CN106250842A - 一种基于脉向检测的指静脉识别技术 - Google Patents

Abstract

本发明属于生物特征识别领域，具体涉及一种基于脉向检测的指静脉识别技术。本发明通过对目标图像进行预处理之后，使用方向算子对手指的静脉纹路进行检测，能对不同走向的静脉都能进行相应操作；然后再通过算子处理后的新图像进行阈值分割。本发明能对不同指静脉图像进行脉象检测从何获得最佳分割阈值，得到清晰的目标图像以便特征提取与匹配。

Description

一种基于脉向检测的指静脉识别技术

技术领域

本发明属于生物特征识别领域，具体涉及一种基于脉向检测的指静脉识别技术。

背景技术

当今社会互联网技术快速发展，人们生活与互联网紧密相连，信息安全显示出前所未有的重要性。而在金融、国家安全、司法、电子商务、电子政务等应用领域，都需要准确的身份鉴定，因此身份鉴定是保证系统安全的必要环节。当前个人身份鉴别的主要依靠IDcard(如身份证、工作证、智能卡、计算机标识卡和储蓄卡等)和密码手段。然而这些手段存在携带不便，容易遗漏或者用于使用过多或不当而损坏、不可读和密码泄露等诸多问题。因此，目前广泛使用的传统身份认证方法面临着严峻的挑战，并线的越来越不适应现代科技的发展和社会的进步。

人们希望有一种更加方便可靠的办法来进行身份认证，生物特征识别技术给这一切带来了可能。生物识别技术是一种安全、可靠、不易泄露、不会遗忘的识别方法。在众多生物识别方案中，有指纹识别、人脸识别、虹膜识别、步态识别等多种方式。而众多技术中，指纹、掌纹容易被破坏和伪造；耳廓不易活体检测；虹膜不易接受，不便捷。这些检测技术仅仅停留在观察人的表面生物特征上，安全系数相对较低。

在众多识别方案中，指纹识别技术是目前最方便、可靠、非侵害和技术上相对成熟的生物识别技术。然而，指纹识别也有其自身的缺点：(1)自动指纹识别系统的犯罪指纹数据库在全球司法实践中的广泛应用使得人们对其怀有戒心；(2)每一次使用指纹时都会在指纹采集器上留下用户的指纹印痕，而这些指纹痕迹存在着被用来复制指纹的可能性；(3)部分使用者由于指纹磨而无法使用指纹认证。

发明内容

针对上述存在问题或不足，为解决传统的生物特征识别技术所面临的诸多难题，本发明提供了一种基于脉向检测的指静脉识别技术。

具体技术方案如下：

步骤1、将图像转为灰度图像，然后进行中值滤波；

步骤2、用边缘检测算子提取图像边缘；

步骤3、对图像进行霍夫直线检测，再取检测出的直线中的两条距离最近的直线，作为图像两个边缘，获得图像的宽；然后取所有直线水平距离最远的两点分别作切线，获得图像的长，从而获得图像的感兴趣区域；

步骤4、对图像进行归一化处理；

步骤5、对图像效果进行增强；

步骤6、首先对图像每个像素点进行脉向检测，采取4至方向15算子进行脉向检测，得到每个像素点的总值pixel_total：

再对图像进行量化，则新的图像每个像素点为：

$pixel\_new=\left\{\begin{array}{cc}pixel\_total,& pixel>0\\ 0,& pixel<0\end{array}\right.---\left(1\right)$

最后经过脉向检测后得到的归一化图像；

步骤7、对图像进行二值化处理；

首先根据步骤6归一化的像素值求图像的灰度均值：

$Gmean=\frac{1}{N\&times;N}\underset{1}{\overset{N}{\&Sigma;}}\underset{1}{\overset{N}{\&Sigma;}}pixel\_total---\left(2\right)$

再进行二值化：

$pixel\_new=\left\{\begin{array}{cc}1,& pixel\_new\&GreaterEqual;Gmean\\ 0,& pixel\_new<Gmean\end{array}\right.---\left(3\right)$

步骤8、用形态学操作对图像去除空洞和毛刺；

步骤9、对图像进行细化；

步骤10、进行尺度不变特征提取；

步骤11、根据提取特征进行匹配：

采用两向量内积最大值为最匹配的点，设定一阈值，只有当这个最大值大于该阈值方可认为两特征点匹配。

ROI即感兴趣区域：在图像处理领域是从图像中选择的一个图像区域，这个区域是目标图像分析所关注的重点。圈定该区域以便进行进一步处理，从而降低处理区域大小，减少处理时间，增加精度。再对ROI进行预处理，以便后续对图像的特征提取与匹配。

本发明通过对图像进行预处理之后，使用方向算子对手指的静脉纹路进行检测。在对静脉进行检测时，能够很好地将静脉纹路得到，并且能对不同走向的静脉都能进行相应操作，然后再通过算子处理后的新图像进行阈值分割。

综上所述，本发明能对不同指静脉图像进行脉象检测从何获得最佳分割阈值，得到清晰的目标图像以便特征提取与匹配。

附图说明

图1、实施例采用的指静脉原始图像；

图2、实施例指静脉进行ROI提取结果图；

图3、实施例ROI区域进行脉向检测后得到的归一化目标图；

图4、实施例进行二值化得到的静脉二值图；

图5、实施例去除空洞与毛刺的图像；

图6、实施例进行静脉细化的结果图；

图7、实施例同一手指不同采集方向的原始静脉图像；

图8、与实施例不同的手指静脉采集图；

图9、是图7与图1的正确匹配图；

图10、是图8与图1不同手指得到的错误匹配图。

具体实施方式

下面在matlab2014a环境下进行仿真，结合附图和实施例进一步对本发明详细说明。

本实施例指静脉原始图像如图1所示。

步骤1、将实施例原始图像转为灰度图像，然后进行中值滤波。

步骤2、用sobel算子提取图像边缘。

步骤3、对图像进行霍夫直线检测，再取检测出的直线中的两条距离最近的直线，作为图像两个边缘，获得图像的宽；然后取所有直线水平距离最远的两点分别作切线，获得图像的长。从而获得图像的感兴趣区域，如图2所示。

步骤4、对图像进行归一化处理。

步骤5、进行直方图均衡化，增强图像效果。

步骤6、对图像每个像素点进行脉向检测。用8个分别从0到180度，每次增加22.5度的方向算子进行方向检测，每个算子计算后得到8个值分别为：

(pixel1,pixel2,pixel3,pixel4,pixel5,pixel6,pixel7,pixel8) (4)

每个像素点的总值如下：

$\begin{array}{c}pixel\_total=pixel1+pixel2+pixel3+pixel4+\\ pixel5+pixel6+pixel7+pixel8\end{array}---\left(5\right)$

对图像进行量化，则新的图像每个像素点为：

$pixel\_new=\left\{\begin{array}{cc}pixel\_total,& pixel>0\\ 0,& pixel<0\end{array}\right.---\left(1\right)$

经过脉向检测后得到的归一化图像如图3所示。

步骤7、对图像进行二值化处理；

首先根据上一步新的像素值求图像的灰度均值：

$Gmean=\frac{1}{N\&times;N}\underset{1}{\overset{N}{\&Sigma;}}\underset{1}{\overset{N}{\&Sigma;}}pixel\_total---\left(2\right)$

再进行二值化：

$pixel\_new=\left\{\begin{array}{cc}1,& pixel\_new\&GreaterEqual;Gmean\\ 0,& pixel\_new<Gmean\end{array}\right.---\left(3\right)$

