基于模糊聚类和SIFT的掌静脉图像匹配方法组成比例

本发明专利技术提出了一种基于模糊聚类和SIFT的掌静脉图像匹配方法。用于掌静脉图像特征匹配的方法包括：获取手掌图像，其中该手掌图像中包括手掌和背景；基于手掌图像中的各像素的灰度值，使用模糊聚类算法将手掌图像划分为对应于背景部分的背景区域、对应于掌静脉部分的稳定特征区域、以及介于背景区域和稳定特征区域之间的模糊区域；对稳定特征区域进行中值滤波；对模糊区域和经中值滤波的稳定特征区域进行均衡化处理；使用ROI提取算法将经均衡化处理后的模糊区域和稳定特征区域重新划分成特征区域和非特征区域，并移除非特征区域；以及基于特征区域进行掌静脉图像特征匹配。基于特征区域进行掌静脉图像特征匹配。基于特征区域进行掌静脉图像特征匹配。

【技术实现步骤摘要】
基于模糊聚类和SIFT的掌静脉图像匹配方法


[0001]本申请涉及图像匹配方法和设备，并且更具体地涉及用于掌静脉图像特征匹配的方法和设备。

技术介绍

[0002]生物识别技术是人工智能领域的一大热点，相对于传统身份认证方法而言，生物识别技术具有更高的安全性与便捷性。生物识别技术的唯一性、不易盗取、不易丢失能够满足日益发展的现代社会对信息安全的更高要求。人类生物特性中能够用来作为识别依据的特征有很多，常见的有指纹、瞳孔、人脸、静脉等。其中，静脉特征更是具有采集过程友好、设备简单、特征稳定不易损坏的优点，而且静脉特征只能在血液流通的情况下才能被采集，因而具有更高级别的安全性。
[0003]掌静脉识别技术凭借其静脉结构丰富、采集方便、设备简单等优点逐渐成为热门的生物识别技术之一，但是它的识别性能却受到图像质量和掌纹干扰的制约。为了降低这类制约因素带来的不利影响，本申请提出了一种基于模糊聚类(FCM)和尺度不变特征变换(SIFT)的掌静脉图像匹配方法，能够进一步增强掌静脉图像中的特征信息、降低噪声、非特征信息干扰，从而有利于图像特征匹配。

技术实现思路
：
[0004]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以作为稍后给出的更加详细的描述之序。
[0005]为了解决上述问题，本方面提出了一种用于掌静脉图像特征匹配的方法和设备。
[0006]根据本专利技术一个方面，一种用于掌静脉图像特征匹配的方法包括：获取手掌图像，其中所述手掌图像中包括手掌和背景；基于所述手掌图像中的各像素的灰度值，使用模糊聚类算法将所述手掌图像划分为对应于背景部分的背景区域、对应于掌静脉部分的稳定特征区域、以及介于所述背景区域和所述稳定特征区域之间的模糊区域；对所述稳定特征区域进行中值滤波；对所述模糊区域和经中值滤波的稳定特征区域进行均衡化处理；使用ROI提取算法将经均衡化处理后的所述模糊区域和所述稳定特征区域重新划分成特征区域和非特征区域，并移除所述非特征区域；以及基于所述特征区域进行掌静脉图像特征匹配。
[0007]根据本专利技术进一步实施例，所述方法进一步包括：在对所述手掌图像进行划分之前，对所述手掌图像进行Gabor滤波。
[0008]根据本专利技术进一步实施例，所述均衡化处理为自适应直方图均衡化处理。
[0009]根据本专利技术进一步实施例，使用ROI提取算法将经均衡化处理后的所述模糊区域和所述稳定特征区域重新划分成特征区域和非特征区域包括：寻找手掌的内部中间分界线；使用所述内部中间分界线将手掌分为上下两个部分；利用上下两个水平边缘检测模板
分别检测手掌区域的上下边缘；以及通过边缘位置标记得到所述手掌图像中的手掌区域作为所述特征区域。
[0010]根据本专利技术进一步实施例，基于所述目标区域进行掌静脉图像特征匹配进一步包括：利用SIFT算法来进行所述掌静脉图像特征匹配。
[0011]根据本专利技术的一个方面，一种用于掌静脉图像特征匹配的设备包括：图像捕获装置，所述图像捕获装置被配置成获取手掌图像，其中所述手掌图像中包括手掌和背景；处理单元，所述处理单元被配置成：基于所述手掌图像中的各像素的灰度值，使用模糊聚类算法将所述手掌图像划分为对应于背景部分的背景区域、对应于掌静脉部分的稳定特征区域、以及介于所述背景区域和所述稳定特征区域之间的模糊区域；对所述稳定特征区域进行中值滤波；对所述模糊区域和经中值滤波的稳定特征区域进行均衡化处理；使用ROI提取算法将经均衡化处理后的所述模糊区域和所述稳定特征区域重新划分成特征区域和非特征区域，并移除所述非特征区域；以及基于所述特征区域进行掌静脉图像特征匹配。
[0012]根据本专利技术进一步实施例，所述处理单元被进一步配置成：在对所述手掌图像进行划分之前，对所述手掌图像进行Gabor滤波。
[0013]根据本专利技术进一步实施例，所述均衡化处理为自适应直方图均衡化处理。
[0014]根据本专利技术进一步实施例，所述处理单元被配置成使用ROI提取算法将经均衡化处理后的所述模糊区域和所述稳定特征区域重新划分成特征区域和非特征区域包括所述处理单元被配置成：寻找手掌的内部中间分界线；使用所述内部中间分界线将手掌分为上下两个部分；利用上下两个水平边缘检测模板分别检测手掌区域的上下边缘；以及通过边缘位置标记得到所述手掌图像中的手掌区域作为所述特征区域。
[0015]根据本专利技术进一步实施例，基于所述目标区域进行掌静脉图像特征匹配进一步包括：利用SIFT算法来进行所述掌静脉图像特征匹配。
[0016]提供本
技术实现思路
是为了以简化的形式来介绍一些概念，这些概念将在下面的具体实施方式中进一步描述。本
技术实现思路
不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。各实施例的其他方面、特征和/或优点将部分地在下面的描述中阐述，并且将部分地从描述中显而易见，或者可以通过本公开的实践来学习。
附图说明
[0017]为了能详细地理解本专利技术的上述特征所用的方式，可以参照各实施例来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然而应该注意，附图仅示出了本专利技术的某些典型方面，故不应被认为限定其范围，因为该描述可以允许有其它等同有效的方面。在附图中，类似附图标记始终作类似的标识。要注意，所描述的附图只是示意性的并且是非限制性的。在附图中，一些部件的尺寸可放大并且出于解说性的目的不按比例绘制。
[0018]图1解说了根据本申请的一实施例的掌静脉图像增强方法的流程图。
[0019]图2解说了根据本申请的一实施例的掌静脉图像增强前后的对比示图。
[0020]图3解说了根据本申请的一实施例的掌静脉图像增强前后使用SIFT算法进行掌静脉图像匹配后采集到的特征点的示图。
[0021]图4解说了根据本申请的一实施例的用于掌静脉图像特征匹配的设备的示图。
具体实施方式
[0022]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有这些具体细节中的一些或全部的情况下实践所描述的实施例。在其他示例性实施例中，没有详细描述公知的结构或处理步骤，以避免不必要地模糊本公开的概念。
[0023]在本说明书中，除非另有说明，否则通过本说明书使用的术语“A或B”指的是“A和B”和“A或B”，而不是指A和B是排他性的。
[0024]掌静脉识别技术凭借其静脉结构丰富、采集方便、设备简单等优点逐渐成为热门的生物识别技术之一，但是它的识别性能却受到图像质量和掌纹干扰的制约。
[0025]当前掌静脉识别方法主要分为两类：基于特征的识别方法和基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于掌静脉图像特征匹配的方法，所述方法包括：获取手掌图像，其中所述手掌图像中包括手掌和背景；基于所述手掌图像中的各像素的灰度值，使用模糊聚类算法将所述手掌图像划分为对应于背景部分的背景区域、对应于掌静脉部分的稳定特征区域、以及介于所述背景区域和所述稳定特征区域之间的模糊区域；对所述稳定特征区域进行中值滤波；对所述模糊区域和经中值滤波的稳定特征区域进行均衡化处理；使用ROI提取算法将经均衡化处理后的所述模糊区域和所述稳定特征区域重新划分成特征区域和非特征区域，并移除所述非特征区域；以及基于所述特征区域进行掌静脉图像特征匹配。2.如权利要求1所述的方法，其特征在于，进一步包括：在对所述手掌图像进行划分之前，对所述手掌图像进行Gabor滤波。3.如权利要求1所述的方法，其特征在于，所述均衡化处理为自适应直方图均衡化处理。4.如权利要求1所述的方法，其中，使用ROI提取算法将经均衡化处理后的所述模糊区域和所述稳定特征区域重新划分成特征区域和非特征区域包括：寻找手掌的内部中间分界线；使用所述内部中间分界线将手掌分为上下两个部分；利用上下两个水平边缘检测模板分别检测手掌区域的上下边缘；以及通过边缘位置标记得到所述手掌图像中的手掌区域作为所述特征区域。5.如权利要求1所述的方法，其特征在于，基于所述目标区域进行掌静脉图像特征匹配进一步包括：利用SIFT算法来进行所述掌静脉图像特征匹配。6.一种用于掌静脉图像特征匹配的设备，所述设备包括：图像捕获装置，所述图像捕获...

【专利技术属性】
技术研发人员：王雯，
申请(专利权)人：天翼智慧家庭科技有限公司，
类型：发明
国别省市：