CN102622587A - 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法 - Google Patents

Abstract

本发明提供的是基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法。利用基于手背目标外部轮廓分析的方法从原始样本中提取出静脉样本的ROI区域；基于多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，得到静脉纹理的形态响应、方向响应及尺度响应；利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征；利用链码及方向空间采样编码描述静脉纹理骨架的结构特征及方向特征，并利用改进的模板匹配方法对特征进行匹配。本发明解决样本旋转和平移对识别影响、加快算法匹配速度等问题，且该方法的效率符合模式识别系统的要求。

Description

基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法

技术领域

本发明涉及的是一种生物特征身份识别技术，具体涉及一种基于多尺度二阶微分结构(VLSDM)模型进行纹理分析及改进分水岭算法的手背静脉识别方法。

背景技术

静脉模式特征的提取与匹配是静脉识别系统的核心问题，其研究内容包括两个部分：1、静脉特征提取方法研究；2、静脉特征匹配方法研究。静脉特征提取方法主要负责将静脉模式的个体差异性特征选取和描述出来，匹配算法负责在特征空间中找到合适的度量准则，将不同类的特征区分开，同时又能很好的测度同类特征的相似性。特征提取是匹配的前提和基础，特征类型选取是否合适以及对其描述是否合理对识别系统性能的影响很大。

从模式识别理论的角度来考虑，图像中能用于识别的信息属性大致可分为四类：统计特性、几何结构特性、模糊特性及知识特性。通常根据所要解决的问题特性及信息提取算法实现的难易程度，选择其中的一种或多种信息作为识别特征信息。针对静脉识别系统来说，其最为显著的个体特性是静脉模式的纹理信息，其特点是：横断面像素值呈脊形分布、具有一定方向和宽度、纹理走向方向局部区域变化不大(即可局部近似为直线)。可见，静脉纹理中所包含的信息更接近上述四个信息属性中的几何结构特性。

不过也有研究者对静脉模式的统计特征展开研究：

将样本灰度图像按行列依次连续展开，形成一维的随机向量，然后利用主成份分析(PCA)方法对大量样本进行统计分析，找到一组合适的特征基，用其对静脉样本图像进行K-L变换，从而得到静脉特征向量；文献将二值图像中的静脉纹理区域像素点和背景区域像素点进行坐标编码，形成一个宽为原来图像的两倍、高与原图像相同的一个新的二维静脉样本，然后利用广义矩估计方法(GMM)，对大量样本进行统计分析，估计出样本矩空间一组合适的基，利用这组基对样本进行变换，得到样本矩特征向量作为静脉模式特征用于识别。

这类方法都不可避免地遇到推广性的问题，即算法性能很大程度上依赖于测试集和训练集之间数据分布的相似程度。尽管统计学习理论以该问题为核心进行了深入的探讨，但在实际应用中，该问题仍然很棘手，尤其是对不可能获得待识别个体多个静脉样本的情况，这就意味着不可能对它们进行有效训练，只能寄希望于统计学习策略的泛化能力来提高识别系统的性能，这会带来很大的不确定性。

目前大多数讨论的是提取静脉纹理几何细节特征，它们又可以分为五类：

第一类是将静脉纹理区域作为静脉特征，这类方法的主要特点是必须对静脉图像进行二值分割以得到准确的静脉纹理区域，而实际上由于目前大多数采集装置所获得的静脉样本图像存在边缘模糊、粘连、灰度值分布不均等特点，导致二值化分割结果存在许多问题，如失去静脉交叉处的连接性，虽然提出了一种利用增强滤波组代替高通滤波器来改善这个问题，但是这种方法提取的静脉区域边缘不光滑、有噪声，另外所形成的特征维数也太大，不利于推广。

第二类是提取静脉纹理的骨架形状作为静脉特征，这类方法又分为两种，一种是基于模板，另一种是基于线性分割。将静脉骨架进行平移旋转操作，然后将它们所得结果融合形成静脉骨架模板，用于识别；将静脉骨架进行直线分割生成一系列骨架直线特征，用于识别。这两种方法对所提取的静脉骨架质量要求挺高，通常是在二值化静脉图像的基础上进行骨架提取，而在对静脉图像二值化的过程中不可避免的会丢失一些特征信息、且容易受噪声干扰，导致提取的骨架并不准确，因此，跳过二值化过程，利用分水岭算法直接对灰度静脉图像进行骨架提取，大多数情况下，该方法可以直接从灰度静脉图像中提取出静脉骨架，但是存在过分割，无法正确提取距离较近的静脉纹理骨架。

第三类为提取静脉骨架交叉点和端点作为静脉特征，这类特征一般从静脉骨架中提取，因此第二类方法所遇到的问题直接会影响到该类特征的可靠性和准确度，而且静脉模式纹理本身存在特征点少的问题，很难保证足够进行静脉识别所需的特征点；并且端点是由于对静脉区域进行切割而导致的，不同切割方法会带来不同的端点，其存在不确定性。

第四类是将多种静脉特征进行融合形成融合静脉特征，这类方法为了克服以上三类方法所存在的问题，尝试将多种手背静脉细节特征进行融合，得到新的静脉特征，提取出静脉骨架信息后，对图像进行分块，然后统计不同块中所含静脉骨架点的数量、横向二阶矩、纵向二阶矩，再将所有块中的这三个统计特征值组合，形成三个不同的特征向量，分别进行匹配操作，然后将匹配度值融合，融合后识别系统性能有所改善，但是该算法对样本归一化要求比较高，当样本发生平移、旋转时，识别系统的性能会受到一定的影响。

第五类是将静脉样本图像进行多尺度分解形成一组不同尺度不同频带的子图，通过对子图进行分析，得到静脉的特征，然后进行匹配。

静脉纹理骨架结构是静脉模式各种不同类型的几何结构特征中最直接、最稳定的结构特征。静脉纹理骨架结构特征受光照、噪声的影响相对较小，并且具有足够的区分能力，因此非常适合用来进行静脉识别。目前采用静脉纹理骨架形状特征进行识别静脉识别，可分为两种，一种是基于骨架模板的方法，将静脉纹理骨架进行平移和旋转结果融合形成骨架模板用于识别，其缺点是：改变了原静脉骨架中细节特征及结构特征，容易引起识别系统误识和拒识，且所需特征存储量大；另一种是基于直线分割的方法，对静脉骨架进行直线分割，形成一组直线特征用于识别，虽然这样处理后使得静脉骨架的表示变得简化，因此减少了所需特征存量，但其丢失许多静脉骨架的细节特征，容易引起识别系统误识，另外，这种方法对骨架噪声非常敏感，噪声引起的骨架断裂及错误分叉点会导致骨架的直线分割结果差别很大而不能正确匹配，引起识别系统拒识。

以上两种方法均不是直接采用静脉骨架结构特征进行静脉识别。

与本发明申请的内容相关的公开报道包括：

[1]丁宇航，手背静脉识别技术研究，哈尔滨工程大学，2006；

[2]F.Motato Toro and H.Loaiza Correa，Biometric identification using infrared dorsum handvein images，Ingenierae Investigacin，vol.29，2009，pp.90-100；

[3]R.Dell′Aquila，Generalized Method of Moments，Journal of the American StatisticalAssociation，vol.101，2006，pp.1309-1310；

[4]J.Cross and C.Smith，Thermographic imaging of the subcutaneous vascular network oftheback of the hand for biometric identification，in Institute of Electrical and ElectronicsEngineers 29th Annual 1995 International Carnahan Conference on 1995，pp.20-35；

[5]G.Park，S.Im，and H.Choi，A person identification algorithm utilizing hand vein pattern，inKorea Signal Processing Conference，1997，pp.1107-1110；

[6]S.-K.Im，H.Park，S.Kim，C.Chung，and H.Choi，Improved vein pattern extractingalgorithm and its implementation，2000；

[7]S.-K.Im，H.Park，Y.Kim，S.Han，S.Kim，C.Kang，and C.Chung，An biometricidentification system by extracting hand vein patterns，JOURNAL-KOREAN PHYSICALSOCIETY，vol.38，2001，pp.268-272；

[8]S.-K.Im，H.Choi，T.Ltd，and S.Seoul，A filter bank algorithm for hand vascular patternbiometrics，2002；

[9]S.Lopez and A.Gonzalez，Hand veins segmentation and matching under adverse conditions，2003，pp.166；

[10]L.Wang and G.Leedham，A thermal hand vein pattern verification system，PatternRecognition and Image Analysis，2005，pp.58-65；

[11]L.Wang，G.Leedham，and S.Cho，Infrared imaging of hand vein patterns for biometricpurposes，Iet Computer Vision，vol.1，2007，pp.113-122；

[12]L.Wang and G.Leedham，Gray-Scale Skeletonization of Thermal Vein Patterns Using theWatershed Algorithm in Vein Pattern Biometrics，2006；

[13]L.Wang，G.Leedham，and D.Siu-Yeung Cho，Minutiae feature analysis for infrared handvein pattern biometrics，Pattern Recognition，vol.41，2008，pp.920-929；

