CN103679136A - 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 - Google Patents

Abstract

发明提出基于局部宏观特征和微观特征结合的手背静脉身份识别方法，属于计算机视觉中的智能监控技术领域，包括步骤一：图像预处理；步骤二：提取图像宏观特征；步骤三：提取图像微观特征；步骤四：加权融合；步骤五：通过分类器识别。本发明所提方法，对图像每像素点周围的宏观信息与微观信息进行了二进制编码，充分了提取出图像信息，对图像噪声拥有更强的鲁棒性，融合特征所得到的结果优于仅使用局部宏观特征的识别结果和使用局部微观特征的识别结果。并且特征向量维数低，减小了运算量，在性能上可以很好的达到利用手背静脉完成身份识别验证。

Description

基于局部宏观特征和微观特征结合的手背静脉身份识别方法

技术领域

本发明涉及基于局部宏观特征和微观特征结合的手背静脉身份识别方法，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

利用手背静脉信息进行身份识别是近十几年发展起来的一种新的生物识别方法。与传统的密码、卡号、用户名、钥匙和证件等身份识别方法相比较，基于指纹、人脸、虹膜、笔迹、声纹、步态和静脉等生物特征识别方法具有不易丢失、不易复制和随身携带等诸多优点，得到越来越多的深入研究与推广应用。相比较其他的生物特征识别方法，手背静脉识别具有鲜明的特色：

(1)手背静脉特征具有很好的普遍性和唯一性。即使是同一个人的左右手或者是双胞胎，也会因为发育过程的随机性导致手背静脉分布结构的差异。同时，当人体发育成熟后，手背静脉的分布结构除非进行手术或药物作用，否则不再变化。

(2)由于手背静脉血管位于体表内部，不易受到污染和划伤等外界因素的影响。由于血液和皮下脂肪对近红外光的吸收率不同，通常采用近红外反射成像，获得对比度清晰的手背静脉纹理图像。

(3)近红外反射成像设备属于非接触类型，且造价低廉，用户和制造商都容易接受。

局部二值模式(LBP)是一种有效的纹理描述算子，它把所要检测的细小纹理进行建模，在图像中搜索重复的模式，以各纹理出现的次数为图像的特征。经过十几年发展，LBP算子得到不断的改进和演化，被广泛地应用于纹理分割、纹理分类、人脸识别等数字图像处理领域。但对于手背静脉图像这种纹理特征与结构特征兼有的图像而言，LBP算子过分强调了纹理特征，而忽视了其较大的纹理结构。

发明内容

针对现有技术中存在的问题，本发明在LBP算子基础上提出了MB-CSLBP(multi-blockcenter-symmetric LBP，即多分块中心对称LBP)描述算子，实现了基于局部宏观特征和微观特征结合的手背静脉身份识别方法，充分了利用了图像信息，提高了手背静脉识别系统的识别率。

利用MB-CSLBP算子提取图像每一点的局部特征，首先取出某像素周围L×L(L＞＝9且为3的倍数)尺寸的像素区域，将L×L区域等分为3*3共9块，各块求均值后，形成3×3的像素块是该像素周围区域的一个缩影。该块的外侧8个像素中，从左上角像素开始，使顺时针方向前4个像素与其中心对称的像素比较大小，大则置1，小则置0，从而形成一个4维的二进制向量，对应一个0～15的数字，就是该像素周围宏观区域的一个描述。且当L取的越大，其描述的宏观区域越大。该像素的宏观区域编码是边缘点与其中心对称点进行比较，其周围L×L像素块的中心区域没有利用到，而此区域表达的该像素的一个微观纹理。取该像素周围3×3像素块，依然用上述方法对此区域进行中心对称编码，得到一个0～15的数字，就是该像素周围微观区域的一个描述。分别生成图像各点宏观和微观编码后的直方图向量，作为图像特征。在测试阶段，提取测试图片的宏观特征与微观特征，与注册图片特征计算欧氏距离后，将两个距离做加权融合，使用最近邻分类器得到识别结果。

