CN105975905A - 一种手指静脉快速识别方法 - Google Patents

一种手指静脉快速识别方法 Download PDF

Info

Publication number
CN105975905A
CN105975905A CN201610265907.XA CN201610265907A CN105975905A CN 105975905 A CN105975905 A CN 105975905A CN 201610265907 A CN201610265907 A CN 201610265907A CN 105975905 A CN105975905 A CN 105975905A
Authority
CN
China
Prior art keywords
image
point
point set
finger
value
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.)
Granted
Application number
CN201610265907.XA
Other languages
English (en)
Other versions
CN105975905B (zh
Inventor
张烜
赵国栋
丁晟
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.)
Holy Point Century Technology Co ltd
Original Assignee
Shanxi Sunpoint Century Polytron Technologies Inc
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 Shanxi Sunpoint Century Polytron Technologies Inc filed Critical Shanxi Sunpoint Century Polytron Technologies Inc
Priority to CN201610265907.XA priority Critical patent/CN105975905B/zh
Publication of CN105975905A publication Critical patent/CN105975905A/zh
Application granted granted Critical
Publication of CN105975905B publication Critical patent/CN105975905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种手指静脉快速识别方法，其通过将一特征点集中的特征点与从另一特征点集的邻近该特征点的区域搜取的特征点进行匹配的方法，克服了现有逐个特征点匹配方法匹配次数多，运算时间长的缺点，解决了现有手指静脉识别方法耗时长的问题；通过对特征点距离进行升序排列，保留排序在前3/4范围内的距离值并计算其平均值的方法，解决了现有手指静脉识别方法识别性能易受图像精度影响的问题，具有识别耗时短、识别率高、识别波动性小的优点。

Description

一种手指静脉快速识别方法
技术领域
本发明属于生物特征识别及信息安全技术领域，特别涉及一种手指静脉快速识别方法。
背景技术
手指静脉识别技术是一种新的生物特征识别技术，它利用手指内的静脉分布图像来进行身份识别，具有活体识别、内部特征和非接触式三个特征，确保了使用者的手指静脉特征很难被伪造，所以手指静脉识别系统安全等级高，特别适合于安全要求高的场所使用。
手指静脉识别的基本方法为：首先用特定波长的光线对手指进行照射，采集到手指静脉图像；接着对采集到的手指静脉图像进行处理和特征提取，得到待识别的特征数据；然后将待识别特征数据与数据库中已注册的数据进行对比，如果判决距离小于或等于某个阈值，则认为是合法匹配，反之，则认为是非法匹配。
余成波等人提出了基于Hausdorff距离特征点匹配的手指静脉识别算法，其通过提取手指静脉纹路的端点和分叉点作为特征点进行对比，实验结果相对令人满意，但由于是逐个特征点匹配，需要耗费大量时间，且识别性能(识别率、波动性等)易受图像精度的影响。
发明内容
为解决现有手指静脉识别方法耗时长且识别性能易受图像精度影响的问题，本发明提供一种手指静脉快速识别方法。
本发明所采用的技术方案为：
一种手指静脉快速识别方法，包括以下步骤：
S1、对待识别的原始采集的手指静脉图像进行均值滤波处理；
S2、对步骤S1处理后的手指静脉图像进行边缘检测；
S3、在步骤S1处理后的手指静脉图像上截取位于步骤S2检测到的对应手指宽度最窄处的边界内的图像；
S4、对步骤S3获得的图像进行尺度归一化和灰度归一化处理；
S5、对步骤S4最终获得的图像进行脊波滤波处理；
S6、对步骤S5获得的图像进行图像重构，并对重构后的图像进行均值滤波处理；
S7、对步骤S6最终获得的图像进行图像分割，将其由灰度图像转变为二值图像；
S8、滤除步骤S7获得的二值图像中的独立小区域白斑；
S9、对步骤S8获得的图像进行中值滤波处理；
S10、对步骤S9获得的图像进行骨骼化处理，并对骨骼化处理后的图像进行去毛刺处理；
S11、寻找步骤S10获得的图像中的端点和交叉点，将寻找到的端点和交叉点视为特征点存放到一个点集中。
12、设步骤S11得到的点集为X＝{x1，x2，x3...xm}，设点集X中的特征点的坐标为x1(a1，b1)、x2(a2，b2)、…、xm(am，bm)，设某一已注册的手指静脉图像的特征点的点集为Y＝{y1，y2，y3...yn}，点集Y中的特征点的坐标为y1(A1，B1)、y2(A2，B2)…yn(An，Bn)，计算出点集X中特征点x1(a1，b1)与点集Y＝{y1，y2，y3...yn}中坐标区域(a1±Δ，b1±Δ)内的每个特征点的距离值，其中Δ取1至10内的任一整数值，然后选取其最小值作为x1(a1，b1)和点集Y的距离值，计算出点集X中特征点x2(a2，b2)与点集Y＝{y1，y2，y3...yn}中坐标区域(a2±Δ，b2±Δ)内的每个特征点的距离值，并选取其最小值作为x2(a2，b2)和点集Y的距离值，如此进行，直到计算出点集X中特征点xm(am，bm)与点集Y＝{y1，y2，y3...yn}中坐标区域(am±Δ，bm±Δ)内的每个特征点的距离值，并选取其最小值作为xm(am，bm)和点集Y的距离值，然后对上述得到的点集X中的各特征点与点集Y的距离值进行升序排列，利用公式计算出排序在前3/4范围内的距离值的平均值d(X，Y)，其中NX为大于的最小整数；计算出点集Y中特征点y1(A1，B1)与点集X＝{x1，x2，x3...xm}中坐标区域(A1±Δ，B1±Δ)内的每个特征点的距离值，其中Δ取1至10内的任一整数值，然后选取其最小值作为y1(A1，B1)和点集X的距离值，计算出点集Y中特征点y2(A2，B2)与点集X＝{x1，x2，x3...xm}中坐标区域(A2±Δ，B2±Δ)内的每个特征点的距离值，并选取其最小值作为y2(A2，B2)和点集X的距离值，如此进行，直到计算出点集Y中特征点yn(An，Bn)与点集X＝{x1，x2，x3...xm}中坐标区域(Am±Δ，Bm±Δ)内的每个特征点的距离值，并选取其最小值作为yn(An，Bn)和点集X的距离值，然后对上述得到的点集Y中的各特征点与点集X的距离值进行升序排列，利用公式计算出排序在前3/4范围内的距离值的平均值d(Y，X)，其中NY为大于的最小整数；再利用公式MHD(X，Y)＝max(d(X，Y)，d(Y，X)),得出点集X和点集Y之间的集间距离MHD的值；
S13、将步骤S12得到的MHD的值与预先设定的阈值进行比较，若小于或等于某个阈值，则认为本次识别的指静脉图像与已注册的指静脉图像匹配成功，反之，则认为匹配失败或继续与其他已注册的指静脉图像进行匹配。
优选地，所述步骤S1的执行方法为：首先对原始采集的手指静脉图像的边界用0值扩充，然后用3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。
优选地，所述步骤S2中对手指静脉图像的边缘检测包括利用sobel垂直方向算子对手指静脉图像对应手指宽度方向的边缘的检测。
优选地，所述步骤S4利用双线性插值法对步骤S3获得的图像进行尺度归一化处理，所述步骤S4获得的图像的尺度大小为180行×64列的数据矩阵。
优选地，所述步骤S5的执行方法为：通过调整脊波滤波器的方向参数，生成从0°开始依次增加22.5°的八个方向的算子，然后将得到的八个方向的算子分别与步骤S4最终获得的图像进行卷积运算。
优选地，所述步骤S6的执行方法为：将步骤S5最终获得的8个图像以一定的权值重叠在一起，得到重构的图像；再用一个7*7点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。
优选地，所述步骤S8的执行方法为：对步骤S7获得的二值图像进行像素取反操作，得到背景为黑色、手指静脉为白色的图像；然后对取反后的图像进行标记连通区域操作，当某个连通区域的像素点个数小于100个时，则将该连通区域视为独立小区域白斑；然后将该连通区域的像素都置为0，即可滤除图像中的独立小区域白斑。
优选地，所述步骤S9的执行方法为：首先对步骤S8获得的图像的边界用0值扩充，然后用一个3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时将图像上位于当前窗口中心的点的像素值用图像上位于当前窗口内的各点的像素的中间值代替。
优选地，所述步骤S10中去毛刺处理的方法为：从骨骼化处理后的图像中的每个端点开始向非零点搜索，直到交叉点为止，记录下每个端点在这个过程中遍历的点数，若点数大于50，则将该搜索路径上的点的像素值置为0，即可去除毛刺。
本发明通过将一特征点集中的特征点与从另一特征点集的邻近该特征点的区域搜取的特征点进行匹配的方法，克服了现有逐个特征点匹配方法匹配次数多，运算时间长的缺点，解决了现有手指静脉识别方法耗时长的问题；通过对特征点距离进行升序排列，保留排序在前3/4范围内的距离值并计算其平均值的方法，解决了现有手指静脉识别方法识别性能易受图像精度影响的问题。
附图说明
图1为本发明实施例原始采集的手指静脉图像；
图2是图1经本发明实施例步骤S2的边缘检测得到的图像；
图3为经本发明实施例步骤S4的尺度归一化和灰度归一化处理后的图像；
图4是经本发明实施例步骤S7的图像分割处理后的图像；
图5是经本发明实施例步骤S10的图像骨骼化处理后的图像；
图6是经本发明实施例步骤S11的特征点提取后的图像。
具体实施方式
下面结合附图对本发明的具体实施例作进一步说明。
本实施例的手指静脉快速识别方法，包括以下步骤：
S1、对待识别的原始采集的手指静脉图像(如图1所示)进行均值滤波处理；
S2、对步骤S1处理后的手指静脉图像进行边缘检测，如图2所示；
S3、在步骤S1处理后的手指静脉图像上截取位于步骤S2检测到的对应手指宽度最窄处的边界内的图像；
S4、对步骤S3获得的图像进行尺度归一化和灰度归一化处理，最终获得的图像如图3所示；
S5、对步骤S4最终获得的图像进行脊波滤波处理；
S6、对步骤S5获得的图像进行图像重构，并对重构后的图像进行均值滤波处理；
S7、对步骤S6最终获得的图像进行图像分割，将其由灰度图像转变为二值图像，如图4所示；
S8、滤除步骤S7获得的二值图像中的独立小区域白斑；
S9、对步骤S8获得的图像进行中值滤波处理；
S10、对步骤S9获得的图像进行骨骼化处理，并对骨骼化处理后的图像(如图5所示)进行去毛刺处理；
S11、寻找步骤S10获得的图像中的端点和交叉点，将寻找到的端点和交叉点视为特征点存放到一个点集中，如图6所示；
S12、设步骤S11得到的点集为X＝{x1，x2，x3...xm}，设点集X中的特征点的坐标为x1(a1，b1)、x2(a2，b2)、…、xm(am，bm)，设某一已注册的手指静脉图像的特征点的点集为Y＝{y1，y2，y3...yn}，点集Y中的特征点的坐标为y1(A1，B1)、y2(A2，B2)…yn(An，Bn)，计算出点集X中特征点x1(a1，b1)与点集Y＝{y1，y2，y3...yn}中坐标区域(a1±Δ，b1±Δ)内的每个特征点的距离值，其中Δ取1至10内的任一整数值，然后选取其最小值作为x1(a1，b1)和点集Y的距离值，计算出点集X中特征点x2(a2，b2)与点集Y＝{y1，y2，y3...yn}中坐标区域(a2±Δ，b2±Δ)内的每个特征点的距离值，并选取其最小值作为x2(a2，b2)和点集Y的距离值，如此进行，直到计算出点集X中特征点xm(am，bm)与点集Y＝{y1，y2，y3...yn}中坐标区域(am±Δ，bm±Δ)内的每个特征点的距离值，并选取其最小值作为xm(am，bm)和点集Y的距离值，然后对上述得到的点集X中的各特征点与点集Y的距离值进行升序排列，利用公式计算出排序在前3/4范围内的距离值的平均值d(X，Y)，其中NX为大于的最小整数；计算出点集Y中特征点y1(A1，B1)与点集X＝{x1，x2，x3...xm}中坐标区域(A1±Δ，B1±Δ)内的每个特征点的距离值，其中Δ取1至10内的任一整数值，然后选取其最小值作为y1(A1，B1)和点集X的距离值，计算出点集Y中特征点y2(A2，B2)与点集X＝{x1，x2，x3...xm}中坐标区域(A2±Δ，B2±Δ)内的每个特征点的距离值，并选取其最小值作为y2(A2，B2)和点集X的距离值，如此进行，直到计算出点集Y中特征点yn(An，Bn)与点集X＝{x1，x2，x3...xm}中坐标区域(Am±Δ，Bm±Δ)内的每个特征点的距离值，并选取其最小值作为yn(An，Bn)和点集X的距离值，然后对上述得到的点集Y中的各特征点与点集X的距离值进行升序排列，利用公式计算出排序在前3/4范围内的距离值的平均值d(Y，X)，其中NY为大于的最小整数；再利用公式MHD(X，Y)＝max(d(X，Y),d(Y，X)),得出点集X和点集Y之间的集间距离MHD的值；
S13、将步骤S12得到的MHD的值与预先设定的阈值进行比较，若小于或等于某个阈值，则认为本次识别的指静脉图像与已注册的指静脉图像匹配成功，反之，则认为匹配失败或继续与其他已注册的指静脉图像进行匹配。
优选地，所述步骤S1的执行方法为：首先对原始采集的手指静脉图像的边界用0值扩充，然后用3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。均值滤波能有效地滤除图像中的加性噪声，使图像更加平滑。
优选地，所述步骤S2中对手指静脉图像的边缘检测包括利用sobel垂直方向算子对手指静脉图像对应手指宽度方向的边缘的检测。
优选地，所述步骤S4利用双线性插值法对步骤S3获得的图像进行尺度归一化处理，所述步骤S4获得的图像的尺度大小为180行×64列的数据矩阵。
优选地，所述步骤S5的执行方法为：通过调整脊波滤波器的方向参数，生成从0°开始依次增加22.5°的八个方向的算子，然后将得到的八个方向的算子分别与步骤S4最终获得的图像进行卷积运算。
有关脊波滤波器的详细内容参见由余成波和秦华峰著、清华大学出版社2009年4月出版的第1版《生物特征识别技术：手指静脉识别技术》第110～111页及所涉参考文献，此处不再赘述。
手指静脉图像是由脊线和谷线构成的，除了特征点，奇异点和特殊的区域外，大部分区域呈现连续的、朝某个方向平滑变化的特征。对图像进行脊波滤波不仅可以滤除部分噪声，而且能保留手指静脉图像的脊和谷的结构。
优选地，所述步骤S6的执行方法为：将步骤S5最终获得的8个图像以一定的权值重叠在一起，得到重构的图像；再用一个7*7点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。均值滤波能使图像更加平滑。
上述图像重构时，由于0°和90°这两个方向的算子分别与步骤S4最终获得的图像进行卷积运算得到的图像(简称为0°图像、90°图像)更为重要，故重构图像时，将0°图像和90°图像的权值取得较其他角度的图像的权值更大一点，例如其他角度的图像的权值取1，则0°图像和90°图像的权值均取1.5。
对于上述步骤S7，若重构后的图像为f，(均值滤波)平滑后的图像为g，分割后的图像为h，则图像分割法有如下的变换：
h ( i , j ) = 1 , f ( i , j ) &GreaterEqual; g ( i , j ) 0 , f ( i , j ) < g ( i , j )
利用图像分割将灰度图像转变为二值图像，可以得到明显的手指静脉纹路。
优选地，所述步骤S8的执行方法为：对步骤S7获得的二值图像进行像素取反操作，得到背景为黑色、手指静脉为白色的图像；然后对取反后的图像进行标记连通区域操作，当某个连通区域的像素点个数小于100个时，则将该连通区域视为独立小区域白斑；然后将该连通区域的像素都置为0，即可消除图像中(位于目标区域)的独立小区域白斑(或称白斑噪声)。
优选地，所述步骤S9的执行方法为：首先对步骤S8获得的图像的边界用0值扩充，然后用一个3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时将图像上位于当前窗口中心的点的像素值用图像上位于当前窗口内的各点的像素的中间值代替。
优选地，所述步骤S10中去毛刺处理的方法为：从骨骼化处理后的图像中的每个端点开始向非零点搜索，直到交叉点为止，记录下每个端点在这个过程中遍历的点数，若点数大于50，则将该搜索路径上的点的像素值置为0，即可去除毛刺。
对于步骤S11，寻找步骤S10获得的图像中的端点和交叉点的方法参见由余成波和秦华峰著、清华大学出版社2009年4月出版的第1版《生物特征识别技术：手指静脉识别技术》第115、116页及所涉参考文献，此处不再赘述。
对于步骤S12，当点集X中的特征点xj(aj，bj)和点集Y中的所有特征点匹配时，即计算xj(aj，bj)和点集Y中的所有特征点的最小距离时，只选取点集Y中位于坐标区域(aj±Δ，bj±Δ)(其中Δ取1至10内的任一整数值)内的特征点yi(Ai，Bi)和xj(aj，bj)计算距离，可以保证计算结果相同的前提下，大大减少计算工作量，节省计算时间，这是因为点集Y中的特征点yi(Ai，Bi)的坐标越接近xj(aj，bj)，求出的距离值就越小；进一步地，通过对得到的点集X中各特征点与点集Y的距离值先升序排列，然后计算排序在前3/4范围内的距离值的平均值d(X，Y)，可以减小点集Y中有个别特征点和点集X中特征点相差较大时带来的误差；当点集Y中的特征点yi(Ai，Bi)和点集X中的所有特征点匹配时及计算d(Y，X)时，其计算方法同上；然后利用公式MHD(X，Y)＝max(d(X，Y)，d(Y，X))，即可得出点集X和点集Y之间精确的集间距离MHD的值。
下面对2000组图像(每组图像由同一手指的4幅静脉图构成，不同组图像对应的手指不同)利用本发明进行合法匹配和非法匹配。合法匹配为相同手指间匹配，即组内匹配；非法匹配为不同手指间匹配，即组间匹配。完成一组图像(4幅图)之间的合法匹配，需要进行6次匹配，完成两组图像之间的非法匹配，需要进行16次匹配。合法匹配中距离值小于阈值的个数占合法匹配总个数的比值为识别率，非法匹配中距离值小于阈值的个数占非法匹配总个数的比值为误识率。系统的误识率越低，表明系统接受非法用户的概率越小，则系统越安全；系统的识别率越高，表明系统拒绝合法用户的概率越小，则该系统越容易使用。
从匹配识别耗时的角度考察，采用现有的逐个特征点匹配的方法，完成一组图像之间的合法匹配所需时间为0.0506秒，完成两组图像之间的非法匹配所需时间为0.1350秒。采用本发明的在邻域搜取特征点匹配的方法，完成一组图像之间的合法匹配所需时间为0.0050秒，完成两组图像之间的非法匹配所需时间为0.0105秒。由上可见，本发明的在邻域搜取特征点匹配的方法大大缩短了计算时间，克服了现有逐个特征点匹配方法运算时间长的缺点，解决了现有手指静脉识别方法耗时长的问题。
从系统安全性的角度考察，本发明实施例采用2000组图像(每组四幅图)非法匹配得到所有不同手指的静脉图像特征点集间距离的最小值作为阈值，即在误识率为0的情况下，来对比取排序后前3/4距离值作为统计量和取全部距离值作为统计量两种方法的识别率，经计算得出：取全部距离值作为统计量，得到的识别率为95.25％；取排序后前3/4距离值作为统计量，得到的识别率为99.98％。由此可见，利用取排序后前3/4距离值作为统计量的方法，得到的识别率较高，解决了现有手指静脉识别方法识别性能易受图像精度影响的问题。
上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出得各种变化，也应视为本发明的保护范围。

Claims (9)

1.一种手指静脉快速识别方法，其特征在于包括以下步骤：
S1、对待识别的原始采集的手指静脉图像进行均值滤波处理；
S2、对步骤S1处理后的手指静脉图像进行边缘检测；
S3、在步骤S1处理后的手指静脉图像上截取位于步骤S2检测到的对应手指宽度最窄处的边界内的图像；
S4、对步骤S3获得的图像进行尺度归一化和灰度归一化处理；
S5、对步骤S4最终获得的图像进行脊波滤波处理；
S6、对步骤S5获得的图像进行图像重构，并对重构后的图像进行均值滤波处理；
S7、对步骤S6最终获得的图像进行图像分割，将其由灰度图像转变为二值图像；
S8、滤除步骤S7获得的二值图像中的独立小区域白斑；
S9、对步骤S8获得的图像进行中值滤波处理；
S10、对步骤S9获得的图像进行骨骼化处理，并对骨骼化处理后的图像进行去毛刺处理；
S11、寻找步骤S10获得的图像中的端点和交叉点，将寻找到的端点和交叉点视为特征点存放到一个点集中；
S12、设步骤S11得到的点集为X＝{x1，x2，x3…xm}，设点集X中的特征点的坐标为x1(a1，b1)、x2(a2，b2)、…、xm(am，bm)，设某一已注册的手指静脉图像的特征点的点集为Y＝{y1，y2，y3...yn}，点集Y中的特征点的坐标为y1(A1，B1)、y2(A2，B2)、…yn(An，Bn)，计算出点集X中特征点x1(a1，b1)与点集Y＝{y1，y2，y3，...yn}中坐标区域(a1±Δ，b1±Δ)内的每个特征点的距离值，其中Δ取1至10内的任一整数值，然后选取其最小值作为x1(a1，b1)和点集Y的距离值，计算出点集X中特征点x2(a2，b2)与点集Y＝{y1，y2，y3...yn}中坐标区域(a2±Δ，b2±Δ)内的每个特征点的距离值，并选取其最小值作为x2(a2，b2)和点集Y的距离值，如此进行，直到计算出点集X中特征点xm(am，bm)与点集Y＝{y1，y2，y3...yn}中坐标区域(am±Δ，bm±Δ)内的每个特征点的距离值，并选取其最小值作为xm(am，bm)和点集Y的距离值，然后对上述得到的点集X中的各特征点与点集Y的距离值进行升序排列，利用公式计算出排序在前3/4范围内的距离值的平均值d(X，Y)，其中NX为大于的最小整数；计算出点集Y中特征点y1(A1，B1)与点集X＝{x1，x2，x3...xm}中坐标区域(A1±Δ，B1±Δ)内的每个特征点的距离值，其中Δ取1至10内的任一整数值，然后选取其最小值作为y1(A1，B1)和点集X的距离值，计算出点集Y中特征点y2(A2，B2)与点集X＝{x1，x2，x3...xm}中坐标区域(A2±Δ，B2±Δ)内的每个特征点的距离值，并选取其最小值作为y2(A2，B2)和点集X的距离值，如此进行，直到计算出点集Y中特征点yn(An，Bn)与点集X＝{x1，x2，x3...xm}中坐标区域(Am±Δ，Bm±Δ)内的每个特征点的距离值，并选取其最小值作为yn(An，Bn)和点集X的距离值，然后对上述得到的点集Y中的各特征点与点集X的距离值进行升序排列，利用公式计算出排序在前3/4范围内的距离值的平均值d(Y，X)，其中NY为大于的最小整数；再利用公式MHD(X，Y)＝max(d(X，Y)，d(Y，X))，得出点集X和点集Y之间的集间距离MHD的值；
S13、将步骤S12得到的MHD的值与预先设定的阈值进行比较，若小于或等于某个阈值，则认为本次识别的指静脉图像与已注册的指静脉图像匹配成功，反之，则认为匹配失败或继续与其他已注册的指静脉图像进行匹配。
2.根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S1的执行方法为：首先对原始采集的手指静脉图像的边界用0值扩充，然后用3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。
3.根据权利要求1所述的手指静脉快速识别方法，其特征在于：所述步骤S2中对手指静脉图像的边缘检测包括利用sobel垂直方向算子对手指静脉图像对应手指宽度方向的边缘的检测。
4.根据权利要求1所述的手指静脉快速识别方法，其特征在于：所述步骤S4利用双线性插值法对步骤S3获得的图像进行尺度归一化处理，所述步骤S4获得的图像的尺度大小为180行×64列的数据矩阵。
5.根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S5的执行方法为：通过调整脊波滤波器的方向参数，生成从0°开始依次增加22.5°的八个方向的算子，然后将得到的八个方向的算子分别与步骤S4最终获得的图像进行卷积运算。
6.根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S6的执行方法为：将步骤S5最终获得的8个图像以一定的权值重叠在一起，得到重构的图像；再用一个7*7点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时对图像上位于当前窗口内的所有点求像素平均值，并把该像素平均值赋给图像上位于当前窗口中心的点。
7.根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S8的执行方法为：对步骤S7获得的二值图像进行像素取反操作，得到背景为黑色、手指静脉为白色的图像；然后对取反后的图像进行标记连通区域操作，当某个连通区域的像素点个数小于100个时，则将该连通区域视为独立小区域白斑；然后将该连通区域的像素都置为0，即可滤除图像中的独立小区域白斑。
8.根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S9的执行方法为：首先对步骤S8获得的图像的边界用0值扩充，然后用一个3*3点的窗口在扩充边界后的图像上滑动，窗口的中心依次滑过扩充边界前的图像上的各个像素点，同时将图像上位于当前窗口中心的点的像素值用图像上位于当前窗口内的各点的像素的中间值代替。
9.根据权利要求1所述的手指静脉快速识别方法，其特征在于所述步骤S10中去毛刺处理的方法为：从骨骼化处理后的图像中的每个端点开始向非零点搜索，直到交叉点为止，记录下每个端点在这个过程中遍历的点数，若点数大于50，则将该搜索路径上的点的像素值置为0，即可去除毛刺。
CN201610265907.XA 2016-04-26 2016-04-26 一种手指静脉快速识别方法 Active CN105975905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610265907.XA CN105975905B (zh) 2016-04-26 2016-04-26 一种手指静脉快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610265907.XA CN105975905B (zh) 2016-04-26 2016-04-26 一种手指静脉快速识别方法

Publications (2)

Publication Number Publication Date
CN105975905A true CN105975905A (zh) 2016-09-28
CN105975905B CN105975905B (zh) 2019-03-26

Family

ID=56993575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610265907.XA Active CN105975905B (zh) 2016-04-26 2016-04-26 一种手指静脉快速识别方法

Country Status (1)

Country Link
CN (1) CN105975905B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229899A (zh) * 2017-03-24 2017-10-03 杭州电子科技大学 一种基于二维高斯最大曲率的手指静脉识别方法
CN107368792A (zh) * 2017-06-29 2017-11-21 广州智慧城市发展研究院 一种基于滤波器以及主干边缘的指静脉识别方法及系统
CN107862282A (zh) * 2017-11-07 2018-03-30 深圳市金城保密技术有限公司 一种手指静脉识别与安全认证方法及其终端及系统
CN108197535A (zh) * 2017-12-19 2018-06-22 北京智慧眼科技股份有限公司 指静脉图像质量评判方法及装置
WO2018196521A1 (zh) * 2017-04-24 2018-11-01 广州广电运通金融电子股份有限公司 一种指静脉图像的质量分数计算方法及装置
CN109583279A (zh) * 2017-09-29 2019-04-05 山西圣点世纪科技股份有限公司 一种指纹和指静脉联合识别算法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093539A (zh) * 2007-07-27 2007-12-26 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
CN101840511A (zh) * 2010-06-04 2010-09-22 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
CN101901336A (zh) * 2010-06-11 2010-12-01 哈尔滨工程大学 指纹与指静脉双模态识别决策级融合法
CN103336945A (zh) * 2013-06-10 2013-10-02 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
US20150036893A1 (en) * 2013-07-30 2015-02-05 Fujitsu Limited Authentication device and method
CN104463120A (zh) * 2014-12-08 2015-03-25 中国人民解放军国防科学技术大学 基于二叉树的手指静脉识别方法
CN104933389A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种基于指静脉的身份识别装置及方法
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
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093539A (zh) * 2007-07-27 2007-12-26 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
CN101840511A (zh) * 2010-06-04 2010-09-22 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
CN101901336A (zh) * 2010-06-11 2010-12-01 哈尔滨工程大学 指纹与指静脉双模态识别决策级融合法
CN103336945A (zh) * 2013-06-10 2013-10-02 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
US20150036893A1 (en) * 2013-07-30 2015-02-05 Fujitsu Limited Authentication device and method
CN104933389A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种基于指静脉的身份识别装置及方法
CN104463120A (zh) * 2014-12-08 2015-03-25 中国人民解放军国防科学技术大学 基于二叉树的手指静脉识别方法
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
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI ZHICHAO 等: "Two Modality-Based Bi-Finger Vein Verification System", 《IEEE 10TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING PROCEEDINGS》 *
孙磊: "手指静脉图像的特征提取算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
秦华锋: "手指静脉识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
黄静: "指纹识别及快速匹配算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229899A (zh) * 2017-03-24 2017-10-03 杭州电子科技大学 一种基于二维高斯最大曲率的手指静脉识别方法
CN107229899B (zh) * 2017-03-24 2020-07-24 杭州电子科技大学 一种基于二维高斯最大曲率的手指静脉识别方法
WO2018196521A1 (zh) * 2017-04-24 2018-11-01 广州广电运通金融电子股份有限公司 一种指静脉图像的质量分数计算方法及装置
CN107368792A (zh) * 2017-06-29 2017-11-21 广州智慧城市发展研究院 一种基于滤波器以及主干边缘的指静脉识别方法及系统
CN109583279A (zh) * 2017-09-29 2019-04-05 山西圣点世纪科技股份有限公司 一种指纹和指静脉联合识别算法
CN107862282A (zh) * 2017-11-07 2018-03-30 深圳市金城保密技术有限公司 一种手指静脉识别与安全认证方法及其终端及系统
CN107862282B (zh) * 2017-11-07 2020-06-16 深圳市金城保密技术有限公司 一种手指静脉识别与安全认证方法及其终端及系统
CN108197535A (zh) * 2017-12-19 2018-06-22 北京智慧眼科技股份有限公司 指静脉图像质量评判方法及装置

Also Published As

Publication number Publication date
CN105975905B (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN105975905A (zh) 一种手指静脉快速识别方法
Türetken et al. Automated reconstruction of tree structures using path classifiers and mixed integer programming
Saavedra et al. Sketch based Image Retrieval using Learned KeyShapes (LKS).
CN106228118A (zh) 一种特征点和二值图像结合的手指静脉识别方法
CN104850825A (zh) 一种基于卷积神经网络的人脸图像颜值计算方法
CN106156712A (zh) 一种基于自然场景下的身份证号码识别方法与装置
CN107464252A (zh) 一种基于混合特征的可见光与红外异源图像识别方法
CN102682302A (zh) 一种基于关键帧的多特征融合的人体姿态识别方法
CN107665324A (zh) 一种图像识别方法及终端
CN107066961B (zh) 指纹配准方法及装置
CN103413119A (zh) 基于人脸稀疏描述子的单样本人脸识别方法
CN108491786A (zh) 一种基于分级网络和聚类合并的人脸检测方法
CN109785348A (zh) 基于图像边界近似曲率变化的新型角点检测方法及系统
CN103955950A (zh) 一种利用关键点特征匹配的图像跟踪方法
CN103440481B (zh) 一种针对非理想虹膜图像的边界定位方法
CN106447640A (zh) 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置
CN106778499B (zh) 一种虹膜采集过程中快速定位人眼虹膜的方法
CN110472495B (zh) 一种基于图形推理全局特征的深度学习人脸识别方法
CN103246871A (zh) 一种基于图像非线性增强的非理想虹膜外边界定位方法
CN105975955B (zh) 一种图像中文本区域的检测方法
CN102663443B (zh) 基于图像扰动和相关滤波的生物特征识别方法
CN104036494B (zh) 一种用于水果图像的快速匹配计算方法
CN106250814A (zh) 一种基于超球粒化商空间模型的手指静脉图像识别方法
CN103903017A (zh) 一种基于自适应软直方图局部二值模式的人脸识别方法
CN102819754A (zh) 一种基于Sigmoid扩展的指纹分数融合系统及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Hui

Inventor after: Zhao Guodong

Inventor after: Ding Cheng

Inventor after: Guan Xiaoqiang

Inventor before: Zhang Hui

Inventor before: Zhao Guodong

Inventor before: Ding Cheng

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 030006 Room 0906, 9th Floor, Block C, Cleaning and Control Innovation Base, 529 South Central Street, Taiyuan Xuefu Park, Shanxi Comprehensive Reform Demonstration Area, Taiyuan City, Shanxi Province

Patentee after: Holy Point Century Technology Co.,Ltd.

Address before: 030006 Room 0906, 9th Floor, Block C, Cleaning and Control Innovation Base, 529 Nanzhonghuan Street, Taiyuan High-tech Zone, Shanxi Province

Patentee before: SHANXI TOP GLORY CENTURY TECHNOLOGY CO.,LTD.

CP03 Change of name, title or address
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160928

Assignee: Zhongguancun Technology Leasing Co.,Ltd.

Assignor: Holy Point Century Technology Co.,Ltd.

Contract record no.: X2021980014114

Denomination of invention: A fast recognition method of finger vein

Granted publication date: 20190326

License type: Exclusive License

Record date: 20211206

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A fast recognition method of finger vein

Effective date of registration: 20211208

Granted publication date: 20190326

Pledgee: Zhongguancun Technology Leasing Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2021980014394

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: Zhongguancun Technology Leasing Co.,Ltd.

Assignor: Holy Point Century Technology Co.,Ltd.

Contract record no.: X2021980014114

Date of cancellation: 20231222

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231222

Granted publication date: 20190326

Pledgee: Zhongguancun Technology Leasing Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2021980014394