CN102254165A - 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 - Google Patents

Abstract

本发明提出的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，属于计算机视觉中的智能监控技术领域，包括步骤一：图像采集和图像预处理；步骤二：提取结构编码特征；步骤三：提取手背静脉纹理编码特征；步骤四：结构编码特征与纹理编码特征进行融合；步骤五：通过分类器识别，得到结果。本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，对提取的结构特征和纹理特征进行了二值化编码，有利于特征融合中信息的保留；融合特征所得到的结果远远优于仅使用结构编码特征的识别结果和使用纹理编码特征的识别结果，对图像畸变及误分割的鲁棒性很高，可以在存在一定图像畸变以及误分割的情况下正确识别手背静脉。

Description

一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法

技术领域

本发明涉及一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，属于计算机视觉中的智能监控技术领域，特别涉及生物特征识别技术领域。

背景技术

生物特征识别是基于计算机系统进行身份识别的重要技术。相对于传统的认证方法如密码、磁卡等，具有不会遗忘、不易伪造或被盗，随身“携带”和随时随地可用等优点，更具安全、保密和方便性，渐渐得到政府、军队、银行等方面的广泛应用。目前常见的生物特征识别方法有人脸、指纹、手形、脚形、耳形、牙齿、虹膜、声音、笔迹、步态等。其中人脸、指纹等已开展多年，而静脉图像识别是近年来得到重视的一项新技术。静脉图像识别主要基于手掌，手指或手背，其中，基于手背静脉的身份识别有如下特点：

1.所有的人手背静脉都不同，即使双胞胎的手背静脉亦不同。

2.手背静脉随年龄的增长不会有大的变化，除风湿类疾病等极少数情况外，它具有永久性。

3.手背静脉不可仿造，难以通过手术改变。

4.手背静脉识别不具侵犯性，使测试者最大限度的感觉舒适方便，不产生抵触情绪，而且对于湿度、汗水、污物、笔痕和小损伤方面的鲁棒性优于其他生物识别系统。

5.设备成本可以降低，采集方式为非接触式，采集过程也简单快捷。

总之，手背静脉识别满足了一种优秀的生物特征识别方法所应具备的各种要求。这些要求包括鲁棒性，唯一性，采集方便性，侵犯性和有效性。同时，手背静脉识别有其特殊优点。它没有虹膜识别的侵犯性，没有指纹识别和掌纹识别对手表面洁净度的要求，又不会像人脸、笔迹、声音、步态识别受各个方面干扰大。其本身的识别率非常稳定，据相关报道，其出错率仅为百万分之一。手背静脉识别的成本也是优势之一，不需要昂贵的采集设备，利用常见器件即可采集可用的图像。

目前手背静脉识别方法主要有两大类：基于结构特征的识别方法和基于纹理特征的识别方法。

1、基于结构特征的手背静脉识别方法：

基于结构特征的手背静脉识别方法在经过分割、细化后的手背静脉图像中检测端点及交叉点，利用这些关键点的数量、坐标、相对位置等信息作为特征进行识别。

2、基于纹理特征的识别方法：

基于纹理特征的手背静脉识别方法是指在灰度图像上通过纹理描述算子提取静脉特征进行识别。

但是基于结构特征的手背静脉识别方法总是存在对图像畸变以及误分割的鲁棒性不高的问题，而基于纹理特征的手背静脉识别方法对于图像分辨率变化以及光照变化鲁棒性不高。

发明内容

针对现有技术中存在的问题，本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，提高手背静脉识别系统的识别率。

为了达到上述目的，本发明的技术解决方案提供了一套手背静脉识别的方法，由图像采集和图像预处理、二值图像下结构编码特征提取、灰度图像下纹理编码特征提取、特征融合以及分类器识别组成。图像采集指手背图像获取。图像预处理指手背静脉区域的提取、对比度约束的直方图均衡以及边缘保留的高斯滤波。二值图像下结构编码特征提取包括对手背静脉区域的分割、细化、特征点的检测、结构特征的提取及二值化编码。灰度图像下纹理编码特征提取是指将手背静脉图像归一化到M*M像素尺寸，将其等分成N子块，对每个子块提取旋转不变一致性模式的LBP特征，将其连接起来形成1×10N维的纹理特征向量并进行二值化编码。特征融合是指对于提取的结构编码特征和纹理编码特征使用按位异或的方法进行融合。分类器识别是指使用最近邻分类器对融合特征进行识别，得到识别结果。