[14]A.Kumar and K.Prathyusha，Personal Authentication using Hand Vein Triangulation andKnuckle Shape，IEEE Transactions on Image；

[15]周斌，林喜荣，贾惠波，宋榕，多特征融合的手背血管识别算法，清华大学学报：自然科学版，vol.47，2007，pp.194-197；

[16]韩笑，人体手背静脉识别算法研究，吉林大学，2007；

[17]林喜荣，庄波，人体手背血管图像的特征提取及匹配，清华大学学报：自然科学版，vol.43，2003，pp.164-167.Processing，vol.18，2009，pp；

[18]X.Wu，D.Zhang，and K.Wang，Palm line extraction and matching for personalauthentication，Systems，Man and Cybernetics，Part A：Systems and Humans，IEEETransactions on，vol.36，2006，pp.978-987。

发明内容

本发明的目的在于提供一种能够解决样本旋转和平移对识别影响、加快匹配速度等问题的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法。

本发明的目的是这样实现的：

包括ROI区域自动提取、基于多尺度VLSDM模型对样本进行多尺度分析、静脉模式纹理骨架提取、静脉骨架特征描述与匹配；第一步，利用基于手背目标外部轮廓分析的方法从原始样本中提取出静脉样本的ROI区域；第二步，基于多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，得到静脉纹理的形态响应、方向响应及尺度响应；第三步，利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征；第四步，利用链码及方向空间采样编码描述静脉纹理骨架的结构特征及方向特征，并利用改进的模板匹配方法对特征进行匹配。

本发明还可以包括这样一些特征：

1、所述的手背目标图像区域提取：根据静脉样本图像中手部目标图像区域与背景区域像素点的分布规律，采用阈值分割将手部目标图像从原始静脉样本中分离出来，阈值T的计算公式如下：

$T=\left\{\begin{array}{c}5,m\&le;45\\ 5+(5\&times;(m-45))/\mathrm{10,45}<m\&le;55\\ 10+(25\&times;(m-55))/\mathrm{60,55}<m\&le;115\\ 55,m>115\end{array}\right.$

式中，m表示样本图像中非零像素点灰度平均值。

2、所述的手背外部轮廓关键点提取包括：第一步，求取有效轮廓点集及距离基准线；第二步，求取有效轮廓关键点；第三步，判断所获得的关键点个数是否为15，如不是则执行第四步；第四步，采用关键点修正构建方法获得关键点。

3、所述的求取有效轮廓点集及距离基准线L_d的过程如下：提取的二值化目标图像的轮廓外曲线，采用经典Douglas-Peucker轮廓多边形拟合算法，对轮廓外曲线进行拟合，取拟合精度阈值为50个像素点，则获得一个拟合四边形，设l为该四边形上边L₃的长度，将L₃向下平移l/8个像素单位，即得到基准线L_d。

采用局部均值法对原始距离分布曲线进行处理，N为有效轮廓线所包含的总点数，局部平滑直径为不小于N/24的最小整数；然后，采用阈值曲线对平滑距离曲线进行分割，正常情况下，平滑距离分布曲线与阈值曲线将存在八个交点，并称之为第一类特征点；最后，利用第一类特征点构建第二类和第三类特征点的方法得到其他七个特征点，即正常情况总共可得到15个特征点。

4、所述的阈值曲线的数学表达式如下：

$t\left(i\right)=\left\{\begin{array}{c}s\left(i\right)+3,i\&le;r\\ (s(i+r)+s(i-r))/2,r<i<N-r\\ s\left(i\right)+3,i\&GreaterEqual;N-r\end{array}\right.$

式中，s(i)表示平滑距离分布函数，r表示阈值半径，i表示有效轮廓线点序列号，N表示有效轮廓所包含的总点数，t(i)表示阈值函数。r取不大于N/13的最大整数时分割效果最好。

5、所述的利用第一类特征点构建第二类和第三类特征点的表达式分别如下：

(1)构建第二类特征点的数学表达如下：

${P_1}^2=({P_1}^1+{P_2}^1)/2,{P_2}^2=({P_3}^1+{P_4}^1)/2,{P_3}^2=({P_5}^1+{P_6}^1)/2,{P_4}^2=({P_7}^1+{P_8}^1)/2$

式中，(i＝1…8)，表示八个第一类特征点，

分别表示四个第二类特征点。

(2)构建第三类特征点的数学表达如下：

${P_1}^3=({P_2}^1+{P_3}^1)/2,{P_2}^3=({P_4}^1+{P_5}^1)/2,{P_3}^3=({P_6}^1+{P_7}^1)/2$

式中，

(i＝1…8)，表示八个第一类特征点，分别表示三个第三类特征点。

6、所述的关键点修正构建方法获得关键点是：其为解决采用正常关键点求取方法无法从手背静脉外部轮廓中提取出15个关键点的情况而设计，其具体方法描述如下：

用P_DL、P_DR分别表示线段L_d与轮廓线的左、右两个交点，手背外部轮廓近似四变形的上边与轮廓线的左右两个交点分别用P_3L、P_3R表示，用

表示P_DL和P_3L的中心点，用

表示P_DR和P_3R的中心点，则由

和

确定的直线会与轮廓线有左右两个交点，就是所要求的左右两个第一类特征点

在这里近似认为其他六个第一类特征点将由

确定的线段分成了七等份，则确定其他六个第一类特征点位置的公式如下：

${P_i}^{1\&prime;}={P_1}^{1\&prime;}-\frac{(i-1)\&times;({P_1}^{1\&prime;}-{P_8}^{1\&prime;})}{7},i=2...7$

第一类特征点确定后，就可以确定第二类和第三类特征点了，四个第二类特征点

确定公式如下：

${P_1}^{2\&prime;}=({P_1}^{1\&prime;}+{P_2}^{1\&prime;})/2,{P_2}^{2\&prime;}=({P_3}^{1\&prime;}+{P_4}^{1\&prime;})/2,{P_3}^{2\&prime;}=({P_5}^{1\&prime;}+{P_6}^{1\&prime;})/2,{P_4}^{2\&prime;}=({P_7}^{1\&prime;}+{P_8}^{1\&prime;})/2$

三个第三类特征点，构建方法如下式：

${P_1}^{3\&prime;}=({P_2}^{1\&prime;}+{P_3}^{1\&prime;})/2,{P_2}^{3\&prime;}=({P_4}^{1\&prime;}+{P_5}^{1\&prime;})/2,{P_3}^{3\&prime;}=({P_6}^{1\&prime;}+{P_7}^{1\&prime;})/2.$

7、所述的基于第二步得到的关键点从手背目标图像中提取出最大稳定区域是：获得第一类特征点

第二类特征点和第三类特征点

后，在此基础上确定ROI区域的方法描述如下：

(1)、寻找基准线段：通过基准线确定ROI的方向和基准位置，所以尤为关键。选取由第一类关键点

和

构成的线段(记为L_RD)作为基准线段。选取L_RD作为基准线段的理由是：L_RD的长度比其它任何两个关键点构建的线段的长度都要长；同时，L_RD接近轮廓线的上部边缘并被包含于轮廓线内部。

(2)、判断样本的左右性：判断样本的左右性就是判别手背静脉样本来自左手还是右手。如果用一条直线段近似食指侧的手背边缘所形成的轮廓曲线，将该线段与基准线段的夹角记为θ₁，同样用一条直线段近似小拇指侧的手背边缘所形成的轮廓曲线，将该线段与基准线段的夹角记为θ₂，正常情况下θ₂要大于θ₁。利用这一特性可判断样本的左右性，为了避免采用复杂算法求取近似直线，这里采用了一种更为简便的等效方法：分别从

和

作两条垂线，令两条垂线与轮廓线的交点分别为

设

和

构成的线段长度为l_r，

和

构成的线段长度为l_l，如果l_r＜l_l，则说明手背样本来自右手，反之来自左手。

(3)、寻找ROI的有效右边线段：为了方便后续处理算法，选择矩形ROI，因此ROI的有效左边线段一定与L_RD垂直。寻找有效左线段的方法分两种情况：第一中情况是样本来自右手，则选择从

作一条与L_RD垂直的直线；第二种情况是样本来自左手，则选择从

作一条与L_RD垂直的直线。无论是哪一种情况，均需要作一条与L_RD垂直的直线，该直线会与线段L_RD和轮廓线相交，得到两交点，分别记为P_LR、P_CR，由P_LR和P_CR构成的线段即为所求的ROI有效右边线段。

(4)、寻找ROI的有效左边线段：寻找有效左边线段的方法与寻找有效右边线段类似，也分为两种情况：如果样本来自右手，则从

作一条与L_RD垂直的直线；反之，样本来自左手，则从

作一条与L_RD垂直的直线。无论哪情况，所作垂线与线段L_RD和轮廓线相交，产生两个交点，分别记为P_LL、P_CL，由P_LL和P_CL构成的线段即为所求的有效左边线段。

