CN101251889A - 基于手掌静脉与掌纹的近红外成像设备与身份识别方法 - Google Patents

Abstract

本发明提供了一种基于手掌静脉与掌纹的近红外成像设备与身份识别方法。首先利用近红外成像设备获取一幅手掌图像，提取出需处理的中心子块样本，将该子块输入到两个特征提取模块中：类掌纹信息编码和静脉血管结构提取，然后两个特征分别进行匹配，采用不同的相似度评价方法对两种特征分别计算各自的相似度，根据训练样本，得到类掌纹和静脉血管结构的最优加权组合，然后将两个相似度进行相似度级的融合，最后将融合后的相似度根据预先设定的阈值进行决策比较，结合融合的匹配做出最终判定。本发明能够克服图像特征较少，处理单一的缺点，具有能够提高系统的识别率和稳定性的优点。

Description

基于手掌静脉与掌纹的近红外成像设备与身份识别方法

(一)技术领域

本发明涉及人体生物特征识别技术，具体涉及一种捕获近红外光源照射下的手掌静脉和掌纹图像的技术。

(二)背景技术

随着社会发展，尤其是电子信息的快速发展，人们对安防产品的需求正越来越多。其中基于生物特征识别技术的产品的开发和使用在高速发展。生物特征识别技术是依据人的体貌、声音等生物特征进行身份验证的科学解决方案，现有的生物特征识别技术大致上包括指纹识别技术；掌纹识别技术；视网膜识别技术；虹膜识别技术；面相识别技术，声音识别技术、笔迹识别技术等。生物识别技术的优势包括：1、减少、消除身份假冒，进行真实身份的确认；2、降低管理成本，取代了身份人工认证过程；3、方便使用者，减少或消除了使用卡，钥匙或者密码等麻烦。

但是眼睛虹膜、指纹等这些人体识别技术却容易被仿冒且容易取得，而手掌静脉位于手掌表皮以下，难以伪造。利用血红素在人体内的作用是为细胞供氧，从而进行有氧代谢，还原血红蛋白吸收附近的红处线的原理，采用红外光源照射手掌，取得的图片中有血红蛋白的地方显示成黑色，其余则为白色。

然而，极少数人手表皮十分厚，难以取得清晰的红外血管图像。而且静脉血管容易受到温度的影响而产生缩放，导致获取的图像质量不够稳定、或包含的有效身份鉴别信息不够丰富。这些缺点在一定程度上限制了手掌静脉识别系统的应用。

(三)发明内容

本发明的目的在于提供一种能够克服图像特征较少，处理单一的缺点，提高系统的识别率和稳定性基于手掌静脉与掌纹的近红外成像设备与身份识别方法。

本发明的身份识别方法为：首先利用近红外成像设备获取一幅手掌图像，提取出需处理的中心子块样本，将该子块输入到两个特征提取模块中：类掌纹信息编码和静脉血管结构提取，然后两个特征分别进行匹配，采用不同的相似度评价方法对两种特征分别计算各自的相似度，根据训练样本，得到类掌纹和静脉血管结构的最优加权组合，然后将两个相似度进行相似度级的融合，最后将融合后的相似度根据预先设定的阈值进行决策比较，结合融合的匹配做出最终判定。

本发明身份识别方法还有这样一些技术特征：

1、所述的对采集到的图像进行处理时，既提取图像中的类掌纹信息，又提取静脉血管结构信息，并对这两种特征信息进行融合；

2、所述的采用竞争编码方式提取图像中的类掌纹信息，对提取的类掌纹信息用角度相似性评价相似度；

3、所述的采用多尺度高斯匹配滤波器提取图像中的静脉血管结构，在计算相似度时，统计血管重叠的百分比，其中，采用多尺度高斯匹配滤波器提取图像中的静脉血管结构的方法为：

其中，多尺度多方向的高斯匹配滤波器定义为：

g_φ，s＝-exp(-x′/sσ_x)-m，当|x′|≤3sσ_x，|y′|≤sL/2

x′＝xcosφ+ysinφ，y′＝-xsinφ+ycosφ

其中，φ是滤波器方向，σ_x是高斯的标准差，m是滤波器的均值，L是滤波器在y方向的长度，滤波器选取范围在|x′|≤3sσ_x，|y|′≤sL/2的离散部分；

首先用n个角度的同一尺度的高斯匹配滤波器对图像进行卷积：

$R_{{\mathrm{\φ}}^i,s}=g_{{\mathrm{\φ}}^i,s}*f(x,y),i=\mathrm{1,2},...n$

其中f(x，y)是原始图像，*表示卷积操作；

然后从这n个角度选取最大的相应最为该尺度下的响应：

$R^s(x,y)=\underset{i}{\max }\left(R_{{\mathrm{\φ}}^i,s}(x,y)\right),i=\mathrm{1,2},...n$

为了有效抑制噪声，k个尺度下的滤波器响应定义为：

$R(x,y)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}{R}^i(x,y)$

最后对R进行二值化，得到静脉血管结构图像。

4、所述的计算两个静脉血管结构图像的匹配度的方法为：

其中A，B为两幅二值化的静脉图像，(x，y)表示图像中一个像素。

5、所述的采用竞争编码方式提取图像中的类掌纹信息的步骤包括：使用了六个不同方向的Gabor滤波器的实部，ψ_R，每一个滤波器有不同的方向，θ_j＝jπ/6，j＝{0，1，2，3，4，5}，将响应最小的那一个方向作为每个象素的线方向，argmin_j(I(x，y)*ψ_R(x，y，ω，θ))作为竞争编码，Gabor滤波器定义如下：

$\mathrm{\ψ}(x,y,\mathrm{\ω},\mathrm{\θ})=\frac{\mathrm{\ω}}{\sqrt{2\mathrm{\π}}\mathrm{\κ}}{e}^{-\frac{{\mathrm{\ω}}^2}{{8\mathrm{\κ}}^2}({4^{\′}}^2+{y^{\′}}^2)}(e^{\mathrm{i\ω}{x}^{\′}}-e^{-\frac{{\mathrm{\κ}}^2}{2}})$

x′＝(x-x₀)cosθ+(y-y₀)sinθ，y′＝-(x-x₀)sinθ+(y-y₀)cosθ

其中(x₀，y₀)是滤波器的中心，ω是滤波器的径向频率，θ是滤波器的径向方向，κ是与σ相关的变量，σ是频率响应中半幅值的带宽。

6、所述的根据每个象素角度的差异，计算两幅图片的相似度：

$D(P,Q)=\frac{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}(P_M(x,y)\∩Q_M(x,y))\×G(P(x,y),Q(x,y))}{3\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{P}_M(x,y)+Q_M(x,y)}$

其中∩表示与操作，P，Q表示两个图片的竞争编码，P_M和Q_M是竞争编码中用来表示哪些像素是真实有效的掌纹信息的掩码。

7、所述的决策比较中如果融合后的相似度大于阈值则一对一的身份验证或一对多的身份识别决策成功，否则决策失败。

本发明的近红外成像设备是由数码摄像机1、红外光源2、通讯接口3、计算机4和仪器箱体5组成，仪器箱体5上设置有手掌放置区，数码摄像机1经通讯接口3与计算机4相联接，数码摄像机头1与手掌放置区内侧垂直，仪器箱体5内设置有暗室，内装有数码摄像机1和红外光源2。

本发明近红外成像设备还有这样一些技术特征：

1、所述的红外光源2为环绕数码摄像头1的环形近红外光源。

为了有效限制上述问题对手掌血管成像的影响，结合已经获得认可和成功的掌纹识别技术，本发明提供一种设备与系统。该设备能够在采集手掌静脉的同时获取到部分稳定的掌纹信息，然后把丰富的掌纹特征信息和静脉特征信息进行融合，这样就能够克服图像特征较少，处理单一的缺点，提高系统的识别率和稳定性。

本发明解决其技术问题所采用的技术方案是：采取近红外光源主动照射手掌表面，利用数码摄像机采集近红外图像，这样采集到的图像中既有丰富的静脉血管信息，同时也有部分掌纹信息。接着对采集到的图像分别进行类掌纹特征提取和静脉特征提取，然后根据这两组特征分别进行各自的匹配度，采用加权的融合，计算出最终的相似度，与预先设定的相似度阈值进行比较，做出最终的身份认证结果。