本发明提出的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，包括以下几个步骤：

步骤一：图像采集和图像预处理；

使用图像采集设备采集手背静脉图像，使用质心自适应方法提取手背静脉图像上的手背区域，并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法，完成对提取的手背区域的手背静脉图像的预处理，得到预处理的手背区域图像。

步骤二：提取结构编码特征；

(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化，得到二值图像；

(2)在二值图像上进行形态学滤波和细化，得到骨架化的手背静脉图像；

(3)从骨架化的手背静脉图像上，采用领域信息的方法提取得到M个交叉点C_i(x_ci，y_ci)及K个端点E_j(x_ej，y_ej)，其中(x_ci，y_ci)，(x_ej，y_ej)分别表示交叉点C_i以及端点E_j的直角坐标；以图像中心O为原点建立极坐标系，得到交叉点及端点的极坐标信息分别为C_i(r_ci，θ_ci)、E_j(r_ej，θ_ej)，其中(r_ci，θ_ci)，(r_ej，θ_ej)分别表示交叉点C_i以及端点E_j的极坐标，对这M+K个关键点按θ进行排序，得到点集P：

P＝[C₁，C₂，…，C_M，E₁，E₂，…，E_K](θ_ci-1≤θ_ci≤θ_ci+1；θ_ej-1≤θ_ej≤θ_ej+1)

 ＝[p₁，p₂，…，p_M+K](p_i(r_i，θ_i))

其中C₁，C₂，…，C_M表示第1至M个交叉点，E₁，E₂，…，E_K表示第1至K个端点，θ_ci、θ_ej分别表示交叉点C_i以及端点E_j的极坐标中的极角，p₁，p₂，…，p_M+K表示排序后的M+K个交叉点及端点；p_i(r_i，θ_i)中，(r_i，θ_i)表示关键点p_i的极坐标；

并计算点积P中任意两点p_u、p_v之间的距离：

$d_{\mathrm{uv}}=\sqrt{{r_u}^2+r_v^2-2\×r_u\×r_v\×\cos ({\mathrm{\θ}}_u-{\mathrm{\θ}}_v)}$ (u，v＝1，2，…，M+K，u≠v)

其中(r_u，θ_u)，(r_v，θ_v)分别表示关键点p_u、p_v的极坐标；

将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接，形成结构特征向量S：

$S=\left[\begin{array}{cccccccc}{r}_1& r_2& ...& r_{M+K}& d_{12}& d_{13}& ...& d_{(M+K-1)(M+K)}\end{array}\right]$

$=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right](N_S=\frac{(M+K)(M+K+1)}{2})$

其中r₁，r₂…r_M+K表示排序后的M+K个关键点的极坐标中的极径，d_uv(u≠v)表示p_u、p_v之间的距离，s₁ s₂…表示结构特征S中的元素；

(4)对得到的结构特征 $S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right](N_S=\frac{(M+K)(M+K+1)}{2})$ 进行二值化编码：

查找结构特征向量S中所有元素的最大值M_S，

(i＝1，2，...，N_S)；

设定阈值T＝αM_S，其中α表示阈值系数；对结构特征向量S进行二值化编码，得到编码后的结构特征向量V_S：

$V_S=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_S}\end{array}\right];$ 其中 ${\mathrm{cs}}_i=\left\{\begin{array}{cc}0& s_i\≤T\\ 1& s_i>T\end{array}\right.$ (i＝1，2，...，N_S)；

其中cs₁ cs₂…

表示结构编码特征V_s的元素，s_i表示结构特征S中的对应元素。

步骤三：提取手背静脉纹理编码特征；

从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征；

(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸；

(2)将归一化后的手背区域平均分成N个子块，从每个子块中分别提取旋转不变一致性模式的LBP特征H₁，H₂，...，H_N，再将所有子块提取的LBP特征按照下式连接起来，形成1×N_H(N_H＝10N)维的纹理特征向量H：

