基于图像的人体特征识别方法
【技术领域】
[0001] 本发明涉及图像识别，特别涉及一种基于图像的人体特征识别方法。
【背景技术】
[0002] 随着生物认证技术的发展，人脸和指纹识别已经不能满足日益增长的安全性需 求。近年来，基于手掌静脉特征的身份识别在生物特征识别领域受到广泛重视。手掌静脉 图像获取容易，占用存储空间小，其研究具有重要的应用价值。手掌静脉识别相关认证产品 在网络安全认证方面必将发挥重要的作用。现有的手掌静脉识别系统只能对较好条件下的 样本进行处理，而对于图像偏暗，清晰度不高的手掌样本，识别率有所降低，同时，所应用的 算法普遍计算量较大，使识别过程难以达到实时。
【发明内容】
[0003] 为解决上述现有技术所存在的问题，本发明提出了一种基于图像的人体特征识别 方法，包括：
[0004] 对红外手掌静脉图像进行增强处理；
[0005] 获取图像空间的特征向量，将手掌静脉图像与样本库图像的特征向量进行匹配。
[0006] 优选地，所述获取图像空间的特征向量，将手掌静脉图像与样本库图像的特征向 量进行匹配，进一步包括：
[0007] 以X种光强对y种旋转角度的z种分辨率对同一静脉对象进行采集，因此静脉样 本库中的每一个静脉对象都由xXyXz个样本来描述，称为该静脉样本库的一个静脉图像 子空间，对于采集到的表示该静脉对象的静脉图像，其特征向量由该子空间中静脉图像的 特征向量线性组合来表示：
[0008] P' =
[0009] 式中，P'为采集图像的特征向量，τ^jk为线性表示时基向量p^ ^的系数；
[0010] 对于第η个静脉对象迭代执行如下步骤：将静脉样本库中所有静脉图像子空间中 的特征向量一一作为基向量，第η个静脉对象的特征向量子空间为：
[0011] Φη- [Ρη, (1，1，1)，Ρη, (1，1，2)，…Pn，(x，y，z)]
[0012] 式中，P^为表示第i个静脉对象中第j幅静脉样本的特征向量；
[0013] 将采集到的静脉图像与样本库中每一个静脉对象对比，计算以第η个静脉图像子 空间基的系数向量μη:
[0014] μ^Φ/Φ,Ρ'
[0015] 判断相似度ζ"与相似度阈倌e的关系：
[0016]
[0017] 如果ζηλ于阈值e则迭代结束，得到系数向量为μn;如果ζ/j、于阈值e，则η 增1，继续上述迭代，直至后ζ/j、于阈值e;
[0018] 对于经过有限次迭代后ζ"值小于预设阈值e的静脉对象，选取具有最小1范数 系数向量的静脉对象作为最终的识别结果；否则，确定为采集到的新的静脉图像与静脉样 本库中任一静脉对象都不匹配。
[0019] 本发明相比现有技术，具有以下优点：
[0020] 本发明提出了一种基于图像的人体特征识别方法，对于质量较低的采集图像，有 效提高了识别范围，识别速度和精度。
【附图说明】
[0021] 图1是根据本发明实施例的基于图像的人体特征识别方法的流程图。
【具体实施方式】
[0022] 下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描 述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权 利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节 以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中 的一些或者所有细节也可以根据权利要求书实现本发明。
[0023] 本发明的一方面提供了一种基于图像的人体特征识别方法。图1是根据本发明实 施例的基于图像的人体特征识别方法流程图。
[0024] 手掌静脉图像利用的是人体静脉的血红蛋白对近红外光的吸收特性。手掌静脉采 集设备中采用的是波长范围在700-1100近红外发光二极管作为光源，因为该波段的光容 易穿透手掌骨骼和肌肉组织，然后采用高感光度的图像传感器。在手掌静脉图像的采集过 程中，如果手掌放置的位置太偏，可能会造成手掌静脉图像中手掌边界的梯度场小，从而导 致手掌静脉的边界提取不完整，影响手掌静脉R0I区域的截取。
[0025] 手掌静脉图像识别可选地包括如下过程：
