CN103679136B - 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
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 Download PDFInfo
- Publication number
- CN103679136B CN103679136B CN201310504874.6A CN201310504874A CN103679136B CN 103679136 B CN103679136 B CN 103679136B CN 201310504874 A CN201310504874 A CN 201310504874A CN 103679136 B CN103679136 B CN 103679136B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- dist
- pixel
- microscopic
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 210000003746 feather Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
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
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-block center-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Ii,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(Ii-1,j-1-Ii+1,j+1)20+s(Ii-1,j-Ii+1,j)21+s(Ii-1,j+1-Ii+1,j-1)22+s(Ii,j+1-Ii,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,...,HN。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hi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Hmacro:
Hmacro=[H1 h2 … HN]
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(Ii-1,j-1-Ii+1,j+1)20+s(Ii-1,j-Ii+1,j )21+s(Ii-1,j+1-Ii+1,j-1)22+s(Ii,j+1-Ii,j-1)23
编码后拼接图像N个子块的直方图向量h1,h2,...,HN,形成16*N维的微观纹理特征向量Hmicro:
Hmicro=[h1 h2 … hN]
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:
Distmacro=[dist1 macro,dist2 macro,...,dists macro]与
Distmicro=[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×Distmacro+W2×Distmicro
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,
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 (5)
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Hmacro和微观特征向量Hmicro;
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Ji,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个区域的每个区域取其所有像素的像素值均值后,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Ii,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(Ii-1,j-1-Ii+1,j+1)20+s(Ii-1,j-Ii+1,j)21+s(Ii-1,j+1-Ii+1,j-1)22+s(Ii,j+1-Ii,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Hk,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Hk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维的宏观特征向量Hmacro
Hmacro=[H1 H2 … HN]
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Ji,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(Ji-1,j-1-Ji+1,j+1)20+s(Ji-1,j-Ji+1,j)21+s(Ji-1,j+1-Ji+1,j-1)22+s(Ji,j+1-Ji,j-1)23
类似宏观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,...,hN,形成16*N维的微观特征向量Hmicro:
Hmicro=[h1 h2 … hN]。
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: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决策层的融合。
4.根据权利要求3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类训练样本的宏观特征向量和微观特征向量求欧式距离,得:
Distmacro=[dist1 macro,dist2 macro,...,dists macro]与
Distmicro=[dist1 micro,dist2 micro,...,dists 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×Distmacro+w2×Distmicro。
5.根据权利要求4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,寻找与训练样本距离最小的一类为测试样本的所在类,如下所示:
<mrow>
<msup>
<mi>t</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<munderover>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>S</mi>
</munderover>
<mo>{</mo>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
即该测试样本特征与第t*类训练样本的特征距离最小,该测试样本被识别为与t*同类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310504874.6A CN103679136B (zh) | 2013-10-24 | 2013-10-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310504874.6A CN103679136B (zh) | 2013-10-24 | 2013-10-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679136A CN103679136A (zh) | 2014-03-26 |
CN103679136B true CN103679136B (zh) | 2017-12-05 |
Family
ID=50316626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310504874.6A Active CN103679136B (zh) | 2013-10-24 | 2013-10-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679136B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955690B (zh) * | 2014-04-15 | 2017-03-01 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
CN104636721B (zh) * | 2015-01-16 | 2018-09-21 | 青岛大学 | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 |
TWI578240B (zh) * | 2015-12-01 | 2017-04-11 | 財團法人工業技術研究院 | 特徵描述方法及應用其之特徵描述器 |
CN106656506A (zh) * | 2016-11-18 | 2017-05-10 | 哈尔滨工程大学 | 一种手指静脉加密方法 |
CN106940727B (zh) * | 2017-03-22 | 2019-04-09 | 重庆市公安局刑事警察总队 | 鞋底花纹多维度分类与识别的编码方法 |
CN109241812B (zh) * | 2017-07-10 | 2022-10-11 | 安徽爱观视觉科技有限公司 | 一种原物识别装置及识别方法 |
CN109272004B (zh) * | 2017-07-17 | 2022-08-30 | 爱科维申科技(天津)有限公司 | 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 |
CN109949273B (zh) * | 2019-02-25 | 2022-05-13 | 北京工商大学 | 一种基于纹理对称性的皮肤图像纹理分割方法及系统 |
CN112766082B (zh) * | 2020-12-30 | 2024-04-23 | 大连海事大学 | 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质 |
CN113674252B (zh) * | 2021-08-25 | 2024-07-12 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169544A (zh) * | 2011-04-18 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多特征融合的人脸遮挡检测方法 |
CN102169543A (zh) * | 2011-04-15 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多源信息融合和在线学习的人头计数方法 |
CN102254165A (zh) * | 2011-08-12 | 2011-11-23 | 北方工业大学 | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 |
CN102622587A (zh) * | 2012-03-08 | 2012-08-01 | 哈尔滨工程大学 | 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 |
CN103336945A (zh) * | 2013-06-10 | 2013-10-02 | 黑龙江大学 | 融合局部特征与全局特征的指静脉识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120194662A1 (en) * | 2011-01-28 | 2012-08-02 | The Hong Kong Polytechnic University | Method and system for multispectral palmprint verification |
-
2013
- 2013-10-24 CN CN201310504874.6A patent/CN103679136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169543A (zh) * | 2011-04-15 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多源信息融合和在线学习的人头计数方法 |
CN102169544A (zh) * | 2011-04-18 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多特征融合的人脸遮挡检测方法 |
CN102254165A (zh) * | 2011-08-12 | 2011-11-23 | 北方工业大学 | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 |
CN102622587A (zh) * | 2012-03-08 | 2012-08-01 | 哈尔滨工程大学 | 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 |
CN103336945A (zh) * | 2013-06-10 | 2013-10-02 | 黑龙江大学 | 融合局部特征与全局特征的指静脉识别方法 |
Non-Patent Citations (4)
Title |
---|
"Hand Vein Recognition Based on Multi Supplemental Features of Multi-Classifier Fusion Decision";Kejun Wang ET AL;《Proceedings of the 2006 IEEE International Conference on Mechatronics and Automation》;20061231;全文 * |
"人体手背静脉识别算法研究";韩笑;《中国博士学位论文全文数据库 信息科技辑》;20070915;参见27、34-38、42-43、76-77、图7-2 * |
"手背静脉身份识别算法研究";燕青宇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20121015;全文 * |
"融合局部特征和全局特征的手指静脉识别方法";杨颖 等;《计算机工程与应用》;20121231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679136A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679136B (zh) | 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 | |
Fei et al. | Feature extraction methods for palmprint recognition: A survey and evaluation | |
Hong et al. | A novel hierarchical approach for multispectral palmprint recognition | |
CN104951940B (zh) | 一种基于掌纹识别的移动支付验证方法 | |
CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
CN104123537B (zh) | 一种基于手形和掌纹识别的快速身份验证方法 | |
CN101710383B (zh) | 一种身份认证的方法及认证装置 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN101246544B (zh) | 一种基于边界点搜索和最小核值相似区边缘检测的虹膜定位方法 | |
CN102521575B (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
CN102254165B (zh) | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
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 | |
CN102073843A (zh) | 非接触式快速人手多模态信息融合识别方法 | |
CN109389585A (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
CN108009472A (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN103049758A (zh) | 融合步态光流图和头肩均值形状的远距离身份验证方法 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
Fei et al. | Complete binary representation for 3-D palmprint recognition | |
CN108596269A (zh) | 一种基于svm+cnn的足底压力图像的识别算法 | |
Hou et al. | Finger-vein biometric recognition: A review | |
CN111507206A (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN110119695A (zh) | 一种基于特征融合和机器学习的虹膜活性检测方法 | |
Yang et al. | A hybrid finger identification pattern using polarized depth-weighted binary direction coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |