指静脉ROI区域提取方法及装置与流程

指静脉roi区域提取方法及装置
技术领域
1.本发明涉及生物识别技术领域，尤指一种指静脉roi区域提取方法及装置。


背景技术：

2.指静脉识别是一种非接触式活体生物认证方式，具有很高的安全性与唯一性，可广泛应用于安防、社保、教育、金融和军事等领域。以金融领域为例，应用场景囊括银行营业网点出入门禁、汇款授权、个人保险箱、atm存取款、信贷业务管理、柜面签授权等，规避指纹等传统身份认证方式易复制、易伪造、易泄露带来的业务风险，进一步提升金融业务安全。
3.指静脉采集需使用760～850nm波段近红外设备进行采集，图像质量易受环境因素、手指姿态、传感器噪声等因素影响，快速有效的指静脉roi(region of interest)区域提取直接影响识别系统的整体性能。
4.目前，常用的指静脉roi区域提取方法有两类，一类是直接采用典型的边缘检测算法如sobel、canny等方法直接对手指边缘进行边界检测确定roi，如通过sobel算子检测手指边缘，通过中线检测，利用滑动窗口检测关节区域进行roi提取，此类方法相对简单，但未考虑手指旋转偏移对噪声较大的指静脉图像无法准确提取；另一类在典型算法基础上改进，如通过计算手指关节区域后，围绕手指轮廓主方向进行旋转校正，用多次迭代方式提高roi区域提取的准确性，算法复杂度高、耗时长。


技术实现要素：

5.针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种指静脉roi区域提取方法及装置，实现指静脉roi区域快速提取，且能有效克服由于图像质量低带来的指静脉roi区域无法提取或提取结果不理想等问题。
6.为了实现上述目的，本发明实施例提供一种指静脉roi区域提取方法，所述方法包括：
7.对采集到的指静脉图像进行预处理，得到指静脉梯度图像，并利用贪心算法，对所述指静脉梯度图像进行手指轮廓提取，得到粗定位手指边界；
8.根据所述粗定位手指边界，确定所述粗定位手指边界对应的中心点集，并根据所述中心点集进行中线拟合，得到图像倾斜角度；
9.若所述图像倾斜角度大于预设角度阈值，则根据所述图像倾斜角度，对所述指静脉图像进行旋转校正处理，得到指静脉旋转校正图像；
10.利用贪心算法，对所述指静脉旋转校正图像进行手指边界精确定位，得到精定位手指边界，并根据所述精定位手指边界确定指静脉roi区域。
11.可选的，在本发明一实施例中，所述对采集到的指静脉图像进行预处理，得到指静脉梯度图像包括：
12.对所述指静脉图像进行下采样处理、插值处理、平滑处理及梯度计算，得到指静脉梯度图像。
13.可选的，在本发明一实施例中，所述利用贪心算法，对所述指静脉梯度图像进行手指轮廓提取，得到粗定位手指边界包括：
14.根据所述指静脉梯度图像的梯度方向，将所述指静脉梯度图像划分为上边界区域及下边界区域；
15.利用贪心算法，对所述上边界区域及下边界区域进行边界定位计算，得到所述粗定位手指边界。
16.可选的，在本发明一实施例中，所述根据所述中心点集进行中线拟合，得到图像倾斜角度包括：
17.利用最小二乘法，对所述中心点集进行拟合，得到一条中线，并确定所述中线与水平方向的夹角，将所述夹角作为图像倾斜角度。
18.可选的，在本发明一实施例中，所述利用贪心算法，对所述指静脉旋转校正图像进行手指边界精确定位，得到精定位手指边界包括：
19.对所述指静脉旋转校正图像进行图像剪裁处理、平滑处理及梯度计算，得到所述指静脉旋转校正图像对应的梯度图；
20.利用贪心算法，对所述指静脉旋转校正图像对应的梯度图进行边界定位计算，得到精定位手指边界。
21.可选的，在本发明一实施例中，所述根据所述精定位手指边界确定指静脉roi区域包括：
22.根据所述精定位手指边界，确定指静脉内切区域，并在所述指静脉内切区域中，确定第二指关节信息；
23.根据所述第二指关节信息确定截取范围，将所述截取范围内的区域作为所述指静脉roi区域。
24.本发明实施例还提供一种指静脉roi区域提取装置，所述装置包括：
25.边界粗定位模块，用于对采集到的指静脉图像进行预处理，得到指静脉梯度图像，并利用贪心算法，对所述指静脉梯度图像进行手指轮廓提取，得到粗定位手指边界；
26.倾斜角度模块，用于根据所述粗定位手指边界，确定所述粗定位手指边界对应的中心点集，并根据所述中心点集进行中线拟合，得到图像倾斜角度；
27.旋转校正模块，用于若所述图像倾斜角度大于预设角度阈值，则根据所述图像倾斜角度，对所述指静脉图像进行旋转校正处理，得到指静脉旋转校正图像；
28.roi区域模块，用于利用贪心算法，对所述指静脉旋转校正图像进行手指边界精确定位，得到精定位手指边界，并根据所述精定位手指边界确定指静脉roi区域。
