CN102567708B - 生物特征提取方法、装置及生物识别方法、系统 - Google Patents
生物特征提取方法、装置及生物识别方法、系统 Download PDFInfo
- Publication number
- CN102567708B CN102567708B CN201010607049.5A CN201010607049A CN102567708B CN 102567708 B CN102567708 B CN 102567708B CN 201010607049 A CN201010607049 A CN 201010607049A CN 102567708 B CN102567708 B CN 102567708B
- Authority
- CN
- China
- Prior art keywords
- image
- rsqb
- lsqb
- filter
- original
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种生物特征提取方法、装置及生物识别方法、系统。其中,生物特征提取方法包括:采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取;根据所述滤波器的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征。使用本发明提供的生物特征提取方法,可以有效减小生物识别技术中生物特征提取的计算量,节约生物特征提取时间,进而提高整个生物识别系统的识别效率。
Description
技术领域
本发明涉及生物识别技术的数字图像处理技术领域,特别是涉及一种生物特征提取方法、装置及生物识别方法、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。
其中,数字图像处理方法在提取生物体手掌掌纹特征和掌脉特征时,显得尤为重要。现有技术主要采用滤波器作为低通滤波器对图像进行噪声抑制或多尺度空间重建。其中,归一化一阶滤波器可以用来检测和定位图像边缘,二阶滤波器可以根据滤波器尺度的变化对图像中的曲线和线段进行检测。但是通过卷积或快速傅立叶变换(FFT变换)对图像进行平滑滤波、边缘检测或曲线定位,需要很大的计算量,使得滤波器的运算速度不高,生物识别效率低。
发明内容
本发明所要解决的技术问题是提供一种生物特征提取方法、装置及生物识别方法、系统,减小生物识别技术中生物特征提取的计算量,节约生物特征提取时间,进而提高生物识别的识别效率。
为了解决上述问题,一方面提供了一种生物特征提取方法,包括:采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取;根据所述滤波器的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征。
优选的,所述采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取,具体包括:根据所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域的纹路复杂程度选取若干滤波方向和滤波尺度,形成两个包含不同方向不同尺度滤波器的滤波器组;采用所述两个滤波器组,对两个所述ROI区域中的每个像素点进行不同方向不同尺度滤波,得到两组响应结果,其中,每组所述响应结果包括若干个响应。
优选的,所述根据所述滤波器的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征,具体包括:根据每组所述响应结果,选择最大响应对应的方向作为每个像素点的方向值;根据所述每个像素点的方向值,进行编码,获得所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域对应的编码图像,作为手掌掌纹和手掌掌脉的识别特征。
优选的,所述多尺度多方向迭代滤波器具体为高斯迭代滤波器或Gabor迭代滤波器。
优选的,所述高斯迭代滤波器的具体实现为:
首先,将一个二维各向异性高斯滤波器分解成两个一维高斯滤波器,公式为:
其中:gθ(x,y;σu,σv,θ)代表各向异性二维高斯滤波器;
代表x轴方向的一维高斯滤波器;
代表与x轴成任意角的t轴方向的一维高斯滤波器;
σx代表x轴向一维高斯滤波器的方差,代表t轴向一维高斯滤波器的方差,*代表卷积;
然后,两个一维高斯滤波器在时域中通过迭代操作对所述ROI区域图像进行滤波,其中,一维高斯滤波器采用迭代方式、沿X轴进行前向和后向滤波的计算公式为:
其中,ai代表滤波器参数;
一维高斯滤波器采用迭代方式,沿t轴进行前向和后向滤波的计算公式为:
此外,本发明还提供了一种生物识别方法,包括:
采集原始掌纹可见光图像和原始掌脉红外图像;
对所述原始掌纹可见光图像和原始掌脉红外图像进行预处理,获取原始掌纹图像的ROI区域和原始掌脉图像的ROI区域;
