CN105488460A - 基于生理特征的图像处理方法 - Google Patents

Abstract

本发明提供了一种基于生理特征的图像处理方法，该方法包括：获取红外设备照射得到的手掌静脉图像，对获取的静脉图像进行增强；提取增强后的图像特征以对手掌静脉图像进行身份识别。本发明提出了一种人体身份特征图像处理方法，对于质量较低的手掌静脉采集图像，有效提高了识别范围，识别速度和精度。

Description

基于生理特征的图像处理方法

技术领域

本发明涉及图像识别，特别涉及一种基于生理特征的图像处理方法。

背景技术

随着生物认证技术的发展，人脸和指纹识别已经不能满足日益增长的安全性需求。近年来，基于手掌静脉特征的身份识别在生物特征识别领域受到广泛重视。手掌静脉图像获取容易，占用存储空间小，其研究具有重要的应用价值。手掌静脉识别相关认证产品在网络安全认证方面必将发挥重要的作用。现有的手掌静脉识别系统只能对较好条件下的样本进行处理，而对于图像偏暗，清晰度不高的手掌样本，识别率有所降低，同时，所应用的算法普遍计算量较大，使识别过程难以达到实时。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种基于生理特征的图像处理方法，包括：

获取红外设备照射得到的手掌静脉图像，对获取的静脉图像进行增强；提取增强后的图像特征以对手掌静脉图像进行身份识别。

优选地，所述对获取的静脉图像进行增强，进一步包括：

计算每个像素点8个方向上的像素灰度平均值G_L,其中L取1-8；

将G_L按两两垂直的方向分成4组，其中G_K与G_K+4为一组，K取1-4；求解各组方向灰度均值与中心点像素的灰度值的灰度变化值T_K和T_K+4，

T_K＝|G-G_K|

T_K+4＝|G-G_K+4|

其中G是中心点的灰度值；

求T_K和T_K+4两个灰度变化值之比T_KR；计算绝对值ΔT_K＝|1-T_KR|判断灰度均值G_K与G_K+4和与中心像素点灰度值接近的灰度均值，然后取ΔT_K的最大值，即找到两个最可能的脊线方向；

如果T_KR≥1，中心像素点的方向取argmax(ΔT_K)+4；

如果T_KR＜1，中心像素点的方向取argmax(ΔT_K)；

将图像分成w×w大小的块，对块中的每个点进行平滑处理，计算的块区域中的灰度直方图中的峰值并设为中心点的方向，得到点方向修正后的块方向；得到修正后的块方向图后，根据每幅手掌静脉图像的方向图，用对应的方向滤波模板对手掌静脉图像进行方向滤波，首先设置水平方向模板如下：

$\left[\begin{array}{ccccccc}-z/3& -2z/3& -z& -z& -z& -2z/3& -z/3\\ y/3& 2y/3& y& y& y& 2y/3& y/3\\ x/3& 2x/3& x& x& x& 2x/3& x/3\\ u/3& 2u/3& u& u& u& 2u/3& u/3\\ x/3& 2x/3& x& x& x& 2x/3& x/3\\ y/3& 2y/3& y& y& y& 2y/3& y/3\\ -z/3& -2z/3& -z& -z& -z& -2z/3& -z/3\end{array}\right]$

其中各系数满足如下关系：u>x>y>0，z>0，u+2x+2y-2z＝0，

在得到水平方向模板之后，由水平方向的滤波模板通过三角函数旋转相应的角度得到其他7个方向的滤波模板，即水平模板旋转φ后，得到滤波模板上的坐标位置(i*，j*)与水平方向滤波模板上的坐标位置(i,j)之间有如下关系：

其中，φ＝(m-l)π/8为滤波器旋转的角度，m取2-7；

在新的方向滤波模板上，(i,j)位置的系数g_φ(i*,j*)相等于水平滤波器上g₀(i,j)位置的系数；点(i,j)上的系数g_φ(i*,j*)用其周围点系数进行插值得到，设水平方向滤波模板上(i,j)周围4个坐标的系数分别为g₀(i_L,j_L)，g₀(i_L,j_U)，g₀(i_U,j_L)，g₀(i_U,j_U)，此处i_L<i<i_U，j_L<j<j_U、则插值表达为

g_φ(i*,j*)＝(j_U-j)(i_U-i)g₀(i_L,j_L)+(j_U-j)(i-i_L)g₀(i_L,j_U)+(i_U-i)(j-j_L)g₀(i_U,j_L)+(i-i_L)(j-j_L)g₀(i_U,j_U)

通过上式可得到其余7个方向滤波模板的系数；

以当前像素点为中心，将周围的8个点的灰度值与对应的方向滤波模板做卷积运算，然后将卷积值赋给当前像素点，作为滤波过程的最终灰度值；

通过以下过程对手掌静脉图像进行细化提取：对于图像中像素值为1的点X，记录X为中心的周围的8个点满足的灰度顺序，利用8位二进制表示的顺序值来查询细化表中的对应的值，若查询到的值为1，则删掉该点X，否则保留该点；当对整幅手掌静脉图像进行细化时，遍历水平方向上的像素点，然后遍历垂直方向的像素点，直到已判断所有点；

定义一个3×3的区域，细化图像上每个像素点的8邻域，在顺时针遍历8个像素点的过程中，计算像素值0和1的累积变换次数N_T；若N_T＝1，则当前像素点为端点；若N_T≥3，则为分叉点。

本发明相比现有技术，具有以下优点：

本发明提出了一种基于生理特征的图像处理方法，对于质量较低的采集图像，有效提高了识别范围，识别速度和精度。

附图说明

图1是根据本发明实施例的基于生理特征的图像处理方法的流程图。

具体实施方式

下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

本发明的一方面提供了一种基于生理特征的图像处理方法。图1是根据本发明实施例的基于生理特征的图像处理方法流程图。

手掌静脉图像利用的是人体静脉的血红蛋白对近红外光的吸收特性。手掌静脉采集设备中采用的是波长范围在700-1100近红外发光二极管作为光源，因为该波段的光容易穿透手掌骨骼和肌肉组织，然后采用高感光度的图像传感器。在手掌静脉图像的采集过程中，如果手掌放置的位置太偏，可能会造成手掌静脉图像中手掌边界的梯度场小，从而导致手掌静脉的边界提取不完整，影响手掌静脉ROI(ROI)区域的截取。

手掌静脉图像识别可选地包括如下过程：

手掌静脉图像分割，将静脉图像中的静脉纹理从背景区域中分离出来，以提高图像特征提取的正确率和特征提取的速度。

手掌静脉图像增强，用于突出图像的静脉纹理信息。

特征提取，通过对预处理过的图像进行特征提取，得到手掌静脉图像的几何特征模板或数据特征模板。

匹配识别，通过采集的用户手掌静脉图像，获得样本模板，与之前数据库中的注册模板进行匹配，以识别用户身份标识。

进一步地，对于上述图像分割，本发明采用以下过程：

对于去噪后静脉图像，其高频信息体现在静脉曲线的边界上，而静脉曲线的延伸方向与静脉曲线边界的方向保持一致，因此，在分割图像中的静脉信息时，只需要分析静脉边界附近区域，具体步骤如下：

采用小波对去噪后的静脉图像进行小波变换，获得图像中的高频信息。通过四叉树分解将静脉图像分成若干个区域，对每一局部区域分别进行处理与分析。假设每一小区域大小为L×L，这里将可采样角度设为L²-l个，即投影角度为θ＝kπ/L²-l

，其中k取1，2，…，L2-1。

构造与子区域同样大小的L×L网格，计算该区域在采样角度上的正交投影。

f_θ(i)＝-(sinθ)*x(i)+(cosθ)*y(i)

式中，θ为投影角度，x(i),y(i)为网格坐标点，对每一角度投影得到的弯曲系数数组f_d。

计算指示图像中该区域在每一点处的正则变化方向的向量流。对f_d进行小波变换，得到其变换系数称为{b_k}，选择阈值T，并对b_k进行阈值化处理：

b_k’(x)＝0|x|≤T

b_k’(x)＝b_k(x)|x|＞T

阈值化处理之后，对其进行逆小波变换，从而获得f_d的逼近信号R_d，对于所有的投影角度θ，能够使f_d与R_d差别最小的角度作为该区域的最佳向量流方向。

θ’＝argmin||f_d-R_d||²，δ<H，θ∈[0,L²]

δ＝min||f_d-R_d||²

H为判别该区域中是否存在向量流的阈值。

为简化算法的计算复杂度，同时减少ROI区域的数量，将四叉树区域中具有相似向量流特征的相邻区域合并在一起，构造出新的静脉分割的ROI区域：

1.计算所有分块的最佳向量流方向θ’和重建误差δ；

2.计算宽度为2L的区域S的最佳向量流方向θ_d’与重建误差δ’，而区域S四个子块S₁-S₄的重建误差分别为δ₁,δ₂,δ₃,δ₄，如果δ’＝δ₁+δ₂+δ₃+δ₄，则合并S₁-S₄

3.重复步骤1和2，直至达到最大分块区域。

最终将存在向量流的区域作为静脉图像的ROI区域，并对其进行进一步的处理。

ROI区域中静脉信息区域像素不是孤立存在的，而是连通的。鉴于上述特点，利用以下过程完成静脉图像分割：

每一个ROI区域被分割为两部分，即静脉部分和背景部分，且分割后静脉部分为4连通区域；

利用熵值来表示灰度值的丰富程度，熵值定义为

$U=-\underset{i=0}{\overset{W-1}{\&Sigma;}}{P}_i{\log }_2{P}_i$

式中，W为ROI区域中包含的灰度级数量，P_i为灰度级别i的像素在子图像中的出现概率。

计算平均梯度 $G_D=\frac{1}{N_D}\underset{x,y\&Element;D}{\&Sigma;}G(x,y);$ 其中

$G(x,y)=\sqrt{G_x^2+G_y^2}$

G_x(x，y)＝2f(x+2，y)+f(x+l，y)-f(x-l，y)-2f(x-2，y)

G_y(x，y)＝2f(x，y+2)+f(x，y+1)-f(x，y-l)-2f(x，y-2)

D为分割后的区域，ND为区域中进行梯度计算的像素数

通过最小化处理计算图像分割后的静脉信息区域D_F＝argmin[λ₁W_D1+(l-λ_l)W_f-D1+λ₂G_D1+(1-λ₂)G_f-D2]，完成该区域的静脉信息分割，而后融合所有ROI区域的分割结果，便实现了对整幅近红外静脉图像的分割处理。

式中，f表示整幅静脉图像和，λ₁和λ₂分别为上述函数W与G_D在分割算法中的权重值。

获得分割后的图像之后，进一步地，在上述图像增强和特征提取中，本发明采用以下过程：

计算每个像素点8个方向上的像素灰度平均值G_L(L取1-8)。

将G_L按两两垂直的方向分成4组，其中G_K与G_K+4为一组，K取1-4。求解各组方向灰度均值与中心点像素的灰度值的灰度变化值T_K和T_K+4，其中G是中心点的灰度值，

T_K＝|G-G_K|

T_K+4＝|G-G_K+4|

求T_K和T_K+4两个灰度变化值之比T_KR；T_KR越大，说明称为脊线方向的概率越大。

通过计算绝对值ΔT_K＝|1-T_KR|判断灰度均值G_K与G_K+4和与中心像素点灰度值接近的那个灰度均值，然后取ΔT_K的最大值，即找到两个最可能的脊线方向；

如果T_KR≥1，中心像素点的方向取argmax(ΔT_K)+4；当T_KR＜1，中心像素点的方向取argmax(ΔT_K)。

为了减少噪声的影响，将图像分成w×w大小的块，对块中的每个点进行平滑处理，计算的块区域中的灰度直方图中的峰值并将它设为中心点的方向，得到点方向修正后的块方向。得到修正后的块方向图后，为增强静脉纹理和背景的对比度，根据每幅手掌静脉图像的方向图，用对应的方向滤波模板对手掌静脉图像进行方向滤波。首先设置水平方向模板如下：

$\left[\begin{array}{ccccccc}-z/3& -2z/3& -z& -z& -z& -2z/3& -z/3\\ y/3& 2u/3& y& y& y& 2y/3& y/3\\ x/3& 2x/3& x& x& x& 2x/3& x/3\\ u/3& 2y/3& u& u& u& 2u/3& u/3\\ x/3& -2z/3& x& x& x& 2x/3& x/3\\ y/3& 2y/3& y& y& y& 2y/3& y/3\\ -z/3& 2z/3& -z& -z& -z& -2z/3& -z/3\end{array}\right]$

其中各系数满足如下关系：u>x>y>0，z>0，u+2x+2y-2z＝0，

在得到水平方向模板之后，为了得到其他7个方向的滤波模板，可由水平方向的滤波模板通过三角函数旋转相应的角度得到。水平模板旋转φ后，得到的旋转之后的滤波模板上的坐标位置(i*，j*)与水平方向滤波模板上的坐标位置(i,j)之间有如下关系：

其中，φ＝(m-l)π/8为滤波器旋转的角度，m取2-7。

在新的方向滤波模板上，(i,j)位置的系数g_φ(i*,j*)相等于水平滤波器上g₀(i,j)位置的系数。所以点(i,j)上的系数g_φ(i*,j*)用其周围点系数进行插值得到，设水平方向滤波模板上(i,j)周围4个坐标的系数分别为g₀(i_L,j_L)，g₀(i_L,j_U)，g₀(i_U,j_L)，g₀(i_U,j_U)，此处i_L<i<i_U，j_L<j<j_U、则插值表达为

g_φ(i*,j*)＝(j_U-j)(i_U-i)g₀(i_L,j_L)+(j_U-j)(i-i_L)g₀(i_L,j_U)+(i_U-i)(j-j_L)g₀(i_U,j_L)+(i-i_L)(j-j_L)g₀(i_U,j_U)

通过上式可得到其余7个方向滤波模板的系数。

以当前像素点为中心，将周围的8个点的灰度值与对应的方向滤波模板做卷积运算，然后将卷积值赋给当前像素点，作为滤波过程的最终灰度值。

手掌静脉图像经过滤波处理之后，成为一幅质量较高的静脉特征二值化图像。但是所提取的手掌静脉纹理的粗细不一，对匹配过程中的识别率的准确性影响较大，因此对手掌静脉图像进行细化，提取的手掌静脉图像的单像素宽度的中央走向部分：

对于图像中像素值为1的点X，记录X为中心的周围的8个点满足的灰度顺序，这一顺序一共有2⁸＝256种，以8位二进制表示的顺序值查询细化表中的对应的值，若查询的值为1，则删掉该点，否则保留该点。当对整幅手掌静脉图像进行细化时，遍历水平方向上的像素点，然后遍历垂直方向的像素点，直到所有点都已判断。

经过细化的手掌静脉图像中有两种特征点，一个是交点，另一个是端点。为了提取这些特征点，本发明定义一个3×3的区域。细化图像上每个像素点的8邻域，在顺时针遍历8个像素点的过程中，计算像素值0和1的累积变换次数N_T；若N_T＝1，则当前像素点为端点；若N_T≥3，则为分叉点。

获得手掌静脉图像特征之后，进一步地，在上述图像特征进行匹配识别的过程中，本发明采用以下过程：

以x种光强对y种旋转角度的z种分辨率对同一静脉对象进行采集，因此静脉样本库中的每一个静脉对象都由x×y×z个样本来描述，称为该静脉样本库的一个静脉图像子空间，对于采集到的表示该静脉对象的静脉图像，其特征向量可以由该子空间中静脉图像的特征向量线性组合来表示。

ρ’＝τ_1,1,1ρ_1,1,1+τ_1,1,2ρ_1,1,2+…+τ_x,y,zρ_x,y,z

式中，ρ’为采集图像的特征向量，τ_i,j,k为线性表示时基向量ρ_i,j,k的系数。

对于第n个静脉对象迭代执行如下步骤，将静脉样本库中所有静脉图像子空间中的特征向量一一作为基向量，第n个静脉对象的特征向量子空间为：

Φ_n＝[ρ_n,(1,1,1)，ρ_n,(1,1,2)，…ρ_n,(x,y,z)]

式中，ρ_i,j为表示第i个静脉对象中第j幅静脉样本的特征向量。

将采集到的静脉图像与样本库中每一个静脉对象对比，计算以第n个静脉图像子空间基的系数向量μ_n

μ_n＝Φ_n ^-1Φ_n ^Tρ’

判断相似度ζ_n与相似度阈值e的关系：

${\mathrm{\&zeta;}}_n=\frac{{\left({\mathrm{\&Phi;}}_n{\mathrm{\&mu;}}_n\right)}^T{\mathrm{\&rho;}}^{\&prime;}}{\left|\right|{\mathrm{\&Phi;}}_n{\mathrm{\&mu;}}_n{\mathrm{\&rho;}}^{\&prime;}|{|}^2}$

如果ζ_n大于阈值e则迭代结束，得到系数向量为μ_n；如果ζ_n小于阈值e，则n增1，继续上述迭代，直至后ζ_n小于阈值e。对于经过有限次迭代后ζ_n值小于预设阈值e的静脉对象，选取具有最小1范数系数向量的静脉对象作为最终的识别结果；否则，可认为采集到的新的静脉图像与静脉样本库中任一静脉对象都不匹配。