本发明由于采取以上技术方案，其具有以下优点：

(1)宏观描述由于采用大区域取均值算法，因此对图像噪声更不敏感；

(2)对像素周围的宏观区域和微观区域都进行了描述，且两种特征信息互补，更好的体现了每一点的特性；

(3)采用中心对称方式，而不是原始的环形比较方式，这种方法对像素点的临域关系描述性更强；

(4)中心对称编码长度为4维，因此图像特征向量长度为16，比原来的256(2⁸)维显著减少，降低了运算量。

附图说明

图1是本发明提出的基于局部宏观特征和微观特征结合的手背静脉身份识别法的流程图；

图2是采集的手背静脉图像；

图3是提出的MB-CSLBP算子示意图；

图4是提取纹理特征时对手背静脉的分块操作示意图。

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：图像预处理

使用近红外图像采集设备采集手背静脉图像，通过手型轮廓的约束在手背正中央提取稳定的矩形区域，作为后续特征提取的有效区域。在此区域上做5×5的均值滤波，减少图像噪声。

步骤二：提取宏观特征

将滤波后的手背区域平均分成N个子块，如图4所示，从每个子块中提取特征，最后将N个特征向量拼接在一起，组成整幅图像的特征。首先提取图像宏观特征：

(1)每一像素取以其为中心的L×L像素，将其均分为3×3共9个区域，对每个区域取均值后，此L×L像素投影为3×3的小像素区域，如图3右侧上方3×3矩阵所示(L＝9)。

(2)对此3×3像素进行编码：设此时中心像素为I_i，j，根据周围8个像素中中心对称像素的大小关系，置其为1或0，编出4位二进制序列，并转换为10进制数，即：

MB-CSLBP(micro)＝s(I_i-1，j-1-I_i+1，j+1)2⁰+s(I_i-1，j-I_i+1，j)2¹+s(I_i-1，j+1-I_i+1，j-1)2²+s(I_i，j+1-I_i，j-1)2³

其中：

(3)形成宏观特征向量：手背静脉图像的每个像素点经编码后，求得图像N个子块的直方图向量H₁，H₂，...，H_N。因4位的二进制序列对应0～15间的十进制数，故每个直方图向量h_i都为16维。再将所有特征按照下式连接起来，形成16×N维的宏观纹理特征向量H_macro：

H_macro＝[H₁ h₂ … H_N]

步骤三：提取微观特征

在步骤二中，对每一像素点周围L*L像素区域编码时，采用中心对称编码方式，遗漏了像素点周围小范围的信息，由图3右侧下方3×3矩阵所示。而此信息是描述像素点特性的重要信息，我们称之为图像的微观特征。取点周围3×3像素区域，以中心对称编码方式对各点编码：

MB-CSLBP(macro)＝s(I_i-1，j-1-I_i+1，j+1)2⁰+s(I_i-1，j-I_i+1，j ⁾2¹+s(I_i-1，j+1-I_i+1，j-1)2²+s(I_i，j+1-I_i，j-1)2³

编码后拼接图像N个子块的直方图向量h₁，h₂，...，H_N，形成16*N维的微观纹理特征向量H_micro：

H_micro＝[h₁ h₂ … h_N]

步骤四：加权融合

在对测试图片进行识别时，采取宏观特征与微观特征决策层融合的融合办法。设训练样本共有S类，对于某测试样本，提取其宏观与微观特征后，分别与S类训练样本的宏观特征向量和微观特征向量求欧式距离，得：

Dist_macro＝[dist¹ _macro，dist² _{macro，...，}dist^s _macro]与

Dist_micro=[dist¹ _micro，dist² _micro，...，dist³ _micro]

将这两类距离做加权融合，作为测试样本与训练样本的距离：

Dist＝W1×Dist_macro+W2×Dist_micro

步骤五：通过分类器识别

在所得距离Dist中，寻找与注册样本距离最小的一类为测试图片的所在类。如下所示，

$t^{*}=\underset{t=1}{\overset{S}{\min }}\left\{\mathrm{Dist}\left(t\right)\right\}$

即该测试样本特征与第t^*类注册样本的特征距离最小，该测试样本被识别为与t^*同类。

利用本发明提出的基于局部宏观特征和微观特征结合的手背静脉身份识别方法，我们与传统LBP、单独使用局部宏观特征和单独使用局部微观特征进行了实验对比。对比试验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提出的基于局部宏观特征和微观特征结合的手背静脉身份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

