一种基于KAZE特征的手背静脉识别方法技术

本发明专利技术公开了一种基于KAZE特征的手背静脉识别方法，包括以下步骤：步骤一、对采集的手背静脉图像进行预处理，并基于KAZE算法对预处理后图像进行特征点提取；步骤二、利用最近邻比值法对两幅图像中提取的特征点进行粗匹配得到粗匹配特征点；步骤三、利用RANSAC算法对粗匹配特征点再次进行精匹配得到匹配点。本发明专利技术提供了一种KAZE特征的手背静脉识别方法，可以显著降低误识率与识别时间，具有良好识别准确性与实时性。

A Recognition Method of Dorsal Hand Vein Based on KAZE Feature

【技术实现步骤摘要】
一种基于KAZE特征的手背静脉识别方法
涉及图像识别领域，尤其涉及一种KAZE特征的手背静脉识别方法。
技术介绍
目前，关于静脉识别的研究主要基于灰度图像多尺度特征与二值图像特征两方面展开。其中，具有代表性的灰度图像多尺度特征包括二阶小波变换，条带波(Bandelet)分解轮廓波(Curvelet)分解，Gabor分解，Gabor变换编码，SIFT特征点，SURF特征点等；而二值图像特征主要包括交叉点与端点位置，特征点间结构关系，二值静脉曲线信息编码等。基于以上两种思想识别算法均在不同程度上取得了一定的识别效果。由相关研究可以看出，基于特征点的识别算法可同时较好的满足识别准确性与实时性的要求，但针对图像质量较差，清晰度较低的手背静脉图像，如何在处理过程中保留图像的细节信息，从而获得较为准确的特征点仍需进一步改进。
技术实现思路
本专利技术为解决目前的技术不足之处，提供了一种KAZE特征的手背静脉识别方法，通过显著降低误识率与识别时间以得到手部静脉的精确匹配点，同时具有良好识别准确性与实时性。本专利技术提供的技术方案为：一种基于KAZE特征的手背静脉识别方法，包括以下步骤：步骤一、对采集的手背静脉图像进行预处理，并基于KAZE算法对预处理后图像进行特征点提取；步骤二、利用最近邻比值法对两幅图像中提取的特征点进行粗匹配得到粗匹配特征点；步骤三、利用RANSAC算法对粗匹配特征点再次进行精匹配得到匹配点。优选的是，在所述步骤一中，所述预处理具体包括：步骤a、对采集的静脉图像进行二值化处理，式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，f(x,y)为二值化后静脉图像(x,y)位置的灰度值；步骤b、利用零阶矩和一阶矩获取手背区域的质心，其中，零阶矩M00计算方法满足：式中，m与n分别为二值化后静脉图像的行数与列数；一阶矩M10和M01计算方法分别满足：步骤c、获取手背质心位置为：并基于矩形扩张策略获得感兴趣区域图像；步骤d、对感兴趣区域图像分别进行取反与直方图均衡化操作，从而获得M×M像素大小的预处理的静脉图像L。优选的是，所述步骤一中特征点提取具体包括：步骤1、对预处理的静脉图像L进行高斯卷积滤波处理；步骤2、求取滤波后图像所有像素梯度幅值的最大值；步骤3、构建非线性尺度空间，该空间由N张图像构成，获得每一级图像的尺度参数σi：σi(o,s)＝σ02o+s/S式中，o∈{0,1,...,O-1}，s∈{0,1,...S-1}，o表示父级数，S表示子级数；以及进化时间ti：步骤4、基于加性算子分裂算法获取不同尺度空间下的图像：式中，m＝4，表示上下左右四个方向，I为单位矩阵，τ为时间尺度差值，Li为i尺度下的图像矩阵，Qxy(Li)为图像传导矩阵，g是传导函数，N为相邻像素集，h为相邻区域的大小，i∈{0,1,...,N-1}；步骤5、求取每一层图像的Hessian矩阵式中，为水平二阶导数，为垂直二阶导数，为交叉二阶导数；并得到不同尺度下的静脉图像；步骤6、在尺度空间中每一层图像中提取出具有极大响应值的像素点作为KAZE特征点；步骤7、提取特征点的特征向量。