一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
【技术领域】
[0001] 本发明涉及接触式生物特征身份识别技术领域，尤其是一种掌静脉特征提取和匹 配方法。
【背景技术】
[0002] 计算机的普遍性和必要性是当今信息技术发展的必然结果，致使整个社会成为信 息和网络的结合体，如何进一步加强社会信息化和网络化的安全性成为如今迫切需要解决 问题的重中之重，而身份认证就是古往今来所使用的一种基本方法。传统的身份认证有两 种方式，一种是基于标志物（钥匙、证件）的身份认证；另外一种是基于知识（密码，卡号） 的身份认证，但这两者的缺陷都是通过"身外之物"进行身份认证，而这些身外之物容易被 伪造或者冒充，要消除这些隐患必须摒弃这些身外之物，寻求一种对个人自身独有的特征 进行认证的识别技术，即生物识别技术。
[0003] 物识别技术是对人体自身所拥有的生物特征进行自动身份识别的技术，生理特征 包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等，行为特征包括手写签 名、声纹、步态等。行为特征不具备一定的精确度，并且容易被模仿和假冒，在实际使用中存 在一定的不安全性。虹膜、指纹等这些人体识别技术容易被仿冒且容易取得。因此静脉特 征识别技术是一种安全性很高的身份识别技术。
【发明内容】
[0004] 为了克服已有身份验证方式的安全性较差的不足，本发明提供一种基于八邻域和 二次匹配的手掌静脉特征提取和匹配方法。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] -种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，所述方法包括以下 步骤：
[0007] 1)采集手掌静脉图像；
[0008] 2)对采集到的静脉图像进行预处理；
[0009] 二值化提取出手掌，进行手掌关键点定位，采用高斯滤波对图像进行去噪处理，采 用直方图均衡化对图像进行增强；
[0010] 3)对增强后的静脉图像进行细化裁剪
[0011] 用Niblack图像阈值分割法进行阈值分割，采用中值滤波进行去噪处理，再进行 图像的细化和裁剪；
[0012] 4)对裁剪后的图像在八邻域中进行特征点提取，采用局部结构关系匹配和欧式距 离匹配相结合的匹配方式，过程如下：
[0013]采用八邻域算法进行特征点提取，在八邻域中，当前点P的八个邻域点（Ρ1···Ρ8)， Ρι···ρ8表示Ρ1…Ρ8的灰度值，交叉数CJP)的定义为式（1):
[0014]
[0015] 以及在八邻域中，纹线的点数Sn(p)定义为式（2):
[0016]
[0017] 特征点类型判别条件：
[0018] a)当Cn⑵=1且Sn⑵=1，则P为端点；
[0019] b)当Cn (P) = 3 且Sn (P) = 3,则P为三叉点；
[0020] c)当Cn⑵=4且Sn⑵=4,则P为四叉点；
[0021] -个特征点包含以下信息：点的类型s，点的坐标位置（i,j)，点在脊线上的方向 角度Θ，选取与中心特征点距离大于r的最近5个点（P1，P2，P3，P4，P5)作为此中心点的邻 域特征点，利用这5个邻域点和该中心点的距离信息、坐标信息和角度信息一起构造出局 部特征向量；
[0022] 在建立好局部特征向量之后，对特征向量进行第一步匹配识别，假设待识别掌静 脉图像A，采集得到其特征点为A=(AidSuΘ丄--AN(iN,jN,sN,ΘN))表示掌静脉A 上有N个特征点，与之匹配的模板中的任一掌静脉B，其特征点为B=(BJLi，Sl，Θ丄.. ? ·BM (iM，jM，sM，θM))表示掌静脉B中有M个特征点；
[0023] 匹配的过程为，将Β的Μ维向量组与Α的Ν维向量组进行比较，把Α中的每个特征 点分别与B中的每个特征点进行一一匹配，根据匹配结果，得到NXM个匹配值，将匹配值记 录在矩阵FNXM中；
[0024] 计算完成之后，在矩阵F的每一行标记出匹配值最大且不为0的元素，这些元素的 性质保证特征点~和B;是一一对应的关系，标记出每一行的最大元素之后求其总和，将其 总和记为匹配值UAB;
[0025] 初步匹配的判决条件为Z= 100XUABXUAB/NXM，设置判决值上下限，即最低 下限2_和最高上限Z_，当2〈2_时，则判定AB不匹配，无需再进入第二步匹配；当 Z_<Z<Z_时，则进入第二步的匹配，当Z兰Z_时，直接判定AB匹配成功；
[0026] 然后根据特征点的欧式距离进行二次匹配，经过初步匹配，不能确定是否匹 配的静脉图像A和B，A有N个特征点，B有Μ个特征点，图像A的特征点坐标表示为 廣/?,乂4)火'穴），B的特征点坐标表示为5(4#)，将A的第一个点 你?)分别和B的Μ个点进行距离的求解，得到Μ个距离值，取最小值记为d1];
[0027] 重复上述步骤，一共可以得到N个最小距离值，记为du...dNj (1彡j彡N)，在这 些最小值中，求其最大值d_，与求得的阈值D进行比较，若D，则匹配成功，A和B为 同一类图像，若D，则A与B属不同类的图像，结果为不匹配。
[0028] 更进一步，所述步骤1)中，通过双波长近红外LED和高清C⑶的手掌静脉前端采 集装置采集到手掌静脉图像。
[0029] 再进一步，所述步骤2)中，采用全局阈值法中的固定阈值进行静脉图像的二值 化，将阈值定义为T，则灰度图像f(x，y)二值化变换过程用式（3)所示：
[0030]
[0031] 所述步骤2)中，提出了局部求点的方法，求出每个边缘点到图像底部的距离，根 据距离求得图像的极值点，根据极值点确定每个手指之间的交叉点；在实际的处理过程中， 截取了图像上半部分进行距离计算，摒弃了图像大拇指到手掌底部的图像信息，这些图像 信息对处理并没有什么影响。
[0032] 所述步骤2)中，找到小拇指和无名指之间的点P2与中指和食指之间的点P1，将 P1和P2连成一条线，获得其与手腕的水平方向的夹角进行图像Θ角度，其中P1点坐标为 (XP1，YP1)，P2点坐标为（XP2，YP2)，旋转的角度Θ如式所示⑷：
[0033]
[0034] 将整个掌静脉图像按照Θ角度旋转，最终获得R0I为矩形有效区域ΑΒ⑶。
[0035] 所述步骤2)中，尺寸归一化矩阵方式如式（5)所示：
[0036]
[0037] 其中（u,V)表示缩放前的坐标，（X，y)表示缩放后的坐标，a表示的是横坐标的缩 放比，b表示纵坐标的缩放比；a>l是指横向放大，0〈a〈l是指横向缩小；b>l是指纵向放大， 〇〈b〈l是指纵向缩小；a=b表示横纵方向的缩放比相同，也就是变换后图像没有发生形变。
[0038] 所述步骤2)中，采用直方图均衡化对图像进行增强，直方图均衡化用式（6)表 示：
[0039]
[0040] 其中，r为转换前的灰度值，T(r)为对灰度值r的直方图均衡化函数，w为0到r 之间的变量，s为转换后的灰度值，Pl^代表灰度r的概率分布函数。
[0041] 更进一步，所述步骤3)中，用Niblack图像阈值分割法进行阈值分割，过程如下：
[0042] 对图像的每个像素点，在它的RXR的邻域内计算出邻域内像素点的方差和均值， 然后根据式（7)进行图像二值化：
[0043]T(x,y) =m(x,y)+kXs(x,y) (7)
[0044] 其中结果T(x,y)为所求阈值，m(x,y)为该像素点在邻域内的灰度均值，k为预先 设定的修订值，s(X，y)为该像素点邻域内的灰度标准方差，m(x,y)和s(X，y)的计算过程如 式⑶和（9)所示：
[0045]
[0046]
[0047] 其中f(i，j)为像素点（i，j)的灰度值。
[0048] 阈值分割后，用均值滤波除去少量的孤立噪点。
[0049] 所述步骤3)中，进行图像细化使图像细化后的静脉图像脊线位于原始脊线的中 间位置，并且保持着脊线的连通性，细节信息和拓扑结构；
[0050] 采用条件细化算法细化图像，对像素点建立3X3的模版，其中一共有9个相邻的 像素点，将掌静脉图像中的血管点标为1，背景点标为〇,对模版中心点P5标记为1，而邻域 中的8个点至少有一个标记为0的点进行以下条件的判断：
[0051]a)2 彡N彡 6;
[0052]b)S= 1；
[0053]c)P2XP4XP6 = 0 且P4XP6XP8 = 0 或者P2XP4XP8 = 0 且P2XP6XP8 = 0;
[0054] 其中N是邻域中非0的点的个数，S是PL . . P4和P6. . . P9点从0到1变化的次 数，上述条件如果都满足，则将P5删去；从而达到了细化的目的。
[0055] 所述步骤3)中，进行图像裁剪，查找每个像素点的邻域范围，通过查找8邻域中的 值为1的像素点个数，判断该点是否为交叉点或端点，并标记交叉点和端点位置；根据预先 认定的裁剪的长度值和记录该段分支中端点到交叉点之间的像素距离进行比较，若距离小 于设定长度，则将端点到交叉点的整段静脉纹路裁减。
[0056] 本发明的技术构思为：生物识别技术是对人体生物特征（生理或行为特征）进行 自动身份识别的技术，生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉 血管等，这些生物特征拥有足够的稳定性，不会随着年龄的增长，时间的改变而改变。行为 特征包括手写签名、声纹、步态等。行为特征不具备一定的精确度，并且容易模仿和假冒，在 实际使用中存在一定的不安全性。虹膜、指纹、掌纹等这些人体识别技术却容易被仿冒且容 易