29.可选的，在本发明一实施例中，所述边界粗定位模块还用于对所述指静脉图像进行下采样处理、插值处理、平滑处理及梯度计算，得到指静脉梯度图像。
30.可选的，在本发明一实施例中，所述边界粗定位模块包括：
31.图像划分单元，用于根据所述指静脉梯度图像的梯度方向，将所述指静脉梯度图像划分为上边界区域及下边界区域；
32.粗定位单元，用于利用贪心算法，对所述上边界区域及下边界区域进行边界定位计算，得到所述粗定位手指边界。
33.可选的，在本发明一实施例中，所述倾斜角度模块还用于利用最小二乘法，对所述
中心点集进行拟合，得到一条中线，并确定所述中线与水平方向的夹角，将所述夹角作为图像倾斜角度。
34.可选的，在本发明一实施例中，所述roi区域模块包括：
35.梯度图单元，用于对所述指静脉旋转校正图像进行图像剪裁处理、平滑处理及梯度计算，得到所述指静脉旋转校正图像对应的梯度图；
36.精定位单元，用于利用贪心算法，对所述指静脉旋转校正图像对应的梯度图进行边界定位计算，得到精定位手指边界。
37.可选的，在本发明一实施例中，所述roi区域模块还包括：
38.第二指节单元，用于根据所述精定位手指边界，确定指静脉内切区域，并在所述指静脉内切区域中，确定第二指关节信息；
39.roi区域单元，用于根据所述第二指关节信息确定截取范围，将所述截取范围内的区域作为所述指静脉roi区域。
40.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
41.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
42.本发明利用贪心算法对指静脉边界精确定位，算法准确率高且速度快，大幅提升单幅图像指静脉roi区域提取速度，能有效克服因噪声较大无法精确定位roi区域及算法复杂度高耗时长等问题。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1为本发明实施例一种指静脉roi区域提取方法的流程图；
45.图2为本发明实施例中提取粗定位手指边界的流程图；
46.图3为本发明实施例中提取精定位手指边界的流程图；
47.图4为本发明实施例中确定指静脉roi区域的流程图；
48.图5为本发明一具体实施例中指静脉roi区域提取方法的流程图；
49.图6a
‑
图6b为本发明实施例中指静脉图像采集示意图；
50.图7为本发明实施例中指静脉粗定位边界提取示意图；
51.图8为本发明实施例中图像旋转校正示意图；
52.图9为本发明实施例中指静脉精定位边界提取示意图；
53.图10为本发明实施例中确定截取roi范围的示意图；
54.图11a
‑
图11b为本发明实施例中roi区域提取效果示意图；
55.图12为本发明实施例一种指静脉roi区域提取装置的结构示意图；
56.图13为本发明实施例中边界粗定位模块的结构示意图；
57.图14为本发明实施例中roi区域模块的结构示意图；
58.图15为本发明另一实施例中roi区域模块的结构示意图；
59.图16为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
60.本发明实施例提供一种指静脉roi区域提取方法及装置，可用于生物识别领域、金融领域及其他领域，需要说明的是，本发明的指静脉roi区域提取方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明的指静脉roi区域提取方法及装置应用领域不做限定。
61.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
62.传统指静脉roi区域提取方法单一，对因受光照、遮挡、姿态变化及硬件引起的噪声较大的指静脉图像，无法快速精确提取静脉roi区域，导致系统整体识别性能较低。本发明提出的基于贪心算法的指静脉roi区域快速提取方法，对噪声较大的静脉图像提取效果好、提取过程简单且效率高，能有效提升系统整体识别性能。在公开数据集mmcbnu_6000和fv_sum上验证，单幅图像指静脉roi区域平均提取速度为57.5ms，对系统整体识别性能，在万分之一误识率下识别率达99.59％，99.68％。具体说明如下：
63.如图1所示为本发明实施例一种指静脉roi区域提取方法的流程图，本发明实施例提供的指静脉roi区域提取方法的执行主体包括但不限于计算机。图中所示方法包括：
64.步骤s1，对采集到的指静脉图像进行预处理，得到指静脉梯度图像，并利用贪心算法，对所述指静脉梯度图像进行手指轮廓提取，得到粗定位手指边界。
65.其中，指静脉图像可以通过ccd/cmos传感器进行采集，手指中静脉主要成分为血红蛋白，血红蛋白对700～1100nm波长的近红外呈吸收状态，而手指骨骼和肌肉组织对以上波长的近红外有很好的透射特性，可采用易获取的850nm近红外led为透射光源进行指静脉图像采集，如图6a与图6b所示。
66.进一步的，对指静脉图像进行下采样处理、插值处理、平滑处理及梯度计算等预处理后，可以得到指静脉梯度图像。利用贪心算法对指静脉梯度图像进行计算处理，可以提取得到粗定位手指边界。
67.具体的，采用贪心算法进行边界定位，目标是寻找一条连续累积幅值最大的曲线。设输入为图像梯度幅值图g，图像高度为m，宽度为n；连续曲线的相邻像素最大间隔为r；设输出累积梯度幅值最大的连续曲线为o
line
，则贪心算法边界定位步骤如下：
68.step1:初始化邻域记录矩阵r，尺度为m
×
n；设列累积幅值记录矩阵为a，尺度为m
×
1，将梯度图g的左上角第1列赋值给矩阵a，则有a[i]＝g[i,0],i＝0,1,...,m
‑
1；
[0069]
step2:设列计数为j，按j＝1,2,...,n
‑
1，逐列计算：
[0070]
a、初始化当前列累积幅值记录矩阵a
j
，尺寸为m
×
1；
[0071]
b、对第i行(i＝0,1,...,m
‑
1),寻找累积幅值矩阵a[k1:k2]范围内的最大值a[k]，k为对应列索引；其中，
[0072]
k1＝max(0,i
‑
r)，k2＝min(m
‑
1,i+r)；更新当前累积幅值矩阵a
j
[i]＝a[k]+g[i,
j]；更新邻域记录矩阵r[i,j]＝k。
[0073]
c、计算完成全部m行后，更新列累积幅值记录矩阵a＝a
j
。
[0074]
step3:从梯度图的右往左反向搜索累积幅值最大的连续曲线o
line
：
[0075]
a、寻找列累积幅值记录矩阵a中最大值对应索引k
n
‑1。即为第n
‑
1列对应曲线坐标。
[0076]
b、依次从邻域记录矩阵r中找到前一列相邻的k
j
＝r[j+1,k
n
‑1],j＝n
‑
2,n
‑
3,...,0；
[0077]
c、可得连续曲线o
line
＝{(0,k0),(1,k1),...,(n
‑
1,k
n
‑1)}作为手指边界轮廓。
[0078]
进一步的，通过上述中贪心算法的边界定位，利用梯度方向将梯度图划分为上下边界候选区域后进行边界定位运算，得到粗定位手指边界。
[0079]
步骤s2，根据所述粗定位手指边界，确定所述粗定位手指边界对应的中心点集，并根据所述中心点集进行中线拟合，得到图像倾斜角度。
[0080]
其中，指静脉图像因手指姿态不同将存在一定位置偏移，可通过旋转校正来降低图像偏移影响。
[0081]
进一步的，根据粗定位手指边界的轮廓图像中每一列上下边界点可确定一组中心点集，利用最小二乘法对中心点集进行拟合，得到一条中线，计算中线与水平方向夹角，将该夹角作为图像倾斜角度。
[0082]
步骤s3，若所述图像倾斜角度大于预设角度阈值，则根据所述图像倾斜角度，对所述指静脉图像进行旋转校正处理，得到指静脉旋转校正图像。
[0083]
其中，如果图像倾斜角度超出指定范围，即预设角度阈值，则以中线顶点中心，将指静脉图像逆时针旋转，使中线和水平方向重合。此外，利用仿射变换，考虑指静脉图像缩放因子，可确定旋转校正后上/下边界像素点坐标。旋转校正处理后，可得到指静脉旋转校正图像。
[0084]
步骤s4，利用贪心算法，对所述指静脉旋转校正图像进行手指边界精确定位，得到精定位手指边界，并根据所述精定位手指边界确定指静脉roi区域。
[0085]
其中，旋转校正后的指静脉旋转校正图像边界点并不十分精确，使用贪心算法对手指边界精定位进一步修正边界坐标。
[0086]
进一步的，可先对指静脉旋转校正图像进行图像裁剪和平滑处理，并计算梯度，得到指静脉旋转校正图像对应的梯度图。再利用上文贪心算法的边界定位，对梯度图进行上/下边界精定位，可得精定位后的上下边界点集，即得到了精定位手指边界。
[0087]
进一步的，根据精定位手指边界，可以确定第二手指关节信息。利用第二手指关节信息，可以确定roi截取范围，即指静脉roi区域。
[0088]
作为本发明的一个实施例，对采集到的指静脉图像进行预处理，得到指静脉梯度图像包括：对所述指静脉图像进行下采样处理、插值处理、平滑处理及梯度计算，得到指静脉梯度图像。
[0089]
