一种基于二值图的手指静脉识别方法与流程

本发明涉及图像处理与生物识别技术领域，尤其是涉及一种基于二值图的手指静脉识别方法。

背景技术：

现有的指静脉识别算法大致分为基于细节和特征点的方法，基于局部模式的方法，以及基于纹理网络的方法。其中，基于细节和特征点的方法在一定程度上综合了后两种方法的优势，发展前景较好。基于细节和特征点的方法，通过对图像进行处理，尽可能的突出静脉纹理部分，消除非静脉结构等因素的影响，然后再提取静脉结构中符合要求的特征点，进一步消除非静脉结构的干扰。

然而，发明人在研究中发现，现有的基于细节和特征点的静脉识别方法，主要是以包含静脉分布的灰度图进行对象进行算法设计，由于采集装置的局限性、光照强度的不确定性，以及手指血管周围组织的复杂性等因素的存在，导致后续图像处理过程中得到的灰度图依然存在不规则的阴影和非静脉特征，这会使得被提取的静脉特征不具备很好的代表性和区分性，从而降低识别结果的准确性。另外，在算法设计的本身也有需要改进和优化的空间

技术实现要素：

有鉴于此，有必要针对上述的问题，提供一种基于二值图的手指静脉识别方法，以阈值分割后的静脉纹理二值图作为特征点提取的对象，可以最大程度消除非静脉因素的干扰，并且对算法设计本身进行优化，进一步提高手指静脉识别的效率和结果识别的准确率。

一种基于二值图的手指静脉识别方法，包括：

采集近红外光下的手指图像；

对采集的手指图像进行预处理，以获取对应的手指静脉二值图；

采用fast算法对手指静脉二值图进行特征点提取；

采用梯度直方图对提取的特征点进行向量化描述；

基于向量化描述的特征点，计算手指静脉二值图与训练库中所有注册图像之间的匹配距离；

通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果。

所述对采集的手指图像进行预处理的步骤，包括：

对手指图像进行图像尺寸归一化、roi提取、图像空间域和频域增强，以及图像阈值分割的处理。

所述roi提取包括：

使用sobel算子纵向卷积粗提取手指边缘，然后沿着梯度方向进行非极大值抑制，最后使用ransac拟合轮廓边缘。

所述图像空间域和频域增强的步骤，包括：

使用clahe将图像分成若干个子块，在每个子块内进行直方图均衡化，若某个子块的直方图幅度大于预设值，则对其进行裁剪并均匀的分布在整个灰度区间中；以及

构建以为间隔，从0到共8个方向的gabor滤波器，分别对图像进行滤波处理，对得到的8个响应进行比对筛选，保留各个结果中纹理部分的最大响应。

所述图像阈值分割的步骤，包括：

使用niblack算法进行阈值分割，将大于阈值的像素值设为255，小于阈值的像素值设为0。

所述采用梯度直方图对提取的特征点进行向量化描述的步骤，包括：

构建以特征点为圆心，直径为7个像素的邻域圆，计算邻域圆内像素的梯度值和方向，设像素点p的坐标为(x,y)，其梯度的模m(x,y)以及方向θ(x,y)的计算公式如下：

构建一个方向直方图，其横轴是梯度方向的角度大小，梯度方向范围为0到360度，选取每10度为一个bins，共分成36个bins，纵轴是梯度方向对应梯度幅值的累加，方向直方图的峰值代表特征点的主方向；

以特征点为中心，在附近领域内将坐标轴旋转角度θ，即将坐标轴旋转为特征点的主方向；

以特征点为中心取16×16的窗口，并将其分成16个4×4的小块，同样构建方向直方图，但以每45度为一个bins，这样每个小块有8个方向的梯度强度信息，由此每个特征点可以得到128维特征描述向量。

所述计算手指静脉二值图与注册图像之间的匹配距离的步骤，包括：

用dij表示作为测试图像的手指静脉二值图中第i个特征点与注册图像中第j个特征点之间的欧氏距离,

其中i∈[1,n1],j∈[1,n2]；

对于测试图像中的特征点i(x1,y1)，在训练图像中构建以相同的坐标点(x1,y1)为圆心，以r为半径的圆形邻域oi，若训练图像中在该圆形邻域内存在m个特征点，分别计算特征点i与训练图像中这m个特征点之间的欧氏距离，若其中最小欧氏距离为dip，则dip为局部最优匹配；

对训练库中的所有非圆形邻域oi内的(n2-m)个特征点进行计算，若其中最小欧氏距离为diq,则diq为全局最优匹配，若dip＝diq，则认为测试图像中的特征点i和训练图像中的特征点p是正确匹配对，若dip≠diq，则认为对于测试图像的特征点i，训练图像中没有相对应的匹配点；

定义两幅图像之间的匹配距离，

其中，n表示正确匹配对数，n表示测试图像的特征点总数，d(i)表示第i对正确匹配之间的欧式距离。

所述通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果的步骤，包括：

将手指静脉二值图与数据库中所有注册图像之间的匹配距离进行排序，匹配距离最小的注册图像的类别作为识别结果的类别，若该最小匹配距离大于预设阈值，则识别失败。

本发明提供的一种基于二值图的手指静脉识别方法，以阈值分割后的静脉纹理二值图作为特征点提取的对象，可以最大程度消除非静脉因素的干扰，并且对算法设计本身进行优化，进一步提高手指静脉识别的效率和结果识别的准确率。

附图说明

图1(a)为手指图像的原始图像示意图；

图1(b)为手指图像的轮廓粗提取示意图；

图1(c)为手指图像的roi图像示意图；

图1(d)为手指图像的clahe增强示意图；

图1(e)为手指图像的gabor增强示意图；

图1(f)为手指静脉二值图示意图；

图2是经过特征点提取的二值图示意图；

图3是本发明测试场景中的受试者工作特征曲线；

图4是一个应用场景中的匹配距离分布图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明例中的技术方案进行清楚、完整地描述，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明所述的基于二值图的手指静脉识别方法的具体实现步骤如下：

步骤s1：在近红外条件下采集手指图像。示意图如图1(a)。

步骤s2：使用sobel算子(索伯算子)纵向卷积粗提取手指边缘，然后沿着梯度方向进行非极大值抑制，最后使用ransac(随机抽样一致性算法)拟合轮廓边缘。本步骤实现roi(regionofinterest，感兴趣区域)提取。

步骤s3：对指静脉图像分别进行空间域和频域增强，步骤如下：

使用clahe(限制对比度直方图均衡法)将图像分成若干个子块，在每个子块内进行直方图均衡化，若某个子块的直方图幅度大于预设值，则对其进行裁剪并均匀的分布在整个灰度区间中。

构建以为间隔，从0到共8个方向的gabor滤波器(甘博滤波器)，分别对图片进行滤波处理，对得到的8个响应进行比对筛选，保留各个结果中纹理部分的最大响应。

步骤s4：使用niblack算法(尼布拉克算法)进行阈值分割，将大于阈值的像素值设为255，小于阈值的像素值设为0。

步骤s5：使用fast(快速分段测试特征点提取)算法检测静脉纹理边缘上符合要求的像素点作为目标特征点。示意图如图2。

步骤s6：对提取到的特征点进行向量化描述，步骤如下：

构建以特征点为圆心，直径为7个像素的邻域圆，计算邻域圆内像素的梯度值和方向。设像素点p的坐标为(x,y),其梯度的模m(x,y)以及方向θ(x,y)的计算公式如下：

构建一个方向直方图，其横轴是梯度方向的角度大小(梯度方向范围为0到360度，选取每10度为一个bins，共分成36个bins)，纵轴是梯度方向对应梯度幅值的累加。方向直方图的峰值即代表了特征点的主方向。

为了保持描述向量的旋转不变性，要以特征点为中心，在附近领域内将坐标轴旋转θ(特征点的主方向)角度，即将坐标轴旋转为特征点的主方向。

以特征点为中心取16×16的窗口，并将其分成16个的4×4小块，同样构建方向直方图，但以每45度为一个bins，这样每个小块有8个方向的梯度强度信息。因此最终每个特征点可以得到128维的特征描述向量。

步骤s7：计算两幅图像之间的匹配距离，用dij表示测试图像中第i个特征点与训练图像中第j个特征点之间的欧氏距离,

其中i∈[1,n1],j∈[1,n2]。

对于测试图像中的特征点i(x1,y1)，在训练图像中构建以相同的坐标点(x1,y1)为圆心，以r为半径的圆形邻域，若训练图像中在该圆形邻域内存在m个特征点，分别计算特征点i与训练图像中这m个特征点之间的欧氏距离，若其中最小欧氏距离为dip，则dip为局部最优匹配。

对训练库中的所有非圆形邻域oi内的(n2-m)个特征点进行计算，若其中最小欧氏距离为diq,则diq为全局最优匹配。若dip＝diq，则认为测试图像中的特征点i和训练图像中的特征点p是正确匹配对。若dip≠diq，则认为对于测试图像的特征点i，训练图像中没有相对应的匹配点。

两幅图像之间的匹配距离，定义如下：

其中，n表示正确匹配对数，n表示测试图像的特征点总数，d(i)表示第i对正确匹配之间的欧式距离。

步骤s8：将输入图像与数据库中所有注册图像之间的匹配距离进行排序，匹配距离最小的手指类别作为输入图像的类别，若该匹配距离大于预设阈值，则识别失败。

参见图3和图4，在测试场景中，针对本发明的手指静脉识别算法进行验证，实验采用山东大学机器学习与数据挖掘实验室公开的数据库进行测试。该数据库中共有636类手指，每个手指有6幅图，共有3816幅图像，图像尺寸为320x240。实验分为识别模式和验证模式，在识别模式下，每一类手指随机选取一幅图像作为测试图像，每一类手指的剩下5幅图像组成模板数据库图像，共测试十次，平均识别率为99.3％，达到100％识别率时的平均最低序为14.7。在验证模式下，源匹配中使用全匹配，在同源匹配中选取数据库中的500类手指进行测试。因此数据库上，每一幅图像都和其它635个手指的6幅图像进行异源匹配计算，相应地可以得到14538960(635×6×636×6)个异源匹配距离。同时每一幅图像都和同类的另外5幅图像进行同源匹配计算，由此可以得到15000(500×a_6^2)个同源匹配距离。实验结果表明eer(等误率)为0.0196。可以看出，识别模式和验证模式下的相关指标都取得了较好的结果，本发明提供的手指静脉识别方法具有较高的实用价值。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。