采用任一所述的生物特征提取方法对所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域进行特征提取;
对比实时提取的生物特征和预先存储的样本特征,根据二者的相关度进行身份识别。
对应上述生物特征提取方法,本发明还提供了一种生物特征提取装置,包括:
滤波单元,用于采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取;
编码单元,用于根据所述滤波单元的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征。
优选的,所述滤波单元进一步包括:滤波方向确定子单元,用于根据所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域纹路的复杂程度选取若干个滤波方向和滤波尺度,形成两个包含若干不同方向不同尺度滤波器的滤波器组;
响应子单元,用于根据所述滤波方向确定子单元确定的两个滤波器组,对两个所述ROI区域中的每个像素点进行不同方向不同尺度滤波,得到两组响应结果,其中,每组所述响应结果包括若干响应。
优选的,所述编码单元具体包括:竞争子单元,用于根据所述响应子单元得到的每组响应结果,选择最大响应对应的方向作为每个像素点的方向值;
编码子单元,用于根据所述竞争子单元确定的每个像素点的方向值,进行编码,获得所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域对应的编码图像,作为手掌掌纹和手掌掌脉的识别特征。
上述任一生物特征提取装置中,所述滤波单元采用的多尺度多方向迭代滤波器具体为高斯迭代滤波器或Gabor迭代滤波器。
优选的,所述滤波单元采用的高斯迭代滤波器的具体实现为:
首先,将一个二维各向异性高斯滤波器分解成两个一维高斯滤波器,公式为:
其中:gθ(x,y;σu,σv,θ)代表各向异性二维高斯滤波器;
代表x轴方向的一维高斯滤波器;
代表与x轴成任意角的t轴方向的一维高斯滤波器;
σx代表x轴向一维高斯滤波器的方差,代表t轴向一维高斯滤波器的方差,*代表卷积;
然后,两个一维高斯滤波器直接在时域中通过迭代操作对ROI区域图像进行滤波,其中,一维高斯滤波器采用迭代方式,沿X轴进行前向和后向滤波的计算公式为:
其中,ai代表滤波器参数;
一维高斯滤波器采用迭代方式,沿t轴进行前向和后向滤波的计算公式为:
对应上述生物识别方法实施例,本发明还提供了一种生物识别系统,包括:
原始图像采集装置,用于采集原始掌纹可见光图像和原始掌脉红外图像;
预处理装置,用于对所述原始掌纹可见光图像和原始掌脉红外图像进行预处理,得到原始掌纹图像的ROI区域和原始掌脉图像的ROI区域;
任一所述的生物特征提取装置,用于利用多尺度多方向迭代滤波器对所述预处理装置获得的原始掌纹图像的ROI区域和原始掌脉图像的ROI区域进行特征提取;
生物身份识别装置,用于对比实时提取的生物特征和预先存储的样本特征,根据二者的相关度进行身份识别。
与现有技术相比,上述技术方案中的一个技术方案具有以下优点或有益效果:
使用本发明提供的生物特征提取方法,对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域采用多尺度多方向迭代滤波器进行滤波,根据滤波后的响应,选取最大响应方向作为每个像素点的方向值,根据最大响应方向进行竞争编码,将得到的编码图像作为生物特征,用于生物体的身份识别。由于采用的多尺度多方向迭代滤波器为基于递归算法的各向异性滤波器,具有计算精度高、每个像素点需要的操作少、每个像素点上的操作是一个常数、不随尺度的变化而变化等优点。所以本发明采用多尺度多方向迭代滤波器对生物掌纹图像的ROI区域和掌脉图像的ROI区域滤波,进行纹理提取,可以有效减小计算量、节约生物特征提取时间,进而有效提高生物识别效率,能更好地满足大型、公用场所生物识别系统的实时性要求。
附图说明
图1是本发明生物特征提取方法实施例的示意图;
图2是本发明对原始掌纹图像的ROI区域进行滤波的流程图;
图3是本发明对原始掌纹图像的ROI区域滤波后、竞争编码的流程图;
图4-a是正交坐标系x-y中u-v方向二维各向异性高斯滤波器的示意图;
图4-b是非正交坐标系x-t中u-v方向二维各向异性高斯滤波器的示意图。
图5是掌纹图像ROI区域特征提取过程的示意图;
图6是掌脉图像ROI区域特征提取过程的示意图;
图7是本发明生物特征提取装置实施例的结构框图;
图8是本发明生物识别方法实施例的流程图;
图9是本发明生物识别系统实施例的结构框图。
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。
下面以手掌掌纹和手掌静脉作为生物识别的共同特征进行生物身份识别为例,说明本发明生物特征提取方法的具体实施方式。
参照图1,示出了本发明生物特征提取方法实施例的示意图,包括:
