一种手指静脉快速识别方法
【专利摘要】本发明公开一种手指静脉快速识别方法，其通过将一特征点集中的特征点与从另一特征点集的邻近该特征点的区域搜取的特征点进行匹配的方法，克服了现有逐个特征点匹配方法匹配次数多，运算时间长的缺点，解决了现有手指静脉识别方法耗时长的问题；通过对特征点距离进行升序排列，保留排序在前3/4范围内的距离值并计算其平均值的方法，解决了现有手指静脉识别方法识别性能易受图像精度影响的问题，具有识别耗时短、识别率高、识别波动性小的优点。
【专利说明】
一种手指静脉快速识别方法
技术领域
[0001] 本发明属于生物特征识别及信息安全技术领域，特别涉及一种手指静脉快速识别 方法。
【背景技术】
[0002] 手指静脉识别技术是一种新的生物特征识别技术，它利用手指内的静脉分布图像 来进行身份识别，具有活体识别、内部特征和非接触式三个特征，确保了使用者的手指静脉 特征很难被伪造，所以手指静脉识别系统安全等级高，特别适合于安全要求高的场所使用。
[0003] 手指静脉识别的基本方法为:首先用特定波长的光线对手指进行照射，采集到手 指静脉图像;接着对采集到的手指静脉图像进行处理和特征提取，得到待识别的特征数据； 然后将待识别特征数据与数据库中已注册的数据进行对比，如果判决距离小于或等于某个 阈值，则认为是合法匹配，反之，则认为是非法匹配。
[0004] 余成波等人提出了基于Hausdorff距离特征点匹配的手指静脉识别算法，其通过 提取手指静脉纹路的端点和分叉点作为特征点进行对比，实验结果相对令人满意，但由于 是逐个特征点匹配，需要耗费大量时间，且识别性能(识别率、波动性等）易受图像精度的影 响。
【发明内容】
[0005] 为解决现有手指静脉识别方法耗时长且识别性能易受图像精度影响的问题，本发 明提供一种手指静脉快速识别方法。
[0006] 本发明所采用的技术方案为：
[0007] -种手指静脉快速识别方法，包括以下步骤：
[0008] S1、对待识别的原始采集的手指静脉图像进行均值滤波处理；
[0009] S2、对步骤S1处理后的手指静脉图像进行边缘检测；
[0010] S3、在步骤S1处理后的手指静脉图像上截取位于步骤S2检测到的对应手指宽度最 窄处的边界内的图像；
[0011] S4、对步骤S3获得的图像进行尺度归一化和灰度归一化处理；
[0012] S5、对步骤S4最终获得的图像进行脊波滤波处理；
[0013] S6、对步骤S5获得的图像进行图像重构，并对重构后的图像进行均值滤波处理；
[0014] S7、对步骤S6最终获得的图像进行图像分割，将其由灰度图像转变为二值图像；
[0015] S8、滤除步骤S7获得的二值图像中的独立小区域白斑；
[0016] S9、对步骤S8获得的图像进行中值滤波处理；
[0017] S10、对步骤S9获得的图像进行骨骼化处理，并对骨骼化处理后的图像进行去毛刺 处理；
[0018] S11、寻找步骤S10获得的图像中的端点和交叉点，将寻找到的端点和交叉点视为 特征点存放到一个点集中。
[0019]12、设步骤511得到的点集为乂={^，幻，幻...^}，设点集乂中的特征点的坐标为幻 (ai，bi)、X2(a2，b2)、…、Xm(am，bm)，设某一已注册的手指静脉图像的特征点的点集为Y = {y 1，y2， y3. . .yn}，点集Y中的特征点的坐标为71(六1，81)、72(六2,82)">(六11，8 11)，计算出点集乂中特征点 xi(ai，bi)与点集Y={yi，y2，y3. · .yn}中坐标区域(ai土 Δ，bi土 Δ )内的每个特征点的距离值， 其中Δ取1至10内的任一整数值，然后选取其最小值 一
$Xl(ai，b〇和点 集￥的距离值，计算出点集乂中特征点12(32上)与点集￥={71，72,73..，}中坐标区域(32±八， b2土 Δ )内的每个特征点的距离值，并选取其最小彳
g为X2(a2，b2)和点 集Y的距离值，如此进行，直到计算出点集X中特征点Xm(am，bm)与点集Y = {y 1，y2，y3... yn}中坐 标区域(am± △，bm± △)内的每个特征点的距离值，并选取其最小僅
乍 Sxm(am，bm)和点集Y的距离值，然后对上述得到的点集X中的各特征点与点集Y的距离值进行 升序排列，利用公式
-算出排序在 前3/4范围内的距离值的平均值d(X，Y)，其中Nx为大于f X翁I:的最小整数;计算出点集Y中特 征点yi(Al，Bl)与点集X={xi，X2，X3. . .Xm}中坐标区域(Ai土 Λ，Βι土 Λ )内的每个特征点的距离 值，其中Α取1至10内的任一整数值，然后选取其最小值
乍为yiUhBO 和点集X的距离值，计算出点集Y中特征点y2 ( A2，B2 )与点集X = { XI，X2，X3 . . . Xm}中坐标区域(A2 土 Δ，B2± A )内的每个特征点的距离值，并选取其最小
卩为y2(A2， B2 )和点集X的距离值，如此进行，直到计算出点集Y中特征点yn(An，Bn)与点集X = {XI，X2，X3 . . . Xm} 中坐标区域(Am土 Δ，仏土 Δ )内的每个特征点的距离值，并选取其最小
作为yn(An，B n)和点集X的距离值，然后对上述得到的点集Y中的各特征点与点集X的距离值 进行升序排列，利用公无
计算出 排序在前3/4范围内的距离值的平均值d(Y，X)，其中NY为大于的最小整数;再利用公 % 式腿〇0，￥)=1^1((10，￥)，(1(￥4))，得出点集乂和点集￥之间的集间距离腿〇的值；
[0020] S13、将步骤S12得到的MHD的值与预先设定的阈值进行比较，若小于或等于某个阈 值，则认为本次识别的指静脉图像与已注册的指静脉图像匹配成功，反之，则认为匹配失败 或继续与其他已注册的指静脉图像进行匹配。
[0021] 优选地，所述步骤S1的执行方法为:首先对原始采集的手指静脉图像的边界用0值 扩充，然后用3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的 图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素 平均值赋给图像上位于当前窗口中心的点。
[0022]优选地，所述步骤S2中对手指静脉图像的边缘检测包括利用sobel垂直方向算子 对手指静脉图像对应手指宽度方向的边缘的检测。
[0023]优选地，所述步骤S4利用双线性插值法对步骤S3获得的图像进行尺度归一化处 理，所述步骤S4获得的图像的尺度大小为180行X64列的数据矩阵。
[0024] 优选地，所述步骤S5的执行方法为:通过调整脊波滤波器的方向参数，生成从0°开 始依次增加22.5°的八个方向的算子，然后将得到的八个方向的算子分别与步骤S4最终获 得的图像进行卷积运算。
[0025] 优选地，所述步骤S6的执行方法为:将步骤S5最终获得的8个图像以一定的权值重 叠在一起，得到重构的图像;再用一个7*7点的窗口在扩充边界后的图像上滑动，窗口的中 心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求 像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。
[0026] 优选地，所述步骤S8的执行方法为:对步骤S7获得的二值图像进行像素取反操作， 得到背景为黑色、手指静脉为白色的图像;然后对取反后的图像进行标记连通区域操作，当 某个连通区域的像素点个数小于100个时，则将该连通区域视为独立小区域白斑;然后将该 连通区域的像素都置为0,即可滤除图像中的独立小区域白斑。
[0027] 优选地，所述步骤S9的执行方法为:首先对步骤S8获得的图像的边界用0值扩充， 然后用一个3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的 图像上的各个像素点，同时将图像上位于当前窗口中心的点的像素值用图像上位于当前窗 口内的各点的像素的中间值代替。
