一种基于切割深度的面部静脉图像身份识别方法与流程

本发明涉及生物识别，尤其涉及一种基于切割深度的面部静脉图像身份识别方法。

背景技术：

1、近年来，随着信息技术的发展，人脸识别已广泛应用在日常生活中，给我们的生活带来了极大的便利。现有的人脸识别方法中，一般都是基于rgb摄像头采集的图像进行识别的，但由于人脸作为一种体外特征，很容易被照片、屏幕、头套等方式进行复制，对其进行活体检测是一大难题，并且双胞胎具有极其相似的面部特征，这也对方法带来了极大的挑战。静脉识别作为第二代生物识别技术，具有体内特征、不可复制、安全级别高、个体差异大等优点，具有巨大的研究价值。目前，指静脉识别作为一种新兴的识别技术，已应用在金融、军工等领域中，但基于面部静脉识别的方法还鲜有研究。

技术实现思路

1、本发明的主要目的是提供一种基于切割深度的面部静脉图像身份识别方法，基于切割深度提取面部静脉图像的特征，更准确的表达静脉细节之间的变化，便于身份识别。

2、为实现上述目的，本发明提供了一种基于切割深度的面部静脉图像身份识别方法，包括以下步骤：

3、步骤1.将面部静脉图像划分为若干个大小相等的子区域图像，依次对每个子区域图像赋予不同的切割尺度获得子区域图像的尺度空间，基于子区域图像的尺度空间计算子区域图像的切割深度；

4、步骤2.将所有子区域图像的切割深度进行加权融合获得面部静脉图像的切割深度；

5、步骤3.根据面部静脉图像的切割深度对面部静脉图像进行特征编码，构成特征编码图像；

6、步骤4.根据特征编码图像对面部静脉图像进行身份识别。

7、优选地，所述步骤1中计算子区域图像的切割深度具体包括：

8、步骤1.1.将面部静脉图像划分为若干个大小相等的子区域图像，其中，每个子区域图像的大小的行数为p，列数为q；

9、步骤1.2.对每个子区域图像赋予不同的切割尺度获得子区域图像的尺度空间l(i，j，θ)，计算公式为：

10、

11、

12、公式中，i(i,j)子区域图像，i为行坐标，j为列坐标，θ为切割尺度，g为二维高斯函数；

13、步骤1.3.在子区域图像上构建(2n+1)*(2n+1)的检测框，计算所述检测框区域内中心像素点的切割深度，计算公式为：

14、

15、公式中，c(i，j，θ)为像素点(i，j)的切割深度，hmin为检测框区域内的最小灰度值；hmin为子区域图像内的最小灰度值；mx(i,j)为检测区域内的灰度平均值；mx(i，j，θ)为子区域图像的灰度平均值；为检测区域内的方差；c为常数，其取值范围为[0，1]；

16、步骤1.4.将检测框在子区域图像上遍历，完成子区域图像的切割深度的计算。

17、优选地，所述子区域图像的灰度平均值mx(i，j，θ)的计算公式为：

18、

19、检测区域内的灰度平均值mx(i,j)的计算公式为：

20、

21、公式中，x(a,b)为检测区域内像素点(a,b)的灰度值；

22、检测区域内的方差的计算公式为：

23、

24、优选地，所述步骤2中将所有子区域图像的切割深度进行加权融合获得面部静脉图像的切割深度sn(i,j)的计算公式为：

25、

26、

27、公式中，n为子区域图像的数字标引，wn是第n个子区域图像的权值，n表示子区域的个数。

28、优选地，所述步骤3中根据面部静脉图像的切割深度对面部静脉图像进行特征编码具体包括为：设定切割深度阈值tn；

29、若sn(i,j)<(tn-30)，则设置该像素点的特征编码为0，即x(i，j)＝0；

30、若(tn-30)<sn(i,j)<(tn-20)，则设置该像素点的特征编码为1，即x(i,j)＝1；

31、若(tn-20)<sn(i,j)<(tn-10)，则设置该像素点特征编码为2，即x(i,j)＝2；

32、若(tn-10)<sn(i，j)<tn，则设置该像素点特征编码为3，即x(i,j)＝3；

33、若tn<sn(i,j)<(tn+10)，则设置该像素点特征编码为4，即x(i,j)＝4；

34、若(tn+10)<sn(i,j)<(tn+20)，则设置该像素点特征编码为5，即x(i,j)＝5；

35、若(tn+20)<sn(i,j)<(tn+30)，则设置该像素点特征编码为6，即x(i,j)＝6；

36、若(tn+30)<sn(i,j)，则设置该像素点特征编码为7，即x(i,j)＝7。

37、优选地，所述步骤4根据特征编码对面部静脉图像进行身份识别：

38、步骤4.1.获取待识别用户的面部静脉图像的特征编码；

39、步骤4.2.计算待识别用户的面部静脉图像的特征编码与模板特征编码的角度距离d(u,v)，并根据所述角度距离进行身份识别，角度距离的计算公式为：

40、

41、

42、公式中，u为待识别用户的特征编码图像，v为模板特征编码图像，p为待识别用户的特征编码图像和模板特征编码图的行数，q为待识别用户的特征编码图像和模板特征编码图的列数。

43、优选地，在进行步骤1将面部静脉图像划分为若干个大小相等的子区域图像前包括对所述面部静脉图像进行增强处理，具体包括：

44、步骤a.对面部静脉图像f(x,y)进行滤波处理操作，得到滤波后的面部静脉图像f(x,y)；

45、步骤b.将面部静脉图像f(x,y)基于平均灰度值的对数进行映射操作，得到处理后的映射图像fbri(x,y)；

46、步骤c.将映射图像fbri(x,y)和归一化中心环绕函数g(x,y)进行掩膜计算，得到照射分量l(x,y)；

47、步骤d.将滤波后的面部静脉图像f(x,y)中减去照射分量l(x,y)，得到反射分量k(x,y)；

48、步骤e.对反射分量k(x,y)再进行指数变换，得到增强后的面部静脉图像z(x,y)；

49、步骤f.将图像z(x，y)量化为0-255范围的灰度值，得到目标增强静脉图像b(x,y)。

50、优选地，所述f(x,y)的计算公式为：

51、

52、

53、公式中，δr与δd为平滑参数，f(i,j)表示滤波窗口内像素点(i,j)的灰度值，x表示像素点的行坐标，y表示像素点的列坐标；

54、所述映射图像fbri(x,y)的计算公式为：

55、

56、

57、公式中，为一个常数，取值范围是[0.001,0.1]，s表示面部静脉图像的行数，t表示面部静脉图像的列数，fmax(x,y)表示面部静脉图像f(x,y)的最大灰度值，表示面部静脉图像f(x,y)的对数平均灰度值；

58、所述照射分量l(x,y)的计算公式为：

59、l(x,y)＝fbri(x,y)×g(x,y)

60、

61、公式中，a为归一化常数，μ为函数环绕尺度；

62、所述反射分量k(x,y)的计算公式为：

63、k(x,y)＝ln[f(x,y)]-ln[l(x,y)]

64、将公式l(x,y)的计算公式带入k(x,y)的计算公式，得到：

65、

66、优选地，所述增强后的面部静脉图像z(x,y)的计算公式为：

67、

68、所述目标增强静脉图像b(x,y)的计算公式为：

69、

70、公式中，zmax和zmin分别表示增强后的面部静脉图像z(x,y)的灰度最大值和最小值。

71、与现有技术相比，本发明具有以下技术效果：由于面部静脉区域处的灰度较低，背景灰度相对较高，因此会在纵切面呈现出谷形的特点，本发明将切割深度引入面部静脉图像特征提取中，利用该方式提取的面部静脉特征能够更加准确的表达静脉细节之间的变化，进而使面部静脉特征描述更加准确。此外，本发明利用滑动窗口阈值法对地表切割深度进行特征编码，然后使用角度距离计算两幅面部静脉图像的特征相似度，提升面部静脉识别的准确率。