CN104239769A - 基于手指静脉特征的身份识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于手指静脉特征的身份识别方法及系统，该方法包括：对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；提取图像样品单元的特征值，特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，质量等级分为优、中、差等级；根据匹配策略对图像样品单元的特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，数据库预先存储有注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；匹配策略为：根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。本发明提高了手指静脉识别的精度和鲁棒性，有利于手指静脉识别技术的推广应用。

Description

基于手指静脉特征的身份识别方法及系统

技术领域

本发明涉及生物特征身份识别领域，特别地，涉及一种基于手指静脉特征的身份识别方法及系统。

背景技术

生物特征识别技术是利用人的生理特征或行为特征，来进行个人身份的鉴定。传统的身份认证由于极易伪造和丢失，越来越难以满足社会的需求，目前最为便捷与安全的解决方案就是生物识别技术。生物识别技术不但简洁快速，而且利用它进行身份的认定，安全、可靠、准确。同时易于配合电脑和安全、监控、管理系统整合，实现自动化管理。

每个个体都有唯一的可以测量或可自动识别和验证的生物特征，可划分为生理特征(如指纹、面相、虹膜、指静脉等)和行为特征(如步态、声音、笔迹等)。利用生物特征识别技术，现有技术中出现了指纹识别、语音识别、虹膜识别、面部特征识别以及静脉识别等多种人体生物特征系统，而且许多系统都已经发展成熟并得以应用。其中，指纹识别技术相对比较成熟，识别率和准确率较高，但指纹识别系统要求使用者在按指纹时保持手指洁净、光滑，任何存在于指纹上的脏东西或者污点都能给识别带来困难，且指纹易于伪造，防伪性相对较低。

手指静脉识别是依据人类手指中流动的血液可吸收特定波长的光线的特性，使用特定波长光线对手指进行照射，可得到手指静脉的清晰图像。利用这一科学特征，实现对获取的图像进行分析、处理，从而得到手指静脉的生物特征，再将得到的手指静脉特征信息与事先注册的手指静脉特征进行比对，从而确认用户身份。

针对手指静脉识别技术，由于静脉特征藏匿于手指内，属于活体特征，不易被伪造、盗取，且人体的静脉特征具有长时间的不变性，采集方便安全，故手指静脉识别具有活体识别、非接触式及安全等级高等优势，近年来备受关注。手指静脉识别最早是由日立公司开始研究的。2000年日立公司首次提出手指静脉应用于个人身份的鉴定的方法。2004年，日立公司发表了Naoto Miuta等几位工程师关于提取手指静脉特征的成果。截至2007年3月的统计数据表明：日本80％的自动存取款机都搭载了手指静脉认证设备。2009年7月，日立公司展出了配有手指静脉认证装置的自动售货机，用手指静脉配合信用卡直接结账。国内指静脉研究起步较晚，但进展较快。北京大学、哈尔滨工程大学、山东大学、吉林大学、中国民航大学等在算法方面都有了很大进展，提出了自己的识别算法，深圳市中控生物识别技术有限公司、中国船舶重工集团公司第七一零研究所等开发了手指静脉图像采集装置。

但现有的手指静脉识别技术的成熟度和准确率低于指纹识别，主要原因在于，现有的手指静脉图像的特征提取及匹配的效率低，且识别过程中的拒真率和错误率高，故亟需改进手指静脉识别中的特征提取及匹配的策略，以改善手指静脉识别的效率及成功率。

发明内容

本发明目的在于提供一种基于手指静脉特征的身份识别方法及系统，以解决现有的手指静脉特征识别效率及成功率低的技术问题。

为实现上述目的，本发明采用的技术方案如下：

根据本发明的一个方面，提供一种基于手指静脉特征的身份识别方法，该方法包括：

对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；

提取图像样品单元的特征值，特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，质量等级分为优、中、差等级；

根据匹配策略对图像样品单元的特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，数据库预先存储有注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；匹配策略为：根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。

进一步地，根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级包括：

若图像样品单元和注册图像单元的质量等级均为优，则先比对图像样品单元和注册图像单元的最大曲率特征，若最大曲率特征的匹配度大于第一阈值，则判定两图像单元匹配成功；否则计算图像样品单元和注册图像单元的平均曲率特征的匹配度，判断最大曲率特征的匹配度和平均曲率特征的匹配度的均值是否大于第二阈值，若是则匹配成功，若否则匹配失败；

