基于生理特征的图像处理方法
【技术领域】
[0001] 本发明设及图像识别，特别设及一种基于生理特征的图像处理方法。
【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W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生理特征的图像处理 方法，包括：
[0004] 获取红外设备照射得到的手掌静脉图像，对获取的静脉图像进行增强；提取增强 后的图像特征W对手掌静脉图像进行身份识别。
[0005] 优选地，所述对获取的静脉图像进行增强，进一步包括：
[0006] 计算每个像素点8个方向上的像素灰度平均值Gl，其中L取1-8;
[0007] 将Gl按两两垂直的方向分成4组，其中Gk与Gk+4为一组，K取1-4;求解各组方向灰度 均值与中屯、点像素的灰度值的灰度变化值Τκ和Τκ+4，
[000引 Tk=|G-Gk
[0009] Τκ+4= |G-Gk+4
[0010] 其中G是中屯、点的灰度值；
[00川求Τκ和Τκ+厢个灰度变化值之比Tkr ;计算绝对值A Τκ= I 1-Tkr I判断灰度均值Gk与 Gk+4和与中屯、像素点灰度值接近的灰度均值，然后取ΔΤκ的最大值，即找到两个最可能的脊 线方向；
[001^ 如果Tkr Μ，中屯、像素点的方向取argmax( Δ Τκ)+4;
[OOU] 如果Tkr<1，中屯、像素点的方向取argmax( Δ Τκ);
[0014]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设为中屯、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，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：
[0015]
[0016] 其中各系数满足如下关系：u〉x〉y〉0，z〉0，u+2x+&-2z = 0，
[0017] 在得到水平方向模板之后，由水平方向的滤波模板通过Ξ角函数旋转相应的角度 得到其他7个方向的滤波模板，即水平模板旋转Φ后，得到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：
[001 引
[0019] 其中，Φ =(m-l)V8为滤波器旋转的角度，m取2-7;
[0020] 在新的方向滤波模板上，（i，j)位置的系数g*(i*，j*)相等于水平滤波器上go(i, j)位置的系数；点（i，j)上的系数g4(i*，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go(iL, j'L)，go(iL, ju)，go(iu, j'L)，go(iu, ju)，此处 iiX i < iu，jiX j < ju、则插值表达为
[0021] g*(i*, j*) = ( ju-j)(iu-i)go(iL, j.L) + ( ju-j)(i-iL)go(iL, ju) + (iu-i)( j-jL)go(iu, jL) + (i-iL)( j-jL)go(iu, ju)
[0022] 通过上式可得到其余7个方向滤波模板的系数；
[0023] W当前像素点为中屯、，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；
[0024] 通过W下过程对手掌静脉图像进行细化提取:对于图像中像素值为1的点X，记录X 为中屯、的周围的8个点满足的灰度顺序，利用8位二进制表示的顺序值来查询细化表中的对 应的值，若查询到的值为1，则删掉该点X，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，直到已判断所有点；
[0025] 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Ντ;若Ντ=1，则当前像素点为端点；若Ντ^ 3,则 为分叉点。
[0026] 本发明相比现有技术，具有W下优点：
[0027] 本发明提出了一种基于生理特征的图像处理方法，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】
[0028] 图1是根据本发明实施例的基于生理特征的图像处理方法的流程图。
【具体实施方式】
[0029] 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。结合运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W 便提供对本发明的透彻理解。出于示例的目的而提供运些细节，并且无运些具体细节中的 一些或者所有细节也可W根据权利要求书实现本发明。
[0030] 本发明的一方面提供了一种基于生理特征的图像处理方法。图1是根据本发明实 施例的基于生理特征的图像处理方法流程图。
[0031] 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R0KR0I)区域的截取。
[0032] 手掌静脉图像识别可选地包括如下过程：
[0033] 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，W提高图 像特征提取的正确率和特征提取的速度。
[0034] 手掌静脉图像增强，用于突出图像的静脉纹理信息。
[0035] 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。
[0036] 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，W识别用户身份标识。
[0037] 进一步地，对于上述图像分割，本发明采用W下过程：
[0038] 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：
[0039] 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，运里将可采样角度设为个，即投影角度为目=虹/。-1
[0040] ，其中k取1，2,…，L2-1。
[0041] 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。
[0042] f0(i)=-(sin0)*x(i) + (cos0)*y(i)
[0043] 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数 组fd。
[0044] 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}，选择阔值T，并对bk进行阔值化处理：
[0045] bk'（x)=〇|x| <Τ
[0046] bk'（X) =bk(x) I X I >Τ
[0047] 阔值化处理之后，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fd与Rd差别最小的角度作为该区域的最佳向量流方向。
[004引目' =a;r卵in| |fd_Rd| |2，δ<Η，目E[0,l2]
[0049] 5=min| |fd_Rd| |2
[0050] Η为判别该区域中是否存在向量流的阔值。
[0051] 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：
[0052] 1.计算所有分块的最佳向量流方向θ'和重建误差δ;
[0053] 2.计算宽度为化的区域S的最佳向量流方向0d'与重建误差δ'，而区域S四个子块 S广S4的重建误差分别为δ?，δ2，δ3，δ4，如果δ ' = δι+δ2+δ3+δ4,则合并S广S4
[0化4] 3.重复步骤1和2,直至达到最大分块区域。
[0055] 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。
[0056] 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 W下过程完成静脉图像分割：
[0057] 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；
[0058] 利用赌值来表示灰度值的丰富程度，赌值定义为 [0化9]
[0060] 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。
[0061] 计算平均梯度
其中
[0062]
[0063] Gx(x,y) = 2f(x+2,y)+f(x+l,y)-f(x-l,y)-2f(x-2,y)
[0064] Gy(x,y) = 2f(x,y+2)+f(x,y+l)-f(x,y-l)-2f(x,y-2)
[0065] D为分割后的区域，ND为区域中进行梯度计算的像素数
[006引通过最小化处理计算图像分割后的静脉信息区域Ορ = 3Γκπι;?η[λιΚοι+(1-λι)Κ?-οι+ A2GDi+(l-A2)Gf-D2]，完成该区域的静脉信息分割，而后融合所有R0I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。
[0067] 式中，f表示整幅静脉图像和，λι和λ2分别为上述函数W与Gd在分割算法中的权重 值。
[0068] 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W 下过程：