CN105760841B - 一种身份识别方法及系统 - Google Patents

一种身份识别方法及系统 Download PDF

Info

Publication number
CN105760841B
CN105760841B CN201610097318.5A CN201610097318A CN105760841B CN 105760841 B CN105760841 B CN 105760841B CN 201610097318 A CN201610097318 A CN 201610097318A CN 105760841 B CN105760841 B CN 105760841B
Authority
CN
China
Prior art keywords
palm vein
vein image
palm
image
point
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
Application number
CN201610097318.5A
Other languages
English (en)
Other versions
CN105760841A (zh
Inventor
冯宝
张绍荣
覃科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangmen Central Hospital
Guilin University of Aerospace Technology
Original Assignee
Guilin University of Aerospace Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Aerospace Technology filed Critical Guilin University of Aerospace Technology
Priority to CN201610097318.5A priority Critical patent/CN105760841B/zh
Publication of CN105760841A publication Critical patent/CN105760841A/zh
Application granted granted Critical
Publication of CN105760841B publication Critical patent/CN105760841B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种身份识别方法及系统，首先采用CCD和FPGA结合的图像采集方式来获得高分辨率掌静脉图像，然后对原始掌静脉图像进行预处理，并分别对训练数据(注册时获取)和测试数据(在线验证)提取图像的局部不变特征，并采用欧式距离来度量测试数据特征点向量与训练数据特征点向量之间的相似度，以便进行特征匹配，匹配完之后根据特征匹配率来进行决策，对于特征匹配率较高的掌静脉图像直接输出决策结果，对于特征匹配率较低的静脉图像进行图像三维偏转角度估计和三维旋转，并对旋转后的图像重新进行一次特征选择和匹配，之后直接输出决策结果。