步骤11、采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取。
步骤11可以具体包括:
S1、根据原始掌纹图像的ROI区域和原始掌脉图像的ROI区域的纹路复杂程度选取若干滤波方向和若干滤波尺度,形成两个包含不同方向不同尺度滤波器的滤波器组。
S2、采用所述两个滤波器组,对两个ROI区域中的每个像素点进行不同方向滤波不同尺度,得到两组响应结果。其中,每组所述响应结果包括若干响应。
步骤12、根据滤波器的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征。
该步骤12可以具体包括:
S3、根据每组响应结果,选择最大响应对应的方向作为每个像素点的方向值;
S4、根据上述每个像素点的方向值,进行编码,获得原始掌纹图像的ROI区域和原始掌脉图像的ROI区域对应的编码图像,分别作为手掌掌纹和手掌掌脉的识别特征。
其中,上述步骤11中,原始掌纹图像的ROI(Region ofInterest)区域是指对采集的整个手掌掌纹的原始可见光图像经过去除噪声处理后,从中心截取的一块反映掌纹纹理信息的可见光图像。同理,原始掌脉图像的ROI区域是指对采集的手掌掌脉的原始红外图像经过去除噪声处理后,切割出的一块反映手掌静脉信息的红外图像。上述手掌掌纹和手掌掌脉的原始图像可以通过专门的图像采集设备获取。
步骤11中,使用的多尺度多方向迭代滤波器可以是快速各向异性高斯迭代滤波器,也可以是快速各向异性Gabor迭代滤波器等,具有计算精度高、每个像素点上需要的操作少、每个像素点上的操作不随尺度的变化而变化等优点。
本发明实施例,采用可以分解为两个一维高斯滤波器的二维各向异性高斯滤波器直接在时域中通过迭代操作对每个ROI区域进行滤波,提取纹理特征。关于二维各向异性高斯滤波器将在后面内容进行详细描述。
具体地,上述生物特征提取方法实施例包括:手掌掌纹特征提取方法实施例和手掌掌脉特征提取方法实施例。
参照图2,示出了本发明手掌掌纹特征提取方法实施例的流程图,具体包括:
步骤201、根据原始掌纹图像的ROI区域的纹路复杂程度选取若干滤波方向和若干滤波尺度,形成包含若干个不同方向不同尺度滤波器的滤波器组。
由于,本实施例采用的滤波器为二维各向异性高斯迭代滤波器,所以,上述每个方向的滤波器都是一个二维各向异性高斯滤波器。
步骤202、采用上述滤波器组,对原始掌纹图像的ROI区域中的每个像素点进行不同方向不同尺度滤波,得到一组响应结果。其中,该组响应结果包括若干个响应。
一个方向的二维各向异性迭代滤波器对原始掌纹图像的ROI区域中的每个像素点进行滤波后得到一个响应。例如,对于一个大小为128×128的原始掌纹图像的ROI区域,那么,滤波后的响应就是一个128×128的矩阵。若干个不同方向的滤波器滤波后,得到对应若干个128×128的矩阵,即若干个响应。
步骤203、根据每组响应结果,选择最大响应对应的方向作为每个像素点的方向值。
步骤204、根据每个像素点的方向值,进行编码,获得原始掌纹图像的ROI区域的编码图像,作为手掌掌纹的识别特征。
参照图3,示出了本发明手掌掌脉特征提取方法实施例的流程图,具体包括:
步骤301、根据原始掌脉图像的ROI区域的纹路复杂程度选取若干滤波方向和滤波尺度,形成包含若干个不同方向不同尺度滤波器的滤波器组。
本步骤301和上述步骤201中,根据掌脉图像和掌纹图像纹理的复杂程度不同,确定的滤波方向和滤波尺度可能会不同。例如,掌纹图像的滤波可以选取由8个方向的各向异性迭代滤波器进行滤波,而掌脉图像较掌纹图像结构简单,选取6个方向的各向异性迭代滤波器进行滤波即可。
上述每个方向的滤波器可以是一个二维各向异性高斯迭代滤波器,也可以是Gabor迭代滤波器。
步骤302、采用滤波器组,对原始掌脉图像的ROI区域中的每个像素点进行不同方向不同尺度滤波,得到一组响应结果,其中,该组响应结果包括若干个响应。
步骤303、根据每组响应结果,选择最大响应对应的方向作为每个像素点的方向值。
步骤304、根据每个像素点的方向值,进行编码,获得原始掌脉图像的ROI区域的编码图像,作为手掌掌脉的识别特征。
下面详细介绍本发明实施例中采用的二维各向异性高斯迭代滤波器,参照图4-b,示出了非正交坐标系x-t中u-v方向高斯滤波器的示意图。
其公式表达式为:
公式(1)
其中:gθ(x,y;σu,σv,θ)代表二维各向异性高斯滤波器;
代表x轴方向的一维高斯滤波器;
代表与x轴成任意角的t轴方向的一维高斯滤波器;
σx代表x轴向一维高斯滤波器的方差,代表t轴向一维高斯滤波器的方差,*代表卷积。
公式(1)表示一个二维各向异性高斯滤波可以表示为两个一维高斯滤波器的卷积。即,利用一个二维各向异性高斯滤波器对一幅图像进行滤波可以等同于:先利用x轴方向的一维高斯滤波器进行滤波,然后再对平滑后的图像沿直线进行滤波。
通过卷积运算可以得到:
公式(2)
公式(2)为公式(1)的响应。
