CN105512629B - 一种人体手指静脉图像骨关节定位方法 - Google Patents
一种人体手指静脉图像骨关节定位方法 Download PDFInfo
- Publication number
- CN105512629B CN105512629B CN201510890118.0A CN201510890118A CN105512629B CN 105512629 B CN105512629 B CN 105512629B CN 201510890118 A CN201510890118 A CN 201510890118A CN 105512629 B CN105512629 B CN 105512629B
- Authority
- CN
- China
- Prior art keywords
- joints
- bones
- sliding
- sliding window
- image
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种人体手指静脉图像骨关节定位方法,包括对人体手指静脉图像采集和归一化到坐标系中,然后通过双滑动窗模型定位静脉图像骨关节位置,该方法由以下步骤组成:(1)建立双滑动窗模型,(2)对双滑动窗内各像素点的灰度值分别累加求和,(3)找出滑动过程中的最小值,即为骨关节位置。本发明所述的手指静脉图像骨关节定位方法,不仅可对无光干扰时的静脉图像实现骨关节准确定位,而且能对有光干扰时的静脉图像实现骨关节准确定位,可得到更好的识别效果。
Description
技术领域
本发明涉及一种身份识别技术,特别是一种人体手指静脉图像骨关节定位方法。
背景技术
手指静脉识别是一种依赖于生物体生理特征的身份识别技术。相对于传统的身份识别技术,生物特征识别更具特异性以及不易模仿。其中,手指静脉以识别精度高、不容易假冒、使用便利而又成本低等特点而得到广泛应用。
因为手指静脉位于手指皮下脂肪组织下方,在可见光下不能很好的成像,但若用近红外(NIR)光(700-1100nm)作为光源照射手指,手指静脉血管中流通的血液含有大量的血红蛋白,相比较于皮下其他组织能够吸收更多的近红外辐射,从而采集后的图像可以很好地呈现静脉血管的结构。除了唯一性、普遍性、永久性和可测性的特点,手指静脉识别还有以下优点:①防伪性高,静脉血管分布在人体内部,一般很难从表面上获取静脉血管的完整信息。②活体识别,一般只有活体中的血管存在血红蛋白的流动才能准确识别。③使用的友好性,非接触式,区别于指纹需要接触式的采集装置,非接触式可以更加卫生而且自由。因此,手指静脉识别技术可应用于门禁、银行、社保、考试等,具有广阔的应用前景。
在手指静脉图像采集的过程中,由于受到采集时间、光强、手指倾斜度及手指的粗细等因素的影响,采集到的手指静脉图像除了在灰度分布图上存在一定程度的差异,手指本身放置的位置、手指在平面上的偏移和旋转、手指在空间上的旋转等对手指静脉的识别性能会产生较大的影响。其中,对于手指在平面上的前后偏移问题,一般是利用手指的远端指骨关节(后面简称为骨关节)位置定位来给予解决。
手指的骨关节约为1-2mm,即几个像素的宽度;但手指骨关节的透光性高于指骨骨干及其他软组织部位,这是手指静脉图像的主要特征,在没有光干扰影响的理想情况下,可以通过求解手指静脉图像灰度值分布图中的最大值来定位骨关节位置。一种方法是在手指图像内部设置固定大小的窗口,如图1所示,按照垂直于手指指示方向计算固定窗中每一列像素的灰度值之和,在累加的值中取最大值作为估计的手指骨关节位置。另一种方法是对前一方法加以改进,在手指静脉图像内部构造一个固定大小的可滑动窗口,如图2所示,窗口以左端为起点向右端滑动,滑动过程中计算滑动窗内各像素点的灰度值之和,找出滑动过程中灰度值之和最大的窗口位置确定为手指骨关节位置。这种方法累加滑动窗内的灰度值,相当于做了平滑滤波的处理,获取的骨关节位置稳定性提高。但由于采集手指静脉图像时,存在着手指旋转、照明不均和环境光等因素的影响,灰度值最大值不一定位于骨关节位置处。这两种方法均不能稳定地得到正确的骨关节位置。
准确定位手指骨关节位置,对后续图像的处理和身份识别都起着决定性的作用,所以如何准确获取不同情形下的手指静脉图像骨关节且利用骨关节位置确定稳定的感兴趣区域,对真正实现有效的不同活体的身份认证极为重要。
发明内容
鉴于现有技术的不足,本发明的目的在于提供一种人体手指静脉图像骨关节定位方法,该方法能够有效消除手指旋转、照明不均和环境光等因素对骨关节定位的影响,稳定和准确地定位骨关节位置,从而提高获取的感兴趣区域(ROI)的稳定性及识别精度。
本发明实现上述目的的技术方案是:一种人体手指静脉图像骨关节定位方法,包括以下步骤:
(1)采集人体手指静脉图像,并将采集的图像归一化到M×N坐标系中;
(2)在上述坐标系的图像上建立双滑动窗模型,两个滑动窗的滑动矩阵表示为:
W1j(x,y)=I[(1:h),(j:j+w)],j∈[1,N-2w-b]
W2j(x,y)=I[(1:h),(w+b:j+w)],j∈[w+b,N-w]
其中,j为滑动窗在水平方向上的滑动范围,b为两个滑动窗的间距,h为两个滑动窗沿垂直方向的高度,w为每个滑动窗沿水平方向的宽度,W1j和W2j分别为双滑动窗的滑动矩阵;N为坐标系中的值。
(3)根据建立的两个滑动窗的滑动矩阵,在双滑动窗模型同时沿上述坐标系图像的水平方向滑动过程中,分别对两个窗内各像素点的灰度值累加求和;
(4)对上述两个窗的灰度值累加值进行相减,所得的极小值为骨关节在上述坐标系的图像中沿水平方向上的值,来定位骨关节的具体位置。
本发明所述两个滑动窗的设置完全相同,两个滑动窗间隔b的取值范围为1到5。
本发明用于检测手指静脉图像骨关节位置的双滑动窗模型定位方法,通过寻找手指静脉图像灰度值分布图中的极小值来定位骨关节位置,能够有效消除手指旋转、照明不均和环境光等因素对骨关节定位的影响,准确和稳定地定位骨关节位置,从而提高获取ROI区域的稳定性及识别精度。具体分析如下:
由于手指骨关节部位的透光性高于指骨骨干等部位,正常情况下,手指静脉图像中骨关节部位的亮度要高于其他部位,即手指静脉图像中骨关节部位的灰度值要大于其他部位。图5为正常情形下的归一化手指静脉图像,其在垂直方向上灰度值累加值的分布示意图见图7,由图7可见,骨关节处有一个高灰度值波峰突起部分,此时可通过寻找灰度值分布图中的最大值来定位骨关节位置,见图7中圆圈标识。此种情形下,不难理解,当双滑动窗模型滑动至骨关节位置附近时,骨关节被两个滑动窗中的一个窗包含时得到的两个窗灰度值累加值之差值,比骨关节不被两个滑动窗中的任何一个窗包含时得到的两个窗灰度值累加值之差值均要大,所以滑动过程中该差值为极小值时对应的位置就是骨关节位置。图9为本发明方法述及的双滑动窗模型滑动时两个窗灰度值累加值之差的分布图,在圆圈标识处存在灰度值的极小值,故将圆点处定位为骨关节位置,如图11所示。
当因手指旋转、照明不均和环境光等因素的影响,导致非骨关节位置处的灰度值大于骨关节处,图6为手指旋转时的归一化静脉图像(图6与图5为同一枚手指),其在垂直方向上灰度值累加值的分布示意图见图8,由图8可见,骨关节处的高亮度值波峰突起部分已经不明显,而且在非骨关节处存在着平缓的高亮度区域,该区域的灰度值比骨关节处的灰度值还要大。如果利用求最大值的方法,如图8中圆点所示,和图7对照可知,圆圈标识位置不是正确的骨关节位置。而利用本发明方法仍然能够检测出正确的骨关节位置。因为平缓的高亮度区域是一种连续的灰度值变化,当双滑动窗模型在高亮度区域滑动时,两个窗灰度值累加值之差值不会是极小值;只有当双滑动窗模型滑动至骨关节位置附近时,骨关节不被两个滑动窗中的任何一个窗包含时得到的两个窗灰度值累加值之差值才会是极小值。图10为本发明方法述及的双滑动窗模型滑动时两个窗灰度值累加值之差的分布图,在圆圈标识处仍然有一个灰度值的极小值,故圆点处定位为骨关节位置,如图12所示。由图11和图12可知,当手指正常放置时和旋转放置时,用本发明述及方法所确定的手指骨关节位置是一致的。
骨关节定位的准确性和稳定性直接影响到手指静脉图像的识别精度,因为对于同一个人的同一枚手指在不同时刻采集的手指静脉图像,如果骨关节位置定位正确并稳定,提取的感兴趣区域(ROI)即识别区域的一致性就好,则识别精度会提高。
附图说明
图1为所述的固定窗模型的示意图;
图2为所述的单滑动窗模型的示意图;
图3为本发明所述的双滑动窗模型的设计示意图;
图4为本发明所述的ROI区域示意图;
图5为本发明所述的手指正常放置时归一化静脉图像;
图6为本发明所述手指旋转放置时归一化静脉图像;
图7为图5的在垂直方向上灰度值累加值分布图;
图8为图6的在垂直方向上灰度值累加值分布图;
图9为本发明所述的基于图5的双滑动窗灰度值累加值之差的分布图;
图10为本发明所述的基于图6的双滑动窗灰度值累加值之差的分布图;
图11为本发明所述方法定位图5图像的骨关节位置;
图12为本发明所述方法定位图6图像的骨关节位置。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细描述,但该实施例不应理解为对本发明的限制。
实施例1:
(1)首先将采集的手指静脉图像归一化到128×320坐标系中,
(2)建立双滑动窗模型
两个滑动窗(标记为W1和W2)的高度(沿垂直方向,用i表示)设定为h,宽度(沿水平方向,用j表示)设定为w,如图3所示。两个滑动窗和定位线lp(称为双滑动窗模型)同时沿j方向滑动,i方向不变。设W1j和W2j分别为双滑动窗W1和W2的滑动矩阵,则滑动矩阵表示为:
W1j(x,y)=I[(1:h),(j:j+w)],j∈[1,320-2w-b] (1)
W2j(x,y)=I[(1:h),(w+b:j+w)],j∈[w+b,320-w] (2)
其中,j也为滑动窗的水平方向的滑动范围,滑动范围指的是双滑动窗模型沿图像水平方向从最左端移到最右端,每次移动1个像素。考虑到双滑动窗模型本身的宽度,所以左边滑动窗W1的滑动范围起始值为1,终止值为图像的水平尺寸320减去两个窗的宽度2w及两个窗的间隔b(即320-2w-b),而右边滑动窗W2的滑动范围起始值为左边滑动窗的宽度w加两个窗的间隔b(即w+b),终止值为图像的水平尺寸320减去一个窗的宽度w(即320-w)),b为滑动窗W1和W2的间距,取值为1到5像素。
(2)双滑动窗内灰度值之和计算
如图3所示,两个滑动窗设置完全相同,两个滑动窗构成的双滑动窗模型是作为一个整体沿图像的水平方向即j方向滑动的,是同时滑动的。每往j方向滑动一个像素,就分别计算一次两个滑动窗内各像素点的灰度值之和。计算完后,将双滑动窗模型向j方向移动1个像素,如此反复,直到双滑动窗模型移到图像的最右端。
当双滑动窗模型沿j方向滑动时,分别对W1和W2这两个窗中所有像素点的灰度值累加求和。设分别表示W1和W2窗内的灰度值累加和,可表示为
其中,h和w分别表示W1和W2窗的高度和宽度。
(3)骨关节位置确定
对上述两个窗的灰度值累加值进行相减,所得的极小值为骨关节在上述坐标系的图像中沿水平方向上的值,来定位骨关节的具体位置。
设定lp为骨关节位置在j方向上的值,则骨关节位置可表示为Ip=I(i,lp),i=1,2,…,128,lp的计算如下:
采用上述实施例的具体试验结果如下:图5和图6分别为同一枚手指在正常放置时和旋转放置时的归一化静脉图像(128×320),图9和图10分别为对应图5和图6的用本发明方法得到的两个滑动窗内灰度值累加值之差的分布图(h的取值为120~128,w的取值为30~40,b的取值为1~5);由图9中极小值的位置可定出图5的手指骨关节位置,见图11中定位线lp所示;由图10中极小值的位置可定出图6的手指骨关节位置,见图12中定位线lp所示。由图11和图12可知,当手指正常放置时和旋转放置时,用本发明述及方法所确定的手指骨关节位置是一致的。也就是说,当采集手指静脉图像时,若手指发生旋转,运用本发明方法也能定位得到正确的骨关节位置。故利用本发明述及的方法能有效消除手指旋转等因素对骨关节定位的影响,能显著提高骨关节定位的准确性和稳定性及个人身份识别性能。
实施例2:
对于同一个人的同一枚手指在不同时刻采集的手指静脉图像,为了尽可能保证提取的感兴趣区域(ROI)具有好的一致性,本实施例提供的手指静脉图像感兴趣区域(ROI)的设定方法,其设定符合以骨关节位置为基准确定的范围:
设IROI表示手指静脉图像的感兴趣区域(ROI),以骨关节位置Ip=I(i,lp),i=1,2,…,128为基准,在归一化图像中,取(i=1,2,…,128;j=lp-160)为其左边界线,取(i=1,2,…,128;j=lp+49)为其右边界线,获得ROI区域如图4所示,表示为IROI,且IROI=I(i,j),(i=1,2,…,128;j=lp-160,lp-159,…,lp-1,lp,lp+1,…,lp+49)。
本实施例提供的手指静脉图像感兴趣区域(ROI)的设定方法,其设定符合以骨关节位置为基准确定的范围。如果骨关节位置定位正确并稳定,能够保证同一个人的同一枚手指在不同时刻采集的手指静脉图像提取的感兴趣区域(ROI)一致性好,故能提高识别精度。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (2)
1.一种人体手指静脉图像骨关节定位方法,其特征在于包括以下步骤:
(1)采集人体手指静脉图像,并将采集的图像归一化到M×N坐标系中;
(2)在上述坐标系的图像上建立双滑动窗模型,两个滑动窗的滑动矩阵表示为:
W1j(x,y)=I[(1:h),(j:j+w)],j∈[1,N-2w-b]
W2j(x,y)=I[(1:h),(w+b:j+w)],j∈[w+b,N-w]
其中,j为滑动窗在水平方向上的滑动范围,b为两个滑动窗的间距,h为两个滑动窗沿垂直方向的高度,w为每个滑动窗沿水平方向的宽度,W1j和W2j分别为双滑动窗的滑动矩阵;N为坐标系中水平方向的值;
(3)根据建立的两个滑动窗的滑动矩阵,在双滑动窗模型同时沿上述坐标系图像的水平方向滑动过程中,分别对两个窗内各像素点的灰度值累加求和;
(4)对上述两个窗的灰度值累加值进行相减,所得的极小值为骨关节在上述坐标系的图像中沿水平方向上的值,来定位骨关节的具体位置。
2.根据权利要求1所述的一种人体手指静脉图像骨关节定位方法,其特征在于:所述两个滑动窗的设置完全相同,两个滑动窗间距b的取值范围为1到5个像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510890118.0A CN105512629B (zh) | 2015-12-04 | 2015-12-04 | 一种人体手指静脉图像骨关节定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510890118.0A CN105512629B (zh) | 2015-12-04 | 2015-12-04 | 一种人体手指静脉图像骨关节定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512629A CN105512629A (zh) | 2016-04-20 |
CN105512629B true CN105512629B (zh) | 2019-02-05 |
Family
ID=55720596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510890118.0A Expired - Fee Related CN105512629B (zh) | 2015-12-04 | 2015-12-04 | 一种人体手指静脉图像骨关节定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512629B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921171B (zh) * | 2018-06-22 | 2022-02-08 | 宁波工程学院 | 一种骨关节x线片自动识别分级方法 |
CN109255783B (zh) * | 2018-10-19 | 2020-09-25 | 上海摩象网络科技有限公司 | 一种多人图像上的人体骨骼关键点的位置排布检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
CN103310196A (zh) * | 2013-06-13 | 2013-09-18 | 黑龙江大学 | 感兴趣区域与方向元素的手指静脉识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008073377A (ja) * | 2006-09-25 | 2008-04-03 | Hitachi Ltd | 指静脈認証入力装置 |
-
2015
- 2015-12-04 CN CN201510890118.0A patent/CN105512629B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
CN103310196A (zh) * | 2013-06-13 | 2013-09-18 | 黑龙江大学 | 感兴趣区域与方向元素的手指静脉识别方法 |
Non-Patent Citations (1)
Title |
---|
采用旋转校正的指静脉图像感兴趣区域提取方法;马慧等;《智能系统学报》;20120630;第7卷(第3期);第230-234页 |
Also Published As
Publication number | Publication date |
---|---|
CN105512629A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960068B (zh) | 用于采集手指静脉图像的光源亮度调节装置及方法 | |
CN105760841B (zh) | 一种身份识别方法及系统 | |
WO2017059591A1 (zh) | 手指静脉识别方法及装置 | |
WO2019080579A1 (zh) | 3d人脸身份认证方法与装置 | |
CN112487921B (zh) | 一种用于活体检测的人脸图像预处理方法及系统 | |
CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
Mela et al. | Real-time dual-modal vein imaging system | |
CN108830158A (zh) | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 | |
CN105498100B (zh) | 一种监测生理运动曲线和体表轮廓的方法及系统 | |
CN105512629B (zh) | 一种人体手指静脉图像骨关节定位方法 | |
CN102860814A (zh) | 一种oct合成眼底图视盘中心定位方法及设备 | |
CN202736125U (zh) | 一种医学图像的边缘检测系统 | |
CN104898971B (zh) | 一种基于视线跟踪技术的鼠标指针控制方法及系统 | |
CN111339828A (zh) | 基于红外影像和超声多普勒结合的静脉显影识别方法 | |
CN114202795A (zh) | 一种老年人瞳孔快速定位方法 | |
CN112075981B (zh) | 静脉穿刺机器人控制方法、装置及计算机可读存储介质 | |
CN105488802A (zh) | 一种指尖深度检测方法及系统 | |
CN110866235B (zh) | 同时捕获人体脉搏和静脉图像的身份识别方法及装置 | |
Štrbac et al. | Stereovision system for estimation of the grasp type for electrotherapy | |
JP5056662B2 (ja) | 皮下パターン取得装置、皮下パターン取得方法および構造物テンプレート | |
CN115082972B (zh) | 一种基于rgb图像和静脉灰度图像的活体检测方法 | |
CN206421413U (zh) | 一种小型化指静脉身份认证装置 | |
CN106803250B (zh) | 结合全局和局部区域信息的医学超声图像分割方法 | |
CN108764178A (zh) | 一种手指三模态特征图像姿态同步采集装置及控制方法 | |
CN105654454B (zh) | 一种快速稳定的对比度跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190205 Termination date: 20201204 |