Description

一种身份识别方法及系统
技术领域
本发明涉及身份识别领域，具体涉及一种身份识别方法及系统，其适用于非接触式掌静脉图像的身份识别。
背景技术
身份验证是人们加强信息安全性的基本方法和前提。现实生活中，许多场合都需要进行身份认证，如登录计算机，登录网络站点，到银行办理业务，鉴别疑犯，进入军事要地等。有效的身份验证方法可以给我们的生活带来安全、便利和效益，可以给我们的社会带来安定、秩序和效率。传统的身份认证都是通过证件、密码、卡等身外之物进行身份认证，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。
医学研究表明，人的静脉血管结构千差万别，没有任何两个人静脉结构是完全相同的，即静脉血管结构具有唯一性。根据静脉血管的这一特点，可以用静脉来对人进行身份识别。非接触式掌静脉图像身份识别技术，具备了活体认证、准确率高、不可复制、不可伪造、安全度高、使用便捷等优势，属于第二代新型生物特征识别技术。它的原理是：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。
基于掌静脉的身份识别技术主要集中在掌静脉图像采集、掌静脉图像特征提取和匹配两个方面。首先，由于掌静脉隐藏于较厚的手掌皮肤下，且在掌静脉图像采集过程中易受到杂散光的影响，使得采集到的掌静脉图像分辨率和清晰度较低，影响了后续识别的准确率，因此如何获取高分辨率图像是掌静脉的身份识别技术的一个研究重点。而非接触式掌静脉身份识别又存在手掌位姿不固定、图像背景光照不均、对比度低等问题，这更进一步加大了非接触式掌静脉的身份识别的难度。其次，识别准确率是掌静脉身份识别的一个重要的系统性能指标。而现有掌静脉图像特征提取和匹配主要分两类：一类是利用掌静脉图像的结构特征(如静脉纹路图像的端点和交叉点)来识别掌静脉，这类方法对手掌姿态变换比较敏感，且耗时长；另一类主要提取全局静脉图像的统计特征来进行识别，这类方法容易丢失图像局部信息，识别率不高。
发明内容
本发明所要解决的技术问题是现有基于掌静脉的身份识别方法存在耗时长和识别率低的问题，提供一种身份识别方法及系统。
为解决上述问题，本发明是通过以下技术方案实现的：
一种身份识别方法，包括如下步骤：
步骤1、采集；对手掌的掌静脉进行图像采集，获得待识别掌静脉图像；
步骤2、预处理；对采集到的待识别掌静脉图像进行预处理；
步骤3、特征提取；对待识别掌静脉图像进行特征提取，获得掌静脉图像中的所有待检测角点的信息；
步骤4、特征匹配；从待识别掌静脉图像的所有待检测角点中，分别找出与样本掌静脉图像的各个样本角点的最佳匹配角点，样本角点与其最佳匹配角点形成一对匹配特征角点对；
步骤5，消除误匹配；通过设置偏距阈值来去消除误匹配，即当匹配特征角点对的偏距dn，满足以下条件时，该匹配特征点对被保留；否则，该匹配特征角点对被消除；
dn≤min Dist+λ(max Dist-min Dist)(0≤λ≤1)
其中，n＝1,2,…,N，min Dist＝min{d1,d2,…,dN}，max Dist＝max{d1,d2,…,dN}，d1,d2,…,dN为各匹配特征角点对的偏距，N匹配特征角点对的个数；λ为设定的权值；
步骤6，决策识别；计算待识别掌静脉图像和样本掌静脉图像的特征匹配率MR，
Figure BDA0000927332700000021
其中，N为待识别掌静脉图像和样本掌静脉图像的匹配特征角点对的总个数，Nt为待识别掌静脉图像在其感兴趣区域内的特征点个数，Nr为样本掌静脉图像在其感兴趣区域内的特征点个数；
当待识别掌静脉图像与样本库中的某个样本掌静脉图像的特征匹配率MR大于事先设定的匹配阈值时，则认为两者属于同一个个体，匹配成功；否则，则认为两者分属于不同的个体，匹配失败，并选择样本库中的其他样本掌静脉图像与待识别掌静脉图像进行重新匹配，直至匹配成功。
上述步骤2中，对待识别掌静脉图像进行预处理的过程包括感兴趣区域提取、归一化处理、平滑处理和图像增强的过程。
上述步骤3中，对待识别掌静脉图像进行特征提取的过程为：
步骤3.1，以掌静脉图像的某个像素点p作为初始分割点，以中心像素点p以及其周围固定半径的圆周弧线上的参考像素点k形成的圆作为测试模板；该测试模板的像素点集合为P，当给定测试模板中的参考像素点k时，根据下式将中心像素点p相对于参考像素点k分为分成亮点d、相似点s和暗点b这3种状态，进而形成亮点子集Pd、相似点子集Ps和暗点子集Pb；
Figure BDA0000927332700000031
其中，t表示设定的阈值，Ip表示中心像素点p的像素值，Ip→k表示参考像素点k的像素值；
步骤3.2，计算不同的参考像素点k所产生的信息增益Hg，
Hg＝H(P)-H(Pd)-H(Ps)-H(Pb)
其中，H(P)表示集合P的熵，H(Pd)表示亮点子集Pd的熵，H(Ps)表示相似点子集Ps的熵，H(Pb)表示暗点子集Pb的熵；
步骤3.3，以产生最大信息增益的参考像素点k作为最佳分割点，并返回步骤3.1，进行迭代分割，直至亮点子集Pd、相似点子集Ps和暗点子集Pb的熵均为零时停止；
步骤3.4，计算评分函数V；
