CN102542281B - 非接触式生物特征识别方法和系统 - Google Patents
非接触式生物特征识别方法和系统 Download PDFInfo
- Publication number
- CN102542281B CN102542281B CN201010607025.XA CN201010607025A CN102542281B CN 102542281 B CN102542281 B CN 102542281B CN 201010607025 A CN201010607025 A CN 201010607025A CN 102542281 B CN102542281 B CN 102542281B
- Authority
- CN
- China
- Prior art keywords
- image
- biological characteristic
- infrared
- visible images
- infrared image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种非接触式生物特征识别方法和系统,所述方法包括:提取以非接触式方式采集的可见光图像和近红外图像的生物特征;计算可见光图像的生物特征与预存的可见光生物特征模板的相似度x1,以及近红外图像的生物特征与预存的近红外光生物特征模板的相似度x2;将上述x1和x2组成的被检测样本x=(x1 x2)与训练样本进行比较,判断被检测样本是否属于类内样本,若是,则识别成功。采用本发明实施例方法,识别精度大大高于单一生物特征识别方式,可解决现有采用单独的掌脉身份识别方式特征信息少且鉴别精度不高,以及,采用单独的掌纹身份识别方式防伪能力较差的问题。
Description
技术领域
本发明涉及视频图像处理技术领域,特别是涉及一种非接触式生物特征识别方法和系统。
背景技术
基于人体生物特征的身份识别技术简称生物识别技术,是近年来兴起的一门结合生物信息技术与计算机技术的交叉学科。所谓生物识别技术是指利用人体自身所固有的物理特征,例如:指纹、掌纹、虹膜、人脸等,和行为特征,例如:声音、手写签名、步态等,作为人的个性化表征来识别人身份的一种技术。由于人体生物特征与传统的钥匙、密码和ID卡等身份表征相比,具有不易遗忘、丢失和伪造等优点,因此,生物识别技术以及其衍生的产品得到了迅速的发展,并拥有广阔的市场前景。
在众多人体生物特征中,各种人体特征有着各自的优缺点:人脸识别是与人日常行为最为相似的一种身份识别方式,但是受环境、光照以及表情等的影响,识别精度较低;指纹识别是最早开始研究的生物识别技术之一,也是比较成熟的技术之一,但是识别精度较低而且易被伪造,一直阻碍着指纹识别的进一步发展;虹膜识别技术精度较高,但是用户使用起来不够舒适,而且设备也比较昂贵;签名和步态等行为特征因特征自身的稳定性问题,应用领域也有很大的局限性;手掌特征识别是利用手掌上面的复杂纹线、手掌形状及皮下静脉等特征进行识别的一种新兴的生物特征识别技术,基于手掌的识别技术也逐渐成为人们研究和应用的热点,在用户使用舒适性上,手掌特征仅次于人脸,手臂的灵活性使各种手掌特征的采集更加方便,用户接受度更高。在识别精度上,手掌的特征较人脸和指纹更加丰富,因此能达到更高的识别精度。
现有生物识别技术在用户使用方式上可分为接触式和非接触式:接触式是指在人体生物特征采集和识别的过程中,需要人体的某个部位去接触传感器以获得有效的生物特征,例如指纹、掌纹识别等系统,非接触式是指在使用过程中,人体与传感器之间没有任何接触即可完成生物特征的采集和识别,例如人脸、虹膜、步态识别等系统。非接触式识别方式具有更卫生、更安全以及不留纹痕等优点,是下一代生物特征识别技术的研究热点。
以手掌特征为例,现有技术中利用手掌进行生物特征识别的技术可大致分为:
掌纹特征:人的掌纹特征具有终生不变的特点,和指纹特征相比,掌纹区域更大、信息量更多,因此基于掌纹的识别系统具有更高的身份识别精度。然而掌纹识别系统也有一些缺点:掌纹作为生物特征尽管信息量丰富,但是掌纹和指纹一样,仅仅是手掌表皮上的一些纹理,暴露在可见光下,很容易被他人非法获取,因此也易于被伪造。
掌脉特征:手掌皮下静脉特征是指隐藏在手掌皮下较粗静脉的纹理特征,这类特征是通过近红外光照射手掌时,血液对近红外光的吸收特性较人体其它组织要强,因此静脉血管在反射光生成的图像中表现为一些较暗的纹理。这种静脉血管的纹理特征可以用于身份识别。和掌纹相比,掌脉特征属于活体特征,因其隐藏在皮下,在可见光下难以被非法获取,能够更好地保护用户信息的安全,故采用该特征进行身份识别将具有很强的防伪造性能。但是,因掌脉特征属于相对较粗的血管几何结构,通过近红外光反射产生的皮下静脉血管的纹理,相对简单,而且图片较为模糊,特征信息量不够丰富,不适合进行高精度的身份识别。
总之,现有技术中对手掌的识别存在以下缺陷:单独掌脉的身份识别系统特征信息少且鉴别精度不高;而单独采用掌纹的身份识别系统防伪能力较差。
发明内容
本发明所要解决的技术问题是提供一种非接触式生物特征识别方法,可解决现有采用单独的掌脉身份识别方式特征信息少且鉴别精度不高,以及,采用单独的掌纹身份识别方式防伪能力较差的问题。
本发明还提供了一种非接触式生物特征识别系统,以保证上述方法在实际中的应用。
为了解决上述问题,本发明公开了一种非接触式生物特征识别方法,包括:提取以非接触式方式采集的可见光图像和近红外图像的生物特征;计算可见光图像的生物特征与预存的可见光生物特征模板的相似度x1,以及近红外图像的生物特征与预存的近红外光生物特征模板的相似度x2;将上述x1和x2组成的被检测样本x=(x1 x2)与训练样本进行比较,判断被检测样本是否属于类内样本,若是,则识别成功。
优选的,所述训练样本包括类内样本c1和类外样本c2,所述判断被检测样本是否属于类内样本的方法具体为:
用下述公式计算判别函数gi(x)的值;
上述∑i表示训练样本ci的协方差矩阵,μi表示ci的均值,上标t表示原矩阵的转置矩阵,上标-1表示原矩阵的逆矩阵,上标-t表示原矩阵的转置逆矩阵,Wi0表示ci的阈值;其中,
上述P(ci)表示ci的先验概率,ln表示自然对数;
若g1(x)>g2(x),则被检测样本属于类内样本。
优选的,所述提取以非接触式方式采集的可见光图像和近红外图像的生物特征的方法具体为:用一个方差为σx的一维高斯滤波器对所述图像的生物特征区域沿着x轴方向进行滤波;再用一个方差为的一维高斯滤波器对所述图像的生物特征区域沿着t轴方向进行滤波;其中,x轴与t轴之间的夹角为根据各个方向滤波器的响应,确定所述近红外图像和可见光图像的生物特征竞争编码。
优选的,在所述提取以非接触式方式采集的可见光图像和近红外图像的生物特征步骤之前还包括:以非接触式方式采集生物活体的近红外图像和可见光图像;对所述近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;对所述二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;根据所述边缘点信息,获得生物特征区域的关键点,并根据所述关键点确定所述近红外图像的生物特征区域;根据预设的近红外图像和可见光图像的线性映射关系,确定所述可见光图像的生物特征区域。
优选的,所述对二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息的方法具体为:以所述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;对所述填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
优选的,所述生物特征区域为矩形,所述关键点为该矩形的4个顶点;所述根据所述边缘点信息,获得生物特征区域的关键点的方法具体为:对所述边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;利用所述边缘点的极坐标包括的角度参数和长度参数,确定所述矩形生物特征区域的4个顶点。
优选的,所述生物特征为掌纹特征和掌脉特征;所述近红外图像为掌脉图像;所述可见光图像为掌纹图像。
依据本发明的另一优选实施例,还公开了一种非接触式生物特征识别系统,包括非接触式图像采集装置,生物特征区域定位装置,生物特征提取装置和生物特征识别装置,其中:所述非接触式图像采集装置用于以非接触式方式采集生物活体的近红外图像和可见光图像;所述生物特征区域定位装置用于接收所述非接触式图像采集装置获得的可见光图像和近红外光图像,并确定所述可见光图像和近红外光图像的生物特征区域;所述生物特征提取装置用于根据所述生物特征区域定位装置确定的近红外图像和可见光图像的生物特征区域,提取所述近红外图像和可见光图像中包括的生物特征,形成相应的生物特征竞争编码;所述生物特征识别装置用于将所述生物特征提取装置提取的近红外图像和可见光图像中包括的生物特征,与系统中预存的相应生物特征进行相似度计算,并将计算结果与训练样本进行比较,确定生物特征识别结果。
优选的,所述训练样本包括类内样本c1和类外样本c2,所述生物特征识别装置具体包括相似度计算单元和比较判断单元,其中:所述相似度计算单元用于计算可见光图像的生物特征与预存的可见光生物特征模板的相似度x1,以及,近红外图像的生物特征与预存的近红外光生物特征模板的相似度x2;所述比较判断单元用下述判别函数分别计算g1(x)和g2(x)的值,若g1(x)>g2(x),则输出识别成功信息:
上述∑i表示训练样本ci的协方差矩阵,μi表示ci的均值,上标t表示原矩阵的转置矩阵,上标-1表示原矩阵的逆矩阵,上标-t表示原矩阵的转置逆矩阵,Wi0表示ci的阈值;其中,
上述P(ci)表示ci的先验概率,ln表示自然对数。
优选的,所述非接触式图像采集装置包括用于发射可见光和近红外光的主动光源、用于采集可见光图像和近红外光图像的成像镜头、用于接收所述成像镜头采集的可见光图像的可见光图像传感器、用于接收所述成像镜头采集的近红外光图像的近红外光图像传感器。
优选的,所述成像镜头包括近红外图像成像镜头和可见光图像成像镜头;所述近红外图像由近红外图像成像镜头采集,传递至近红外图像传感器接收;所述可见光图像由近红外图像成像镜头采集,传递至可见光图像传感器接收;所述近红外图像成像镜头和近红外图像传感器之间设置有近红外带通滤波片;所述可见光图像成像镜头和可见光图像传感器之间设置有可见光带通滤波片。
优选的,所述成像镜头为单目镜头,在所述成像镜头和可见光图像传感器、近红外图像传感器之间设置有三棱镜;所述三棱镜将所述近红外图像和可见光图像分离后,分别传递至近红外图像传感器和可见光图像传感器接收。
优选的,所述生物特征提取装置具体包括迭代滤波单元和竞争编码单元,其中:所述迭代滤波单元用于用一个方差为σx的一维高斯滤波器对所述图像沿着x轴方向进行滤波;再一个方差为的一维高斯滤波器对所述图像沿着t轴方向进行滤波;其中,x轴与t轴之间的夹角为所述竞争编码单元用于根据各个方向滤波器的响应,确定所述近红外图像和可见光图像的生物特征竞争编码。
与现有技术相比,本发明具有以下优点:
