CN106326827B - 掌静脉识别系统 - Google Patents
掌静脉识别系统 Download PDFInfo
- Publication number
- CN106326827B CN106326827B CN201510767083.1A CN201510767083A CN106326827B CN 106326827 B CN106326827 B CN 106326827B CN 201510767083 A CN201510767083 A CN 201510767083A CN 106326827 B CN106326827 B CN 106326827B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- vector
- low
- similarity
- 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.)
- Active
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明的掌静脉识别系统,选取ROI图像,计算ROI图像的差值图像,根据由差值图像计算出的局部直方图均衡化图像和曲率图像,得到预处理图像;特征提取时,在预处理图像中选取一定数量的固定采样点,对每个采样点计算包含高频和低频的多个频率多个方向的Gabor小波系数的绝对值,对每个采样点归一化高频向量得到高频特征,对每个采样点计算低频向量和4邻域低频向量的差得到低频特征;比对时,计算两幅图像对应采样点的高频特征向量的标量积,将标量积加和得到高频相似度,对两幅图像对应的低频特征向量,对应分量相同的个数除以向量的总维数得到低频相似度,根据预先设定的权重,对高频相似度和低频相似度进行加和得到总相似度。
Description
技术领域
本发明涉及掌静脉识别系统,尤其涉及使用盖伯小波(Gabor Wavelets)特征的掌静脉识别系统。
背景技术
掌静脉识别是一种新的生物特征识别方法,它利用手掌内的静脉来进行个人身份的验证。
掌静脉识别系统具有如下优点:
(1)用掌静脉进行身份认证时,获取的是掌静脉的图像特征,是手掌活体时才存在的特征,非活体的手掌是得不到静脉图像特征的。
(2)掌静脉作为内在的特征是很难被破坏和改变的。
(3)掌静脉很难用假手掌仿照。
(4)掌静脉识别系统因静脉的独特性和复杂性而具有很高的准确率。
(5)掌静脉系统是非接触的。
因为以上原因,近年来采用掌静脉进行身份认证已获得越来越多的研究和关注。
掌静脉识别系统包含获取感兴趣区域(ROI)图像、预处理、特征提取和比对。特征提取和比对的代表方法有基于提取静脉纹路的方法、全局变换方法和局部特征方法。
基于静脉纹路的方法采用各种预处理技术提取静脉纹路,并直接用静脉纹路进行比对。全局变换的方法对ROI图像增强,通过全局变换如主成分分析PCA(PrincipalComponents Analysis)、线性判别分析LDA(Linear Discriminant Analysis)、独立成分分析ICA(Independent Component Correlation Algorithm)等提取特征。局部特征方法对ROI图像增强,提取例如LBP(Local Binary Pattern)、小波特征等局部特征。
对低对比度或噪声图像,基于静脉纹路的方法不能准确提取静脉,不考虑局部信息的全局变换方法的准确率也不高。
发明内容
本发明提供一种采用Gabor小波特征的掌静脉识别系统。
本发明的技术方案一提供一种采用Gabor小波特征的掌静脉识别系统。该掌静脉识别系统,包含ROI图像提取模块、图像预处理模块、特征提取模块、特征比对模块、及判断模块,
所述ROI图像提取模块提取128×128像素大小的ROI图像;
在所述图像预处理模块中,
由ROI图像计算均值图像,计算ROI图像与均值图像的差值得到差值图像,
由差值图像计算局部直方图均衡化图像和曲率图像,
根据预设权重对局部直方图均衡化图像和曲率图像进行合并得到预处理图像;
在所述特征提取模块中,
在预处理图像中取16×16个固定采样点,对每个采样点计算M个频率(M为偶数,包含M/2个高频和M/2个低频)、及N个方向的Gabor小波系数的绝对值,其中,M、N为大于0的自然数,
由高频系数构造M×N/2维高频向量,由低频系数构造M×N/2维低频向量。
对每个采样点的高频向量归一化得到高频特征,
对每个采样点计算低频向量和4邻域低频向量的差,得到低频特征;
在特征比对模块中进行如下处理:
高频特征比对,计算两幅图像对应采样点的高频特征向量的标量积,将标量积加和得到高频相似度,
低频特征比对,对两幅图像对应特征点的低频特征向量,对应分量相同的个数除以向量的总维数得到低频相似度,
根据设定权重对高频相似度和低频相似度进行加和得到总相似度,
若总相似度大于预设的阈值,则判断模块判断为两幅图像来自同一手掌,并输出判断结果。
发明的效果
根据本发明的掌静脉识别系统,能够无论图像对比度高低或是否有噪声均可以快速、稳定地识别掌静脉图像。
附图说明
图1是预处理的概略示意图。
图2是特征提取与比对的概略示意图。
图3是掌静脉识别系统的框图。
具体实施方式
下面,结合附图,对本发明的掌静脉识别系统进行详细说明。
掌静脉识别系统包括ROI图像提取模块、图像预处理模块、特征提取模块、特征比对模块及判断模块。
<ROI图像提取模块进行的处理>
提取128×128像素大小的ROI图像I。
<图像预处理模块进行的处理>
图像预处理包括计算均值图像,由均值图像计算局部直方图均衡化图像和曲率图像,合并局部直方图均衡化图像和曲率图像。
(1)计算均值图像Im
均值图像中每个像素(i,j)的像素值为Im(i,j),按如下计算。
(2)图像与均值图像的差值
从图像I减去均值图像得到图像In。
s=I(i,j)-Im(i,j)+128
if s<0,then s=0
if s>255,then s=255
In(i,j)=s
(3)局部直方图均衡化
对上面获得的图像In局部直方图均衡化得到图像Ih,
(4)计算曲率图像
对图像In中的每个像素,计算x、y方向的曲率,x、y方向的曲率的最大值组成曲率图像Ic,
x方向曲率的计算方式如下:
若cx<0,则cx=0
y方向的曲率计算类似。
(5)合并图像
对局部直方图均衡化图像和曲率图像设定合并曲率,将两图像进行合并得到预处理图像Ip。
Ip(i,j)=w*Ih(i,j)+(1-w)*Ic(i,j)
其中w为合并权重。
<特征提取模块进行的处理>
特征提取处理包括提取高频特征和提取低频特征。
(1)计算Gabor小波系数
在图像Ip中取16×16个固定采样点,对每个采样点(i,j),计算4个频率(2个高频和2个低频)8个方向的Gabor小波系数的绝对值。
由高频系数构造16维向量Gh(i,j),由低频系数构造16维向量Gl(i,j)。
(2)计算高频特征
对每个采样点,归一化16维向量Gh(i,j)得到向量Ghn(i,j)。
(3)计算低频特征
对每个采样点(i,j),计算低频Gabor向量Gl(i,j)和4邻域(i+1,j),(i-1,j),(i,j+1),(i,j-1)低频Gabor向量的差,若分量为正则设置该分量为1,否则为0。对所有的采样点计算得到15×16×2×16维向量。
<特征比对模块进行的处理>
特征比对包括高频特征比对、低频特征比对、合并相似度。
(1)高频特征比对。对16×16采样点,计算两幅图像对应的16位高频特征向量的标量积,将标量积加和得到高频相似度simh;
(2)低频特征比对。对两个15×16×2×16位向量,对应分量相同的个数除以总数目15×16×2×16得到低频相似度sim_l;
(3)合并相似度。对两个相似度设定不同权重进行加和得到总相似度sim。
<判断模块进行的处理>
若相似度sim大于预设的阈值,则判断模块判断为两幅图像来自同一手掌,并输出判断结果。
本发明人通过实验验证了本发明的效果。
在公司数据库上的测试结果如下:
该数据库包含100个手掌,每个手掌12幅图像,在此数据库上等错误率为0.02%。因此,通过本发明的掌静脉识别系统能够快速、稳定地识别掌静脉图像。
如上所述,对本发明的优选的实施方式进行了说明,但上述实施方式仅作为例子来提示的,并不对本发明的保护范围进行限定,例如,上述涉及的ROI图像大小、所取的采样点的数量、向量的维数等也仅仅是例示,根据实际要求的速度、定位精度等,也可以是其他的数量。
Claims (1)
1.一种掌静脉识别系统,包括:ROI图像提取模块、图像预处理模块、特征提取模块、特征比对模块及判断模块,
所述ROI图像提取模块,对掌静脉图像提取大小为128×128像素的ROI图像;
所述图像预处理模块,计算ROI图像的均值图像,计算ROI图像与均值图像的差得到差值图像,由差值图像计算局部直方图均衡化图像和曲率图像,根据权重合并局部直方图均衡化图像和曲率图像得到预处理图像;
所述特征提取模块,
在预处理图像中取16×16个固定采样点,对每个采样点计算M个频率,N个方向的Gabor小波系数的绝对值,其中,M、N为大于0的自然数,且M为偶数,包含M/2个高频和M/2个低频;
由高频系数构造M×N/2维高频向量,由低频系数构造M×N/2维低频向量,
对每个采样点归一化高频向量得到高频特征,
对每个采样点计算低频向量和4邻域低频向量的差,得到低频特征;
所述特征比对模块进行如下处理:
高频特征比对,对采样点,计算两幅图像对应的高频特征向量的标量积,将标量积加和得到高频相似度,
低频特征比对,对两幅图像对应的低频特征向量,对应分量相同的个数除以向量的总维数得到低频相似度,
对高频相似度和低频相似度设定不同权重进行加和得到总相似度
所述判断模块,在总相似度大于预设的阈值时,判断为两幅图像来自同一手掌,并输出判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510767083.1A CN106326827B (zh) | 2015-11-08 | 2015-11-08 | 掌静脉识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510767083.1A CN106326827B (zh) | 2015-11-08 | 2015-11-08 | 掌静脉识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106326827A CN106326827A (zh) | 2017-01-11 |
CN106326827B true CN106326827B (zh) | 2019-05-24 |
Family
ID=57725134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510767083.1A Active CN106326827B (zh) | 2015-11-08 | 2015-11-08 | 掌静脉识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326827B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644198A (zh) * | 2017-08-18 | 2018-01-30 | 郑州云海信息技术有限公司 | 一种基于Gabor滤波器和LBP算子的手掌静脉识别方法及系统 |
CN108182399B (zh) * | 2017-12-27 | 2020-04-21 | 智慧眼科技股份有限公司 | 指静脉特征比对方法、装置、存储介质和处理器 |
CN109255777B (zh) * | 2018-07-27 | 2021-10-22 | 昆明理工大学 | 一种结合小波变换和感知哈希算法的图像相似度计算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196987A (zh) * | 2007-12-25 | 2008-06-11 | 哈尔滨工业大学 | 在线掌纹、手掌静脉图像身份识别方法及其专用采集仪 |
CN101276421A (zh) * | 2008-04-18 | 2008-10-01 | 清华大学 | 人脸部件特征和Gabor人脸特征融合的人脸识别方法及其装置 |
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN101425134A (zh) * | 2008-11-13 | 2009-05-06 | 复旦大学 | 在线手背静脉识别方法 |
CN101976332A (zh) * | 2010-11-10 | 2011-02-16 | 中国船舶重工集团公司第七一○研究所 | 一种利用多特征的手指静脉采集识别方法 |
CN102708362A (zh) * | 2012-05-14 | 2012-10-03 | 南京光华科技发展有限公司 | 一种虹膜识别法 |
CN104636721A (zh) * | 2015-01-16 | 2015-05-20 | 青岛大学 | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100846500B1 (ko) * | 2006-11-08 | 2008-07-17 | 삼성전자주식회사 | 확장된 가보 웨이브렛 특징 들을 이용한 얼굴 인식 방법 및장치 |
-
2015
- 2015-11-08 CN CN201510767083.1A patent/CN106326827B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196987A (zh) * | 2007-12-25 | 2008-06-11 | 哈尔滨工业大学 | 在线掌纹、手掌静脉图像身份识别方法及其专用采集仪 |
CN101276421A (zh) * | 2008-04-18 | 2008-10-01 | 清华大学 | 人脸部件特征和Gabor人脸特征融合的人脸识别方法及其装置 |
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN101425134A (zh) * | 2008-11-13 | 2009-05-06 | 复旦大学 | 在线手背静脉识别方法 |
CN101976332A (zh) * | 2010-11-10 | 2011-02-16 | 中国船舶重工集团公司第七一○研究所 | 一种利用多特征的手指静脉采集识别方法 |
CN102708362A (zh) * | 2012-05-14 | 2012-10-03 | 南京光华科技发展有限公司 | 一种虹膜识别法 |
CN104636721A (zh) * | 2015-01-16 | 2015-05-20 | 青岛大学 | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 |
Non-Patent Citations (1)
Title |
---|
"基于Gabor小波系数融合的人脸识别";宗君斌;《中国优秀硕士学位论文全文数据库-信息科技辑》;20100215;第2010年卷(第2期);I138-426 |
Also Published As
Publication number | Publication date |
---|---|
CN106326827A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326827B (zh) | 掌静脉识别系统 | |
Wagh et al. | Eyelids, eyelashes detection algorithm and hough transform method for noise removal in iris recognition | |
Aithal | fingerprint image segmentation: A review of state of the art techniques | |
Nadheen et al. | Fusion in multimodal biometric using iris and ear | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
Kaur et al. | Illumination invariant face recognition | |
Aravinda et al. | An approach for signature recognition using contours based technique | |
Charan | Iris Recognition using feature optimization | |
Thabit | Multi-biometric watermarking scheme based on interactive segmentation process | |
Angadi et al. | Iris recognition: a symbolic data modeling approach using Savitzky-Golay filter energy features | |
Nair et al. | Sparse representation fusion of fingerprint, iris and palmprint biometric features | |
Misra et al. | A study report on finger print image enhancement methods | |
De et al. | Human Iris Recognition for clean Electoral process in India by creating a fraud free voter registration list | |
da Silva Teixeira et al. | On adaptive fingerprint pore extraction | |
Chen et al. | Fingerprint liveness detection using handcrafted feature descriptors and neural network | |
Jain et al. | Palm vein technology for biometrics | |
Saeed et al. | Automated system for fingerprint image enhancement using improved segmentation and gabor wavelets | |
Tică et al. | A method for automatic coin classification | |
Djara et al. | Fingerprint Registration Using Zernike Moments: An Approach for a Supervised Contactless Biometric System | |
Teymourzadeh et al. | Design an advance computer-aided tool for image authentication and classification | |
Rao | Multi-Modal Biometric Age Prediction Through Deep Learning Framework | |
Hasoun et al. | A COMPREHENSIVE REVIEW ON IRIS RECOGNITION METHODS | |
Thiyaneswaran et al. | Localization of iris region using MLRP algorithm intended for biometric applications | |
Mattoo et al. | Iris biometric modality: a review | |
Rahim et al. | Iris Recognition using Histogram Analysis via LPQ and RI-LPQ Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |