一种面向模糊指静脉图像的动态识别方法技术

本发明专利技术公开了一种面向模糊指静脉图像的动态识别方法。为了判断指静脉图像是否模糊，首先提出了一种基于图像金字塔模型的图像模糊度检测方法。再提出一种基于模糊程度分类的动态NiBlack分割算法，根据不同的模糊程度，采用不同的计算阈值。最后根据不同识别模式设置动态识别阈值。实验表明，本发明专利技术提出的面向模糊指静脉图像的动态识别算法，在判断图像模糊度的准确性上有着较大提高。且在特征提取时，采用了动态计算参数，使得特征提取更为准确。最后在识别过程中，采用了动态的识别阈值，有效提升了系统整体识别率。说明本方法是一种高效简便的针对模糊指静脉图像的识别方法。

A dynamic recognition method for fuzzy finger vein image

The invention discloses a dynamic recognition method for fuzzy finger vein image. In order to judge whether the image of finger vein is fuzzy or not, a method based on image pyramid model is proposed. Then a dynamic Niblack segmentation algorithm based on fuzzy degree classification is proposed. According to different fuzzy degree, different calculation threshold is used. Finally, dynamic recognition threshold is set according to different recognition modes. The experiment shows that the dynamic recognition algorithm for fuzzy finger vein image proposed by the invention has a great improvement in the accuracy of judging the image fuzziness. And in feature extraction, dynamic calculation parameters are used to make feature extraction more accurate. Finally, in the recognition process, the dynamic recognition threshold is used to effectively improve the overall recognition rate of the system. It shows that this method is an efficient and simple method for fuzzy finger vein image recognition.