本发明对非接触式采集的近红外图像生物特征(如掌脉特征)和可见光图像生物特征(如掌纹特征)进行组合识别的方式;采用本发明实施例方法,以500个训练样本为例,如图2所示,不难看出,类内样本和类外样本分界非常明显,具有非常良好的分类效果,识别精度大大高于单一生物特征识别方式,可解决现有采用单独的掌脉身份识别方式特征信息少且鉴别精度不高,以及,采用单独的掌纹身份识别方式防伪能力较差的问题。
在本发明的进一步的优选实施例中,对生物特征采用多向迭代滤波提取方式,将二维滤波方式分解为二个一维滤波过程,减少了每个像素点需要的操作数量,而且,每个像素点上的操作是一个常数,不随图像尺度的变化而变化,可大大减小计算量,从而提高特征提取运算速度。
在本发明的优选系统实施例中,采用包括有近红外光线的主动光源照射成像,并以非接触式采集的近红外图像作为生物特征区域分割对象,其主体是较为明亮的生物特征图像(如掌脉图像),而背景则因近红外反射光较弱而在图像中显示为黑暗区域,因此,采用相对较为简单的阈值分割算法,即可实现图像的快速分割和二值化;然后根据同时采集的近红外图像和可见光图像的线性关系,确认可见光图像中的生物特征区域,可以在保证生物特征区域定位分割的速度和精度的基础上,解决现有技术为排除外界光源带来的干扰,只能在封闭环境下采用接触式生物特征采集方式,导致系统设备的体积较大,而且必须接触到采集器才能完成采集和识别过程的问题。
相对于现有接触式生物特征识别方法,本发明优选实施例提供的非接触式生物特征识别方法可以为用户带来更好的用户体验和卫生保证,从而大大地提高生物特征识别技术的用户接受度;可解决个别用户因心理因素而排斥手指或手掌等与设备大面积接触,仅使用指尖进行注册与识别,从而人为地导致系统整体安全性降低的问题;另外,非接触式生物特征识别方法还可避免用户在使用过程中留下印痕,可以有效地防止用户泄露个人生物特征信息,避免职业罪犯通过复制个人生物特征进行犯罪活动,从而进一步提高了系统的安全性能。
附图说明
图1是本发明非接触式生物特征识别方法第一实施例流程图;
图2是本发明非接触式生物特征识别方法训练样本的判别曲线示意图;
图3是本发明非接触式生物特征识别方法第二实施例流程图;
图4是本发明非接触式生物特征识别方法第二实施例的生物特征区域定位流程图;
图5是本发明非接触式生物特征识别方法第二实施例的生物特征提取过程中将二维高斯滤波器分解为二个一维高斯滤波器组合示意图;
图6是本发明非接触式生物特征识别系统一实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明非接触式生物特征识别方法第一实施例的流程,具体包括以下步骤:
步骤S11:提取以非接触式方式采集的可见光图像和近红外图像的生物特征;
步骤S12:分别计算可见光图像和近红外图像的生物特征与相应的生物特征模板的相似度x1和x2;
步骤S13:将上述x1和x2组成的被检测样本x=(x1 x2)与训练样本进行比较;
在构造决策边界时,可选择Fisher判别、神经网络、支持向量基等多种方式,在本优选实施例中,基于样本x关于训练样本ci(包括类内样本c1和类外样本c2)服从高斯分布规律的考虑,采用贝叶斯决策方法,其判别函数如下:
上述∑i表示训练样本ci的协方差矩阵,μi表示ci的均值,上标t表示原矩阵的转置矩阵,上标-1表示原矩阵的逆矩阵,上标-t表示原矩阵的转置逆矩阵,Wi0表示ci的阈值;其中,
上述P(ci)表示ci的先验概率,ln表示自然对数。
步骤S14:判断被检测样本是否属于类内样本,若是,转步骤S15;否则,转步骤S16;
若g1(x)>g2(x),表示被测样本x属于第一类,即类内样本;若g1(x)<g2(x),表示被测样本x属于第二类,即类外样本;并将g1(x)=g2(x)的点连接成的曲线作为判别曲线;
在实际使用时,通过采集大样本数据,为掌纹掌脉特征识别提供大量的训练样本,在高斯假设的基础上,可以上述判别函数计算判别曲线。图2给出了基于500个样本贝叶斯决策曲线,从图中可以看出,采用二维特征进行分类具有良好的分类效果,分类精度大大高于单一特征的分类器。
步骤S15:输出识别成功信息,结束流程;
步骤S16:输出识别失败信息,结束流程。
下面,近红外图像和可见光图像分别以掌脉图像、掌纹图像为例,相应的,生物特征以掌脉特征和掌纹特征为例,说明图像的非接触式采集、特征区域定位、特征提取、二维决策识别流程。
参照图3,示出了本发明非接触式生物特征识别方法第二实施例的流程,具体包括以下步骤:
步骤S31:以非接触式方式提取掌纹图像和掌脉图像;
在实际实施过程中,同时采集的掌纹图像和掌脉图像的非接触式图像采集装置可以用双目成像镜头采集,也可以用单目成像镜头采集;当使用双目成像镜头采集时,掌脉图像由近红外图像成像镜头采集,然后由近红外传感器接收;掌纹图像由可见光图像成像镜头采集,然后由可见光传感器接收;此时,因近红外图像成像镜头和可见光图像成像镜头之间存在物理位置差而使得掌纹图像和掌脉图像的特征区域之间呈线性映射关系。当使用单目成像镜头采集时,近红外图像和可见光图像经分离后(如可以采用分光棱镜进行分离)分别由近红外传感器和可见光传感器接收,此时,掌脉图像和掌纹图像的生物特征区域完全相同。无论采用哪种方式,都可以使采集到的掌纹和掌脉特征保持较好的无关性,从而使得活体验证能力更强和识别精度更高;其次,本优选实施例采用非接触式采集方式,安全卫生,使用方便,快速准确。
步骤S32:确定掌纹掌脉的特征区域;