参照图4-a,示出了正交坐标系x-y中沿u-v方向各向异性二维高斯滤波器的示意图。
定向各向异性高斯滤波器为:
公式(3)
从图4-a所示坐标系可知:
公式(4)
其中,u坐标轴代表θ方向,v坐标轴与u坐标轴垂直,即u-v坐标系为x-y坐标系经过旋转θ角得到。
将公式(4)代入公式(3),经过卷积运算得到:
公式(5)
公式(1)所示滤波器产生的响应与公式(3)所示滤波器产生的响应应当相同,即公式(2)与公式(5)相同,通过对比二次项,可以计算出:
公式(6)
公式(7)
直线t的斜率为:
公式(8)
这样,就把一个二维各向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和对于二维各向同性高斯滤波器的情况,σu=σ和σv=σ,可以验证:σx=σ和而且,对于θ=0的情况,σx=σu和并且,对于θ=π/2,σx=σv和 对于任意角度θ=π/4,σu=2σ和σv=σ,相应的结果为和
从上述分析可以看出,当使用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时,可以将运算分为三个步骤:
第一步、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t轴方向进行滤波。
第三步、对两次滤波后的图像进行差分提取曲线。
其中,上述第二步相当于对x轴和t轴之间的像素进行插值。经过上述三步骤后得到的图像,就是θ方向二维各向异性高斯滤波器的响应图像。
以上是对采用一个二维各向异性高斯滤波器对图像进行滤波的分析。下面结合图5、6所示的具体图像处理示意图说明利用上述二维各向异性高斯滤波器直接在时域中通过迭代操作,进行掌纹、掌脉特征提取的过程。
一、掌纹纹理信息特征提取实施例
首先进行滤波,提取纹理特征:
本发明掌纹信息特征提取实施例中,使用8个方向的各向异性高斯滤波器对掌纹图像的ROI区域进行纹理特征提取。即θi=i×π/8
其中,i=0,1,2,3,4,5,6,7。
取长轴和短轴的方差比为:σu∶σv=4∶1。表一给出了上述8个方向滤波器中二维各向异性高斯滤波器与一维高斯滤波器之间参数的对应关系:
表一
从表一可知,对于二维高斯滤波器给定的σu、σv和θ值,利用公式(6)、(7)、(8)得到对应的两个一维高斯滤波器的σx、 和值。
根据上面的计算,就可以针对掌纹纹路,选取若干特征提取方向(本发明实施例中,选择了8个方向),构造用于特征提取的快速递归滤波器组,用于提取掌纹的纹路特征。具体为:对于一维高斯滤波器,可以构造一个具有无限冲击响应的递归滤波器,对于每个像素点可以只使用7次乘法,并且计算复杂度不会随高斯滤波器方差的变化而变化。
假设f(x,y)表示输入图像,那么当使用递归滤波器对图像进行滤波时,沿着X轴方向的滤波可以分为前向滤波和后向滤波两个部分,可以表示为:
公式(9)
其中,ai代表滤波器参数,表示沿x轴前向滤波后的图像;表示沿x轴后向滤波后的图像。
得到沿X轴向滤波的图像后,递归滤波器将沿着斜率为:的直线t对图像进行滤波,其数学表达式为:
公式(10)
其中,表示沿t轴前向滤波后的图像;表示沿t轴后向滤波后的图像。从公式(10)可以看出,(x,y)被强制约束在直线t上,因此可以指向像素间任何位置。由于无法对递归滤波器的输出值进行插值运算,所以和的值必须进行缓存,以保证全部有关t的值都进行了缓存。经过公式(9)和公式(10)这两步运算后,得到的图像就是经过两个一维递归滤波器滤波后的图像,其中一个沿X轴方向,另外一个沿t轴方向。两个滤波器的响应等效于一个主轴与X轴成θ交角的二维各向异性高斯滤波的响应。
依次类推,对掌纹图像ROI区域中的每个像素点进行迭代滤波,即可实现利用两个一维高斯滤波器对掌纹图像ROI区域进行滤波。每一个θ方向,得到一个响应结果,8个方向共得到8个响应结果,形成一组响应结果。
接下来进行竞争编码:
经过上述8个方向滤波后,得到8个响应结果。对于每一个像素点f(x,y),从上述8个响应结果中,选取最大响应对应的方向,作为该像素点的方向值,然后进行编码。
例如,对于像素点f(x1,y1),当θ=22.5°时,得到最大响应,则像素点f(x1,y1)的方向值为22.5°,将该像素点对应编码为1,当然也可以采用其它数值对最大响应方向编码,此处不作限制。对于像素点f(x2,y2),当θ=157.5°时,得到最大响应,则像素点f(x2,y2)的方向值为157.5°,将该像素点编码为7。对于像素点f(x3,y3),当θ=90°时,得到最大响应,则像素点f(x3,y3)的方向值为90°,将该像素点编码为4。依次类推,经过最大响应竞争编码,得到掌纹图像ROI区域对应的竞争编码图像。
参见图5所示的掌纹图像ROI区域特征提取过程的示意图,其中A图为原始掌纹图像的ROI区域,B图为最大响应图像,C1、C2、C3为三层编码图像。最终形成的三层编码图像用于生物身份识别。
二、掌脉信息特征提取实施例
首先进行滤波:
