CN101162504A - 手指静脉认证系统的静脉特征提取方法 - Google Patents

Abstract

本发明涉及一种手指静脉认证系统的图像静脉特征提取方法，它首先提取手指静脉图像的谷形区域，对于手指静脉图像的每一个像素，在以该像素为中心的9×9窗口内，把静脉的走向分为8个方向，然后根据8个方向设计8个谷形检测算子，分别对每个像素点9×9的邻域内的点相乘，然后对积累加求和，最后将最大的累加和作为该点像素的灰度值，得到一个图像；但是该图像中的特征存在伪静脉特征和噪声，接下来对该矩阵进行阈值分割，最后得到提取静脉特征。本发明在能够准确的提取图像中感兴趣的静脉特征，减少提取错误特征和漏掉真实特征，同时可以提高整个系统的识别精度和提高图像处理速度。

Description

手指静脉认证系统的静脉特征提取方法

技术领域

本发明属于人体生物认证领域中的生物特征提取部分，具体涉及手指静脉图像静脉特征的提取。

背景技术

在现代社会中，随着计算机及网络技术的高速发展，信息安全显示出前所未有的重要性。身份鉴定是保证系统安全的必要前提，在金融、国家安全、司法、电子商务、电子政务等应用领域，都需要准确的身份鉴定。如某人是否有权进入安全区域(安全系统)，是否有权进行特定交易，是否是本国居民，为了安全在公司计算机网络和因特网上单独设置口令或密钥进行保护等。当前，用于个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡、计算机标志卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失，或者由于使用过多或不当而损坏、不可读和密码易被破解等诸多问题。因此，目前广泛使用的依靠证件、个人识别号码(Personal identification number，PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，并显得越来越不适应现代科技发展和社会进步的需要。

人们希望有一种更加方便可靠的办法来进行身份鉴定。生物特征识别技术给这一切带来可能。人们可能会遗忘或丢失他们的卡片或忘记密码，但是人们却不可能遗忘或者丢失自己的生物特征如人脸、指纹、虹膜、掌纹、静脉等。在众多识别方案中，指纹识别是目前最方便、可靠、非侵害和技术上相对成熟的生物识别技术。然而指纹识别还有其自身的不足：某些人或群体指纹特征很少，达不到建档要求；部分使用者由于指纹磨损而无法使用指纹认证；每次使用指纹时会在指纹采集器上留下用户的指纹印痕，这些指纹痕迹存在被复制利用的可能。基于手指静脉的身份认证有其独特的优势，有效地解决了传统的生物特征识别技术所面临的诸多难题，主要表现在：速度高、精度高、安全等级高、活体识别、内部特征、非接触式。

可见，众多的生物特征中手指静脉是较为理想的一种用于身份认证的生物特征。同时，基于手指静脉识别技术的个人身份识别系统是具有高精度、高速度的世界上最尖端的认证技术。在各种生物认证技术中，因其是利用外部看不到的生物内部特征进行认证的技术，所以作为具有高防伪性的第二代生物认证技术备受关注。

手指静脉识别的基础和关键是手指静脉图像特征提取，静脉特征能否准确提取直接关系到整个系统的识别精度。然而，目前现有的手指静脉特征提取方法较少，且对一些低质量的静脉图像特征提取不够准确。

发明内容

本发明的目的在于针对现有特征技术存在的不足，提出一种手指静脉认证系统的静脉图像中静脉的特征提取方法，属于手指静脉认证系统的核心模块，旨在能够准确的提取图像中感兴趣的静脉特征，减少提取错误特征和漏掉真实特征，同时可以提高整个系统的识别精度和提高图像处理速度。

