CN106228118A - 一种特征点和二值图像结合的手指静脉识别方法 - Google Patents

Abstract

本发明公开了一种特征点和二值图像结合的手指静脉识别方法。本发明先建立手指静脉图像数据库，再设定匹配阈值，然后采集待识别用户的手指静脉图像，与手指静脉图像数据库的特征点计算特征点距离值，将特征点距离值与特征点匹配阈值相比较，若小于则为已注册用户，如果特征点距离值大于特征点匹配阈值同时小于特征点失配阈值，再与二值图像匹配阈值相比较，如果小于则为已注册用户，否则认为待识别用户没有注册；本发明先比较特征点，计算量较低，运行时间较短，所以可以节省很长的时间，利用二值图像进行匹配精度较高，所以提高了识别率；并且便于后期算法的改动与升级。

Description

一种特征点和二值图像结合的手指静脉识别方法

技术领域

本发明涉及生物特征识别及信息安全技术，具体涉及一种特征点和二值图像结合的手指静脉识别方法。

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。

目前，许多的手指静脉识别方法的数据库存放是手指静脉特征点，或者是提取出感兴趣区域并归一化后的二值图像。然而，数据库存放特征点，利用待识别手指静脉图像的特征点与数据库中特征点进行匹配，这种方法能够获得较高的识别率，并且识别速度较快，但它易受图像质量的影响，对于质量较差的图像，在遗漏大量的特征点的同时还存在大量的伪特征点，从而造成识别率提高不上去；数据库存放提取感兴趣区域后的二值图像，利用待识别手指静脉图像的二值图像与数据库二值图像匹配，这种方法识别率较高，但是需要花费很长时间。

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质量影响的问题，本发明提供一种特征点和二值图像结合的手指静脉识别方法，该方法在提升识别率的同时节约了大量的时间。

本发明的特征点和二值图像结合的手指静脉识别方法，包括以下步骤：

1)采集所有注册用户的手指静脉图像，并分别对图像进行处理和特征提取，得到二值图像和特征点，并分别保存到数据库中，建立手指静脉数据库；

2)根据计算特征点距离值和二值图像距离值的方法，设定匹配阈值，匹配阈值包括特征点匹配阈值a、特征值失配阈值b和二值图像匹配阈值c；

3)采集待识别用户的手指静脉图像，并对图像进行处理和特征提取，得到待识别用户的手指静脉图像的二值图像和特征点；

4)手指静脉匹配：

i.将待识别用户的手指静脉图像的特征点与手指静脉数据库中的所有注册用户的特征点分别计算特征点距离值；

ii.将特征点距离值与特征点匹配阈值a相比较，如果存在小于特征点匹配阈值的特征点距离值，则认为此特征点距离值所对应的注册用户与待识别用户为同一个用户，待识别用户为已注册用户，否则进入步骤c)；

iii.将特征点距离值与特征值失配阈值b相比较，如果存在特征点距离值大于特征点匹配阈值a同时小于特征值失配阈值b，则进入步骤d)，否则进入步骤e)；

iv.选取出所有大于特征点匹配阈值a同时小于特征值失配阈值b的特征点距离值所对应的注册用户的二值图像，并分别与待识别用户的二值图像计算二值图像距离值，将二值图像距离值与二值图像匹配阈值c相比较，如果存在二值图像距离值小于二值图像匹配阈值c，认为此二值图像距离值所对应的注册用户与待识别用户为同一个用户，待识别用户为已注册用户，否则待识别用户不是注册用户；

v.特征点距离值大于特征值失配阈值b，待识别用户不是注册用户。

在步骤1)中，采集所有注册用户的手指静脉图像，建立手指静脉数据库，包括以下步骤：

(1)采集注册用户的手指静脉图像，并对采集到的手指静脉图像进行滤波去噪处理，得到灰度图像；

(2)提取感兴趣区域，并对感兴趣区域的图像进行归一化处理；

(3)对归一化后的感兴趣区域图像进行图像增强处理；

(4)对步骤(3)中获得的图像进行图像分割，将灰度图像转变为二值化图像；

(5)滤除二值化图像中的独立小区域白斑，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到手指静脉图像的二值图像；