综上所述，本发明提出了一种基于生理特征的图像处理方法，对于质量较低的采集图像，有效提高了识别范围，识别速度和精度。

显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (2)

1.一种基于生理特征的图像处理方法，用于处理采集的手掌静脉图像，其特征在于，包括：

获取红外设备照射得到的手掌静脉图像，对获取的静脉图像进行增强；提取增强后的图像特征以对手掌静脉图像进行身份识别。

2.根据权利要求1所述的方法，其特征在于，所述对获取的静脉图像进行增强，进一步包括：

计算每个像素点8个方向上的像素灰度平均值G_L,其中L取1-8；

将G_L按两两垂直的方向分成4组，其中G_K与G_K+4为一组，K取1-4；求解各组方向灰度均值与中心点像素的灰度值的灰度变化值T_K和T_K+4，

T_K＝|G-G_K|

T_K+4＝|G-G_K+4|

其中G是中心点的灰度值；

求T_K和T_K+4两个灰度变化值之比T_KR；计算绝对值ΔT_K＝|1-T_KR|判断灰度均值G_K与G_K+4和与中心像素点灰度值接近的灰度均值，然后取ΔT_K的最大值，即找到两个最可能的脊线方向；

如果T_KR≥1，中心像素点的方向取argmax(ΔT_K)+4；

如果T_KR＜1，中心像素点的方向取argmax(ΔT_K)；

将图像分成w×w大小的块，对块中的每个点进行平滑处理，计算的块区域中的灰度直方图中的峰值并设为中心点的方向，得到点方向修正后的块方向；得到修正后的块方向图后，根据每幅手掌静脉图像的方向图，用对应的方向滤波模板对手掌静脉图像进行方向滤波，首先设置水平方向模板如下：

$\left[\begin{array}{ccccccc}-z/3& -2z/3& -z& -z& -z& -2z/3& -z/3\\ y/3& 2y/3& y& y& y& 2y/3& y/3\\ x/3& 2x/3& x& x& x& 2x/3& x/3\\ u/3& 2u/3& u& u& u& 2u/3& u/3\\ x/3& 2x/3& x& x& x& 2x/3& x/3\\ y/3& 2y/3& y& y& y& 2y/3& y/3\\ -z/3& -2z/3& -z& -z& -z& -2z/3& -z/3\end{array}\right]$

其中各系数满足如下关系：u>x>y>0，z>0，u+2x+2y-2z＝0，

在得到水平方向模板之后，由水平方向的滤波模板通过三角函数旋转相应的角度得到其他7个方向的滤波模板，即水平模板旋转φ后，得到滤波模板上的坐标位置(i*，j*)与水平方向滤波模板上的坐标位置(i,j)之间有如下关系：

其中，φ＝(m-l)π/8为滤波器旋转的角度，m取2-7；

在新的方向滤波模板上，(i,j)位置的系数g_φ(i*,j*)相等于水平滤波器上g₀(i,j)位置的系数；点(i,j)上的系数g_φ(i*,j*)用其周围点系数进行插值得到，设水平方向滤波模板上(i,j)周围4个坐标的系数分别为g₀(i_L,j_L)，g₀(i_L,j_U)，g₀(i_U,j_L)，g₀(i_U,j_U)，此处i_L<i<i_U，j_L<j<j_U、则插值表达为

g_φ(i*,j*)＝(j_U-j)(i_U-i)g₀(i_L,j_L)+(j_U-j)(i-i_L)g₀(i_L,j_U)+(i_U-i)(j-j_L)g₀(i_U,j_L)+(i-i_L)(j-j_L)g₀(i_U,j_U)

通过上式可得到其余7个方向滤波模板的系数；

以当前像素点为中心，将周围的8个点的灰度值与对应的方向滤波模板做卷积运算，然后将卷积值赋给当前像素点，作为滤波过程的最终灰度值；

通过以下过程对手掌静脉图像进行细化提取：对于图像中像素值为1的点X，记录X为中心的周围的8个点满足的灰度顺序，利用8位二进制表示的顺序值来查询细化表中的对应的值，若查询到的值为1，则删掉该点X，否则保留该点；当对整幅手掌静脉图像进行细化时，遍历水平方向上的像素点，然后遍历垂直方向的像素点，直到已判断所有点；

定义一个3×3的区域，细化图像上每个像素点的8邻域，在顺时针遍历8个像素点的过程中，计算像素值0和1的累积变换次数N_T；若N_T＝1，则当前像素点为端点；若N_T≥3，则为分叉点。