(5)、寻找ROI的上、下边线段：选取由P_LR和P_LL所组成的线段作为ROI的上边线段，而寻找ROI下边线段的方法要分三种情况讨论，令ROI有效左边线段的长度为L₁，有效右边线段的长度为L₂，如果L₁＞L₂，则从点P_CR作一条直线，它会与有效左边线段相交，产生一个交点，记为P′_CL，此时，ROI的下边线段由点P_CR和P′_CL组成；如果L₁＜L₂，则从点P_CL作一条直线，它会与有效右边线段相交，产生一个交点，记为P′_CR，此时，ROI的下边线段由点P′_CR和P_CL组成；如果L₁＝L₂，此时，ROI的下边线段由点P_CR和P_CL组成。

经过上述过程处理后，就能得到矩形ROI区域的四个顶点坐标值，这意味着ROI的位置已经确定。

8、所述的VLSDM模型由静脉纹理局部曲面形状约束模型和静脉纹理的显著二阶微分结构特征量组成，首先，根据静脉纹理局部曲面形状约束索引值不同的特点，结合采样定理及加权融合的方法得到融合形状约束索引值计算模型(SICM模型)；然后，根据曲面最大主曲率对静脉纹理的描述能力较强的特点，选取曲面最大主曲率作为VLSDM模型中的静脉纹理的显著二阶微分结构特征量；最后，基于能够使得VLSDM模型的滤波响应中静脉区域与背景区域之间的差别尽可能大而同时又可减少静脉纹理特征丢失的准则，采用基于最大似然估计模型改进的组合方式将SICM模型与显著二阶微分结构特征量进行融合，从而形成VLSDM模型。

9、所述的结合采样定理及加权融合的方法得到融合SICM模型是：首先，采用采样函数-Shannon函数对形状索引值SapeIndex进行采样，形成像素点邻域曲面与采样目标纹理曲面形状索引值shape_D相似度计算公式；然后，采用加权融合的方法，将与交叉静脉纹理和暗脊形静脉纹理得相似度融合形成最后的静脉形状约束模型。

10、所述的像素点邻域曲面与采样目标纹理曲面形状索引值shape_D相似度计算公式表达式如下：

$\mathrm{shapeness}=\left\{\begin{array}{c}0,\mathrm{SapeIndex}\&le;0\\ \frac{\sin \left(\mathrm{\&alpha;}(\mathrm{SapeIndex}-\mathrm{shap}{e}_D)\right)}{\mathrm{\&alpha;}(\mathrm{SapeIndex}-\mathrm{shap}{e}_D)},\mathrm{SapeIndex}>0\end{array}\right.$

式中，SapeIndex表示形状索引值，shape_D表示要采样纹理形状的理想形状索引值，对于手背，α表示Shannonh函数的衰减系数，shapeness表示像素点邻域曲面与shape_D所表示的纹理曲面形状相似度，要求SapeIndex＞0是因为所需采样的两种类型的纹理为交叉静脉纹理和暗脊形静脉纹理，他们的理想形状索引值分别为0.5和1，均大于0。

11、所述的Shannonh函数的衰减系数α是：其与理想值shape_D邻域区间的长度有关，计算规则是保证邻域内形状索引值对应的shapeness值在[0.9，1]内，用采样函数：sin(α*r)/(α*r)＝0.9估计，r表示shape_D邻域区间半径，由于SapeIndex的取值范围是[-1，1]，所以r的取值范围是[0，1]，对于正常静脉纹理区域，我们取r＝0.2，所以通过估计可得到α的值约为4，对于交叉文理区域，由于出现极大值的区间较小，所以我们取r＝0.07，计算得到α的值大约为10。

12、所述的加权融合的方法是：其表达式如下：

vein_shape＝β*ridge+(1-β)*concavity

式中，vein_shape表示最终的形状约束值；ridge表示静脉图像中的暗脊形区域采样值，将α＝4、shape_D＝0.5代入纹理相似度shapeness计算公式得到；concavity表示静脉图像中的凹包形区域采样值，此时将α＝10、shape_D＝1代入纹理相似度shapeness计算公式得到；β为组合系数，其值取为0.8时，融合效果最好，此时可保证减少图像中暗斑点区域的同时静脉纹理区的vein_shape值也较为接近。

13、所述的VLSDM模型是：其采用基于最大似然估计模型改进的组合方式将SICM模型与显著二阶微分结构特征量进行融合而成，最大似然估计模型改进的组合方式表达式如下：

$\mathrm{vein}\_\mathrm{ness}=(1-\exp (-\frac{\mathrm{vein}\_{\mathrm{shape}}^2}{{\mathrm{\&sigma;}}_1}))(1-\exp (-\frac{{\mathrm{vein}\_\mathrm{feature}}^2}{{\mathrm{\&sigma;}}_2}))$

式中，vein_shape、vein_feature为曲面二阶微分结构矩阵Hessian Matrix的两个特征值λ₁、λ₂中的最大值，如果所得vein_feature值小于0，则令vein_feature等于0。σ₁和σ₂分别表示形状约束模型敏感系数、结构特征量敏感系数，σ₁的估计公式如下：

式中，m表示形状约束项(1-exp(-vein_shape²/σ₁))的值与1的近似精度，也就是0.999…9小数点后9的个数。一般取m＝3就能满足要求，将T_shape＝0.5代入上式，可得到σ₁的估计值大约为0.036。

结构特征量敏感系数σ₂的估计公式如下：

式中，m表示形状约束项(1-exp(-vein_feature²/σ₂))的值与1的近似精度，也就是0.999…9小数点后9的个数。一般取m＝3就能满足要求；λ_max为图像中静脉区域vein_feature的极大值。

为了保证曲面最大主曲率对静脉纹理形状良好的描述能力，对最大似然估计模型改进的组合方式进一步改进，改进后的静脉度vein_ness′的计算公式如下：

${\mathrm{vein}\_\mathrm{ness}}^{\&prime;}=\sqrt{{\mathrm{\&sigma;}}_2\&times;\ln \left(\frac{1}{1-\mathrm{vein}\_\mathrm{nwss}}\right)}$

14、所述的多尺度VLSDM模型是：采用VLSDM模型处理静脉图像时，所得纹理形态响应中细静脉纹理会随着滤波微分尺度的增大而消失，其原因是：细静脉纹理存在宽度小、对比度低的特点，这决定了其局部曲面形态本身不够明显，经大尺度的高斯滤波器平滑处理后，使得其局部曲面形状的特征参数更小，从而导致其静脉度变小，所以当微分尺度变大的时候细静脉纹理形态响应会变小。只有当滤波窗口宽度与其纹理宽度相近的时候，此时可将高斯滤波看成匹配滤波器，由于高斯窗口二维曲面形状与静脉纹理曲面形状相似，因此会达到一个较大的值，这也说明了一点：当微分尺度从小变大时，会在某一尺度达到最大值；这点出发，通过比较不同微分尺度时对应像素点的静脉度，取其最大值作为最后的静脉度，从而可以得到多尺度VLSDM模型的数学表达式如下：

$\mathrm{vein}(i,j)=\underset{S_{\min }\&le;S\&le;S_{\max }}{\max }\mathrm{vein}\_\mathrm{ness}(s,i,j)$

式中，i，j表示图像中像素点的横纵坐标值，vein(i，j)表示在像素点(i，j)通过多尺度VLSDM模型得到的纹理静脉度(也可称为微分尺度空间中的最大静脉度)，s_min表示最小微分尺度，s_max表示最大微分尺度，公式中vein_ness(s，i，j)表示微分尺度为s时，像素点(i，j)的静脉度。

15、所述的经典分水岭算法是通过引入测地学距离和测地学影响区域的概念来描述的数学定义。用l(P)表示连通区域A中从像素x到像素y的所有路径的长度集合，d_A(x，y)是l(P)的下确界，称之为像素x到像素y之间的测地学距离。设B₁，B₂，…，B_k是一组包含于连通区域A的连通组件，连通组件B_i在连通区域A中的影响区域记为iz_A(B_i)，它表示连通区域A中到连通组件B_i的测地学距离小于到其他连通组件的测地学距离的所有像素点的集合。测地学距离和测地学影响区域用数学式表示如下：

d_A(x，y)＝inf{l(P)}

${\mathrm{iz}}_A\left(B_i\right)=\left\{p\right|p\&Element;A,\&ForAll;j\&Element;[1,k]/\left\{i\right\},d_A(p,B_i)<d_A(p,B_j)\}$

用SKIZ_A(B)表示分割连通区域A中连通组件B₁，B₂，…，B_k影响区域的骨架，SKIZ_A(B)的数学公式表示如下：

${\mathrm{SKIZ}}_A\left(B\right)=A/{\mathrm{IZ}}_A\left(B\right),{\mathrm{IZ}}_A\left(B\right)=\underset{i\&Element;[1,k]}{\mathrm{\&cup;}}{\mathrm{iz}}_A\left(B_i\right)$

SKIZ_A(B)实际上是连通区域A中分水岭上的点的集合，该集合中的点的特点是分别到B₁，B₂，…，B_k的k个测地学距离中，有两个或两个以上相等，根据影响区域的定义它不属于任何连通组件的影响区域。