优选的是，所述步骤6中提取KAZE特征点的具体方法为：在第i个尺度空间图像Li中，判断(x,y)位置像素点是否具有极大响应值：将Li+1，Li，Li-1三层进行联合查找，查找窗口大小为3×3，被查找点应与其26邻域点进行比较，即Lw(a,b)，这里i-1≤w≤i+1，x-1≤a≤x+1，y-1≤b≤y+1，(a,b)≠(x,y)，当Li(x,y)＞maxLw，(ab)，则(x,y)位置像素点具有极大响应值，即Li(x,y)为KAZE特征点。优选的是，所述步骤7中特征向量的提取方法为：以Li(x,y)特征点为中心建立一个30σi×30σi的窗口，并以特征点为中心，对所述窗口进行σ＝2.5σi的高斯加权滤波处理，而后，将所述窗口分割为4×4的16个子窗口，相邻窗口之间覆盖2σi，其中，σi为对应层图像的尺度参数，对每一子窗口进行特征提取，提取的特征向量dv满足：dv＝(∑Lx,∑Ly,∑|Lx|,∑|Ly|)。优选的是，所述步骤三中粗匹配特征点的提取方法为：分别计算待匹配特征点与训练样本中所有特征点的欧式距离，得到待匹配特征点与该训练样本特征点的最近邻距离和次近邻距离，然后根据最近邻距离和次近邻距离的比值与给定阈值的关系来确定两点匹配关系：式中，DA为待匹配特征，DB为最近邻特征，DC为次近邻特征，t为阈值。优选的是，所述步骤三中对粗匹配特征点进行精匹配的具体方法为：随机选取粗匹配成功的四组对应的特征点，特征点坐标为(xi,yi)，i＝1,2,...,8，将其转化为齐次坐标(xi',yi',1)，并求取单应矩阵H：令s＝1/h33，矩阵H变为：M＝H*K其中，M为训练图像特征点齐次坐标，K为待匹配图像特征点，可以得到如下矩阵方程：由此可得到单应矩阵H，将4组点对之外的点依次对坐标带入式下式中，进行距离阈值判定：判断点为内点，记录总的内点数count，其中t为误差阈值，计算矩阵H和判定内点的步骤循环迭代，求出在矩阵H条件下使得count最大的参数集合：找出最大的内点数相对应的单应矩阵，其中k为迭代次数；获得单应矩阵H后，进行内点判定，内点留下，外点剔除，最终剩下的点对即为匹配点。优选的是，所述步骤1中高斯卷积滤波处理具体方法为：其中，优选的是，所述步骤2中像素梯度幅值及其最大值的计算方法分别为：优选的是，所述预设阈值通过Otsu算法获取。本专利技术所述的有益效果：本专利技术提出一种基于KAZE特征的手背静脉识别方法，KAZE特征具有非线性扩散方程特性，该算法可以在对图像进行滤波的同时较好的增强图像边缘，且特征描述符根据主向特征可以很好的保证旋转不变特性，进而保证了静脉图像的识别率，缩短了识别时间。对于给定的样本数据库，提出的识别算法相对于基于SIFT与SURF特征的识别算法，误识率与识别时间分别可降低至7.8％与0.815ms，可以看出提出的算法具有较好的识别准确性与实时性。附图说明图1为本专利技术的完全匹配策略下样本GAR曲线。图2为本专利技术的完全匹配策略下样本FRR曲线。图3为本专利技术的部分匹配策略下的GAR曲线。图4为本专利技术的部分匹配策略下的FRR曲线。图5为本专利技术的最大匹配率策略下的GAR曲线。图6为本专利技术的最大匹配率策略下的FRR曲线图7为本专利技术的最大匹配率策略下的GAR随阈值变化曲线图8为本专利技术的最大匹配率策略下的GAR-FAR曲线。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。本专利技术提出一种基于KAZE特征的手背静脉识别方法，主要包括以下步骤：1、图像预处理静脉图像在采集过程中会受到外界环境的影响，存在图像整体灰度变化，图像噪声较大等情况。因此，首先需要对采集的静脉图像进行预处理。首先，对采集的静脉图像进行二值化处理，如式(1)所示。式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，该阈值是通过Otsu算法来获取，f(x,y)为二值化后静脉图像(x,y)位置的灰度值；其次，利用零阶矩和一阶矩获取手背区域的质心，其中零阶矩计算如式(2)所示，一阶矩计算如式(3)、式(4)所示本文档来自技高网...

