CN105426821A - 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 - Google Patents

Abstract

一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，包括以下步骤：1)采集手掌静脉图像；2)对采集到的静脉图像进行预处理：二值化提取出手掌，进行手掌关键点定位，归一化后采用直方图均衡化对静脉图像进行增强；3)对增强后的静脉图像采用Niblack阈值分割法提取静脉轮廓；4)用八邻域算法提取特征点，采用局部邻域匹配和欧式距离匹配相结合的匹配方法。本发明提供一种安全性较高的基于八邻域和二次匹配的手掌静脉特征提取和匹配方法。

Description

一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法

技术领域

本发明涉及接触式生物特征身份识别技术领域，尤其是一种掌静脉特征提取和匹配方法。

背景技术

计算机的普遍性和必要性是当今信息技术发展的必然结果，致使整个社会成为信息和网络的结合体，如何进一步加强社会信息化和网络化的安全性成为如今迫切需要解决问题的重中之重，而身份认证就是古往今来所使用的一种基本方法。传统的身份认证有两种方式，一种是基于标志物(钥匙、证件)的身份认证；另外一种是基于知识(密码，卡号)的身份认证，但这两者的缺陷都是通过“身外之物”进行身份认证，而这些身外之物容易被伪造或者冒充，要消除这些隐患必须摒弃这些身外之物，寻求一种对个人自身独有的特征进行认证的识别技术，即生物识别技术。

物识别技术是对人体自身所拥有的生物特征进行自动身份识别的技术，生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等，行为特征包括手写签名、声纹、步态等。行为特征不具备一定的精确度，并且容易被模仿和假冒，在实际使用中存在一定的不安全性。虹膜、指纹等这些人体识别技术容易被仿冒且容易取得。因此静脉特征识别技术是一种安全性很高的身份识别技术。

发明内容

为了克服已有身份验证方式的安全性较差的不足，本发明提供一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法。

本发明解决其技术问题所采用的技术方案是：

一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，所述方法包括以下步骤：

1)采集手掌静脉图像；

2)对采集到的静脉图像进行预处理；

二值化提取出手掌，进行手掌关键点定位，采用高斯滤波对图像进行去噪处理，采用直方图均衡化对图像进行增强；

3)对增强后的静脉图像进行细化裁剪

用Niblack图像阈值分割法进行阈值分割，采用中值滤波进行去噪处理，再进行图像的细化和裁剪；

4)对裁剪后的图像在八邻域中进行特征点提取，采用局部结构关系匹配和欧式距离匹配相结合的匹配方式，过程如下：

采用八邻域算法进行特征点提取，在八邻域中，当前点P的八个邻域点(P1…P8)，p₁…p₈表示P1…P8的灰度值，交叉数C_n(P)的定义为式(1)：

$C_n\left(P\right)=\frac{1}{2}\underset{i=1}{\overset{8}{\Σ}}\left|p_i-p_{i+1}\right|---\left(1\right)$

以及在八邻域中，纹线的点数S_n(p)定义为式(2)：

$S_n\left(P\right)=\underset{i=1}{\overset{8}{\Σ}}{p}_i---\left(2\right)$

特征点类型判别条件：

a)当C_n(P)＝1且S_n(P)＝1，则P为端点；

b)当C_n(P)＝3且S_n(P)＝3，则P为三叉点；

c)当C_n(P)＝4且S_n(P)＝4，则P为四叉点；

一个特征点包含以下信息：点的类型s，点的坐标位置(i,j)，点在脊线上的方向角度θ，选取与中心特征点距离大于r的最近5个点(P1,P2,P3,P4,P5)作为此中心点的邻域特征点，利用这5个邻域点和该中心点的距离信息、坐标信息和角度信息一起构造出局部特征向量；

在建立好局部特征向量之后，对特征向量进行第一步匹配识别，假设待识别掌静脉图像A，采集得到其特征点为A＝(A₁(i₁,j₁,s₁,θ₁),....A_N(i_N,j_N,s_N,θ_N))表示掌静脉A上有N个特征点，与之匹配的模板中的任一掌静脉B，其特征点为B＝(B₁(i₁,j₁,s₁,θ₁),....B_M(i_M,j_M,s_M,θ_M))表示掌静脉B中有M个特征点；

匹配的过程为，将B的M维向量组与A的N维向量组进行比较，把A中的每个特征点分别与B中的每个特征点进行一一匹配，根据匹配结果，得到N×M个匹配值，将匹配值记录在矩阵F_N×M中；

计算完成之后，在矩阵F的每一行标记出匹配值最大且不为0的元素，这些元素的性质保证特征点A_i和B_j是一一对应的关系，标记出每一行的最大元素之后求其总和，将其总和记为匹配值U_AB；

初步匹配的判决条件为Z＝100×U_AB×U_AB/N×M，设置判决值上下限，即最低下限Z_min和最高上限Z_max，当Z<Z_min时，则判定AB不匹配，无需再进入第二步匹配；当Z_min≤Z≤Z_max时，则进入第二步的匹配，当Z≧Z_max时，直接判定AB匹配成功；

然后根据特征点的欧式距离进行二次匹配，经过初步匹配，不能确定是否匹配的静脉图像A和B，A有N个特征点，B有M个特征点，图像A的特征点坐标表示为B的特征点坐标表示为将A的第一个点分别和B的M个点进行距离的求解，得到M个距离值，取最小值记为d_1j；

重复上述步骤，一共可以得到N个最小距离值，记为d_1j,...d_Nj(1≤j≤N)，在这些最小值中，求其最大值d_max，与求得的阈值D进行比较，若d_max≤D，则匹配成功，A和B为同一类图像，若d_max≥D，则A与B属不同类的图像，结果为不匹配。

更进一步，所述步骤1)中，通过双波长近红外LED和高清CCD的手掌静脉前端采集装置采集到手掌静脉图像。

再进一步，所述步骤2)中，采用全局阈值法中的固定阈值进行静脉图像的二值化，将阈值定义为T，则灰度图像f(x,y)二值化变换过程用式(3)所示：

$f(x,y)=\left\{\begin{array}{c}255,f(x,y)\&GreaterEqual;T\\ 0,f(x,y)<T\end{array}\right.---\left(3\right)$

所述步骤2)中，提出了局部求点的方法，求出每个边缘点到图像底部的距离，根据距离求得图像的极值点，根据极值点确定每个手指之间的交叉点；在实际的处理过程中，截取了图像上半部分进行距离计算，摒弃了图像大拇指到手掌底部的图像信息，这些图像信息对处理并没有什么影响。

所述步骤2)中，找到小拇指和无名指之间的点P2与中指和食指之间的点P1，将P1和P2连成一条线，获得其与手腕的水平方向的夹角进行图像θ角度，其中P1点坐标为(X_P1,Y_P1)，P2点坐标为(X_P2,Y_P2)，旋转的角度θ如式所示(4)：

$\mathrm{\&theta;}={\tan }^{-1}\frac{(Y_{p_2}-Y_{p_1})}{(X_{p_2}-X_{p_1})}---\left(4\right)$

将整个掌静脉图像按照θ角度旋转，最终获得ROI为矩形有效区域ABCD。

所述步骤2)中，尺寸归一化矩阵方式如式(5)所示：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}a& 0\\ 0& b\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]---\left(5\right)$

其中(u,v)表示缩放前的坐标，(x,y)表示缩放后的坐标，a表示的是横坐标的缩放比，b表示纵坐标的缩放比；a>1是指横向放大，0<a<1是指横向缩小；b>1是指纵向放大，0<b<1是指纵向缩小；a＝b表示横纵方向的缩放比相同，也就是变换后图像没有发生形变。