【技术实现步骤摘要】
一种面向模糊指静脉图像的动态识别方法
本专利技术属于生物特征识别及信息安全
，特别涉及指静脉识别

技术介绍
手指静脉识别技术属于生物特征识别技术，它利用手指内部静脉走向的形态学结构进行个体的身份验证。因其识别速度快、不可复制性，成本较低而成为国内外诸多研究人员的研究热点。在指静脉图像采集中，由于被采集者的使用习惯如放置时重压等，采集时的环境变化如手指表面脏污、湿润等，设备不稳定性如红外摄像头曝光过度、失焦等因素，均会采集到静脉纹路不清晰的图像即模糊图像。由于模糊图像对比度低，不利于静脉分割和特征提取，从而影响系统的识别性能。目前，针对提升模糊图像识别性能，如何准确检测指静脉图像的模糊程度，如何针对模糊图像的提取特征过程改进成为了研究的重点方向。胡晶晶等将提取的指静脉图像中的空间域梯度、对比度等信息进行加权融合，通过建立质量评估模型来检测图像的模糊程度，该方法采用图像熵等统计量对模糊图像质量进行判断，可能导致图象模糊程度判断不准确。S.Fairuz等采用AlexNet迁移学习模型，提高静脉系统识别率，但建立深度学习模型，算法时间复杂度高，实现的硬件成本较高。张冬梅等采用改进的Morlet小波变换方法，通过增强模糊静脉图像以提高识别性能，但该方法对于设备成像要求较为苛刻，并不适用于大多数的红外指静脉图像。综上所述当前模糊静脉图像识别中存在着静脉特征较难提取，模糊度判断不准确，模糊图像识别性能差等问题。红外摄像头拍摄人体指静脉图像时，静脉边缘灰度变化剧烈，即为图像中的高频信息。因此，可以通过建立图像金字塔模型，准确地检测出图像中的高频信息部分，以此来判断指静脉图像的模糊程度。通过改进模糊图像的特征提取和识别过程，能够有效地解决模糊静脉图像识别率差的问题。
技术实现思路
对于现有针对指静脉图像模糊程度判断不准确，特征提取困难，识别性能较低的问题。本专利技术提供一种面向模糊指静脉图像的动态识别算法。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤1、采集红外指静脉图像，通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型。该高斯金字塔模型的图像集合可以用Gau(G,L)来表示，其中G代表尺寸组，L代表尺度层。使用双线性插值法将原图尺寸大小归一化为P×Q,并置于第一尺寸组，第一尺度层为Gau(1,1)。同一尺寸下，尺度层由一系列经过不同参数高斯滤波后的图像组成，如公式(1)所示，式中，w为高斯滤波函数，σ为滤波系数，n为滤波函数的窗口大小，k′为尺寸组序号，k为尺度层序号。Gau(k′,k+1)＝Gau(k′,k)*w[n2,(k-1)σ]1)步骤2、根据公式(1)构建高斯金字塔模型时，图像因隔行隔列采样和高斯滤波会丢失部分高频信息。为了反映这部分高频信息，引入拉普拉斯金字塔模型。该模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到。用Lap(G,L)表示拉普拉斯金字塔图像：Lap(G,L)＝Gau(G,L)-Gau(G,L+1)2)步骤3、高斯滤波器模板大小t，滤波系数σ。这里提出一种加权的模糊度检测函数，如公式(3)、(4)所示，其中G为所选尺寸组，Sn为各层尺度层的高频质量分数，M为指静脉图像模糊度指标，μ1,μ2,μ3,μ4为权重系数，r和c为所选尺寸组的尺寸大小，为固定值。M＝μ1S1+μ2S2+μ3S3+μ4S44)步骤4、对采集的手指静脉图像提取稳定的二值图特征。先对原图进行图像归一化操作，然后采用NiBlack分割静脉。根据M的大小，若M小于模糊度指标阈值，则判断为模糊图像，反之则为正常图像。根据图像的模糊程度采用动态参数的NiBlack方法，相关计算公式如公式(5)、公式(6)、公式(7)所示：式(5)中，ρ为窗口大小，f(i,j)为手指静脉图像中坐标点(i,j)的灰度值，ave(i,j)为其邻域的灰度平均值。式(6)中，var(i,j)为其邻域的灰度方差。式(7)中，T(i,j)为坐标点(i,j)的动态分割阈值，λ为修正系数。T(i,j)＝ave(i,j)+λ×var(i,j)7)步骤5、对于不同模糊程度的指静脉图像，采用动态的分割参数，调整参数ρ和λ，使得特征提取更准确。对分割出的静脉二值化图像进行细化处理，删除多余的毛刺和伪静脉，得到最终的静脉特征细线图。步骤6、使用基于细线的修正豪斯多夫距离(ModifiedHausdorffDistance,MHD)距离作为识别方法。根据步骤5中得到的静脉特征细线图构成两个点集X和Y，两个点集的相似度统计量计算如下，其中Dm(X,Y)表示点集X到点集Y的有向距离，和为点集X中的横纵坐标，m为点集X中的个数：步骤7、取Dm(X,Y)和Dn(Y,X)中的最大值H(X,Y)作为2个点集间的细线距离顺序统计量:H(X,Y)＝max(Dm(X,Y),Dn(Y,X))9)步骤8、根据步骤3中计算得到的图像模糊度指标，判断识别模式是正常识别还是模糊识别，分别采用设定正常识别阈值T1和模糊识别阈值T2进行识别。若正常识别模式下，式(9)中H(X,Y)小于阈值T1或模糊识别模式下，H(X,Y)小于阈值T2，则判断识别成功，两幅红外手指经脉图像来源于同一根手指。本专利技术有益效果如下：1、本专利技术构建了图像金字塔模型，利用手指静脉图像中静脉边缘的高频信息，准确地判断图像的模糊程度。算法复杂度低，且判断准确率高。2、本专利技术对于静脉图像，根据其模糊程度不同，采用动态NiBlack计算参数提取细线特征。相比于固定参数提取特征，提取出的二值图更加光滑，毛刺和伪静脉更少。3、本专利技术在识别系统中引入了动态识别阈值设置，保证了正常手指识别率不会因模糊手指而下降。对于模糊程度不同的图像，设置不同的识别阈值，能够有效提高系统整体识别性能。实验表明，本专利技术提出的面向模糊指静脉图像的动态识别算法能够准确地判断指静脉图像的模糊程度，且对于模糊图像的识别性能有较大的提升。特别地，本专利技术能够根据图像的模糊程度采用动态参数的NiBlack分割算法，使得二值图特征提取更为准确。传统的识别算法都采用同一识别阈值，因模糊图像的特殊性，会使得整体识别率下降，而本专利技术提出的根据不同识别模式设置动态识别阈值算法，充分利用了模糊图像的特殊性，分别设置识别阈值，有效提高了识别性能。因此，面向模糊指静脉图像的动态识别算法是一种对提升模糊指静脉图像识别率十分有效的算法。附图说明图1为本专利技术面向模糊指静脉图像的动态识别算法流程图；图2为采集的红外手指静脉原始图像；图3为清晰静脉的拉普拉斯金字塔图像；图4为模糊静脉的拉普拉斯金字塔图像；图5为不同参数下静脉图像提取的二值图和细化图；图6为改进前模糊静脉图像提取的细化图；图7为改进后模糊静脉图像提取的细化图；图8为本专利技术提出的图像模糊度检测结果图本文档来自技高网...