其中近红外成像设备是用高质量的近红外数码照相机在近红外光照明下进行图像采集，采集到的图像既含有丰富的静脉血管特征，同时也含有部分掌纹信息。然后将输入图像进行两种独立的特征提取和匹配，一种是对图像中的静脉血管的信息提取与匹配，另一种是采用类掌纹的特征编码与匹配。然后计算各自特征的匹配度，根据不同的权重融合，最后与预先设置的阈值进行比较，做出最终决策。本发明的成像设备和识别系统能够较好的提高传统掌纹识别系统的识别率和稳定性。

本发明的优点在于能够更好的开发和利用手掌信息，不仅能够克服了手掌静脉不清晰或者不稳定的缺点，从而有效的提高身份识别系统的稳定性和识别率，还有效避免传统的掌纹识别容易被伪造的不足。

(四)附图说明

图1是本发明的设备结构图。

图2-图3是设备与系统采集到的两幅不同手掌图像。

图3是身份识别系统处理的流程图。

图4是系统截取到的掌纹图像中心子块。

图5是从图4提取到的静脉特征图像。

图6是从图4提取到的类掌纹特征图像

(五)具体实施方式

下面结合附图和具体实施例对本发明进一步说明。

图1中包括数码摄像机1，近红外光源2，通讯接口3，计算机4和仪器箱体5。

数码摄像机1是本发明的一个重要组成部分，它用来获取掌纹图像，并通过通讯接口3将获得的图像传送到计算机4中；红外光源2直接影响图像的采集效果，由于人的手掌的各个部位对光线的反射能力不均就容易造成获取的掌纹图像有的部分过亮而有的部分过暗，本发明采用环绕数码摄像机1的环形光源，以确保得到对手掌的均匀而稳定的光照条件；通讯接口3采用标准的PCI或USB接口来实现与计算机的信息交互；计算机4采用普通个人机或嵌入式系统；仪器箱体5形成暗室结构，阻隔外界环境光的干扰，并把数码摄像机1和红外光源2装入箱体，以得到较好的采集效果。

红外光源2的主要用途是使手掌静脉和掌纹在摄像机中成像，医学研究表明波长在700nm～1000nm的近红外光谱区的光对人体组织有较强的穿透能力，人体血液中的氧合血红蛋白和还原血红蛋白在750nm～900nm的波长范围内的吸收率相对较高，而人体组织中的水在这个波长范围内吸收率相对较低，所以在近红外光源的照射下，手掌静脉部分会因为对光线有较多的吸收而呈暗色，同时手掌其它组织细胞由于水的反射作用而呈现亮色，这样就可以得到手掌静脉的图像，依据上述红外成像原理并经过大量实验，选取波长为890nm的红外LED阵列作为红外光源，既可以取到比较清晰的静脉图像又可以保证获得部分掌纹信息。

采集图像时，用户的手掌水平放置到图1中的手掌位置，掌心向下，使数码摄像机1正对用户的掌心。在确保计算机和采集设备正常连接之后，开启计算机3、数码摄像机1和红外光源2的电源，调整数码摄像机1的视距和焦距，以便在计算机4内获得清晰可见的掌纹和静脉图像。图2-图3是用本发明仪器获得的不同手掌图像样本。

本发明的身份识别方法是利用上述设备获取到的手掌图像。图4是本发明身份认证系统的流程图。首先用数码摄像机获取一幅手掌图像，然后利用算法取到感兴趣的中心子块。图5是提取出的手掌中心子块的样本。将该子图分别输入到两个特征提取模块中：类掌纹编码和静脉提取。采用不同的相似度评价方法对两种特征分别计算各自的相似度。根据训练样本，得到类掌纹和静脉的最优加权组合，然后将两个相似度进行相似度级的融合。最后将融合后的相似度同预先设定的阈值进行比较，如果大于阈值则身份验证(一对一)或身份识别(一对多)成功，否则失败。

观察静脉血管图像切面发现其分布与高斯比较相像，因此用多尺度多方向的高斯匹配滤波器提取血管结构。多尺度多方向的高斯匹配滤波器定义为：

g_φ，s＝-exp(-x′/sσ_x)-m，当|x′|≤3sσ_x，|y′|≤sL/2

x′＝xcosφ+ysinφ，y′＝-xsinφ+ycosφ

其中，φ是滤波器方向，σ_x是高斯的标准差，m是滤波器的均值，L是滤波器在y方向的长度，滤波器选取范围在|x′|≤3sσ_x，|y′|≤sL/2的离散部分。

首先用n个角度的同一尺度的高斯匹配滤波器对图像进行卷积：

$R_{{\mathrm{\φ}}^i,s}=g_{{\mathrm{\φ}}^i,s}*f(x,y),i=\mathrm{1,2},...n$

其中f(x，y)是原始图像，*表示卷积操作。

然后从这n个角度选取最大的相应最为该尺度下的响应：

$R^s(x,y)=\underset{i}{\max }\left(R_{{\mathrm{\φ}}^i,s}(x,y)\right),i=\mathrm{1,2},...n$

为了有效抑制噪声，k个尺度下的滤波器响应定义为：

$R(x,y)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}{R}^i(x,y)$

通过对R进行二值化，并进行一些数学形态学的操作。可以得到比较真实的血管结构图像，图6是用多尺度高斯匹配滤波器提取到的血管图像样本。

最后通过下面的共识计算两个血管图像的匹配度：

其中A，B为两幅二值化的静脉图像，(x，y)表示图像中一个像素。

Gabor滤波器在计算机视觉，图像处理领域取得了广泛的应用和巨大成功。代表最先进的掌纹识别算法之一的竞争编码就是利用Gabor滤波器的实部。Gabor滤波器定义如下：

$\mathrm{\ψ}(x,y,\mathrm{\ω},\mathrm{\θ})=\frac{\mathrm{\ω}}{\sqrt{2\mathrm{\π}}\mathrm{\κ}}{e}^{-\frac{{\mathrm{\ω}}^2}{{8\mathrm{\κ}}^2}({{4x}^{\′}}^2+{y^{\′}}^2)}(e^{\mathrm{i\ω}{x}^{\′}}-e^{-\frac{{\mathrm{\κ}}^2}{2}})$

x′＝(x-x₀)cosθ+(y-y₀)sinθ，y′＝-(x-x₀)sinθ+(y-y₀)cosθ

其中(x₀，y₀)是滤波器的中心，ω是滤波器的径向频率，θ是滤波器的径向方向，κ是与σ相关的变量，σ是频率响应中半幅值的带宽。

为了提取类掌纹线的方向信息，竞争编码使用了六个不同方向的Gabor滤波器的实部，ψ_R，每一个滤波器有不同的方向，θ_j＝jπ/6，j＝{0，1，2，3，4，5}。根据掌纹属于图像中暗线这一特点，响应最小的那一个方向作为每个象素的线方向，argmin_j(I(x，y)*ψ_R(x，y，ω，θ))作为竞争编码。图7给出一个用竞争编码得到的类掌纹特征。

根据每个象素角度的差异，计算两幅图片的相似度：

$D(P,Q)=\frac{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}(P_M(x,y)\∩Q_M(x,y))\×G(P(x,y),Q(x,y))}{3\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{P}_M(x,y)+Q_M(x,y)}$

其中∩表示与操作，P，Q表示两个图片的竞争编码，P_M和Q_M是竞争编码的掩码，由于有时部分手旋转或平移过大，取到的中心子块有时在手掌以外，用掩码来表示哪些像素是真实有效的掌纹信息。

Claims (10)

1、一种基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：首先利用近红外成像设备获取一幅手掌图像，提取出需处理的中心子块样本，将该子块输入到两个特征提取模块中：类掌纹信息编码和静脉血管结构提取，然后两个特征分别进行匹配，采用不同的相似度评价方法对两种特征分别计算各自的相似度，根据训练样本，得到类掌纹和静脉血管结构的最优加权组合，然后将两个相似度进行相似度级的融合，最后将融合后的相似度根据预先设定的阈值进行决策比较，结合融合的匹配做出最终判定。

2、根据权利要求1所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的对采集到的图像进行处理时，既提取图像中的类掌纹信息，又提取静脉血管结构信息，并对这两种特征信息进行融合。

3、根据权利要求2所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的采用竞争编码方式提取图像中的类掌纹信息，对提取的类掌纹信息用角度相似性评价相似度。

4、根据权利要求3所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的采用多尺度高斯匹配滤波器提取图像中的静脉血管结构，在计算相似度时，统计血管重叠的百分比，其中，采用多尺度高斯匹配滤波器提取图像中的静脉血管结构的方法为：

多尺度多方向的高斯匹配滤波器定义为：

g_φ，s＝-exp(-x′/sσ_x)-m，当|x′|≤3sσ_x，|y′|≤sL/2

x′＝xcosφ+ysinφ，y′＝-xsinφ+ycosφ

其中，φ是滤波器方向，σ_x是高斯的标准差，m是滤波器的均值，L是滤波器在y方向的长度，滤波器选取范围在|x′|≤3sσ_x，|y′|≤sL/2的离散部分；

首先用n个角度的同一尺度的高斯匹配滤波器对图像进行卷积：

$R_{{\mathrm{\φ}}^i,s}=g_{{\mathrm{\φ}}^i,s}*f(x,y),i=\mathrm{1,2},...n$

其中f(x，y)是原始图像，*表示卷积操作；

然后从这n个角度选取最大的相应最为该尺度下的响应：

$R^s(x,y)=\underset{i}{\max }\left(R_{{\mathrm{\φ}}^i,s}(x,y)\right),i=\mathrm{1,2},...n$

为了有效抑制噪声，k个尺度下的滤波器响应定义为：

$R(x,y)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}{R}^i(x,y)$

最后对R进行二值化，得到静脉血管结构图像。

5、根据权利要求4所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的计算两个静脉血管结构图像的匹配度的方法为：

其中A，B为两幅二值化的静脉图像，(x，y)表示图像中一个像素。

6、根据权利要求5所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的采用竞争编码方式提取图像中的类掌纹信息的步骤包括：使用了六个不同方向的Gabor滤波器的实部，ψ_R，每一个滤波器有不同的方向，θ_j＝jπ/6，j＝{0，1，2，3，4，5}，将响应最小的那一个方向作为每个象素的线方向，argmin_j(I(x，y)*ψ_R(x，y，ω，θ))作为竞争编码，Gabor滤波器定义如下：

$\mathrm{\ψ}(x,y,\mathrm{\ω},\mathrm{\θ})=\frac{\mathrm{\ω}}{\sqrt{2\mathrm{\π}}\mathrm{\κ}}{e}^{-\frac{{\mathrm{\ω}}^2}{{8\mathrm{\κ}}^2}({4^{\′}}^2+{y^{\′}}^2)}(e^{\mathrm{i\ω}{x}^{\′}}-e^{-\frac{{\mathrm{\κ}}^2}{2}})$

x′＝(x-x₀)cosθ+(y-y₀)sinθ，y′＝-(x-x₀)sinθ+(y-y₀)cosθ

其中(x₀，y₀)是滤波器的中心，ω是滤波器的径向频率，θ是滤波器的径向方向，κ是与σ相关的变量，σ是频率响应中半幅值的带宽。

7、根据权利要求6所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的根据每个象素角度的差异，计算两幅图片的相似度：

$D(P,Q)=\frac{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}(P_M(x,y)\∩Q_M(x,y))\×G(P(x,y),Q(x,y))}{3\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{P}_M(x,y)+Q_M(x,y)}$

其中∩表示与操作，P，Q表示两个图片的竞争编码，P_M和Q_M是竞争编码中用来表示哪些像素是真实有效的掌纹信息的掩码。

8、根据权利要求7所述的基于手掌静脉与掌纹的近红外成像身份识别方法，其特征在于：所述的决策比较中如果融合后的相似度大于阈值则一对一的身份验证或一对多的身份识别决策成功，否则决策失败。

9、一种基于手掌静脉与掌纹的近红外成像设备，它是由数码摄像机(1)、红外光源(2)、通讯接口(3)、计算机(4)和仪器箱体(5)组成，其特征在于仪器箱体(5)上设置有手掌放置区，数码摄像机(1)经通讯接口(3)与计算机(4)相联接，数码摄像机头(1)与手掌放置区内侧垂直，仪器箱体(5)内设置有暗室，内装有数码摄像机(1)和红外光源(2)。

10、根据权利要求9所述的基于手掌静脉与掌纹的近红外成像设备，其特征在于所述的红外光源(2)为环绕数码摄像头(1)的环形近红外光源。

Images