同样,对于掌脉图像的ROI区域,采用6个方向的二维各向异性高斯滤波器进行滤波,二维各向异性高斯滤波器和对应的两个一维高斯滤波器中参数的对应关系参见表二。其中:θi=i×π/6 i=0,1,2,3,4,5。取长轴和短轴的方差比为:σu∶σv=3∶1。
表二
对于二维高斯滤波器给定的σu、σv和θ值,利用公式(6)、(7)、(8)得到对应的两个一维高斯滤波器的σx、 和值,每个像素点f(x,y)的坐标和上述σx、 值代入公式(2)中,利用公式(9)和公式(10)计算得到一个响应图像。依次类推,对掌脉图像ROI区域中的每个像素点进行迭代滤波,即可实现利用两个一维高斯滤波器对掌纹图像ROI区域进行滤波。每一个θ方向,得到一个响应结果,6个方向共得到6个响应结果,形成一组响应结果。
接下来进行竞争编码:
经过上述6个方向滤波后,得到6个响应结果。对于每一个像素点f(x,y),从上述6个响应结果中,选取最大响应对应的方向,作为该像素点的方向值,然后进行编码。例如,对于像素点f(x1,y1),当θ=30°时,得到最大响应,则像素点f(x1,y1)的方向值为30°,将该像素点对应编码为1。对于像素点f(x2,y2),当θ=150°时,得到最大响应,则像素点f(x2,y2)的方向值为150°,将该像素点编码为5。对于像素点f(x3,y3),当θ=90°时,得到最大响应,则像素点f(x3,y3)的方向值为90°,将该像素点编码为3。依次类推,经过最大响应竞争编码,得到掌脉图像ROI区域对应的竞争编码图像。
参见图6,示出了掌脉图像ROI区域特征提取过程的示意图。其中,D图为原始掌脉图像的ROI区域,E图为最大响应图像,F1、F2、F3为三层特征编码图像。
对应本发明提供的生物特征提取方法实施例,本发明还提供了一种生物特征提取装置。参照图7所示的生物特征提取装置实施例的结构框图,包括:
滤波单元71,用于采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取。
编码单元72,用于根据滤波单元71的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征。
上述滤波单元71可以具体包括:
滤波方向确定子单元711,用于根据原始掌纹图像的ROI区域和原始掌脉图像的ROI区域纹路的复杂程度选取若干个滤波方向和若干尺度,形成两个包含若干不同方向不同尺度滤波器的滤波器组。
响应子单元712,用于根据滤波方向确定子单元711确定的两个滤波器组,对两个ROI区域中的每个像素点进行不同方向不同尺度滤波,得到两组响应结果,其中,每组响应结果包括若干响应。
上述编码单元72可以具体包括:
竞争子单元721,用于根据响应子单元712得到的每组响应结果,选择最大响应对应的方向作为每个像素点的方向值。
编码子单元722,用于根据竞争子单元721确定的每个像素点的方向值,进行编码,获得原始掌纹图像的ROI区域和原始掌脉图像的ROI区域对应的编码图像,作为手掌掌纹和手掌掌脉的识别特征。
作为本发明生物特征提取装置的优选实施例,上述滤波单元71采用的滤波器可以是高斯迭代滤波器,也可以是Gabor迭代滤波器等。
本实施例,滤波单元71采用的高斯迭代滤波器的具体实现为:
首先,将一个二维各向异性高斯滤波器分解成两个一维高斯滤波器,公式为:
其中:gθ(x,y;σu,σv,θ)代表各向异性二维高斯滤波器;
代表x轴方向的一维高斯滤波器;
代表与x轴成任意角的t轴方向的一维高斯滤波器;
σx代表x轴向一维高斯滤波器的方差,代表t轴向一维高斯滤波器的方差,*代表卷积;
然后,两个一维高斯滤波器直接在时域中通过迭代操作对ROI区域图像进行滤波,其中,一维高斯滤波器采用迭代方式,沿X轴进行前向和后向滤波的计算公式为:
其中,ai代表滤波器参数;
一维高斯滤波器采用迭代方式,沿t轴进行前向和后向滤波的计算公式为:
该生物特征提取装置实施例的工作过程参见上述生物特征提取方法实施例。
此外,本发明还提供了一种生物识别方法。参照图8所示的生物识别方法实施例的示意图,包括:
步骤81、采集原始掌纹可见光图像和原始掌脉红外图像。
步骤82、对原始掌纹可见光图像和原始掌脉红外图像进行预处理,获取原始掌纹图像的ROI区域和原始掌脉图像的ROI区域。
由于原始图像中除了包括反映手掌掌纹和掌脉的有用信息外,还包括如背景等噪声,所以需要对原始图像进行预处理获得最能精确反映生物体特征的部分区域作为识别对象。一般从手掌中心区域切割出一定大小的图像作为ROI区域。
步骤83、采用多尺度多方向最大响应滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域进行特征提取。
特征提取方法参见本发明上述的生物特征提取方法实施例,此处不再赘述。
步骤84、对比实时提取的生物特征和预先存储的样本特征,根据二者的相关度进行身份识别。