$H=\left[\begin{array}{cccc}{H}_1& H_2& ...& H_N\end{array}\right]$

$=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$

其中H₁ H₂…H_N表示N个子块的旋转不变一致性模式的LBP特征；h₁ h₂…

表示纹理特征H的元素；

(3)对纹理特征向量H进行二值化编码：

查找特征向量H中所有元素的最大值M_H：

$M_H=\underset{i}{\max }\left\{h_i\right\}$ (i＝1，2，...，N_H)

设定阈值T′＝αM_H，α表示阈值系数；

对纹理特征向量 $H=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$ 进行二值化编码，得到编码后的纹理特征向量 $V_H=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_H}\end{array}\right]:$

${\mathrm{ch}}_i=\left\{\begin{array}{cc}0& h_i\≤T^{\′}\\ 1& h_i>T^{\′}\end{array}\right.$ (i＝1，2，...，N_H)；

其中ch₁ ch₂…

表示纹理编码特征V_H中的元素；h_i表示纹理特征H中的对应元素。

步骤四：结构编码特征与纹理编码特征进行融合；

(1)将二值化编码后的结构特征向量V_S的维数N_S和二值化编码后的纹理编码特征V_H的维数N_H进行归一化，归一化后特征维数N_F为

N_F＝N_H

N_F是归一化后特征维数，与二值化编码后的纹理编码特征的维数N_H相同；如果二值化编码后的结构特征向量V_S的维数N_S小于归一化后特征维数N_F，在二值化编码后的结构特征向量V_S后面补充N_F-N_S个0；如果二值化编码后的结构特征向量V_S的维数大于等于归一化特征维数N_F，则截取V_S的前N_F个维特征，得到归一化后的结构编码特征V′_S和纹理编码特征V′_H分别为：

$V_s^{\′}=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_F}\end{array}\right]$ (cs_i＝0，1)

$V_H^{\′}=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_F}\end{array}\right]$ (ch_i＝0，1)

(2)对归一化后的结构编码特征V′_S和纹理编码特征V′_H进行按位异或，得到融合特征V：

$V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$

$v_i={\mathrm{cs}}_i\⊕{\mathrm{ch}}_i$

其中v₁，v₂…

表示融合特征V中的元素cs_i，ch_i分别表示归一化后的结构编码特征和纹理编码特征的元素；

为异或运算， $1\⊕1=0,$ $0\⊕0=0,$ $1\⊕0=1,$ $0\⊕1=1.$

步骤五：通过分类器识别，得到结果；

(1)使用步骤一至步骤四的方法提取测试样本融合特征

与训练样本的融合特征 $V^{\′}=\left[\begin{array}{cccc}{v}_1^{\′}& v_2^{\′}& ...& v_{N_F}^{\′}\end{array}\right];$

(2)计算测试样本融合特征 $V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$ 与训练样本的融合特征 $V^{\′}=\left[\begin{array}{cccc}{v}_1^{\′}& v_2^{\′}& ...& v_{N_F}^{\′}\end{array}\right]$ 的距离Dis：

$\mathrm{Dis}=\left|\right|V-V^{\′}\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}{(v_i-v_i^{\′})}^2}$

(3)使用最近邻分类器进行分类，得到识别结果：

设训练样本共有L类，其融合特征为 $V_t^{\′}=\left[\begin{array}{cccc}{v}_{t1}^{\′}& v_{t2}^{\′}& ...& v_{t{N}_F}^{\′}\end{array}\right]$ (t＝1，2，…，L)；对于测试样本A，其融合特征为 $V_A=\left[\begin{array}{cccc}{v}_{A1}& v_{A2}& ...& v_{{\mathrm{AN}}_F}\end{array}\right],$ 计算测试样本A的融合特征V_A与训练样本的融合特征V′_t(t＝1，2，…，L)之间的距离Dis_t(t＝1，2，…，L)：