在本优选实施例中,以非接触式采集的掌脉图像(即近红外图像)作为生物特征区域分割对象,然后以掌纹图像和掌脉图像的特征区域之间的线性映射关系,进一步确定掌纹图像的识别特征区域。由于近红外图像的主体是较为明亮的掌脉图像,而背景则因近红外反射光较弱而在图像中显示为黑暗区域,因此,可解决现有技术为排除外界光源带来的干扰,只能在封闭环境下采用接触式生物特征采集方式,导致系统设备的体积较大,而且必须接触到采集器才能完成采集和识别过程的问题。
步骤S33:基于上述掌纹掌脉特征区域,提取掌纹掌脉特征,生成竞争编码;
步骤S34:分别计算掌纹、掌脉竞争编码与系统保存的相应掌纹特征和掌脉特征的相似度;
步骤S35:以掌纹相似度和掌脉相似度组成的二维变量为输入参数样本,比较判别该输入样本是否属于类内样本,若是,则输出识别成功信息。
参见图4,上述掌纹掌脉特征区域定位步骤S32具体可包括:
步骤S32-1:对掌脉图像进行二值化处理,获得分割去除图像背景后的二值化图像;
步骤S32-2:对上述二值化图像进行去噪处理,获得掌脉特征区域的边缘点信息;
首先,以上述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;然后,对该填充图像进行开运算,去除没有填充的边缘像素,获得该掌脉特征区域的边缘点信息。
步骤S32-3:根据该边缘点信息,获得掌脉特征区域的关键点;
在本优选实施例中,掌脉特征区域为4个关键点形成的矩形,获得该关键点的方法具体为:对步骤S32-2确定的边缘点进行中心投影,确定极坐标原点以及上述边缘点的极坐标;然后,利用上述边缘点的角度参数和长度参数,确定该矩形掌脉特征区域的4个顶点。
步骤S32-4:根据上述关键点,确定掌脉图像的生物特征区域;
步骤S32-5:根据预设的掌纹图像和掌脉图像的线性映射关系,确定掌纹图像的生物特征区域。
在本优选实施例中,提取生物特征,生成竞争编码的步骤S33中,需要将一个任意方向的各向异性二维高斯滤波器对图像进行处理的过程分为两个步骤:
第一步:先用一个方差为σx的一维高斯滤波器对图像沿着x轴方向进行滤波;
第二步:对于平滑后的图像,再用一个方差为的一维高斯滤波器对图像沿着t轴方向进行滤波。这一步相当于对x轴与t轴之间的像素进行插值。其中,x轴与t轴之间的夹角为
直线t:的斜率为:
其中,u-v坐标系为x-y坐标系旋转θ得到,如图5所示,这样,就把一个二维各项异性高斯滤波器分解为两个等效的一维高斯滤波器的卷积,这两个一维高斯滤波器的方差分别为σx和经过这两步运算后得到的图像,就是θ方向二维各向异性高斯滤波器的响应图像。将二维各项异性高斯滤波方式分解为二个一维滤波,可减少每个像素点需要的操作数量,而且,每个像素点上的操作是一个常数,不随图像尺度的变化而变化,可大大减小计算量,从而提高特征提取运算速度。
在对掌纹和掌脉图像进行身份识别的过程中,通常使用二维各向异性高斯滤波器对掌纹和掌脉的线特征进行提取。考虑到掌纹的方向信息比较复杂,而掌脉的方向信息相对简单,在本实施例中,将使用8个方向的各向异性高斯滤波器对掌纹图像进行纹路特征提取,然后根据8个滤波器的响应进行竞争编码,并将该区域的竞争编码作为手掌掌纹的特征,与保存在系统内部的掌纹模板的特征编码进行比较,计算两幅掌纹图像的相似度,作为用户身份识别的掌纹特征。对于掌脉图像,采用6个方向的各向异性高斯滤波器对手掌静脉的线特征进行检测,然后进行特征编码,与保存的掌脉模板的特征编码进行比较,计算两幅掌脉图像的相似度,作为用户身份识别的掌脉特征。
对于前述的各方法实施例,为了描述简单,故将其都表述为一系列的动作组合,但是本领域的技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为根据本发明,某些步骤可以采用其他顺序或同时执行。其次,本领域技术人员也应该知悉,上述方法实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
参照图6,示出了本发明非接触式生物特征识别系统一实施例的结构框图,具体包括非接触式图像采集装置61,生物特征区域定位装置62,生物特征提取装置63和生物特征识别装置64,其中:
非接触式图像采集装置61:用于以非接触式方式采集生物活体的近红外图像和可见光图像;
生物特征区域定位装置62:用于接收非接触式图像采集装置61获得的可见光图像和近红外光图像,并确定所述可见光图像和近红外光图像的生物特征区域;
生物特征提取装置63:用于根据生物特征区域定位装置62确定的近红外图像和可见光图像的生物特征区域,提取所述近红外图像和可见光图像中包括的生物特征,形成相应的生物特征竞争编码;
生物特征识别装置64:用于将生物特征提取装置63提取的近红外图像和可见光图像中包括的生物特征,与系统中预存的相应生物特征进行相似度计算,并将计算结果与训练样本(包括类内样本c1和类外样本c2)进行比较,确定生物特征识别结果。
其中,非接触式图像采集装置61具体包括主动光源61-1,成像镜头61-2,可见光图像传感器61-3和近红外光图像传感器61-4等部件:
主动光源61-1:用于发射可见光和近红外光;
成像镜头61-2:用于采集可见光图像和近红外光图像;
可见光图像传感器61-3:用于接收成像镜头61-2采集的可见光图像;
近红外光图像传感器61-4:用于接收成像镜头61-2采集的近红外光图像的。
关于成像镜头61-2部分,既可采用双目成像镜头,也可采用单目成像镜头:
当使用双目成像镜头采集时,近红外图像由近红外图像成像镜头采集,然后由近红外光图像传感器61-4接收;可见光图像由可见光图像成像镜头采集,然后由可见光图像传感器61-3接收;此时,因近红外图像成像镜头和可见光图像成像镜头之间存在物理位置差而使得可见光图像和近红外图像的生物特征区域之间呈线性映射关系。对于双目成像镜头实施方式,可以在近红外图像成像镜头和可见光图像成像镜头下方设置分处于不同波段的两种滤光片,既保证掌纹图像(可见光图像)中尽可能少的包含掌脉信息,同时掌脉图像(近红外图像)中也尽可能少的包含掌纹信息,使得采集到的掌纹和掌脉特征保持较好的无关性。
当使用单目成像镜头采集时,近红外图像和可见光图像经分离后(可以采用分光棱镜进行分离)分别由近红外光图像传感器61-4和可见光图像传感器61-3接收,此时,近红外图像和可见光图像的生物特征区域完全相同。
无论采用哪种实施方式,都可以使采集到的掌纹和掌脉特征(即包含在可见光图像和近红外图像中的生物特征)保持较好的无关性,从而使得活体验证能力更强和识别精度更高;另外,本优选实施例还可设置红外传感器,在没有待识别物体进入检测区域时,控制系统保持低功耗状态,即节约能耗又保证部分器件的使用寿命,同时避免主动光源长期发光带来的刺眼等问题;其次,本优选实施例采用非接触式采集方式,安全卫生,使用方便,快速准确;而且,采用该非接触式的方式获取人体特征,对人体健康没有任何不良影响,可广泛应用于门禁、考勤、通关、PC机登录、网络身份认证等多种场所。
其中的生物特征区域定位装置62具体包括以下单元:
二值化处理单元62-1:用于对非接触式图像采集装置61采集的近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;
去噪处理单元62-2:用于对二值化处理单元62-1获得的二值化图像进行去噪处理,获得生物特征区域的边缘点信息;去噪处理单元62-2具体包括图像填充子单元和边缘像素去除子单元,其中,图像填充子单元用于以二值化处理单元62-1获得的二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;边缘像素去除子单元用于对图像填充子单元获得的填充图像进行开运算,去除没有填充的边缘像素,获得上述生物特征区域的边缘点信息。
关键点确定单元62-3:用于根据去噪处理单元62-2获得的边缘点信息,获得生物特征区域的关键点;在本优选实施例中,生物特征区域为矩形,关键点为该矩形的4个顶点,关键点确定单元62-3具体包括极坐标确定子单元和顶点确定子单元,其中,极坐标确定子单元用于对去噪处理单元62-2获得的边缘点进行中心投影,确定极坐标原点以及上述边缘点的极坐标;顶点确定子单元利用极坐标确定子单元所确定的边缘点的极坐标所包括的角度参数和长度参数,确定该矩形生物特征区域的4个顶点。
近红外图像生物特征区域确定单元62-4:用于根据关键点确定单元62-3获得的关键点,确定近红外图像的生物特征区域。
可见光图像生物特征区域确定单元62-5:用于根据近红外图像生物特征区域确定单元62-4获得的近红外图像生物特征区域,以及,预设的近红外图像和可见光图像之间的线性映射关系,确定可见光图像的生物特征区域。
其中,生物特征提取装置63具体包括迭代滤波单元63-1和竞争编码单元63-2:
迭代滤波单元63-1用于用一个方差为σx的一维高斯滤波器对所述图像沿着x轴方向进行滤波;再一个方差为的一维高斯滤波器对所述图像沿着t轴方向进行滤波;其中,x轴与t轴之间的夹角为
竞争编码单元63-1用于根据各个方向滤波器的响应,确定近红外图像和可见光图像的生物特征竞争编码。
其中,生物特征识别装置64具体包括相似度计算单元64-1和比较判断单元64-2:
相似度计算单元64-1:分别计算生物特征提取装置63获得的可见光图像和近红外图像的生物特征与相应的生物特征模板的相似度x1和x2;
比较判断单元64-2:用下述判别函数分别计算g1(x)和g2(x)的值,若g1(x)>g2(x),则输出识别成功信息:
上述∑i表示训练样本ci的协方差矩阵,μi表示ci的均值,上标t表示原矩阵的转置矩阵,上标-1表示原矩阵的逆矩阵,上标-t表示原矩阵的转置逆矩阵,Wi0表示ci的阈值;其中,
上述P(ci)表示样本ci的先验概率,ln表示自然对数。
需要说明的是,上述系统实施例属于优选实施例,所涉及的装置和模块并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于本发明的系统实施例而言,部分内容与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本发明所提供的一种非接触式生物特征识别方法和系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种非接触式生物特征识别方法,其特征在于,包括:
以非接触式方式采集生物活体的近红外图像和可见光图像;
对所述近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;
以所述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;
对所述填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息;
根据所述边缘点信息,获得生物特征区域的关键点,并根据所述关键点确定所述近红外图像的生物特征区域;
根据预设的近红外图像和可见光图像的线性映射关系,确定所述可见光图像的生物特征区域;
提取以非接触式方式采集的可见光图像和近红外图像的生物特征;
计算可见光图像的生物特征与预存的可见光生物特征模板的相似度x1,以及近红外图像的生物特征与预存的近红外光生物特征模板的相似度x2;
将上述x1和x2组成的被检测样本x=(x1 x2)与训练样本进行比较,判断被检测样本是否属于类内样本,若是,则识别成功。
