CN106056040A - 一种掌静脉识别方法和装置 - Google Patents

Abstract

本发明公开了一种掌静脉识别方法和装置，属于模式识别技术领域。该方法包括：对第一掌静脉图像和第二掌静脉图像分别进行预处理；对预处理后的第一掌静脉图像和第二掌静脉图像分别按ASIFT仿射变换矩阵进行仿射变换，各得到一组视图；对两组视图中的视图逐一提取SIFT特征，生成SIFT特征描述符；在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定第一掌静脉图像和第二掌静脉图像是否匹配。本发明通过在ASIFT仿射空间内提取图像特征，使得提取的特征对旋转、缩放、平移、相机轴方向和相机角度方向具有完全不变性，具备良好的抗掌静脉变形能力，鲁棒性和稳定性。

Description

一种掌静脉识别方法和装置

技术领域

本发明涉及模式识别技术领域，尤其涉及一种掌静脉识别方法和装置。

背景技术

随着信息技术飞速发展、人类社会不断进步，对信息技术提出了更新、更高的要求。网络信息化时代对人的身份进行识别的需求应用越来越多，如：系统登录、门禁出入、银行服务、社保服务、电子商务、出入境管理、疑犯鉴别等等。生物身份识别技术是以防止受保护的资源不被窃取的重要方式，最主要的是指纹掌纹等表面特征的识别产品，其缺点是可靠性低，容易复制。可靠性较高的虹膜识别技术，由于要人眼睛部位靠近识别，接受程度较低、且成本高而无法进行大规模的推广。而掌静脉识别无明显的健康威胁，可被普遍接受，且特征唯一性，低成本，精确快速。

目前，已有不少研究人员将SIFT(Scale-invariant Feature Transform，尺度不变特征转换)算法应用于图像局部不变性特征提取技术中，取得了较好的效果。虽然SIFT算法具有尺度参数、旋转参数、两个平移参数上具有不变性，但不能克服摄像机所有视觉下图像的仿射变化。

发明内容

有鉴于此，本发明的目的在于提供一种掌静脉识别方法和装置,以解决不能克服摄像机所有视觉下图像的仿射变化的技术问题。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供的一种掌静脉识别方法，其特征在于，该包括以下步骤：

对第一掌静脉图像和第二掌静脉图像分别进行预处理；

对预处理后的第一掌静脉图像和第二掌静脉图像分别按仿射尺度不变特征转换ASIFT仿射变换矩阵进行仿射变换，各得到一组视图；

对两组视图中的视图逐一提取尺度不变特征转换SIFT特征，生成两组SIFT特征描述符；

在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定第一掌静脉图像和第二掌静脉图像是否匹配。

优选的，对第一掌静脉图像和第二掌静脉图像分别进行预处理进一步包括：

分别从第一掌静脉图像和第二掌静脉图像中提取有效的掌静脉区域；

分别将有效的第一掌静脉图像和第二掌静脉图像进行均衡化处理；

分别对第一掌静脉图像和第二掌静脉图像进行降噪。

优选的，对预处理后的第一掌静脉图像和第二掌静脉图像分别按ASIFT仿射变换矩阵进行仿射变换，各得到一组视图进一步包括：

确定倾斜量参数和经度角参数的采样范围、采样间隔、以及采样序列；

根据倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图。

优选的，确定倾斜量参数和经度角参数的采样范围进一步包括：倾斜量参数t∈[0,t_max]，对应的θ_max＝arccos(1/t_max)，φ∈[φ_min,φ_max]；其中，t表示倾斜量参数，t_max表示倾斜量参数t的上限，θ表示对纬度角参数，θ_max表示最大纬度角参数，φ表示经度角参数，φ_min表示经度角参数φ的最小值，φ_max表示经度角参数φ的最大值；

优选的，确定倾斜量参数以及经度角参数的采样间隔进一步包括：采样间隔△t＝t_k+1/t_k；在每一个倾斜量参数t对应的纬度角θ上，经度角参数φ的采样值遵循一个等差数列0,b/t,…,kb/t，其中k、b取整数，且kb/t<180°；

优选的，确定倾斜量参数t以及经度角参数φ的采样序列进一步包括：对纬度角θ进行抽样从而得到伴随的倾斜量参数t，使得t＝1,a,a²,…,aⁿ，其中a、n为预设的实验值；经度角参数φ按t的级数取值，使得φ＝0,b/t,…,kb/t，其中k、b取整数，且kb/t<180°。

优选的，根据倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图，进一步包括：

依次从倾斜量参数和经度角参数采样序列中获得每一个采样倾斜量参数t_i和经度角参数φ_i；

对掌静脉图像进行每一个经度角参数φ_i的旋转；

对旋转后的掌静脉图像在x方向进行抗走样处理；

对抗走样处理后的掌静脉图像进行倾斜量参数的倾斜，其中，θ表示对纬度角参数。

优选的，对两组视图中的视图逐一提取SIFT特征，生成两组SIFT特征描述符进一步包括：

构建高斯尺度空间并提取极值点；

检测极值点；

精确定位极值点，并剔除不稳定的极值点；

确定特征点主方向；

生成SIFT特征描述符。

优选的，在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定第一掌静脉图像和第二掌静脉图像是否匹配进一步包括：

S1、从两组视图中循环各取一张视图的SIFT特征描述符；

S2、随机选出预设数量的待检验点对；

S3、根据选取出的待检验点对计算投影变换矩阵；

S4、对于所有的待检验点对，选出内点；

S5、判断是否达到预设的选取次数，如果是，执行步骤S6，否则返回步骤S2；

S6、找到内点最多的点集，并统计出该点集中内点总数和两掌静脉图像中特征点个数的较小值；

S7、判断是否两组视图所有两两组合都比对完毕，如果是，执行步骤S8，否则返回步骤S1；

S8、找出两组视图中内点的点集中内点个数的最大值和与之对应的特征点数；

S9、判断最大值与之对应的特征点数的比值是否大于预设比值，如果是，判定位第一掌静脉图像和第二掌静脉图像匹配，否则判定为第一掌静脉图像和第二掌静脉图像不匹配。

根据本发明的另一个方面，提供的一种掌静脉识别装置包括以下模块：

图像预处理模块，用于对第一掌静脉图像和第二掌静脉图像分别进行预处理；

仿射变换模块，用于对预处理后的第一掌静脉图像和第二掌静脉图像分别按仿射尺度不变特征转换ASIFT仿射变换矩阵进行仿射变换，各得到一组视图；

特征提取模块，用于对两组视图中的视图逐一提取尺度不变特征转换SIFT特征，生成两组SIFT特征描述符；

迭代判定模块，用于在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定第一掌静脉图像和第二掌静脉图像是否匹配。

优选的，仿射变换模块进一步包括：

采样范围确定单元，用于确定倾斜量参数和经度角参数的采样范围。

采样间隔确定单元，用于确定倾斜量参数和经度角参数的采样范围采样间隔。

采样序列确定单元，用于确定倾斜量参数和经度角参数的采样序列。

仿射模拟单元，用于根据倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图。

优选的，迭代判定模块进一步包括：

视图获取单元，用于从两组视图中循环各取一张视图的SIFT特征描述符。

点对选取单元，用于随机选出预设数量的待检验点对。

矩阵计算单元，用于根据选取出的待检验点对计算投影变换矩阵。

内点选择单元，用于对于所有的待检验点对，选出内点。

第一判断单元，用于判断是否达到预设的选取次数。

第一统计单元，用于找到内点最多的点集，并统计出该点集中内点总数和两掌静脉图像中特征点个数的较小值。

第二判断单元，用于判断是否两组视图所有两两组合都比对完毕。

第二统计单元，用于找出两组视图中内点的点集中内点个数的最大值和与之对应的特征点数。

判定单元，用于判断最大值与之对应的特征点数的比值是否大于预设比值，如果是，判定位第一掌静脉图像和第二掌静脉图像匹配，否则判定为第一掌静脉图像和第二掌静脉图像不匹配。

本发明实施例提供的一种掌静脉识别方法和装置，通过在仿射空间内提取图像特征，使得提取的特征对旋转、缩放、平移、相机轴方向和相机角度方向具有完全不变性，具备良好的抗掌静脉变形能力，鲁棒性和稳定性。

附图说明

图1为本发明实施例提供的一种掌静脉识别方法的流程图；

图2为本发明实施例提供的一种掌静脉识图像预处理方法的流程图；

图3为本发明实施例提供的一种掌静脉识图像仿射变换方法的流程图；

图4为本发明实施例提供的一种仿射模拟方法的流程图；

图5为本发明实施例提供的一种SIFT特征提取方法的流程图；

图6为本发明实施例提供的一种迭代判定方法的流程图；

图7为本发明实施例提供的一种掌静脉识别装置的模块结构图；

图8为本发明实施例提供的一种图像预处理模块的结构示意图；

图9为本发明实施例提供的一种仿射变换模块的结构示意图；

图10为本发明实施例提供的一种迭代判定模块的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供的一种掌静脉识别方法，包括以下步骤：

S10、对第一掌静脉图像和第二掌静脉图像分别进行预处理。

请参阅图2，本步骤将第一掌静脉图像和第二掌静脉图像作为输入，分别对第一掌静脉图像和第二掌静脉图像进行如下处理过程：

S101、分别从第一掌静脉图像和第二掌静脉图像中提取有效的掌静脉区域。

S102、分别将有效的第一掌静脉图像和第二掌静脉图像进行均衡化处理。

S103、分别对第一掌静脉图像和第二掌静脉图像进行降噪处理。

如此，从掌静脉图像中提取有效的掌静脉区域，去除背景区域和脂肪区域等冗余信息的干扰；然后将对比度较低的掌静脉图像进行均衡化处理，使之形成鲜明的对比度，同时降低掌静脉图像采集过程中引入的噪声。上述经过预处理后的第一掌静脉图像和第二掌静脉图像可以进行ASIFT变换准确度更高。

S20、对预处理后的第一掌静脉图像和第二掌静脉图像分别按仿射尺度不变特征转换ASIFT仿射变换矩阵进行仿射变换，各得到一组视图。

请参阅图3，作为一种优选方案，本步骤S20进一步包括：

S201、确定倾斜量参数和经度角参数的采样范围。

具体的，本步骤S201进一步包括确定：倾斜量参数t∈[0,t_max]，对应的θ_max＝arccos(1/t_max)，φ∈[φ_min,φ_max]。其中，t表示倾斜量参数，t_max表示倾斜量参数t的上限，θ表示对纬度角参数，θ_max表示最大纬度角参数，φ表示经度角参数，φ_min表示经度角参数φ的最小值，φ_max表示经度角参数φ的最大值。

举例来说，倾斜度t的上限是t_max≈T_max，对应的视觉最大值为θ_max＝arccos(1/t_max)。当时，则θ_max≈80°。经度角参数φ∈[0，π]。

S202、确定倾斜量参数和经度角参数的采样范围采样间隔。

具体的，采样间隔△t＝t_k+1/t_k；在每一个倾斜量参数t对应的纬度角θ上，经度角参数φ的采样值遵循一个等差数列0,b/t,…,kb/t，其中k、b取整数，且kb/t<180°。

S203、确定倾斜量参数和经度角参数的采样序列。

具体的，对纬度角θ进行抽样从而得到伴随的倾斜量参数t，使得t＝1,a,a²,…,aⁿ，其中a、n为预设的实验值；经度角参数φ按t的级数取值，使得φ＝0,b/t,…,kb/t，其中k、b取整数，且kb/t<180°。

比如，经度角按t的级数取值，使得φ＝0,b/t,…,kb/t，其中，b＝72°，k取整数且保证kb/t<180°。

S204、根据倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图。

请参阅图4，本步骤S204进一步包括：

S2041、依次从采样序列中获取每一个采样倾斜量参数t_i和经度角参数φ_i。

S2042、对掌静脉图像分别进行每一个角度角参数φ_i旋转。

S2043、对旋转后的掌静脉图像在x方向进行抗走样处理。

具体的，将图像与标准差为高斯函数卷积，其中c为经验值。

S2044、对抗走样处理后的掌静脉图像进行倾斜量参数的倾斜。

具体的，对抗走样处理后的掌静脉图像进行的倾斜，其中t在x方向上的倾斜度可以由μ(x,y)→μ(tx,y)得到。

S30、对两组视图中的视图逐一提取尺度不变特征转换SIFT特征，生成两组SIFT特征描述符。

请参阅图5，作为一种优选方案，本步骤S30可以包括以下步骤：

S301、构建高斯尺度空间并提取极值点；

S302、检测极值点；

S303、精确定位极值点，并剔除不稳定的极值点；

S304、确定特征点主方向；

S305、生成SIFT特征描述符。

具体实施时，上述步S301、S302、S303、S304和S305采用现有的SIFT算法特征描述符求解思路，在此不做详述。

S40、在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定第一掌静脉图像和第二掌静脉图像是否匹配。

请参阅图6，作为一种优选方案，本步骤S40进一步包括：

S401、从两组视图中循环各取一张视图的SIFT特征描述符。

S402、随机选出预设数量的待检验点对。

S403、根据选取出的待检验点对计算投影变换矩阵。

具体的，设第一掌静脉视图上的点X和第二掌静脉视图上的点X'为一对匹配点，X和X'的齐次坐标分别为X＝[x₁,x₂,x₃]^T和X'＝[x＇₁,x＇₂,x＇₃]^T，则X和X'的关系是：

$\left[\begin{array}{c}{x}_1^{\&prime;}\\ x_2^{\&prime;}\\ x_3^{\&prime;}\end{array}\right]=\left[\begin{array}{ccc}{h}_0& h_1& h_2\\ h_3& h_4& h_5\\ h_6& h_7& 1\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right]$

简记为：X'＝M·X，其中，M是非奇异矩阵，用点的非齐次坐标代替点的齐次坐标。

S404、对于所有的待检验点对，选出内点。

具体的，对于所有待检验点对对于所有待检验点对选出满足的点对，其中ε为容许误差。

S405、判断是否达到预设的选取次数，如果是，执行步骤S406，否则返回步骤S402。

具体的，重复步骤S402至步骤S405到预设的选取次数，找到内点最多得点集，并统计出该点集中内点总数N₁和两掌静脉图像中特征点个数的较小值N₂。

S406、找到内点最多的点集，并统计出该点集中内点总数和两掌静脉图像中特征点个数的较小值。

S407、判断是否两组视图所有两两组合都比对完毕，如果是，执行步骤S408，否则返回步骤S401。

S408、找出两组视图中内点的点集中内点个数的最大值和与之对应的特征点数。

具体的，重复步骤S401至步骤S407，直至两组视图所有两两组合都比对完毕，找出两组视图中内点点集中内点个数的最大值N_1max和与之对应的特征点数N_2min。

S409、判断最大值与之对应的特征点数的比值是否大于预设比值，如果是，判定位第一掌静脉图像和第二掌静脉图像匹配，否则判定为第一掌静脉图像和第二掌静脉图像不匹配。

具体的，如果其中T为预设的阈值，则判定第一掌静脉图像和第二掌静脉图像匹配，否则判定为不匹配。

本发明实施例提供的一种掌静脉识别方法，通过在仿射空间内提取图像特征，使得提取的特征对旋转、缩放、平移、相机轴方向和相机角度方向具有完全不变性，具备良好的抗掌静脉变形能力，鲁棒性和稳定性。

如图7所示，本发明实施例提供的一种掌静脉识别装置包括图像预处理模块10、仿射变换模块20、特征提取模块30和迭代判定模块40。

图像预处理模块10，用于对第一掌静脉图像和第二掌静脉图像分别进行预处理。

请参阅图8，图像预处理模块10进一步包括提取单元101、增强单元102和降噪单元103。

提取单元101，用于分别从第一掌静脉图像和第二掌静脉图像中提取有效的掌静脉区域。

增强单元102，用于分别将有效的第一掌静脉图像和第二掌静脉图像进行均衡化处理。

降噪单元103，用于分别对第一掌静脉图像和第二掌静脉图像进行降噪处理。

如此，从掌静脉图像中提取有效的掌静脉区域，去除背景区域和脂肪区域等冗余信息的干扰；然后将对比度较低的掌静脉图像进行均衡化处理，使之形成鲜明的对比度，同时降低掌静脉图像采集过程中引入的噪声。上述经过预处理后的第一掌静脉图像和第二掌静脉图像可以进行ASIFT变换准确度更高。

仿射变换模块20，用于对预处理后的第一掌静脉图像和第二掌静脉图像分别按仿射尺度不变特征转换ASIFT仿射变换矩阵进行仿射变换，各得到一组视图。

请参阅图9，作为一种优选方案，仿射变换模块20进一步包括采样范围确定单元201、采样间隔确定单元202、采样间隔确定单元203和仿射模拟单元204。

采样范围确定单元201，用于确定倾斜量参数和经度角参数的采样范围。

具体的，采样范围确定单元201具体用于:确定倾斜量参数t∈[0,t_max]，对应的θ_max＝arccos(1/t_max)，φ∈[φ_min,φ_max]。其中，t表示倾斜量参数，t_max表示倾斜量参数t的上限，θ表示对纬度角参数，θ_max表示最大纬度角参数，φ表示经度角参数，φ_min表示经度角参数φ的最小值，φ_max表示经度角参数φ的最大值。

举例来说，倾斜度t的上限是t_max≈T_max，对应的视觉最大值为θ_max＝arccos(1/t_max)。当时，则θ_max≈80°。经度角参数φ∈[0，π]。

采样间隔确定单元202，用于确定倾斜量参数和经度角参数的采样范围采样间隔。

具体的，采样间隔Δt＝t_k+1/t_k；在每一个倾斜量参数t对应的纬度角θ上，经度角参数φ的采样值遵循一个等差数列0,b/t,…,kb/t，其中k、b取整数，且kb/t＜180°。

采样序列确定单元203，用于确定倾斜量参数和经度角参数的采样序列。

具体的，对纬度角θ进行抽样从而得到伴随的倾斜量参数t，使得t＝1,a,a²,…,aⁿ，其中a、n为预设的实验值；经度角参数φ按t的级数取值，使得φ＝0,b/t,…,kb/t，其中k、b取整数，且kb/t＜180°。

比如，经度角按t的级数取值，使得φ＝0,b/t,…,kb/t，其中，b＝72°，k取整数且保证kb/t<180°。

仿射模拟单元204，用于根据倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图。

仿射模拟单元204具体用于：依次从采样序列中获取每一个采样倾斜量参数t_i和经度角参数φ_i；对掌静脉图像分别进行每一个角度角参数φ_i旋转；对旋转后的掌静脉图像在x方向进行抗走样处理；对抗走样处理后的掌静脉图像进行倾斜量参数的倾斜。

特征提取模块30，用于对两组视图中的视图逐一提取尺度不变特征转换SIFT特征，生成两组SIFT特征描述符。

具体的，特征提取模块30具体用于：构建高斯尺度空间并提取极值点；检测极值点；精确定位极值点，并剔除不稳定的极值点；确定特征点主方向；生成SIFT特征描述符。

迭代判定模块40，用于在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定第一掌静脉图像和第二掌静脉图像是否匹配。

请参阅图10，作为一种优选方案，迭代判定模块40进一步包括：

视图获取单元401，用于从两组视图中循环各取一张视图的SIFT特征描述符。

点对选取单元402，用于随机选出预设数量的待检验点对。

矩阵计算单元403，用于根据选取出的待检验点对计算投影变换矩阵。

内点选择单元404，用于对于所有的待检验点对，选出内点。

第一判断单元405，用于判断是否达到预设的选取次数。

第一统计单元406，用于找到内点最多的点集，并统计出该点集中内点总数和两掌静脉图像中特征点个数的较小值。

第二判断单元407，用于判断是否两组视图所有SIFT特征描述符两两组合都比对完毕。

第二统计单元408，用于找出两组视图中内点的点集中内点个数的最大值和与之对应的特征点数。

判定单元409，用于判断最大值与之对应的特征点数的比值是否大于预设比值，如果是，判定位第一掌静脉图像和第二掌静脉图像匹配，否则判定为第一掌静脉图像和第二掌静脉图像不匹配。

需要说明的是，上述装置实施例与方法实施例属于同一构思，其具体实现过程见方法实施例，且方法实施例中的技术特征在装置实施例中均对应适用，这里不再赘述。

本发明实施例提供的一种掌静脉识别装置，通过在仿射空间内提取图像特征，使得提取的特征对旋转、缩放、平移、相机轴方向和相机角度方向具有完全不变性，具备良好的抗掌静脉变形能力，鲁棒性和稳定性。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (10)

1.一种掌静脉识别方法，其特征在于，该包括以下步骤：

对第一掌静脉图像和第二掌静脉图像分别进行预处理；

对预处理后的第一掌静脉图像和第二掌静脉图像分别按仿射尺度不变特征转换ASIFT仿射变换矩阵进行仿射变换，各得到一组视图；

对两组视图中的视图逐一提取尺度不变特征转换SIFT特征，生成两组SIFT特征描述符；

在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定所述第一掌静脉图像和所述第二掌静脉图像是否匹配。

2.根据权利要求1所述的掌静脉识别方法，其特征在于，所述对第一掌静脉图像和第二掌静脉图像分别进行预处理进一步包括：

分别从所述第一掌静脉图像和第二掌静脉图像中提取有效的掌静脉区域；

分别将所述有效的第一掌静脉图像和第二掌静脉图像进行均衡化处理；

分别对均衡化处理后的第一掌静脉图像和第二掌静脉图像进行降噪。

3.根据权利要求1所述的掌静脉识别方法，其特征在于，所述对预处理后的第一掌静脉图像和第二掌静脉图像分别按ASIFT仿射变换矩阵进行仿射变换，各得到一组视图进一步包括：

确定倾斜量参数和经度角参数的采样范围、采样间隔、以及采样序列；

根据所述倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图。

4.根据权利要求3所述的掌静脉识别方法，其特征在于，

所述确定倾斜量参数和经度角参数的采样范围进一步包括：所述倾斜量参数t∈[0,t_max]，对应的θ_max＝arccos(1/t_max)，φ∈[φ_min,φ_max]；其中，t表示倾斜量参数，t_max表示倾斜量参数t的上限，θ表示对纬度角参数，θ_max表示最大纬度角参数，φ表示经度角参数，φ_min表示经度角参数φ的最小值，φ_max表示经度角参数φ的最大值；

所述确定倾斜量参数以及经度角参数的采样间隔进一步包括：采样间隔△t＝t_k+1/t_k；在每一个倾斜量参数t对应的纬度角θ上，经度角参数φ的采样值遵循一个等差数列0,b/t,…,kb/t，其中k、b取整数，且kb/t<180°；

所述确定倾斜量参数t以及经度角参数φ的采样序列进一步包括：对纬度角θ进行抽样从而得到伴随的倾斜量参数t，使得t＝1,a,a²,…,aⁿ，其中a、n为预设的实验值；经度角参数φ按t的级数取值，使得φ＝0,b/t,…,kb/t，其中k、b取整数，且kb/t<180°。

5.根据权利要求3所述的掌静脉识别方法，其特征在于，所述根据所述倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图，进一步包括：

依次从倾斜量参数和经度角参数采样序列中获得每一个采样倾斜量参数t_i和经度角参数φ_i；

对所述掌静脉图像进行每一个经度角参数φ_i的旋转；

对旋转后的掌静脉图像在x方向进行抗走样处理；

对抗走样处理后的掌静脉图像进行当前倾斜量参数的倾斜，θ表示对纬度角参数。

6.根据权利要求1所述的掌静脉识别方法，其特征在于，所述对两组视图中的视图逐一提取SIFT特征，生成两组SIFT特征描述符进一步包括：

构建高斯尺度空间并提取极值点；

检测极值点；

精确定位极值点，并剔除不稳定的极值点；

确定特征点主方向；

生成SIFT特征描述符。

7.根据权利要求1所述的掌静脉识别方法，其特征在于，所述在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定所述第一掌静脉图像和所述第二掌静脉图像是否匹配进一步包括：

S1、从两组视图中循环各取一张视图的SIFT特征描述符；

S2、随机选出预设数量的待检验点对；

S3、根据选取出的待检验点对计算投影变换矩阵；

S4、对于所有的待检验点对，选出内点；

S5、判断是否达到预设的选取次数，如果是，执行步骤S6，否则返回步骤S2；

S6、找到内点最多的点集，并统计出该点集中内点总数和两掌静脉图像中特征点个数的较小值；

S7、判断是否两组视图所有两两组合都比对完毕，如果是，执行步骤S8，否则返回步骤S1；

S8、找出两组视图中内点的点集中内点个数的最大值和与之对应的特征点数；

S9、判断最大值与之对应的特征点数的比值是否大于预设比值，如果是，判定位所述第一掌静脉图像和所述第二掌静脉图像匹配，否则判定为所述第一掌静脉图像和所述第二掌静脉图像不匹配。

8.一种掌静脉识别装置，其特征在于，该装置以下模块：

图像预处理模块，用于对第一掌静脉图像和第二掌静脉图像分别进行预处理；

仿射变换模块，用于对预处理后的第一掌静脉图像和第二掌静脉图像分别按仿射尺度不变特征转换ASIFT仿射变换矩阵进行仿射变换，各得到一组视图；

特征提取模块，用于对两组视图中的视图逐一提取尺度不变特征转换SIFT特征，生成两组SIFT特征描述符；

迭代判定模块，用于在两组视图中循环各取一张视图的SIFT特征描述符，采用随机抽样一致性迭代算法寻找相似度最大的视图，根据最大相似度判定所述第一掌静脉图像和所述第二掌静脉图像是否匹配。

9.根据权利要求8所述的掌静脉识别装置，其特征在于，所述仿射变换模块进一步包括：

采样范围确定单元，用于确定倾斜量参数和经度角参数的采样范围；

采样间隔确定单元，用于确定倾斜量参数和经度角参数的采样范围采样间隔；

采样序列确定单元，用于确定倾斜量参数和经度角参数的采样序列；

仿射模拟单元，用于根据倾斜量参数和经度角参数的采样序列，模拟出每张掌静脉图像因摄像机运动变换可能产生的所有仿射变化图像，生成一组视图。

10.根据权利要求8所述的掌静脉识别装置，其特征在于，所述迭代判定模块进一步包括：

视图获取单元，用于从两组视图中循环各取一张视图的SIFT特征描述符；

点对选取单元，用于随机选出预设数量的待检验点对；

矩阵计算单元，用于根据选取出的待检验点对计算投影变换矩阵；

内点选择单元，用于对于所有的待检验点对，选出内点；

第一判断单元，用于判断是否达到预设的选取次数；

第一统计单元，用于找到内点最多的点集，并统计出该点集中内点总数和两掌静脉图像中特征点个数的较小值；

第二判断单元，用于判断是否两组视图所有两两组合都比对完毕；

第二统计单元，用于找出两组视图中内点的点集中内点个数的最大值和与之对应的特征点数；

判定单元，用于判断最大值与之对应的特征点数的比值是否大于预设比值，如果是，判定位第一掌静脉图像和第二掌静脉图像匹配，否则判定为第一掌静脉图像和第二掌静脉图像不匹配。