$\mathrm{Di}{s}_t=\left|\right|V_A-V_t^{\′}\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}{(v_{\mathrm{Ai}}-v_{\mathrm{ti}}^{\′})}^2}(t=\mathrm{1,2},...,L)$

$t^{*}=\underset{t=1}{\overset{L}{\min }}\left\{{\mathrm{Dis}}_t\right\}$

测试样本A融合特征V_A与第t^*类测试样本的融合特征距离最小，则测试样本A被识别为第t^*类。

本发明的优点在于：

(1)本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，对提取的结构特征和纹理特征进行了二值化编码，有利于特征融合中信息的保留。

(2)本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，融合特征所得到的结果远远优于仅使用结构编码特征的识别结果，对图像畸变及误分割的鲁棒性很高，可以在存在一定图像畸变以及误分割的情况下正确识别手背静脉；

(3)本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，融合特征所得到的结果的识别率远远优于仅使用纹理编码特征的识别结果。

附图说明

图1：本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法的流程图；

图2：本发明中采集的手背静脉图像；

图3：本发明中提取手背区域的手背静脉区域；

图4：本发明中提取纹理特征时对手背静脉的分块示意图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明提出一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，如图1所示，包括以下几个步骤：

步骤一：图像采集和图像预处理；

使用图像采集设备采集手背静脉图像，如图2所示，使用质心自适应方法提取手背静脉图像上的手背区域，并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法，完成对提取的手背区域的手背静脉图像的预处理，得到预处理的手背区域图像，如图3所示；

所述的质心自适应方法具体为：按照下式计算手背静脉图像的质心O(x₀，y₀)：

$x_0=\frac{\mathrm{\Σ}{m}_i{x}_i}{m_i};y_0=\frac{\mathrm{\Σ}{m}_i{y}_i}{m_i}$

m_i表示坐标为(x_i，y_i)的像素的灰度值，以图像质心O(x₀，y₀)为中心，提取380×380像素的矩形区域作为手背区域。

步骤二：提取结构编码特征；

(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化，得到二值图像；

(2)在二值图像上进行形态学滤波和细化，得到骨架化的手背静脉图像。

(3)从骨架化的手背静脉图像上，采用领域信息的方法提取得到M个交叉点C_i(x_ci，y_ci)及K个端点E_j(x_ej，y_ej)，其中(x_ci，y_ci)，(x_ej，y_ej)分别表示交叉点C_i以及端点E_j的直角坐标；以图像中心O为原点建立极坐标系，得到交叉点及端点的极坐标信息分别为C_i(r_ci，θ_ci)、E_j(r_ej，θ_ej)，其中(r_ci，θ_ci)，(r_ej，θ_ej)分别表示交叉点C_i以及端点E_j的极坐标，对这M+K个关键点按θ进行排序，得到点集P：

P＝[C₁，C₂，…，C_M，E₁，E₂，…，E_K](θ_ci-1≤θ_ci≤θ_ci+1；θ_ej-1≤θ_ej≤θ_ej+1)

 ＝[p₁，p₂，…，p_M+K](p_i(r_i，θ_i))

其中C₁，C₂，…，C_M表示第1至M个交叉点，E₁，E₂，…，E_K表示第1至K个端点，θ_ci、θ_ej分别表示交叉点C_i以及端点E_j的极坐标中的极角，p₁，p₂，…，p_M+K表示排序后的M+K个交叉点及端点。p_i(r_i，θ_i)中，(r_i，θ_i)表示关键点p_i的极坐标。

并计算点积P中任意两点p_u、p_v之间的距离：

$d_{\mathrm{uv}}=\sqrt{{r_u}^2+r_v^2-2\×r_u\×r_v\×\cos ({\mathrm{\θ}}_u-{\mathrm{\θ}}_v)}$ (u，v＝1，2，…，M+K，u≠v)

(r_u，θ_u)，(r_v，θ_v)分别表示关键点p_u，p_v的极坐标。

将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接，形成结构特征向量S：

$S=\left[\begin{array}{cccccccc}{r}_1& r_2& ...& r_{M+K}& d_{12}& d_{13}& ...& d_{(M+K-1)(M+K)}\end{array}\right]$

$=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right](N_S=\frac{(M+K)(M+K+1)}{2})$

r₁，r₂…r_M+K表示排序后的M+K个关键点的极坐标中的极径，d_uv(u≠v)表示p_u，p_v之间的距离，s₁ s₂…表示结构特征S中的元素。

(4)对得到的结构特征 $S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right](N_S=\frac{(M+K)(M+K+1)}{2})$ 进行二值化编码：

查找结构特征向量S中所有元素的最大值M_S：

$M_S=\underset{i}{\max }\left\{s_i\right\}$ (i＝1，2，...，N_S)

设定阈值T＝αM_S(0.3＜α＜0.6)，其中α表示阈值系数。

对结构特征向量S进行二值化编码，得到编码后的结构特征向量V_S：

$V_S=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_S}\end{array}\right];$ 其中 ${\mathrm{cs}}_i=\left\{\begin{array}{cc}0& s_i\≤T\\ 1& s_i>T\end{array}\right.$ (i＝1，2，...，N_S)；

其中cs₁ cs₂…表示结构编码特征V_s的元素。s_i表示结构特征S中的对应元素。

步骤三：提取手背静脉纹理编码特征；

从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征；

(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸(128≤B≤256)；

(2)将归一化后的手背区域平均分成N个子块(32≤N≤64)，如图4所示，从每个子块中分别提取旋转不变一致性模式的LBP特征H₁，H₂，...，H_N，再将所有子块提取的LBP特征按照下式连接起来，形成1×N_H(N_H＝10N)维的纹理特征向量H：

$H=\left[\begin{array}{cccc}{H}_1& H_2& ...& H_N\end{array}\right]$

$=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$

其中H₁ H₂…H_N表示N个子块的旋转不变一致性模式的LBP特征；h₁ h₂…

表示纹理特征H的元素。

(3)对纹理特征向量H进行二值化编码：

查找特征向量H中所有元素的最大值M_H：

$M_H=\underset{i}{\max }\left\{h_i\right\}$ (i＝1，2，...，N_H)

设定阈值T′＝αM_H(0.3＜α＜0.6)，α表示阈值系数

对纹理特征向量 $H=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$ 进行二值化编码，得到编码后的纹理特征向量 $V_H=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_H}\end{array}\right]$

${\mathrm{ch}}_i=\left\{\begin{array}{cc}0& h_i\≤T^{\′}\\ 1& h_i>T^{\′}\end{array}\right.$ (i＝1，2，...，N_H)；

ch₁ ch₂…

表示纹理编码特征V_H中的元素；h_i表示纹理特征H中的对应元素。

步骤四：结构编码特征与纹理编码特征进行融合；

(1)将二值化编码后的结构特征向量V_S的维数N_S和二值化编码后的纹理编码特征V_H的维数N_H进行归一化，归一化后特征维数N_F为

N_F＝N_H

N_F是归一化后特征维数，与二值化编码后的纹理编码特征的维数N_H相同，因为二值化编码后的纹理编码特征的维数是确定的，而二值化编码后的结构编码特征的维数与检测到的关键点数目有关，不是一个确定值。如果二值化编码后的结构特征向量V_S的维数N_S小于归一化后特征维数N_F，即N_S＜N_F，在二值化编码后的结构特征向量V_S后面补充N_F-N_S个0；如果二值化编码后的结构特征向量V_S的维数大于等于归一化特征维数N_F，即N_S≥N_F，则截取V_S的前N_F个维特征，得到归一化后的结构编码特征V′_S和纹理编码特征V′_H分别为：(其中归一化后的二值化编码后的纹理编码特征V_H是没有变化，还是N_H维，V′_H＝V_H)

$V_s^{\′}=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_F}\end{array}\right]$ (cs_i＝0，1)

$V_H^{\′}=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_F}\end{array}\right]$ (ch_i＝0，1)

(2)对归一化后的结构编码特征V′_S和纹理编码特征V′_H进行按位异或，得到融合特征V：

$V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$

$v_i={\mathrm{cs}}_i\⊕{\mathrm{ch}}_i$

其中v₁，v₂…

表示融合特征V中的元素cs_i，ch_i分别表示归一化后的结构编码特征和纹理编码特征的元素。

为异或运算， $1\⊕1=0,$ $0\⊕0=0,$ $1\⊕0=1,$ $0\⊕1=1$

步骤五：通过分类器识别，得到结果；

(1)使用步骤一至步骤四的方法提取测试样本融合特征 $V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$ 与训练样本的融合特征 $V^{\′}=\left[\begin{array}{cccc}{v}_1^{\′}& v_2^{\′}& ...& v_{N_F}^{\′}\end{array}\right];$

(2)计算测试样本融合特征 $V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$ 与训练样本的融合特征 $V^{\′}=\left[\begin{array}{cccc}{v}_1^{\′}& v_2^{\′}& ...& v_{N_F}^{\′}\end{array}\right]$ 的距离Dis：

$\mathrm{Dis}=\left|\right|V-V^{\′}\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}{(v_i-v_i^{\′})}^2}$

(3)使用最近邻分类器进行分类，得到识别结果：

设训练样本共有L类，其融合特征为 $V_t^{\′}=\left[\begin{array}{cccc}{v}_{t1}^{\′}& v_{t2}^{\′}& ...& v_{t{N}_F}^{\′}\end{array}\right]$ (t＝1，2，…，L)。对于测试样本A，其融合特征为 $V_A=\left[\begin{array}{cccc}{v}_{A1}& v_{A2}& ...& v_{{\mathrm{AN}}_F}\end{array}\right],$ 利用(2)中的方法计算测试样本A的融合特征V_A与训练样本的融合特征V′_t(t＝1，2，…，L)之间的距离Dis_t(t＝1，2，…，L)：

$\mathrm{Di}{s}_t=\left|\right|V_A-V_t^{\′}\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}{(v_{\mathrm{Ai}}-v_{\mathrm{ti}}^{\′})}^2}(t=\mathrm{1,2},...,L)$

$t^{*}=\underset{t=1}{\overset{L}{\min }}\left\{{\mathrm{Dis}}_t\right\}$

既测试样本A融合特征V_A与第t^*类测试样本的融合特征距离最小，则测试样本A被识别为第t^*类。

利用本发明提出的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，与单独使用结构编码特征进行识别和单独使用纹理编码特征进行识别相比，本发明的方法在自建数据库上进行测试，数据库共有102人，其中男50人，女52人，每人左右手各采集10张图片，共2040张图片，因为左右手不同，可以认为是204类手背图像。使用每一类手背图像中的5张作为训练样本，剩余的5张作为测试样本，得到表1中的结果，可以看出应用本发明等提出的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法的识别率明显提高。

表1：应用本发明的手背静脉识别方法的识别率

Claims (5)

1.一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，其特征在于：包括以下几个步骤：

步骤一：图像采集和图像预处理；

通过图像采集设备采集手背静脉图像，采用质心自适应方法提取手背静脉图像上的手背区域，并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法，完成对提取的手背区域的手背静脉图像的预处理，得到预处理的手背区域图像；

步骤二：提取结构编码特征；

(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化，得到二值图像；

(2)在二值图像上进行形态学滤波和细化，得到骨架化的手背静脉图像；

(3)从骨架化的手背静脉图像上，采用领域信息的方法提取得到M个交叉点C_i(x_ci，y_ci)及K个端点E_j(x_ej，y_ej)，其中(x_ci，y_ci)，(x_ej，y_ej)分别表示交叉点C_i以及端点E_j的直角坐标；以图像中心O为原点建立极坐标系，得到交叉点及端点的极坐标信息分别为C_i(r_ci，θ_ci)、E_j(r_ej，θ_ej)，其中(r_ci，θ_ci)，(r_ej，θ_ej)分别表示交叉点C_i以及端点E_j的极坐标，对这M+K个关键点按θ进行排序，得到点集P：

P＝[C₁，C₂，…，C_M，E₁，E₂，…，E_K]θ_ci-1≤θ_ci≤θ_ci+1；θ_ej-1≤θ_ej≤θ_ej+1

                                                                                ；

 ＝[p₁，p₂，…，p_M+K]  p_i(r_i，θ_i)

