CN101853378A

CN101853378A - 基于相对距离的手指静脉识别方法

Info

Publication number: CN101853378A
Application number: CN 201010179746
Authority: CN
Inventors: 王科俊; 刘靖宇; 冯伟兴; 李雪峰; 马慧
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2010-05-24
Filing date: 2010-05-24
Publication date: 2010-10-06

Abstract

本发明提供的是一种基于相对距离的手指静脉识别方法。对读入的手指静脉图像进行分割和细化操作，提取细化后手指静脉图像的端点和交叉点，作为特征点集，定义特征点的结构类型，最后通过计算特征点之间的距离来进行手指静脉图像的匹配进行身份识别。本发明无须定位，简单易行，减少了工作量，提高了识别速度和精度；有效的克服了平移、旋转等对识别结果的影响，使得系统在识别效果上得到了改善，具有实际应用价值及发展前景。

Description

基于相对距离的手指静脉识别方法

技术领域

本发明涉及的是一种手指静脉特征提取和识别的方法，属于生物特征身份识别技术领域。

背景技术

生物特征识别技术是依靠人体生物特征进行身份认证的一种技术，具有不会遗忘、丢失、伪造和假冒等优点，正在取代传统的方法，逐步成为日常生活中首选的方便可靠的身份鉴别方法。其中，手指静脉识别技术作为一种新兴的人体特征识别技术，因其具有非接触性、抗干扰性和防伪性等优点，近年来备受关注，具有很大的发展潜力。一般采用近红外光照射皮肤进行非接触式采集，当近红外光线波长范围在0.72μm～1.10μm照射皮肤时，静脉中的血红蛋白相比其他组织(如脂肪、骨骼等)可以吸收更多的近红外线，从而呈现出网状结构的静脉纹路。通过这些不同的静脉纹路进行身份识别^[1]。

在国外，日立公司研究静脉识别起步较早，并已按照应用类型产品化^[2]，最初开发的产品是用来进行出入管理。Naoto Miura^[3]等人提出了一种基于模板匹配的静脉识别方法，先将图像进行二值化，并对二值化后的图像进行距离变换，以克服观察向量序列中包含大量的无用信息向量。最后，应用嵌入式隐马尔可夫模型对指静脉进行识别。这种方法需要复杂的预处理工作，识别速度很慢，手指若有较大变形则不能准确识别。国内的手指静脉识别技术的研究起步比较晚，但进展很快。哈尔滨工程大学的袁智^[4]，采用一种融合小波矩和PCA分解及LDA变换的方法对手指静脉进行识别，将手指静脉图像矩阵转化为一维向量进行降维处理，由于向量维数过高，将图像分成若干小块后再采用PCA算法。这目前手指静脉识别领域中效果较好的一种方法。但由于分块后，导致训练样本增多，致使识别速度较慢。由于手指静脉本身的特点，目前还没有很好的定位方法，并且手指内部血管较少，不容易提取特征。

与本发明相关的公开报道有：

[1]余成波，秦华锋.生物特征识别技术手指静脉识别技术.北京：清华大学出版社.2009；

[2]K.Shimizu.Optical trans-body imaging：feasibility of non-invasion CT and functionalimaging of living body[J].Jpn.J.of Medicine Philosophica，1992，11：620-629；

[3]Naoto Miura，Akio Nagasaka，Takafumi Miyatake.Feature extraction of finger-veinpatterns based on repeated line tracking and its application to personal identification.Machine Vision and Applications，2004，15(4)：194-203P；

[4]袁智.手指静脉识别技术研究[D].哈尔滨：哈尔滨工程大学.2007；

[5]O’Gorman，L.，Lindeberg，Nickerson，J.V..An approach to fingerprint filter design.PR，1989，22(1)：29～38；

[6]苑玮琦，柯丽，白云.生物特征识别技术[M].北京：科学出版社，2009，P164-165。

发明内容

本发明的目的在于提供一种能提高识别速度和精度，避免图像的平移、旋转等对匹配结果的影响，鲁棒性强，具有实际应用价值的基于相对距离的手指静脉识别方法。

本发明的目的是这样实现的：

对读入的手指静脉图像进行分割和细化操作，提取细化后手指静脉图像的端点和交叉点，作为特征点集，定义特征点的结构类型，最后通过计算特征点之间的距离来进行手指静脉图像的匹配进行身份识别。

所述手指静脉图像的细化指用单像素点表示图像的骨架，并保持原来手指静脉图像的形状和连通性。细化后的图像，可以清晰的辨认交叉点和端点。

所述的特征点集是由通过提取细化后手指静脉图像中的端点和交叉点组成，每一幅手指静脉图像就是一个特征点集。

所述的手指静脉图像的匹配的方法为：首先比较两组特征点集中端点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败；再比较交叉点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败；最后比较所有特征点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则认为匹配成功；否则，认为匹配失败。

考虑到图像在平移和旋转时，其内部结构没有发生变化，即图像中特征点间的距离是相等的或近似相等，根据这个特点，本发明提供了一种基于相对距离的方法，利用手指静脉内部的特征结构，通过计算特征点之间的距离来进行手指静脉图像的匹配。该方法，无须定位，简单易行，减少了工作量，提高了识别速度和精度；有效的克服了平移、旋转等对识别结果的影响，使得系统在识别效果上得到了改善，具有实际应用价值及发展前景。

本发明的主要贡献和特点在于：为人体手指静脉识别技术提供新的思路，通过计算细化后的手指静脉图像中，特征点之间的相对距离的方法进行身份识别。该发明能够准确有效地提取出静脉特征，不要求对图像进行定位处理，减少了工作量，提高了识别速度和精度，使得系统在识别效果上得到了改善。并且有效的克服了图像平移、旋转等对识别结果的影响，使得算法的鲁棒性更强，具有很强的实用性。

附图说明

图1是本发明的流程图；

图2(a)是手指静脉原图，图2(b)是分割后的图像，图2(c)是细化后的图像；

图3标记出细化后的手指静脉图像中，端点和交叉点的图像，其中红色圆圈标记的是端点，绿色方形标记的是交叉点；

图4是本发明利用VC++6.0进行开发的系统界面设计截图；

图5基于相对距离的手指静脉识别示意图；

图6是1∶1模式下的识别率测试结果；

图7是1∶n模式下误识率测试结果。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.读入手指静脉图像，根据参考文献[5]提出的方向滤波器设计方法对其进行图像分割，并用8邻域的方法^[6]进行细化操作，得到手指静脉的细化图像，如图2。

2.提取细化后手指静脉图像的端点和交叉点，如图3。

3.定义特征点结构类型为α_i＝(x_i，y_i，atype)，其中，x_i和y_i表示特征点的位置坐标，atype为特征点的类型(端点或交叉点)。定义特征点集A＝(a₁，a₂，...，a_m)，特征点集B＝(b₁，b₂，...，b_n)，a(1，...，m)和b(1，...，n)分别是两幅细化后的手指静脉图像中的特征点。

4.计算特征点之间的距离。

分别计算特征点集A和B中所有端点之间的距离，交叉点之间的距离，以及所有特征点之间的距离。对于特征点集A，假设其有m₁个端点和m₂个交叉点，则有m₁+m₂＝m个特征点，求得的距离中，端点间的距离值共有m₁(m₁-1)/2个，交叉点之间的距离共有m₂(m₂-1)/2个，所有特征点间的距离个数为m(m-1)/2个。对于特征点集B，若其端点个数为n₁，交叉点个数为n₂，则对应有n₁(n₁-1)/2个端点间距离，n₂(n₂-1)/2个交叉点间距离和n(n-1)/2个特征点间的距离。

5.利用这些距离值进行匹配，具体流程如下：

5.1比较特征点集A中m₁(m₁-1)/2个端点间距离值与特征点集B的n₁(n₁-1)/2个端点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败。

5.2比较特征点集A中m₂(m₂-1)/2个交叉点间距离值与特征点集B的n₂(n₂-1)/2个交叉点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败。

5.3比对特征点集A中m(m-1)/2个特征点间距离值与特征点集B的n(n-1)/2个特征点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则匹配成功；不满足，则认为匹配失败。

由于即使是不相同的手指静脉图像中，所有特征点联系的距离也有可能出现相等的情况，不可避免的会出现一些误差，所以进行3次匹配，保证识别的准确性。

6实验结果与分析

本章算法在windows 2002系统下利用VC++6.0进行开发实现，实验机器配为2.50GHz，CPU E5200，内存2GB。图4为手指静脉识别分步演示部分和识别比对部分。我们将对基于相对距离的匹配方法进行实验设计和分析。

首先在图4中，点击“导入图像组1”和“导入图像组2”中的打开静脉图像，然后点击静脉识别2完成认证识别，整个识别的过程仅为0.6秒左右，可见采用基于点模式的手指静脉识别的效率还是相当高的。算法的运行结果如图5所示。

为了验证本发明的有效性，采用哈尔滨工程大学自动化学院408教研室建立的手指静脉图像库中的手指静脉图像进行测试，随机抽取100个人的手指静脉图像，每个人采集5次(5个样本)，共500幅图像，图像大小为320×240像素，分辨率96dpi。

匹配模式为1∶1时，将每个手指中的1个样本分别与其他4个样本分别进行比对已完成识别，实验结果如图6所示，通过次数为1824次，通过率为99.12％，满足生物识别系统的要求。

匹配模式为1∶N时，选取每个手指中的任意两幅作为待识别样本与库中所有样本分别进行比对已完成识别，实验结果如图7所示，误识次数为6次，误识率为3％。

通过对实验结果的分析，证明本发明是合理的，在手指静脉识别上达到了比较理想的效果。基于相对距离的手指静脉识别算法，有效的克服了图像平移、旋转等对识别结果的影响，使得算法的鲁棒性更强。采用这种方法进行匹配，在无须做图像定位的前提下，减少了工作量，提高了识别速度和精度，使得系统在识别效果上得到了改善，具有实际应用价值及发展前景。

Claims

1.一种基于相对距离的手指静脉识别方法，其特征是：对读入的手指静脉图像进行分割和细化操作，提取细化后手指静脉图像的端点和交叉点，作为特征点集，定义特征点的结构类型，最后通过计算特征点之间的距离来进行手指静脉图像的匹配进行身份识别。

2.根据权利要求1所述的基于相对距离的手指静脉识别方法，其特征是：所述手指静脉图像的细化指用单像素点表示图像的骨架，并保持原来手指静脉图像的形状和连通性。

3.根据权利要求1或2所述的基于相对距离的手指静脉识别方法，其特征是：所述的特征点集是由通过提取细化后手指静脉图像中的端点和交叉点组成，每一幅手指静脉图像就是一个特征点集。

4.根据权利要求1或2所述的基于相对距离的手指静脉识别方法，其特征是：所述的手指静脉图像的匹配的方法为，首先比较两组特征点集中端点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败；再比较交叉点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败；最后比较所有特征点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则认为匹配成功；否则，认为匹配失败。

5.根据权利要求3所述的基于相对距离的手指静脉识别方法，其特征是：所述的手指静脉图像的匹配的方法为，首先比较两组特征点集中端点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败；再比较交叉点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则继续下一步；不满足，则认为匹配失败；最后比较所有特征点距离的相等或近似相等的个数，判断其是否满足预先设定的阈值，如满足，则认为匹配成功；否则，认为匹配失败。