本发明采取的技术方案是：

一种手指静脉认证系统的图像静脉特征提取方法是手指静脉认证系统的关键部分，提取方法的好坏直接影响整个系统的识别精度。通过分析手指静脉图像可知，其中静脉特征处于图像上暗的区域，而背景相对较亮，然后结合数字图像的知识，得到静脉特征就是在图像中处于谷形的区域，如图3所示。因此，提取静脉特征就转化为检测图像中的谷形区域。为此，设计了一种算子来检测该区域。由于手指静脉图像谷形区域(静脉纹路)都有比较清晰的方向场，方向场估计的准确性直接决定了图像增强和分割算法的效果。为估计方向场，把静脉的走向分为8个方向，如图2所示，i＝1，2，…，8分别代表这8个方向的位置。然后设计一种算子来检测该谷形区域，即利用8个方向上的模板算子对应元素(如图3所示)对该点的邻域内的灰度值分别做乘积，然后对积累加求和(模板的大小与邻域的大小相同)。最后把8个方向上最大的累加和作为该点像素的灰度值，得到一个含有静脉特征的图像。但是该图像中的存在有伪静脉特征和噪声。接下来利用阈值划分出最可能没有静脉的特征区域(背景区域)、既含有噪声和伪静脉特征的区域(模糊区域)、最可能只有静脉特征的区域(目标区域)三个区域。然后分别对每个区域做处理，即去掉对最可能没有静脉的特征区域、保留最可能只有静脉特征的区域、细分割既含有噪声和伪静脉特征的区域。由于既含有噪声和伪静脉特征的区域属于模糊区域，对该部分割的分割也是整个静脉特征提取的关键。对这部分的处理，首先要对模糊部分进行清晰化，这样能降低该部分的噪声和剔除伪静脉且有利于阈值分割。然后进行阈值分割，但不能利用单一的阈值来分割图像，这样将会产生去掉噪声和伪静脉特征的同时丢失一些静脉特征信息。解决的办法是采用多阈值分割方法。

对每个区域的处理具体方法如下：

(1)去掉最可能没有静脉的特征区域，即去掉明显为非静脉特征的象素点。首先，由于经过作乘积，然后对积累加求和使谷形区域的像素灰度值大于0，平坦的区域为0，而成凸形的区域小于0。那么，大于零的灰度值对应的像素点一定为静脉特征，其值不变，而小于等于零的点为非静脉特征。取阈值为零，进行第一次分割。

(2)保留最可能只有静脉特征的区域，即保留明显为静脉特征的像素点。经过第一步处理以后，图像中的特征大部分为静脉特征，但也存在伪静脉特征和噪声。通过取合适的阈值就可以把明显的静脉特征保留。大于该阈值的灰度值置为阈值，小于阈值的灰度值不变。

(3)模糊部分清晰化。由于经过前两步的处理后，伪静脉特征和噪声主要存在于该模糊部分中，因此在分割之前，首先必需降低模糊部分的模糊度，即使模糊部分清晰化。这样可以进一步降低噪声和剔除伪静脉，且有利于下一步准确分割。其做法是：对单层模糊增强算法进行改进，提出了一种区域模糊增强算法，(1)对原图像按公式 $u_{\mathrm{mn}}=\frac{\mathrm{Gray}(m,n)}{K-1}\left(\mathrm{Gray}\right(m,n)$ 表示像素(m，n)处的灰度值，K-1表示最大灰度级，u_mn表示表示变换到模糊平面中点(m，n)处的值。)进行模糊特征提取，得到图像的模糊特征平面；(2)在模糊特征平面上，对模糊特征按增强公式

$u_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{u}_{\mathrm{mn}}{\left(\frac{u_{\mathrm{mn}}}{T_{\mathrm{mn}}}\right)}^{2^r}& u_{\mathrm{mn}}\&le;T_{\mathrm{mn}}\\ 1-(1-u_{\mathrm{mn}}){\left(\frac{1-u_{\mathrm{mn}}}{1-T_{\mathrm{mn}}}\right)}^{2^r}& T_{\mathrm{mn}}<u_{\mathrm{mn}}\end{array}\right.$ (u′_mn表示经过增强后模糊特征平面上(m，n)处的值，T_mn表示窗口内所有元素的均值，r表示增强参数，)进行对比度增强变换，得到增强后的模糊特征平面，即用(2p+1)×(2p+1)窗口(大小可以选择)依次遍历模糊特征平面中的点，计算该点(2p+1)×(2p+1)窗口内的均值作为中心点的阈值，如果中心点的灰度值大于该阈值，则利用增强公式将其值增大，反之，则将其值减小，从而降低模糊度，达到增强的目的；(3)对新的模糊特征平面按变换公式Gray(m，n)′＝(K-1)u′_mn(u′_mn表示经过增强后模糊特征平面上(M，n)处的值，Gray(m，n)′得到增强后的灰度值)进行逆变换，得出相应的增强后的输出图像。