若图像样品单元和注册图像单元的质量等级均为中，则先比对图像样品单元和注册图像单元的平均曲率特征，若平均曲率特征的匹配度大于第三阈值，则判定匹配成功；否则计算图像样品单元和注册图像单元的最大曲率特征，对平均曲率特征的匹配度和最大曲率特征的匹配度设定不同的权重并求和，判断求和的数值是否大于第四阈值，若是则判定匹配成功，若否则匹配失败；

若图像样品单元和注册图像单元的质量等级为一优一中，则分别对比图像样品单元和注册图像单元的最大曲率特征、平均曲率特征，并将最大曲率特征的匹配度和平均曲率特征的匹配度求和并取平均，判断平均后的数值是否大于第五阈值，若是则判定匹配成功，若否则匹配失败。

进一步地，对读入的手指静脉图像进行预处理包括：

去边缘处理，得到预定区域大小的图像；

对去边缘后的图像进行直方图均衡化；

将去边缘后的图像分割为预定数量的单元，并对各单元计算归一化相干性度量，取各单元的归一化相干性度量的平均值作为手指静脉图像的质量分数，并根据质量分数与预设阈值比较以判定手指静脉图像对应的质量等级，其中，质量等级为差的手指静脉图像被放弃，需要重新采集读入。

进一步地，提取最大曲率特征包括：

提取图像样品单元的静脉中心点；

连接提取出的静脉中心点得到静脉的最大曲率特征图像；其中，静脉中心点为静脉的横截面轮廓为凹点处的最大曲率对应的点。

进一步地，提取平均曲率特征包括：

计算图像样品单元中静脉各点的在四个方向上的曲率；其中，四个方向为在静脉的横截面轮廓上呈中心对称的四个方向；

计算各点在四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。

根据本发明的另一方面，还提供一种基于手指静脉特征的身份识别系统，该系统包括：

预处理单元，用于对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；

特征提取单元，用于提取图像样品单元的特征值，特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，质量等级分为优、中、差等级；

比对匹配单元，用于根据匹配策略对图像样品单元的特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，数据库预先存储有注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；其中，匹配策略为：根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。

进一步地，比对匹配单元包括：

第一匹配模块，用于在图像样品单元和注册图像单元的质量等级均为优时，先比对图像样品单元和注册图像单元的最大曲率特征，若最大曲率特征的匹配度大于第一阈值，则判定两图像单元匹配成功；否则计算图像样品单元和注册图像单元的平均曲率特征的匹配度，判断最大曲率特征的匹配度和平均曲率特征的匹配度的均值是否大于第二阈值，若是则匹配成功，若否则匹配失败；

第二匹配模块，用于在图像样品单元和注册图像单元的质量等级均为中时，先比对图像样品单元和注册图像单元的平均曲率特征，若平均曲率特征的匹配度大于第三阈值，则判定匹配成功；否则计算图像样品单元和注册图像单元的最大曲率特征，对平均曲率特征的匹配度和最大曲率特征的匹配度设定不同的权重并求和，判断求和的数值是否大于第四阈值，若是则判定匹配成功，若否则匹配失败；

第三匹配模块，用于在图像样品单元和注册图像单元的质量等级为一优一中，分别对比图像样品单元和注册图像单元的最大曲率特征、平均曲率特征，并将最大曲率特征的匹配度和平均曲率特征的匹配度求和并取平均，判断平均后的数值是否大于第五阈值，若是则判定匹配成功，若否则匹配失败。

进一步地，预处理单元包括：

去边缘模块，用于手指静脉图像进行去边缘处理，得到预定区域大小的图像；

直方图均衡化模块，用于对去边缘后的图像进行直方图均衡化；

质量等级判断模块，将去边缘后的图像分割为预定数量的单元，并对各单元计算归一化相干性度量，取各单元的归一化相干性度量的平均值作为手指静脉图像的质量分数，并根据质量分数与预设阈值比较以判定手指静脉图像对应的质量等级，其中，质量等级为差的手指静脉图像被放弃，需要重新采集读入。