【技术保护点】
1.一种面向模糊指静脉图像的动态识别方法，其特征在于包括如下步骤：/n步骤1、采集红外手指静脉图像，通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型；/n步骤2、在构建高斯金字塔模型时，引入拉普拉斯金字塔模型；该拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；/n步骤3、提出一种加权的模糊度检测函数，计算得到的图像模糊度指标；/n步骤4、对采集的手指静脉图像提取稳定的二值图特征；/n步骤5、对于不同模糊程度的手指静脉图像，采用动态的分割参数获取静脉特征细线图，并将静脉特征细线图分成两个点集X和Y；/n步骤6、使用基于细线的修正豪斯多夫距离距离作为识别方法，计算点集X和Y相似度统计量；/n步骤7、取相似度统计量中最大值H(X,Y)作为2个点集间的细线距离顺序统计量；/n步骤8、根据步骤3中计算得到的图像模糊度指标，判断是否识别成功。/n

【技术特征摘要】
1.一种面向模糊指静脉图像的动态识别方法，其特征在于包括如下步骤：
步骤1、采集红外手指静脉图像，通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型；
步骤2、在构建高斯金字塔模型时，引入拉普拉斯金字塔模型；该拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；
步骤3、提出一种加权的模糊度检测函数，计算得到的图像模糊度指标；
步骤4、对采集的手指静脉图像提取稳定的二值图特征；
步骤5、对于不同模糊程度的手指静脉图像，采用动态的分割参数获取静脉特征细线图，并将静脉特征细线图分成两个点集X和Y；
步骤6、使用基于细线的修正豪斯多夫距离距离作为识别方法，计算点集X和Y相似度统计量；
步骤7、取相似度统计量中最大值H(X,Y)作为2个点集间的细线距离顺序统计量；
步骤8、根据步骤3中计算得到的图像模糊度指标，判断是否识别成功。


2.根据权利要求1所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤1具体实现如下：
高斯金字塔模型的图像集合用Gau(G,L)来表示，其中G代表尺寸组，L代表尺度层；使用双线性插值法将原图尺寸大小归一化为P×Q,并置于第一尺寸组，第一尺度层为Gau(1,1)；同一尺寸下，尺度层由一系列经过不同参数高斯滤波后的图像组成，如公式(1)所示，式中，w为高斯滤波函数，σ为滤波系数，n为滤波函数的窗口大小，k′为尺寸组序号，k为尺度层序号；
Gau(k′,k+1)＝Gau(k′,k)*w[n2,(k-1)σ](1)。


3.根据权利要求2所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤2具体实现如下：
拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；用Lap(G,L)表示拉普拉斯金字塔图像：
Lap(G,L)＝Gau(G,L)-Gau(G,L+1)(2)。


4.根据权利要求3所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤3具体实现如下：
提出一种加权的模糊度检测函数，如公式(3)、(4)所示，其中G为所选尺寸组，Sn为各层尺度层的高频质量分数，M为指静脉图像模糊度指标，μ1,μ2,μ3,μ4为权重系数，r和c为所选尺寸组的尺寸大小，为固定值；



M＝μ1S1+μ2S2...

【专利技术属性】
技术研发人员：沈雷，李凡，吕葛梁，杨航，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33