根据上述定义，分水岭分割实际上可以理解为将A中的点根据测地学距离分别聚类到B₁，B₂，…，B_k的影响区域中，不能聚类到影响区域中的点就为分水岭上的点。用I_v表示滤波前的多尺度VLSDM模型响应灰度图，用T_h(I)表示图像I_v中灰度值不大于h的所有像素点的集合，记为T_h(I)＝{p∈D_I，I(p)≤h}，则分水岭分割过程可以通过下面的关系式递归来完成。

$X_{h_{\min }}=T_{h_{\min }}\left(I\right)$

$X_{h+1}=\mathrm{mi}{n}_{h+1}\&cup;i{z}_{T_{h+1}\left(I\right)}\left(X_h\right),$ $\&ForAll;h\&Element;[h_{\min },h_{\max }-1]$

上面两式中，h_min，h_max分别表示图像I_v的最小灰度值和最大灰度值，X_h表示分水岭分割算法处理到第h阶灰度值时的分割结果中连通区域集合，min_h+1表示X_h+1中最小值为h+1的连通区域。

16、所述的用改进分水岭算法从滤波前的形态响应中提取出静脉纹理骨架，将区域合并与传统分水岭算法结合，通过对传统分水岭算法的实现进行优化设计，将区域合并融合到分水岭标注操作中，这样使得该骨架化方法既保持了传统分水岭算法效率高的特点，同时也能够实现对静脉纹理形态响应中噪声引起的虚假局影响区域进行滤波。该方法所提取的静脉纹理骨架处在静脉纹理的中心、且噪声骨架少。算法复杂度要低，因此效率要高。利用该改进的分水岭算法直接对静脉纹理形态响应进行处理，进而可得到静脉纹理的骨架。传统区域合并与分水岭算法结合的过程是：先利用经典分水岭算法对图像进行分割，再利用区域合并来滤去噪声影响域，提高了分水岭分割算法的速度。本专利将区域合并操作融合到分水岭算法的分水岭点标注操作中，经典分水岭算法中对不同的盆地只记录了盆地的标号，用N(real_index)表示实际标号为real_index盆地的面积，盆地的实际标号是指在进行盆地合并后的盆地标号值，本发明的方法对每一个经典分水岭算法标注的盆地需要一个额外的当前盆地信息数据存储结构S(wesh_index)，S(wesh_index)含二项：第一项为当前盆地对应的实际标号real_index；第二项为实际盆地对应的面积N(real_index)。采用动态矢量数组结构V(S)来组织这些盆地信息数据存储结构，矢量数组结构的索引值对应的是wesh_index，其数据元存储的内容为信息数据存储结构。改进后的分水岭算法有三个主要操作：盆地点标注、分水岭点标注、真实盆地信息数据存储结构搜索。

17、所述的盆地点标注：所述的分水岭算法确定盆地点时，进一步利用分水岭算法规则判断该点是否属于一新的盆地，如果是，给该新盆地一个新的标号wesh_index，分配一个新的盆地信息数据存储结构并对该结构进行初始化：real_index＝wesh_index；N(real_index)＝1。如果不属于新的盆地，根据已存在的盆地的标号wesh_index和动态矢量数组结构V(S)，进行真实盆地信息数据存储结构搜索操作，找到S(real_index)，并修改其实际盆地面积项：N(real_index)＝N(real_index)+1。

18、所述的分水岭点标注：确定一像素点P为一分水岭点时，同时得到与该点相连的两个盆地的标号值wesh_index₁、wesh_index₂，根据这两个标号值和动态矢量数组结构V(S)进行真实盆地信息数据存储结构搜索，分别得到两个盆地的实际标号值real_index₁、real_index₂以及两个实际盆地面积值N(real_index₁)、N(real_index₂)。如果real_index₁与real_index₂相等，N(real_index)＝N(real_index)+1；如果real_index₁与real_index₂不相等，则需利用N(real_index₁)、N(real_index₂)进行区域合并判断。

19、所述的真实盆地信息数据存储结构搜索：经典的分水岭算法中没有此真实盆地信息数据存储结构搜索，它是本发明将区域合并融合到分水岭标注操作中带来的。以像素点P为例来说明搜索操作，用wesh_index(P)表示像素点P由经典分水岭算法产生的盆地标号，real_index(P)表示像素点P的实际盆地标号，S(P)表示像素点P的真实盆地信息数据存储结构，具体搜索算法：利用wesh_index(P)；判断S(P)是否为真实盆地信息数据存储结构，如果S(P)的实际标号项real_index(P)和wesh_index(P)相等，则S(P)就为所要搜索的结果，搜索中止；如果不相等，wesh_index(P)＝real_index(P)，返回第一步，直到真实盆地信息数据存储结构为止。

20、所述的链码表示法为像素的每个邻域点定义一个方向码(0，1，2，…，7)，则一条曲线就可由其端点坐标和一组方向码来描述，这种表示方法不丢掉任何静脉骨架中的细节信息(如端点和交叉点)，而且能够精确地从其恢复出静脉纹理骨架的原来形态。

21、所述的静脉纹理骨架方向特征，得到静脉骨架后，骨架点的方向可以有很多种方法得到：根据骨架上当前点的邻域点坐标值计算得到；考虑到骨架结构特征用链码表示，可以直接根据当前点的链码值及上一点的方向值换算得到。利用本发明所提出的静脉纹理提取算法中得到的静脉纹理方向响应(VTDR)直接得到。这三种方法中，前两种方法均涉及到对静脉骨架中对交叉点方向的处理，其中，第二种方法还涉及方向提取精度问题，虽然链码定义了8个邻域方向，但其具有对称关系，实际只能区分的4个不同方向的静脉骨架。相较而言，由于在提取静脉纹理的过程中已经获得VTDR，因此第三种方法最直接，也最简单，所以本专利采用第三种方法实现对静脉骨架点方向特征的提取。

22、所述的静脉纹理骨架结构特征的描述，由于静脉纹理骨架网络结构形状并不规则，很难从数学的角度对其进行精确描述，但数字图像处理技术中的链码表示，是对不规则曲线进行有效描述的经典方法，本发明采用它来对静脉纹理骨架结构特征进行描述。链码表示法为像素的每个邻域点定义一个方向码(0，1，2，…，7)，则一条曲线就可由其端点坐标和一组方向码来描述。这种表示方法不丢掉任何静脉骨架中的细节信息(如端点和交叉点)，而且能够精确地从其恢复出静脉纹理骨架的原来形态。

23、所述的静脉纹理骨架方向特征的提取与描述：得到静脉骨架后，骨架点的方向可以有很多种方法得到：根据骨架上当前点的邻域点坐标值计算得到；考虑到骨架结构特征用链码表示，可以直接根据当前点的链码值及上一点的方向值换算得到；利用本发明所提出的静脉纹理提取算法中得到的静脉纹理方向响应(VTDR)直接得到，本发明采用采用第三种方法实现对静脉骨架点方向特征的提取。

本发明采用对骨架点方向值进行采样编码的方法，以减小旋转对静脉骨架方向特征匹配的影响。静脉纹理方向响应VTDR的响应值范围为[0，π)，用θ(x_s，y_s)表示静脉骨架点(x_s，y_s)对应的静脉纹理方向响应值，用O(x_s，y_s)表示θ(x_s，y_s)在区间[0，180)内的采样编码，则O(x_s，y_s)可用数学公式表示如下：

$O(x_s,y_s)=\mathrm{floor}\left(\frac{\mathrm{\&theta;}(x_s,y_s)}{{\mathrm{\&psi;}}_s}\right)+1$

式中，floor(·)表示取不大于参数的最大整数操作；ψ_s是角度空间采样带宽，其与最大采样编码值O_max的关系式为：ψ_s＝π/O_max。

24、所述的静脉纹理骨架结构及方向特征的匹配：用MI表示一幅静脉样本图像，VI_s表示其静脉纹理骨架图像，VM_c表示用链码表示的静脉骨架模板，VM_s表示从VM_c恢复出来的静脉骨架图像，VM_o表示从VM_c恢复出来的静脉骨架方向编码图。VI_sd表示VI_s经膨胀操作后所得样本静脉骨架膨胀图像，VI_osd表示样本静脉骨架膨胀区域方向编码图。

VI_osd和VM_o中对应点的静脉骨架方向特征相似性表示如下：

$S_o(x_i,y_j)=\left\{\begin{array}{c}1,{\mathrm{VI}}_{\mathrm{osd}}(x_i,y_j)={\mathrm{VM}}_o(x_i,y_j)\\ 0,{\mathrm{VI}}_{\mathrm{osd}}(x_i,y_j)\&NotEqual;{\mathrm{VM}}_o(x_i,y_j)\end{array}\right.$

式中，S_o(x_i，y_j)表示图像VI_osd与VM_o中，在像素点(x_i，y_i)处的静脉骨架方向相似性；VI_osd(x_i，y_i)表示图像VI_osd中像素点(x_i，y_i)处的静脉骨架方向编码；VM_o(x_i，y_i)表示图像VM_o中像素点(x_i，y_i)处的静脉骨架方向编码；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示静脉模板图像VM_s中静脉骨架上点的坐标；M_MS表示模板中静脉骨架上所包含的像素点数目。