[0028]优选地，所述步骤S10中去毛刺处理的方法为:从骨骼化处理后的图像中的每个端 点开始向非零点搜索，直到交叉点为止，记录下每个端点在这个过程中遍历的点数，若点数 大于50,则将该搜索路径上的点的像素值置为0,即可去除毛刺。
[0029] 本发明通过将一特征点集中的特征点与从另一特征点集的邻近该特征点的区域 搜取的特征点进行匹配的方法，克服了现有逐个特征点匹配方法匹配次数多，运算时间长 的缺点，解决了现有手指静脉识别方法耗时长的问题;通过对特征点距离进行升序排列，保 留排序在前3/4范围内的距离值并计算其平均值的方法，解决了现有手指静脉识别方法识 别性能易受图像精度影响的问题。
【附图说明】
[0030] 图1为本发明实施例原始采集的手指静脉图像；
[0031] 图2是图1经本发明实施例步骤S2的边缘检测得到的图像；
[0032]图3为经本发明实施例步骤S4的尺度归一化和灰度归一化处理后的图像；
[0033] 图4是经本发明实施例步骤S7的图像分割处理后的图像；
[0034] 图5是经本发明实施例步骤S10的图像骨骼化处理后的图像；
[0035] 图6是经本发明实施例步骤S11的特征点提取后的图像。
【具体实施方式】
[0036]下面结合附图对本发明的具体实施例作进一步说明。
[0037] 本实施例的手指静脉快速识别方法，包括以下步骤：
[0038] S1、对待识别的原始采集的手指静脉图像(如图1所示)进行均值滤波处理；
[0039] S2、对步骤S1处理后的手指静脉图像进行边缘检测，如图2所示；
[0040] S3、在步骤S1处理后的手指静脉图像上截取位于步骤S2检测到的对应手指宽度最 窄处的边界内的图像；
[0041] S4、对步骤S3获得的图像进行尺度归一化和灰度归一化处理，最终获得的图像如 图3所示；
[0042] S5、对步骤S4最终获得的图像进行脊波滤波处理；
[0043] S6、对步骤S5获得的图像进行图像重构，并对重构后的图像进行均值滤波处理；
[0044] S7、对步骤S6最终获得的图像进行图像分割，将其由灰度图像转变为二值图像，如 图4所示；
[0045] S8、滤除步骤S7获得的二值图像中的独立小区域白斑；
[0046] S9、对步骤S8获得的图像进行中值滤波处理；
[0047] S10、对步骤S9获得的图像进行骨骼化处理，并对骨骼化处理后的图像（如图5所 示)进行去毛刺处理；
[0048] S11、寻找步骤S10获得的图像中的端点和交叉点，将寻找到的端点和交叉点视为 特征点存放到一个点集中，如图6所示；
[0049] 312、设步骤311得到的点集为父=&1^2^3..^}，设点集父中的特征点的坐标为1 1 (ai，bi)、X2(a2，b2)、…、Xm(am，bm)，设某一已注册的手指静脉图像的特征点的点集为Y = {y 1，y2， y3. . .yn}，点集Y中的特征点的坐标为71(六1，81)、72(六2,82)">(六11，8 11)，计算出点集乂中特征点 xi(ai，bi)与点集Y={yi，y2，y3. · .yn}中坐标区域(ai土 Δ，bi土 Δ )内的每个特征点的距离值， 其中A取1至10内的任一整数值，然后选取其最小值
作为和点 集￥的距离值，计算出点集乂中特征点12(32上)与点集￥={71，72,73..，}中坐标区域(32±八， b2土 Δ )内的每个特征点的距离值，并选取其最小{1
作为X2(a2，b2)和点 集Y的距离值，如此进行，直到计算出点集X中特征点Xm(am，bm)与点集Y = {y 1，y2，y3... yn}中坐 标区域(am± Δ，bm± Δ )内的每个特征点的距离值，并选取其最小僅
作 Sxm(am，bm)和点集Y的距离值，然后对上述得到的点集X中的各特征点与点集Y的距离值进行 升序排列，利用公：
