掌静脉识别系统的制作方法

本发明涉及掌静脉识别系统，尤其涉及使用盖伯小波(Gabor Wavelets)特征的掌静脉识别系统。

背景技术：

掌静脉识别是一种新的生物特征识别方法，它利用手掌内的静脉来进行个人身份的验证。

掌静脉识别系统具有如下优点：

(1)用掌静脉进行身份认证时，获取的是掌静脉的图像特征，是手掌活体时才存在的特征，非活体的手掌是得不到静脉图像特征的。

(2)掌静脉作为内在的特征是很难被破坏和改变的。

(3)掌静脉很难用假手掌仿照。

(4)掌静脉识别系统因静脉的独特性和复杂性而具有很高的准确率。

(5)掌静脉系统是非接触的。

因为以上原因，近年来采用掌静脉进行身份认证已获得越来越多的研究和关注。

掌静脉识别系统包含获取感兴趣区域(ROI)图像、预处理、特征提取和比对。特征提取和比对的代表方法有基于提取静脉纹路的方法、全局变换方法和局部特征方法。

基于静脉纹路的方法采用各种预处理技术提取静脉纹路，并直接用静脉纹路进行比对。全局变换的方法对ROI图像增强，通过全局变换如主成分分析PCA(Principal Components Analysis)、线性判别分析LDA(Linear Discriminant Analysis)、独立成分分析ICA(Independent Component Correlation Algorithm)等提取特征。局部特 征方法对ROI图像增强，提取例如LBP(Local Binary Pattern)、小波特征等局部特征。

对低对比度或噪声图像，基于静脉纹路的方法不能准确提取静脉，不考虑局部信息的全局变换方法的准确率也不高。

技术实现要素：

本发明提供一种采用Gabor小波特征的掌静脉识别系统。

本发明的技术方案一提供一种采用Gabor小波特征的掌静脉识别系统。该掌静脉识别系统，包含ROI图像提取模块、图像预处理模块、特征提取模块、特征比对模块、及判断模块，

所述ROI图像提取模块提取128×128像素大小的ROI图像；

在所述图像预处理模块中，

由ROI图像计算均值图像，计算ROI图像与均值图像的差值得到差值图像，

由差值图像计算局部直方图均衡化图像和曲率图像，

根据预设权重对局部直方图均衡化图像和曲率图像进行合并得到预处理图像；

在所述特征提取模块中，

在预处理图像中取16×16个固定采样点，对每个采样点计算M个频率(M为偶数，包含M/2个高频和M/2个低频)、及N个方向的Gabor小波系数的绝对值，其中，M、N为大于0的自然数，

由高频系数构造M×N/2维高频向量，由低频系数构造M×N/2维低频向量。

对每个采样点的高频向量归一化得到高频特征，

对每个采样点计算低频向量和4邻域低频向量的差，得到低频特征；

在特征比对模块中进行如下处理：

高频特征比对，计算两幅图像对应采样点的高频特征向量的标量积，将标量积加和得到高频相似度，

低频特征比对，对两幅图像对应特征点的低频特征向量，对应分 量相同的个数除以向量的总维数得到低频相似度，

根据设定权重对高频相似度和低频相似度进行加和得到总相似度，

若总相似度大于预设的阈值，则判断模块判断为两幅图像来自同一手掌，并输出判断结果。

发明的效果

根据本发明的掌静脉识别系统，能够无论图像对比度高低或是否有噪声均可以快速、稳定地识别掌静脉图像。

附图说明

图1是预处理的概略示意图。

图2是特征提取与比对的概略示意图。

图3是掌静脉识别系统的框图。

具体实施方式

下面，结合附图，对本发明的掌静脉识别系统进行详细说明。

掌静脉识别系统包括ROI图像提取模块、图像预处理模块、特征提取模块、特征比对模块及判断模块。

<ROI图像提取模块进行的处理>

提取128×128像素大小的ROI图像I。

<图像预处理模块进行的处理>

图像预处理包括计算均值图像，由均值图像计算局部直方图均衡化图像和曲率图像，合并局部直方图均衡化图像和曲率图像。

(1)计算均值图像Im

均值图像中每个像素(i，j)的像素值为Im(i，j)，按如下计算。

$\mathrm{Im}(i,j)=\frac{{\&Sigma;}_{k=-h}^h{\&Sigma;}_{l=-h}^{h}I(i+k,j+l)}{{(2h+1)}^2}$

(2)图像与均值图像的差值

从图像I减去均值图像得到图像In。

s＝I(i，j)-Im(i，j)+128

if s＜0，then s＝0

if s＞255，then s＝255

In(i，j)＝s

(3)局部直方图均衡化

对上面获得的图像In局部直方图均衡化得到图像Ih，

(4)计算曲率图像

对图像In中的每个像素，计算x、y方向的曲率，x、y方向的曲率的最大值组成曲率图像Ic，

x方向曲率的计算方式如下：

$cx=\frac{\left(In\right(i,j+2)-2In(i,j)+In(i,j\left)\right)/4}{{\sqrt{1+{\left(\right(In\left(i,j+2\right)-In\left(i,j-2\right))/4)}^2}}^3}$

若cx＜0，则cx＝0

y方向的曲率计算类似。

(5)合并图像

对局部直方图均衡化图像和曲率图像设定合并曲率，将两图像进行合并得到预处理图像Ip。

Ip(i，j)＝w*Ih(i，j)+(1-w)*Ic(i，j)

其中w为合并权重。

<特征提取模块进行的处理>

特征提取处理包括提取高频特征和提取低频特征。

(1)计算Gabor小波系数

在图像Ip中取16×16个固定采样点，对每个采样点(i，j)，计算4 个频率(2个高频和2个低频)8个方向的Gabor小波系数的绝对值。

由高频系数构造16维向量Gh(i，j)，由低频系数构造16维向量GI(i，j)。

(2)计算高频特征

对每个采样点，归一化16维向量Gh(i，j)得到向量Ghn(i，j)。

(3)计算低频特征

对每个采样点(i，j)，计算低频Gabor向量G，l(i，j)和4领域(i+1，j)，(i-1，j)，(i，j+1)，(i，j-1)低频Gabor向量的差，若分量为正则设置该分量为1，否则为0。对所有的采样点计算得到15×16×2×16维向量。

<特征比对模块进行的处理>

特征比对包括高频特征比对、低频特征比对、合并相似度。

(1)高频特征比对。对16×16采样点，计算两幅图像对应的16位高频特征向量的标量积，将标量积加和得到高频相似度sim_h；

(2)低频特征比对。对两个15×16×2×16位向量，对应分量相同的个数除以总数目15×16×2×16得到低频相似度sim_l；

(3)合并相似度。对两个相似度设定不同权重进行加和得到总相似度sim。

<判断模块进行的处理>

若相似度sim大于预设的阈值，则判断模块判断为两幅图像来自同一手掌，并输出判断结果。

本发明人通过实验验证了本发明的效果。

在公司数据库上的测试结果如下：

该数据库包含100个手掌，每个手掌12幅图像，在此数据库上等错误率为0.02％。因此，通过本发明的掌静脉识别系统能够快速、稳定地识别掌静脉图像。

如上所述，对本发明的优选的实施方式进行了说明，但上述实施方式仅作为例子来提示的，并不对本发明的保护范围进行限定，例如，上述涉及的ROI图像大小、所取的采样点的数量、向量的维数等也仅仅是例示，根据实际要求的速度、定位精度等，也可以是其他的数量。