VI_sd和VM_s中对应点的静脉骨架结构特征相似性表示如下：

S_od(x_i，y_j)＝VI_sd(x_i，y_j)ΛS_o(x_i，y_j)

式中，S_od(x_i，y_j)表示图像VI_sd与VM_s中，在像素点(x_i，y_i)处的静脉骨架结构及方向特征相似性；VI_sd(x_i，y_i)表示图像VI_osd中像素点(x_i，y_i)处的静脉骨架标识值，其值为1，则说明素点(x_i，y_i)是静脉骨架上的点，否值为0；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示静脉模板图像VM_s中静脉骨架上点的坐标；M_MS表示模板中静脉骨架上所包含的像素点数目；符号“Λ”表示逻辑与操作。

静脉样本和模板骨架结构及方向特征匹配度计算公式如下：

$S({\mathrm{VI}}_s,{\mathrm{VM}}_s)=\frac{2}{M_{\mathrm{IS}}+M_{\mathrm{MS}}}\&times;\underset{i=1}{\overset{M_{\mathrm{MS}}}{\mathrm{\&Sigma;}}}{S}_{\mathrm{od}}(x_i,y_j)$

式中，S(VI_s，VM_s)表示静脉样本和模板骨架结构及方向特征匹配度；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示图像VM_s中静脉骨架上点的坐标；M_IS、M_MS分别表示样本和模板中静脉骨架上所包含的像素点数目。

本发明基于静脉纹理骨架结构的静脉识别方法的研究内容主要包括三个方面：静脉纹理骨架结构及方向特征提取；静脉纹理骨架结构及方向特征描述；静脉纹理骨架结构及方向特征匹配。本专利提出的静脉识别方法是一种基于静脉纹理骨架结构及方向特征的。针对静脉模式特征少的问题，本发明采用所有的静脉骨架点作为静脉结构特征用于识别；为避免样本旋转和平移对识别系统带来的影响，本发明采取如下改善策略：先对样本静脉骨架进行形态学膨胀操作，再用膨胀后的样本静脉骨架区域与静脉模板骨架进行匹配；为克服膨胀操作后会引起静脉识别系统区分能力下降的问题，本发明将静脉纹理的方向信息引入到静脉特征中，与静脉骨架结构特征一起形成组合静脉特征用于匹配；为进一步克服旋转对该识别方法的影响，本发明采用方向编码的方法来描述静脉骨架的方向特征；本发明通过对该识别方法进行缩放匹配实验分析，提出了一种优化策略：先对静脉骨架进行采样再进行结构特征和方向特征提取，以减小静脉特征的存储量，同时加快匹配算法的速度。

本发明的主要贡献和特点在于：解决样本旋转和平移对识别影响、加快算法匹配速度等问题，且该方法的效率符合模式识别系统的要求。

附图说明

图1a-图1c链码，其中：图1a、链码邻域点方向的定义；图1b、曲线；图1c、图1b中曲线的链码；

图2静脉纹理骨架匹配过程

图3A-图3D图2中的模板静脉骨架与样本静脉骨架膨胀区域叠加后的效果图；

图4方向特征采样编码；

图5静脉纹理骨架结构及方向特征匹配过程；

图6A-图6B匹配点与膨胀样本骨架叠加后的效果图，其中图6A为VSSF方法；图6B为VSSDF方法；

图7静脉模板平移量取不同时的匹配度表1；

图8静脉样本旋转角度取不同时的匹配度表2；

图9形态学膨胀操作所用结构元素的半径取不同时VSSF方法所得匹配度表3；

图10形态学膨胀操作所用结构元素的半径不同时VSSDF方法所得匹配度表4；

图11本发明的流程图。

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、静脉纹理骨架结构特征的描述

静脉纹理骨架网络结构形状并不规则，很难从数学的角度对其进行精确描述，但数字图像处理技术中的链码表示，是对不规则曲线进行有效描述的经典方法，本发明采用它来对静脉纹理骨架结构特征进行描述。

链码表示法为像素的每个邻域点定义一个方向码(0，1，2，…，7)，则一条曲线就可由其端点坐标和一组方向码来描述，如图1所示。这种表示方法不丢掉任何静脉骨架中的细节信息(如端点和交叉点)，而且能够精确地从其恢复出静脉纹理骨架的原来形态。

2、静脉纹理骨架结构特征的匹配

用MI表示一幅静脉样本图像，VI_s表示其静脉纹理骨架图像，VM_C表示用链码表示的静脉骨架模板，VM_S表示从VM_C恢复出来的静脉骨架图像。VM_S与VI_s的最直接匹配方法是：统计VI_s和VM_S中处在同一位置的静脉骨架上点的个数。但静脉本身存在变形，且采用非接触的方式采集，会导致最后获取的静脉样本图像存在偏移、旋转、缩放等问题。通过ROI提取算法及尺度和方向归一化处理后，能够较大程度改善样本偏移、旋转、缩放的问题，因此最后所得静脉骨架图像中，骨架的位置偏移和方向旋转，一般来说不会很大。可以先对VI_s进行形态膨胀处理，用VI_sd表示VI_s经膨胀操作后所得静脉样本骨架图像，再用VI_sd与VM_C进行匹配。

VI_sd与VM_C的匹配度S(VI_sd，VM_s)计算公式如下：

$S({\mathrm{VI}}_{\mathrm{sd}},{\mathrm{VM}}_s)=\frac{2}{M_{\mathrm{IS}}+M_{\mathrm{MS}}}\&times;\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\left[{\mathrm{VI}}_{\mathrm{sd}}(i,j)\mathrm{\&Lambda;}{\mathrm{VM}}_s(i,j)\right]---\left(1\right)$

式中，M_IS、M_MS分别表示样本和模板中静脉骨架上所包含的像素点数目；M、N分别表示静脉图像的行数和列数；符号“Λ”表示逻辑与操作，VI_sd(i，j)、VM_s(i，j)表示图像VI_sd和VM_C中像素点(i，j)处的静脉骨架标识值，该值为1时，说明点(i，j)位于静脉骨架上，否则该值应该为零。M、N分别表示静脉图像的行数和列数；符号“Λ”表示逻辑与操作。

根据式错误！未找到引用源。所表示的意义，S(VI_sd，VM_s)的匹配度可等价表示为：

$S({\mathrm{VI}}_{\mathrm{sd}},{\mathrm{VM}}_s)=\frac{2}{M_{\mathrm{IS}}+M_{\mathrm{MS}}}\&times;\underset{i=1}{\overset{M_{\mathrm{MS}}}{\mathrm{\&Sigma;}}}{\mathrm{VI}}_{\mathrm{sd}}(x_i,y_j)---\left(2\right)$

式中，VI_sd(x_i，y_i)表示图像VI_sd中，像素点(x_i，y_i)处的静脉骨架标识值；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示图像VM_s中静脉骨架上点的坐标值；M_IS、M_MS分别表示样本和模板中静脉骨架上所包含的像素点数目。

对比式(1)与式(2)可以看出，式(2)的计算复杂度要低，因为利用式(2)进行匹配度计算时，只需对图VM_s中静脉骨架上的点进行遍历，因此只需从VM_C的链码表示中恢复骨架上像素点的坐标值就可以了。

为了进一步克服平移和旋转的影响，已有文章提出两种改善方案：

减小旋转影响改善方案：首先，将VI_s进行不同角度的旋转，生成一组样本线性结构特征图，并运用逻辑“或”操作将它们进行融合，生成一幅新的线性结构特征图M_VI_s；然后，用M_VI_s代替VI_s进行膨胀操作会得到一幅膨胀后的样本线性结构特征图M_VI_sd；最后，用M_VI_sd代替式(2)中的VI_sd。

减小平移影响改善方案：首先，将VM_C进行不同单位平移，生成一组平移模板线性结构特征图；然后，分别用平移后生成的模板线性结构特征图与M_VI_sd进行匹配，会得到一组匹配度值；最后，从一组匹配度值中，选择最大值作为最后的匹配度。

通过以上两个方案改善后，匹配算法对小值平移和小角度旋转具有更好的鲁棒性。整个匹配过程如图2所示，图中输入静脉骨架与模板1来自同一手背，模板2来自不同的手背；图2中标出的匹配度是模板平移单位为2，形态学膨胀操作圆形结构元素半径为1时所得数值，为考察该匹配算法的抗噪能力，输入样本静脉骨架中保留了悬浮噪声骨架。

3、基于静脉纹理骨架结构及方向特征的提取与描述

本发明将静脉骨架的方向特征信息引入到静脉骨架结构特征中，提出了基于静脉纹理骨架结构及方向特征的静脉识别方法。该方法的研究内容主要包括：静脉纹理骨架结构及方向提取特征；静脉纹理骨架结构及方向特征描述；静脉纹理骨架结构及方向特征匹配。

本发明是基于如下步骤提取手背静脉纹理骨架：提取纹理初始脊点集：从VTLFR中提取响应中的局部极值点构成初始脊点集；纹理初始脊点集预处理：对脊点集进行连通聚类，形成离散脊线段，然后根据静脉纹理的特性及脊线段VTSR，对初始脊点集进行滤波，以消除噪声脊点及噪声脊线段。连接离散脊线段：基于VTSR，对离散脊线段进行连接处理；脊线后期处理：根据静脉纹理固有的特性，滤去上所得结果中的孤立脊线段、噪声分支以及边界分叉点。

得到静脉骨架后，骨架点的方向可以有很多种方法得到：根据骨架上当前点的邻域点坐标值计算得到；考虑到骨架结构特征用链码表示，可以直接根据当前点的链码值及上一点的方向值换算得到。利用静脉纹理提取算法中得到的静脉纹理方向响应(VTDR)直接得到。这三种方法中，前两种方法均涉及到对静脉骨架中对交叉点方向的处理，其中，第二种方法还涉及方向提取精度问题，虽然链码定义了8个邻域方向，但其具有对称关系，实际只能区分的4个不同方向的静脉骨架。相较而言，由于在提取静脉纹理的过程中已经获得VTDR，因此第三种方法最直接，也最简单，所以本发明采用第三种方法实现对静脉骨架点方向特征的提取。

本发明采用对骨架点方向值进行采样编码的方法，以减小旋转对静脉骨架方向特征匹配的影响。静脉纹理方向响应VTDR的响应值范围为[0，π)，用θ(x_s，y_s)表示静脉骨架点(x_s，y_s)对应的静脉纹理方向响应值，用O(x_s，y_s)表示θ(x_s，y_s)在区间[0，180)内的采样编码，则O(x_s，y_s)可用数学公式表示如下：

$O(x_s,y_s)=\mathrm{floor}\left(\frac{\mathrm{\&theta;}(x_s,y_s)}{{\mathrm{\&psi;}}_s}\right)+1---\left(3\right)$

式中，floor(·)表示取不大于参数的最大整数操作；ψ_s是角度空间采样带宽，其与最大采样编码值O_max的关系式为：ψ_s＝π/O_max。

本发明取O_max＝8，则根据式(3)，及θ(x_s，y_s)的取值范围可知，O(x_s，y_s)的取值范围为区间[1，8]内的整数，如图4所示，图4中，两条虚线间所有的θ(x_s，y_s)值对应的方向编码均为1，因而能够减小样本旋转对静脉骨架方向特征匹配的影响。

静脉骨架方向特征的存储和结构特征的存储一样，只需在提取当前点的位置链码值的同时提取其方向编码值，组成静脉骨架点的位置及方向特征编码并保存。

4、静脉纹理骨架结构及方向特征匹配

用MI表示一幅静脉样本图像，VI_s表示其静脉纹理骨架图像，VM_c表示用链码表示的静脉骨架模板，VM_s表示从VM_c恢复出来的静脉骨架图像，VM_o表示从VM_c恢复出来的静脉骨架方向编码图。VI_sd表示VI_s经膨胀操作后所得样本静脉骨架膨胀图像，VI_osd表示样本静脉骨架膨胀区域方向编码图。

VI_osd和VM_o中对应点的静脉骨架方向特征相似性表示如下：

$S_o(x_i,y_j)=\left\{\begin{array}{c}1,{\mathrm{VI}}_{\mathrm{osd}}(x_i,y_j)={\mathrm{VM}}_o(x_i,y_j)\\ 0,{\mathrm{VI}}_{\mathrm{osd}}(x_i,y_j)\&NotEqual;{\mathrm{VM}}_o(x_i,y_j)\end{array}\right.---\left(4\right)$

式中，S_o(x_i，y_j)表示图像VI_osd与VM_o中，在像素点(x_i，y_i)处的静脉骨架方向相似性；VI_osd(x_i，y_i)表示图像VI_osd中像素点(x_i，y_i)处的静脉骨架方向编码；VM_o(x_i，y_i)表示图像VM_o中像素点(x_i，y_i)处的静脉骨架方向编码；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示静脉模板图像VM_s中静脉骨架上点的坐标；M_MS表示模板中静脉骨架上所包含的像素点数目。

VI_sd和VM_s中对应点的静脉骨架结构特征相似性表示如下：

S_od(x_i，y_j)＝VI_sd(x_i，y_j)ΛS_o(x_i，y_j)                      (5)

式中，S_od(x_i，y_j)表示图像VI_sd与VM_s中，在像素点(x_i，y_i)处的静脉骨架结构及方向特征相似性；VI_sd(x_i，y_i)表示图像VI_osd中像素点(x_i，y_i)处的静脉骨架标识值，其值为1，则说明素点(x_i，y_i)是静脉骨架上的点，否值为0；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示静脉模板图像VM_s中静脉骨架上点的坐标；M_MS表示模板中静脉骨架上所包含的像素点数目；符号“Λ”表示逻辑与操作。

则静脉样本和模板骨架结构及方向特征匹配度计算公式如下：

$S({\mathrm{VI}}_s,{\mathrm{VM}}_s)=\frac{2}{M_{\mathrm{IS}}+M_{\mathrm{MS}}}\&times;\underset{i=1}{\overset{M_{\mathrm{MS}}}{\mathrm{\&Sigma;}}}{S}_{\mathrm{od}}(x_i,y_j)---\left(6\right)$

式中，S(VI_s，VM_s)表示静脉样本和模板骨架结构及方向特征匹配度；(x_i，y_i)，(i＝1，2，3，…，M_MS)表示图像VM_s中静脉骨架上点的坐标；M_IS、M_MS分别表示样本和模板中静脉骨架上所包含的像素点数目。

与利用式(2)计算匹配度一样，只需对图VM_s中静脉骨架上的点进行遍历，因此只需从VM_c的链码表示中恢复骨架上像素点的坐标和方向编码。与其不同的是，本节匹配方法还需计算出样本静脉骨架膨胀区域方向编码图VI_osd。用VI_d表示在样本静脉纹理提取过程中所得到的静脉纹理方向响应图，在求取VI_osd时，无需对整幅VI_d进行方向编码，只需对VI_d中与VI_sd非零值区域对应的像素点进行方向编码。

为减小平移对匹配算法的影响，本节依然采用本发明提到的减小平移影响改善方案：将VM_c进行不同单位平移，生成一组平移模板，分别与VI_sd进行匹配，会得到一组匹配度值，从中选择最大值作为最后的匹配度。

由于本发明匹配方法中引入了方向特征，可克服由增大膨胀结构元素半径而引起识别系统区分能力降低的问题，所以可适当增大膨胀结构元素半径来消除由旋转引起的静脉骨架结构特征偏移问题，无需再对输入样本静脉骨架进行不同角度的旋转生成融合静脉骨架图M_VI_s用于识别。

静脉纹理结构及方向特征匹配过程如图5所示，图5中标出的匹配度是模板平移单位为2，形态学膨胀操作圆形结构元素半径为1时所得数值。

5、实验结果比较分析

旋转和平移对匹配度的影响分析对设计了两组实验：平移对匹配度的影响实验和旋转对匹配度的影响实验。为分别考察旋转和平移这两种因素对利用公式(2)计算所得匹配度S(VI_sd，VM_s)数值的影响，下面所进行的实验一和实验二中，直接用VI_sd与VM_C进行匹配。输入样本和两种模板与图2中对应的图像相同，形态学膨胀操作结构元素是半径为1的圆形结构。

实验一：检验平移对匹配度的影响

表1列出了几组静脉骨架结构特征模板进行不同单位平移时，两种匹配度的数值；匹配度1是指输入样本与来自同一手背的模板进行匹配，利用式(2)计算得到的匹配度值；匹配度2是指输入样本与来自不同手背的模板进行匹配，利用式(2)计算得到的匹配度值。

表1表明：匹配度1受静脉骨架结构特征位置平移影响很大，例如，平移量为0时，匹配度1为0.920，当平移量变为1时，匹配度1很快减小到0.715；平移量从1变为2时，匹配度1从0.715变为0.216，变化剧烈；并且平移量为2时，匹配度1变得非常小，与匹配度2已经接近，因而会导致识别系统拒识。

对比表1中匹配度1与匹配度2值随平移量增大而变化的趋势，会发现匹配度2的变化要平缓。这表明静脉样本产生平移容易导致识别系统的拒识率增大，但对识别系统误识率的影响较小。

实验二：检验旋转对匹配度的影响

表2列出了几组静脉骨架结构特征样本进行不同角度旋转时，两种匹配度的数值；匹配度1是指输入样本与来自同一手背的模板进行匹配，利用式(2)计算得到的匹配度值；匹配度2是指输入样本与来自不同手背的模板进行匹配，利用式(2)计算得到的匹配度值。

表2表明：匹配度1受静脉骨架结构特征旋转影响较大，当旋转角度为4时，匹配度1的值已经小于0.5，这说明当旋转角度达到某一数值Δθ时，会引起识别系统拒识。

对比表2中匹配度1与匹配度2值随旋转角度增大而变化的趋势，会发现匹配度2的变化要平缓。这表明静脉样本产生旋转时容易导致识别系统拒识率增大，但对识别系统误识率的影响较小。