进一步地，特征提取单元包括：用于提取最大曲率特征的第一提取模块，第一提取模块包括：

静脉中心点提取子模块，用于提取图像样品单元的静脉中心点；

最大曲率特征图像生成子模块，用于连接提取出的静脉中心点得到静脉的最大曲率特征图像；其中，静脉中心点为静脉的横截面轮廓为凹点处的最大曲率对应的点。

进一步地，特征提取单元包括：用于提取平均曲率特征的第二提取模块，第二提取模块包括：

曲率计算子模块，用于计算图像样品单元中静脉各点的在四个方向上的曲率；其中，四个方向为在静脉的横截面轮廓上呈中心对称的四个方向；

平均曲率特征图像生成子模块，用于计算各点在四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。

本发明具有以下有益效果：

本发明基于手指静脉特征的身份识别方法及系统，通过在手指静脉识别技术中提取包括：质量等级、最大曲率特征和平均曲率特征的特征值，并结合质量等级来设定最大曲率特征、平均曲率特征的匹配度的权重和优先级，提高了手指静脉识别的精度和鲁棒性，有利于手指静脉识别技术的推广应用。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例基于手指静脉特征的身份识别方法的步骤流程示意图；

图2是本发明优选实施例手指静脉图像的示意图；

图3是图2经旋转校正后的手指静脉图像的示意图；

图4是本发明优选实施例手指区域归一化的示意图；

图5是本发明优选实施例静脉的截面轮廓示意图；

图6是本发明优选实施例静脉垂直方向的轮廓、曲率、概率分数的关系示意图；

图7是本发明优选实施例中二值化及缩小后的最大曲率特征图像；

图8是本发明优选实施例中二值化及缩小后的平均曲率特征图像；

图9是本发明优选实施例基于手指静脉特征的身份识别系统的原理方框图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明的优选实施例提供了根据本发明的一个方面，提供一种基于手指静脉特征的身份识别方法，本实施例方法通过提取包括：质量等级、最大曲率特征和平均曲率特征的特征值对读入的手指静脉图像与预先存储在数据库中的图像样品单元进行比对匹配，匹配策略中，结合质量等级来设定最大曲率特征、平均曲率特征的匹配度的权重和优先级，提高了手指静脉识别的精度和鲁棒性。参照图1，本实施例方法包括：

步骤S100，对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；

本实施例中，手指静脉图像由专门的硬件采集装置实现，并经接口导入处理器中。其中，硬件采集装置采用通用的手指静脉图像采集装置，工作原理是：使用者的手指轻轻平放于采集窗口上方，光源发出特定波长光线对手指进行照射，感光部件接收透光手指静脉后的光信号即可生成手指静脉的图像，本实例中，感光部件选用高信噪比的近红外摄像头，以得到高质量的手指静脉图像。

在手指静脉图像的采集过程中，手指是不能按压在采集窗口上的，一旦发生严重按压现象，会导致手指中血液流动不畅，从而使得采集到的图像中无静脉血管或者血管不清晰，故优选地，需要在预处理步骤中，对静脉图像的质量进行判断，以剔除质量不合格的图像，并提示用户重新采集手指静脉图像。

本实施例中，可选地，对读入的手指静脉图像进行预处理的步骤包括：

1、去边缘处理，得到预定区域大小的图像；

假定图像中的手指区域为S₀，对手指区域S₀进行去边缘处理，选取手指中央部位S₁，举例说明，选取S₁区域的宽度为256像素，高度为64像素，若未找到手指区域S₀，则表明采集的图像中的手指区域有问题，判断图像的质量不合格，重新采集和读入手指静脉图像。

2、对去边缘后的图像进行直方图均衡化；

对S₁区域进行直方图均衡化，直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法，属于现有技术。本实施例中，通过采用这种方法以增加图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候，通过这种方法，亮度可以更好地在直方图上分布。这样就可以增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。本实施例通过直方图均衡化可以将静脉纹路与背景区域更加明显地区别出来。

3、将去边缘后的图像分割为预定数量的单元，并对各单元计算归一化相干性度量，取各单元的归一化相干性度量的平均值作为手指静脉图像的质量分数，并根据质量分数与预设阈值比较以判定手指静脉图像对应的质量等级，其中，质量等级为差的手指静脉图像被放弃，需要重新采集读入。

本实施例中，具体地，

将区域S₁分为8个小区域单元，每个单元的宽度为32像素，高度为8像素，分别计算每个单元B的梯度g_s：

$g_s=(g_s^x,g_s^y)---\left(1\right)$

其中s∈B，为x方向的梯度，为y方向的梯度；

计算每个区域B的协方差矩阵J：

$J=\frac{1}{256}\underset{s\∈B}{\mathrm{\Σ}}{g}_s^T{g}_s=\left[\begin{array}{cc}{j}_{11}& j_{12}\\ j_{21}& j_{22}\end{array}\right]---\left(2\right)$

公式(2)中，协方差矩阵J是半正定的，其特征值为λ₁、λ₂：

${\mathrm{\λ}}_1=\frac{1}{2}[\mathrm{trace}\left(J\right)+\sqrt{{\mathrm{trace}}^2\left(J\right)-4\det \left(J\right)}]---\left(3\right)$

${\mathrm{\λ}}_2=\frac{1}{2}[\mathrm{trace}\left(J\right)-\sqrt{{\mathrm{trace}}^2\left(J\right)-4\det \left(J\right)}]---\left(4\right)$

其中trace(J)＝j₁₁+j₁₂， $\det \left(J\right)=j_{11}{j}_{22}-j_{12}^2$

每个区域B的归一化相干性度量k：

$k=\frac{{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)}^2}{{({\mathrm{\λ}}_1+{\mathrm{\λ}}_2)}^2}=\frac{{(j_{11}-j_{22})}^2+4j_{12}^2}{{(j_{11}+j_{12})}^2},0\≤k\≤1---\left(5\right)$

归一化相干性度量可以反映出当前区域B内静脉图像脊谷方向的清晰度。如果当前区域有明显的静脉脊谷方向，则λ₁≥λ₂从而k≈1，相反的，如果当前区域质量差，则λ₁≈λ₂导致k≈0。

本实施例中，取各单元的归一化相干性度量的平均值作为手指静脉图像的质量分数Q，计算公式如下：

$Q=\frac{1}{8}\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{k}_i---\left(6\right)$

本实施例中，设定两个阈值：低阈值T_l，高阈值T_h，若Q＜T_l则质量等级为差，即不合格，若Q＞T_h则质量等级为优，若介于两者中间则质量等级为中。故本实施例中，手指静脉图像的质量等级分为优、中、差等级，对于质量等级为差的不合格的图像，需要重新采集读入。

优选地，为了克服图像平移、旋转等对匹配比对的影响，本实施例预处理步骤还包括：对图像样品单元进行旋转校正的步骤。图2是读入的手指静脉图像的示意图；图3是对图2进行旋转校正后的手指静脉图像的示意图。本实施例中，优选地，采用找中线的方法来进行图像的旋转校正。找中线的方法是在手指区域，找到手指的上下边缘点，取根据上下边缘点计算y方向的中点，计算方式如下：

若手指上边缘点为P_ti(x_i，y_ti)，下边缘点为P_bi(x_i，y_bi)，则y方向的中点为P_mi(x_i，y_mi)，其中， $y_{\mathrm{mi}}=\frac{y_{\mathrm{ti}}+y_{\mathrm{bi}}}{2}.$

根据所有的中点拟合中线y_m＝k_mx+b_m

其中k_m为中线的斜率，b_m是中线与Y轴截距。

根据该斜率将图像旋转，旋转后中线满足即旋转后的中线是水平的。

可选地，预处理步骤中，在经旋转校正后的图像中提取手指区域，并将手指区域归一化为预定区域大小，本实施例中，将手指区域归一化为宽度为264像素，高度为176像素的图像，如图4所示。

可选地，为了突出图像中的静脉纹路，同时消弱或者去除不需要的信息，如图像中的噪声等，本实施例中，预处理步骤还包括对图像进行滤波增强的处理步骤。本实施例中，采用高斯核函数与图像进行卷积得到滤波后的图像。本实施例中，离散的高斯卷积核H：(2k+1)×(2k+1)维，其元素的计算方法为：

$H_{i,j}=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-\frac{{(i-k-1)}^2+{(j-k-1)}^2}{2{\mathrm{\σ}}^2}}---\left(7\right)$

上式中，σ为方差，k确定核矩阵的位数，本实施例中，选取k＝3，σ＝3。

步骤S200，提取图像样品单元的特征值，特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，质量等级分为优、中、差等级。

本实施例中，提取最大曲率特征包括：

提取图像样品单元的静脉中心点；

连接提取出的静脉中心点得到静脉的最大曲率特征图像；其中，静脉中心点为静脉的横截面轮廓为凹点处的最大曲率对应的点。

本实施例中，提取最大曲率特征的步骤具体如下：

1、提取静脉中心点

(1)F是一手指图像，F(x，y)是图像上像素点(x，y)的灰度，定义F(x，y)在各个方向各个位置得到的横截面轮廓为P_f(z)，Z是轮廓上的一个点。由P_f(z)上的一个点到F(x，y)的映射函数T_rs定义为：