(6)寻找或计算二值图像中的特征点，得到手指静脉图像的特征点，并存放到数据库中；

(7)重复步骤(1)～(6)，直至将所有注册用户采集完毕，建立手指静脉数据库。

在步骤3)中，采集待识别用户的手指静脉图像，并对图像进行处理和特征提取，得到待识别用户的手指静脉图像的二值图像和特征点，包括以下步骤：

(1)采集待识别用户的手指静脉图像，并对采集到的手指静脉图像进行滤波去噪处理，得到灰度图像；

(2)提取感兴趣区域，并对感兴趣区域的图像进行归一化处理；

(3)对归一化后的感兴趣区域图像进行图像增强处理，如采用脊波滤波、图像重构、均值滤波等方法；

(4)对步骤(3)中获得的图像进行图像分割，将灰度图像转变为二值化图像；

(5)滤除二值化图像中的独立小区域白斑，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到待识别用户的手指静脉图像的二值图像，并存入数据库中；

(6)提取或计算出二值图像中的特征点，得到待识别用户的手指静脉图像的特征点。

其中，在步骤(1)中，采用均值滤波等方法进行滤波去噪处理。

在步骤(2)中，提取感兴趣区域是对滤波去噪后的手指静脉图像进行边缘检测，截取位于图像宽度最窄处的边界内的图像，对手指静脉图像的边缘检测包括利用索贝尔sobel算子，采用垂直方向算子检测手指静脉图像对应的手指宽度方向边缘。

步骤(3)中，进行图像增强处理采用脊波滤波或图像重构方法。

在步骤(4)中，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：

$h(i,j)=\left\{\begin{array}{cc}1,& f(i,j)\&GreaterEqual;g(i,j)\\ 0,& f(i,j)<g(i,j)\end{array}\right.$

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，其中，i和j分别为二值图像中的行和列坐标。

在步骤2)中，根据计算特征点距离值和二值图像距离值的方法，设定匹配阈值，这里的匹配阈值的设置是根据距离值的计算方法、图像的质量、用来计算图像距离的点的个数等参数进行实验和优化选取的经验值。例如，如果采用欧式距离计算方法，图像在没有噪声的情况下，如果两幅指静脉图像完全一样，则它们的图像坐标相减全部为0，距离值应为0。但是，实际采集的指静脉图像，即使来自同一副手指，由于受到光照、环境等影响，其图像质量也有差别，其欧式距离值不可能为0，但图像越相近，其欧式距离值越小，图像越不相近，其欧式距离值越大。根据距离值的计算方法，采集N个不同的手指静脉图像数据样本，并且每根手指采集M副图像，进行数据分析和计算，并遵循以下原则得到匹配阈值：

a)特征点匹配阈值a选取为：所有相同手指的特征点距离值的最小值×0.8；

b)特征值失配阈值b选取为：所有相同手指的特征点距离值的最大值×1.2；

c)二值图像匹配阈值c选取为：所有相同手指的二值图像距离值的最小值×0.8；

其中，M和N均为自然数，且N≥1000，M≥3。

本发明采集注册用户的手指静脉图像，得到二值图像和特征点，建立手指静脉图像数据库；根据计算特征点距离值和二值图像距离值的方法，设定匹配阈值；然后采集待识别用户的手指静脉图像，与手指静脉图像数据库的特征点计算特征点距离值，如果存在小于特征点匹配阈值的特征点距离值，认为待识别用户为已注册用户，如果存在特征点距离值大于特征点匹配阈值同时小于特征点失配阈值，所对应的注册用户的二值图像与待识别用户的二值图像计算二值图像距离值，如果小于二值图像匹配阈值，认为待识别用户为已注册用户，否则，认为待识别用户没有注册。

本发明的优点：

1、在提高匹配时间的同时提高了识别率：数据库中大部分特征点与待识别图像相差较大，并且特征点计算距离的方法计算量较低，运行时间较短，所以可以节省很长的时间，利用二值图像进行匹配精度较高，所以提高了识别率；

2、本发明便于后期算法的改动与升级：数据库中存储有特征点和二值图像，当后期需要改动或升级特征点算法时，可以直接读取数据库中的二值图像，然后用改进后的特征点匹配算法对二值图像进行操作，从而建立新的特征点数据库。

附图说明

图1为本发明的特征点和二值图像结合的手指静脉识别方法的流程图；

图2为根据本发明的特征点和二值图像结合的手指静脉识别方法的一个实施例中采集到的手指静脉图像；

图3为根据本发明的特征点和二值图像结合的手指静脉识别方法的一个实施例中尺度归一和灰度归一化处理后的图像；

图4为根据本发明的特征点和二值图像结合的手指静脉识别方法的一个实施例得到的图像分割处理后的图像；

图5为根据本发明的特征点和二值图像结合的手指静脉识别方法的一个实施例中滤除独立小区域白斑后的图像；

图6为根据本发明的特征点和二值图像结合的手指静脉识别方法的一个实施例中骨骼化处理后的图像；

图7为本发明的特征点和二值图像结合的手指静脉识别方法中建立手指静脉数据库的流程图。

具体实施方式

下面结合附图，通过具体实施例，进一步阐述本发明。

如图1所示，快速手指静脉识别方法包括以下步骤：

1)采集所有注册用户的手指静脉图像，建立手指静脉数据库，如图7所示：

(1)采集注册用户的手指静脉图像，并对采集到的手指静脉图像采用均值滤波法进行滤波去噪处理，得到灰度图像：

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。

(2)提取感兴趣区域：提取感兴趣区域是对滤波去噪后的手指静脉图像进行边缘检测，截取位于图像宽度最窄处的边界内的图像，对手指静脉图像的边缘检测包括利用索贝尔sobel算子，采用垂直方向算子对手指静脉图像对应的手指宽度方向边缘的检测；对感兴趣区域的图像进行尺度归一化和灰度归一化处理，获得的图像的尺度大小为180行×64列的数据矩阵。

(3)然后采用脊波滤波、图像重构等方法进行图像增强处理：从0°开始依次增加22.5°的八个方向的谷形检测模板算子分别与步骤S4最终获得的图像进行卷积运算进行脊波滤波处理；将获得的8个图像原样重叠在一起，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。

(4)对步骤(3)中获得的图像进行图像分割：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：

$h(i,j)=\left\{\begin{array}{cc}1,& f(i,j)\&GreaterEqual;g(i,j)\\ 0,& f(i,j)<g(i,j)\end{array}\right.$

利用图像分割将灰度图像转变为二值化图像，可以得到明显的手指静脉纹路，其中，i和j分别为二值图像中的行和列坐标。

(5)二值化图像进行取反操作，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)；再进行骨骼化处理，然后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。

(6)寻找或计算二值图像中的特征点，得到手指静脉图像的特征点，并存放到数据库中；

(7)重复步骤(1)～(6)，直至将所有注册用户采集完毕，建立手指静脉数据库。

2)根据计算特征点距离值和二值图像距离值的方法，设定匹配阈值，匹配阈值包括特征点匹配阈值a、特征点失配阈值b和二值图像匹配阈值c：

距离值的算法采用修正的豪斯多夫距离(Modified Hausdorff Distance，MHD)，选取采用采集的5000个不同的指静脉图像数据样本，每根手指采集10副图像，共50000副图像，进行数据分析和计算，并遵循以下原则得到匹配阈值：

1.特征点匹配阈值a选取为：所有相同手指的特征点距离值的最小值×0.8；

2.特征值失配阈值b选取为：所有相同手指的特征点距离值的最大值×1.2；

3.二值图像匹配阈值c选取为：所有相同手指的二值图像距离值的最小值×0.8。

3)采集待识别用户的手指静脉图像，得到待识别用户的手指静脉图像的二值图像和特征点：

(1)采集待识别用户的手指静脉图像，并对采集到的手指静脉图像采用均值滤波法进行滤波去噪处理，得到灰度图像；

(2)提取感兴趣区域，并进行尺度归一化和灰度归一化处理；

(3)进行脊波滤波处理，然后进行图像重构；

(4)对步骤(3)中获得的图像进行图像分割，将灰度图像转变为二值化图像；

(5)滤除二值化图像中的独立小区域白斑，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到待识别用户的手指静脉图像的二值图像，并存入数据库中；

(6)寻找或计算二值图像中的特征点，得到待识别用户的手指静脉图像的特征点。

4)手指静脉匹配：

i.将待识别用户的手指静脉图像的特征点与手指静脉数据库中的所有注册用户的特征点计算特征点距离值；

ii.将特征点距离值与特征点匹配阈值a相比较，如果存在小于特征点匹配阈值a的特征点距离值，则认为此特征点距离值所对应的注册用户与待识别用户为同一个用户，待识别用户为已注册用户，否则进入步骤c)；

iii.将特征点距离值与特征点失配阈值b相比较，如果存在特征点距离值大于特征点匹配阈值a同时小于特征点失配阈值b，则进入步骤d)，否则进入步骤e)；

iv.选取出所有大于特征点匹配阈值a同时小于特征值失配阈值b的特征点距离值所对应的注册用户的二值图像，并分别与待识别用户的二值图像计算二值图像距离值，将二值图像距离值与二值图像匹配阈值c相比较，如果存在二值图像距离值小于二值图像匹配阈值c，认为此二值图像距离值所对应的注册用户与待识别用户为同一个用户，待识别用户为已注册用户，否则待识别用户不是注册用户；

v.特征点距离值大于特征点失配阈值b，待识别用户不是注册用户。

实施例一

本实施例中，采集2000个注册用户的手指静脉图像，建立手指静脉图像数据库，将采集得到的手指图像按照步骤1)的方法，将细化后的静脉纹路的端点、交叉点视为特征点。数据库大小为3KB，分配2.5KB的空间存放手指静脉图像的二值图像数据，0.5KB的空间存放手指静脉图像的特征点数据。

依次采集已注册用户的手指静脉图像，作为待识别用户的手指静脉图像，寻找细化后的二值图像中纹路的交叉点和端点作为特征点，并与数据库中的特征点和二值图像计算特征点距离值和二值图像距离值，计算特征点距离值采用MHD(修正的豪斯多夫距离Modified Hausdorff Distance)距离公式，计算二值图像距离值也采用MHD距离公式。得出2000个识别结果，其中有4个未识别出为已注册用户，识别率为99.80％，基于VC6.0平台计算出匹配时间求平均，得到匹配一次用时为2.69毫秒。而采用数据库只存放特征点数据的方法，有120个未识别出已注册用户，识别率为94.00％，而采用数据库只存放图像数据库的方法，平均匹配用时为6.53毫秒。

实施例二

本实施例的匹配采用的算法与实施例一的主要区别在于：本实施例中，将利用SURF(快速鲁棒性特征Speeded Up Robust Features)算法提取出来的特征点集合和提取出的端点、交叉点集合融合在一起，将融合后的集合作为特征点集合。计算特征点距离值依然采用MHD距离公式，计算二值图像距离值采用主成分分析法。得出2000个识别结果，其中有2个未识别出为已注册用户，识别率为99.90％，基于VC6.0平台计算出匹配时间求平均，得到匹配一次用时为5.81毫秒。而采用数据库只存放特征点数据的方法，有50个未识别出已注册用户，识别率为97.50％，而采用数据库只存放图像数据库的方法，平均匹配用时为7.53毫秒。

实施例结果表明，数据库存放特征点数据和二值图像数据的方法，节省识别时间的同时保证了较高的识别率。

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (9)

1.一种特征点和二值图像结合的手指静脉识别方法，其特征在于，所述手指静脉识别方法，包括以下步骤：

1)采集所有注册用户的手指静脉图像，并分别对图像进行处理和特征提取，得到二值图像和特征点，并分别保存到数据库中，建立手指静脉数据库；

2)根据计算特征点距离值和二值图像距离值的方法，设定匹配阈值，匹配阈值包括特征点匹配阈值a、特征值失配阈值b和二值图像匹配阈值c；

3)采集待识别用户的手指静脉图像，并对图像进行处理和特征提取，得到待识别用户的手指静脉图像的二值图像和特征点；

4)手指静脉匹配：

i.将待识别用户的手指静脉图像的特征点与手指静脉数据库中的所有注册用户的特征点分别计算特征点距离值；

ii.将特征点距离值与特征点匹配阈值a相比较，如果存在小于特征点匹配阈值的特征点距离值，则认为此特征点距离值所对应的注册用户与待识别用户为同一个用户，待识别用户为已注册用户，否则进入步骤c)；

iii.将特征点距离值与特征值失配阈值b相比较，如果存在特征点距离值大于特征点匹配阈值a同时小于特征值失配阈值b，则进入步骤d)，否则进入步骤e)；

iv.选取出所有大于特征点匹配阈值a同时小于特征值失配阈值b的特征点距离值所对应的注册用户的二值图像，并分别与待识别用户的二值图像计算二值图像距离值，将二值图像距离值与二值图像匹配阈值c相比较，如果存在二值图像距离值小于二值图像匹配阈值c，认为此二值图像距离值所对应的注册用户与待识别用户为同一个用户，待识别用户为已注册用户，否则待识别用户不是注册用户；

v.特征点距离值大于特征值失配阈值b，待识别用户不是注册用户。

2.如权利要求1所述的手指静脉识别方法，其特征在于，在步骤1)中，采集所有注册用户的手指静脉图像，建立手指静脉数据库，包括以下步骤：

(1)采集注册用户的手指静脉图像，并对采集到的手指静脉图像进行滤波去噪处理，得到灰度图像；

(2)提取感兴趣区域，并对感兴趣区域的图像进行归一化处理；

(3)对归一化后的感兴趣区域图像进行图像增强处理；

(4)对步骤(3)中获得的图像进行图像分割，将灰度图像转变为二值化图像；

(5)滤除二值化图像中的独立小区域白斑，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到手指静脉图像的二值图像；

(6)寻找或计算二值图像中的特征点，得到手指静脉图像的特征点，并存放到数据库中；

(7)重复步骤(1)～(6)，直至将所有注册用户采集完毕，建立手指静脉数据库。

3.如权利要求1所述的手指静脉识别方法，其特征在于，在步骤3)中，采集待识别用户的手指静脉图像，并对图像进行处理和特征提取，得到待识别用户的手指静脉图像的二值图像和特征点，包括以下步骤：

(1)采集待识别用户的手指静脉图像，并对采集到的手指静脉图像进行滤波去噪处理，得到灰度图像；

(2)提取感兴趣区域，并对感兴趣区域的图像进行归一化处理；

(3)对归一化后的感兴趣区域图像进行图像增强处理，如采用脊波滤波、图像重构、均值滤波等方法；

(4)对步骤(3)中获得的图像进行图像分割，将灰度图像转变为二值化图像；

(5)滤除二值化图像中的独立小区域白斑，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到待识别用户的手指静脉图像的二值图像，并存入数据库中；

(6)提取或计算出二值图像中的特征点，得到待识别用户的手指静脉图像的特征点。

4.如权利要求2或3所述的手指静脉识别方法，其特征在于，在步骤(1)中，采用均值滤波方法进行滤波去噪处理。

5.如权利要求2或3所述的手指静脉识别方法，其特征在于，在步骤(2)中，提取感兴趣区域是对滤波去噪后的手指静脉图像进行边缘检测，截取位于图像宽度最窄处的边界内的图像，采用垂直方向算子检测手指静脉图像对应的手指宽度方向边缘。

6.如权利要求2或3所述的手指静脉识别方法，其特征在于，步骤(3)中，进行图像增强处理采用脊波滤波或图像重构方法。

7.如权利要求2或3所述的手指静脉识别方法，其特征在于，在步骤(4)中，若重构后的图像为f，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：

$h(i,j)=\left\{\begin{array}{cc}1,& f(i,j)\&GreaterEqual;g(i,j)\\ 0,& f(i,j)<g(i,j)\end{array}\right.$

其中，i和j分别为二值图像中的行和列坐标。

8.如权利要求1所述的手指静脉识别方法，其特征在于，在步骤2)中，根据距离值的计算方法、图像的质量、用来计算距离值的数据样本的个数进行实验和优化选取的经验值，设置匹配阈值。

9.如权利要求8所述的手指静脉识别方法，其特征在于，根据距离值的计算方法，采集N个不同的手指静脉图像数据样本，并且每根手指采集M副图像，进行数据分析和计算，并遵循以下原则得到匹配阈值：

a)特征点匹配阈值a选取为：所有相同手指的特征点距离值的最小值×0.8；

b)特征值失配阈值b选取为：所有相同手指的特征点距离值的最大值×1.2；

c)二值图像匹配阈值c选取为：所有相同手指的二值图像距离值的最小值×0.8；

其中，M和N均为自然数，且N≥1000，M≥3。