Figure BDA0000927332700000032
其中，S1＝{k|Ip→k≥Ip+t}，S2＝{k|Ip→x≤Ip-t}；t表示设定的阈值，Ip表示中心像素点p的像素值，Ip→k表示参考像素点k的像素值；
步骤3.5，分别计算选定角点中当前角点及其固定半径领域内相邻角点的评分函数V的值，当当前角点评分函数V的值大于固定领域内相邻角点的评分函数V的值时，认为当前角点为最终角点，进行保留；否则，认为当前角点为非角点，进行排除。
上述步骤4中，每一个样本角点的最佳匹配角点定义为：与样本角点最邻近的待检测角点，即欧式距离最小的特征描述子对；且最佳匹配特征子对之间的欧式距离小于次佳匹配特征子对之间欧式距离的预定倍数。
当步骤6中，待识别掌静脉图像与样本库中的所有样本掌静脉图像均不匹配时，还进一步包括步骤7，对待识别掌静脉图像进行图像旋转后，再进行决策识别。
上述步骤7中，对待识别掌静脉图像进行图像旋转的过程为：
步骤7.1，手掌旋转角度θ的估计；
Figure BDA0000927332700000033
其中，ll表示无名指到手掌对称轴的距离，lr表示食指到手掌对称轴的距离，
Figure BDA0000927332700000034
R表示ll与lr两个距离的比值，k表示距离d与距离r的比值，
Figure BDA0000927332700000041
α表示中指和食指之间的点到手掌对称轴的角度，d表示中指和食指之间的点到手掌对称轴的距离，r表示手掌所处三维柱状体中圆面半径；
步骤7.2，根据3D旋转方程，获得旋转后的待识别掌静脉图像；
Figure BDA0000927332700000042
Figure BDA0000927332700000043
Figure BDA0000927332700000044
其中，(x,y,z)表示旋转前掌静脉图像的像素点坐标，
Figure BDA0000927332700000045
表示旋转后掌静脉图像的像素点坐标，θ表示手掌旋转角度，r表示手掌所处三维柱状体中圆面半径。
基于上述识别方法的一种身份识别系统，由近红外LED、CCD图像传感器、FPGA和PC机组成；其中近红外LED的输出端与CCD图像传感器的输入端连接，CCD图像传感器的输出端与FPGA的输入端连接，FPGA的输出端连接PC机。
与现有技术相比，本发明具有如下特点：
1、本发明在决策识别阶段引入了二次识别反馈机制，该反馈机制主要通过对手掌姿势进行角度估计来恢复手掌正面姿态。在估计过程中建立了手掌的3D旋转模型，利用该3D模型可以对有姿态变化的待测掌静脉图像进行角度校正，有利于提高非接触式掌静脉系统的识别准确率。
2、本发明将FAST特征提取方法应用于非接触掌静脉特征提取中，该方法计算速度快，便于工程实现。在特征匹配阶段引入了偏距阈值法来消除误匹配，有利于提高匹配正确率。
3、本发明提供一种基于CCD和FPGA相结合的图像采集装置，实现了掌静脉图像的高分辨率获取。采用FPGA进行图像预处理与传输，不仅可以在FPGA内部实现图像预处理和模式识别算法，而且可以将原始图和掌静脉特征图像传输到PC，便于特征提取算法和模式识别算法的完善与移植。
4、本发明提供的非接触式掌静脉身份识别系统，对某些特定的人群或特定条件下的应用非常有意义，采用非接触式静脉图像的获取，避免了接触式带给用户的反感情绪，更具安全性，易于使用和推广。
附图说明
图1为一种身份识别方法的结构图。
图2为一种身份识别系统的流程图。
图3为掌静脉图像预处理中ROI提取的示意图。其中(a)为旋转之前的示意图，(b)为旋转之后的示意图。
图4为掌静脉图像3D模型旋转示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
一种身份识别系统，如图1所示，包括近红外LED、CCD图像传感器、FPGA和PC机；其中近红外LED的输出端与CCD图像传感器的输入端连接，CCD图像传感器的输出端与FPGA的输入端连接，FPGA的输出端连接PC机。首先，通过CCD图像传感器和FPGA结合的图像采集前端来采集高分辨率掌静脉图像，然后对原始掌静脉图像进行预处理，并分别对训练数据(注册时获取)和测试数据(在线验证)提取图像的局部不变特征，并采用欧式距离来度量测试数据特征点向量与训练数据特征点向量之间的相似度，以便进行特征匹配，匹配完之后根据特征匹配率来进行决策，对于特征匹配率较高的掌静脉图像直接输出决策结果，对于特征匹配率较低的静脉图像进行图像三维偏转角度估计和三维旋转，并对旋转后的图像重新进行二次决策并直接输出决策结果。
一种身份识别方法，如图2所示，具体包括以下步骤：
步骤(1)高分辨率掌静脉图像采集。
采用如图1所示的掌静脉图像采集装置，首先采用近红外发光二极管(LED)发射近红外光，然后利用高清CCD获取从手掌反射的近红外光进行成像以后将图像传输给FPGA，将实际景物转换为图像信号时总会引入各种噪声和畸变失真，而且在A/D转化过程也会引入量化噪声，因此对图像进行去噪处理是必要的。最后FPGA将获取的图像传输给PC机。
步骤(2)掌静脉图像预处理。
掌静脉图像预处理主要包括感兴趣区域(ROI)提取、归一化处理、平滑处理和图像增强等。