F(x，y)＝T_rs(P_f(z))              (8)

垂直方向截面轮廓图如图5所示。

曲率k定义如下：

$k\left(z\right)=\frac{d^2{P}_f\left(z\right)/d{z}^2}{{\{1+{(d{P}_f\left(z\right)/\mathrm{dz})}^2\}}^{\frac{3}{2}}}---\left(9\right)$

(2)判断静脉的中心点及中心点分数分布

当k(z)为正时对应静脉轮廓为凹点，为负时对应静脉轮廓为凸点。计算在凹点的最大曲率，这些点位静脉的中心点z′_i。对每个中心点计算一个分数S_cr：

S_cr(z′_i)＝k(z′_i)×W_r(i)           (10)

其中W_r(i)为z′_i点周围曲率为正区域的宽度。如果W_r(i)越大代表该静脉越大，该静脉越清晰。

静脉垂直方向的轮廓、曲率、概率分数的关系如图6所示。

概率分数分布呈一个平面，概率分数的计算方式如下：

V(x′_i，y′_i)＝V(x′_i，y′_i)+S_cr(z′_i)           (11)

其中(x′_i，y′_i)代表由F(x′_i，y′_i)＝T_rs(P_f(z′_i))得到的点

(3)计算四个方向的轮廓分数图

本实施例中，采用的四个方向为水平方向、垂直方向、45度方向及135度方向。

2、连接静脉中心点

(1)为去除噪声干扰，各点的4个方向采用下式进行计算C_d1，C_d2，C_d3和C_d4：

C_d(x，y)＝min{max(V(x+1，y)，V(x+2，y))+max(V(x-1，y)，V(x-2，y))}     (12)

(2)选取每个像素的C_d1，C_d2，C_d3和C_d4的最大值得到最终的最大曲率特征图像G(x，y)。因此

G＝max(C_d1，C_d2，C_d3，C_d4)              (13)

3、最大曲率特征图像二值化及缩小

将最大曲率特征图像二值化即可将静脉同背景区分开，同时为加快比对时的速度，需要对图像进行缩小，本实施例采用高44像素宽64像素大小的图像。二值化及缩小后的图像如图7所示。

本实施例中，提取平均曲率特征包括：

计算图像样品单元中静脉各点的在四个方向上的曲率；其中，四个方向为在静脉的横截面轮廓上呈中心对称的四个方向；

计算各点在四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。

本实施例中，提取平均曲率特征的步骤具体如下：

1、采用公式(9)计算曲率的方法，计算每个点四个方向的曲率，本实施例中，四个方向为：水平方向、垂直方向、45度方向及135度方向，即在静脉的横截面轮廓上呈中心对称的四个方向。

2、计算各点在四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。对平均曲率特征图像二值化及缩小后的图像如图8所示。

步骤S300、根据匹配策略对图像样品单元的特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，数据库预先存储有注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；匹配策略为：根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。

本实施例中，根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级包括：

若图像样品单元和注册图像单元的质量等级均为优，则先比对图像样品单元和注册图像单元的最大曲率特征，若最大曲率特征的匹配度S_xx大于第一阈值T_xx，则判定两图像单元匹配成功；否则计算图像样品单元和注册图像单元的平均曲率特征的匹配度S_nn，求平均值若匹配度的均值S_mean大于第二阈值T_mean，则匹配成功，若否则匹配失败；

若图像样品单元和注册图像单元的质量等级均为中，则先比对图像样品单元和注册图像单元的平均曲率特征，若平均曲率特征的匹配度S_nn大于第三阈值T_nn，则判定匹配成功；否则计算图像样品单元和注册图像单元的最大曲率特征，对平均曲率特征的匹配度S_nn和最大曲率特征的匹配度S_xx设定不同的权重并求和，如假定平均曲率特征和最大曲率特征设定不同的权重k_mean和k_max，求综合分数S＝k_maxS_xx+k_meanS_nn，判断综合分数S的数值是否大于第四阈值T₀，若是则判定匹配成功，若否则匹配失败；

若图像样品单元和注册图像单元的质量等级为一优一中，则分别对比图像样品单元和注册图像单元的最大曲率特征、平均曲率特征，并将最大曲率特征的匹配度S_xx和平均曲率特征的匹配度S_nn求和并取平均，判断平均后的数值是否大于第五阈值T′_mean，若是则判定匹配成功，若否则匹配失败。