【技术保护点】
1.一种基于KAZE特征的手背静脉识别方法，其特征在于，包括以下步骤：步骤一、对采集的手背静脉图像进行预处理，并基于KAZE算法对预处理后图像进行特征点提取；步骤二、利用最近邻比值法对两幅图像中提取的特征点进行粗匹配得到粗匹配特征点；步骤三、利用RANSAC算法对粗匹配特征点再次进行精匹配得到匹配点。

【技术特征摘要】
1.一种基于KAZE特征的手背静脉识别方法，其特征在于，包括以下步骤：步骤一、对采集的手背静脉图像进行预处理，并基于KAZE算法对预处理后图像进行特征点提取；步骤二、利用最近邻比值法对两幅图像中提取的特征点进行粗匹配得到粗匹配特征点；步骤三、利用RANSAC算法对粗匹配特征点再次进行精匹配得到匹配点。2.根据权利要求1所述的基于KAZE特征的手背静脉识别方法，其特征在于，在所述步骤一中，所述预处理具体包括：步骤a、对采集的静脉图像进行二值化处理，式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，f(x,y)为二值化后静脉图像(x,y)位置的灰度值；步骤b、利用零阶矩和一阶矩获取手背区域的质心，其中，零阶矩M00计算方法满足：式中，m与n分别为二值化后静脉图像的行数与列数；一阶矩M10和M01计算方法分别满足：步骤c、获取手背质心位置为：并基于矩形扩张策略获得感兴趣区域图像；步骤d、对感兴趣区域图像分别进行取反与直方图均衡化操作，从而获得M×M像素大小的预处理的静脉图像L。3.根据权利要求2所述的基于KAZE特征的手背静脉识别方法，其特征在于，所述步骤一中特征点提取具体包括：步骤1、对预处理的静脉图像L进行高斯卷积滤波处理；步骤2、求取滤波后图像所有像素梯度幅值的最大值；步骤3、构建非线性尺度空间，该空间由N张图像构成，获得每一级图像的尺度参数σi：σi(o,s)＝σ02o+s/S式中，o∈{0,1,...,O-1}，s∈{0,1,...S-1}，O表示父级数，S表示子级数；以及进化时间ti：步骤4、基于加性算子分裂算法获取不同尺度空间下的图像：式中，m＝4，表示上下左右四个方向，I为单位矩阵，τ为时间尺度差值，Li为i尺度下的图像矩阵，Qxy(Li)为图像传导矩阵，g是传导函数，N为相邻像素集，h为相邻区域的大小，i∈{0,1,...,N-1}；步骤5、求取每一层图像的Hessian矩阵式中，为水平二阶导数，为垂直二阶导数，为交叉二阶导数；并得到不同尺度下的静脉图像；步骤6、在尺度空间中每一层图像中提取出具有极大响应值的像素点作为KAZE特征点；步骤7、提取特征点的特征向量。4.根据权利要求3所述的基于KAZE特征的手背静脉识别方法，其特征在于，所述步骤6中提取KAZE特征点的具体方法为：在第i个尺度空间图像Li中，判断(x,y)位置像素点是否具有极大响应值：将Li+1，Li，Li-1三层进行联合查找，查找窗口大小为3×3，被查找点应与其26邻域点进行比较，...

【专利技术属性】
技术研发人员：王锦凯，贾旭，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：辽宁,21