步骤(2.1)ROI提取。
首先采用二值化将图像分为两个部分，目标图像(掌静脉图像)和背景图像，采用Otsu阈值法来提取目标图像。由于同一个人手掌在不同时刻采样的掌静脉图像的有效区域在位置上可能会不同，因此需要对图像进行位置的校准，确保每次采集的图像的相对位置基本一致。图3为掌静脉图像预处理中ROI提取的示意图。其中(a)为旋转之前的示意图，(b)为旋转之后的示意图。如图3所示，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
Figure BDA0000927332700000051
P2点坐标为
Figure BDA0000927332700000052
旋转的角度θ如下式所示，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。
Figure BDA0000927332700000053
步骤(2.2)归一化处理。
本发明中的归一化处理指的是尺寸归一化，以确保每张静脉图的ROI区域具有相同的尺寸，拟采用的缩放方法如下式所示：
Figure BDA0000927332700000061
其中，a表示的是沿x方向的缩放比例；b表示的是沿y方向的缩放比例；u,v是缩放后的坐标；x,y是缩放前原图的坐标。
步骤(2.3)平滑处理。
采用高斯低通平滑滤波器对图像进行平滑滤波，滤去一些高频噪声。高斯平滑滤波器可以通过高斯核函数来生成，其二维空间的分布方程表示如下式所示：其中σ为分布的标准方差，根据后续实验研究，选取合适的高斯分布矩阵。
Figure BDA0000927332700000062
高斯平滑过程可表示为
Figure BDA0000927332700000063
其中，f0(x,y)是平滑前的含噪声图像，f(x,y)是平滑后的图像，
Figure BDA0000927332700000064
是卷积运算。
步骤(2.4)图像增强。
由于平滑处理后的图像中静脉血管可能会比较模糊，不利于后续处理，因此需要对图像进行增强。针对静脉图像一般是整体过暗的特点，采用提升灰度值的思想，使用对数灰度变换法。对数灰度变换法的公式如下所示，
g(e)＝bc[f(e)-a]-1
其中，e表示灰度相关变量，f(e)是原始图像灰度函数，g(e)是转换后的图像灰度函数，b和c是用来调整曲线的位置和形状。a相当于平移量，在灰度没有达到a时皆将输入定位为0，c用于控制变换速率，b用于控制曲线形状。
步骤(3)掌静脉图像特征提取。
不同人的掌静脉纹路不一样，而掌静脉纹路图像中存在了大量的角点信息，因此采用角点特征作为区别不同掌静脉的主要特征。其中角点指的是掌静脉图像中两个边缘或两个不同主方向的交叉点，其具有局部旋转不变性。
本发明的特征提取方法采用了FAST(Features from Accelerated SegmentTest，FAST)方法，该方法可以快速地从图形中提取出角点特征。FAST特征提取方法主要包括以下步骤：
步骤(3.1)待检测特征点预分类。
不失一般性地定义中心像素点p以及其周围固定半径的圆周弧线上的16个(当半径为3个像素时的离散化圆弧线上包含16个像素点)像素点形成的圆作为测试模板，中心像素点p相对于其圆弧上的第k(k∈(1,2,…,16))个像素点即参考像素点的位置表示为p→k，首先当给定测试模板中的参考像素点k时，根据下式可以把中心像素点p相对于参考像素点k分为三种状态：
Figure BDA0000927332700000071
其中，t是一个阈值(默认取值为10，不同场景取值有差异)，Ip表示的是中心像素点的像素值，Ip→k表示的是圆形模板中参考像素点k的像素值。设P为全体像素点集合，选定参考像素点k后，通过上式计算，可以将掌静脉图像内的所有像素点分成亮点、相似点、暗点三种状态，进而形成三个子集，分别记为：Pd，Ps，Pb，为了更准确地对掌静脉图像中的像素点进行分类，需要从所有参考像素点k∈(1,2,…,16)中选定最佳参考像素点
Figure BDA0000927332700000072
步骤(3.2)计算不同参考像素点情况下待测特征点集合的熵，以便选定最佳参考像素点
Figure BDA0000927332700000073
其过程如下：
假设参考像素点k产生的信息增益Hg通过下式来表示：
Hg＝H(P)-H(Pd)-H(Ps)-H(Pb)
对于等号右边的某一集合的熵可通过下式获得(以计算集合P的熵H(P)为例)：
Figure BDA0000927332700000074
其中，c为集合P中待测特征点的数目，
Figure BDA0000927332700000075
为集合P中非特征点的数目。确定某一像素点p是否为集合P中待测特征点的方法如下：以p为中心获取固定半径的离散化圆，不失一般性地取半径为3个像素，此时p被圆周弧线上的16个像素点包围，在16个像素点中，如果存在连续12个或以上的像素值与p点像素值之差超过预设阈值t，且像素差值均同号，则确定该点p为特征点。
由此，可以获取模板中不同参考像素点对应的信息增益。
步骤(3.3)用ID3决策树法来分类。
以产生最大信息增益的参考像素点
Figure BDA0000927332700000076
作为最佳分割点，将掌静脉图像上的点分成三个子集Pd，Ps，Pb，然后对三个子集再分别进行分割，这样一直迭代下去，直到子集的熵为零时停止，当熵为零时，集合中的点全部为某一类型。
步骤(3.4)用非极大值抑制排除非角点。
非极大值抑制是为了排除相邻角点，所以需要对已选的角点进行检测，分别计算当前角点及其固定半径领域(自己设定)内相邻角点的评分函数V值，保留评分函数V值较大的角点，抑制评分函数V值较小的角点。
定义评分函数
Figure BDA0000927332700000081
其中，S1＝{k|Ip→k≥Ip+t}，S2＝{k|Ip→x≤Ip-t}，分别计算当前角点及其固定半径领域内相邻角点的V值，用非极大值抑制方法来排除V值较低的角点，保留V值较高的角点，如果固定半径领域内只有一个角点，则直接确定为最终角点，此步骤的目的是排除检测到的相邻角点。
步骤(4)图像特征匹配。
将待识别掌静脉图像与样本掌静脉图像进行特征匹配，每一个待识别掌静脉图像的最佳特征匹配点定义为：与样本掌静脉图像中最邻近的特征点，即欧式距离最小的特征描述子对。同时定义只有当最佳匹配特征子对之间的欧式距离小于次佳匹配特征子对之间欧式距离的某个倍数时，该最佳匹配点才被接受。
步骤(5)消除误匹配。
通过设置匹配特征点在图像上的偏距阈值来去消除一些误匹配，记dn为第n个匹配特征点对的偏距，取：
min Dist＝min{d1,d1,…,dn}
max Dist＝max{d1,d1,…,dn}
设定只有那些匹配点对的偏距满足：
dn≤min Dist+λ(max Dist-min Dist)(0≤λ≤1)
这一条件的匹配对才接受为正确匹配对，其中λ为权值。
步骤(6)决策识别。
由于不同掌静脉图像的特征匹配点数会远远少于同一手掌的匹配特征点数,因此特征匹配率反映了图像的相似程度。通过下式来定义特征匹配率：
Figure BDA0000927332700000082
其中，N为待待识别掌静脉图像It和样本掌静脉图像Ir的匹配特征点个数，Nt为待待识别掌静脉图像It在其ROI内的特征点个数，Nr为样本掌静脉图像Ir在其ROI内的特征点个数。当两匹配对象之间的匹配率大于某事先设定的阈值时，则认为它们属于同一个个体，否则认为它们分属于不同的个体。
步骤(7)3D图像旋转(可选的)。
本步骤措施适用于步骤(6)中未找到匹配的掌静脉图像。由于在手掌三维偏转角度较大时，会导致图像信息的丢失和不完整性，从而使得能匹配到的特征明显减少。为了解决手掌姿态带来的影响，对于未找到匹配的掌静脉图像，采用3D旋转模型对手掌姿态进行矫正，进一步提高识别准确率。
结合图4，本发明的3D旋转模型建立过程如下：
步骤(7.1)建立3D旋转方程。
假设手掌所处的三维旋转环境为一水平放置的圆柱体，其侧边圆面半径为r，手掌旋转角度为θ，手掌在竖直方向旋转方程可建立如下：
Figure BDA0000927332700000091
其中，(x,y,z)和
Figure BDA0000927332700000092
分别是静脉图像的点在手掌侧面和正面图像中的坐标。由于在图像获取过程中，手掌俯仰的角度是较小的，近似认为z是不变的。因此，可以得到下面的方程
Figure BDA0000927332700000093
Figure BDA0000927332700000094
Figure BDA0000927332700000095
步骤(7.2)旋转角度估计。
假设无名指和食指到手掌对称轴的距离分别是ll和lr，我们定义两个距离的比值为
Figure BDA0000927332700000096
则旋转角度可以通过下式得到：
Figure BDA0000927332700000097
其中，ll表示无名指到手掌对称轴的距离，lr表示食指到手掌对称轴的距离，
Figure BDA0000927332700000098
R表示ll与lr两个距离的比值，
Figure BDA0000927332700000099
k表示距离d与距离r的比值，α表示边界点P1(中指和食指之间的点)到手掌对称轴的角度，d表示边界点P1到手掌对称轴的距离，r表示手掌所处三维柱状体中圆面半径。同时，可以得到旋转前的坐标：
Figure BDA00009273327000000910
其中，(x,y,z)表示旋转前掌静脉图像的像素点坐标，
Figure BDA00009273327000000911
表示旋转后掌静脉图像的像素点坐标，θ表示手掌旋转角度，r表示手掌所处三维柱状体中圆面半径。
因此，需要提供一种既能获取高分辨率掌静脉图像，同时又可以在手掌位姿不固定、图像背景光照不均情况下获取较高识别准确率的掌静脉图像身份识别方法。由于非接触式掌静脉系统存在手掌位姿不固定、图像背景光照不均、对比度低等问题，传统的识别方法在提取结构特征(如静脉图像的端点和交叉点)时，常常出现特征匹配度不高、甚至误匹配的问题。这些问题增加了掌静脉快速识别的难度。针对这些问题，如何采取前沿的信号处理技术，在样本掌静脉图像比较少的情况下，准确地提取出掌静脉的特征并对其加以正确识别，是另一个重点研究内容。