2.如权利要求1所述的生物特征识别方法,其特征在于,所述训练样本包括类内样本c1和类外样本c2,所述判断被检测样本是否属于类内样本的方法具体为:
用下述公式计算判别函数gi(x)的值;
上述∑i表示训练样本ci的协方差矩阵,μi表示ci的均值,上标t表示原矩阵的转置矩阵,上标-1表示原矩阵的逆矩阵,上标-t表示原矩阵的转置逆矩阵,Wi0表示ci的阈值;其中,
上述P(ci)表示ci的先验概率,ln表示自然对数;
若g1(x)>g2(x),则被检测样本属于类内样本。
3.如权利要求1所述的生物特征识别方法,其特征在于,所述提取以非接触式方式采集的可见光图像和近红外图像的生物特征的方法具体为:
用一个方差为σx的一维高斯滤波器对所述图像的生物特征区域沿着x轴方向进行滤波;
再用一个方差为的一维高斯滤波器对所述图像的生物特征区域沿着t轴方向进行滤波;其中,x轴与t轴之间的夹角为
根据各个方向滤波器的响应,确定所述近红外图像和可见光图像的生物特征竞争编码。
4.如权利要求1所述的非接触式生物特征识别方法,其特征在于:
所述生物特征区域为矩形,所述关键点为该矩形的4个顶点;
所述根据所述边缘点信息,获得生物特征区域的关键点的方法具体为:对所述边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;利用所述边缘点的极坐标包括的角度参数和长度参数,确定所述矩形生物特征区域的4个顶点。
5.如权利要求1所述的非接触式生物特征识别方法,其特征在于,所述生物特征为掌纹特征和掌脉特征;所述近红外图像为掌脉图像;所述可见光图像为掌纹图像。
6.一种采用权利要求1-5任一项所述非接触式生物特征识别方法的非接触式生物特征识别系统,其特征在于,包括非接触式图像采集装置,生物特征区域定位装置,生物特征提取装置和生物特征识别装置,其中:
所述非接触式图像采集装置用于以非接触式方式采集生物活体的近红外图像和可见光图像;
所述生物特征区域定位装置用于接收所述非接触式图像采集装置获得的可见光图像和近红外光图像,并确定所述可见光图像和近红外光图像的生物特征区域;
所述生物特征提取装置用于根据所述生物特征区域定位装置确定的近红外图像和可见光图像的生物特征区域,提取所述近红外图像和可见光图像中包括的生物特征,形成相应的生物特征竞争编码;
所述生物特征识别装置用于将所述生物特征提取装置提取的近红外图像和可见光图像中包括的生物特征,与系统中预存的相应生物特征进行相似度计算,并将计算结果与训练样本进行比较,确定生物特征识别结果;所述训练样本包括类内样本c1和类外样本c2,所述生物特征识别装置具体包括相似度计算单元和比较判断单元,其中:
所述相似度计算单元用于计算可见光图像的生物特征与预存的可见光生物特征模板的相似度x1,以及,近红外图像的生物特征与预存的近红外光生物特征模板的相似度x2;
所述比较判断单元用下述判别函数分别计算g1(x)和g2(x)的值,若g1(x)>g2(x),则输出识别成功信息:
上述∑i表示训练样本ci的协方差矩阵,μi表示ci的均值,上标t表示原矩阵的转置矩阵,上标-1表示原矩阵的逆矩阵,上标-t表示原矩阵的转置逆矩阵,Wi0表示ci的阈值;其中,
上述P(ci)表示ci的先验概率,ln表示自然对数。
7.如权利要求6所述的生物特征识别系统,其特征在于,所述非接触式图像采集装置包括用于发射可见光和近红外光的主动光源、用于采集可见光图像和近红外光图像的成像镜头、用于接收所述成像镜头采集的可见光图像的可见光图像传感器、用于接收所述成像镜头采集的近红外光图像的近红外光图像传感器。
8.如权利要求7所述的生物特征识别系统,其特征在于:
所述成像镜头包括近红外图像成像镜头和可见光图像成像镜头;所述近红外图像由近红外图像成像镜头采集,传递至近红外图像传感器接收;所述可见光图像由可见光图像成像镜头采集,传递至可见光图像传感器接收;
所述近红外图像成像镜头和近红外图像传感器之间设置有近红外带通滤波片;所述可见光图像成像镜头和可见光图像传感器之间设置有可见光带通滤波片。
9.如权利要求7所述的生物特征识别系统,其特征在于,所述成像镜头为单目镜头,在所述成像镜头和可见光图像传感器、近红外图像传感器之间设置有三棱镜;所述三棱镜将所述近红外图像和可见光图像分离后,分别传递至近红外图像传感器和可见光图像传感器接收。
10.如权利要求6所述的生物特征识别系统,其特征在于,所述生物特征提取装置具体包括迭代滤波单元和竞争编码单元,其中:
所述迭代滤波单元用于用一个方差为σx的一维高斯滤波器对所述图像沿着x轴方向进行滤波;再一个方差为的一维高斯滤波器对所述图像沿着t轴方向进行滤波;其中,x轴与t轴之间的夹角为
所述竞争编码单元用于根据各个方向滤波器的响应,确定所述近红外图像和可见光图像的生物特征竞争编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010607025.XA CN102542281B (zh) | 2010-12-27 | 2010-12-27 | 非接触式生物特征识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010607025.XA CN102542281B (zh) | 2010-12-27 | 2010-12-27 | 非接触式生物特征识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542281A CN102542281A (zh) | 2012-07-04 |
