像a或图像b的局部方差，q为低频系数矩阵或上一个大小为m×n的滑动窗口表示的区域，为图像a或图像b上区域q的均值，q(m，n)为区域q的中心点。e^a(m，n)，e^b(m，n)分别为图像a和图像b的区域平均能量，反映图像的亮度大小，表达式如下公式所示：

高频系数融合规则如下：

其中，和分别为图像a和图像b的特征量积，表达式如下公式所示：

其中，为图像a或图像b的方差，表达式如下公式所示：

为图像a或图像b的局部能量，表达式如下公式所示：

为图像a或图像b的方向对比度，表达式如下公式所示：

其中，为图像a或图像b上在尺度j上的子带区域均值，为图像a或图像b上在尺度j、方向l的子带区域均值。

步骤1.3、对集成gabor特征的融合图像做近邻二值模式编码，即nbp编码，作为手指静脉特征向量，即分别对cur1、...、cur5进行近邻二值模式编码，得到其编码图像，并转化为5个特征行向量scode1、...、scode5，进一步将这5个行向量串联，得到编码向量gcncode；

近邻二值模式编码方法如下：

a：在待编码图像中，选取3×3像素大小的窗口，取窗口中左上角的像素点作为起点，将中心像素点邻域内的8个像素点p0-p7以顺时针的方式排列，如图4所示；

b：按第一步中排列好的顺序，从最左边的像素点开始依次选取像素点，将选取的像素点与其右边相邻的像素点按如下公式进行灰度值比较，

其中，i＝0、…、7，当i＝0时，

从而，得到待编码图像二进制的编码串；

c：将得到的二进制编码串按公式转换成十进制数值，作为nbp编码的中心像素数值。

步骤2、利用两幅手指的静脉特征编码向量gcncode之间的汉明距离(hammingdistance)来判断获取到的两幅手指静脉图像是否匹配，具体方法为：

设两幅手指静脉特征编码向量gcncode的两个编码字符串为sgcncode1和sgcncode2，其比特串形式分别为：

sgcncode1＝x1x2...xn

sgcncode2＝y1y2…yn

其中，xi＝1、2…、n，yi＝1、2…、n，n为编码字符串的数据维度，xi和yi的取值均为0或1；

则两个编码字符串之间的汉明距离如下公式所示：

其中，rhd为两个编码字符串之间的汉明距离，为异或运算；

两幅手指静脉特征在进行匹配时，由rhd值的大小来判断两个手指静脉特征之间的相似程度，rhd越小，则说明两个特征之间的相似程度越高，rhd越大则说明相似程度越低；

在手指识别的时候，当rhd和阈值t的关系满足以下关系式时：

rhd＜t

则说明样本是来自同一个人的相同手指静脉，否则说明样本来自于不同的手指静脉。

本实施例中，采用天津市智能信号与图像处理重点实验室数据库作为实验数据库1。该数据库中有64个手指样本，每个手指有15幅图像。该数据库中的指静脉图像质量较好，静脉纹理清晰，图像噪声和干扰较小。在该数据库中共进行类内匹配6720次，类间匹配453600次，合计460320次。该数据库上的类内类间匹配曲线如图5所示，图中两曲线交点的横坐标即为该数据库中的阈值t，t＝0.4400。

采用马来西亚大学fingerveinusm(fv-usm)数据库，作为实验数据库2。该数据库是公开的红外手指图像数据库，可供相关领域的其他研究人员根据标准数据库来测试和评估其算法。数据库中的图像来自123名志愿者，每个人提供四个手指：左食指，左中指，右食指和右中指，共492个手指类和2952张图像。在该数据库中，共进行类内匹配7380次和类间匹配4348296次，合计4355676次。该数据库上的类内类间匹配曲线如图6所示，图中两曲线交点的横坐标即该数据库中的阈值t，t＝0.3027。

本实施方式还给出了采用本发明方法和其他方法对数据库1和数据库2中的手指图像进行识别的结果比较，如表1所示：

表1不同算法对数据库1和数据库2中的手指图像进行识别的结果

从表1中可以看出，本发明方法能够有效地提取指静脉图像的纹理特征，在两个数据库上均获得了最高的识别率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。