Claims (5)

1.一种身份识别方法，其特征是，包括如下步骤：
步骤1、采集；对手掌的掌静脉进行图像采集，获得待识别掌静脉图像；
步骤2、预处理；对采集到的待识别掌静脉图像进行预处理；
步骤3、特征提取；对待识别掌静脉图像进行特征提取，获得掌静脉图像中的所有待检测角点的信息；
步骤4、特征匹配；从待识别掌静脉图像的所有待检测角点中，分别找出与样本掌静脉图像的各个样本角点的最佳匹配角点，样本角点与其最佳匹配角点形成一对匹配特征角点对；
步骤5，消除误匹配；通过设置偏距阈值来去消除误匹配，即当匹配特征角点对的偏距dn，满足以下条件时，该匹配特征角 点对被保留；否则，该匹配特征角点对被消除；
dn≤min Dist+λ(max Dist-min Dist)(0≤λ≤1)
其中，n＝1,2,…,N，min Dist＝min{d1,d2,…,dN}，max Dist＝max{d1,d2,…,dN}，d1,d2,…,dN为各匹配特征角点对的偏距，N匹配特征角点对的个数；λ为设定的权值；
步骤6，决策识别；计算待识别掌静脉图像和样本掌静脉图像的特征匹配率MR，
Figure FDA0002980364870000011
其中，N为待识别掌静脉图像和样本掌静脉图像的匹配特征角点对的总个数，Nt为待识别掌静脉图像在其感兴趣区域内的特征点个数，Nr为样本掌静脉图像在其感兴趣区域内的特征点个数；
当待识别掌静脉图像与样本库中的某个样本掌静脉图像的特征匹配率MR大于事先设定的匹配阈值时，则认为两者属于同一个个体，匹配成功；否则，则认为两者分属于不同的个体，匹配失败，并选择样本库中的其他样本掌静脉图像与待识别掌静脉图像进行重新匹配，直至匹配成功；
步骤7、当待识别掌静脉图像与样本库中的所有样本掌静脉图像均不匹配时，对待识别掌静脉图像进行图像旋转后，再返回步骤6进行决策识别；其中对待识别掌静脉图像进行图像旋转的过程为：
步骤7.1，手掌旋转角度θ的估计；
Figure FDA0002980364870000012
其中，ll表示无名指到手掌对称轴的距离，lr表示食指到手掌对称轴的距离，
Figure FDA0002980364870000021
R表示ll与lr两个距离的比值，k表示距离d与距离r的比值，
Figure FDA0002980364870000022
α表示中指和食指之间的点到手掌对称轴的角度，d表示中指和食指之间的点到手掌对称轴的距离，r表示手掌所处三维柱状体中圆面半径；
步骤7.2，根据3D旋转方程，获得旋转后的待识别掌静脉图像；
Figure FDA0002980364870000023
Figure FDA0002980364870000024
Figure FDA0002980364870000025
其中，(x,y,z)表示旋转前掌静脉图像的像素点坐标，
Figure FDA0002980364870000026
表示旋转后掌静脉图像的像素点坐标，θ表示手掌旋转角度，r表示手掌所处三维柱状体中圆面半径。
2.根据权利要求1所述的一种身份识别方法，其特征是，步骤2中，对待识别掌静脉图像进行预处理的过程包括感兴趣区域提取、归一化处理、平滑处理和图像增强的过程。
3.根据权利要求1所述的一种身份识别方法，其特征是，步骤3中，对待识别掌静脉图像进行特征提取的过程为：
步骤3.1，以掌静脉图像的某个像素点p作为初始分割点，以中心像素点p以及其周围固定半径的圆周弧线上的参考像素点k形成的圆作为测试模板；该测试模板的像素点集合为P，当给定测试模板中的参考像素点k时，根据下式将中心像素点p相对于参考像素点k分为分成亮点d、相似点s和暗点b这3种状态，进而形成亮点子集Pd、相似点子集Ps和暗点子集Pb；
Figure FDA0002980364870000027
其中，t表示设定的阈值，Ip表示中心像素点p的像素值，Ip→k表示参考像素点k的像素值；
步骤3.2，计算不同的参考像素点k所产生的信息增益Hg，
Hg＝H(P)-H(Pd)-H(Ps)-H(Pb)
其中，H(P)表示集合P的熵，H(Pd)表示亮点子集Pd的熵，H(Ps)表示相似点子集Ps的熵，H(Pb)表示暗点子集Pb的熵；
步骤3.3，以产生最大信息增益的参考像素点k作为最佳分割点，并返回步骤3.1，进行迭代分割，直至亮点子集Pd、相似点子集Ps和暗点子集Pb的熵均为零时停止；
步骤3.4，计算评分函数V；
Figure FDA0002980364870000031
其中，S1＝{k|Ip→k≥Ip+t}，S2＝{k|Ip→k≤Ip-t}；t表示设定的阈值，Ip表示中心像素点p的像素值，Ip→k表示参考像素点k的像素值；
步骤3.5，分别计算选定角点中当前角点及其固定半径领域内相邻角点的评分函数V的值，当当前角点评分函数V的值大于固定领域内相邻角点的评分函数V的值时，认为当前角点为最终角点，进行保留；否则，认为当前角点为非角点，进行排除。
4.根据权利要求1所述的一种身份识别方法，其特征是，步骤4中，每一个样本角点的最佳匹配角点定义为：与样本角点最邻近的待检测角点，即欧式距离最小的特征描述子对；且最佳匹配特征子对之间的欧式距离小于次佳匹配特征子对之间欧式距离的预定倍数。
5.基于权利要求1所述身份识别方法的一种身份识别系统，其特征在于：由近红外LED、CCD图像传感器、FPGA和PC机组成；其中近红外LED的输出端与CCD图像传感器的输入端连接，CCD图像传感器的输出端与FPGA的输入端连接，FPGA的输出端连接PC机。
CN201610097318.5A 2016-02-22 2016-02-22 一种身份识别方法及系统 Expired - Fee Related CN105760841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610097318.5A CN105760841B (zh) 2016-02-22 2016-02-22 一种身份识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610097318.5A CN105760841B (zh) 2016-02-22 2016-02-22 一种身份识别方法及系统

Publications (2)

Publication Number Publication Date
CN105760841A CN105760841A (zh) 2016-07-13
CN105760841B true CN105760841B (zh) 2021-06-04

Family

ID=56331046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610097318.5A Expired - Fee Related CN105760841B (zh) 2016-02-22 2016-02-22 一种身份识别方法及系统

Country Status (1)

Country Link
CN (1) CN105760841B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019075601A1 (zh) * 2017-10-16 2019-04-25 厦门中控智慧信息技术有限公司 一种掌静脉的识别方法及装置
CN108681708A (zh) * 2018-05-16 2018-10-19 福州精益精科技有限责任公司 一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质
CN109190874A (zh) * 2018-07-12 2019-01-11 阿里巴巴集团控股有限公司 多分支业务流程的实现方法和装置
CN109815791B (zh) * 2018-12-13 2021-02-19 北京理工大学 基于血管的身份识别方法和装置
CN110135142B (zh) * 2019-04-30 2021-03-05 成都甄识科技有限公司 一种基于几何斜率的网状生理纹路特征描述方法
CN111160247B (zh) * 2019-12-28 2023-05-12 智冠一掌通科技(深圳)有限公司 一种扫描掌静脉进行立体三维建模、识别的方法
CN111160290B (zh) * 2019-12-31 2023-09-01 广州微盾科技股份有限公司 一种提取手掌静脉有效区域的方法
CN111639557B (zh) * 2020-05-15 2023-06-20 圣点世纪科技股份有限公司 一种指静脉图像智能注册反馈方法
CN111709363A (zh) * 2020-06-16 2020-09-25 湘潭大学 基于宣纸纸纹特征识别的国画真伪鉴别方法
CN112052842B (zh) * 2020-10-14 2023-12-19 福建省海峡智汇科技有限公司 一种基于掌静脉的人员识别方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091145A (zh) * 2013-06-02 2014-10-08 广东智冠实业发展有限公司 人体掌脉特征图像采集方法
CN104951774A (zh) * 2015-07-10 2015-09-30 浙江工业大学 基于两种子空间相融合的掌静脉特征提取和匹配方法
CN105014666A (zh) * 2015-07-13 2015-11-04 广州霞光技研有限公司 一种多自由度机械手自主抓取逆解工程算法
CN105187727A (zh) * 2015-06-17 2015-12-23 广州市巽腾信息科技有限公司 一种图像信息采集装置、图像采集方法及其用途

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140266604A1 (en) * 2013-03-13 2014-09-18 Sololnsight, Inc. Apparatus, methods and systems for integrated workforce management and access control

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091145A (zh) * 2013-06-02 2014-10-08 广东智冠实业发展有限公司 人体掌脉特征图像采集方法
CN105187727A (zh) * 2015-06-17 2015-12-23 广州市巽腾信息科技有限公司 一种图像信息采集装置、图像采集方法及其用途
CN104951774A (zh) * 2015-07-10 2015-09-30 浙江工业大学 基于两种子空间相融合的掌静脉特征提取和匹配方法
CN105014666A (zh) * 2015-07-13 2015-11-04 广州霞光技研有限公司 一种多自由度机械手自主抓取逆解工程算法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Palm vein pattern-based biometric recognition;Gunjan Shah等;《Int.J.of Computer Applications in Technology》;20150615;第51卷(第2期);106-111 *
基于三维点云匹配的手掌静脉识别;张祺深;《万方数据知识服务平台》;20150101;1-61 *
掌纹识别关键算法的研究;潘新;《中国博士学位论文全文数据库信息科技辑》;20100115;I138-11 *
掌静脉识别算法研究;颜学葵;《中国博士学位论文全文数据库信息科技辑》;20160115;I138-147,正文3.3.3节，3.4节，图3-13，图3-16 *
颜学葵.掌静脉识别算法研究.《中国博士学位论文全文数据库信息科技辑》.2016,I138-147. *

Also Published As

Publication number Publication date
CN105760841A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
CN105760841B (zh) 一种身份识别方法及系统
Lee A novel biometric system based on palm vein image
Kanhangad et al. Contactless and pose invariant biometric identification using hand surface
Shahin et al. Biometric authentication using fast correlation of near infrared hand vein patterns
Huang et al. Hand-dorsa vein recognition by matching local features of multisource keypoints
WO2017059591A1 (zh) 手指静脉识别方法及装置
CN102542281B (zh) 非接触式生物特征识别方法和系统
CN108960068B (zh) 用于采集手指静脉图像的光源亮度调节装置及方法
CN110543822A (zh) 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
Huang et al. Local feature approach to dorsal hand vein recognition by centroid-based circular key-point grid and fine-grained matching
Lee et al. Dorsal hand vein recognition based on 2D Gabor filters
Kasiselvanathan et al. Palm pattern recognition using scale invariant feature transform
Kang et al. The biometric recognition on contactless multi-spectrum finger images
CN104091145B (zh) 人体掌脉特征图像采集方法
Zhong et al. Towards application of dorsal hand vein recognition under uncontrolled environment based on biometric graph matching
Aleem et al. Fast and accurate retinal identification system: Using retinal blood vasculature landmarks
Alasadi et al. Early detection and classification of melanoma skin cancer
Trabelsi et al. A new multimodal biometric system based on finger vein and hand vein recognition
CN104123547B (zh) 基于改进的方向滤波与柔性匹配的识别方法
Yang et al. $\alpha $-Trimmed Weber Representation and Cross Section Asymmetrical Coding for Human Identification Using Finger Images
CN104268502B (zh) 人体静脉图像特征提取后的认识方法
Daas et al. A review of finger vein biometrics authentication System
Wang et al. Hand vein recognition based on improved template matching
Soni et al. A new vein pattern-based verification system
Benziane et al. Dorsal hand vein identification based on binary particle swarm optimization

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
TR01 Transfer of patent right

Effective date of registration: 20210927

Address after: No.23, Haibang street, North Street, Pengjiang district, Jiangmen City, Guangdong Province

Patentee after: JIANGMEN CENTRAL Hospital

Patentee after: GUILIN University OF AEROSPACE TECHNOLOGY

Address before: 541004 2 Guilin, the Guangxi Zhuang Autonomous Region

Patentee before: GUILIN University OF AEROSPACE TECHNOLOGY

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210604

CF01 Termination of patent right due to non-payment of annual fee