CN102542281B true CN102542281B (zh) | 2017-02-22 |
Family
ID=46349133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010607025.XA Active CN102542281B (zh) | 2010-12-27 | 2010-12-27 | 非接触式生物特征识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542281B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10135822B2 (en) | 2017-03-21 | 2018-11-20 | YouaretheID, LLC | Biometric authentication of individuals utilizing characteristics of bone and blood vessel structures |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793690B (zh) * | 2014-01-27 | 2017-08-18 | 天津科技大学 | 一种基于皮下血流探测的人体生物活体检测方法及应用 |
CN105141424B (zh) * | 2015-08-14 | 2018-08-07 | 南昌航空大学 | 一种掌纹掌脉双源模糊保险箱的密钥提取方法 |
CN107844735B (zh) * | 2016-09-19 | 2020-10-27 | 北京眼神科技有限公司 | 生物特征的认证方法和装置 |
WO2018072099A1 (zh) * | 2016-10-18 | 2018-04-26 | 厦门中控智慧信息技术有限公司 | 一种手掌检测方法和设备 |
CN108427945A (zh) * | 2017-03-06 | 2018-08-21 | 新多集团有限公司 | 一种多光谱自适应掌纹掌静脉采集设备及采集方法 |
US11374929B2 (en) | 2017-03-21 | 2022-06-28 | Global E-Dentity, Inc. | Biometric authentication for an augmented reality or a virtual reality device |
US10880303B2 (en) | 2017-03-21 | 2020-12-29 | Global E-Dentity, Inc. | Real-time COVID-19 outbreak identification with non-invasive, internal imaging for dual biometric authentication and biometric health monitoring |
CN107122720A (zh) * | 2017-04-13 | 2017-09-01 | 瑞声科技(南京)有限公司 | 非接触式生物识别方法及装置 |
CN110008783A (zh) | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
CN108268839A (zh) * | 2018-01-05 | 2018-07-10 | 北京万相融通科技股份有限公司 | 一种活体验证方法及其系统 |
CN108038479B (zh) * | 2018-01-17 | 2021-08-06 | 昆山龙腾光电股份有限公司 | 指纹识别装置及识别方法 |
CN108272449A (zh) * | 2018-01-30 | 2018-07-13 | 中国科学院电子学研究所 | 非接触式的血压监测方法及系统 |
CN108564080B (zh) * | 2018-04-18 | 2024-02-02 | 青岛海泰新光科技股份有限公司 | 生物识别特征检测装置及方法 |
US10872221B2 (en) * | 2018-06-21 | 2020-12-22 | Amazon Technologies, Inc | Non-contact biometric identification system |
CN111310514A (zh) * | 2018-12-11 | 2020-06-19 | 上海耕岩智能科技有限公司 | 编码遮罩生物特征重建方法及存储介质 |
CN109858351B (zh) * | 2018-12-26 | 2021-05-14 | 中南大学 | 一种基于层级实时记忆的步态识别方法 |
CN110717463A (zh) * | 2019-10-12 | 2020-01-21 | 深圳芯启航科技有限公司 | 一种非接触式生物识别方法及装置 |
CN111339885B (zh) * | 2020-02-19 | 2024-05-28 | 平安科技(深圳)有限公司 | 基于虹膜识别的用户身份确定方法及相关装置 |
US11219371B1 (en) * | 2020-11-09 | 2022-01-11 | Micron Technology, Inc. | Determining biometric data using an array of infrared illuminators |
CN114697584B (zh) * | 2020-12-31 | 2023-12-26 | 杭州海康威视数字技术股份有限公司 | 一种图像处理系统及图像处理方法 |