上述生物识别方法中,原先存储的样本特征和检测时实时进行的生物特征提取均可采用上述生物特征提取方法实施例进行特征提取。由于采用迭代方式将二维各向异性高斯滤波器转换成两个一维高斯滤波器进行计算有效减小了生物特征提取过程的计算量,有效节约了生物特征提取的时间,进而提高了生物识别系统的识别效率。
对应的,本发明还提供了一种生物识别系统,参照图9所示的生物识别系统实施例的结构框图,包括:
原始图像采集装置91,用于采集原始掌纹可见光图像和原始掌脉红外图像。
该图像采集装置可以是非接触式双目镜图像采集装置,一只目镜用于采集掌纹纹理的可见光图像,一只目镜利用人体血液中的氧合血红蛋白和还原血红蛋白对近红外光谱的吸收特性采集掌脉纹理的红外图像。也可以采用非接触式单目镜图像采集装置。使用非接触式采集装置保证信息采集过程中生物体之间不出现残留细菌交叉感染,达到卫生安全的目的。
预处理装置92,用于对原始图像采集装置91采集的原始掌纹可见光图像和原始掌脉红外图像进行预处理,得到原始掌纹图像的ROI区域和原始掌脉图像的ROI区域。
生物特征提取装置93,用于利用多尺度多方向迭代滤波器对预处理装置92获得的原始掌纹图像的ROI区域和原始掌脉图像的ROI区域进行特征提取,获得对应的编码图像,用作生物识别阶段的掌纹特征和掌脉特征。
生物身份识别装置94,用于对比实时提取的生物特征和预先存储的样本特征,根据二者的相关度进行身份识别。
该系统具有生物特征提取快速准确、识别效率高、使用方便等优点,适用于门禁、考勤、通关、PC机登录、网络身份认证及其它需要身份识别的场所。
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。对于系统实施例而言,由于其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生物特征提取方法、一种生物特征提取装置、一种生物识别方法及一种生物识别系统,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 (8)
1.一种生物特征提取方法,其特征在于,包括:
采用多尺度多方向迭代滤波器对原始掌纹可见光图像的ROI区域和原始掌脉红外图像的ROI区域滤波,进行纹理提取,具体包括:
根据所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域的纹路复杂程度选取若干滤波方向和滤波尺度,形成两个包含不同方向不同尺度滤波器的滤波器组;
采用所述两个滤波器组,对两个所述ROI区域中的每个像素点进行不同方向不同尺度滤波,得到两组响应结果,其中,每组所述响应结果包括若干个响应;
根据所述滤波器的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征,具体包括:
根据每组所述响应结果,选择最大响应对应的方向作为每个像素点的方向值;
根据所述每个像素点的方向值,进行编码,获得所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域对应的编码图像,作为手掌掌纹和手掌掌脉的识别特征。
2.根据权利要求1所述的生物特征提取方法,其特征在于,所述多尺度多方向迭代滤波器具体为高斯迭代滤波器或Gabor迭代滤波器。
3.根据权利要求2所述的生物特征提取方法,其特征在于,所述高斯迭代滤波器的具体实现为:
首先,将一个二维各向异性高斯滤波器分解成两个一维高斯滤波器,公式为:
其中:gθ(x,y;σu,σv,θ)代表各向异性二维高斯滤波器;
代表x轴方向的一维高斯滤波器;
代表与x轴成任意角的t轴方向的一维高斯滤波器;
σx代表x轴向一维高斯滤波器的方差,代表t轴向一维高斯滤波器的方差,*代表卷积;
然后,两个一维高斯滤波器在时域中通过迭代操作对所述ROI区域图像进行滤波,其中,一维高斯滤波器采用迭代方式、沿X轴进行前向和后向滤波的计算公式为:
其中,ai代表滤波器参数;f[x,y]表示输入图像;表示沿x轴前向滤波后的图像;表示沿x轴后向滤波后的图像;
一维高斯滤波器采用迭代方式,沿t轴进行前向和后向滤波的计算公式为:
其中,表示沿t轴前向滤波后的图像;表示沿t轴后向滤波后的图像。
4.一种生物识别方法,其特征在于,包括:
采集原始掌纹可见光图像和原始掌脉红外图像;
对所述原始掌纹可见光图像和原始掌脉红外图像进行预处理,获取原始掌纹图像的ROI区域和原始掌脉图像的ROI区域;
采用权利要求1~3任一所述的生物特征提取方法对所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域进行特征提取;
对比实时提取的生物特征和预先存储的样本特征,根据二者的相关度进行身份识别。
5.一种生物特征提取装置,其特征在于,包括:
滤波单元,用于采用多尺度多方向迭代滤波器对原始掌纹图像的ROI区域和原始掌脉图像的ROI区域滤波,进行纹理提取;所述滤波单元进一步包括:
滤波方向确定子单元,用于根据所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域纹路的复杂程度选取若干个滤波方向和滤波尺度,形成两个包含若干不同方向不同尺度滤波器的滤波器组;
响应子单元,用于根据所述滤波方向确定子单元确定的两个滤波器组,对两个所述ROI区域中的每个像素点进行不同方向不同尺度滤波,得到两组响应结果,其中,每组所述响应结果包括若干响应;
编码单元,用于根据所述滤波单元的最大响应进行竞争编码,将获得的编码图像分别作为手掌掌纹的识别特征和手掌掌脉的识别特征;所述编码单元具体包括:
竞争子单元,用于根据所述响应子单元得到的每组响应结果,选择最大响应对应的方向作为每个像素点的方向值;
编码子单元,用于根据所述竞争子单元确定的每个像素点的方向值,进行编码,获得所述原始掌纹图像的ROI区域和原始掌脉图像的ROI区域对应的编码图像,作为手掌掌纹和手掌掌脉的识别特征。
6.根据权利要求5所述的生物特征提取装置,其特征在于,所述滤波单元采用的多尺度多方向迭代滤波器具体为高斯迭代滤波器或Gabor迭代滤波器。
7.根据权利要求6所述的生物特征提取装置,其特征在于,所述滤波单元采用的高斯迭代滤波器的具体实现为:
首先,将一个二维各向异性高斯滤波器分解成两个一维高斯滤波器,公式为:
其中:gθ(x,y;σu,σv,θ)代表各向异性二维高斯滤波器;
代表x轴方向的一维高斯滤波器;
代表与x轴成任意角的t轴方向的一维高斯滤波器;
σx代表x轴向一维高斯滤波器的方差,代表t轴向一维高斯滤波器的方差,*代表卷积;
然后,两个一维高斯滤波器直接在时域中通过迭代操作对ROI区域图像进行滤波,其中,一维高斯滤波器采用迭代方式,沿X轴进行前向和后向滤波的计算公式为:
其中,ai代表滤波器参数;f[x,y]表示输入图像;表示沿x轴前向滤波后的图像;表示沿x轴后向滤波后的图像;
一维高斯滤波器采用迭代方式,沿t轴进行前向和后向滤波的计算公式为:
其中,表示沿t轴前向滤波后的图像;表示沿t轴后向滤波后的图像。
8.一种生物识别系统,其特征在于,包括:
原始图像采集装置,用于采集原始掌纹可见光图像和原始掌脉红外图像;
预处理装置,用于对所述原始掌纹可见光图像和原始掌脉红外图像进行预处理,得到原始掌纹图像的ROI区域和原始掌脉图像的ROI区域;
权利要求5~7任一所述的生物特征提取装置,用于利用多尺度多方向迭代滤波器对所述预处理装置获得的原始掌纹图像的ROI区域和原始掌脉图像的ROI区域进行特征提取;
生物身份识别装置,用于对比实时提取的生物特征和预先存储的样本特征,根据二者的相关度进行身份识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010607049.5A CN102567708B (zh) | 2010-12-27 | 2010-12-27 | 生物特征提取方法、装置及生物识别方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010607049.5A CN102567708B (zh) | 2010-12-27 | 2010-12-27 | 生物特征提取方法、装置及生物识别方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102567708A CN102567708A (zh) | 2012-07-11 |
CN102567708B true CN102567708B (zh) | 2017-02-22 |
Family
ID=46413088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010607049.5A Active CN102567708B (zh) | 2010-12-27 | 2010-12-27 | 生物特征提取方法、装置及生物识别方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102567708B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103913B (zh) * | 2017-04-28 | 2020-02-04 | 西北大学 | 一种基于功率谱Gabor特征序列递归模型的语音识别方法 |
CN109840405A (zh) * | 2017-11-29 | 2019-06-04 | 上海荆虹电子科技有限公司 | 一种身份认证装置及其使用方法 |
CN108596844A (zh) * | 2018-04-12 | 2018-09-28 | 中国人民解放军陆军装甲兵学院 | 用于弹炮遥控武器站的背景抑制方法 |
CN108764093B (zh) * | 2018-05-21 | 2021-06-04 | 中国人民解放军战略支援部队信息工程大学 | 基于相机的非接触指纹图像采集装置及方法 |
CN110598522A (zh) * | 2019-07-17 | 2019-12-20 | 江西拓世智能科技有限公司 | 一种基于人脸和掌纹掌静脉识别的身份比对方法 |
CN110598589A (zh) * | 2019-08-27 | 2019-12-20 | 武汉工程大学 | 一种基于影像金字塔的掌纹识别方法、系统、装置和介质 |
CN111144423B (zh) * | 2019-12-26 | 2023-05-05 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
CN112270287A (zh) * | 2020-11-09 | 2021-01-26 | 辽宁工程技术大学 | 一种基于旋转不变的手掌静脉识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5291560A (en) * | 1991-07-15 | 1994-03-01 | Iri Scan Incorporated | Biometric personal identification system based on iris analysis |
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 |
-
2010
- 2010-12-27 CN CN201010607049.5A patent/CN102567708B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102567708A (zh) | 2012-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102567708B (zh) | 生物特征提取方法、装置及生物识别方法、系统 | |
CN102542281B (zh) | 非接触式生物特征识别方法和系统 | |
CN104102913B (zh) | 腕部静脉认证系统 | |
CN106156754A (zh) | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 | |
CN102542242B (zh) | 非接触式采集图像的生物特征区域定位方法和装置 | |
CN101093539A (zh) | 手指静脉特征提取与匹配识别方法 | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及系统 | |
CN110390282A (zh) | 一种基于余弦中心损失的指静脉识别方法及系统 | |
CN105760841A (zh) | 一种身份识别方法及系统 | |
CN104809450B (zh) | 基于在线极限学习机的腕部静脉认证系统 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN101789075A (zh) | 基于特征值归一化双向加权的手指静脉识别方法 | |
CN110532908A (zh) | 一种基于卷积神经网络的手指静脉图像散射去除方法 | |
CN110147769B (zh) | 一种手指静脉图像匹配方法 | |
CN113143261B (zh) | 基于肌电信号的身份识别系统、方法及设备 | |
CN114638272A (zh) | 一种基于指尖脉搏波信号的身份识别方法和装置 | |
Zhang et al. | Biometric authentication via finger photoplethysmogram | |
CN114581962A (zh) | 一种基于多输入卷积神经网络的高分辨率掌纹识别的方法 | |
CN106295622A (zh) | 一种基于手背静脉的识别方法 | |
CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
Hoshyar et al. | Review on finger vein authentication system by applying neural network | |
Bodade et al. | Dynamic iris localisation: A novel approach suitable for fake iris detection | |
CN109919050B (zh) | 身份识别方法和装置 | |
CN109063652B (zh) | 一种信号处理方法、系统及计算机存储介质 | |
Pandey et al. | Survey on finger vein recognition using convolutional neural network |
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 |