所述步骤2)中，采用直方图均衡化对图像进行增强，直方图均衡化用式(6)表示：

$s=T\left(r\right)={\&Integral;}_0^r{p}_r\left(w\right)dw---\left(6\right)$

其中，r为转换前的灰度值，T(r)为对灰度值r的直方图均衡化函数，w为0到r之间的变量，s为转换后的灰度值，p_r代表灰度r的概率分布函数。

更进一步，所述步骤3)中，用Niblack图像阈值分割法进行阈值分割，过程如下：

对图像的每个像素点，在它的R×R的邻域内计算出邻域内像素点的方差和均值，然后根据式(7)进行图像二值化：

T(x,y)＝m(x,y)+k×s(x,y)(7)

其中结果T(x,y)为所求阈值，m(x,y)为该像素点在邻域内的灰度均值，k为预先设定的修订值，s(x,y)为该像素点邻域内的灰度标准方差，m(x,y)和s(x,y)的计算过程如式(8)和(9)所示：

$m(x,y)=\frac{1}{r\&times;r}\underset{i=x-r/2}{\overset{x+r/2}{\&Sigma;}}\underset{j=y-r/2}{\overset{y+r/2}{\&Sigma;}}f(i,j)---\left(8\right)$

$s(x,y)=\sqrt{\frac{1}{r\&times;r}\underset{i=x-r/2}{\overset{x+r/2}{\mathrm{\&Sigma;}}}\underset{j=y-r/2}{\overset{y+r/2}{\mathrm{\&Sigma;}}}{f}^2(i,j)}---\left(9\right)$

其中f(i,j)为像素点(i,j)的灰度值。

阈值分割后，用均值滤波除去少量的孤立噪点。

所述步骤3)中，进行图像细化使图像细化后的静脉图像脊线位于原始脊线的中间位置，并且保持着脊线的连通性，细节信息和拓扑结构；

采用条件细化算法细化图像，对像素点建立3×3的模版，其中一共有9个相邻的像素点，将掌静脉图像中的血管点标为1，背景点标为0，对模版中心点P5标记为1，而邻域中的8个点至少有一个标记为0的点进行以下条件的判断：

a)2≤N≤6；

b)S＝1；

c)P2×P4×P6＝0且P4×P6×P8＝0或者P2×P4×P8＝0且P2×P6×P8＝0；

其中N是邻域中非0的点的个数，S是P1...P4和P6...P9点从0到1变化的次数，上述条件如果都满足，则将P5删去；从而达到了细化的目的。

所述步骤3)中，进行图像裁剪，查找每个像素点的邻域范围，通过查找8邻域中的值为1的像素点个数，判断该点是否为交叉点或端点，并标记交叉点和端点位置；根据预先认定的裁剪的长度值和记录该段分支中端点到交叉点之间的像素距离进行比较，若距离小于设定长度，则将端点到交叉点的整段静脉纹路裁减。

本发明的技术构思为：生物识别技术是对人体生物特征(生理或行为特征)进行自动身份识别的技术，生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等，这些生物特征拥有足够的稳定性，不会随着年龄的增长，时间的改变而改变。行为特征包括手写签名、声纹、步态等。行为特征不具备一定的精确度，并且容易模仿和假冒，在实际使用中存在一定的不安全性。虹膜、指纹、掌纹等这些人体识别技术却容易被仿冒且容易取得。由于人体静脉血管隐藏于皮肤之下，不易伪造，而且，相对于掌纹而言，手掌静脉分布复杂，具有更丰富的结构信息。因此静脉特征识别技术是一种安全性很高的身份识别技术。

对手掌静脉图像进行有效的预处理技术，主要包括：采用分块局部极值快速检测关键点，从而提取感兴趣区域。采用Niblack图像阈值分割法对ROI图像进行阈值分割，使图像的细节信息保留完整。采用局部特征向量匹配和欧式距离匹配相结合的匹配方式，这样能在每一小步中较为精确的消除干扰因素的影响，同时也能减少算法复杂度，减少拒判的时间，提高了识别的速度。

本发明的有益效果主要表现在：安全性较高，识别率较高。

附图说明

图1为基于八邻域和二次匹配的手掌静脉特征提取和匹配方法的流程图；

图2为采用固定阈值二值化后的图像；

图3为关键点定位示意图；

图4为感兴趣区域的截取示意图；

图5为静脉图像细化与裁减结果，其中，(a)细化后的图像骨架；)裁减冗余分支；

图6为局部邻域结构模型图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图6，一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，过程如下：

1)手掌静脉的采集

手掌静脉采集装置采集到的静脉图像。静脉采集装置的原理是：根据人体肌肉和骨骼的特点，当一定范围的近红外光照射人体时，人体的静脉血管中的血色素相比于皮下组织可以吸收更多的近红外辐射，能够很好地呈现静脉血管结构。本实验装置采用的是850nm和940nm的双近红外LED和高清CMOS摄像头获取手掌静脉图像。

2)手掌静脉的预处理

静脉图像的质量直接影响系统的识别率，为了提高图像质量，需要对静脉图像进行预处理。

(2.1)有效区域(ROI)提取

为了得到手掌的轮廓，主要采用了固定阈值算法进行静脉图像的二值化，设使用某一个阈值将灰度图像根据灰度大小，分成目标部分和背景部分两类，通过反复训练，得到的阈值是最优的二值化阈值，结果如图2所示。之后进行轮廓的提取，求出每个边缘点到图像底部的距离，根据距离可以求得图像的极值点，根据极值点可以确定每个手指之间的交叉点，从而方便地求出想要的两个点。提出了局部求点的方法，无需在完整的图像中进行像素坐标的计算，在实际的处理过程中，截取了图像上半部分进行距离计算，摒弃了图像大拇指到手掌底部的图像信息，这些图像信息对处理并没有什么影响。

如图3所示，找到小拇指和无名指之间的点P1与中指和食指之间的点P2，将P1和P2连成一条线，获得其与手腕的水平方向的夹角进行图像θ角度，其中P1点坐标为(X_P1,Y_P1)，P2点坐标为(X_P2,Y_P2)，旋转的角度θ如式所示(4)：

$\mathrm{\&theta;}={\tan }^{-1}\frac{(Y_{p_2}-Y_{p_1})}{(X_{p_2}-X_{p_1})}---\left(4\right)$

将整个掌静脉图像按照θ角度旋转，最终获得ROI为矩形有效区域ABCD，如图4所示。

(2.2)归一化处理

由于在获取图像的时候，手掌位置并不固定，拍摄到的手掌图像大小不一，因此对获得的ROI区域进行尺寸归一化非常有必要，尺寸归一化矩阵方式如式(5)所示：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}a& 0\\ 0& b\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]---\left(5\right)$

其中(u,v)表示缩放前的坐标，(x,y)表示缩放后的坐标，a表示的是横坐标的缩放比，b表示纵坐标的缩放比。a>1是指横向放大，0<a<1是指横向缩小。b>1是指纵向放大，0<b<1是指纵向缩小。a＝b表示横纵方向的缩放比相同，也就是变换后图像没有发生形变，归一化像素大小为200×240。

(2.3)图像增强

采用直方图均衡化对图像进行增强，直方图均衡化可用式(6)表示：

$s=T\left(r\right)={\&Integral;}_0^r{p}_r\left(w\right)dw---\left(6\right)$

其中，r为转换前的灰度值，T(r)为对灰度值r的直方图均衡化函数，w为0到r之间的变量，s为转换后的灰度值，p_r代表灰度r的概率分布函数。

3)对增强后的静脉图像进行细化裁剪

(3.1)Niblack阈值分割

Niblack分割算法的基本原理是，对图像的每个像素点，在它的R×R的邻域内计算出邻域内像素点的方差和均值，然后根据式(7)进行图像二值化：

T(x,y)＝m(x,y)+k×s(x,y)(7)

其中结果T(x,y)为所求阈值，m(x,y)为该像素点在邻域内的灰度均值，k为预先设定的修订值，s(x,y)为该像素点邻域内的灰度标准方差。m(x,y)和s(x,y)的计算过程如式(8)和(9)所示：

$m(x,y)=\frac{1}{r\&times;r}\underset{i=x-r/2}{\overset{x+r/2}{\&Sigma;}}\underset{j=y-r/2}{\overset{y+r/2}{\&Sigma;}}f(i,j)---\left(8\right)$

$s(x,y)=\sqrt{\frac{1}{r\&times;r}-\underset{i=x-r/2}{\overset{x+r/2}{\&Sigma;}}\underset{j=y-r/2}{\overset{y+r/2}{\&Sigma;}}{f}^2(i,j)}---\left(9\right)$

其中f(i,j)为像素点(i,j)的灰度值。

(3.2)图像细化

对像素点建立3×3的模版，其中一共有9个相邻的像素点。将掌静脉图像中的血管点标为1，背景点标为0，对模版中心点P5标记为1，而邻域中的8个点至少有一个标记为0的点进行以下条件的判断：

a)2≤N≤6；

b)S＝1；

c)P2×P4×P6＝0且P4×P6×P8＝0或者P2×P4×P8＝0且P2×P6×P8＝0；其中N是邻域中非0的点的个数，S是P1...P4和P6...P9点从0到1变化的次数。上述条件如果都满足，则将P5删去，从而达到了细化的目的，结果如图5-a。

(3.3)图像裁剪

细化后再进行裁剪，图像裁剪的思想是查找每个像素点的邻域范围，通过查找8邻域中的值为1的像素点个数，判断该点是否为交叉点或端点，并标记交叉点和端点位置。根据预先认定的裁剪的长度值和记录该段分支中端点到交叉点之间的像素距离进行比较，若距离小于设定长度，则将端点到交叉点的整段静脉纹路裁减，裁剪结果如图5-b。

4)对裁剪后的图像在八邻域中进行特征点提取，采用局部结构关系匹配和欧式距离匹配相结合的匹配方式。

(4.1)特征点提取

采用八邻域算法进行特征点提取，在八邻域中，当前点P的八个邻域点(P1…P8)，p₁…p₈表示P1…P8的灰度值，交叉数C_n(P)的定义为式(1)：

$C_n\left(P\right)=\frac{1}{2}\underset{i=1}{\overset{8}{\&Sigma;}}\left|p_i-p_{i+1}\right|---\left(1\right)$

以及在八邻域中，纹线的点数S_n(p)定义为式(2)：

$S_n\left(P\right)=\underset{i=1}{\overset{8}{\&Sigma;}}{p}_i---\left(2\right)$

特征点类型判别条件：

a)当C_n(P)＝1且S_n(P)＝1，则P为端点；

b)当C_n(P)＝3且S_n(P)＝3，则P为三叉点；

c)当C_n(P)＝4且S_n(P)＝4，则P为四叉点；

(4.2)初步匹配

经过特征提取得到的掌静脉中的分叉点和端点，一个特征点包含以下信息：点的类型s是分叉点或是端点、点的坐标位置(i,j)、点在脊线上的方向角度θ。

对于一个特征点，建立以此点为中心的一个局部邻域的特征向量进行特征匹配，其结构如图6所示。从图中可以看出，选取与中心特征点距离大于r的最近5个点(P₁,P₂,P₃,P₄,P₅)作为此中心点的邻域特征点，不取距离小于r的点。利用这5个邻域点和该中心点的距离信息、坐标信息和角度信息一起构造出局部特征向量。

在建立好局部特征向量之后，对特征向量进行第一步匹配识别，假设待识别掌静脉图像A，采集得到其特征点为A＝(A₁(i₁,j₁,s₁,θ₁),....A_N(i_N,j_N,s_N,θ_N))表示掌静脉A上有N个特征点，与之匹配的模板中的任一掌静脉B，其特征点为B＝(B1(i₁,j₁,s₁,θ₁),....B_M(i_M,j_M,s_M,θ_M))表示掌静脉B中有M个特征点。对掌静脉A上的每个特征点都建立局部特征向量，就可以得到一个N维度的局部特征向量组，同理，也可以得到与掌静脉B相对应的，M维度的局部向量组。

匹配的过程为，将B的M维向量组与A的N维向量组进行比较，把A中的每个特征点分别与B中的每个特征点进行一一匹配，根据匹配结果，可以得到N×M个匹配值，将匹配值记录在矩阵F_N×M中。其匹配方法为：若A_i和B_j的中心点类型不一同，即则匹配值F[i][j]＝0，可以判定该点不匹配，也就不再对该点进行后续匹配计算；若A_i和B_j的中心点类型一致，即则进行后续匹配计算，计算得出两中心点点各有P个邻域点，若有t个邻域点匹配，则匹配值为F[i][j]＝t(1≤t≤5)。

计算完成之后，在矩阵F的每一行标记出匹配值最大且不为0的元素，这些元素的性质可以保证特征点A_i和B_j是一一对应的关系，标记出每一行的最大元素之后求其总和，将其总和记为匹配值U_AB。初步匹配的判决条件为Z＝100×U_AB×U_AB/N×M。为了减少匹配时间，设置合理的判决值上下限，即最低下限Z_min和最高上限Z_max，当Z<Z_min时，则判定AB不匹配，无需再进入第二步匹配；当Z_min≤Z≤Z_max时，则进入第二步的匹配，当Z≧Z_max时，直接判定AB匹配成功。

(4.3)二次匹配

二次匹配主要是根据特征点的欧式距离来判断匹配与否。两幅静脉图A和B，将A和B的特征点移入同一个坐标系当中，将A的每个特征点，分别和B的每个特征点求欧氏距离，根据计算欧式距离来是否匹配，具体做法如下：

经过初步匹配，不能确定是否匹配的静脉图像A和B，A有N个特征点，B有M个特征点，图像A的特征点坐标可表示为B的特征点坐标可表示为将A的第一个点分别和B的M个点进行距离的求解，可以得到M个距离值，取最小值记为d_1j重复上述步骤，一共可以得到N个最小距离值，记为d_1j,...d_Nj(1≤j≤N)，在这些最小值中，求其最大值d_max，与求得的阈值D进行比较，若d_max≤D，则匹配成功，A和B为同一类图像，若d_max≥D，则A与B属不同类的图像，结果为不匹配。

实验结果：本实验采用实验室自制的手掌静脉采集装置，分别采集实验人员25人的手掌图像，其中男性试验者20人，女性试验者5人，每人分别采集左右手图像各10幅，其中前5幅作为训练样本，后5幅作为识别测试样本，进行识别性能测试。总计样本数量25×10×2＝500。表1是算法点模式匹配、欧式距离匹配、以及局部结构关系+欧式距离性能数据的对比。

表1

从表1中看出相对于单一的点模式匹配，和欧式距离匹配，将一个复杂的匹配过程，分为较为简单的两步进行，经过初次匹配的筛选，滤除部分不匹配图像，提高了整体匹配效率，二次匹配采用快速的欧式距离匹配，能减少算法的运行时间。这样能在每一小步中较为精确的消除干扰因素的影响，同时也能减少算法复杂度，减少拒判的时间。

Claims (10)

1.一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述方法包括以下步骤：

1)采集手掌静脉图像；

2)对采集到的静脉图像进行预处理

二值化提取出手掌，进行手掌关键点定位，采用高斯滤波对图像进行去噪处理，采用直方图均衡化对图像进行增强；

3)对增强后的静脉图像进行细化裁剪

用Niblack图像阈值分割法进行阈值分割，采用中值滤波进行去噪处理，再进行图像的细化和裁剪；

4)对裁剪后的图像在八邻域中进行特征点提取，采用局部结构关系匹配和欧式距离匹配相结合的匹配方式，过程如下：

采用八邻域算法进行特征点提取，在八邻域中，当前点P的八个邻域点(P1…P8)，p₁…p₈表示P1…P8的灰度值，交叉数C_n(P)的定义为式(1)：

$C_n\left(P\right)=\frac{1}{2}\underset{i=1}{\overset{8}{\&Sigma;}}|p_i-p_{i+1}|---\left(1\right)$

