一种基于二值图的手指静脉识别方法技术

本发明专利技术涉及一种基于二值图的手指静脉识别方法，包括：采集近红外光下的手指图像；对采集的手指图像进行预处理，以获取对应的手指静脉二值图；采用FAST算法对手指静脉二值图进行特征点提取；采用梯度直方图对提取的特征点进行向量化描述；基于向量化描述的特征点，计算手指静脉二值图与训练库中所有注册图像之间的匹配距离；通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果。本发明专利技术以阈值分割后的静脉纹理二值图作为特征点提取的对象，可以最大程度消除非静脉因素的干扰，并且对算法设计本身进行优化，进一步提高手指静脉识别的效率和结果识别的准确率。

【技术实现步骤摘要】
一种基于二值图的手指静脉识别方法
本专利技术涉及图像处理与生物识别
，尤其是涉及一种基于二值图的手指静脉识别方法。
技术介绍
现有的指静脉识别算法大致分为基于细节和特征点的方法，基于局部模式的方法，以及基于纹理网络的方法。其中，基于细节和特征点的方法在一定程度上综合了后两种方法的优势，发展前景较好。基于细节和特征点的方法，通过对图像进行处理，尽可能的突出静脉纹理部分，消除非静脉结构等因素的影响，然后再提取静脉结构中符合要求的特征点，进一步消除非静脉结构的干扰。然而，专利技术人在研究中发现，现有的基于细节和特征点的静脉识别方法，主要是以包含静脉分布的灰度图进行对象进行算法设计，由于采集装置的局限性、光照强度的不确定性，以及手指血管周围组织的复杂性等因素的存在，导致后续图像处理过程中得到的灰度图依然存在不规则的阴影和非静脉特征，这会使得被提取的静脉特征不具备很好的代表性和区分性，从而降低识别结果的准确性。另外，在算法设计的本身也有需要改进和优化的空间
技术实现思路
有鉴于此，有必要针对上述的问题，提供一种基于二值图的手指静脉识别方法，以阈值分割后的静脉纹理二值图作为特征点提取的对象，可以最大程度消除非静脉因素的干扰，并且对算法设计本身进行优化，进一步提高手指静脉识别的效率和结果识别的准确率。一种基于二值图的手指静脉识别方法，包括：采集近红外光下的手指图像；对采集的手指图像进行预处理，以获取对应的手指静脉二值图；采用FAST算法对手指静脉二值图进行特征点提取；采用梯度直方图对提取的特征点进行向量化描述；基于向量化描述的特征点，计算手指静脉二值图与训练库中所有注册图像之间的匹配距离；通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果。所述对采集的手指图像进行预处理的步骤，包括：对手指图像进行图像尺寸归一化、ROI提取、图像空间域和频域增强，以及图像阈值分割的处理。所述ROI提取包括：使用Sobel算子纵向卷积粗提取手指边缘，然后沿着梯度方向进行非极大值抑制，最后使用RANSAC拟合轮廓边缘。所述图像空间域和频域增强的步骤，包括：使用CLAHE将图像分成若干个子块，在每个子块内进行直方图均衡化，若某个子块的直方图幅度大于预设值，则对其进行裁剪并均匀的分布在整个灰度区间中；以及构建以为间隔，从0到共8个方向的Gabor滤波器，分别对图像进行滤波处理，对得到的8个响应进行比对筛选，保留各个结果中纹理部分的最大响应。所述图像阈值分割的步骤，包括：使用NiBlack算法进行阈值分割，将大于阈值的像素值设为255，小于阈值的像素值设为0。所述采用梯度直方图对提取的特征点进行向量化描述的步骤，包括：构建以特征点为圆心，直径为7个像素的邻域圆，计算邻域圆内像素的梯度值和方向，设像素点P的坐标为(x,y)，其梯度的模m(x,y)以及方向θ(x,y)的计算公式如下：构建一个方向直方图，其横轴是梯度方向的角度大小，梯度方向范围为0到360度，选取每10度为一个bins，共分成36个bins，纵轴是梯度方向对应梯度幅值的累加，方向直方图的峰值代表特征点的主方向；以特征点为中心，在附近领域内将坐标轴旋转角度θ，即将坐标轴旋转为特征点的主方向；以特征点为中心取16×16的窗口，并将其分成16个4×4的小块，同样构建方向直方图，但以每45度为一个bins，这样每个小块有8个方向的梯度强度信息，由此每个特征点可以得到128维特征描述向量。所述计算手指静脉二值图与注册图像之间的匹配距离的步骤，包括：用dij表示作为测试图像的手指静脉二值图中第i个特征点与注册图像中第j个特征点之间的欧氏距离,其中i∈[1,N1],j∈[1,N2]；对于测试图像中的特征点i(x1,y1)，在训练图像中构建以相同的坐标点(x1,y1)为圆心，以r为半径的圆形邻域Oi，若训练图像中在该圆形邻域内存在m个特征点，分别计算特征点i与训练图像中这m个特征点之间的欧氏距离，若其中最小欧氏距离为dip，则dip为局部最优匹配；对训练库中的所有非圆形邻域Oi内的(N2-m)个特征点进行计算，若其中最小欧氏距离为diq,则diq为全局最优匹配，若dip＝diq，则认为测试图像中的特征点i和训练图像中的特征点p是正确匹配对，若dip≠diq，则认为对于测试图像的特征点i，训练图像中没有相对应的匹配点；定义两幅图像之间的匹配距离，其中，n表示正确匹配对数，N表示测试图像的特征点总数，d(i)表示第i对正确匹配之间的欧式距离。所述通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果的步骤，包括：将手指静脉二值图与数据库中所有注册图像之间的匹配距离进行排序，匹配距离最小的注册图像的类别作为识别结果的类别，若该最小匹配距离大于预设阈值，则识别失败。本专利技术提供的一种基于二值图的手指静脉识别方法，以阈值分割后的静脉纹理二值图作为特征点提取的对象，可以最大程度消除非静脉因素的干扰，并且对算法设计本身进行优化，进一步提高手指静脉识别的效率和结果识别的准确率。附图说明图1(a)为手指图像的原始图像示意图；图1(b)为手指图像的轮廓粗提取示意图；图1(c)为手指图像的ROI图像示意图；图1(d)为手指图像的CLAHE增强示意图；图1(e)为手指图像的Gabor增强示意图；图1(f)为手指静脉二值图示意图；图2是经过特征点提取的二值图示意图；图3是本专利技术测试场景中的受试者工作特征曲线；图4是一个应用场景中的匹配距离分布图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术例中的技术方案进行清楚、完整地描述，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。本专利技术所述的基于二值图的手指静脉识别方法的具体实现步骤如下：步骤S1：在近红外条件下采集手指图像。示意图如图1(a)。步骤S2：使用Sobel算子(索伯算子)纵向卷积粗提取手指边缘，然后沿着梯度方向进行非极大值抑制，最后使用RANSAC(随机抽样一致性算法)拟合轮廓边缘。本步骤实现ROI(RegionofInterest，感兴趣区域)提取。步骤S3：对指静脉图像分别进行空间域和频域增强，步骤如下：使用CLAHE(限制对比度直方图均衡法)将图像分成若干个子块，在每个子块内进行直方图均衡化，若某个子块的直方图幅度大于预设值，则对其进行裁剪并均匀的分布在整个灰度区间中。构建以为间隔，从0到共8个方向的Gabor滤波器(甘博滤波器)，分别对图片进行滤波处理，对得到的8个响应进行比对筛选，保留各个结果中纹理部分的最大响应。步骤S4：使用NiBlack算法(尼布拉克算法)进行阈值分割，将大于阈值的像素值设为255，小于阈值的像素值设为0。步骤S5：使用FAST(快速分段测试特征点提取)算法检测静脉纹理边缘上符合要求的像素点作为目标特征点。示意图如图2。步骤S6：对提取到的特征点进行向量化描述，步骤如下：构建以特征点为圆心，直径为7个像素的邻域圆，计算邻域圆内像素的梯度值和方向。设像素点P的坐标为(x,y),其梯度的模m(x,y)以及方向θ(x,y)的计算公式如下：构建一个方向直方图，其横轴是梯度方向的角度大小(梯度方向范围为0到360度，选取每10度为一个bins，共分成36个bins)，纵轴是梯度方向对应梯度幅值的累加。方向本文档来自技高网...