(4)对模糊部分的阈值分割。这是整个静脉特征提取得关键部分，采用区域NiBlack，即灰度图像的阈值选取方法，在每个点一定大小的邻域内利用NiBlack方法计算该点的阈值，使图像中每个点都有一个阈值，然后分别利用每个阈值进行分割，最终得到静脉特征。

本发明可以准确的提取手指静脉的特征，特别对于一些低质量手指静脉图像的特征提取非常有效。同时可以提高整个系统的识别精度和提高图像处理速度。

附图说明

图1.本发明的流程示意图。

图2.8个静脉脊线方向示意图。

图3.8个静脉脊线方向示意图。

其中图3a是截面部分的灰度坐标图；图3b是横截面在指静脉图像中的位置示意图；

图4是各方向的算子；

其中图4a是0°(水平)方向算子；图4b是157.5°方向算子；图4c是135°方向算子；图4d是112.5°方向算子；图4e是90°方向算子；图4f是67.5°方向算子；  图4g是45°方向算子；图4h是22.5°方向算子

具体实施方式

一般的手指静脉图像都有比较清晰的方向场，方向场估计的准确性直接决定了图像增强和分割算法的效果。

为估计方向场，把静脉的走向分为8个方向，如图2所示。

结合图1，手指静脉图像特征提取方法如下：

Step 1：提取谷形区域

对于手指图像的每一个像素，为了确定在该像素处脊线的方向，在以该像素为中心的9×9窗口内，分别计算与之对应8个方向上算子(如图4所示)的乘积累加和Fgray(i)(i＝1，2，…，8)。然后得到这8个方向上的最大累加和Gmax。

$G\max =\underset{i}{\mathrm{Max}}\left(\mathrm{Fgray}\left(i\right)\right)---\left(1\right)$

然后用最大值Gmax作为该点的灰度值。

Gray(M，n)＝Gmax；    (2)

式中：Gray(m，n)表示像素(m，n)处的灰度值。

Step 2：阈值分割

Step 2.1：进行第一次阈值分割

Step 2.2：进行第二次阈值分割

Gmean＝sum(Gray)/Num

式中：Gmean表示图像中非零元素的平均值；sum(Gray)和Num分别表示图像中非零元素的和与个数。

Step 2.3：模糊增强

经过前两次分割后，这时图像中灰度值范围为[0，Gmean]，该区域的值存在伪静脉特征的可能性非常大，属于模糊区域，可以用模糊算子增强。其算法如下：

(1)计算隶属度，即

$u_{\mathrm{mn}}=G\left(\mathrm{Gray}(m,n)\right)=\frac{\mathrm{Gray}(m,n)}{K-1}---\left(5\right)$

(2)计算(2p+1)×(2p+1)窗口内所有元素的均值T_mn

(3)在(2p+1)×(2p+1)窗口内计算调整后的像素灰度隶属度u′_mn及其灰度值Gray(m，n)′，其数学表达式为

$u_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{u}_{\mathrm{mn}}{\left(\frac{u_{\mathrm{mn}}}{T_{\mathrm{mn}}}\right)}^{2^r}& u_{\mathrm{mn}}\&le;T_{\mathrm{mn}}\\ 1-(1-u_{\mathrm{mn}}){\left(\frac{1-u_{\mathrm{mn}}}{1-T_{\mathrm{mn}}}\right)}^{2^r}& T_{\mathrm{mn}}<u_{\mathrm{mn}}\end{array}\right.---\left(6\right)$

