中A(P)表示当前像素点P周围8个像素点中值为1的个数；？2、？446、？8分别 为当前像素点P的上方、左方、右方、下方邻接像素点的值；
[0071] 过程2的门限条件为：
[0072] 2 ^A(P) ^ 6；
[0073]P4 · P6 ·P8 = 0 ;
[0074]P2 · P6 ·P8 = 0 ;
[0075] 过程3的门限条件为：
[0076] 2 ^ A(P) ^ 6 ；
[0077]P2 · P4 ·P6 = 0 ;
[0078]P2 · P6 ·P8 = 0 ;
[0079] 过程4的门限条件为：
[0080] P2 · P4 ·P8 = 0 ;
[0081] P4 · P6 ·P8 = 0 ;
[0082] (2)每执行一个迭代细化过程，执行N增1操作；判断当前细化结果与上次细化结 果是否相同，若相同即细化后不再有改变，则转步骤（7);若不同，则继续步骤（3);
[0083] (3)判断Nmod4的值，为1时，执行过程1，在过程1中，若当前像素P的A(P) = 2， 则将像素点P删除，否则保留像素点P;若像素点P不同时满足过程1的所有条件，则保留 像素点P，转步骤（2);
[0084] (4)判断Nmod4的值，为2时，执行过程2，在过程2中，若当前像素P的A(P) = 2， 则将像素点P删除，否则保留像素点P:若像素点P不同时满足过程2的所有条件，则保留 像素点P，转步骤（2):
[0085] (5)判断Nmod4的值，为3时，执行过程3,在过程3中，若当前像素P的A(P) = 2， 则将像素点P删除，否则保留像素点P:若像素点P不同时满足过程3的所有条件，则保留 像素点P，转步骤（2);
[0086] (6)判断Nmod4的值，为0时，执行过程4，在过程4中，若当前像素P的A(P) = 2， 则将像素点P删除，否则保留像素点P:若像素点P不同时满足过程4的所有条件，则保留 像素点P，转步骤（2);
[0087] (7)若像素点P满足以下两个条件，则把像素点P作为冗余像素删除：
[0088]P2 · P6 = 1 且P7 = 0 ;
[0089]P6 · P8 = 1 且P1 = 0 ;
[0090] 其中P1和P7分别为像素点P的左上方和左下方邻接像素；
[0091] (8)若像素点P满足以下条件，则把像素点P作为冗余像素删除：
[0092]P2 · P6 = 1 且P3 = 0 ;
[0093]P6 · P8 = 1 且P9 = 0 ;
[0094] 其中P1和P7分别为像素点P的右上方和右下方邻接像素；
[0095] 获得增强后的掌纹静脉图像之后，进一步地，在上述图像特征提取过程中，本发明 采用以下过程：
[0096] 静脉图像的特征主要体现在纹理延伸趋势上，对于二值化灰度图像来说，延伸趋 势又体现在静脉边界高频信息的方向中。本发明重点针对静脉曲线的弯曲角度进行描述和 特征提取。
[0097]将增强后的静脉图像进行分块，分为多个64X64大小的静脉子图像f(x，y)，首先 对其进行以下变换：
[0099] 变换后，变换结果也为64X64大小的矩阵，同时把[0, 2π)等分等分成126段，对 应126个方向角，采用线性插值方法对不同方向上的径向坐标进行估计：
[0100] Fi=Fi,u(xu-x)+Flid(x-xd)
[0101] F2=Fr，u(xu-x)+Fr，d(x_xd)
[0102] F(i,j) =F^y^yi^+F^yi-yd)
[0103] 这里，F(i,j)为i方向径向坐标第j个坐标的处的值，（u, 1)、（d, 1)、（u，r)，（d,r) 分别为坐标（x，y)左上、左下、右上、右下处的值；然后对F(i，j)，做逆傅里叶变换，结果记 为f'（i，j)，其中i= 1，2，…，126;j= 1，2, ...，64,i为方向信息，j为截距信息；
[0104] 将训练集中所有样本相同区域的子图像分解系数集合形成样本矩阵：
[0105]
[0106] 式中，η为静脉图像样本库中样本数量，为第i个样本的第j个小波分解系数； 进行主分量分析，得到一组特征值向量（ωρω2，…，ω126)，从126个分量中找到p个分 量，当其方差占总方差的比例大于某一值时，则选择前面的Ρ个分量作为主分量，主分量方 差占全部方差的比例计算公式如下：
[0108] 经分析计算后的图像特征向量为
[0109]
[0110] 式中，c为综合因子，矩阵Υ的第i列为第j主分量；当αρ大于且小于给定阈值 时，（yu，yil；!...yilP)T，即作为第i幅图像的特征向量；
[0111] 对手掌静脉图像样本库的静脉对象的特征向量进行分类，当获得新的静脉图像 后，对该位置的子图像进行分类，并记录分类后的该子图像属于样本库中的所有对象的记 录数，将记录数最多的对象作为该子图像的匹配结果；