其中，采用贪心算法边界定位方法对手指轮廓上/下边界粗定位，即寻找出图像中从暗到亮和从亮到暗的边界位置。为提升提取效率，首先将采集图像按自适应缩放进行下采样，对边沿部分采用有向插值，对非边沿部分采用普通的双线性插值法，考虑到设备噪声，使用的中值滤波和均值滤波对图像进行平滑，降低梯度噪声影响。通过竖直方向sobel算子计算平滑后的图像梯度，采用双阈值策略对梯度图处理，得到指静脉梯度图像。
[0090]
作为本发明的一个实施例，如图2所示，利用贪心算法，对所述指静脉梯度图像进行手指轮廓提取，得到粗定位手指边界包括：
[0091]
步骤s21，根据所述指静脉梯度图像的梯度方向，将所述指静脉梯度图像划分为上边界区域及下边界区域；
[0092]
步骤s22，利用贪心算法，对所述上边界区域及下边界区域进行边界定位计算，得到所述粗定位手指边界。
[0093]
其中，利用梯度方向将梯度图划分为上下边界区域后，在通过贪心算法的边界定位，进行边界定位运算，得到所述粗定位手指边界。
[0094]
在本实施例中，根据所述中心点集进行中线拟合，得到图像倾斜角度包括：利用最小二乘法，对所述中心点集进行拟合，得到一条中线，并确定所述中线与水平方向的夹角，将所述夹角作为图像倾斜角度。
[0095]
其中，指静脉图像因手指姿态不同将存在一定位置偏移，可通过旋转校正来降低图像偏移影响。根据粗定位手指边界的轮廓图像中每一列上下边界点可确定一组中心点集，利用最小二乘法对中心点集进行拟合，得到一条中线，计算中线与水平方向夹角，将该夹角作为图像倾斜角度。
[0096]
作为本发明的一个实施例，如图3所示，利用贪心算法，对所述指静脉旋转校正图像进行手指边界精确定位，得到精定位手指边界包括：
[0097]
步骤s31，对所述指静脉旋转校正图像进行图像剪裁处理、平滑处理及梯度计算，得到所述指静脉旋转校正图像对应的梯度图；
[0098]
步骤s32，利用贪心算法，对所述指静脉旋转校正图像对应的梯度图进行边界定位计算，得到精定位手指边界。
[0099]
其中，旋转校正后的指静脉旋转校正图像边界点并不十分精确，使用贪心算法对手指边界精定位进一步修正边界坐标。
[0100]
进一步的，可先对指静脉旋转校正图像进行图像裁剪和平滑处理，并计算梯度，得到指静脉旋转校正图像对应的梯度图。再利用上文贪心算法的边界定位，对梯度图进行上/下边界精定位，可得精定位后的上下边界点集，即得到了精定位手指边界。
[0101]
作为本发明的一个实施例，如图4所示，根据所述精定位手指边界确定指静脉roi区域包括：
[0102]
步骤s41，根据所述精定位手指边界，确定指静脉内切区域，并在所述指静脉内切区域中，确定第二指关节信息；
[0103]
步骤s42，根据所述第二指关节信息确定截取范围，将所述截取范围内的区域作为所述指静脉roi区域。
[0104]
其中，根据所述精定位手指边界，确定指静脉内切区域具体包括：根据仿射变换后的指静脉边界，通过选择上边界纵坐标的下界和下边界纵坐标的上界，得到指静脉区域的内切区域。
[0105]
进一步的，在指静脉内切区域中，因指关节区域灰度值较大，通过图像灰度直方图绘制的灰度曲线波峰即可快速确定指关节位置。灰度曲线检测到一个波峰，则认定该波峰为第二指关节位置。第二指关节信息包括第二指关节的位置信息。
[0106]
进一步的，利用第二指关节信息可确定roi水平方向坐标范围及竖直方向坐标范
围，由此确定roi截取范围，将截取范围内的区域作为指静脉roi区域。
[0107]
在本发明一具体实施例中，贪心算法是在问题求解时，将整体分解为若干子问题，对每个子问题根据设定的优化策略并行快速求出局部最优解，将局部最优解集合作为整体的近似最优解。指静脉roi区域准确快速提取决定了后续特征提取有效性并直接影响系统识别性能，贪心算法可快速实现指静脉边界定位准确提取roi区域。具体提取过程如图5所示，首先利用贪心算法对平滑后指静脉梯度图进行手指轮廓提取，得到粗定位的手指边界，基于粗定位结果进行旋转校正后再利用贪心算法对手指边界进行精定位，然后在精定位图像上通过手指关节检测可准确截取指静脉roi区域。
[0108]
其中，采用贪心算法进行边界定位，目标是寻找一条连续累积幅值最大的曲线。设输入为图像梯度幅值图g，图像高度为m，宽度为n；连续曲线的相邻像素最大间隔为r；设输出累积梯度幅值最大的连续曲线为o
line
，则贪心算法边界定位步骤如下：
[0109]
step1:初始化邻域记录矩阵r，尺度为m
×
n；设列累积幅值记录矩阵为a，尺度为m
×
1，将梯度图g的左上角第1列赋值给矩阵a，则有a[i]＝g[i,0],i＝0,1,...,m
‑
1；
[0110]
step2:设列计数为j，按j＝1,2,...,n
‑
1，逐列计算：
[0111]
(1)初始化当前列累积幅值记录矩阵a
j
，尺寸为m