CN112668539A (zh) * | 2021-01-06 | 2021-04-16 | 安徽省东超科技有限公司 | 生物特征采集识别系统及方法、终端设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1209732C (zh) * | 2002-10-09 | 2005-07-06 | 中国科学院自动化研究所 | 基于小波分析和过零点描述的虹膜识别方法 |
US7167752B2 (en) * | 2003-05-15 | 2007-01-23 | Catherine Lin-Hendel | Electronic electrical and electro-magnetic health enhancement and stimulation device |
CN101251889B (zh) * | 2007-12-25 | 2010-10-13 | 哈尔滨工业大学 | 基于手掌静脉与掌纹的近红外成像设备与身份识别方法 |
CN101196987B (zh) * | 2007-12-25 | 2011-05-25 | 哈尔滨工业大学 | 在线掌纹、手掌静脉图像身份识别方法及其专用采集仪 |
-
2010
- 2010-12-27 CN CN201010607025.XA patent/CN102542281B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10135822B2 (en) | 2017-03-21 | 2018-11-20 | YouaretheID, LLC | Biometric authentication of individuals utilizing characteristics of bone and blood vessel structures |
Also Published As
Publication number | Publication date |
---|---|
CN102542281A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542281B (zh) | 非接触式生物特征识别方法和系统 | |
CN100492400C (zh) | 手指静脉特征提取与匹配识别方法 | |
WO2021027364A1 (zh) | 基于指静脉识别的身份验证方法和装置 | |
CN105426821A (zh) | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 | |
CN102542242B (zh) | 非接触式采集图像的生物特征区域定位方法和装置 | |
CN101201893A (zh) | 一种基于灰度信息的虹膜识别预处理方法 | |
CN101359365A (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及系统 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN105760841A (zh) | 一种身份识别方法及系统 | |
CN102567708B (zh) | 生物特征提取方法、装置及生物识别方法、系统 | |
CN101789075A (zh) | 基于特征值归一化双向加权的手指静脉识别方法 | |
Trabelsi et al. | A new multimodal biometric system based on finger vein and hand vein recognition | |
CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
CN116631068B (zh) | 一种基于深度学习特征融合的掌静脉活体检测方法 | |
Hoshyar et al. | Review on finger vein authentication system by applying neural network | |
CN108288040A (zh) | 基于面部轮廓的多参数人脸识别系统 | |
Masood et al. | Iris recognition using wavelet | |
Sharma et al. | Improved human identification using finger vein images | |
Farouk et al. | Iris recognition system techniques: A literature survey and comparative study | |
Sallehuddin et al. | A survey of iris recognition system | |
Li et al. | Hand-based multimodal biometric fusion: A review | |
Kyaw et al. | Performance analysis of features extraction on iris recognition system | |
CN109919022A (zh) | 一种自适应的oct内外部指纹提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |