CN105975974A

CN105975974A - 一种手指静脉识别中提取roi图像的方法

Info

Publication number: CN105975974A
Application number: CN201610305334.9A
Authority: CN
Inventors: 张宇明; 张瑞芳; 张倩
Original assignee: Shenzhen Golden Vein Intelligent Identification Technology Co Ltd
Current assignee: Shenzhen Golden Vein Intelligent Identification Technology Co Ltd
Priority date: 2016-05-10
Filing date: 2016-05-10
Publication date: 2016-09-28

Abstract

本发明公开了一种手指静脉识别中提取ROI图像的方法，该方法包括：从采集设备中获取原始的手指静脉图像；对原始的手指静脉图像进行超高像素分割，得到超高像素图像；对原始的手指静脉图像进行Sobel算子边缘检测，并进行图像去噪，得到手指边缘图像；获得超高清像素图像和手指边缘图像的重叠点；依据重叠点确定追踪点，对超高像素图像进行边缘追踪，得到完整的手指边缘图像；对完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像；对背景模糊的手指静脉图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像。该方法实现提取的ROI图像具有完整的手指边界轮廓，具有良好的分割效果。

Description

一种手指静脉识别中提取ROI图像的方法

技术领域

本发明涉及的模式识别技术领域，特别是涉及一种手指静脉识别中提取ROI图像的方法。

背景技术

手指静脉识别中ROI的提取是指直接通过采集设备得到的图片，图片中包含了噪声以及许多与识别无关的背景信息，为了保证系统提取特征的有效性和匹配的精确性，因此需要从图片中抠出所需要的东西，即手指区域的图像(ROI)。

目前，常见的手指静脉识别中提取ROI的方法，主要是基于Sobel算子边缘检测，即为：先将原始图片进行Sobel边缘检测；选择手指上下边缘宽度相等且数量最多的区域，获得手指的再二值化图像；模糊手指背景；对发生旋转的图像进行角度矫正；使用固定值定位手指高度；横向宽度由手指边缘的内切线决定；图像归一化处理。

但是，基于Sobel算子的方案，仅仅针对于HKPU-FV的数据包分割的ROI比较理想，但是对于SDUMLA-FV、UTFV、THU-FV、MMCBNU_600等其它类型的采集设备采集的数据包而言并不完全适合，会出现提取的ROI含有大量的背景或者静脉纹理信息不够丰富等问题。由于采集设备的多样性，手指与背景的区分是千变万化的，加上Sobel算子对噪声敏感，现有的ROI提取方法很难检测到完整的手指边界轮廓，因此可能会导致提取的ROI仍然包含了大量的背景信息或者静脉纹理不够丰富，从而降低了特征提取的有效性以及匹配的精确性。

发明内容

本发明的目的是提供一种手指静脉识别中提取ROI图像的方法，以实现提取的ROI图像具有完整的手指边界轮廓，具有良好的分割效果，增强了特征提取的有效性以及匹配的精确性。

为解决上述技术问题，本发明提供一种手指静脉识别中提取ROI图像的方法，该方法包括：

从采集设备中获取原始的手指静脉图像；

对所述原始的手指静脉图像进行超高像素分割，得到超高像素图像；

对所述原始的手指静脉图像进行Sobel算子边缘检测，并进行图像去噪，得到手指边缘图像；

获得所述超高清像素图像和手指边缘图像的重叠点；

依据所述重叠点确定追踪点，对所述超高像素图像进行边缘追踪，得到完整的手指边缘图像；

对所述完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像；

对所述背景模糊的手指静脉图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像。

优选的，所述对所述原始的手指静脉图像进行超高像素分割，包括：

将所述原始的手指静脉图像转换为CIELAB颜色空间的XY坐标下的5维特征向量；

对所述5维特征向量构造度量标准，对图像像素进行局部聚类，并设置预分割的超像素的数量，生成紧凑均匀的超像素块。

优选的，所述依据所述重叠点确定追踪点，包括：

随机地选择所述超高像素图像和手指边缘图像中手指长度三分之一到二分之一的重叠点中的一点作为手指边缘的追踪点。

优选的，所述对所述超高像素图像进行边缘追踪，包括：

在所述超高像素图像中，将上下手指边缘的追踪点分别向手指的指尖和指跟方向追踪。

优选的，所述对所述完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像，包括：

对所述完整的手指边缘图像进行修正，得到修正的手指边缘图像；

对所述修正的手指边缘图像进行形态化运算和再二值化操作，获得再二值的手指图像；

将所述手指图像与转化为灰度图像的原始图像进行点乘运算，得到背景模糊化的手指静脉图像。

优选的，所述角度校正、高度裁剪、宽度裁剪的过程为：

利用手指中线对所述背景模糊的手指静脉图像进行角度矫正，获得角度矫正后的手指静脉图像；

利用手指关节的投影值确定角度矫正后的手指静脉图像中手指的高度，获得高度剪裁后的手指静脉图像；

利用手指边缘轮廓的内切线确定高度裁剪后的手指静脉图像中手指的宽度。

优选的，所述归一化包括尺寸归一化和灰度归一化。

本发明所提供的一种手指静脉识别中提取ROI图像的方法，通过原始的手指静脉图像得到超高像素图像和手指边缘图像，获得超高像素图像和手指边缘检测图像的重叠点，再依据重叠点确定初始追踪点，对所述超高像素图像进行边缘追踪，得到完整的手指边缘图像，然后对完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像，这里得到的手指静脉图像就是手指清晰背景模糊的手指静脉图像，最终对所述背景模糊的手指静脉图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像。如此通过获取超高像素图像和手指边缘检测图像的重叠点来确定追踪点，根据追踪点进行追踪进而获取背景模糊化的手指静脉图，再进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像，这样获取的ROI图像具有完整的手指边界轮廓，能够针对于多种采集设备采集到的手指静脉图像均能分割出完整的ROI图像，并且获取的ROI图像具有良好的分割效果，增强了特征提取的有效性以及匹配的精确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种手指静脉识别中提取ROI图像的方法流程图；

图2为手指静脉图像的变化示意图；

图3为追踪点坐标位置示意图；

图4为超高像素图像修正前后示意图。

具体实施方式

本发明的核心是提供一种手指静脉识别中提取ROI图像的方法，以实现提取的ROI图像具有完整的手指边界轮廓，具有良好的分割效果，增强了特征提取的有效性以及匹配的精确性。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，图1为一种手指静脉识别中提取ROI图像的方法，其特征在于，包括：

步骤S101：从采集设备中获取原始的手指静脉图像；

步骤S102：对原始的手指静脉图像进行超高像素分割，得到超高像素图像；

步骤S103：对原始的手指静脉图像进行Sobel算子边缘检测，并进行图像去噪，得到手指边缘图像；

步骤S104：获得超高清像素图像和手指边缘图像的重叠点；

步骤S105：依据重叠点确定追踪点，对超高像素图像进行边缘追踪，得到完整的手指边缘图像；

步骤S106：对完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像；

步骤S107：对背景模糊的手指静脉图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像。

可见，本发明所提供的一种手指静脉识别中提取ROI图像的方法，通过原始的手指静脉图像得到超高像素图像和手指边缘图像，获得超高像素图像和手指边缘检测图像的重叠点，再依据重叠点确定初始追踪点，对超高像素图像进行边缘追踪，得到完整的手指边缘图像，然后对完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像，这里得到的手指静脉图像就是手指清晰背景模糊的手指静脉图像，最终对背景模糊的手指静脉图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像。如此通过获取超高像素图像和手指边缘检测图像的重叠点来确定追踪点，根据追踪点进行追踪进而获取背景模糊化的手指静脉图，再进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像，这样获取的ROI图像具有完整的手指边界轮廓，能够针对于多种采集设备采集到的手指静脉图像均能分割出完整的ROI图像，并且获取的ROI图像具有良好的分割效果，增强了特征提取的有效性以及匹配的精确性。

另外，该方法不仅可以对手指静脉图像进行正确分割，而且避免了传统算法对来自不同设备的手指静脉图像进行分割时要设定不同阈值或训练不同分类器的缺陷，做到了与设备无关，非常适合使用多类型手指静脉采集设备的互联网应用环境，能够针对于多种采集设备采集到的手指静脉图像均能分割出完整的ROI，即该方法实现应用于多种类型采集设备采集到的图像，达到采集设备的无关性。

可参考图2，图2为手指静脉图像的变化示意图。

图2中，A1为从采集设备中获取原始的手指静脉图，即通过步骤S101之后得到的图像；A2为对原始的手指静脉图像进行超高像素分割后得到的超高像素图像，即通过步骤S102之后得到的图像；A3为对原始的手指静脉图像进行Sobel算子边缘检测并进行图像去噪得到的手指边缘图像，即通过步骤S103之后得到的图像；

A4为通过超高清像素图像和手指边缘图像的重叠点确定追踪点，对超高像素图像进行边缘追踪之后得到的完整的手指边缘图像，即通过步骤S104和步骤S105之后得到的图像；A5为对完整的手指边缘图像进行修正之后获得的背景模糊的手指静脉图像，即通过步骤S106之后得到的图像；

A6为对背景模糊的手指静脉图像进行角度校正之后得到的图像；A7为对图像A6进行高度裁剪之后得到的图像；A8为对图像A7进行宽度裁剪之后得到的图像；A9为对图像A8进行归一化之后得到的ROI图像。由图像A6转化为图像A9的过程就是步骤S107的过程，将图像A6进行角度校正、高度裁剪、宽度裁剪和归一化，就能得到ROI图像即A9。

基于上述方法，具体的，步骤S102中的对原始的手指静脉图像进行超高像素分割的过程具体为：将原始的手指静脉图像转换为CIELAB颜色空间的XY坐标下的5维特征向量；对5维特征向量构造度量标准，对图像像素进行局部聚类，并设置预分割的超像素的数量，生成紧凑均匀的超像素块。

更详细的，对原始的手指静脉图像进行超高像素分割的详细步骤如下：

(1)初始化种子点：按照设定的超像素个数，在图像内均匀的分配种子点。

假设图片总共有N个像素点，预分割为K个相同尺寸的超像素，那么每个超像素的大小为N/K，则相邻种子点的距离近似为S＝sqrt(N/K)。这里的种子点即为聚类中心。

(2)在种子点的3*3邻域内重新选择种子点。具体过程为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。

(3)在每个种子点周围的邻域内为每个像素点分配类标签，SLIC的搜索范围限制为2S*2S，可以加速算法收敛。

(4)进行距离度量。这里的距离包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它和该种子点的距离。距离计算方法如下：

d_{c} = \sqrt{{(l_{j} - l_{i})}^{2} + {(a_{j} - a_{i})}^{2} + {(b_{j} - b_{i})}^{2}};

d_{s} = \sqrt{{(x_{j} - x_{i})}^{2} + {(y_{j} - y_{i})}^{2}};

D^{,} = \sqrt{{(\frac{d_{c}}{N_{c}})}^{2} + {(\frac{d_{s}}{N_{s}})}^{2}};

其中，dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns＝S＝sqrt(N/K)，适用于每个聚类。最大的颜色距离Nc随图片的不同而不同，也随聚类不同而不同，所以我们取一个固定常数10，其最终的距离度量D'的计算公式如下：

D^{,} = \sqrt{{(\frac{d_{c}}{m})}^{2} + {(\frac{d_{s}}{S})}^{2}};

由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。

(5)迭代优化。对图像迭代10次，直到误差收敛。

(6)增强连通性。新建一张标记表，表内元素均为-1，按照“Z”型走向，即从左到右，从上到下顺序将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有的点查找完毕为止。

具体的，步骤S103的过程具体为：对原始的手指静脉图像进行高斯滤波操作；对高斯滤波操作后的手指静脉图像进行Sobel算子边缘检测、形态学运算，并采用连通域面积的方法进行图像去噪，获得手指边缘图像。

在步骤S105中，依据重叠点确定追踪点的过程为：随机地选择超高像素图像和手指边缘图像中手指长度三分之一到二分之一的重叠点中的一点作为手指边缘的追踪点。

需要说明的是，原始图像经过超高像素分割之后，图像中手指三分之一区域到二分之一区域的边缘线一般都是清晰且没有噪声，故可以先将手指边缘线之间的宽度值相差在一定阈值区域的手指边缘坐标找出来存入n*3的矩阵中，n表示手指总共的列数，第一列是手指的列坐标，第二列是手指上边缘的行坐标，第三列是手指下边缘的行坐标，然后再选取该手指边缘矩阵中三分之一区域到二分之一区域的边缘线坐标作为重叠点的候选点，最后利用随机选择函数从该重叠点的候选点中选出一行数据作为追踪点，这行数据表示手指上下边缘线的坐标位置。

在步骤S105中，对超高像素图像进行边缘追踪的过程为：在超高像素图像中，将上下手指边缘的追踪点分别向手指的指尖和指跟方向追踪。其中，追踪的具体过程是根据手指自身的结构特性对超高像素图像进行边缘追踪。

其中，依据手指上下边缘的追踪点位置，分别对超高像素的手指边缘进行追踪，例如：对于一副指尖向右的手指，手指的上边缘随机选择的追踪点是(94，152)，下边缘随机选择的坐标是(217，152)，请参考图3，图3为追踪点坐标位置示意图，如图3所示，T1代表手指的上边缘追踪点(94，152)，T2、T3和T4代表指尖方向的邻域，对手指的上边缘向右追踪，其邻域有三个不为0的点，故需选择与目前追踪点水平夹角最小邻域点作为下一个追踪点，即将追踪点T1移到(94，153)，同时将该点赋值1保存在另一幅图像中。这样分别对上边缘向左追踪，以及下边缘追踪点的左右方向进行追踪，即可将超高像素图像中手指的边缘完整的追踪到，其最终图像如图2中的图像A4所示。

步骤S106后得到的背景模糊化的手指静脉图像是指该图像中除了手指区域之外，其他区域都是黑色。

需要说明的是，步骤105得到的图像是一副二值图像，若要得到背景模糊的手指静脉图，则需要将二值图像转化为再二值图像，具体步骤：形态学运算，find函数找出非0元素的索引和值，存入新的矩阵中，将索引值中间部分置1，即可得到一副再二值化的图像，然后点乘转化为灰度图像的原始图像，即可得到手指清晰而背景模糊的手指静脉图。

具体的，步骤S106采用以下步骤实现：

S11：对完整的手指边缘图像进行修正，得到修正的手指边缘图像；

S12：对修正的手指边缘图像进行形态化运算和再二值化操作，获得再二值的手指图像；

S13：将手指图像与转化为灰度图像的原始图像进行点乘运算，得到背景模糊化之后的手指静脉图像。

其中，需要将追踪的手指边缘的追踪点的坐标位置存入一个n*3的矩阵中，对手指的上下边缘进行修正的公式如下：

a (i - 9) = \frac{a (i - 9) + a (i - 8) + ... + a (i) + ... + a (i + 10)}{20};

其中，i表示手指边缘的列数，a(i)表示手指中该列所在的行坐标。

例如，在图4中，A10是完整的手指边缘图像，A11是修正之后得到的背景模糊的手指静脉图像，修正前超高像素图像追踪到的手指边缘线第178-202之间手指上下边缘的位置如表1所示，表1表示手指边缘未修正的位置坐标，表2表示手指边缘已修正的位置坐标。

其中，表1和表2中，矩阵中的第1列表示手指上下边缘的列坐标，第2列表示手指上边缘的横坐标，第3列表示手指下边缘的横坐标。

表1

	1	2	3
				178	178	51	176
179	179	51	176
				180	180	51	175
181	181	51	175
				182	182	51	175
183	183	51	174
				184	184	51	174
185	185	51	174
				186	186	51	174
187	187	51	174
				188	188	51	174
189	189	51	174
				190	190	50	174
191	191	50	174
				192	192	50	174
193	193	50	174
				194	194	50	174
195	195	50	174
				196	196	50	174
197	197	50	174
				198	198	50	174
199	199	50	174
				200	200	50	174
201	201	50	174
				202	202	50	174
203	203	50	174

表2

	1	2	3
				178	178	51	174
179	179	51	174
				180	180	51	174
181	181	50	174
				182	182	50	174
183	183	50	174
				184	184	50	174
185	185	50	174
				186	186	50	174
187	187	50	174
				188	188	50	174
189	189	50	174
				190	190	50	174
191	191	50	174
				192	192	50	174
193	193	50	174
				194	194	50	174
195	195	50	174
				196	196	49	174
197	197	49	174
				198	198	49	174
199	199	49	174
				200	200	49	174
201	201	49	174
				202	202	49	174
203	203	49	174

步骤S107中角度校正、高度裁剪、宽度裁剪的过程采用以下步骤实现：

S21：利用手指中线对背景模糊的手指静脉图像进行角度矫正，获得角度矫正后的手指静脉图像；

S22：利用手指关节的投影值确定角度矫正后的手指静脉图像中手指的高度，获得高度剪裁后的手指静脉图像；

S23：利用手指边缘轮廓的内切线确定高度裁剪后的手指静脉图像中手指的宽度。

详细的，步骤S107中，角度纠正的过程具体过程如下：

(1)发生旋转的图像可以利用中线与垂直线的夹角计算旋转角度，依据106步骤获取手指边缘线的中线坐标，使用等式y＝a×x+b计算手指中线的斜率，则旋转的角度为：

(2)若λ大于预先确定的角度阈值，则对图像角度矫正，否则不矫正。

即角度纠正的过程就是对发生旋转的手指角度矫正，计算手指两边缘线的中线与垂直方向的夹角，若夹角大于设定的阈值，则图像角度矫正，否则不矫正。

步骤S107中，高度裁剪的过程是：依据手指关节处的灰度值之和大于非关节处的灰度值之和这一特性，对图像进行高度裁剪。需要利用手指关节处的灰度值高于非关节的灰度值定位手指的高度。具体过程如下：

(1)将手指图像平均分成上下两部分，对于包含指尖部分的手指，计算50行像素灰度值之和，逐行移动包含50行的窗口，直到移动到包含指尖部分的手指末端，求已统计的50行窗口灰度值总和的最大值，此时的行位置即为手指末端关节点的位置r₁；

(2)对于包含指根部分的手指，在指尖部分的基础上同样进行50行窗口灰度值之和的统计，找出灰度值之和最大的行即作为手指的近端关节点的位置r₂；

(3)为了获得更为丰富的手指静脉纹理图，需要对手指近、末端的关节位置进行系数修正，计算近、末端之间的距离d1，近端关节与手指末端的距离d2，则手指的高度定位公式为：

h_{1} = \{\begin{matrix} 5, r_{1} < d_{1} \times 0.3 \\ r_{1} - d_{1} \times 0.3, r_{1} &GreaterEqual; d_{1} \times 0.3 \end{matrix};

h_{2} = \{\begin{matrix} m - 5, d_{2} < d_{1} \times 0.1 \\ r_{2} + d_{1} \times 0.05, d_{2} &GreaterEqual; d_{1} \times 0.1 \end{matrix};

上述h₁与h₂之间的距离便是定位的手指高度。

步骤S107中，宽度剪裁的具体过程如下：

(1)获取手指边缘二值图像；

(2)利用连通性技术得到手指边缘的内切线位置；

(3)依据内切线位置对定位高度的手指静脉图像进行内切。

步骤S107中，归一化包括尺寸归一化和灰度归一化。其中，每个人的手指粗细各不一样，为了特征提取的方便性，故有必要将宽度剪裁后的手指进行尺寸和灰度的归一化，并且由于类以及光照环境的不同，也需对提取的ROI做尺寸归一化和灰度归一化处理。

其中，对于尺寸归一化，采用双线性插值方法可以减少图像的均值方差，从而减少特征提取与匹配的难度。

对于灰度归一化，由于原始图像得到的图像灰度分布很集中，不利于特征提取与分类。采取线性灰度调整的方法，将灰度能量集中于[G1，G2]的图像灰度转换到[0，255]范围，得到灰度分布均匀的图像，其计算公式如下：

p (i, j) = \frac{p^{'} (i, j) - G 1}{G 2 - G 1} \times 255;

其中，p'(i,j)表示原图灰度值，p(i,j)表示变换后的灰度值，G1表示原图最小灰度值，G2表示原图最大灰度值。

可见，本方法通过利用超高像素分割以及Sobel算子边缘检测可以追踪到完整的手指边缘，进而获取背景模糊化的手指静脉图，再对手指角度进行校正、手指高度裁剪、手指宽度的裁剪，得到归一化的ROI。由于超高像素的特性，该方法不仅可以对手指静脉图像进行正确分割，而且增强了图像对背景噪声的鲁棒性，能够针对于多种采集设备采集到的手指静脉图像都能分割出完整的ROI，并且对手指的移位等进行了矫正，即该方法能够实现应用于多种类型采集设备采集到的图像，解决了现有手指静脉图像分割方法中存在的设备互操作性问题，达到采集设备的无关性。

综上，本发明所提供的一种手指静脉识别中提取ROI图像的方法，通过原始的手指静脉图像得到超高像素图像和手指边缘图像，获得超高像素图像和手指边缘检测图像的重叠点，再依据重叠点确定初始追踪点，对超高像素图像进行边缘追踪，得到完整的手指边缘图像，然后对完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像，这里得到的手指静脉图像就是手指清晰背景模糊的手指静脉图像，最终对背景模糊的手指静脉图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像。如此通过获取超高像素图像和手指边缘检测图像的重叠点来确定追踪点，根据追踪点进行追踪进而获取背景模糊化的手指静脉图，再进行角度校正、高度裁剪、宽度裁剪和归一化，得到ROI图像，这样获取的ROI图像具有完整的手指边界轮廓，能够针对于多种采集设备采集到的手指静脉图像均能分割出完整的ROI图像，并且获取的ROI图像具有良好的分割效果，增强了特征提取的有效性以及匹配的精确性。

以上对本发明所提供的一种手指静脉识别中提取ROI图像的方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种手指静脉识别中提取ROI图像的方法，其特征在于，包括：

从采集设备中获取原始的手指静脉图像；

获得所述超高清像素图像和手指边缘图像的重叠点；

2.如权利要求1所述的方法，其特征在于，所述对所述原始的手指静脉图像进行超高像素分割，包括：

3.如权利要求1所述的方法，其特征在于，所述依据所述重叠点确定追踪点，包括：

4.如权利要求1所述的方法，其特征在于，所述对所述超高像素图像进行边缘追踪，包括：

5.如权利要求1所述的方法，其特征在于，所述对所述完整的手指边缘图像进行修正，获得背景模糊的手指静脉图像，包括：

6.如权利要求1所述的方法，其特征在于，所述角度校正、高度裁剪、宽度裁剪的过程为：

7.如权利要求1至6中任意一项所述的方法，其特征在于，所述归一化包括尺寸归一化和灰度归一化。