本实施例中，各阈值的设定可由本领域技术人员通过有限次的试验获得。

本实施例手指静脉的匹配策略是根据各自图像的质量等级来决定特征匹配的顺序及权重。若两个要匹配的特征质量都是优则先匹配最大曲率特征，并与阈值比较来决定是否匹配平均曲率特征，若两个要匹配的特征质量都是中则先匹配平均曲率特征，并与阈值比较来决定是否匹配最大曲率特征，若两个要匹配的特征质量都是一优一中，则最大曲率特征与平均曲率特征均进行匹配，匹配结果求均值来判断匹配成功或失败。

本发明的主要贡献和特点在于：为手指静脉识别技术提供新的思路，通过融合质量判断及两种曲率特征来提高识别的精度和鲁棒性。该发明能够准确有效地提取出静脉特征。在识别时克服了图像平移、旋转等对识别结果的影响，使得算法的鲁棒性更强，具有很强的实用性。

根据本发明的另一方面，还提供一种基于手指静脉特征的身份识别系统，本实施例身份识别系统与上述实施例的身份识别方法对应，参照图9，该系统包括：

预处理单元100，用于对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；

特征提取单元200，用于提取图像样品单元的特征值，特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，质量等级分为优、中、差等级；

比对匹配单元300，用于根据匹配策略对图像样品单元的特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，数据库预先存储有注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；其中，匹配策略为：根据图像样品单元和注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。

可选地，比对匹配单元300包括：

第一匹配模块310，用于在图像样品单元和注册图像单元的质量等级均为优时，先比对图像样品单元和注册图像单元的最大曲率特征，若最大曲率特征的匹配度大于第一阈值，则判定两图像单元匹配成功；否则计算图像样品单元和注册图像单元的平均曲率特征的匹配度，判断最大曲率特征的匹配度和平均曲率特征的匹配度的均值是否大于第二阈值，若是则匹配成功，若否则匹配失败；

第二匹配模块320，用于在图像样品单元和注册图像单元的质量等级均为中时，先比对图像样品单元和注册图像单元的平均曲率特征，若平均曲率特征的匹配度大于第三阈值，则判定匹配成功；否则计算图像样品单元和注册图像单元的最大曲率特征，对平均曲率特征的匹配度和最大曲率特征的匹配度设定不同的权重并求和，判断求和的数值是否大于第四阈值，若是则判定匹配成功，若否则匹配失败；

第三匹配模块330，用于在图像样品单元和注册图像单元的质量等级为一优一中，分别对比图像样品单元和注册图像单元的最大曲率特征、平均曲率特征，并将最大曲率特征的匹配度和平均曲率特征的匹配度求和并取平均，判断平均后的数值是否大于第五阈值，若是则判定匹配成功，若否则匹配失败。

可选地，预处理单元100包括：

去边缘模块110，用于手指静脉图像进行去边缘处理，得到预定区域大小的图像；

直方图均衡化模块120，用于对去边缘后的图像进行直方图均衡化；

质量等级判断模块130，将去边缘后的图像分割为预定数量的单元，并对各单元计算归一化相干性度量，取各单元的归一化相干性度量的平均值作为手指静脉图像的质量分数，并根据质量分数与预设阈值比较以判定手指静脉图像对应的质量等级，其中，质量等级为差的手指静脉图像被放弃，需要重新采集读入。质量等级判断模块130的工作过程如方法实施例中介绍的过程一致，在此不再赘述。

可选地，预处理单元100还包括与方法实施例中一致的对图像样品单元进行旋转校正的模块、用于对图像进行滤波增强处理的模块。

可选地，特征提取单元200包括：用于提取最大曲率特征的第一提取模块210，第一提取模块210包括：

静脉中心点提取子模块211，用于提取图像样品单元的静脉中心点；

最大曲率特征图像生成子模块212，用于连接提取出的静脉中心点得到静脉的最大曲率特征图像；其中，静脉中心点为静脉的横截面轮廓为凹点处的最大曲率对应的点。

可选地，特征提取单元200包括：用于提取平均曲率特征的第二提取模块220，第二提取模块220包括：

曲率计算子模块221，用于计算图像样品单元中静脉各点的在四个方向上的曲率；其中，四个方向为在静脉的横截面轮廓上呈中心对称的四个方向；

平均曲率特征图像生成子模块222，用于计算各点在四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。

本发明实施例方法及系统在windows7系统下利用Microsoft Visual Studio2010进行开发实现，实验的处理器配置为2.9GHz，CPU G2020，内存4GB。为验证本发明的有效性，对预先建立的手指静脉图像库中的手指静脉图像进行测试。指静脉图像为像素为320*400的灰度图像，一共包含180个不同个体，每个个体包含10幅手指静脉图像，共1800幅图像。