计算出排序在 前3/4范围内的距离值的平均值d(X，Y)，其中Νχ为大于$ X 的最小整数;计算出点集Y中特 征点yi(Ai，Bi)与点集X={xi，X2，X3. . .Xm}中坐标区域(Ai土 Δ，Βι土 Δ )内的每个特征点的距离 值，其中A取1至10内的任一整数值，然后选取其最小
^γι(Αι,Βι) 和点集X的距离值，计算出点集Y中特征点y2 ( A2，B2 )与点集X = { XI，X2，X3 . . . Xm}中坐标区域(A2 土 Δ，B2土 A )内的每个特征点的距离值，并选取其最小
乍为y2(A2，B2) 和点集X的距离值，如此进行，直到计算出点集Y中特征点yn(A n，Bn)与点集X= {xi，X2，X3 . . . Xm} 中坐标区域(Am土 Δ，化土 Δ )内的每个特征点的距离值，并选取其最小僅
作为yn(An，B n)和点集X的距离值，然后对上述得到的点集Y中的各特征点与点集X的距离值 进行升序排列，利用公无
十算出 排序在前3/4范围内的距离值的平均值d(Y，X)，其中Νγ为大于的最小整数;再利用公 .备 式腿〇0，￥)=1^1((10，￥)，(1(￥4))，得出点集乂和点集￥之间的集间距离腿〇的值；
[0050] S13、将步骤S12得到的MHD的值与预先设定的阈值进行比较，若小于或等于某个阈 值，则认为本次识别的指静脉图像与已注册的指静脉图像匹配成功，反之，则认为匹配失败 或继续与其他已注册的指静脉图像进行匹配。
[0051] 优选地，所述步骤S1的执行方法为:首先对原始采集的手指静脉图像的边界用0值 扩充，然后用3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的 图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素 平均值赋给图像上位于当前窗口中心的点。均值滤波能有效地滤除图像中的加性噪声，使 图像更加平滑。
[0052]优选地，所述步骤S2中对手指静脉图像的边缘检测包括利用sobel垂直方向算子 对手指静脉图像对应手指宽度方向的边缘的检测。
[0053]优选地，所述步骤S4利用双线性插值法对步骤S3获得的图像进行尺度归一化处 理，所述步骤S4获得的图像的尺度大小为180行X64列的数据矩阵。
[0054]优选地，所述步骤S5的执行方法为:通过调整脊波滤波器的方向参数，生成从0°开 始依次增加22.5°的八个方向的算子，然后将得到的八个方向的算子分别与步骤S4最终获 得的图像进行卷积运算。
[0055]有关脊波滤波器的详细内容参见由余成波和秦华峰著、清华大学出版社2009年4 月出版的第1版《生物特征识别技术:手指静脉识别技术》第110~111页及所涉参考文献，此 处不再赘述。
[0056]手指静脉图像是由脊线和谷线构成的，除了特征点，奇异点和特殊的区域外，大部 分区域呈现连续的、朝某个方向平滑变化的特征。对图像进行脊波滤波不仅可以滤除部分 噪声，而且能保留手指静脉图像的脊和谷的结构。
[0057]优选地，所述步骤S6的执行方法为:将步骤S5最终获得的8个图像以一定的权值重 叠在一起，得到重构的图像;再用一个7*7点的窗口在扩充边界后的图像上滑动，窗口的中 心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求 像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。均值滤波能使图像更 加平滑。
[0058]上述图像重构时，由于0°和90°这两个方向的算子分别与步骤S4最终获得的图像 进行卷积运算得到的图像(简称为0°图像、90°图像)更为重要，故重构图像时，将0°图像和 90°图像的权值取得较其他角度的图像的权值更大一点，例如其他角度的图像的权值取1， 则0°图像和90°图像的权值均取1.5。
[0059] 对于上述步骤S7,若重构后的图像为f，（均值滤波)平滑后的图像为g，分割后的图 像为h，则图像分割法有如下的变换：
[0060]
[0061]利用图像分割将灰度图像转变为二值图像，可以得到明显的手指静脉纹路。
[0062]优选地，所述步骤S8的执行方法为:对步骤S7获得的二值图像进行像素取反操作， 得到背景为黑色、手指静脉为白色的图像;然后对取反后的图像进行标记连通区域操作，当 某个连通区域的像素点个数小于100个时，则将该连通区域视为独立小区域白斑;然后将该 连通区域的像素都置为0,即可消除图像中（位于目标区域)的独立小区域白斑(或称白斑噪 声)。
[0063]优选地，所述步骤S9的执行方法为:首先对步骤S8获得的图像的边界用0值扩充， 然后用一个3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的 图像上的各个像素点，同时将图像上位于当前窗口中心的点的像素值用图像上位于当前窗 口内的各点的像素的中间值代替。
[0064]优选地，所述步骤S10中去毛刺处理的方法为:从骨骼化处理后的图像中的每个端 点开始向非零点搜索，直到交叉点为止，记录下每个端点在这个过程中遍历的点数，若点数 大于50,则将该搜索路径上的点的像素值置为0,即可去除毛刺。
[0065] 对于步骤S11，寻找步骤S10获得的图像中的端点和交叉点的方法参见由余成波和 秦华峰著、清华大学出版社2009年4月出版的第1版《生物特征识别技术:手指静脉识别技 术》第115、116页及所涉参考文献，此处不再赘述。
[0066] 对于步骤S12，当点集X中的特征点Xj(a」，bj)和点集Y中的所有特征点匹配时，即计 算xXaph)和点集Y中的所有特征点的最小距离时，只选取点集Y中位于坐标区域(a」± Δ， bj土 Δ )(其中Δ取1至10内的任一整数值）内的特征点yi(Ai，Bi)和Xj(aj，bj)计算距离，可以 保证计算结果相同的前提下，大大减少计算工作量，节省计算时间，这是因为点集Y中的特 征点yi(Ai，Bi)的坐标越接近xj (aj，bj)，求出的距离值就越小;进一步地，通过对得到的点集 X中各特征点与点集Y的距离值先升序排列，然后计算排序在前3/4范围内的距离值的平均 值d(X，Y)，可以减小点集Y中有个别特征点和点集X中特征点相差较大时带来的误差；当点 集Y中的特征点y i (Ai，Bi)和点集X中的所有特征点匹配时及计算d (Y，X)时，其计算方法同 上;然后利用公式腿〇0，￥)=11^((^，￥)，(1(￥4))，即可得出点集父和点集￥之间精确的集 间距离MHD的值。
[0067] 下面对2000组图像(每组图像由同一手指的4幅静脉图构成，不同组图像对应的手 指不同）利用本发明进行合法匹配和非法匹配。合法匹配为相同手指间匹配，即组内匹配； 非法匹配为不同手指间匹配，即组间匹配。完成一组图像(4幅图）之间的合法匹配，需要进 行6次匹配，完成两组图像之间的非法匹配，需要进行16次匹配。合法匹配中距离值小于阈 值的个数占合法匹配总个数的比值为识别率，非法匹配中距离值小于阈值的个数占非法匹 配总个数的比值为误识率。系统的误识率越低，表明系统接受非法用户的概率越小，则系统 越安全;系统的识别率越高，表明系统拒绝合法用户的概率越小，则该系统越容易使用。
[0068] 从匹配识别耗时的角度考察，采用现有的逐个特征点匹配的方法，完成一组图像 之间的合法匹配所需时间为0.0506秒，完成两组图像之间的非法匹配所需时间为0.1350 秒。采用本发明的在邻域搜取特征点匹配的方法，完成一组图像之间的合法匹配所需时间 为0.0050秒，完成两组图像之间的非法匹配所需时间为0.0105秒。由上可见，本发明的在邻 域搜取特征点匹配的方法大大缩短了计算时间，克服了现有逐个特征点匹配方法运算时间 长的缺点，解决了现有手指静脉识别方法耗时长的问题。
[0069]从系统安全性的角度考察，本发明实施例采用2000组图像(每组四幅图）非法匹配 得到所有不同手指的静脉图像特征点集间距离的最小值作为阈值，即在误识率为〇的情况 下，来对比取排序后前3/4距离值作为统计量和取全部距离值作为统计量两种方法的识别 率，经计算得出：取全部距离值作为统计量，得到的识别率为95.25%;取排序后前3/4距离 值作为统计量，得到的识别率为99.98%。由此可见，利用取排序后前3/4距离值作为统计量 的方法，得到的识别率较高，解决了现有手指静脉识别方法识别性能易受图像精度影响的 问题。
[0070]上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施 例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作 出得各种变化，也应视为本发明的保护范围。
【主权项】
1. 一种手指静脉快速识别方法，其特征在于包括W下步骤： 51、 对待识别的原始采集的手指静脉图像进行均值滤波处理； 52、 对步骤S1处理后的手指静脉图像进行边缘检测； 53、 在步骤S1处理后的手指静脉图像上截取位于步骤S2检测到的对应手指宽度最窄处 的边界内的图像； 54、 对步骤S3获得的图像进行尺度归一化和灰度归一化处理； 55、 对步骤S4最终获得的图像进行脊波滤波处理； 56、 对步骤S5获得的图像进行图像重构，并对重构后的图像进行均值滤波处理； 57、 对步骤S6最终获得的图像进行图像分割，将其由灰度图像转变为二值图像； 58、 滤除步骤S7获得的二值图像中的独立小区域白斑； 59、 对步骤S8获得的图像进行中值滤波处理； 510、 对步骤S9获得的图像进行骨骼化处理，并对骨骼化处理后的图像进行去毛刺处 理； 511、 寻找步骤S10获得的图像中的端点和交叉点，将寻找到的端点和交叉点视为特征 点存放到一个点集中； 512、 设步骤S11得到的点集为X={xl，x2，x3…xm}，设点集x中的特征点的坐标为xl(al，bl)、 X2(a2，b2)、-，、Xm(am，bm),设某一已注册的手指静脉图像的特征点的点集为Y={yi，y2，73...7。}，点集￥中的特征点的坐标为71^1，81)、72^2瓜）、。^。^。瓜），计算出点集乂中特征点 xi(ai，bi)与点集Y={yi，y2，y3,. . .yn}中坐标区域(ai± A，bi± Δ )内的每个特征点的距离值， 其中Δ取1至10内的任一整数值，然后选取其最小值?乍为xi(ai，bi)和点 集Y的距离值，计算出点集X中特征点X2(a2，b2)与点集Y={yl，y2，y3...yn}中坐标区域(a2±A， b2± Δ )内的每个特征点的距离值，并选取其最小值作为X2(a2，b2)和点 集Y的距离值，如此进行，直到计算出点集X中特征点Xm(am，bm)与点集Y = {y 1，Y2，Y3.. . yn}中坐 标区域(am± Δ，bm± Δ )内的每个特征点的距离值，并选取其最小值作 为Xm(am，bm)和点集Y的距离值，然后对上述得到的点集X中的各特征点与点集Y的距离值进行升 序排列，利用公式计算出排序在前 3/4范围内的距离值的平均值(1此￥)，其中抓为大于^誤'徽的最小整数;计算出点集￥中特征 冷· 点yi(Ai，Bi)与点集X={xi，X2，X3. . .Xm}中坐标区域(Ai± Δ，Bi± Δ )内的每个特征点的距离 值，其中A取1至10内的任一整数值，然后选取其最小值作为yi(Ai，Bi)和 点集X的距离值，计算出点集帥特征点y2(A2，B2)与点集X={xl，X2，拍...?Il}中坐标区域(A2±A， B2± Δ )内的每个特征点的距离值，并选取其最小值为y2(A2，B2)和点集 X的距离值，如此进行，直到计算出点集Y中特征点yn(An，Bn)与点集X= 1X1，X2，X3 . . . Xm}中坐标区 域(Am± Δ，Bm± Δ )内的每个特征点的距离值，并选取其最小值作为yn (An, Bn)和点集础勺距离值，然后对上述得到的点集Υ中的各特征点与点集础勺距离值进行升序排 列，利用公式，计算出排序在前3/4 范围内的距离值的平均值d(Y，X)，其中Νγ为大于巧的最小整数;再利用公式MHD(X，Y) = 每. max(d(X，Y)，d(Y，X))，得出点集X和点集Y之间的集间距离Μ皿的值； S13、将步骤S12得到的Mffl)的值与预先设定的阔值进行比较，若小于或等于某个阔值， 则认为本次识别的指静脉图像与已注册的指静脉图像匹配成功，反之，则认为匹配失败或 继续与其他已注册的指静脉图像进行匹配。2. 根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S1的执行方法 为:首先对原始采集的手指静脉图像的边界用0值扩充，然后用3*3点的窗口在扩充边界后 的图像上滑动，窗口的中屯、依次滑过扩充边界前的图像上的各个像素点，同时对图像上位 于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中屯、的 点。3. 根据权利要求1所述的手指静脉快速识别方法，其特征在于:所述步骤S2中对手指静 脉图像的边缘检测包括利用sobel垂直方向算子对手指静脉图像对应手指宽度方向的边缘 的检测。4. 根据权利要求1所述的手指静脉快速识别方法，其特征在于:所述步骤S4利用双线性 插值法对步骤S3获得的图像进行尺度归一化处理，所述步骤S4获得的图像的尺度大小为 180行X 64列的数据矩阵。5. 根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S5的执行方法 为:通过调整脊波滤波器的方向参数，生成从0°开始依次增加22.5°的八个方向的算子，然 后将得到的八个方向的算子分别与步骤S4最终获得的图像进行卷积运算。6. 根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S6的执行方法 为:将步骤S5最终获得的8个图像W-定的权值重叠在一起，得到重构的图像;再用一个7*7 点的窗口在扩充边界后的图像上滑动，窗口的中屯、依次滑过扩充边界前的图像上的各个像 素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像 上位于当前窗口中屯、的点。7. 根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S8的执行方法 为:对步骤S7获得的二值图像进行像素取反操作，得到背景为黑色、手指静脉为白色的图 像;然后对取反后的图像进行标记连通区域操作，当某个连通区域的像素点个数小于100个 时，则将该连通区域视为独立小区域白斑;然后将该连通区域的像素都置为0,即可滤除图 像中的独立小区域白斑。8. 根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S9的执行方法 为:首先对步骤S8获得的图像的边界用0值扩充，然后用一个3*3点的窗口在扩充边界后的 图像上滑动，窗口的中屯、依次滑过扩充边界前的图像上的各个像素点，同时将图像上位于 当前窗口中屯、的点的像素值用图像上位于当前窗口内的各点的像素的中间值代替。9. 根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S10中去毛刺处 理的方法为:从骨骼化处理后的图像中的每个端点开始向非零点捜索，直到交叉点为止，记 录下每个端点在运个过程中遍历的点数，若点数大于50,则将该捜索路径上的点的像素值 置为0,即可去除毛刺。
【文档编号】G06K9/00GK105975905SQ201610265907
【公开日】2016年9月28日
【申请日】2016年4月26日
【发明人】张烜, 赵国栋, 丁晟
【申请人】山西圣点世纪科技股份有限公司