以及在八邻域中，纹线的点数S_n(P)定义为式(2)：

$S_n\left(P\right)=\underset{i=1}{\overset{8}{\&Sigma;}}{p}_i---\left(2\right)$

特征点类型判别条件：

a)当C_n(P)＝1且S_n(P)＝1，则P为端点；

b)当C_n(P)＝3且S_n(P)＝3，则P为三叉点；

c)当C_n(P)＝4且S_n(P)＝4，则P为四叉点；

一个特征点包含以下信息：点的类型s，点的坐标位置(i,j)，点在脊线上的方向角度θ，选取与中心特征点距离大于r的最近5个点(P1,P2,P3,P4,P5)作为此中心点的邻域特征点，利用这5个邻域点和该中心点的距离信息、坐标信息和角度信息一起构造出局部特征向量；

在建立好局部特征向量之后，对特征向量进行第一步匹配识别，假设待识别掌静脉图像A，采集得到其特征点为A＝(A₁(i₁,j₁,s₁,θ₁),....A_N(i_N,j_N,s_N,θ_N))表示掌静脉A上有N个特征点，与之匹配的模板中的任一掌静脉B，其特征点为B＝(B₁(i₁,j₁,s₁,θ₁),....B_M(i_M,j_M,s_M,θ_M))表示掌静脉B中有M个特征点；

匹配的过程为：将B的M维向量组与A的N维向量组进行比较，把A中的每个特征点分别与B中的每个特征点进行一一匹配，根据匹配结果，得到N×M个匹配值，将匹配值记录在矩阵F_N×M中；

计算完成之后，在矩阵F的每一行标记出匹配值最大且不为0的元素，这些元素的性质保证特征点A_i和B_j是一一对应的关系，标记出每一行的最大元素之后求其总和，将其总和记为匹配值U_AB，初步匹配的判决条件为Z＝100×U_AB×U_AB/N×M，设置判决值上下限，即最低下限Z_min和最高上限Z_max，当Z<Z_min时，则判定AB不匹配，无需再进入第二步匹配；当Z_min≤Z≤Z_max时，则进入第二步的匹配，当Z≧Z_max时，直接判定AB匹配成功；

然后根据特征点的欧式距离进行二次匹配，经过初步匹配，不能确定是否匹配的静脉图像A和B，A有N个特征点，B有M个特征点，图像A的特征点坐标表示为B的特征点坐标表示为将A的第一个点分别和B的M个点进行距离的求解，得到M个距离值，取最小值记为d_1j，重复上述步骤，一共得到N个最小距离值，记为d_1j,...d_Nj(1≤j≤N)，在这些最小值中，求其最大值d_max，与求得的阈值D进行比较，若d_max≤D，则匹配成功，A和B为同一类图像，若d_max≥D，则A与B属不同类的图像，结果为不匹配。

2.如权利要求1所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤1)中，通过双波长近红外LED和高清CCD的手掌静脉前端采集装置采集到手掌静脉图像。

3.如权利要求1或2所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，采用全局阈值法中的固定阈值进行静脉图像的二值化，将阈值定义为T，则灰度图像f(x,y)二值化变换过程用式(3)所示：

$f(x,y)=\left\{\begin{array}{c}255,f(x,y)\&GreaterEqual;T\\ 0,f(x,y)<T\end{array}\right.---\left(3\right)$

4.如权利要求3所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，提出了局部求点的方法，求出每个边缘点到图像底部的距离，根据距离求得图像的极值点，根据极值点确定每个手指之间的交叉点；截取图像上半部分进行距离计算。

