一种手指静脉识别方法
【专利摘要】本发明公开了一种手指静脉识别方法，包括如下步骤：S1、采集近红外光下的手指图像；S2、对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；S4、用局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；S6、利用K近邻算法计算识别结果。该方法具有较强的抗干扰能力，特别是对于图像的旋转平移扭曲等不利情况，可同时降低拒真率与认假率。
【专利说明】
一种手指静脉识别方法
技术领域
[0001] 本发明属于图像处理与生物识别技术领域，尤其涉及一种手指静脉识别方法。
【背景技术】
[0002] 血红蛋白对近红外光具有较强的吸收性并且其他组织与骨骼对近红外光不是太 敏感，因此在近红外光穿透手指的时候，静脉血管部分会有一些阴影，这些阴影就是静脉部 分。静脉部分在人体的表皮下，很难被复制与伪造，并且手指静脉具有鲜明的个体特异性。 因此，手指静脉识别技术已成为身份认证的重要方式。
[0003] 手指静脉识别在身份认证、出入口管理，安防监控，电子商务、电子政务等领域有 着重要的应用价值，已经成为生物特征识别技术中的重要研究邻域之一。由于血红蛋白对 近红外光的吸收特性，通过红外成像能够获取手指的静脉分布图像。同时，个体的手指静脉 分布具有特异性，因此可以据此进行身份的鉴别。与传统的生物识别（比如指纹识别)相比， 手指静脉识别具有活体识别、不易伪造等优点，手指静脉识别主要包含两部分，第一是手指 静脉的特征提取，第二是手指静脉的匹配识别。目前较为通用的是提取静脉的二值形状特 征，然后根据改进的模板匹配识别算法计算匹配距离。在匹配过程中，通过平移输入特征图 像中的感兴趣区域，在数据库中寻找与其最相似区域所在的图像。
[0004] 现有的手指静脉识别产品存在一些问题，比如，容易受光照，阴影等因素的干扰， 在每次静脉采集的时候会出现一定的平移、旋转、扭曲等。而现有的手指静脉识别对于手指 的放置位置存在一定的要求，在手指旋转，平移等情况下识别率较低。同时，在现有模板匹 配算法中，匹配参数大多根据经验选取，导致算法的鲁棒性较差。
【发明内容】
[0005] 有鉴于此，为了解决上述技术问题，本发明提供一种手指静脉识别方法，首先对采 集的图像进行有效的滤波，去除噪声，采用局部自适应阈值对静脉进行特征提取，基于最小 二乘法与仿射变换对手指的扭曲等进行旋转校正，同时基于K近邻算法在匹配识别方面进 行了优化，提高了算法的效率。
[0006] 本发明通过以下技术手段解决上述问题：
[0007] -种手指静脉识别方法，包括如下步骤：
[0008] S1、采集近红外光下的手指图像；
[0009] S2、对采集到的手指图像进行预处理与去噪，再采用0STU大津法阈值化对手指图 像进行阈值处理或R0I定位，获取手指二值图像；
[0010] S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；
[0011] S4、用局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；
[0012] S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；
[0013] S6、利用K近邻算法计算识别结果。
[0014] 进一步地，步骤S2中，对采集到的手指图像进行预处理与去噪时包括图像大小归 一化、滤波去噪、灰度归一化。
[0015] 进一步地，步骤S3中，具体过程如下：
[0016] S31:遍历手指二值图像的上下边缘，获得这些点的坐标，根据这些坐标拟合直线， 计算该直线的斜率，即倾斜角度；
[0017] S32:判断倾斜角度大小，如果大于某一个值则进行校正变换；
[0018] S33:若倾斜角度大于上述的某个值，采用仿射变换进行图像的旋转校正，并重新 定位出R0I手指部位。
[0019] 进一步地，步骤S4中，获取的静脉二值图像的静脉部分灰度值是255即白色、背景 部分为0即黑色。
[0020] 进一步地，步骤S5中，具体步骤如下：
[0021] S51:为了建立匹配数据，对静脉二值图像进行空间压缩与重新标识，将静脉二值 图像压缩为原来的1/3;
[0022] S52:计算输入静脉二值图像与注册静脉二值图像之间的匹配距离，假设R(x，y)与 I(x，y)为数据库中的注册静脉二值图像与处理好的输入静脉二值图像在(x，y)处的灰度 值，W，h是静脉二值图像的宽度与高度，两幅静脉二值图像大小都是一样的，6与(^分别是在 水平方向与垂直方向上移动的距离范围，注册静脉二值图像R (X，y)的有效矩形区域为:左 上角的是R(Cw，ch)，右下角是R(w_Cw，h_ch);
[0023]误匹配系数表示注册静脉二值图像的有效区域与输入静脉二值图像的某个区域 之间的相似程度，计算公式为
其中 Φ (Pi，P2)为：当 | Ρι-Ρ21 =255时为1，否则为0;
[0026] 进一步地，步骤S51中，压缩步骤如下：
[0027]对静脉二值图像的非重叠的8邻域求均值，将求得的均值映射为另外一个灰度图， 其中均值范围在0~85在灰度图中标识为0,86~170为125,171~255为255,这样构造一个 为原来图像大小的1/3的静脉二值图像。
[0028] 进一步地，步骤S6中，具体过程如下：
[0029] S61、每个手指的注册静脉二值图像为5张，计算了所有的相似度之后，对相似度进 行按照从小到大排序，选取排序之后的前k个静脉二值图像，k小于注册静脉二值图像的个 数，判断该k个手指静脉二值图像所在类别出现的频率；
[0030] S62、返回频率最高的手指类别作为识别手指，若该识别类别距离的均值大于一个 阈值，则匹配失败；
[0031] S63、显示识别结果。
[0032] 与现有技术相比，本发明的有益效果如下：
[0033] 本发明首先对手指静脉图像进行旋转校正，将其归一化到水平角度上，然后基于k 近邻算法对模板匹配过程进行改进，从而提高了静脉识别算法整体的鲁棒性与准确性；
[0034] 本发明的手指静脉识别方法具有较强的抗干扰能力，特别是对于图像的旋转平移 扭曲等不利情况，可同时降低拒真率与认假率。
【附图说明】
[0035] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。
[0036] 图1为本发明手指静脉识别方法的流程图；
[0037] 图2为图1的具体操作流程图；
[0038] 图3为本发明的实施例CCD采集的图像效果图；
[0039]图4为手指部位的R0I区域定位图；
[0040]图5为对于旋转图像的倾斜校正图；
[0041]图6为静脉图像的局部自适应阈值特征提取的二值特征图像图；
[0042]图7为K近邻后的手指距离分布图。
【具体实施方式】
[0043]为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体 的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发 明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没 有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044] 本发明提出的基于改进的模板匹配算法的手指静脉识别方法，该方法根据手指的 静脉形状，采用局部自适应阈值进行特征提取，同时为了增强对手指旋转情况的鲁棒性，采 用最小二乘法对手指进行旋转平移，最后利用基于K近邻(K近邻法）的改进的模板匹配算法 计算识别结果。
[0045] 如图1、图2所示，一种手指静脉识别方法，包括如下步骤：
[0046] S1、采集近红外光下的手指图像；
[0047] S2、对采集到的手指图像进行预处理与去噪，再采用0STU大津法阈值化对手指图 像进行阈值处理或R0I定位，获取手指二值图像；
[0048]对采集到的手指图像进行预处理与去噪时包括图像大小归一化、滤波去噪、灰度 归一化；
[0049] S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；
[0050] 具体过程如下：
[0051] S31:遍历手指二值图像的上下边缘，获得这些点的坐标，根据这些坐标拟合直线， 计算该直线的斜率，即倾斜角度；
[0052] S32:判断倾斜角度大小，如果大于某一个值(手指的倾斜角度在一个可以接受的 范围内近似为水平，不用校正)则进行校正变换；
[0053] S33:若倾斜角度大于上述的某个值，采用仿射变换进行图像的旋转校正，并重新 定位出R0I手指部位；
[0054] S4、用局部自适应阈值(Local Adaptive Threshold)进行手指二值图像的静脉特 征提取，获取静脉二值图像；
[0055]获取的静脉二值图像的静脉部分灰度值是255(白色），背景部分为0(黑色）；
[0056] S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；
[0057] 具体步骤如下：
[0058] S51:为了建立匹配数据，对静脉二值图像进行空间压缩与重新标识，将静脉二值 图像压缩为原来的1/3;
[0059] 压缩步骤如下：
[0060] 对静脉二值图像的非重叠的8邻域求均值，将求得的均值映射为另外一个灰度图， 其中均值范围在0~85在灰度图中标识为0,86~170为125,171~255为255,这样构造一个 为原来图像大小的1/3的静脉二值图像；
[0061] S52:计算输入静脉二值图像与注册静脉二值图像之间的匹配距离，假设R(x，y)与 I(x，y)为数据库中的注册静脉二值图像与处理好的输入静脉二值图像在(x，y)处的灰度 值，W，h是静脉二值图像的宽度与高度，两幅静脉二值图像大小都是一样的，6与(^分别是在 水平方向与垂直方向上移动的距离范围，注册静脉二值图像R(X，y)的有效矩形区域为:左 上角的是R(Cw，ch)，右下角是R(w_Cw，h_ch);
[0062] 误匹配系数表示注册静脉二值图像的有效区域与输入静脉二值图像的某个区域
之间的相似程度，计算公式为： 其中 :， Φ (Pi，P2)为：当 | P1-P21 =255时为1，否则为0;
[0065] S6、利用K近邻算法计算识别结果；
[0066] 具体过程如下：
[0067] S61、每个手指的注册静脉二值图像为5张，计算了所有的相似度之后，对相似度进 行按照从小到大排序，选取排序之后的前k个静脉二值图像，k小于注册静脉二值图像的个 数，判断该k个手指静脉二值图像所在类别出现的频率；
[0068] S62、返回频率最高的手指类别作为识别手指，若该识别类别距离的均值大于一个 阈值，则匹配失败；
[0069] S63、显示识别结果。
[0070] 本发明用于基于K近邻的改进的手指静脉模板匹配识别方法在基于手指静脉的唯 一身份管理系统的应用。
[0071] 本发明可广泛应用于使用手指静脉身份认证与识别的场景。一个典型的应用就是 基于手指静脉的生物特征识别在金融安全领域的金融交易。假设某银行采用了基于K近邻 的改进的手指静脉模板匹配识别的身份管理系统。银行管理人员为王某进行注册采集到5 张手指静脉图片，当以后王某进行金融交易时，无需输入密码，直接扫描手指。免除因密码 忘记，以及被人盗走账号密码等风险。大大增强了个人的财产安全。对于基于本发明开发的 系统，首先采集到手指静脉图像，然后进行一系列的图像预处理，获得二值特征图像，将特 征图像进行空间压缩，再计算输入图像与数据库中的注册图像之间的匹配距离，最后根据Κ 近邻算法获取识别结果，完成识别。最后验证王某能否进行交易。
[0072]针对本发明的手指静脉识别方法验证。如图3-6所示，本次实验采用工业CCD相机， 拍摄图片大小为500*500的RGB图。本发明的实验采集手指图像690张，共138个手指，每个手 指是5张。在实验中，选取一张为待测图像其他689张为模板数据库图像。因此共匹配了 475410(690*689)次。实验结果表明FAR(认假率)为0，FRR(拒真率)为0.76%。获得较高的识 别率。实验证明基于K近邻的改进的手指静脉模板匹配识别方法具有较高的实用价值。 [0073] 如图7所示，实验验证K近邻算法计算同一手指与不同手指之间的匹配距离分布， 横坐标是每个图的索引号，共690张图。其中"?"点为正确的匹配手指，"+"点为错误的匹配 手指，根据图像，选取匹配分数为0.17这样低于0.17的可以认为是正确的匹配，高于则认为 是错误的匹配。
[0074] 本发明通过引入旋转矫正过程，使算法能够在干扰较为剧烈（如手指旋转，平移 等）的情况下准确的获取识别结果，鲁棒性大为提高。同时通过引入k近邻方法对模板匹配 与识别过程进行了改进，使得算法的识别准确率与鲁棒性也得到提高。
[0075] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并 不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员 来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保 护范围。因此，本发明专利的保护范围应以所附权利要求为准。
【主权项】
1. 一种手指静脉识别方法，其特征在于，包括如下步骤： 51、 采集近红外光下的手指图像； 52、 对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阔值化对手指图像进 行阔值处理或ROI定位，获取手指二值图像； 53、 判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换； 54、 用局部自适应阔值进行手指二值图像的静脉特征提取，获取静脉二值图像； 55、 计算输入静脉二值图像与注册静脉二值图像之间的匹配距离； 56、 利用K近邻算法计算识别结果。2. 根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S2中，对采集到的手指 图像进行预处理与去噪时包括图像大小归一化、滤波去噪、灰度归一化。3. 根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S3中，具体过程如下： S31:遍历手指二值图像的上下边缘，获得运些点的坐标，根据运些坐标拟合直线，计算 该直线的斜率，即倾斜角度； S32:判断倾斜角度大小，如果大于某一个值则进行校正变换； S33:若倾斜角度大于上述的某个值，采用仿射变换进行图像的旋转校正，并重新定位 出ROI手指部位。4. 根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S4中，获取的静脉二值 图像的静脉部分灰度值是255即白色、背景部分为0即黑色。5. 根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S5中，具体步骤如下： S51:为了建立匹配数据，对静脉二值图像进行空间压缩与重新标识，将静脉二值图像 压缩为原来的1/3; S52:计算输入静脉二值图像与注册静脉二值图像之间的匹配距离，假设R(x，y)与I(x， y)为数据库中的注册静脉二值图像与处理好的输入静脉二值图像在(x，y)处的灰度值，W，h 是静脉二值图像的宽度与高度，两幅静脉二值图像大小都是一样的，Cw与Ch分别是在水平方 向与垂直方向上移动的距离范围，注册静脉二值图像R(x，y)的有效矩形区域为：左上角的 是R(Cw，ch),右下角是R(w-Cw，h-ch); 误匹配系数表示注册静脉二值图像的有效区域与输入静脉二值图像的某个区域之间 的相似程度，计算公式为：255时为1，否则为0;最小误匹配系数3，两幅静脉二值图像的距离表示如下： 其中 Φ (Pi，P2)为：当 IP1-P2I = ?其中to与so是最小匹配值时的S 与t。6. 根据权利要求5所述的手指静脉识别方法，其特征在于，步骤S51中，压缩步骤如下： 对静脉二值图像的非重叠的8邻域求均值，将求得的均值映射为另外一个灰度图，其中 均值范围在ο~85在灰度图中标识为ο，86~170为125,171~255为255,运样构造一个为原 来图像大小的1/^3的静脉二值图像。7.根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S6中，具体过程如下： 561、 每个手指的注册静脉二值图像为5张，计算了所有的相似度之后，对相似度进行按 照从小到大排序，选取排序之后的前k个静脉二值图像，k小于注册静脉二值图像的个数，判 断该k个手指静脉二值图像所在类别出现的频率； 562、 返回频率最高的手指类别作为识别手指，若该识别类别距离的均值大于一个阔 值，则匹配失败； 563、 显示识别结果。
【文档编号】G06K9/00GK106096569SQ201610457524
【公开日】2016年11月9日
【申请日】2016年6月20日
【发明人】邸思, 刘跃跃, 金建, 陈贤帅, 杜如虚
【申请人】广州中国科学院先进技术研究所