【技术保护点】
1.一种基于二值图的手指静脉识别方法，其特征在于，包括：采集近红外光下的手指图像；对采集的手指图像进行预处理，以获取对应的手指静脉二值图；采用FAST算法对手指静脉二值图进行特征点提取；采用梯度直方图对提取的特征点进行向量化描述；基于向量化描述的特征点，计算手指静脉二值图与训练库中所有注册图像之间的匹配距离；通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果。

【技术特征摘要】
1.一种基于二值图的手指静脉识别方法，其特征在于，包括：采集近红外光下的手指图像；对采集的手指图像进行预处理，以获取对应的手指静脉二值图；采用FAST算法对手指静脉二值图进行特征点提取；采用梯度直方图对提取的特征点进行向量化描述；基于向量化描述的特征点，计算手指静脉二值图与训练库中所有注册图像之间的匹配距离；通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果。2.根据权利要求1所述的基于二值图的手指静脉识别方法，其特征在于，所述对采集的手指图像进行预处理的步骤，包括：对手指图像进行图像尺寸归一化、ROI提取、图像空间域和频域增强，以及图像阈值分割的处理。3.根据权利要求2所述的基于二值图的手指静脉识别方法，其特征在于，所述ROI提取包括：使用Sobel算子纵向卷积粗提取手指边缘，然后沿着梯度方向进行非极大值抑制，最后使用RANSAC拟合轮廓边缘。4.根据权利要求2所述的基于二值图的手指静脉识别方法，其特征在于，所述图像空间域和频域增强的步骤，包括：使用CLAHE将图像分成若干个子块，在每个子块内进行直方图均衡化，若某个子块的直方图幅度大于预设值，则对其进行裁剪并均匀的分布在整个灰度区间中；以及构建以为间隔，从0到共8个方向的Gabor滤波器，分别对图像进行滤波处理，对得到的8个响应进行比对筛选，保留各个结果中纹理部分的最大响应。5.根据权利要求2所述的基于二值图的手指静脉识别方法，其特征在于，所述图像阈值分割的步骤，包括：使用NiBlack算法进行阈值分割，将大于阈值的像素值设为255，小于阈值的像素值设为0。6.根据权利要求3至5任一项所述的基于二值图的手指静脉识别方法，其特征在于，所述采用梯度直方图对提取的特征点进行向量化描述的步骤，包括：构建以特征点为圆心，直径为7个像素的邻域圆，计算邻域圆内像素的梯度值和方向，设像素点P的坐标为(x,y)，其梯度的模m(x,y)以及方向θ(x,y)的计算公式如下：构建一个方向直方图，其横...

【专利技术属性】
技术研发人员：邸思，李伟剑，金建，
申请(专利权)人：广州中国科学院先进技术研究所，深圳先进技术研究院，
类型：发明
国别省市：广东,44