5.如权利要求4所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，找到小拇指和无名指之间的点P2与中指和食指之间的点P1，将P1和P2连成一条线，获得其与手腕的水平方向的夹角进行图像θ角度，其中P1点坐标为(X_P1,Y_P1)，P2点坐标为(X_P2,Y_P2)，旋转的角度θ如式所示(4)：

$\mathrm{\&theta;}={\tan }^{-1}\frac{(Y_{p_2}-Y_{p_1})}{(X_{p_2}-X_{p_1})}---\left(4\right)$

将整个掌静脉图像按照θ角度旋转，最终获得ROI为矩形有效区域ABCD。

6.如权利要求5所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，尺寸归一化矩阵方式如式(5)所示：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}a& 0\\ 0& b\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]---\left(5\right)$

其中(u,v)表示缩放前的坐标，(x,y)表示缩放后的坐标，a表示的是横坐标的缩放比，b表示纵坐标的缩放比；a>1是指横向放大，0<a<1是指横向缩小；b>1是指纵向放大，0<b<1是指纵向缩小；a＝b表示横纵方向的缩放比相同，也就是变换后图像没有发生形变。

7.如权利要求6所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤2)中，采用直方图均衡化对图像进行增强，直方图均衡化用式(6)表示：

$s=T\left(r\right)={\&Integral;}_0^r{p}_r\left(w\right)dw---\left(6\right)$

其中，r为转换前的灰度值，T(r)为对灰度值r的直方图均衡化函数，w为0到r之间的变量，s为转换后的灰度值，p_r代表灰度r的概率分布函数。

8.如权利要求1或2所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，用Niblack图像阈值分割法进行阈值分割，采用中值滤波进行去噪处理，再进行图像的细化和裁剪，过程如下：

对图像的每个像素点，在它的R×R的邻域内计算出邻域内像素点的方差和均值，然后根据式(7)进行图像二值化：

T(x,y)＝m(x,y)+k×s(x,y)(7)

其中结果T(x,y)为所求阈值，m(x,y)为该像素点在邻域内的灰度均值，k为预先设定的修订值，s(x,y)为该像素点邻域内的灰度标准方差，m(x,y)和s(x,y)的计算过程如式(8)和(9)所示：

$m(x,y)=\frac{1}{r\&times;r}\underset{i=x-r/2}{\overset{x+r/2}{\&Sigma;}}\underset{j=y-r/2}{\overset{y+r/2}{\&Sigma;}}f(i,j)---\left(8\right)$

$s(x,y)=\sqrt{\frac{1}{r\&times;r}\underset{i=x-r/2}{\overset{x+r/2}{\&Sigma;}}\underset{j=y-r/2}{\overset{y+r/2}{\&Sigma;}}{f}^2(i,j)}---\left(9\right)$

其中f(i,j)为像素点(i,j)的灰度值。

9.如权利要求8所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，细化图像使图像细化后的静脉图像脊线位于原始脊线的中间位置，并且保持着脊线的连通性，细节信息和拓扑结构；

采用条件细化算法细化图像，对像素点建立3×3的模版，其中一共有9个相邻的像素点，将掌静脉图像中的血管点标为1，背景点标为0，对模版中心点P5标记为1，而邻域中的8个点至少有一个标记为0的点进行以下条件的判断：

a)2≤N≤6；

b)S＝1；

c)P2×P4×P6＝0且P4×P6×P8＝0或者P2×P4×P8＝0且P2×P6×P8＝0；其中N是邻域中非0的点的个数，S是P1...P4和P6...P9点从0到1变化的次数，上述条件如果都满足，则将P5删去。

10.如权利要求9所述的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其特征在于：所述步骤3)中，进行图像裁剪过程如下：查找每个像素点的邻域范围，通过查找8邻域中的值为1的像素点个数，判断该点是否为交叉点或端点，并标记交叉点和端点位置，根据预先认定的裁剪的长度值和记录该段分支中端点到交叉点之间的像素距离进行比较，若距离小于设定长度，则将端点到交叉点的整段静脉纹路裁减。