[0026] 手掌静脉图像分割，将静脉图像中的静脉纹理从背景区域中分离出来，以提高图 像特征提取的正确率和特征提取的速度。
[0027] 手掌静脉图像增强，用于突出图像的静脉纹理信息。
[0028] 特征提取，通过对预处理过的图像进行特征提取，得到手掌静脉图像的几何特征 模板或数据特征模板。
[0029] 匹配识别，通过采集的用户手掌静脉图像，获得样本模板，与之前数据库中的注册 模板进行匹配，以识别用户身份标识。
[0030] 进一步地，对于上述图像分割，本发明采用以下过程：
[0031] 对于去噪后静脉图像，其高频信息体现在静脉曲线的边界上，而静脉曲线的延伸 方向与静脉曲线边界的方向保持一致，因此，在分割图像中的静脉信息时，只需要分析静脉 边界附近区域，具体步骤如下：
[0032] 采用小波对去噪后的静脉图像进行小波变换，获得图像中的高频信息。通过四叉 树分解将静脉图像分成若干个区域，对每一局部区域分别进行处理与分析。假设每一小区 域大小为LXL，这里将可采样角度设为L2-l个，S卩投影角度为Θ=kJi/L2-l
[0033] ，其中k取 1，2，一42-1
[0034] 构造与子区域同样大小的LXL网格，计算该区域在采样角度上的正交投影。
[0035] f ο(i)=-(sin θ)*x(i)+(cos Θ )*y(i)
[0036] 式中，Θ为投影角度，x(i)，y⑴为网格坐标点，对每一角度投影得到的弯曲系数 数组fd。
[0037] 计算指示图像中该区域在每一点处的正则变化方向的向量流。对fd进行小波变 换，得到其变换系数称为{bk}，选择阈值T，并对1^进行阈值化处理：
[0038] bk'（X) = 0 |X| <T
[0039] bk'（X) =bk(x) |X| >T
[0040] 阈值化处理之后，对其进行逆小波变换，从而获得fd的逼近信号Rd，对于所有的投 影角度Θ，能够使^与Rd差别最小的角度作为该区域的最佳向量流方向。
[0041 ]Θ' =argmin| |fd_Rd ||2，δ<Η，ΘG[0,L2]
[0042]δ=min| |fd_Rd| |2
[0043] H为判别该区域中是否存在向量流的阈值。
[0044] 为简化算法的计算复杂度，同时减少R0I区域的数量，将四叉树区域中具有相似 向量流特征的相邻区域合并在一起，构造出新的静脉分割的R0I区域：
[0045] 1.计算所有分块的最佳向量流方向Θ'和重建误差δ;
[0046] 2.计算宽度为2L的区域S的最佳向量流方向Θ/与重建误差δ'，而区域S四 个子块SfS4的重建误差分别为δδ2,δ3,δ4，如果δ' =δ1+δ2+δ3+δ4,则合并SfS4
[0047] 3.重复步骤1和2,直至达到最大分块区域。
[0048] 最终将存在向量流的区域作为静脉图像的R0I区域，并对其进行进一步的处理。
[0049] R0I区域中静脉信息区域像素不是孤立存在的，而是连通的。鉴于上述特点，利用 以下过程完成静脉图像分割：
[0050] 每一个R0I区域被分割为两部分，即静脉部分和背景部分，且分割后静脉部分为4 连通区域；
[0051] 利用熵值来表示灰度值的丰富程度，熵值定义为
[0052]
[0053] 式中，W为R0I区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出 现概率。
[0054] 计算平均梯度Gf ;其中
[0055]
[0056]Gx(x,y) = 2f(x+2,y)+f(x+1,y)-f(x~l,y)-2f(x~2,y)
[0057]Gy(x，y) = 2f(x，y+2)+f(x，y+l)_f(x，y-l)_2f(x，y-2)
[0058]D为分割后的区域，ND为区域中进行梯度计算的像素数
[0059] 通过最小化处理计算图像分割后的静脉信息区域DF=argmin[AJi+CL-Ai) 1[)1+入知1+(1-入2)^ 2]，完成该区域的静脉信息分割，而后融合所有1?01区域的分割结 果，便实现了对整幅近红外静脉图像的分割处理。
[0060] 式中，f表示整幅静脉图像和，XJPλ2分别为上述函数W与GD在分割算法中的 权重值。
[0061] 获得分割后的图像之后，进一步地，在上述图像增强和特征提取中，本发明采用以 下过程：