CN103235929B - 基于手背静脉图像的身份识别方法和装置 - Google Patents

Abstract

本发明提供一种基于手背静脉图像的身份识别方法和装置，该方法通过获取样本的手背静脉图像，获取样本的手背静脉图像的结构特征图对应的邻接矩阵，根据样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取样本的结构特征图与各注册样本的结构特征图之间的图距离，在样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定样本的身份，由于邻接矩阵中包括手背静脉图像结构特征图中各关键点的位置信息以及各关键点之间的距离信息，能够更好的体现手背静脉图像的独特性，因此，能够提高基于手背静脉图像的身份识别的准确率。

Description

基于手背静脉图像的身份识别方法和装置

技术领域

本发明涉及计算机技术，尤其涉及一种基于手背静脉图像的身份识别方法和装置。

背景技术

随着科学技术的发展，利用生物特征进行身份识别得到了快速发展。

现有技术中，通过手背静脉图像进行身份识别，首先将待识别手背静脉图像进行二值化、细化成一像素宽骨骼图像，确定静脉的交叉点和终点，将待识别图像的交叉点坐标和终点坐标分别与注册用户数据库中的手背静脉图像的交叉点坐标和终点坐标进行匹配，得到匹配结果，根据匹配结果确定待识别图像的身份信息。

然而，采用现在有技术的方法进行身份识别，识别准确率不高。

发明内容

本发明提供一种基于手背静脉图像的身份识别方法和装置，以提高基于手背静脉图像的身份识别的准确率。

本发明第一方面提供一种基于手背静脉图像的身份识别方法，包括：

获取样本的手背静脉图像，获取所述样本的手背静脉图像的结构特征图对应的邻接矩阵，所述邻接矩阵包括所述结构特征图中各关键点的位置信息以及各关键点之间的距离信息；根据所述样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取所述样本的结构特征图与各注册样本的结构特征图之间的图距离，所述图距离为由所述样本的结构特征图转换到所述注册样本的结构特征图的过程中最小转换代价和；

在所述样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定所述样本的身份。

结合第一方面，所述获取样本的手背静脉图像之后，还包括：

获取所述样本的手背静脉图像的LBP特征向量；

根据所述样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取所述样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离；

获取所述各图距离与所述各卡方距离的乘积；

相应地，所述在所述样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定所述样本的身份包括：

在所述各图距离与所述各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定所述样本的身份。

结合第一方面，所述数据库中各注册样本为筛选后的各注册样本；

所述筛选后的各注册样本的获取方法如下：

获取所述样本的手背静脉图像的TEC特征向量；

所述TEC特征向量的长度为根据预设规则从二值化手背静脉图像细化到手背静脉骨骼图像遍历整个图像的次数，所述TEC特征向量中每个元素的值为每次遍历过程中被删除的像素点的个数；

根据所述样本的手背静脉图像的TEC特征向量和数据库中各注册样本的手背静脉图像的TEC特征向量，获取所述样本的手背静脉图像的TEC特征向量与各注册样本的手背静脉图像的TEC特征向量之间的欧氏距离；

根据所述各欧式距离获取筛选后的各注册样本。

结合第一方面，所述邻接矩阵K={k_ij}，其中， $k_{\mathrm{ij}}=\left\{\begin{array}{c}(x,y),i=j\\ q,i\≠j\end{array}\right.,$ （x,y）表示手背静脉图像的关键点的坐标，q表示手背静脉图像关键点i与j之间的像素点个数；

所述手背静脉图像关键点为手背静脉图像中各静脉的交叉点或终点。

结合第一方面，所述获取样本的手背静脉图像之前，还包括：

采集数据库中的各注册样本的特征信息；

所述各注册样本的特征信息至少包括下述任一种信息：

各注册样本的手背静脉图像的邻接矩阵；

各注册样本的手背静脉图像的LBP特征向量；

各注册样本的手背静脉图像的TEC特征向量。

本发明第二方面提供一种基于手背静脉图像的身份识别装置，包括：

获取模块，用于获取样本的手背静脉图像，获取所述样本的手背静脉图像的结构特征图对应的邻接矩阵，所述邻接矩阵包括所述结构特征图中各关键点的位置信息以及各关键点之间的距离信息；

处理模块，用于根据所述样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取所述样本的结构特征图与各注册样本的结构特征图之间的图距离，所述图距离为由所述样本的结构特征图转换到所述注册样本的结构特征图的过程中最小转换代价和；

验证模块，用于在所述样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定所述样本的身份。

结合第二方面，所述获取模块在获取样本的手背静脉图像之后，还用于获取所述样本的手背静脉图像的LBP特征向量；

所述处理模块，还用于根据所述样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取所述样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离；并获取所述各图距离与所述各卡方距离的乘积；

相应地，所述验证模块具体用于在所述各图距离与所述各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定所述样本的身份。

结合第二方面，所述数据库中各注册样本为筛选后的各注册样本；

所述获取模块，还用于获取所述样本的手背静脉图像的TEC特征向量；

所述TEC特征向量的长度为根据预设规则从二值化手背静脉图像细化到手背静脉骨骼图像遍历整个图像的次数，所述TEC特征向量中每个元素的值为每次遍历过程中被删除的像素点的个数；

所述处理模块，还用于根据所述样本的手背静脉图像的TEC特征向量和数据库中各注册样本的手背静脉图像的TEC特征向量，获取所述样本的手背静脉图像的TEC特征向量与各注册样本的手背静脉图像的TEC特征向量之间的欧氏距离；并根据所述各欧式距离获取筛选后的各注册样本。

结合第二方面，所述邻接矩阵K={k_ij}，其中， $k_{\mathrm{ij}}=\left\{\begin{array}{c}(x,y),i=j\\ q,i\≠j\end{array}\right.,$ （x,y）表示手背静脉图像的关键点的坐标，q表示手背静脉图像关键点i与j之间的像素点个数；

所述手背静脉图像关键点为手背静脉图像中各静脉的交叉点或终点。

结合第二方面，所述获取模块获取样本的手背静脉图像之前，还用于采集数据库中的各注册样本的特征信息；

所述各注册样本的特征信息至少包括下述任一种信息：

各注册样本的手背静脉图像的邻接矩阵；

各注册样本的手背静脉图像的LBP特征向量；

各注册样本的手背静脉图像的TEC特征向量。

本发明提供的基于手背静脉图像的身份识别方法和装置，通过获取样本的手背静脉图像，获取样本的手背静脉图像的结构特征图对应的邻接矩阵，根据样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取样本的结构特征图与各注册样本的结构特征图之间的图距离，在样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定样本的身份，由于邻接矩阵中包括手背静脉图像结构特征图中各关键点的位置信息以及各关键点之间的距离信息，能够更好的体现手背静脉图像的独特性，因此，能够提高基于手背静脉图像的身份识别的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于手背静脉图像的身份识别方法实施例一的流程示意图；

图2为本发明基于手背静脉图像的身份识别方法实施例一的手背静脉图像采集装置示意图；

图3为本发明采用图2所示装置获得的手背静脉图像；

图4为本发明二值化手背静脉图像的示意图；

图5为本发明手背静脉骨骼图像；

图6为图5所示手背静脉骨骼图对应的结构特征图示意图；

图7为本发明手背静脉图像的关键点示意图；

图8为本发明采用匈牙利算法得到的匹配示意图；

图9为本发明基于手背静脉图像的身识别方法实施例二的流程示意图；

图10为本发明LBP特征向量提取的示意图；

图11为本发明基于手背静脉图像的身份识别方法实施例三的流程示意图；

图12为本发明像素点的邻域示意图；

图13为发明基于手背静脉图像的身份识别方法实施例一的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

静脉是循环系统中使得血液流回到心脏的血管，大多数静脉携带的血液氧量较低、二氧化碳含量较高，静脉把血液从体组织带回到心脏。手背静脉是分布在手背区域的静脉，不同人的手背静脉分布存在着明显的差异，手背静脉因其具有独特性，并且不易拷贝、伪造的特点，成为身份识别领域的一种关键技术，下面以几个具体的实施例来详细说明基于手背静脉图像的身份识别方法。

图1为本发明基于手背静脉图像的身份识别方法实施例一的流程示意图，如图1所示，本实施例的方法包括：

S101：获取样本的手背静脉图像，获取样本的手背静脉图像的结构特征图对应的邻接矩阵。

图2为本发明基于手背静脉图像的身份识别方法实施例一的手背静脉图像采集装置示意图；本步骤中采用如图2所示的装置来获取近红外光照下的手背静脉图像，图2所示的装置包括近红外光源1和近红外光源2，一个电荷耦合元件（Charge-coupled Device，以下简称：CCD）照相机，一个近红外过滤器，一个散射板；近红外光源2提供穿透光，使静脉图像呈现较好的对比度，近红外光源1提供反射光，近红外光源1的设置是为了避免获取手背静脉图像时，手背边缘区域变暗。在获取样本的手背静脉图像过程中，用户将手放到图2所示“手背”的位置，将手暴露在两个红外光的照射下，由于血液吸收的红外光多于周围肌肉、骨骼等生物组织，因此，经过一个具有近红外线感应度的CCD照相机成像后，静脉血管部分较暗，从而能与周围生物组织区分出来。近红外过滤器能够过滤大部分的可见光，散射板的使用能够加大光的散射，因此，两者结合使用能够提高成像质量。图3为本发明采用图2所示装置获得的手背静脉图像，图3所示手背静脉图像为灰度图，每个像素点的取值范围在0到255之间，图像大小为640×480。