其中C₁，C₂，…，C_M表示第1至M个交叉点，E₁，E₂，…，E_K表示第1至K个端点，θ_ci、θ_ej分别表示交叉点C_i以及端点E_j的极坐标中的极角，p₁，p₂，…，p_M+K表示排序后的M+K个交叉点及端点；p_i(r_i，θ_i)中，(r_i，θ_i)表示关键点p_i的极坐标；

获取点积P中任意两点p_u、p_v之间的距离：

$d_{\mathrm{uv}}=\sqrt{{r_u}^2+r_v^2-2\×r_u\×r_v\×\cos ({\mathrm{\θ}}_u-{\mathrm{\θ}}_v)}$ u，v＝1，2，…，M+K，u≠v

其中(r_u，θ_u)，(r_v，θ_v)分别表示关键点p_u、p_v的极坐标；

将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接，形成结构特征向量S：

$S=\left[\begin{array}{cccccccc}{r}_1& r_2& ...& r_{M+K}& d_{12}& d_{13}& ...& d_{(M+K-1)(M+K)}\end{array}\right]$

$=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right],N_S=\frac{(M+K)(M+K+1)}{2};$

其中r₁，r₂…r_M+K表示排序后的M+K个关键点的极坐标中的极径，d_uv，u≠v，表示p_u、p_v之间的距离，s₁ s₂…表示结构特征S中的元素；

(4)对得到的结构特征 $S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{N_S}\end{array}\right],$ $N_S=\frac{(M+K)(M+K+1)}{2}$ 进行二值化编码：

查找结构特征向量S中所有元素的最大值M_S，

i＝1，2，...，N_S；

设定阈值T＝αM_S，其中α表示阈值系数；对结构特征向量S进行二值化编码，得到编码后的结构特征向量V_S：

$V_S=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_S}\end{array}\right];$ 其中 ${\mathrm{cs}}_i=\left\{\begin{array}{cc}0& s_i\≤T\\ 1& s_i>T\end{array}\right.;$ i＝1，2，...，N_S；

其中cs₁ cs₂…

表示结构编码特征V_s的元素，s_i表示结构特征S中的对应元素；

步骤三：提取手背静脉纹理编码特征；

从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征；

(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸；

(2)将归一化后的手背区域平均分成N个子块，从每个子块中分别提取旋转不变一致性模式的LBP特征H₁，H₂，...，H_N，再将所有子块提取的LBP特征按照下式连接起来，形成1×N_H，N_H＝10N，维的纹理特征向量H：

$H=\left[\begin{array}{cccc}{H}_1& H_2& ...& H_N\end{array}\right]$

$=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$

其中H₁ H₂…H_N表示N个子块的旋转不变一致性模式的LBP特征；h₁  h₂…

表示纹理特征H的元素；

(3)对纹理特征向量H进行二值化编码：

查找特征向量H中所有元素的最大值M_H：

$M_H=\underset{i}{\max }\left\{h_i\right\}$ i＝1，2，...，N_H

设定阈值T′＝αM_H，α表示阈值系数；

对纹理特征向量 $H=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{N_H}\end{array}\right]$ 进行二值化编码，得到编码后的纹理特征向量 $V_H=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_H}\end{array}\right]:$

${\mathrm{ch}}_i=\left\{\begin{array}{cc}0& h_i\≤T^{\′}\\ 1& h_i>T^{\′}\end{array}\right.,$ i＝1，2，...，N_H；

其中ch₁ ch₂…

表示纹理编码特征V_H中的元素；h_i表示纹理特征H中的对应元素；

步骤四：结构编码特征与纹理编码特征进行融合；

(1)将二值化编码后的结构特征向量V_S的维数N_S和二值化编码后的纹理编码特征V_H的维数N_H进行归一化，归一化后特征维数N_F为

N_F＝N_H

N_F是归一化后特征维数，与二值化编码后的纹理编码特征的维数N_H相同；如果二值化编码后的结构特征向量V_S的维数N_S小于归一化后特征维数N_F，在二值化编码后的结构特征向量V_S后面补充N_F-N_S个0；如果二值化编码后的结构特征向量V_S的维数大于等于归一化特征维数N_F，则截取V_S的前N_F个维特征，得到归一化后的结构编码特征V′_S和纹理编码特征V′_H分别为：

$V_s^{\′}=\left[\begin{array}{cccc}{\mathrm{cs}}_1& {\mathrm{cs}}_2& ...& {\mathrm{cs}}_{N_F}\end{array}\right],$ cs_i＝0，1

$V_H^{\′}=\left[\begin{array}{cccc}{\mathrm{ch}}_1& {\mathrm{ch}}_2& ...& {\mathrm{ch}}_{N_F}\end{array}\right],$ ch_i＝0，1

(2)对归一化后的结构编码特征V′_S和纹理编码特征V′_H进行按位异或，得到融合特征V：

$V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$

$v_i={\mathrm{cs}}_i\⊕{\mathrm{ch}}_i$

其中v₁，v₂…

表示融合特征V中的元素cs_i，ch_i分别表示归一化后的结构编码特征和纹理编码特征的元素；

为异或运算， $1\⊕1=0,$ $0\⊕0=0,$ $1\⊕0=1,$ $0\⊕1=1;$

步骤五：通过分类器识别，得到结果；

(1)使用步骤一至步骤四的方法提取测试样本融合特征 $V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$ 与训练样本的融合特征 $V^{\′}=\left[\begin{array}{cccc}{v}_1^{\′}& v_2^{\′}& ...& v_{N_F}^{\′}\end{array}\right];$

(2)获取测试样本融合特征 $V=\left[\begin{array}{cccc}{v}_1& v_2& ...& v_{N_F}\end{array}\right]$ 与训练样本的融合特征 $V^{\′}=\left[\begin{array}{cccc}{v_1}^{\′}& {v_2}^{\′}& ...& {v_{N_F}}^{\′}\end{array}\right]$ 的距离Dis：

$\mathrm{Dis}=\left|\right|V-V^{\′}\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}{(v_i-v_i^{\′})}^2}$

(3)使用最近邻分类器进行分类，得到识别结果：

设训练样本共有L类，其融合特征为 $V_t^{\′}=\left[\begin{array}{cccc}{v}_{t1}^{\′}& v_{t2}^{\′}& ...& v_{t{N}_F}^{\′}\end{array}\right],$ t＝1，2，…，L；对于测试样本A，其融合特征为 $V_A=\left[\begin{array}{cccc}{v}_{A1}& v_{A2}& ...& v_{{\mathrm{AN}}_F}\end{array}\right],$ 计算测试样本A的融合特征V_A与训练样本的融合特征V′_t(t＝1，2，…，L)之间的距离Dis_t(t＝1，2，…，L)：

$\mathrm{Di}{s}_t=\left|\right|V_A-V_t^{\′}\left|\right|=\sqrt{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}{(v_{\mathrm{Ai}}-v_{\mathrm{ti}}^{\′})}^2},$ t＝1，2，…，L

$t^{*}=\underset{t=1}{\overset{L}{\min }}\left\{{\mathrm{Dis}}_t\right\}$

测试样本A融合特征V_A与第t^*类测试样本的融合特征距离最小，则测试样本A被识别为第t^*类。

2.根据权利要求1所述的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，其特征在于：所述的步骤一中的质心自适应方法具体为：根据公式

获取手背静脉图像的质心O(x₀，y₀)；其中m_i表示坐标为(x_i，y_i)的像素的灰度值，以图像质心O(x₀，y₀)为中心，提取380×380像素的矩形区域作为手背区域。

3.根据权利要求1所述的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，其特征在于：所述的步骤二(4)和步骤三(3)中的阈值系数α满足0.3＜α＜0.6。

4.根据权利要求1所述的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，其特征在于：所述的步骤三(1)中的像素尺寸B*B满足128≤B≤256。

5.根据权利要求1所述的一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法，其特征在于：所述的步骤三(2)中的归一化后的手背区域平均分成N个子块中N满足32≤N≤64。

Images