首先对最大曲率特征和平均曲率特征进行单独1∶1和1∶n比对(1∶1比对为同一个手指的不同图像间比对，1∶n比对为图像库中的一张图像与其他所有图像进行比对)，再采用本实施例的方法进行1∶1和1∶n比对。

匹配模式为1∶1时，实验结果见表1

匹配方式	通过次数	拒识次数	通过率(％)	拒识率(％)
					最大曲率特征	7786	314	96.12	3.88
平均曲率特征	7654	446	94.49	5.51
					融合后特征	8028	72	99.11	0.89

表1 匹配模式为1∶1时的实验结果

匹配模式为1∶n时，实验结果见表2

匹配方式	成功次数	认假次数	拒真次数	识别率(％)
					最大曲率特征	1544013	2745	72342	95.36
平均曲率特征	1502218	3345	113537	92.78
					融合后特征	1604078	123	14899	99.07

表2 匹配模式为1∶n时的实验结果

通过表1和表2的比对结果，可以发现，本发明采用融合后的特征进行匹配时，可以大大降低等错误率，减少拒真率。因此综合各方面，本发明所提出的融合质量判断、最大曲率特征、平均曲率特征的特征提取方法，以及根据质量判断结果分配不同权重的特征比对方法对指静脉的识别是非常有效的。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种基于手指静脉特征的身份识别方法，其特征在于，包括：

对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；

提取所述图像样品单元的特征值，所述特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，所述质量等级分为优、中、差等级；

根据匹配策略对所述图像样品单元的所述特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，所述数据库预先存储有所述注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；所述匹配策略为：根据所述图像样品单元和所述注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。

2.根据权利要求1所述的基于手指静脉特征的身份识别方法，其特征在于，根据所述图像样品单元和所述注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级包括：

若所述图像样品单元和所述注册图像单元的质量等级均为优，则先比对所述图像样品单元和所述注册图像单元的最大曲率特征，若所述最大曲率特征的匹配度大于第一阈值，则判定两图像单元匹配成功；否则计算所述图像样品单元和所述注册图像单元的平均曲率特征的匹配度，判断所述最大曲率特征的匹配度和所述平均曲率特征的匹配度的均值是否大于第二阈值，若是则匹配成功，若否则匹配失败；

若所述图像样品单元和所述注册图像单元的质量等级均为中，则先比对所述图像样品单元和所述注册图像单元的平均曲率特征，若所述平均曲率特征的匹配度大于第三阈值，则判定匹配成功；否则计算所述图像样品单元和所述注册图像单元的最大曲率特征，对所述平均曲率特征的匹配度和所述最大曲率特征的匹配度设定不同的权重并求和，判断求和的数值是否大于第四阈值，若是则判定匹配成功，若否则匹配失败；

若所述图像样品单元和所述注册图像单元的质量等级为一优一中，则分别对比所述图像样品单元和所述注册图像单元的最大曲率特征、平均曲率特征，并将所述最大曲率特征的匹配度和所述平均曲率特征的匹配度求和并取平均，判断平均后的数值是否大于第五阈值，若是则判定匹配成功，若否则匹配失败。

3.根据权利要求1所述的基于手指静脉特征的身份识别方法，其特征在于，对读入的手指静脉图像进行预处理包括：

去边缘处理，得到预定区域大小的图像；

对去边缘后的图像进行直方图均衡化；

将所述去边缘后的图像分割为预定数量的单元，并对各单元计算归一化相干性度量，取各单元的归一化相干性度量的平均值作为所述手指静脉图像的质量分数，并根据所述质量分数与预设阈值比较以判定所述手指静脉图像对应的质量等级，其中，质量等级为差的手指静脉图像被放弃，需要重新采集读入。

4.根据权利要求1所述的基于手指静脉特征的身份识别方法，其特征在于，提取所述最大曲率特征包括：

提取所述图像样品单元的静脉中心点；

连接提取出的所述静脉中心点得到静脉的最大曲率特征图像；其中，所述静脉中心点为静脉的横截面轮廓为凹点处的最大曲率对应的点。

5.根据权利要求1所述的基于手指静脉特征的身份识别方法，其特征在于，提取所述平均曲率特征包括：

计算所述图像样品单元中静脉各点的在四个方向上的曲率；其中，所述四个方向为在静脉的横截面轮廓上呈中心对称的四个方向；

计算各点在所述四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。

6.一种基于手指静脉特征的身份识别系统，其特征在于，包括：

预处理单元，用于对读入的手指静脉图像进行预处理，得到校正后的图像样品单元；

特征提取单元，用于提取所述图像样品单元的特征值，所述特征值包括：质量等级、最大曲率特征和平均曲率特征，其中，质量等级分为优、中、差等级；

比对匹配单元，用于根据匹配策略对所述图像样品单元的所述特征值与数据库中预先存储的注册图像单元的特征值进行匹配度计算，以进行身份识别，其中，所述数据库预先存储有所述注册图像单元对应的质量等级、最大曲率特征和平均曲率特征；其中，所述匹配策略为：根据所述图像样品单元和所述注册图像单元的质量等级设定最大曲率特征、平均曲率特征的匹配度的权重和优先级。

7.根据权利要求6所述的基于手指静脉特征的身份识别系统，其特征在于，所述比对匹配单元包括：

第一匹配模块，用于在所述图像样品单元和所述注册图像单元的质量等级均为优时，先比对所述图像样品单元和所述注册图像单元的最大曲率特征，若所述最大曲率特征的匹配度大于第一阈值，则判定两图像单元匹配成功；否则计算所述图像样品单元和所述注册图像单元的平均曲率特征的匹配度，判断所述最大曲率特征的匹配度和所述平均曲率特征的匹配度的均值是否大于第二阈值，若是则匹配成功，若否则匹配失败；

第二匹配模块，用于在所述图像样品单元和所述注册图像单元的质量等级均为中时，先比对所述图像样品单元和所述注册图像单元的平均曲率特征，若所述平均曲率特征的匹配度大于第三阈值，则判定匹配成功；否则计算所述图像样品单元和所述注册图像单元的最大曲率特征，对所述平均曲率特征的匹配度和所述最大曲率特征的匹配度设定不同的权重并求和，判断求和的数值是否大于第四阈值，若是则判定匹配成功，若否则匹配失败；

第三匹配模块，用于在所述图像样品单元和所述注册图像单元的质量等级为一优一中，分别对比所述图像样品单元和所述注册图像单元的最大曲率特征、平均曲率特征，并将所述最大曲率特征的匹配度和所述平均曲率特征的匹配度求和并取平均，判断平均后的数值是否大于第五阈值，若是则判定匹配成功，若否则匹配失败。

8.根据权利要求6所述的基于手指静脉特征的身份识别系统，其特征在于，所述预处理单元包括：

去边缘模块，用于所述手指静脉图像进行去边缘处理，得到预定区域大小的图像；

直方图均衡化模块，用于对去边缘后的图像进行直方图均衡化；

质量等级判断模块，将所述去边缘后的图像分割为预定数量的单元，并对各单元计算归一化相干性度量，取各单元的归一化相干性度量的平均值作为所述手指静脉图像的质量分数，并根据所述质量分数与预设阈值比较以判定所述手指静脉图像对应的质量等级，其中，质量等级为差的手指静脉图像被放弃，需要重新采集读入。

9.根据权利要求6所述的基于手指静脉特征的身份识别系统，其特征在于，所述特征提取单元包括：用于提取所述最大曲率特征的第一提取模块，所述第一提取模块包括：

静脉中心点提取子模块，用于提取所述图像样品单元的静脉中心点；

最大曲率特征图像生成子模块，用于连接提取出的所述静脉中心点得到静脉的最大曲率特征图像；其中，所述静脉中心点为静脉的横截面轮廓为凹点处的最大曲率对应的点。

10.根据权利要求6所述的基于手指静脉特征的身份识别系统，其特征在于，所述特征提取单元包括：用于提取所述平均曲率特征的第二提取模块，所述第二提取模块包括：

曲率计算子模块，用于计算所述图像样品单元中静脉各点的在四个方向上的曲率；其中，所述四个方向为在静脉的横截面轮廓上呈中心对称的四个方向；

平均曲率特征图像生成子模块，用于计算各点在所述四个方向上的曲率的平均曲率，得到静脉的平均曲率特征图像。