对比表1和表2中匹配度1分别随平移量和旋转角度增大而变化的趋势，会发现平移量变化对匹配度1的影响更大。

实验分析：主要对实验一和实验二中一些现象出现的原因进行分析

对比图3B与图3C中对应的矩形框标出的区域，会发现：来自同一手背的模板静脉骨架与样本静脉骨架膨胀区域的交叉骨架方向与样本骨架方向非常接近(如图3B中矩形框标出的区域)，虽然来自不同手背的模板静脉骨架与样本静脉骨架膨胀区域的少量交叉骨架方向与样本骨架方向较接近(如图3C中椭圆形框标出的区域)但大多数交叉骨架方向与样本骨架方向差别较大(如图3C中矩形框标出的区域)。

当静脉骨架结构特征产生平移时，即图3B中静脉骨架平行移动(移动后的结果如图2A中椭圆形框标出的区域)，由于来自同一手背的模板静脉骨架与样本静脉骨架膨胀区域的交叉骨架方向与样本骨架方向非常接近，因此同一手背模板静脉骨架很容易就移出了样本静脉骨架膨胀区域，使得实验一中的匹配度1迅速变小，引起系统拒识；而不同手背的模板静脉骨架与样本静脉骨架膨胀区域的交叉骨架方向与样本骨架方向差别较大，与样本骨架膨胀区域形成交叉，当静脉骨架平行移动时，他们的交叉关系变化不大，交叉骨架上点的数目变化缓慢，因此实验一中的匹配度2的变化较为平缓。

当静脉骨架特征产生旋转时，其结果也是导致静脉骨架上的点产生偏移，但是他们的偏移量不同，离中心点较近的静脉骨架点偏离量小，远离中心点的静脉骨架点偏离量大，偏离量大的静脉骨架先出静脉骨架膨胀区，而偏离量小的静脉骨架还处在静脉骨架膨胀区，因此旋转角度对匹配度1的影响没有平移对其影响剧烈，但随着旋转角度的增大，样本静脉骨架膨胀区域的交叉静脉骨架也会逐渐消失，引起系统拒识。

以上实验分析表明：采用式(2)进行静脉骨架结构特征匹配时，旋转和平移对识别系统的性能有很大影响，尤其是对识别系统拒识率的影响较大。对样本和模板静脉骨架上点的坐标对应关系要求严格，例如本节的实验中，平移量就不能超过1，旋转角度不能超过3。

从实验的分析可知，解决该问题最直接的方法是，增大形态学膨胀操作的结构元素半径。但结构元素半径增大后会带来两个问题：可能会改变样本静脉骨架结构特征的原有形态，例如骨架结构特征中的环形结构可能消失，距离较近的静脉骨架产生粘连；导致误识率增大，因为当样本静脉骨架膨胀区域面积变大后，可能会导致更多来自不同手背静脉模板中的静脉骨架上点位于样本骨架膨胀区域中，从而使得匹配度2增大，减弱系统的区分能力。

以上提到的改善方案在一定程度上能盖善平移和旋转的问题，但也存在减弱系统区分能力的问题：如图2中，匹配度1的值为0.928，匹配度2的值为0.364，而表1和表2中给出的相应值是0.920和0.146，显然0.920与0.146之间的区别比0.928与0.364之间的区别要大。

通过以上实验与分析可知，仅仅是基于静脉纹理骨架结构特征的静脉识别方法，存在以下缺点：对静脉样本的偏移和旋转非常敏感；改善方案会降低识别系统的区分能力。

由图3可知，来自不同手背的模板静脉骨架与样本静脉骨架膨胀区域的交叉骨架方向与样本静脉骨架方向差别很大。如果在计算匹配度时，考虑模板和样本静脉骨架方向的一致性，则图3C中类似矩形框标出的交叉骨架将不会被视为匹配骨架，这样就会减少误匹配骨架点，从而减小样本与来自不同手背模板静脉骨架之间的匹配度，增强系统区分不同静脉模式的能力。

基于静脉骨架结构和方向特征静脉识别方法与基于静脉骨架结构特征静脉识别方法比较实验，实验的目的是：比较两种方法对不同手背静脉纹理的区分能力受形态学膨胀操作所用结构元素的半径变化的影响情况。

表3列出了几组对输入静脉骨架进行形态学膨胀操作所用结构元素的半径取不同值时，是基于静脉骨架结构特征静脉识别方法得到的配度值；表4列出了几组对输入静脉骨架进行形态学膨胀操作所用结构元素的半径取不同值时，是基于静脉骨架结构和方向特征静脉识别方法得到的匹配度的值。

表3和表4中，匹配度1是指来自相同手背的样本和模板进行匹配所得静脉匹配度值；匹配度2是指来自不同手背的样本和模板进行匹配所得静脉匹配度值。两种方法的模板平移量为2，基于静脉骨架结构特征静脉识别方法的改善中的旋转角度为：±2°、±1°。

对比表3和4中的匹配度1会发现，基于静脉骨架结构和方向特征静脉识别方法所得匹配度1值要略小于基于静脉骨架结构特征静脉识别方法所得值，其原因：样本静脉骨架和模板静脉骨架中存在少量噪声骨架，这类噪声骨架在样本和模板中出现的位置可能一样，但其方向却可能不同，所以只利用位置信息进行匹配的基于静脉骨架结构特征静脉识别方法认为这类噪声骨架是匹配骨架，而引入了方向特征的基于静脉骨架结构和方向特征静脉识别方法却认为其不匹配，因此出现了基于静脉骨架结构特征静脉识别方法所得匹配度1值大于基于静脉骨架结构特征静脉识别方法所得匹配度1值。对比它们的具体值，会发现其实非常接近，这说明基于静脉骨架结构特征静脉识别方法与基于静脉骨架结构和方向特征静脉识别方法对同类样本之间相似性检测性能相当。

对比表3和4中的匹配度2会发现，基于静脉骨架结构和方向特征静脉识别方法所得匹配度2值要比基于静脉骨架结构特征静脉识别方法所得匹配度2值大很多，而且随着形态学膨胀操作结构元素半径的增加，基于静脉骨架结构特征静脉识别方法和基于静脉骨架结构和方向特征静脉识别方法所得匹配度2值与匹配度1的差别都会越来越小，但是基于静脉骨架结构特征静脉识别方法的这种变化趋势更加明显，而且当形态学膨胀操作结构元素半径增大到3时，基于静脉骨架结构特征静脉识别方法所得匹配度2值已经超过了0.5，这非常不利于静脉识别方法区分不同手背之间静脉的差别，容易引起识别系统误识。基于静脉骨架结构和方向特征静脉识别方法所得匹配度2值与匹配度1的差别缩小趋势则非常缓慢，匹配度2值都保持在0.2以下，这说明基于静脉骨架结构和方向特征静脉识别方法的误识率受形态学膨胀操作结构元素半径增加的影响要比基于静脉骨架结构特征静脉识别方法小得多，其原因是：基于静脉骨架结构和方向特征静脉识别方法引入方向特征，来自不同手背的模板静脉骨架虽然与样本静脉膨胀区交叉，但是它们的方向却不同，因此属于不匹配点，而基于静脉骨架结构特征静脉识别方法却将它们作为匹配点(对比图6中两幅图像中矩形框标出的区域，即可表明这一点)，因此会导致基于静脉骨架结构特征静脉识别方法所得匹配度2值随着形态学膨胀操作结构元素半径增加而迅速变大，而基于静脉骨架结构和方向特征静脉识别方法所得匹配度2值则变化缓慢。

通过本实验可知：基于静脉骨架结构和方向特征静脉识别方法的误识率受形态学膨胀操作结构元素半径增加的影响要比基于静脉骨架结构特征静脉识别方法小得多，并且利用基于静脉骨架结构和方向特征静脉识别方法进行静脉识别时，在形态学膨胀操作结构元素半径取不同值的情况下，均能很好地区分不同手背的静脉骨架，因此为了增强基于静脉骨架结构和方向特征静脉识别方法对平移和旋转的鲁棒性，可适当选较大的形态学膨胀操作结构元素半径，例如可以取其值为5。

本发明以上对比的这两种静脉模式识别方法，其一是基于静脉纹理骨架结构特征的静脉识别方法，该方法利用静脉骨架上的所有点作为特征，并用链码描述个特征点的坐标信息，由于采用了所有的静脉骨架点作为特征，所以该方法能够区分不同的手背静脉，也能检测出相同的手背静脉，但为了减小样本旋转和偏移对识别算法的影响，增大样本静脉骨架膨胀区后，该方法的区分能力也会随之减弱。为了克服这一缺点，本发明将静脉骨架的方向信息作为另外一个特征，引入到匹配算法中，从而提出了本发明静脉模式识别方法：基于静脉纹理骨架结构及方向特征的静脉识别方法，该方法从静脉纹理方向响应中获得静脉骨架点的方向值，为消除旋转对识别方法的影响，本发明对方向值进行采样编码，并将方向编码值作为方向特征描述量与静脉结构特征坐标链码同时保存。实验表明该方法能够很好地克服第一种方法所存在的问题，并且无需保存所有的骨架点，可以先对样本进行采样后，再进行特征提取，这样既减少存储特征所需空间，并能加快匹配算法的速度。