图2和图3仅为本步骤中获取样本的手背静脉图像的一个举例说明，本发明对获取样本的手背静脉图像所采用的装置和具体样本的手背静脉图像规格不做限制。

在获取样本的手背静脉图像之后，首先对手背静脉图像做二值化处理，获得二值化手背静脉图；图4为本发明二值化手背静脉图像的示意图，二值化的过程是将手背静脉部分与周围组织区分开来的过程，比如，可以将血管部分用黑色表示，其他生物组织部分用白色表示，如图4所示，二值化是一个二分类问题，通过一定的标准，将图像中的每个点分到静脉部分或者其他生物组织部分（即背景部分）。二值化结果的准确性易受到图像质量的影响，采用有效的二值化算法能够提高二值化结果的准确性，例如，可以采用尼布拉克（Niblack）算法，该算法为一种局部二值化的算法，它为每个像素点单独计算阈值，因此能够很好的抗拒不均匀光照、噪声带来的影响，能够准确的将静脉部分和其他生物组织部分分离。本发明对获取二值化手背静脉图像的算法不做限制，任何能够准确的将静脉部分和其他生物组织部分分离的算法都适用于本发明。下面以采用Niblack算法为例，对获取二值化手背静脉图像的过程进行说明，将一幅灰度手背静脉图像记为f，图像中坐标为（x，y）点处的像素值记为f（x，y），取以坐标为（x，y）的点为中心边长为r的一个正方形邻域，阈值T（x，y）的计算公式为：

T(x,y)=m(x,y)+k×s(x,y)

其中，m（x，y）为正方形邻域所有像素点的均值，s（x，y）为标准差，k为修正系数，计算公式为：

$m(x,y)=\frac{1}{r^2}\underset{i=x-r/2}{\overset{i=x+r/2}{\mathrm{\Σ}}}\underset{i=y-r/2}{\overset{i=y+r/2}{\mathrm{\Σ}}}f(i,j)$

$s(x,y)=\sqrt{\frac{1}{r^2}\underset{i=x-r/2}{\overset{x+r/2}{\mathrm{\Σ}}}\underset{i=y-r/2}{\overset{y+r/2}{\mathrm{\Σ}}}{(f(i,j)-m(x,y))}^2}$

设要得到的二值化图像为g，那么：

$g(x,y)=\left\{\begin{array}{c}1,f(x,y)\&GreaterEqual;T(x,y)\\ 0,f(x,y)<T(x,y)\end{array}\right.$

在本实施例中，r的取值为65，k的取值为0.05。

在得到二值化手背静脉图像后，对二值化手背静脉图像进行细化来得到手背静脉骨骼图像，细化的过程即为按照一定的条件不断删除静脉部分的像素点，即将静脉部分的像素点变为背景部分的像素点，使得静脉部分的像素点越来越少，直到成为静脉骨骼图像，在本发明实施例中，要求手背静脉骨骼图像中所有静脉只有1像素宽并且在非终点处不间断，如图5所示，图5为本发明手背静脉骨骼图像。本实施例对将二值化手背静脉图像细化到手背静脉图像所采用的细化方法不做限制，根据实际应用中采用合适的细化方法，只要保证手背静脉骨骼图像中所有线条只有1像素宽并且在非终点处不间断即可。

在得到手背静脉骨骼图像后，手背静脉图像的结构特征即可以用一个图G=（V,E）来表示，如图6所示，图6为图5所示手背静脉骨骼图对应的结构特征图示意图；其中，图的节点V为静脉的关键点的集合，静脉的关键点即静脉的交叉点或终点，图的边E为每条静脉的集合，设图G的邻接矩阵为K={k_ij}，那么，

$k_{\mathrm{ij}}=\left\{\begin{array}{c}(x,y),i=j\\ q,i\&NotEqual;j\end{array}\right.$

其中，i和j表示手背静脉图像中的关键点，（x,y）表示手背静脉图像的关键点的坐标，q表示手背静脉图像关键点之间的像素点个数。即邻接矩阵的对角线元素存储各关键点的位置信息，也就是坐标值，邻接矩阵的非对角线元素存储各关键点之间的距离信息，也就是关键点之间的像素点个数。

在建立手背静脉图像的结构特征图G的邻接矩阵时，首先根据手背静脉骨骼图中每个像素点周围静脉像素点的个数，确定手背静脉图像中的关键点，关键点为手背静脉图像中各静脉的终点或交叉点，图7为本发明手背静脉图像的关键点示意图，如图7所示，当一个像素点周围3×3邻域除了自身以外只有一个静脉点，则确定此点为终点，当一个像素点周围3×3邻域内除了自身以外有超过两个的静脉点，则确定此点为交叉点，除上述两种情况外，其余的点为普通点。因此，只需遍历整个图像一遍，通过计算每个像素点3×3的邻域情况，即可得到所有的静脉的关键点的坐标，从而可以确定邻接矩阵的对角线上元素的值，即利用邻接矩阵中对角元素存储各关键点的坐标信息；然后，从静脉的一个关键点出发沿着静脉走向直到遇到下一个关键点，记录在此过程中两个关键点之间遇到的所有像素点的个数，从而可以确定邻接矩阵中的对角线以外的元素的值，即利用邻接矩阵中对角线以外的元素存储各关键点之间的距离信息。

除了用邻接矩阵存储各关键点的信息和各关键点之间的距离信息外，其他的存储方式也可以，本发明对此不作限制。

S102：根据样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取样本的结构特征图与各注册样本的结构特征图之间的图距离。

数据库中各注册样本的结构特征图对应的邻接矩阵的获取方式与样本的结构特征图对应的邻接矩阵的获取方式相同。

图距离为由样本的结构特征图转换到注册样本的结构特征图的过程中最小转换代价和。

假设样本的手背静脉图像的结构特征图为G1，数据库中注册样本的手背静脉图像的结构特征图为G2，可通过点或边的增加、删除或者替换等图操作，最终能将图G1转换到图G2，把每个图操作定义为一个代价，将所有图操作代价相加，将得到一个数值，将图G1转换到图G2有多种图操作序列，相应地，对应多种代价和，将代价和最小的值定义为图G1和图G2之间的图距离，记为S（G1，G2），图距离越小表示图G1和图G2越相似。

假设图G1的邻接矩阵为K1，图G2的邻接矩阵为K2。

图操作包括删除点、增加点、替换点、删除边、增加边、替换边操作，每种图操作的代价的计算方式如下：

（1）删除点的代价ND（i）：删除图G1中点i代价为连接此点上所有边的长度和，一个点连接边越多越长，点越重要，删除它需要的代价越大，删除点i的代价ND（i）可采用如下公式计算：

$\mathrm{ND}\left(i\right)=\underset{j\&NotEqual;i}{\mathrm{\&Sigma;}}{k1}_{i,j}$

即为邻接矩阵K1中第i行所有非对角线元素的值的和。

（2）增加点的代价NA（i）：将图G2中点i增加到图G1中的代价NA（i）为G2中点i所连接的所有边的长度和，计算公式如下：

$\mathrm{NA}\left(i\right)=\underset{j\&NotEqual;i}{\mathrm{\&Sigma;}}{k2}_{i,j}$

即为邻接矩阵K2中第i行所有非对角元素的值得和。

（3）删除边的代价ED（e）：删除图G1中边e的代价为此边的长度，边e为点i与点j之间的边，计算公式如下：

ED(e)=k1_i,j

即为邻接矩阵K1中第i行j列的元素的值。

（4）增加边的代价EA（e）：将图G2中的边e增加到图G1中的代价为此边的长度，边e为点i与点j之间的边，计算公式如下：

EA(e)=k2_i,j

即为邻接矩阵K2中第i行j列的元素的值。

增加一条边与删除一条边的代价相同。

（5）替换边的代价ES（e1，e2），将G1中边e1替换为图G2中边e2的代价为两条边长度的差的绝对值，e1为点边G1中点i1与点j1之间的边，e2为G2中点i2与点j2之间的边，计算公式如下：

ES(e1,e2)=|k1_i1,j1-k2_i2,j2|

即为邻接矩阵K1中第i1行j1列的元素的值与邻接矩阵K2中第i2行j2列的元素的值的差值的绝对值。

（6）替换点的代价NS（i1，i2），将图G1中的点i1替换为图G2中的点i2的代价为：

NS(i1,i2)=D(i1,i2)+W_i1,i2

其中，(x1,y1),(x2,y2)分别为图G1中的点i1的坐标和图G2中的点i2的坐标。W_i1,i2为将图G1的点i1连接的边转换到图G2的点i2连接的边的代价中最小的代价，采用匈牙利算法对图G1的点i1连接的边与图G2的点i2连接的边进行匹配，获得最小的代价W_i1,i2。然后再采用匈牙利算法得到最佳的点匹配对应的图操作。匈牙利算法能够得到图G1与图G2中点之间的一对一匹配，并且此匹配是所有可能匹配中的代价最小的匹配，匈牙利算法要求G1和G2的点数必须相等，在实际中，两个手背静脉图像的关键点个数很难保证相等，因此，采用增添虚拟点的方式来实现两个图中点数的相等。如果图G1匹配到一个图G2的虚拟点，则对应的图操作为删除图G1的点，反之，如果图G1的一个虚拟点匹配到图G2的，则对应的图操作为增加图G1的点。假设图G1的邻接矩阵K1为

$\left[\begin{array}{cccc}\left(\mathrm{1,1}\right)& 5& 0& 0\\ 4& \left(\mathrm{10,4}\right)& 7& 0\\ 0& 7& \left(\mathrm{6,7}\right)& 0\\ 0& 0& 14& \left(\mathrm{14,7}\right)\end{array}\right]$

假设图G2的邻接矩阵K2为: $\left[\begin{array}{ccc}\left(\mathrm{9,2}\right)& 7& 0\\ 7& \left(\mathrm{4,6}\right)& 14\\ 0& 14& \left(\mathrm{13,6}\right)\end{array}\right]$

其中，（1，1）、（10，4）、（6，7）、（14，7）分别为图G1点1、点2、点3、点4的坐标；（9，2）、（4，6）、（13，6）分别为图G2点a、点b、点c的坐标。

图8为本发明采用匈牙利算法得到的匹配示意图，如图8所示，则将图G1转换到图G2过程最小转换代价和对应的图操作为将图G1的点2替换为图G2的点a，将图G1的点3替换为图G2的点b，将图G1的点3替换为图G2的点c，图G1的点1对应图G2的虚拟点d’即删除图G1的点1，利用邻接矩阵K1和邻接矩阵K2记录的关键点坐标信息和关键点之间的距离信息，利用各图操作代价的计算公式，将所有图操作代价求和即可得到图距离S（G1，G2）。

可以获知，图G1与图G2之间的图距离为：5+7.236+1.414+1.414=15.064。

可采用相同的计算方法获取到样本的结构特征图与各注册样本的结构特征图之间的图距离。

图距离越小表示图G1和图G2越相似，反之，差异越大。

S103：在样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定样本的身份。

在S102步骤中会获取到至少一个图距离，获取图距离中具有最小图距离的注册样本，将最小图距离的注册样本的身份作为待识别样本的身份。

现有技术中，通过样本的手背静脉图像的关键点的坐标信息与数据库中各注册样本的关键点的坐标信息进行匹配，获取样本的身份信息，由于手背静脉图像的关键点个数有限，不能准确的体现手背静脉图像的独特性，因此，识别准确率不高。

而本实施例中，通过获取样本的手背静脉图像，获取样本的手背静脉图像的结构特征图对应的邻接矩阵，根据样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取样本的结构特征图与各注册样本的结构特征图之间的图距离，在样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定样本的身份，由于邻接矩阵中包括手背静脉图像结构特征图中各关键点的位置信息以及各关键点之间的距离信息，能够更好的体现手背静脉图像的独特性，因此，能够提高基于手背静脉图像的身份识别的准确率。

图9为本发明基于手背静脉图像的身识别方法实施例二的流程示意图，如图9所示，本实施例是在图1所示实施例的基础上，通过进一步地结合手背静脉图像的局部二值模式（Local Binary Pattern，以下简称：LBP）特征向量，提高识别的准确率，本实施例的方法包括：

S901：获取样本的手背静脉图像的LBP特征向量。

LBP特征向量用于表征手背静脉图像的纹理信息，本实施例采用圆形邻域均匀LBP模式获得手背静脉图像的LBP特征，图10为本发明LBP特征向量提取的示意图，如图10所示，首先，将获得手背静脉图像等分为N个小区域，这样能够更详细的描述手背静脉图像的纹理特征，在具体实施过程中，根据不同情况N可以取不同的值，可通过尝试不同的N值，根据识别结果确定N具体取何值时识别准确率高，本实施例中的N取值36，假设Ni为其中任意一个小区域，p为该区域的任意一个非边缘点，p点的像素值为k，在以p点为圆心半径为r的圆上取n个等距离分布的点，r和n的取值可以根据实际情况确定，在本实施例中r的值为1，n的值为8，如图所示，这8个点为p的邻居点，如果某点的坐标不是整数则通过双线性差值得到它的像素值，假设对应的8个像素值为分别为k1、k2、k3、k4、k5、k6、k7、k8。将k1至k8依次分别与k作差，如果大于等于0则记为1，否则记为0，这样就得到一个8位二进制序列，其对应的十进制数d即为p点的LBP值。对于一个二进制序列，如果它至多出现两次从1到0或者从0到1的变换，这样的二进制序列就称为均匀二进制序列，如11001111为均匀二进制序列，对于所有的8位二进制序列，共有58种均匀序列，以图10为例，假设中心点p的像素值为4，邻居点像素值k1到k8分别为5，9，1，6，3，2，7，4，则p点生成的二进制序列为11010011，该序列中有4次0到1或1到0变换，因此，为非均匀序列，其对应的十进制为211。按这种方式对Ni内所有的非边缘点求LBP值，所有的LBP值分布在0到255之间，但是这些值的分布并不均匀，其中，均匀二进制序列对应的值大概占90%的比例，非均匀二进制序列大概占10%的比例。对Ni区域中的所有非边缘像素点的LBP值出现的次数进行统计，每个均匀二进制序列对应的LBP值单独统计，所有不属于均匀序列的LBP值统计在一起，即统计每个均匀二进制序列对应的LBP值出现的次数，得到58维向量，并统计所有非均匀二进制序列对应的LBP值出现的次数的和，与得到的58维向量组成一个59维的向量，即Ni区域可以用一个59维向量来表征其纹理信息，对手背静脉图像的其他N-1个区域采用相同的操作，也可得到每个区域的59维向量，一幅完整的手背静脉图像即可由N×59维的LBP特征向量来表征；本实施例中，N取36，即可通过一个2124维的LBP特征向量来表征样本的手背静脉图像。

S902：根据样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离。

数据库中各注册样本的手背静脉图像的LBP特征向量是预先存储在数据库中，其获取方式与S901中的样本的手背静脉图像的LBP特征向量的获取方式相同，此处不再赘述。

将样本的手背静脉图像的LBP特征向量记为S，Sj为该向量中的第j个元素，j的取值大于等于0小于等于N×59-1；数据库中注册样本的手背静脉图像的LBP特征向量记为M，Mj为该向量中第j个元素，j的取值大于等于0小于等于N×59-1，那么，样本的手背静脉图像的LBP特征向量S与注册样本的手背静脉图像的LBP特征向量M的卡方距离记为X（S，M），采用如下公式计算：

$X(S,M)=\underset{j=0}{\overset{N\&times;59-1}{\mathrm{\&Sigma;}}}\frac{{(S_j-M_j)}^2}{(S_j+M_j)}$

采用上述公式根据样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征量，获取样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离。

S903：获取各图距离与各卡方距离的乘积。

采用如下公式计算各乘积：

D=S（G1，G2）×X（S，M）

具体地，各图距离的获取方法与图1所示实施例相同，此处不再赘述。

S904：在各图距离与各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定样本的身份。

乘积值越小说明样本与注册样本越相似，因此，获取具有最小乘积的注册样本，将最小乘积的注册样本的身份作为样本的身份。

本实施例中对获取各图距离与各卡方距离的先后顺序不做限制。

本实施例通过获取样本的手背静脉图像的LBP特征向量，根据样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离，获取各图距离与各卡方距离的乘积，在各图距离与各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定样本的身份。LBP特征向量用于表征手背静脉图像的纹理信息，邻接矩阵用于表征手背静脉图像的结构特征，卡方距离体现样本手背静脉图像与注册样本手背静脉图像的纹理信息相似度，图距离体现样本手背静脉图像与注册样本手背静脉图像的结构特征相似度，即本实施例通过结合手背静脉图像的纹理信息与结构特征对样本手背静脉图像进行识别，进一步地提高了基于手背静脉图像的身份识别的准确率。

图11为本发明基于手背静脉图像的身份识别方法实施例三的流程示意图，如图11所示，本实施例的方法是在图1或图9所示实施例的基础上，进一步地，通过细化能量损失（Thinning Energy Cost，以下简称：TEC）特征向量缩小数据库中注册样本的数量，从而提高身份识别效率，本实施例的方法包括：

S1101：获取样本的手背静脉图像的TEC特征向量。

在将手背静脉图像处理成二值化手背静脉图像后，根据预设规则从二值化手背静脉图像进行细到手背静脉骨骼图像，细化的过程即为按照预设规则不断将静脉部分的像素点删除，即将静脉部分的像素点变为背景部分的像素点，直到成为静脉骨骼图像，在本发明实施例中，要求手背静脉骨骼图像中所有静脉只有1像素宽并且在非终点处不间断。

图12为本发明像素点的邻域示意图，如图12所示，假设静脉上的点P1和它的3×3邻域内的8个像素点，按照顺时针排列为P2、P3、P4、P5、P6、P7、P8、P9。

定义函数B（P1）的值为P2到P9中非0元素（假设静脉上的点像素值为1，背景点的像素值为0）的个数；

定义函数A（P1）的值为序列P2、P3、P4、P5、P6、P7、P8、P9、P2中01模式的个数。

如果P1同时满足下面四条规则，则将P1像素点删除（即值从1变为0）：

规则1：2<=B(P1)<=6

规则2：A(P1)=1

规则3：P2、P4、P8的像素值至少一个为0或者A(P2)!=1

规则4：P2、P4、P6的像素值至少一个为0或者A(P4)!=1

按照上述规则，不断对整个图像进行遍历，每遍历一次中删除同时满足上述四个规则的像素点，直到没有像素点可以被删除为止，最终的结果即为手背静脉骨骼图像，本实施例中的删除像素点是指将像素点的像素值由静脉点像素值变为背景点像素值，例如，静脉点的像素值为1，背景点的像素值为0，则删除像素点的个数是指在一次遍历过程中，将像素值从1变为0的像素点的个数，在一个向量中记录每次遍历过程中被删除的像素点的个数，此向量即为TEC特征向量，TEC特征向量的长度为根据预设规则从二值化手背静脉图像细化到手背静脉骨骼图像遍历整个图像的次数，TEC特征向量中每个元素的值为每次遍历中删除的像素点的个数。

TEC特征是一种比较弱的特征，只能粗略的反应每个个体的手背静脉特性，单独采用TEC进行识别的准确率很低。但是TEC特征向量的平均维数一般不超过100，单独采用TEC进行识别的速度非常快。因此，可利用TEC特征来快速排除不合格样本，减少图1或9所示实施例中数据库中各注册样本的数量，进一步提高身份识别效率。

S1102：根据样本的手背静脉图像的TEC特征向量和数据库中各注册样本的手背静脉图像的TEC特征向量，获取样本的手背静脉图像的TEC特征向量与各注册样本的手背静脉图像的TEC特征向量之间的欧式距离。

欧氏距离值越小说明样本的手背静脉图像与数据库中注册样本的手背静脉图像的相似度越高。

S1103：根据各欧式距离获取筛选后的各注册样本。

具体地，可以是将各欧式距离值按照从大到小的顺序进行排序，取序列中后N个欧氏距离对应的注册样本作为图1或图3所示实施例的数据库的各注册样本，即筛选后的各注册样本。

可选地，也可以按照从小到大的顺序进行排序，相应地，则取前N个欧氏距离对应的注册样本作为图1或图9所示实施例的数据库的各注册样本，即筛选后的各注册样本。

N的取值依实际情况而定。

也可以将各欧氏距离值中小于某一预设值的欧氏距离对应的注册样本作为图1或图9所示实施例中数据库的各注册样本，即筛选后的各注册样本。

本发明对采用TEC特征获取到筛选后的各注册样本的方式不做限制，只要是通过TEC特征缩小数据库中各注册样本的范围都是本发明所保护的范围。

本实施例中S1101到S1103的步骤结合到图1或图9实施例中，即图1或图9中与样本的手背静脉图像比对的数据库中各注册样本的手背静脉图像的为筛选后的各注册样本，减少了比对的注册样本的数量，能够提高基于手背静脉图像的身份识别的效率。

值得说明的是，在执行上述各实施例的步骤之前，在数据库中存储了各注册样本的特征信息，各注册样本的特征信息包括以下至少一种，各注册样本的手背静脉图像的邻接矩阵；各注册样本的手背静脉图像的LBP特征向量；各注册样本的手背静脉图像的TEC特征向量；获取各注册样本的邻接矩阵、LBP特征向量、TEC特征向量的方法与上述各实施例相同，此处不再赘述。

在数据库中还应该存储各注册样本的特征信息与各注册样本的身份的对应关系。

本发明还采用实验数据进行了验证，采用北方工业大学手背静脉图像数据库，该数据库包含2040张近红外下的手背静脉图像，来自102个人，其中52个女性，50个男性，每个人贡献左右手各10张手背静脉图像。本实验将左手和右手作为不同的类别（身份），所以共204个类别，各个类别中的5张手背静脉图像作为数据库中的注册样本，其它用作样本。

对于TEC特征，如果认为样本与它欧式距离最近的注册样本来自同一个类，那么对于1020个样本的识别正确率为57.45%。但是有99.71%的样本的真实类出现在它前200个TEC特征近邻中。如果将此200个近邻的类做为候选类，其他类排除，那么平均匹配的范围将从1020缩减到377，并且这些样本的TEC特征最高维数为132，因此TEC特征能在很短的时间内将匹配范围缩小。然后，利用LBP特征和图距离的融合特征与数据库中注册样本进行匹配，LBP特征和图距离的融合的原则为乘法原则，将距离最小的注册样本的类赋予样本，识别的正确率为96.67%。

本实验还测试了不同分块下的LBP分类正确率，如表1所示。

表1：不同分块数下的LBP分类正确率

分块数	正确率
		16	89.51%
25	90.78%
		36	90.88%
49	92.06%
		64	92.75%
81	92.45%
		100	91.57%

从上表可以看到单独的LBP分类正确率最高在分64块的时候达到92.75%，正确率最高。

图13为发明基于手背静脉图像的身份识别方法实施例一的结构示意图，本实施例的装置包括获取模块1301、处理模块1302和验证模块1303，其中，获取模块1301用于获取样本的手背静脉图像，获取样本的手背静脉图像的结构特征图对应的邻接矩阵，邻接矩阵包括结构特征图中各关键点的位置信息以及各关键点之间的距离信息；处理模块1302用于根据样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取样本的结构特征图与各注册样本的结构特征图之间的图距离，图距离为由样本的结构特征图转换到注册样本的结构特征图的过程中最小转换代价和；验证模块1303用于在样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定样本的身份。

本实施例的装置，可用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在上述实施例中，获取模块1301在获取样本的手背静脉图像之后，还用于获取样本的手背静脉图像的LBP特征向量。

处理模块1302还用于根据样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离；并获取各图距离与各卡方距离的乘积。

相应地，验证模块1303具体用于在各图距离与各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定样本的身份。

本实施例的装置，可用于执行图9所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在上述实施例中，数据库中各注册样本为筛选后的各注册样本。

获取模块1301还用于获取样本的手背静脉图像的TEC特征向量。

TEC特征向量的长度为根据预设规则从二值化手背静脉图像细化到手背静脉骨骼图像遍历整个图像的次数，TEC特征向量中每个元素的值为每次遍历过程中被删除的像素点的个数。

处理模块1302还用于根据样本的手背静脉图像的TEC特征向量和数据库中各注册样本的手背静脉图像的TEC特征向量，获取样本的手背静脉图像的TEC特征向量与各注册样本的手背静脉图像的TEC特征向量之间的欧氏距离；并根据各欧式距离获取筛选后的各注册样本。

本实施例的装置，可用于执行图11所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在上述实施例中，邻接矩阵K={k_ij}，其中， $k_{\mathrm{ij}}=\left\{\begin{array}{c}(x,y),i=j\\ q,i\&NotEqual;j\end{array}\right.,$ （x,y）表示手背静脉图像的关键点的坐标，q表示手背静脉图像关键点i与j之间的像素点个数。

手背静脉图像关键点为手背静脉图像中各静脉的交叉点或终点。

在上述实施例中，获取模块获取样本的手背静脉图像之前，还用于采集数据库中的各注册样本的特征信息；各注册样本的特征信息至少包括下述任一种信息：各注册样本的手背静脉图像的邻接矩阵；各注册样本的手背静脉图像的LBP特征向量；各注册样本的手背静脉图像的TEC特征向量。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于手背静脉图像的身份识别方法，其特征在于，包括：

获取样本的手背静脉图像，获取所述样本的手背静脉图像的结构特征图对应的邻接矩阵，所述邻接矩阵包括所述结构特征图中各关键点的位置信息以及各关键点之间的距离信息；

根据所述样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取所述样本的结构特征图与各注册样本的结构特征图之间的图距离，所述图距离为由所述样本的结构特征图转换到所述注册样本的结构特征图的过程中最小转换代价和；

在所述样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定所述样本的身份；

其中，所述数据库中各注册样本为筛选后的各注册样本；

所述筛选后的各注册样本的获取方法如下：

获取所述样本的手背静脉图像的细化能量损失TEC特征向量；

所述TEC特征向量的长度为根据预设规则从二值化手背静脉图像细化到手背静脉骨骼图像遍历整个图像的次数，所述TEC特征向量中每个元素的值为每次遍历过程中被删除的像素点的个数；

根据所述样本的手背静脉图像的TEC特征向量和数据库中各注册样本的手背静脉图像的TEC特征向量，获取所述样本的手背静脉图像的TEC特征向量与各注册样本的手背静脉图像的TEC特征向量之间的欧氏距离；

根据所述各欧式距离获取筛选后的各注册样本。

2.根据权利要求1所述的方法，其特征在于，所述获取样本的手背静脉图像之后，还包括：

获取所述样本的手背静脉图像的局部二值模式LBP特征向量；

根据所述样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取所述样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离；

获取所述各图距离与所述各卡方距离的乘积；

相应地，所述在所述样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定所述样本的身份包括：

在所述各图距离与所述各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定所述样本的身份。

3.根据权利要求1所述的方法，其特征在于，所述邻接矩阵K＝{k_ij}，其中， $k_{\mathrm{ij}}=\left\{\begin{array}{c}(x,y),i=j\\ q,i\&NotEqual;j\end{array}\right.,$ (x,y)表示手背静脉图像的关键点的坐标，q表示手背静脉图像关键点i与j之间的像素点个数；

所述手背静脉图像关键点为手背静脉图像中各静脉的交叉点或终点。

4.一种基于手背静脉图像的身份识别装置，其特征在于，包括：

获取模块，用于获取样本的手背静脉图像，获取所述样本的手背静脉图像的结构特征图对应的邻接矩阵，所述邻接矩阵包括所述结构特征图中各关键点的位置信息以及各关键点之间的距离信息；

处理模块，用于根据所述样本的结构特征图对应的邻接矩阵和数据库中各注册样本的结构特征图对应的邻接矩阵，获取所述样本的结构特征图与各注册样本的结构特征图之间的图距离，所述图距离为由所述样本的结构特征图转换到所述注册样本的结构特征图的过程中最小转换代价和；

验证模块，用于在所述样本的结构特征图与各注册样本的结构特征图之间的图距离中，获取具有最小图距离的注册样本，以确定所述样本的身份；

其中，所述数据库中各注册样本为筛选后的各注册样本；

所述获取模块，还用于获取所述样本的手背静脉图像的细化能量损失TEC特征向量；

所述TEC特征向量的长度为根据预设规则从二值化手背静脉图像细化到手背静脉骨骼图像遍历整个图像的次数，所述TEC特征向量中每个元素的值为每次遍历过程中被删除的像素点的个数；

所述处理模块，还用于根据所述样本的手背静脉图像的TEC特征向量和数据库中各注册样本的手背静脉图像的TEC特征向量，获取所述样本的手背静脉图像的TEC特征向量与各注册样本的手背静脉图像的TEC特征向量之间的欧氏距离；并根据所述各欧式距离获取筛选后的各注册样本。

5.根据权利要求4所述的装置，其特征在于，所述获取模块在获取样本的手背静脉图像之后，还用于获取所述样本的手背静脉图像的局部二值模式LBP特征向量；

所述处理模块，还用于根据所述样本的手背静脉图像的LBP特征向量和数据库中各注册样本的手背静脉图像的LBP特征向量，获取所述样本的手背静脉图像的LBP特征向量与各注册样本的手背静脉图像的LBP特征向量之间的卡方距离；并获取所述各图距离与所述各卡方距离的乘积；

相应地，所述验证模块具体用于在所述各图距离与所述各卡方距离的乘积中，获取具有最小乘积的注册样本，以确定所述样本的身份。

6.根据权利要求4所述的装置，其特征在于，所述邻接矩阵K＝{k_ij}，其中， $k_{\mathrm{ij}}=\left\{\begin{array}{c}(x,y),i=j\\ q,i\&NotEqual;j\end{array}\right.,$ (x,y)表示手背静脉图像的关键点的坐标，q表示手背静脉图像关键点i与j之间的像素点个数；

所述手背静脉图像关键点为手背静脉图像中各静脉的交叉点或终点。