1.本发明涉及指静脉特征提取的技术领域，尤其是指一种基于级联超像素分割的指静脉特征融合方法。
背景技术：
2.指静脉识别是一种生物特征识别技术，它通过采集手指内部的静脉分布图像来进行身份识别。目前主流的指静脉特征提取是基于矩形图像块的，但是基于矩形的网格分块只考虑了像素的位置信息，没有考虑到静脉纹路与非静脉纹路的差异性。而基于超像素的指静脉分割将静脉纹路、非静脉纹路分到不同的簇，更好描述指静脉图像的局部一致性，在特征提取取得更好的效果。
3.但是，基于超像素分割的指静脉特征提取仍存在着不足。在进行超像素分割的时候，需要手动选定分割的图像块数量，选定的图像块数量影响后续特征提取的性能；初始化超像素中心点时是将以均匀分布在指静脉图像上的像素点为超像素中心，均匀分布并不能准确的反映指静脉纹路的分布情况，导致后续超像素分割不能把静脉纹路及非静脉纹路完全分割到不同图像块；只考虑到超像素分割图像块单一尺度的局部特征，没有考虑不同尺度的特征信息及全局信息。因此，如何对基于超像素分割的指静脉特征提取进行改进是亟待解决的问题。
4.综上，发明一种基于级联超像素分割的指静脉特征融合方法，具有较高实际应用价值。
技术实现要素：
5.本发明的目的在于克服现有技术的缺点与不足，提出了一种基于级联超像素分割的指静脉特征融合方法，设计超像素分割的级联结构获取由大尺度分割图像块到到小尺度分割图像块不同尺度的特征信息，提出一种新的超像素中心点初始化方法，从而使得超像素分割图像块分布更合理，最后再对不同尺度的特征信息进行融合，实现指静脉图像的特征提取，解决了当前指静脉slic分割算法单一尺度、超像素中心点初始化不合理导致提取的特征信息表达能力不够强的问题。
6.为实现上述目的，本发明所提供的技术方案为：基于级联超像素分割的指静脉特征融合方法，包括以下步骤：
7.1)获取指静脉图像，对图像进行边缘检测，拟合中线进而旋转矫正，得到roi区域，对roi区域进行尺寸归一化和灰度归一化得到roi图像；
8.2)在步骤1)得到的roi图像上选取k0个像素点作为初始化的k0个超像素中心；
9.3)根据步骤2)初始化的超像素中心，使用slic算法对roi图像进行迭代超像素分割，得到超像素分割的大尺度的图像块集合p0；
10.4)对步骤3)获取的图像块集合p0中的每一个图像块，选取图像块上k1个像素点作为初始化的k1个超像素中心；
11.5)根据步骤4)初始化的超像素中心，使用slic算法对图像块集合p0中的每一个图像块进行迭代超像素分割，得到超像素分割的中尺度的图像块集合p1；
12.6)对步骤5)获取的图像块集合p1中的每一个图像块，选取图像块上k2个像素点作为初始化的k2个超像素中心；
13.7)根据步骤6)初始化的超像素中心，使用slic算法对图像块集合p1中的每一个图像块进行迭代超像素分割，得到超像素分割的小尺度的图像块集合p2；
14.8)分别对p0、p1、p2中的每一个图像块提取特征，相同集合的特征进行串联，得到集合特征向量，再进行不同集合间的特征向量串联融合，得到指静脉图像的融合特征。
15.进一步，在步骤2)中，选取k0个像素点作为初始化的k0个超像素中心，具体步骤如下：
16.2.1)以roi图像左上角点为坐标原点，以水平向右为x轴，以垂直向下为y轴，建立坐标系，随机选定roi图像的一个点为超像素中心点，初始化i＝1；
17.2.2)超像素中心点集合为s，计算图像上的每个像素点a到超像素中心点距离之和da；
[0018][0019][0020][0021][0022]
式中，j为超像素中心点集合里面的一个超像素中心点，gj为超像素中心点的灰度值，a为图像上的像素点，ga为图像上的像素点灰度值，xj、yj分别为超像素中心点的横坐标以及纵坐标，xa、ya分别为像素点的横坐标及纵坐标，dg
ja
、dc
ja
分别代表a与j的灰度差异及位置差异，ng、nc分别为灰度归一化因子、位置归一化因子，d
ja
代表a与j的距离，da代表a到超像素中心距离之和；
[0023]
2.3)选定da为最大值对应的像素点为新的一个超像素中心点，添加到超像素中心集合s，更新i＝i+1；
[0024]
2.4)重复步骤2.2)到2.3)直至i＝k0。
[0025]
进一步，在步骤3)中，根据初始化的超像素中心，使用slic算法对roi图像进行迭代超像素分割，具体步骤如下：
[0026]
3.1)将区域的每个像素点a的标签label(a)设置为-1，距离dis(a)设置为+∞；
[0027]
3.2)对于每个像素点a，计算像素点到每个超像素中心点的距离d
ja
，如果d
ja
＜dis(a)，则label(a)＝j,dis(a)＝d
ja
；
[0028]
3.3)更新每个超像素中心的坐标，具体公式如下：
[0029]
[0030][0031]
式中，n为label(a)＝j像素点的数目；
[0032]
3.4)重复步骤3.2)到3.3)直至达到迭代次数阈值i0，得到大尺度下的超像素分割图像块p0。
[0033]
进一步，在步骤4)中，对获取的图像块集合p0中的每一个图像块，初始化k1个超像素中心，具体步骤如下：
[0034]
4.1)对于p0的每一个图像块，随机选定图像块一个像素点为超像素中心点，初始化数目i＝1；
[0035]
4.2)重复步骤2.2)、2.3)直至i＝k1。
[0036]
进一步，在步骤5)中，使用slic算法对图像块集合p0中的每一个图像块进行迭代超像素分割，得到超像素分割的中尺度的图像块集合p1，具体步骤如下：
[0037]
5.1)选取p0中的一个图像块，执行步骤3.1)到3.3)直至达到迭代次数阈值i1，得到中尺度下的超像素分割图像块，添加到图像块集合p1；
[0038]
5.2)重复步骤5.1)，直至对p0中的每一个图像块都执行相同操作。
[0039]
进一步，在步骤6)中，对获取的图像块集合p1中的每一个图像块，初始化k2个超像素中心，具体步骤如下：
[0040]
6.1)对于p1的每一个图像块，随机选定图像块一个像素点为超像素中心点，初始化数目i＝1；
[0041]
6.2)重复步骤2.2)、2.3)直至i＝k2。
[0042]
进一步，在步骤7)中，使用slic算法对图像块集合p1中的每一个图像块进行迭代超像素分割，得到超像素分割的小尺寸的图像块集合p2，具体步骤如下：
[0043]
7.1)对于p1中的一个图像块，执行步骤3.1)到3.3)直至达到迭代次数阈值i2，得到小尺度下的超像素分割图像块，添加到图像块集合p2；
[0044]
7.2)重复步骤7.1)，直至对p1中的每一个图像块都执行相同操作。
[0045]
进一步，在步骤8)中，分别对p0、p1、p2中的每一个图像块提取lbp纹理特征和3种不同的标量特征，分别是平均lbp值、平均灰度值、图像熵，相同集合的特征进行串联，得到集合特征向量，再进行不同集合间的特征向量串联融合，即可得到指静脉图像的融合特征。
[0046]
本发明与现有技术相比，具有如下优点与有益效果：
[0047]
1、本发明的指静脉特征融合方法，设计超像素分割的级联结构，获取由大尺度分割图像块到小尺度分割图像块不同尺度的特征信息，并对不同尺度的特征信息进行融合。
[0048]
2、相对单一尺度超像素分割方法，级联超像素分割得到的指静脉图像分割块数量没有明显增多，从而保证特征维度没有明显增加，即在算法复杂度基本不变下有着更强的特征信息表达能力。
[0049]
3、获取不同尺度的特征信息在一定程度上可以缓解单一尺度下超像素中心点数量对特征提取的影响。
[0050]
4、提出一种新的超像素中心点初始化方法，能够更准确反映指静脉纹路的分布情况，从而使得超像素分割图像块更合理。
附图说明
[0051]
图1为本发明方法的流程图。
[0052]
图2为初始化超像素中心流程图。
[0053]
图3为指静脉预处理后的roi图像示意图。
[0054]
图4为对roi图像进行第一步分割后得到的大尺度图像块集合示意图。
具体实施方式
[0055]
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0056]
如图1至图4所示，本实施例提供了一种基于级联超像素分割的指静脉特征融合方法，包括以下步骤：
[0057]
1)获取指静脉图像，对图像进行边缘检测，拟合中线进而旋转矫正，得到roi区域，对roi区域进行尺度归一化和灰度归一化，得到roi图像，如图3所示。
[0058]
2)对roi图像初始化7个超像素中心，初始化流程如图2所示，初始化具体步骤如下：
[0059]
2.1)以roi区域左上角点为坐标原点，以水平向右为x轴，以垂直向下为y轴，建立坐标系，随机选定roi区域的一个点为超像素中心点，初始化i＝1；
[0060]
2.2)超像素中心点集合为s，计算区域内的每个像素点a到超像素中心点距离之和da；
[0061][0062][0063][0064][0065]
式中，j为超像素中心点集合里面的一个超像素中心点，gj为超像素中超像素中心点的灰度值，a为区域内的像素点，ga为区域内像素点的灰度值，xj、yj分别为超像素中心点的横坐标以及纵坐标，xa、ya分别为像素点的横坐标及纵坐标，dg
ja
、dc
ja
分别代表a与j的灰度差异及位置差异，ng、nc分别为灰度归一化因子、位置归一化因子，设置ng＝1，d
ja
代表a与j的距离，da代表a到超像素中心距离之和。
[0066]
2.3)选定da为最大值对应的像素点为新的一个超像素中心点，添加到超像素中心集合s，更新i＝i+1；
[0067]
2.4)重复步骤2.2)到2.3)直至i＝7。
[0068]
3)根据步骤2)在roi图像上初始化的7个超像素中心点，使用slic分割算法对roi区域进行迭代超像素分割，得到超像素分割的大尺度的图像块集合p0，具体步骤如下：
[0069]
3.1)将区域的每个像素点a的标签label(a)设置为-1，距离dis(a)设置为+∞；
[0070]
3.2)对于每个像素点a，计算像素点到每个超像素中心点的距离d
ja
，如果d
ja
＜dis(a)，则label(a)＝j,dis(a)＝d
ja
；
[0071]
3.3)更新每个超像素中心的坐标，具体公式如下：
[0072][0073][0074]
式中，n为label(a)＝j像素点的数目；
[0075]
3.4)重复步骤3.2)到3.3)直至达到迭代次数阈值i0，设置i0＝10，得到超像素分割的大尺度的图像块集合p0，如图4所示。
[0076]
4)对获取的图像块集合p0中的每一个图像块，初始化3个超像素中心，具体步骤如下：
[0077]
4.1)随机选定p0图像块一个点为超像素中心点，初始化i＝1；
[0078]
4.2)重复步骤2.2)、2.3)直至i＝3。
[0079]
5)使用slic算法对图像块集合p0中的每一个图像块进行迭代超像素分割，得到超像素分割的中尺度的图像块集合p1，具体步骤如下：
[0080]
5.1)对于p0中的一个图像块，执行步骤3.1)到3.3)直至达到迭代次数阈值i1，设置i1＝10，得到中尺度下的超像素分割图像块，添加到中尺度的图像块集合p1；
[0081]
5.2)重复5.1)对p0中的每一个图像块都执行相同操作。
[0082]
6)对获取的图像块集合p1中的每一个图像块，初始化2个超像素中心，具体步骤如下：
[0083]
6.1)随机选定p1图像块一个点为超像素中心点，初始化i＝1；
[0084]
6.2)重复步骤2.2)、2.3)直至i＝2。
[0085]
7)使用slic算法对图像块集合p1中的每一个图像块进行迭代超像素分割，得到超像素分割的小尺度的图像块集合p2，具体步骤如下：
[0086]
7.1)对于p1中的一个图像块，执行步骤3.1)到3.3)直至达到迭代次数阈值i2，设置i2＝10，得到小尺度下的超像素分割图像块，添加到小尺度的图像块集合p2；
[0087]
7.2)重复7.1)对p1中的每一个图像块都执行相同操作。
[0088]
8)分别对p0、p1、p2中的每一个图像块提取lbp纹理特征、3种不同的标量特征，分别是平均lbp值、平均灰度值、图像熵，相同集合的特征进行串联，得到集合特征向量，再进行不同集合间的特征向量串联融合，得到指静脉图像的融合特征，实验流程结束。
[0089]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。