Claims (10)

1.一种基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是：第一步，利用基于手背目标外部轮廓分析的方法从原始样本中提取出静脉样本的ROI区域；第二步，基于多尺度VLSDM模型对ROI区域的静脉图像进行多尺度分析，得到静脉纹理的形态响应、方向响应及尺度响应；第三步，利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征；第四步，利用链码及方向空间采样编码描述静脉纹理骨架的结构特征及方向特征，并利用改进的模板匹配方法对特征进行匹配。

2.根据权利要求1所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述提取出静脉样本的ROI区域包括手背目标图像区域提取、手背外部轮廓关键点提取、ROI区域位置确定；

所述的手背目标图像区域提取的方法为：根据静脉样本图像中手部目标图像区域与背景区域像素点的分布规律，采用阈值分割将手部目标图像从原始静脉样本中分离出来，阈值T的计算公式为：

$T=\left\{\begin{array}{c}5,m\&le;45\\ 5+(5\&times;(m-45))/\mathrm{10,45}<m\&le;55\\ 10+(25\&times;(m-55))/\mathrm{60,55}<m\&le;115\\ 55,m>115\end{array}\right.$

式中，m表示样本图像中非零像素点灰度平均值；

所述的手背外部轮廓关键点提取的方法为：第一步，求取有效轮廓点集及距离基准线；第二步，求取有效轮廓关键点；第三步，判断所获得的关键点个数是否为15，如不是则执行第四步；第四步，采用关键点修正构建方法获得关键点。

3.根据权利要求2所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述利用改进分水岭算法从第二步所得形态响应中提取出静脉纹理骨架特征的方法为：首先提取局部形态响应中的脊线，脊线相当于分水岭，背景相当与盆地；然后将区域合并融合到盆地标注中，对不同盆地记录面积和标号；最后将区域合并融合到分水岭标注中。

4.根据权利要求3所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述利用改进的模板匹配方法对特征进行匹配是：直接采用静脉骨架结构特征作为识别特征，同时采用不同的特征描述方法对其进行描述，这样既保持了静脉骨架的原有形态，又减少了特征存储量，其平移和旋转校正在匹配算法中完成。

5.根据权利要求3所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述求取有效轮廓点集及距离基准线的过程为：提取的二值化目标图像的轮廓外曲线，采用经典Douglas-Peucker轮廓多边形拟合算法，对轮廓外曲线进行拟合，取拟合精度阈值为50个像素点，则获得一个拟合四边形，设l为所述四边形上边L₃的长度，将L₃向下平移l/8个像素单位，即得到基准线L_d；

采用局部均值法对原始距离分布曲线进行处理，N为有效轮廓线所包含的总点数，局部平滑直径为不小于N/24的最小整数；然后，采用阈值曲线对平滑距离曲线进行分割，正常情况下，平滑距离分布曲线与阈值曲线将存在八个交点，并称之为第一类特征点；最后，利用第一类特征点构建第二类和第三类特征点的方法得到其他七个特征点，即正常情况总共得到15个特征点。

6.根据权利要求5所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是：所述的阈值曲线的数学表达式为：

$t\left(i\right)=\left\{\begin{array}{c}s\left(i\right)+3,i\&le;r\\ (s(i+r)+s(i-r))/2,r<i<N-r\\ s\left(i\right)+3,i\&GreaterEqual;N-r\end{array}\right.$

其中：s(i)表示平滑距离分布函数，r表示阈值半径，i表示有效轮廓线点序列号，N表示有效轮廓所包含的总点数，t(i)表示阈值函数，r取不大于N/13的最大整数。

7.根据权利要求6所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述的利用第一类特征点构建第二类和第三类特征点的数学表达式分别为：

(1)构建第二类特征点的数学表达：

${P_1}^2=({P_1}^1+{P_2}^1)/2,{P_2}^2=({P_3}^1+{P_4}^1)/2,{P_3}^2=({P_5}^1+{P_6}^1)/2,{P_4}^2=({P_7}^1+{P_8}^1)/2$

其中：

表示八个第一类特征点，i＝1...8，

分别表示四个第二类特征点；

(2)构建第三类特征点的数学表达：

${P_1}^3=({P_2}^1+{P_3}^1)/2,{P_2}^3=({P_4}^1+{P_5}^1)/2,{P_3}^3=({P_6}^1+{P_7}^1)/2$

式中：

表示八个第一类特征点，i＝1...8，

分别表示三个第三类特征点。

8.根据权利要求7所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是所述采用关键点修正构建方法获得关键点的具体方法为：

用P_DL、P_DR分别表示线段L_d与轮廓线的左、右两个交点，手背外部轮廓近似四变形的上边与轮廓线的左右两个交点分别用P_3L、P_3R表示，用

表示P_DL和P_3L的中心点，用

表示P_DR和P_3R的中心点，则由

和

确定的直线与轮廓线有左右两个交点，就是所要求的左右两个第一类特征点其他六个第一类特征点将由确定的线段分成了七等份，则确定其他六个第一类特征点位置的公式为：

${P_i}^{1\&prime;}={P_1}^{1\&prime;}-\frac{(i-1)\&times;({P_1}^{1\&prime;}-{P_8}^{1\&prime;})}{7},i=2...7$

第一类特征点确定后，确定第二类和第三类特征点，四个第二类特征点

确定公式为：

${P_1}^{2\&prime;}=({P_1}^{1\&prime;}+{P_2}^{1\&prime;})/2,{P_2}^{2\&prime;}=({P_3}^{1\&prime;}+{P_4}^{1\&prime;})/2,{P_3}^{2\&prime;}=({P_5}^{1\&prime;}+{P_6}^{1\&prime;})/2,{P_4}^{2\&prime;}=({P_7}^{1\&prime;}+{P_8}^{1\&prime;})/2$

三个第三类特征点，构建方法如为：

${P_1}^{3\&prime;}=({P_2}^{1\&prime;}+{P_3}^{1\&prime;})/2,{P_2}^{3\&prime;}=({P_4}^{1\&prime;}+{P_5}^{1\&prime;})/2,{P_3}^{3\&prime;}=({P_6}^{1\&prime;}+{P_7}^{1\&prime;})/2.$

9.根据权利要求8所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是获得第一类特征点

第二类特征点

和第三类特征点后，在此基础上确定ROI区域的方法为：

(1)、寻找基准线段：通过基准线确定ROI的方向和基准位置，选取由第一类关键点和

构成的线段记为L_RD作为基准线段；

(2)、判断样本的左右性：分别从

和

作两条垂线，令两条垂线与轮廓线的交点分别为

设

和

构成的线段长度为l_r，

和

构成的线段长度为ll，如果l_r＜l_l，则说明手背样本来自右手，反之来自左手；

(3)、寻找ROI的有效右边线段：选择矩形ROI，ROI的有效左边线段一定与L_RD垂直，寻找有效左线段的方法分两种情况：第一中情况是样本来自右手，则选择从

作一条与L_RD垂直的直线；第二种情况是样本来自左手，则选择从

作一条与L_RD垂直的直线；无论是哪一种情况，均需要作一条与L_RD垂直的直线，直线与线段L_RD和轮廓线相交，得到两交点，分别记为P_LR、P_CR，由P_LR和P_CR构成的线段即为所求的ROI有效右边线段；

(4)、寻找ROI的有效左边线段：分为两种情况：如果样本来自右手，则从

作一条与L_RD垂直的直线；反之，样本来自左手，则从

作一条与L_RD垂直的直线；无论哪情况，所作垂线与线段L_RD和轮廓线相交，产生两个交点，分别记为P_LL、P_CL，由P_LL和P_CL构成的线段即为所求的有效左边线段；

(5)、寻找ROI的上、下边线段：选取由P_LR和P_LL所组成的线段作为ROI的上边线段，而寻找ROI下边线段的方法分三种情况，令ROI有效左边线段的长度为L₁，有效右边线段的长度为L₂，如果L₁＞L₂，则从点R_CR作一条直线，所述直线与有效左边线段相交，产生一个交点，记为P′_CL，此时，ROI的下边线段由点P_CR和P′_CL组成；如果L₁＜L₂，则从点P_CL作一条直线，与有效右边线段相交，产生一个交点，记为P′_CR，此时，ROI的下边线段由点P′_CR和P_CL组成；如果L₁＝L₂，此时，ROI的下边线段由点P_CR和P_CL组成；

经过上述过程处理后，得到矩形ROI区域的四个顶点坐标值。

10.根据权利要求9所述的基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法，其特征是：所述的VLSDM模型由静脉纹理局部曲面形状约束模型和静脉纹理的显著二阶微分结构特征量组成，首先，根据静脉纹理局部曲面形状约束索引值不同的特点，结合采样定理及加权融合的方法得到融合形状约束索引值计算模型即SICM模型；然后，根据曲面最大主曲率对静脉纹理的描述能力较强的特点，选取曲面最大主曲率作为VLSDM模型中的静脉纹理的显著二阶微分结构特征量；最后，采用基于最大似然估计模型改进的组合方式将SICM模型与显著二阶微分结构特征量进行融合，从而形成VLSDM模型。

Images