一种基于非接触式手掌静脉图像的视频注册方法及装置制造方法及图纸

本发明专利技术涉及一种基于非接触式手掌静脉图像的视频注册方法及装置，所述的视频注册方法包括以下步骤：1）使用非接触设备采集时长为t秒的手掌静脉视频；2）定位手掌和手掌ROI位置并裁剪对应图像；3）对手掌区域A进行手掌异常检测；4）对手掌ROI区域B进行成像质量判断；5）提取手掌ROI区域B的512维特征向量；6）计算相邻两个一级模板间的余弦相似度；7）比较t秒视频结束后采集到的一级模板的数量与阈值M的大小；8）基于改进的K‑Means聚类算法，并根据最大化模板类内差异对所有一级模板进行筛选。本发明专利技术涉及的视频注册方法在注册阶段，对手掌区域进行手掌异常检测，能够有效预防有遮挡的掌静脉注册，极大提升掌静脉注册的安全性。

【技术实现步骤摘要】
一种基于非接触式手掌静脉图像的视频注册方法及装置
本专利技术属于生物特征识别与信息安全
，尤其涉及一种基于非接触式手掌静脉图像的视频注册方法及装置。
技术介绍
手掌静脉是体内一种稳定、唯一、丰富的生物活体特征，本身具有防伪特性。用掌静脉特征进行生物识别，具有很高的安全性。随着掌静脉识别技术的研究与应用，该项技术对安全性能要求高，且应用环境复杂，不乏存在一些恶意攻击者，让异常情况下的手掌静脉进行掌静脉注册，若注册成功，容易和恶意攻击者发生误识别，从而泄露账户导致财产损失等不良后果；异常情况有：带有多种手套，受伤有包扎，有大面积污渍，手掌ROI不完整等多种情况。所以提升掌静脉注册时的安全性和识别率，都是重要的研究内容。目前，掌静脉图像的注册方法中关于异常情况的检测内容很少；相比之下，指静脉、人脸注册等情况中提到异常检测较多；一般分为两大类：一类基于灰度、纹理等特征；该类对于环境光照等外部因素稳定性要求较高。另一类基于神经网络特征进行分类的；该类对于多种异常情况有较好的泛化性能，鲁棒性较强。关于静脉注册的内容如公开号为CN107本文档来自技高网...

【技术保护点】
1.一种基于非接触式手掌静脉的视频注册方法，其特征在于：其包括以下步骤：/n1）使用非接触设备采集时长为t秒的手掌静脉视频；/n2）定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；/n3）对手掌区域A进行手掌异常检测，输出检测结果，若检测结果为异常，返回步骤2），若检测结果为正常，进入步骤4）；/n4）对手掌ROI区域B进行成像质量判断，输出判断结果，若判断结果为不合格，返回步骤2），若判断结果为合格，进入步骤5）；/n5）对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；/n6）重复步骤2）~5），提取若干一级模板，设置模板...

【技术特征摘要】
1.一种基于非接触式手掌静脉的视频注册方法，其特征在于：其包括以下步骤：
1）使用非接触设备采集时长为t秒的手掌静脉视频；
2）定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；
3）对手掌区域A进行手掌异常检测，输出检测结果，若检测结果为异常，返回步骤2），若检测结果为正常，进入步骤4）；
4）对手掌ROI区域B进行成像质量判断，输出判断结果，若判断结果为不合格，返回步骤2），若判断结果为合格，进入步骤5）；
5）对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；
6）重复步骤2）~5），提取若干一级模板，设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度，若计算所得的余弦相似度大于等于余弦相似度阈值T3，则进入下一步继续注册，反之，注册失败，结束本次注册；
7）设置一级模板数量阈值M，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小，若采集到的一级模板的数量大于或等于阈值M，进入步骤8），反之，则注册失败，结束本次注册；
8）改进K-Means聚类算法，基于改进的K-Means聚类算法，并根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，然后将k个二级模板融合成一个三级的注册模板，登记到模板数据库，注册成功。


2.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述步骤2）中，定位手掌和手掌ROI区域使用的是基于深度学习的目标检测神经网络YOLOv5训练的目标检测模型model1，训练方法如下：
2.1)采集训练样本：训练样本是多环境下的手掌静脉图像；
2.2）给训练样本打标签：使用标图工具LabelImage标注出每张训练样本中的手掌和手掌ROI区域的位置，生成对应的标注xml文件；
2.3）初始化训练超参数；
2.4）开始训练：基于TensorFlow框架，设置训练数据的路径，开始训练；
2.5）训练结束：等到训练loss收敛且趋于稳定，选择其中一个准确率较高的模型，即为深度学习的目标检测神经网络YOLOv5训练的目标检测模型model1。


3.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述步骤3）中，手掌异常检测的模型为基于VGG16网络训练好的二分类模型，基于VGG16网络的二分类模型的训练方法：
3.1)采集训练正样本：正样本是多种灯光环境下的正常的手掌静脉图像；
3.2）采集训练负样本：负样本是采集的多种异常手掌，包括手上戴有手套和手掌有遮挡物；
3.3）初始化训练超参数；
3.4）开始训练：基于TensorFlow框架，选择VGG16网络和交叉熵损失函数，设置训练数据的路径，开始训练；
3.5）训练结束：待训练loss趋于0收敛且稳定，选择其中一个准确率较高的模型，作为手掌异常检测的二分类模型。


4.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步骤4）中，对手掌ROI区域B进行成像质量判断包括对曝光度和清晰度的判断。


5.根据权利要求4所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的曝光度的计算公式为：










n是图像的像素总数，ng是图像种第个灰度级的像素总数，rg是第个灰度级，=0,1,
2,…L-1；L=255；是第个灰度级在图像整个灰度级出现的概率；是最大的灰度
级的概率，即像素最多的概率；T1是曝光度阈值；
所述的清晰度计算公式为：










是待计算清晰度的输入手掌ROI图像，是卷积之后的输出图
像，i、j分别表示图像中像素的行列索引，m、n分别表示图像的高和宽，0<i<=m，0<j<=n，i和j
都是整数；即为图像的清晰度，该清晰度是0~1之间的浮点数，数值越大
越清晰；反之，越模糊；T2是清晰度阈值。


6.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步...

【专利技术属性】
技术研发人员：赵国栋，朱晓芳，李学双，张烜，
申请(专利权)人：北京圣点云信息技术有限公司，
类型：发明
国别省市：北京;11