×
1；
[0112]
(2)对第i行(i＝0,1,...,m
‑
1),寻找累积幅值矩阵a[k1:k2]范围内的最大值a[k]，k为对应列索引；其中，
[0113]
k1＝max(0,i
‑
r)，k2＝min(m
‑
1,i+r)；更新当前累积幅值矩阵a
j
[i]＝a[k]+g[i,j]；更新邻域记录矩阵r[i,j]＝k。
[0114]
(3)计算完成全部m行后，更新列累积幅值记录矩阵a＝a
j
。
[0115]
step3:从梯度图的右往左反向搜索累积幅值最大的连续曲线o
line
：
[0116]
(1)寻找列累积幅值记录矩阵a中最大值对应索引k
n
‑1。即为第n
‑
1列对应曲线坐标。
[0117]
(2)依次从邻域记录矩阵r中找到前一列相邻的k
j
＝r[j+1,k
n
‑1],j＝n
‑
2,n
‑
3,...,0；
[0118]
(3)可得连续曲线o
line
＝{(0,k0),(1,k1),...,(n
‑
1,k
n
‑1)}作为手指边界轮廓。
[0119]
在本实施例中，如图6a及图6b所示，采用的指静脉图像采集结构，手指中静脉主要成分为血红蛋白，血红蛋白对700～1100nm波长的近红外呈吸收状态，而手指骨骼和肌肉组织对以上波长的近红外有很好的透射特性，可采用易获取的850nm近红外led为透射光源，通过ccd/cmos传感器采集静脉图像。
[0120]
由于自然光影响、采集设备系统误差、人为姿态旋转变换等因素影响会给指静脉图像带来较大噪声及冗余信息。指静脉roi区域提取可以去除图像中大量冗余信息和极大程度地降低噪声影响，准确快速的roi区域提取直接影响特征提取有效性及识别性能。
[0121]
在本实施例中，采用贪心算法边界定位方法对手指轮廓上/下边界粗定位，即寻找出图像中从暗到亮和从亮到暗的边界位置。为提升提取效率，首先将采集图像按自适应缩放进行下采样，对边沿部分采用有向插值，对非边沿部分采用普通的双线性插值法，考虑到设备噪声，使用5
×
5的中值滤波和3
×
3均值滤波对图像进行平滑，降低梯度噪声影响。通过竖直方向sobel算子计算平滑后的图像梯度，采用双阈值策略对梯度图处理。由于手指边界轮廓很明显，并且手指边界相对比较均匀，选择梯度均值作为筛选阈值，最大值和均值的线
性组合作为截断阈值，可表示为：
[0122][0123]
其中，gra_tre
up_1
表示上边界筛选阈值，gra_tre
up_2
表示上边界截断阈值，gra_tre
down_1
为下边界筛选阈值，p是线性组合因子，g(x,y)表示竖直方向sobel梯度，设点(i,j)的梯度值为g(i,j)，则：
[0124][0125]
通过上文中贪心算法的边界定位，利用梯度方向将梯度图划分为上下边界候选区域后进行边界定位运算，得到指静脉粗定位边界如图7所示。
[0126]
在本实施例中，指静脉图像因手指姿态不同将存在一定位置偏移，可通过旋转校正来降低图像偏移影响，如图8所示。
[0127]
(1)确定中心点集
[0128]
根据粗定位手指轮廓图像中每一列上下边界点可确定一组中心点集，中点坐标可表示为：
[0129][0130]
其中，表示中心点集的横纵坐标。
[0131]
(2)进行中线拟合
[0132]
利用最小二乘法对中心点集进行拟合，得到一条中线，计算中线与水平方向夹角θ，设中线从左往右第一个像素点为顶点，坐标为(0,0)，则θ＝arctan(y
im
/x
im
)。
[0133]
(3)图像旋转和仿射变换
[0134]
如果角度超出指定范围，以中线顶点(0,0)中心，将原图像逆时针旋转θ，使中线和水平方向重合，利用仿射变换，考虑图像缩放因子为rescale_size，可求解出(o_x
ui
,o_y
ui
)、(o_x
di
,o_y
di
)为旋转校正后上/下边界像素点坐标：
[0135][0136]
在本实施例中，旋转校正后的指静脉图像边界点并不十分精确，使用贪心算法对手指边界精定位进一步修正边界坐标，以上边界为例，如图9所示。
[0137]
(1)图像裁剪和平滑
[0138]
旋转校正后得到包含上边界子图的纵坐标范围为：
[0139]
[y
up
＝min(o_y
ui
)
‑
y
δ
,y
down
＝max(o_y
ui
)+y
δ
]
ꢀꢀ
(5)
[0140]
截取包含上边界的有效区域，其中，y
δ
表示边界范围截取的常数，用7
×
7中值滤波和7
×
3均值滤波对图像进行平滑。
[0141]
(2)边界检测
[0142]
利用竖直方向梯度算子计算梯度图，采用双阈值策略进行梯度筛选，使用的竖直方向梯度算子为：
[0143][0144]
(3)确定手指轮廓