(4)Gray(m，n)′＝(K-1)u′_mn    (7)

其中，K-1表示最大灰度级

Step 2.4：进行第3次阈值分割

采用(2p+1)×(2p+1)窗口在原图像上滑动，该窗口中心像素点灰度值为Gray(m，n)′，则该窗口内所有像素值构成如下集合：

S(i，j)＝{Gray(m+k，n+l)′|k，l＝-p…，1，0，1…，p}

求出该窗口中所有像素的平均值Average(S(m，n))和方差σ(m，n)，计算公式如下：

$\mathrm{Average}\left(S(m,n)\right)=\frac{1}{(2p+1)(2p+1)}\underset{m=-p}{\overset{p}{\mathrm{\&Sigma;}}}\underset{n=-p}{\overset{p}{\mathrm{\&Sigma;}}}\mathrm{Gray}{(m,n)}^{\&prime;}---\left(8\right)$

$\mathrm{\&sigma;}(m,n)=\sqrt{\frac{1}{(2p+1)(2p+1)}\underset{m=-p}{\overset{p}{\mathrm{\&Sigma;}}}\underset{n=-p}{\overset{p}{\mathrm{\&Sigma;}}}{(\mathrm{Gray}{(m,n)}^{\&prime;}-\mathrm{Average}\left(S(m,n)\right))}^2}---\left(9\right)$

利用方差和均值得到分割阈值T(m，n)

T(m，n)＝Average(S(m，n))+α×σ(m，n)    (10)

这样图像中每个像素点都有一个阈值。然后分别利用每个阈值进行二值化为

得到最终只含静脉特征的图像Gray(m，n)′。

Claims (3)

1.一种手指静脉认证系统的静脉特征提取方法，其特征在于它包括以下步骤：

(1)检测手指静脉图像的谷形区域

对于手指静脉图像的每一个像素，在以该像素为中心的9×9窗口内，把静脉的走向分为8个方向，然后根据8个方向设计8个谷形检测算子；利用8个方向的谷形检测算子分别对每个像素点9×9的邻域内的点相乘，然后对积累加求和，最后将最大的累加和作为该点像素的灰度值，得到一个图像，其中大于零的值处于谷形区域，小于等于零的值处于非谷形区域；

(2)阈值分割

将得到的图像划分为三个区域，即最可能没有静脉的特征区域、含有噪声和伪静脉特征的区域即模糊区域以及最可能只有静脉特征的区域；然后利用阈值划分出这三个区域，最后分别对每个区域做处理，具体步骤如下：

第一步，去掉对最可能没有静脉的特征区域，即去掉明显为非静脉特征的像素点；首先，取阈值为零，进行第一次分割，即大于等于零的灰度值保持不变，小于零的灰度值置为零；

第二步，保留最可能只有静脉特征的区域，即保留明显为静脉特征的像素点；取图像中所有非零像素点灰度值的平均值作为分割阈值，进行第二次分割，即令其大于阈值的像素点的灰度值等于阈值，小于阈值的灰度值保持不变；

第三步，模糊部分清晰化：经过前两次分割后，这时图像中灰度值范围为[0，Gmean]，该区域的值存在伪静脉特征的可能性非常大，属于模糊区域，用区域模糊增强算法进行增强；

第四步，对模糊部分的阈值分割：采用区域NiBlack，即灰度图像的阈值选取方法，在每个点一定大小的邻域内利用NiBlack方法计算该点的阈值，使图像中每个点都有一个阈值，然后分别利用每个阈值进行分割，最终得到静脉特征。

2.根据权利要求1所述的手指静脉认证系统的静脉特征提取方法，其特征在于所述提取手指静脉图像的谷形区域的具体做法是：

对于图像的每一个像素，在以该像素为中心的9×9窗口内，分别计算与之对应8个方向上算子的累加和Fgray(i)(i＝1，2，…，8)，得到这8个方向上的累加和Gmax；

$G\max =\underset{i}{\mathrm{Max}}\left(\mathrm{Fgray}\left(i\right)\right)---\left(1\right)$

然后用最大值Gmax作为该点的灰度值

Gray(m，n)＝Gmax    (2)

式中：Gray(m，n)表示像素(m，n)处的灰度值。

3.根据权利要求1所述的手指静脉认证系统的静脉特征提取方法，其特征在于所述阈值分割具体做法是：

第一步：进行第一次阈值分割

第二步：进行第二次阈值分割

Gmean＝sum(Gray)/Num

式中：Gmean表示图像中非零元素的平均值，sum(Gray)和Num分别表示图像中非零元素的和与个数；

第三步：模糊增强

对模糊区域用模糊算子增强，算法如下：

(1)对原图像按公式 $u_{\mathrm{mn}}=\frac{\mathrm{Gray}(m,n)}{K-1}$ 进行模糊特征提取，得到图像的模糊特

征平面；其中Gray(m，n)表示像素(m，n)处的灰度值，K-1表示最大灰度级，u_mn表示变换到模糊平面中点(m，n)处的值；

(2)在模糊特征平面上，对模糊特征按增强公式

$u_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{u}_{\mathrm{mn}}{\left(\frac{u_{\mathrm{mn}}}{T_{\mathrm{mn}}}\right)}^{2^r}& u_{\mathrm{mn}}\&le;T_{\mathrm{mn}}\\ 1-(1-u_{\mathrm{mn}}){\left(\frac{1-u_{\mathrm{mn}}}{1-T_{\mathrm{mn}}}\right)}^{2^r}& T_{\mathrm{mn}}<u_{\mathrm{mn}}\end{array}\right.$ 进行对比度增强变换，得到增强后的模糊特征平面，即用(2p+1)×(2p+1)窗口(大小可以选择)依次遍历模糊特征平面中的点，计算该点(2p+1)×(2p+1)窗口内的均值作为中心点的阈值，如果中心点的灰度值大于该阈值，则利用增强公式将其值增大，反之，则将其值减小，从而降低模糊度，达到增强的目的；其中u′_mn表示经过增强后模糊特征平面上(m，n)处的值，T_mn表示窗口内所有元素的均值，r表示增强参数；

(3)对新的模糊特征平面按变换公式Gray(m，n)′＝(K-1)u′_mn进行逆变换，得出相应的增强后的输出图像；其中u′_mn表示经过增强后模糊特征平面上(m，n)处的值，Gray(m，n)′得到增强后的灰度值；

第四步：进行第3次阈值分割

采用(2p+1)×(2p+1)窗口在原图像上滑动，该窗口中心像素点灰度值为Gray(m，n)′，则该窗口内所有像素值构成如下集合：

S(i，j)＝{Gray(m+k，n+l)′|k，l＝-p…，1，0，1…，p}

求出该窗口中所有像素的平均值Average(S(m，n))和方差σ(m，n)，计算公式如下：

$\mathrm{Average}\left(S(m,n)\right)=\frac{1}{(2p+1)(2p+1)}\underset{m=-p}{\overset{p}{\mathrm{\&Sigma;}}}\underset{n=-p}{\overset{p}{\mathrm{\&Sigma;}}}\mathrm{Gray}{(m,n)}^{\&prime;}---\left(8\right)$

$\mathrm{\&sigma;}(m,n)=\sqrt{\frac{1}{(2p+1)(2p+1)}\underset{m=-p}{\overset{p}{\mathrm{\&Sigma;}}}\underset{n=-p}{\overset{p}{\mathrm{\&Sigma;}}}{(\mathrm{Gray}{(m,n)}^{\&prime;}-\mathrm{Average}\left(S(m,n)\right))}^2}---\left(9\right)$

利用方差和均值得到分割阈值T(m，n)

T(M，n)＝Average(S(m，n))+α×σ(m，n)    (10)

这样图像中每个像素点都有一个阈值，然后分别利用每个阈值进行二值化为

得到最终只含静脉特征的图像Gray(m，n)′。

Images