特征	测试图像(张)	正确识别(张)	识别率(％)
				传统LBP特征	1020	999	97.9
局部宏观特征	1020	1003	98.3
				局部微观特征	1020	1001	98.1
融合特征	1020	1007	98.7

Claims (6)

1.一种基于局部宏观特征和微观特征结合的手背静脉身份识别方法，包括以下步骤：

步骤1：图像预处理，提取手背静脉图像的矩形区域并进行去噪处理，得到去噪后的矩形静脉图像；

步骤2：提取去噪后的矩形静脉图像特征，形成特征向量；

步骤3：利用提取的特征向量通过分类器进行识别；

其特征在于：

在所述步骤2中，对图像特征的提取包括宏观特征和微观特征，分别形成宏观特征向量H_macro和微观特征向量H_micro。

2.根据权利要求1所述的方法，其特征在于：在步骤1中，使用近红外图像采集设备采集手背静脉图像，通过手型轮廓的约束在手背正中央提取稳定的矩形区域，作为后续特征提取的有效区域，在所述有效区域上做5×5的均值滤波进行所述去噪处理。

3.根据权利要求1所述的方法，其特征在于：所述步骤2中，首先将去噪处理后的手背区域图像平均分成N个子块，再从每个子块中提取所述宏观特征和微观特征，所述宏观特征形成步骤为：

a.针对每个子块的每一像素J_i，j，取以所述像素为中心的L×L像素，并将该L×L像素均分为3×3共9个区域，对9个区域的每个取均值后，此L×L像素投影为3×3的小像素区域；

b.对上述3×3的小像素区域进行编码：设3×3的小像素区域中心像素为I_i，j，从左上角像素开始，使顺时针方向前4个像素与其中心对称的像素比较大小，大则置1，小则置0，编出4位二进制序列，并转换为10进制数，即：

MB-CSLBP(macro)＝S(I_i-1，j-1-I_i+1，j+1)2⁰+S(I_i-1，j-I_i+1，j)2¹+s(I_i-1，j+1-I_i+1，j-1)2²+s(I_i，j+1-I_i，j-1)2³

其中：

c形成特征向量：对第N个子块的每个像素点编码形成直方图向量H_k(k＝1，2…N)，因4位的二进制序列对应0～15间的十进制数，故每个直方图向量H_k都为16维，再将所有直方图向量按照下式连接起来，形成16×N维的宏观纹理特征向量H_macro

H_macro＝[H₁ H₂ … H_N]

所述微观特征形成步骤为：

在提取宏观特征时，针对被计算宏观特征的每个子块的每一像素J_i，j，取其周围3×3像素区域，以中心对称编码方式对各点编码：

MB-CSLBP(micro)＝s(J_i-1，j-1-J_i+1j+1)2⁰+S(J_i-1，j-J_i+1，j)2¹+s(J_i-1，j+1-J_i+1，j-1)2²+s(J_i，j+1-J_i，j-1)2³

类似宏观纹理特征向量的形成方式，编码后拼接图像N个子块的直方图向量h₁，h₂，...，h_N，形成16*N维的微观纹理特征向量H_micro：

H_micro＝[h₁ h₂ … h_N]

4.根据权利要求3所述的方法，其特征在于：在所述步骤2后，还包括步骤2-1：加权融合，对宏观特征和微观特征进行融合。

5.根据权利要求4所述的方法，其特征在于：所述加权融合步骤具体为：

设训练样本共有S类，对于某测试样本，提取其宏观与微观特征后，分别与S类训练样本的宏观纹理特征向量和微观纹理特征向量求欧式距离，得：

Dist_macro＝[dist¹ _macro，dist² _macro，...，dist^s _macro]与

Dist_micro＝[dist¹ _micro，dist² _micro，...，dist^s _micro]

将这两类距离做加权融合，作为测试样本与训练样本的距离：

Dist＝w1×Dist_macro+w2×Dist_micro。

6.根据权利要求5所述的方法，其特征在于：在步骤3的识别具体为：

在所有距离Dist中，寻找与注册样本距离最小的一类为测试图片的所在类，如下所示：

$t^{*}=\underset{t=1}{\overset{S}{\min }}\left\{\mathrm{Dist}\left(t\right)\right\}$

即该测试样本特征与第t^*类注册样本的特征距离最小，该测试样本被识别为与t^*同类。

Images