从而得到图像如图4所示。

步骤8、对图像去除空洞和毛刺，先进行闭操作，再进行滤波，得到图像如图5所示。

步骤9、对图像进行细化，得到如图6所示。

步骤10、进行尺度不变特征提取，采用快速鲁棒性尺度不变特征提取(Speeded UpRobust Features，SURF)算法。

步骤11、提取出特征点的特征向量，采用两向量内积最大值为最匹配的点，设定一阈值，只有当这个最大值大于该阈值方可认为两特征点匹配。

图7为与原始图同一手指不同采集方向的原始图；图8为不同手指的原始图；图9为正确匹配图；图10为错误匹配图。

通过仿真结果可见，本方法的处理的结果能很好的将图像分割，得到更清晰的静脉图，能为特征提取提供良好的基础以便提高指静脉的识别率。

无论指静脉图如何复杂，基于脉向检测的指静脉识别方法都能获得很好的分割阈值，便于静脉图进行二值化处理，从而进行特征提取与匹配。静脉识别最重要的就是对静脉图提取特征，然后进行匹配。本方法将图像进行灰度化后，对于不同的静脉图使用8个算子进行检测，均可以很好的将手指静脉检测出来，得到清晰的经脉图后能够使得提取出来的特征更具有特点。同时本方法能够对二值化后的静脉图像进行很好的去除空洞和毛刺，减小图像噪声，得到清晰的静脉细化图。进行识别时，提取出特征点的特征向量，采用两向量内积最大值为最匹配的点，设定一阈值，只有当这个最大值大于该阈值方可认为两特征点匹配。

Claims (5)

1.一种基于脉向检测的指静脉识别技术，具体技术方案如下：

步骤1、将图像转为灰度图像，然后进行中值滤波；

步骤2、用边缘检测算子提取图像边缘；

步骤3、对图像进行霍夫直线检测，再取检测出的直线中的两条距离最近的直线，作为图像两个边缘，获得图像的宽；然后取所有直线水平距离最远的两点分别作切线，获得图像的长，从而获得图像的感兴趣区域；

步骤4、对图像进行归一化处理；

步骤5、对图像效果进行增强；

步骤6、首先对图像每个像素点进行脉向检测，采取4至方向15算子进行脉向检测，得到每个像素点的总值pixel_total：

再对图像进行量化，则新的图像每个像素点为：

$pixel\_new=\left\{\begin{array}{cc}pixel\_total,& pixel>0\\ 0,& pixel<0\end{array}\right.---\left(1\right)$

最后经过脉向检测后得到的归一化图像；

步骤7、对图像进行二值化处理；

首先根据步骤6归一化的像素值求图像的灰度均值：

$Gmean=\frac{1}{N\&times;N}\underset{1}{\overset{N}{\&Sigma;}}\underset{1}{\overset{N}{\&Sigma;}}pixel\_total---\left(2\right)$

再进行二值化：

$pixel\_new=\left\{\begin{array}{cc}1,& pixel\_new\&GreaterEqual;Gmean\\ 0,& pixel\_new<Gmean\end{array}\right.---\left(3\right)$

步骤8、用形态学操作对图像去除空洞和毛刺；

步骤9、对图像进行细化：

步骤10、进行尺度不变特征提取；

步骤11、根据提取特征进行匹配：

采用两向量内积最大值为最匹配的点，设定一阈值，只有当这个最大值大于该阈值方可认为两特征点匹配。

2.如权利要求1所述基于脉向检测的指静脉识别技术，其特征在于：所述步骤2边缘检测算子为sobel算子。

3.如权利要求1所述基于脉向检测的指静脉识别技术，其特征在于：所述步骤5对图像效果进行增强的方法为直方图均衡化。

4.如权利要求1所述基于脉向检测的指静脉识别技术，其特征在于：所述步骤8中形态学操作为先进行闭操作，再进行滤波。

5.如权利要求1所述基于脉向检测的指静脉识别技术，其特征在于：所述步骤10采用快速鲁棒性尺度不变特征提取SURF算法。