[0112] 将测试样本的Q个子图像分别按已知类别进行匹配后，得到不同位置子图像的分 类正确概率[RA1>1，…RAq,q]，这里，Ai，j为测试样本被分割后（i，j)位置的子图像，并且Q =q2；
[0113] 融合候选匹配静脉图像的所有子图像分类结果，识别该图像与库中哪类静脉图像 相匹配；
[0114] Cp=XAi，j
[0115]Cp为待匹配图像属于第p类图像的概率系数；设置合适阈值T，如果CP>T，确定待 匹配图像属于第Ρ类静脉图像；如果Cp<Τ，确定待匹配图像为样本库中不存在的新的静脉 图像。
[0116] 综上所述，本发明提出了一种基于灰度图像的识别方法，对于质量较低的采集图 像，有效提高了识别范围，识别速度和精度。
[0117] 显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用 的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成 的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储 在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。
[0118] 应当理解的是，本发明的上述【具体实施方式】仅仅用于示例性说明或解释本发明的 原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何 修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨 在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修 改例。
【主权项】
1. 一种基于灰度图像的识别方法，用于对所采集的手掌静脉灰度图像进行匹配识别， 其特征在于，包括： 通过图像分割，将静脉纹理进行分离； 将分割后的图像进行增强处理； 提取经过增强处理后的图像特征，并基于所提取的特征完成手掌静脉灰度图像的识 别。2. 根据权利要求1所述的方法，其特征在于，所述通过图像分割，将静脉纹理进行分 离，进一步包括： 计算手掌静脉图像F的方向分布图，确定滤波器方向的选择；每隔31/8的角度，预设8 个方向的模板算子Tk化=1，. . .，8)，用F(i，j)表示原静脉图像（i，j)处的中屯、像素点灰 度值，（i，j)为中屯、像素点的坐标，方向分布图计算如下： (1) 逐点计算出各像素点上的8个方向灰度卷积值：采用5x5的模板算子Tk计算像素 点（i，如处的灰度卷积和Sk(i，如化=1，. . .，8);在一个9X9块中使用公式：获得该窗口中屯、像素（i，j)的8个方向灰度卷积和Sk; 其中，X、y为模板在图像中滑动的距离，即对应方向上模板的系数； (2) 从Sk(i，jHk= 1，...，8)中的8个中屯、像素点的灰度卷积和取出最大的卷积和 值，并取最大卷积和值的下标作为该中屯、像素点的方向： Skmax=max(Sk(i, _]·))化=1,...,8) k"ax=arg(Sk"J 其中，max表示取一组灰度卷积和中的最大值，arg表示取Skm。、的下标值； 其中，滤波器的中屯、频率f和滤波器的尺寸Syδy满足： δ=δχ=δy;并且其中，Β表示滤波器的空域带宽，且在化5,2.引之间取值； (3) 对滤波之后的8幅图像进行重建；定义一组加权值λkG[0, 1] ;8幅图像的重建 过程为：R表不重建之后的图像； (4) 采用4方向均值模板对重建图像R进行平滑处理：定义一个7巧大小的4方向均 值模板T。，从水平位置开始，每隔31/4确定一个方向，执行如下过程： 首先计算每个像素点在W中屯、像素为中屯、的4个方向上的像素灰度平均值Ri，其中1 取1至4,并将4方向的灰度均值之和求平均值：其中敎代表二维卷积运算，R'表示4方向均值图像； (5)将重建图像R和图像R'的差值比较作为分割的标准，定义图像的分割过程：R(i，j)表示重建图像R在（i，j)处的灰度值，R' (i，j)表示4方向均值图像R'在（i，j) 处的灰度值，E为分割之后的图像。
【专利摘要】本发明提供了一种基于灰度图像的识别方法，该方法包括：通过图像分割，将静脉纹理进行分离；将分割后的图像进行增强处理；提取经过增强处理后的图像特征，并基于所提取的特征完成手掌静脉灰度图像的识别。本发明提出了一种基于灰度图像的识别方法，对于质量较低的手掌静脉采集图像，有效提高了识别范围，识别速度和精度。
【IPC分类】G06K9/00, G06T5/00, G06T7/00
【公开号】CN105404864
【申请号】CN201510783860
【发明人】赖真霖, 文君
【申请人】成都四象联创科技有限公司
【公开日】2016年3月16日
【申请日】2015年11月16日