[0062] 计算每个像素点8个方向上的像素灰度平均值GJL取1-8)。
[0063] 将Q按两两垂直的方向分成4组，其中GAGκ+4为一组，K取1-4。求解各组方向 灰度均值与中心点像素的灰度值的灰度变化值Τ#ΡΤκ+4，其中G是中心点的灰度值，
[0064] TK= |G-GK
[0065] TK+4= |G-Gk+4
[0066] 求T#PTK+4两个灰度变化值之比TKR;TKR越大，说明称为脊线方向的概率越大。
[0067] 通过计算绝对值ΔΤκ= | 1_TKR|判断灰度均值6!(与GK+4和与中心像素点灰度值接 近的那个灰度均值，然后取A^的最大值，即找到两个最可能的脊线方向；
[0068] 如果TKR彡1，中心像素点的方向取argmax(ATK)+4 ;当TKR< 1，中心像素点的方 向取argmax(ΔΤκ) 〇
[0069] 为了减少噪声的影响，将图像分成wXw大小的块，对块中的每个点进行平滑处 理，计算的块区域中的灰度直方图中的峰值并将它设为中心点的方向，得到点方向修正后 的块方向。得到修正后的块方向图后，为增强静脉纹理和背景的对比度，根据每幅手掌静脉 图像的方向图，用对应的方向滤波模板对手掌静脉图像进行方向滤波。首先设置水平方向 模板如下：
[0070]
[0071] 其中各系数满足如下关系：u>x>y>0,z>0,u+2x+2y_2z= 0，
[0072] 在得到水平方向模板之后，为了得到其他7个方向的滤波模板，可由水平方向的 滤波模板通过三角函数旋转相应的角度得到。水平模板旋转Φ后，得到的旋转之后的滤波 模板上的坐标位置（i*，j*)与水平方向滤波模板上的坐标位置（i，j)之间有如下关系：
[0073]
[0074] 其中，Φ = (m-1) π /8为滤波器旋转的角度，m取2-7。
[0075] 在新的方向滤波模板上，（i，j)位置的系数8φα*，j*)相等于水平滤波器上 gD(i，j)位置的系数。所以点（i，j)上的系数gji*，j*)用其周围点系数进行插值得到， 设水平方向滤波模板上（i，j)周围4个坐标的系数分别为g。(i,，，g。(i,，又)，g。(' j,)， g〇(iu，J_U)，此处iL〈i〈iu，jL〈j〈ju、则插值表达为
[0076] gji*，j*) = (ju-j) (iu-i)g〇(iL，jL) + (ju-j) (i_iL)g0(iL，ju) + (iu-i) (j_jL) g〇(iu,jL) + (i-iL) (j-jL)g〇(iu,Ju)
[0077] 通过上式可得到其余7个方向滤波模板的系数。
[0078] 以当前像素点为中心，将周围的8个点的灰度值与对应的方向滤波模板做卷积运 算，然后将卷积值赋给当前像素点，作为滤波过程的最终灰度值。
[0079] 手掌静脉图像经过滤波处理之后，成为一幅质量较高的静脉特征二值化图像。但 是所提取的手掌静脉纹理的粗细不一，对匹配过程中的识别率的准确性影响较大，因此对 手掌静脉图像进行细化，提取的手掌静脉图像的单像素宽度的中央走向部分：
[0080] 对于图像中像素值为1的点X，记录X为中心的周围的8个点满足的灰度顺序，这 一顺序一共有28= 256种，以8位二进制表示的顺序值查询细化表中的对应的值，若查询 的值为1，则删掉该点，否则保留该点。当对整幅手掌静脉图像进行细化时，遍历水平方向上 的像素点，然后遍历垂直方向的像素点，直到所有点都已判断。
[0081] 经过细化的手掌静脉图像中有两种特征点，一个是交点，另一个是端点。为了提取 这些特征点，本发明定义一个3X3的区域。细化图像上每个像素点的8邻域，在顺时针遍 历8个像素点的过程中，计算像素值0和1的累积变换次数NT;gNT= 1，则当前像素点为 端点；若Ντ> 3,则为分叉点。
[0082] 获得手掌静脉图像特征之后，进一步地，在上述图像特征进行匹配识别的过程中， 本发明采用以下过程：
[0083] 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，其特征向量可以由该子空间中静脉图 像的特征向量线性组合来表示。
[0084] P' =
[0085] 式中，P'为采集图像的特征向量，τijk为线性表示时基向量p系数。
[0086] 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：
[0087] Φη- [Ρη, (1，1，1)，Ρη, (1，1,2)，…Pn, (x，y，z)]
[0088] 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。
[0089] 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
[0090] μ^Φ/φ/ρ'
[0091] 判断相似度ζη与相似度阈值e的关系：
[0092]
[0093] 如果ζ"大于阈值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。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，可认为 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。
[0094] 综上所述，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。
[0095] 显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用 的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成 的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储 在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。
[0096] 应当理解的是，本发明的上述【具体实施方式】仅仅用于示例性说明或解释本发明的 原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何 修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨 在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修 改例。
【主权项】
1. 一种基于图像的人体特征识别方法，用于对所采集的手掌静脉红外图像进行识别， 其特征在于，包括： 对红外手掌静脉图像进行增强处理； 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。2. 根据权利要求1所述的方法，其特征在于，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： 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：式中，P '为采集图像的特征向量，τ 为线性表示时基向量p 系数； 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：式中，P u为表示第i个静脉对象中第j幅静脉样本的特征向量； 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μ η:判断相似度ζ η与相似度阈值e的关系：如果ζηλ于阈值e则迭代结束，得到系数向量为μ n;如果ζ "小于阈值e，则η增1， 继续上述迭代，直至后ζ/j、于阈值e; 对于经过有限次迭代后ζn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。
【专利摘要】本发明提供了一种基于图像的人体特征识别方法，该方法包括：对红外手掌静脉图像进行增强处理；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。本发明提出了一种基于图像的人体特征识别方法，对于质量较低的手掌静脉采集图像，有效提高了识别范围，识别速度和精度。
【IPC分类】G06K9/00, G06T5/00
【公开号】CN105426853
【申请号】CN201510822579
【发明人】赖真霖, 文君
【申请人】成都四象联创科技有限公司
【公开日】2016年3月23日
【申请日】2015年11月24日