CN103870808A - 一种手指静脉识别方法 - Google Patents

Abstract

本发明公开了一种手指静脉识别方法，能够提高识别速度。采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像，经预处理后得到样本图像；提取样本图像的静脉特征。同时，对样本图像进行主分量分析PCA运算，得到降维后向量矩阵P₁和PCA变换矩阵P₂；将降维后向量矩阵P₁中的每一列作为一个聚类样本，采用K均值聚类方法进行聚类，得到J个聚类中心。识别时，将经预处理后的待识别图像与P₂相乘获得变换向量X’，找到与X’最相似的聚类中心，将该聚类中心中的部分归属样本对应的静脉特征作为对比基础，与待识别图像中提取的静脉特征进行对比，实现手指静脉识别。

Description

一种手指静脉识别方法

技术领域

本发明涉及生物特征识别技术领域，尤其涉及一种手指静脉识别方法。

背景技术

手指静脉识别技术是一种新型的生物特征识别技术，由于使用者的手指静脉特征很难被伪造，所以安全等级高，特别适合于安全要求高的场所使用。

手指静脉识别的过程是，红外光源产生红外光照射在采集者的手指上，经滤光片滤光和反光镜反射后由红外摄像机采集。从采集图像中提取静脉特征，继而进行特征匹配，从而实现了手指静脉识别。

由于一幅静脉图像的数据量较大，在处理过程中会花费大量的时间，影响图像的识别速度和应用范围。因此，需要设计一种能够提高识别速度的手指静脉识别方法。

发明内容

有鉴于此，本发明提供了一种手指静脉识别方法，能够提高识别速度。

为了解决上述技术问题，本发明是这样实现的：

步骤一、采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像F1_i，i=1,…,I，I为完成所有采集对象的采集后获得的手指静脉图像总数；

步骤二、对步骤一获得的每一幅手指静脉图像进行预处理，获得样本图像F2_i，i=1,…,I；

步骤三、获得降维向量和聚类中心；具体为：

步骤31、对于每一幅样本图像F2_i，将图像元素按列连接，形成样本向量A_i；对所有样本向量进行主分量分析PCA运算，得到降维后向量矩阵P₁和PCA变换矩阵P₂；其中降维后向量矩阵P₁由样本向量A_i经PCA运算得到降维后向量X_i组成；

步骤32、将降维后向量矩阵P₁中的每一列作为一个聚类样本，采用K均值聚类方法进行聚类，得到J个聚类中心向量Y_j，j=1,…,J；每个聚类中心向量Y_j对应多个作为归属样本的降维后向量X_i；

步骤33、对应存储样本图像F2_i、降维后向量X_i和聚类中心向量Y_j；

步骤四、提取每个样本图像F2_i的静脉特征并存储；步骤三和步骤四不分先后，均执行完后，完成识别前的特征提取；

步骤五、识别时，采集待识别图像，采用步骤二相同的方法对待识别图像进行预处理，获得图像F’；

步骤六、计算图像F’与PCA变换矩阵P₂的变换向量X’；根据变换向量X’与J个聚类中心向量Y₁～Y_J的相似度找到最相似的聚类中心Y’；计算归属于聚类中心Y’的各降维后向量X_i与变换向量X’的相似度值，取相似度排在前的N个降维后向量X_i进入下一步识别；

步骤七、提取待识别图像的静脉特征，以及步骤六筛选出的N个降维后向量对应的静脉特征，进行静脉特征的对比，实现手指静脉识别。

步骤二所述预处理为：

步骤21、采用中值滤波算法和均值滤波去除图像噪声，采用Canny边缘提取算法提取手指边缘，将手指边缘以外的背景区域置为白色，得到手指边缘图像B；

步骤22、在手指边缘图像B中提取手指边缘的质心和手指上下边缘的最大宽度H；

步骤23、以所述质心为中心、所述最大宽度H为切割宽度、0.9倍图像B长度为切割长度，切割得到手指静脉区域图像，并进行尺寸归一化，完成预处理。

优选地，所述步骤七具体包括：

步骤71、从所述N个降维后向量对应的N个样本图像提取一个设定大小的包含手指的区域，记为Z₁～Z_N；从图像F’中提取大于Z₁～Z_N大小的区域Z_x；

针对每个区域Z_n，n=1,…,N，执行如下操作：将Z_n的图像在Z_x中进行遍历，计算每个遍历位置的相似度，获得最大相似度记为S_n；最大相似度对应的区域中心记为d_n；提取S₁～S_N中的最大值记为S_max，对应的区域中心记为d_max；

如果相似度最大值S_max大于设定的阈值，则继续执行后续步骤，否则退出本流程；

步骤72、对待识别图像采用步骤二的方法进行处理，得到切割宽度H’，以d_max为中心，以H’为切割宽度、以0.9倍待识别图像长度为切割长度，切割待识别图像，并进行归一化，得到图像G；

步骤73、提取图像G的静脉特征；

步骤74、按照相似度S_n从大到小，取相似度在前的3个样本图像F2_i对应的已存储静脉特征，与步骤73提取的静脉特征进行比对，得到静脉识别结果。

所述提取的静脉特征包括灰度特征、细化图像特征和作为二值化图像特征的7阶不变矩；则本步骤74中，静脉特征的比对过程包括：

第一步筛选：比较三个样本图像与待识别图像的7阶不变矩，筛选出大于7阶不变矩阈值且最相似的前2个样本图像，进入第二步筛选；找不到则识别失败，退出本流程；

第二步筛选：比较2个样本图像与待识别图像的细化图像特征，取相似度值大于相似度阈值且最相似的样本图像用于下一步的最终识别；找不到则识别失败，退出本流程；

最终识别：计算待识别图像的灰度特征，与第二步筛选出的最相似样本图像对应的灰度特征进行比较，得到识别结果。

优选地，从图像中提取的静脉特征包括灰度特征、细化图像特征和二值化图像特征；

灰度特征的提取方式为：将待提取图像分割成上下相等的两个区域a、b，分割成左、右相等的两个区域c、d，再从待提取图像中心分割出与a～d面积相同的一个区域e，计算a～e中每个区域的均值、方差和待提取图像的Gabor小波变换值作为待提取图像的灰度特征；

所述细化图像特征和二值化图像特征的提取方式为：

①采用8方向低通滤波器对一副待提取图像进行滤波，得到8副图像；比较得到的8副图像每个对应位置的相关值，取最大值作为此位置相关值，经归一化至[0,255]，得到相关处理后的图像E1；设置分割阈值分割图像E1，得到二值化图像E2；

②采用形态学算法填充图像的空洞和去除图像静脉边缘毛刺，得到图像E3；采用面积阈值法去除图像E3中的块状噪声和填充空洞，得到图像E4；接着采用图像形态学细化算法得到细化后静脉图像E5；

③采用设定大小的窗口在细化后静脉图像E5中进行遍历，当窗口内两个静脉端点的距离小于设定值时，将两个端点连接起来，以连接静脉纹理；

④计算步骤③处理后图像的端点数、环数、三分叉点、四分叉点和五分叉点数量和各个端点及分叉点的几何距离得到所述细化图像特征；并且，求取图像E4的7阶不变矩特征，得到所述二值化图像特征。

有益效果：

（1）由于一幅静脉图像的数据量较大，在处理过程中会花费大量的时间，影响图像的识别速度和应用范围，采用PCA技术可以有效的降低图像的维数，除去图像数据之间的相关性，只采用相关性较高参与待识别图像的特征对比，从而提高了静脉特征的识别速度。

（2）单纯使用PCA技术虽然可以降低图像的维数，减少样本之间的计算时间，但是由于很多样本之间的相似度较大，有些样本之间的相似度较小，为进一步提高计算速度，对降维后的样本K均值聚类，形成几个聚类中心，在识别时待识别样本首先与PCA变换矩阵计算，得到降维后向量，采用降维后向量与聚类中心计算得到最相近聚类中心，再与此聚类中心归属的样本计算得到前几个最相似样本，方便进一步识别，可以有效解决大样本计算过程中待识别样本与存储样本逐一比较的问题，提高识别速度；

（3）在图像特征提取过程中，采用灰度和二值化细化图像联合特征提取的方法，可以同时得到图像纹理变化特征和亮度变化特征，此特征即体现出了静脉纹理走势的特性，也反映了不同手指在不同红外光强下的亮度特性。因此，本发明在进行特征对比时，不是采用单一类型的特征，而是采用三种特征进行对比，提高了识别准确性。

（4）在图像识别过程中采取分层识别的方法逐层去除虚假样本，得到识别结果，此方法既可以提高识别效率，也可以较少误识率和拒识率。

附图说明

图1为本发明手指静脉特征提取过程的流程图。

图2为本发明灰度特征的提取方式时分割5个区域的示意图。

图3为本发明手指静脉识别过程流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种手指静脉识别方法。本发明为减少手指放置位置对图像质量的影响，采取同一手指多次放置和采集的方法；对采集完成的静脉图像样本集，采用主分量分析（PCA）和K均值聚类的方法，降低样本的维数和完成样本分类；并提取样本图像的静脉特征；在识别时，首先对待识别图像采用PCA训练矩阵降维，再与K均值聚类中心比较得到最相近聚类中心，并从最相近聚类中心的归属样本中提取前N个最相似样本；利用前N个最相似样本的静脉特征与待识别图像的静脉特征进行比对，获得识别结果。

由于一幅静脉图像的数据量较大，在处理过程中会花费大量的时间，影响图像的识别速度和应用范围，采用PCA技术可以有效的降低图像的维数，除去图像数据之间的相关性，只采用相关性较高参与待识别图像的特征对比，从而提高了静脉特征的识别速度。

进一步地，单纯使用PCA技术虽然可以降低图像的维数，减少样本之间的计算时间，但是由于很多样本之间的相似度较大，有些样本之间的相似度较小，为进一步提高计算速度，对降维后的样本K均值聚类，形成几个聚类中心，在识别时待识别样本首先与PCA变换矩阵计算，得到降维后向量，采用降维后向量与聚类中心计算得到最相近聚类中心，再与此聚类中心归属的样本计算得到前几个最相似样本，方便进一步识别，可以有效解决大样本计算过程中待识别样本与存储样本逐一比较的问题，提高识别速度。

下面结合附图并举实施例，对上述各部分技术进行详细描述。

图1所示为本发明手指静脉特征提取过程的流程图，其包括如下步骤：

步骤一、采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像F1_i，i=1,…,I。I为完成所有采集对象的采集后获得的手指静脉图像总数。本步骤获得的手指静脉图像为灰度图，如果图像采集设备采集的图像为彩色图，则需要将其转换为灰度图。

针对每一个人采集至少一根手指，每根手指采集Q次；为当前采集图像指定编号，编号利用当前手指号ID和针对当前手指采集次数q进行编码；例如，编号=ID×10+q。

步骤二、对步骤一获得的每一幅手指静脉图像进行预处理，获得样本图像F2_i，i=1,…,I。本步骤的预处理具体包括步骤21～步骤23。

步骤21、针对步骤一获得的每一幅手指静脉图像，采用中值滤波算法和均值滤波去除图像噪声，采用Canny边缘提取算法提取手指边缘，将手指边缘以外的背景区域置为白色，以减少后续分割的干扰，得到手指边缘图像B。

步骤22、在手指边缘图像B中提取手指边缘的质心和手指上下边缘的最大宽度H。

步骤23、以所述质心为中心、所述最大宽度H为切割宽度、0.9倍图像B长度为切割长度，切割得到手指静脉区域图像，由于不同对象的手指宽度不同，需要将该切割得到的手指静脉区域图像的尺寸归一化到设定值，完成本步骤的预处理，得到样本图像F2_i，i=1,…,I。

本步骤中，对从图像中心提取出手指区域，减小后续图像处理的数据量，使得处理过程更有针对性。

步骤三、获得降维向量和聚类中心。

本发明通过降维和聚类以减少识别过程中将待识别图像的特征与已存储特征进行匹配的计算量。本步骤具体为：

步骤31、对于每一幅样本图像F2_i，将图像元素按列连接，形成样本向量A_i；对所有样本向量进行主分量分析PCA运算，得到降维后向量矩阵P₁和PCA变换矩阵P₂；其中降维后向量矩阵P₁由样本向量A_i经PCA运算得到降维后向量X_i组成。例如7个人，每个人采3个手指，每个手指采集5张图，一共有105个样本，对这个105个样本进行PCA运算，每个样本对应一个降维后向量X_i（i=1,…,105），设降维前后的图像对应向量大小为x1和x2，则降维后向量维数为x2，所有样本组成降维后向量矩阵P₁，维数为x2×105；并且获得PCA变换矩阵P₂，维数为x1×x2，或者x2×x1。

步骤32、将降维后向量矩阵P₁中的每一列作为一个聚类样本，采用K均值聚类方法进行聚类，得到J个聚类中心向量Y_j（j=1,…,J）；每个聚类中心向量Y_j对应多个归属样本，即所述降维后向量X_i。

步骤33、对应存储样本图像F2_i、降维后向量X_i和聚类中心向量Y_j。

步骤四、提取每个样本图像F2_i的静脉特征并存储。

步骤三和步骤四不分先后，均执行完后，完成识别前的特征提取。

本实施例中，提取三种类型的特征，包括灰度特征、细化图像特征和作为二值化图像特征的7阶不变矩，用于匹配过程中进行三个阶段的识别。采用灰度和二值化细化图像联合特征提取的方法，可以同时得到图像纹理变化特征和亮度变化特征，此特征即体现出了静脉纹理走势的特性，也反映了不同手指在不同红外光强下的亮度特性。因此，本发明在进行特征对比时，不是采用单一类型的特征，而是采用三种特征进行对比，提高了识别准确性。

其中，所述灰度特征的提取方式为：将待提取图像（这里是每一个图像F2_i），分割成上下相等的两个区域a、b，分割成左、右相等的两个区域c、d，在从中心分割出与a～d面积相同的一个区域e，如图2所示，计算a～e中每个区域的均值、方差和图像C的Gabor小波变换值作为灰度图像特征，存储此特征。

所述细化图像特征和二值化图像特征的提取方式为：

①采用8方向低通滤波器对待提取图像进行滤波，得到8副图像，由于静脉图像中血管区域像素值亮度相对于其周围的肌肉组织亮度低，类似于漏斗状，与设定的低通滤波器相似度较大，可以得到较大的相关值；因此，比较得到的8副图像每个对应位置的相关值，取最大值作为此位置相关值，经归一化至[0,255]，得到相关处理后的图像E1。图像E1有效的突出了静脉图像中静脉的分布,设置分割阈值分割静脉图像E1，得到二值化图像E2。

②分割后的二值化图像E2可能存在噪声、静脉纹路不连续或存在空洞等现象，采用形态学方法去除静脉纹路边缘毛刺、填充小空洞和连接断裂的图像纹路，得到图像E3；采用面积阈值法去除图像E3中的块状噪声和填充空洞，得到修补后静脉图像E4；接着采用图像形态学细化算法得到细化后静脉图像E5；

③采用5*5（大小可以根据需求更改）窗口在细化后静脉图像E5中进行遍历，当窗口内两个静脉端点的距离小于设定值时，将两个端点连接起来，以连接静脉纹理；

④计算步骤③处理后图像的端点数、环数、三分叉点、四分叉点和五分叉点数量和各个端点及分叉点的几何距离得到细化图像特征；并且，求取二值化图像E4的7阶不变矩特征，得到二值化图像特征。

⑤分类存储灰度特征、细化图像特征和二值化图像特征。

至此，完成了一个采集者的手指静脉特征提取流程。

图3所示为本发明手指静脉识别过程的流程图，其包括如下步骤：

步骤五、识别时，采集待识别图像，采用步骤二相同的方法对待识别图像进行预处理，获得图像F’。

步骤六、计算图像F’与PCA变换矩阵P₂的变换向量X’。即，将图像F’转换为向量，与PCA变换矩阵P₂相乘，得到变换向量X’；接着，计算变换向量X’与J个聚类中心向量的相似度（例如欧式距离或相关度表达相似度），选取最相似的聚类中心向量，作为下一步计算中心Y’；从已存储的信息中，找到归属于计算中心Y’的降维后向量X_i，计算找到的各降维后向量X_i与变换向量X’的相似度值；按照相似度从大到小排列，取前N=5个（大小可以调节）降维后向量用于下一步识别。

步骤七、提取待识别图像的静脉特征，与步骤六筛选出的N个降维后向量对应的静脉特征进行对比，实现手指静脉识别。

本步骤中，采用分层识别的方法逐层去除虚假样本，得到识别结果，此方法既可以提高识别效率，也可以较少误识率和拒识率

步骤71、从前5个降维后向量对应的每个样本图像中心提取一个设定大小的包含手指的区域，例如可以提取72×60的区域，记为Z₁～Z_N；从图像F’中提取大于Z₁～Z_N大小的区域Z_x；

针对每个区域Z_n，n=1,…,N，执行如下操作：将Z_n的图像在Z_x中进行遍历，计算每个遍历位置的相似度，获得最大相似度记为S_n；最大相似度对应的区域中心记为d_n；提取S₁～S_N中的最大值记为S_max，对应的区域中心记为d_max；

如果相似度最大值S_max大于设定的阈值T0，则继续执行后续步骤，否则退出计算；

步骤72、对待识别图像采用步骤二的方法进行处理，得到切割宽度H’，以d_max为中心，以H’为切割宽度，以0.9倍待识别图像长度为切割长度，切割待识别图像，并进行归一化，得到图像G；

步骤73、提取图像G的静脉特征。提取方法与步骤四相同。

步骤74、按照相似度S_n从大到小，取相似度在前的3个样本图像。找到这三个样本对应的已存储静脉特征，与步骤73提取的静脉特征进行比对，得到静脉识别结果。具体来说：

第一步筛选：比较三个样本图像与待识别图像的7阶不变矩，筛选出大于7阶不变矩阈值且最相似的前2个样本图像，进入第二步筛选；找不到则识别失败，退出本流程；

第二步筛选：比较2个样本图像与待识别图像的细化图像特征，取相似度值大于相似度阈值且最相似的样本图像用于下一步的最终识别；找不到则识别失败，退出本流程；

最终识别：计算待识别图像的灰度特征，包括计算待识别图像上下左右二分之一区域和中心区域的均值、方差和整个图像C₂的Gabor小波系数，与第二步筛选出的最相似图像对应的灰度特征进行比较，满足条件，则此样本为识别结果，否则在样本库中无待识别样本类。

至此，完成了一个采集者的手指静脉识别流程。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种手指静脉识别方法，其特征在于，包括：

步骤一、采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像F1_i，i=1,…,I，I为完成所有采集对象的采集后获得的手指静脉图像总数；

步骤二、对步骤一获得的每一幅手指静脉图像进行预处理，获得样本图像F2_i，i=1,…,I；

步骤三、获得降维向量和聚类中心；具体为：

步骤31、对于每一幅样本图像F2_i，将图像元素按列连接，形成样本向量A_i；对所有样本向量进行主分量分析PCA运算，得到降维后向量矩阵P₁和PCA变换矩阵P₂；其中降维后向量矩阵P₁由样本向量A_i经PCA运算得到降维后向量X_i组成；

步骤32、将降维后向量矩阵P₁中的每一列作为一个聚类样本，采用K均值聚类方法进行聚类，得到J个聚类中心向量Y_j，j=1,…,J；每个聚类中心向量Y_j对应多个作为归属样本的降维后向量X_i；

步骤33、对应存储样本图像F2_i、降维后向量X_i和聚类中心向量Y_j；

步骤四、提取每个样本图像F2_i的静脉特征并存储；步骤三和步骤四不分先后，均执行完后，完成识别前的特征提取；

步骤五、识别时，采集待识别图像，采用步骤二相同的方法对待识别图像进行预处理，获得图像F’；

步骤六、计算图像F’与PCA变换矩阵P₂的变换向量X’；根据变换向量X’与J个聚类中心向量Y₁～Y_J的相似度找到最相似的聚类中心Y’；计算归属于聚类中心Y’的各降维后向量X_i与变换向量X’的相似度值，取相似度排在前的N个降维后向量X_i进入下一步识别；

步骤七、提取待识别图像的静脉特征，以及步骤六筛选出的N个降维后向量对应的静脉特征，进行静脉特征的对比，实现手指静脉识别。

2.如权利要求1所述的方法，其特征在于，步骤二所述预处理为：

步骤21、采用中值滤波算法和均值滤波去除图像噪声，采用Canny边缘提取算法提取手指边缘，将手指边缘以外的背景区域置为白色，得到手指边缘图像B；

步骤22、在手指边缘图像B中提取手指边缘的质心和手指上下边缘的最大宽度H；

步骤23、以所述质心为中心、所述最大宽度H为切割宽度、0.9倍图像B长度为切割长度，切割得到手指静脉区域图像，并进行尺寸归一化，完成预处理。

3.如权利要求2所述的方法，其特征在于，所述步骤七具体包括：

步骤71、从所述N个降维后向量对应的N个样本图像提取一个设定大小的包含手指的区域，记为Z₁～Z_N；从图像F’中提取大于Z₁～Z_N大小的区域Z_x；

针对每个区域Z_n，n=1,…,N，执行如下操作：将Z_n的图像在Z_x中进行遍历，计算每个遍历位置的相似度，获得最大相似度记为S_n；最大相似度对应的区域中心记为d_n；提取S₁～S_N中的最大值记为S_max，对应的区域中心记为d_max；

如果相似度最大值S_max大于设定的阈值，则继续执行后续步骤，否则退出本流程；

步骤72、对待识别图像采用步骤二的方法进行处理，得到切割宽度H’，以d_max为中心，以H’为切割宽度、以0.9倍待识别图像长度为切割长度，切割待识别图像，并进行归一化，得到图像G；

步骤73、提取图像G的静脉特征；

步骤74、按照相似度S_n从大到小，取相似度在前的3个样本图像F2_i对应的已存储静脉特征，与步骤73提取的静脉特征进行比对，得到静脉识别结果。

4.如权利要求3所述的方法，其特征在于，提取的静脉特征包括灰度特征、细化图像特征和作为二值化图像特征的7阶不变矩；所述步骤74中，静脉特征的比对过程包括：

第一步筛选：比较三个样本图像与待识别图像的7阶不变矩，筛选出大于7阶不变矩阈值且最相似的前2个样本图像，进入第二步筛选；找不到则识别失败，退出本流程；

第二步筛选：比较2个样本图像与待识别图像的细化图像特征，取相似度值大于相似度阈值且最相似的样本图像用于下一步的最终识别；找不到则识别失败，退出本流程；

最终识别：计算待识别图像的灰度特征，与第二步筛选出的最相似样本图像对应的灰度特征进行比较，得到识别结果。

5.如权利要求1所述的方法，其特征在于，从图像中提取的静脉特征包括灰度特征、细化图像特征和二值化图像特征；

灰度特征的提取方式为：将待提取图像分割成上下相等的两个区域a、b，分割成左、右相等的两个区域c、d，再从待提取图像中心分割出与a～d面积相同的一个区域e，计算a～e中每个区域的均值、方差和待提取图像的Gabor小波变换值作为待提取图像的灰度特征；

所述细化图像特征和二值化图像特征的提取方式为：

①采用8方向低通滤波器对一副待提取图像进行滤波，得到8副图像；比较得到的8副图像每个对应位置的相关值，取最大值作为此位置相关值，经归一化至[0,255]，得到相关处理后的图像E1；设置分割阈值分割图像E1，得到二值化图像E2；

②采用形态学算法填充图像的空洞和去除图像静脉边缘毛刺，得到图像E3；采用面积阈值法去除图像E3中的块状噪声和填充空洞，得到图像E4；接着采用图像形态学细化算法得到细化后静脉图像E5；

③采用设定大小的窗口在细化后静脉图像E5中进行遍历，当窗口内两个静脉端点的距离小于设定值时，将两个端点连接起来，以连接静脉纹理；

④计算步骤③处理后图像的端点数、环数、三分叉点、四分叉点和五分叉点数量和各个端点及分叉点的几何距离得到所述细化图像特征；并且，求取图像E4的7阶不变矩特征，得到所述二值化图像特征。

Images