[0145]
再利用上文贪心算法的边界定位，对梯度图进行上/下边界精定位，假设精定位得到上边界像素集为下边界像素点集为m为检测到的有效边界点数量，则可得精定位后的上下边界点集。
[0146]
在本实施例中，利用第二手指关节信息确定截取roi范围，如图10所示：
[0147]
(1)确定手指内切区域
[0148]
根据仿射变换后的指静脉边界，通过选择上边界纵坐标的下界和下边界纵坐标的上界得到指静脉区域的内切区域。
[0149]
(2)确定第二指关节位置
[0150]
因指关节区域灰度值较大，通过图像灰度直方图绘制的灰度曲线波峰即可快速确定指关节位置。灰度曲线检测到一个波峰，则认定该波峰为第二指关节位置如检测到两个或以上波峰，选择峰值较大且距离较远的两个波峰为两个指关节位置，设右侧波峰作为第二指关节位置记对应的手指宽度为通过上/下边界可确定新的中线纵坐标y
mid
。
[0151]
(3)截取roi
[0152]
第二指关节可确定roi水平方向坐标范围为本发明选择因为第二指关节为远端指关节，指关节前后比例设置为2：1。然后，确定竖直方向坐标范围为其中根据和即可截取roi区域。
[0153]
在本发明一具体实施例中，为验证本发明算法的有效性及对系统整体识别性能提升，基于指静脉公开数据集mmcbnu_600和fv_usm设计了2组实验，其中，mmcbnu_6000数据集包含6000指静脉样本，fv_usm数据集包含5904指静脉样本，指静脉图像的大小均为640
×
480的灰度图像。实验一利用本发明算法对数据集进行roi区域提取验证算法普适性；实验二在数据集上，用公开的指静脉特征提取算法中性能最好的竞争gabor进行特征提取与识别，验证本发明算法对系统整体识别性能的影响。本发明算法采用visual studio 2019社区版、c++编写实现，计算机设备cpu(r)core(tm)i5
‑
6400u cpu@2.40hghz，内存为16g，操作系统为64，windows10。
[0154]
其中，为验证本发明方法的普适性，实验一通过本发明算法对以上数据集进行指静脉roi区域截取，平均提取速度为57.5ms；其中，图11a为随机选取的mmcbnu_6000的中一
组食指、中指、无名指的roi区域提取效果图，外矩形边界是利用贪心算法进行手指边界精定位图，边界定位误差在
±
5像素范围内，图11a对应子图中左侧第一个矩形边界是贪心算法精定位后手指第二指关节roi区域截取图，经验证，对mmcbnu_6000整库提取成功率达100％；同理，图11b为在fv_sum中的一组roi区域提取效果图，整库提取成功率达100％。
[0155]
在本实施例中，为验证本发明提取的有效性与准确率对系统整体识别性能的影响，实验二在公开数据集上，用通用指静脉特征提取算法中，性能较好的竞争gabor方法进行特征提取与识别，首先算出本系统等误率指标，其次，在相同数据集上对通用指静脉识别算法整体识别性能进行比较。
[0156]
gabor实部能有效检测指静脉的谷形纹理区域，通过编码gabor最大响应方向实现指静脉纹理的表示，gabor实部表示为：
[0157][0158]
其中，x'＝xcos(θ)+ysin(θ)，y'＝
‑
xsin(θ)+ycos(θ)；λ为波长；θ为方向参数；ψ为相位偏移；γ为空间纵横比；σ为标准差。通过构造k个gabor实部滤波器，方向参数分别为
[0159]
分别利用k个滤波器对图像进行滤波，保留最小响应值对应的方向：
[0160][0161]
其中，t(x,y)表示方向编码图；i(x,y)表示原图；gabor
k
表示第k个滤波器，k＝0,1,2,...,k
‑
1；表示卷积，则有t(x,y)∈[0,k]。将gabor方向编码图划分为n个水平方向、m个竖直方向局部区域，在每个局部区域内根据编码进行直方图统计，最后将局部区域直方图串联构成描述指静脉特征的竞争gabor特征，则特征长度l
feature
＝8
×
n
×
m。
[0162]
特征匹配使用余弦相似度运算来度量特征向量间的形状特征相似度。
[0163]
首先，利用网格搜索的方式确定指静脉roi区域截取参数。对指静脉roi区域，竖直方向取为指关节宽度的0.8、0.9、1.0倍，水平方向长度分别取为竖直长度的2、2.5、3倍；选择fv_usm数据集中60个人的240根手指计算等误率，如表1所示。
[0164]
表1
[0165][0166]
由表1可知，当手指roi区域宽度为和和时，等误率最小，但显然前者尺度更小，相应的计算量更小，于是本发明选择roi区域尺度为
由于要求有效区域中指关节位于水平方向2/3处，取选择基于上述指静脉roi尺度参数，在mmcbnu_6000和fv_usm数据库上对本发明算法识别性能进行测试，结果如表2所示。
[0167]
表2
[0168]
数据库万分点千分点等误率(eer)mmcbnu_60000.00410.00320.0020fv_sum0.00700.00410.0023
[0169]
为进一步证明算法的有效性，在相同数据集上对通用指静脉识别算法整体识别性能进行比较，含基于hog特征方法、基于lbp特征方法及基于深度学习等方法，以等误率作为算法比较的核心指标，结果如表3和表4所示。其中，表3为在mmcbnu_6000本发明与其他方法等误率比较，表4为在fv_usm本发明与其他方法等误率比较。
[0170]
表3
[0171][0172][0173]
表4
[0174]
方法等误率(eer)lbp+软特性0.00216卷积神经网络0.0076gabor小波特征0.0475深度学习0.0169本发明0.0023
[0175]
通过表2的roc测试结果所示，本发明算法在万分之一和万分之一误识率下识别率都取得很好结果，万分之一误识率下识别率分别达99.59％，99.30％，千分之一误识率下识别率达99.68％，99.59％；表3在mmcbnu_6000数据集上通过公开的优秀算法与本发明算法等误率比较，本发明提取算法在整体识别性能上取得最好结果；同样，表4在fv_usm数据集上通过与公开优秀算法等误率比较，也验证了本发明算法有明显优势。
[0176]
本发明提出的基于贪心算法的指静脉roi区域快速提取方法，提取速度快且能有效克服由于图像质量低带来的静脉无法提取或提取结果不理想等问题，有效提升指静脉识别整体性能。提取单幅图像速度为57.5ms，在公开数据集mmcbnu_6000和fv_usm上验证，万分之一误识情况下识别率达99.59％，99.30％；万分之一误识下识别率达99.30％，99.59％，优于传统指静脉roi区域提取算法。
[0177]
如图12所示为本发明实施例一种指静脉roi区域提取装置的结构示意图，图中所
示装置包括：
[0178]
边界粗定位模块10，用于对采集到的指静脉图像进行预处理，得到指静脉梯度图像，并利用贪心算法，对所述指静脉梯度图像进行手指轮廓提取，得到粗定位手指边界。
[0179]
其中，指静脉图像可以通过ccd/cmos传感器进行采集，手指中静脉主要成分为血红蛋白，血红蛋白对700～1100nm波长的近红外呈吸收状态，而手指骨骼和肌肉组织对以上波长的近红外有很好的透射特性，可采用易获取的850nm近红外led为透射光源进行指静脉图像采集，如图6a与图6b所示。
[0180]
进一步的，对指静脉图像进行下采样处理、插值处理、平滑处理及梯度计算等预处理后，可以得到指静脉梯度图像。利用贪心算法对指静脉梯度图像进行计算处理，可以提取得到粗定位手指边界。
[0181]
进一步的，通过上文中贪心算法的边界定位，利用梯度方向将梯度图划分为上下边界候选区域后进行边界定位运算，得到粗定位手指边界。
[0182]
倾斜角度模块20，用于根据所述粗定位手指边界，确定所述粗定位手指边界对应的中心点集，并根据所述中心点集进行中线拟合，得到图像倾斜角度。
[0183]
其中，指静脉图像因手指姿态不同将存在一定位置偏移，可通过旋转校正来降低图像偏移影响。
[0184]
进一步的，根据粗定位手指边界的轮廓图像中每一列上下边界点可确定一组中心点集，利用最小二乘法对中心点集进行拟合，得到一条中线，计算中线与水平方向夹角，将该夹角作为图像倾斜角度。
[0185]
旋转校正模块30，用于若所述图像倾斜角度大于预设角度阈值，则根据所述图像倾斜角度，对所述指静脉图像进行旋转校正处理，得到指静脉旋转校正图像。
[0186]
其中，如果图像倾斜角度超出指定范围，即预设角度阈值，则以中线顶点中心，将指静脉图像逆时针旋转，使中线和水平方向重合。此外，利用仿射变换，考虑指静脉图像缩放因子，可确定旋转校正后上/下边界像素点坐标。旋转校正处理后，可得到指静脉旋转校正图像。
[0187]
roi区域模块40，用于利用贪心算法，对所述指静脉旋转校正图像进行手指边界精确定位，得到精定位手指边界，并根据所述精定位手指边界确定指静脉roi区域。
[0188]
其中，旋转校正后的指静脉旋转校正图像边界点并不十分精确，使用贪心算法对手指边界精定位进一步修正边界坐标。
[0189]
进一步的，可先对指静脉旋转校正图像进行图像裁剪和平滑处理，并计算梯度，得到指静脉旋转校正图像对应的梯度图。再利用上文贪心算法的边界定位，对梯度图进行上/下边界精定位，可得精定位后的上下边界点集，即得到了精定位手指边界。
[0190]
进一步的，根据精定位手指边界，可以确定第二手指关节信息。利用第二手指关节信息，可以确定roi截取范围，即指静脉roi区域。
[0191]
作为本发明的一个实施例，所述边界粗定位模块还用于对所述指静脉图像进行下采样处理、插值处理、平滑处理及梯度计算，得到指静脉梯度图像。
[0192]
作为本发明的一个实施例，如图13所示，所述边界粗定位模块10包括：
[0193]
图像划分单元11，用于根据所述指静脉梯度图像的梯度方向，将所述指静脉梯度图像划分为上边界区域及下边界区域；
[0194]
粗定位单元12，用于利用贪心算法，对所述上边界区域及下边界区域进行边界定位计算，得到所述粗定位手指边界。
[0195]
在本实施例中，所述倾斜角度模块还用于利用最小二乘法，对所述中心点集进行拟合，得到一条中线，并确定所述中线与水平方向的夹角，将所述夹角作为图像倾斜角度。
[0196]
作为本发明的一个实施例，如图14所示，所述roi区域模块40包括：
[0197]
梯度图单元41，用于对所述指静脉旋转校正图像进行图像剪裁处理、平滑处理及梯度计算，得到所述指静脉旋转校正图像对应的梯度图；
[0198]
精定位单元42，用于利用贪心算法，对所述指静脉旋转校正图像对应的梯度图进行边界定位计算，得到精定位手指边界。
[0199]
作为本发明的一个实施例，如图15所示，所述roi区域模块40还包括：
[0200]
第二指节单元43，用于根据所述精定位手指边界，确定指静脉内切区域，并在所述指静脉内切区域中，确定第二指关节信息；
[0201]
roi区域单元44，用于根据所述第二指关节信息确定截取范围，将所述截取范围内的区域作为所述指静脉roi区域。
[0202]
基于与上述一种指静脉roi区域提取方法相同的申请构思，本发明还提供了上述一种指静脉roi区域提取装置。由于该一种指静脉roi区域提取装置解决问题的原理与一种指静脉roi区域提取方法相似，因此该一种指静脉roi区域提取装置的实施可以参见一种指静脉roi区域提取方法的实施，重复之处不再赘述。
[0203]
本发明利用贪心算法对指静脉边界精确定位，算法准确率高且速度快，大幅提升单幅图像指静脉roi区域提取速度，能有效克服因噪声较大无法精确定位roi区域及算法复杂度高耗时长等问题。
[0204]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
[0205]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
[0206]
如图16所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图16中所示的所有部件；此外，电子设备600还可以包括图16中没有示出的部件，可以16所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
[0207]
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
[0208]
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0209]
该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有
更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
[0210]
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0211]
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0212]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
[0213]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0214]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0215]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0216]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0217]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内
容不应理解为对本发明的限制。