CN107092867A - 基于纹线特征的静脉识别方法 - Google Patents

Abstract

本发明公开了一种基于纹线特征的静脉识别方法，包括以下步骤：首先建立手背静脉图像库，每类图像随机分为训练集和测试集，所述训练集和测试集中的图像数量一样；然后采集手背静脉图像并进行预处理；最后基于纹线特征对静脉图像进行识别，本发明能够充分考虑了血管的粗细问题，能够显著的减少特种向量存储空间，处理速度较快，同时具有较强的鲁棒性，最终有效得提高了识别率。

Description

基于纹线特征的静脉识别方法

技术领域

本发明涉及一种识别方法，具体的说是基于纹线特征的静脉识别方法。

背景技术

伴随着通讯设备和互联网技术的不断发展，信息已遍布人们生活的各个角落。与之相关的是信息安全的重要性被已经提到了前所未有的高度。安检、司法、金融、移动网络、电子商务、人机交互等诸多场合都需要完善的认证系统来保障信息安全，而确保安全的第一前提是知晓一个人是谁。因此，身份识别技术的应用会越来越重要。

传统的识别方式有IC卡、钥匙、证件、密码等，这些方法虽然实用性强，但缺点也很明显，如证件类方式容易遗失、被复制和伪造，而密码类方式则容易遗忘、被破解。同时这类方式暴露了本当隐私化的身份信息，且不能通过便捷的系统与计算机网络相连接，远离了信息化社会的要求。当传统的识别方式已经不能满足日益增长的社会安全需求时，人类找到了生物识别这种更为安全可靠、使用方便的身份识别技术。

生物特征识别(Biometrics/Biometric authentication)是指利用人体所固有的生理特征(如：指纹、虹膜、DNA等)或行为特征(如：步态、语音等)来进行个人身份认证[1]。这些特征具有普遍性、唯一性、稳定性三方面的特性，即人人都有、各有不同、长期不变。与传统的密码或ID卡身份认证方式相比，生物特征有随身携带、难以伪造而且无需记忆的优势。也正由于这些优势，目前国外国内对它的研究方兴未艾，生物特征识别技术的市场也不断增长。

目前常见的生物特征识别方法有指纹、虹膜、人脸、手形、语音、静脉、步态等。其中指纹、虹膜、人脸等技术已经研究多年，技术成熟度相对较高，市场上均有完整的产品体系。静脉识别技术作为生物特征识别家庭的一个新成员，它出现于1990年，只有20年的历史，在2000年之后由于其自身的独特优点才逐渐受到关注，尤其是在日本、韩国等对指纹抵触的亚洲国家，静脉识别研究开展较好并出现了实际应用的产品，在生物特征识别市场中崭露头角。

静脉识别：通过识别皮下静脉纹理特征来达到身份验证的目的。这种技术通过远红外仪或近红外摄像头采集静脉图像，利用图像处理技术提取静脉的纹理特征，和库中比较，以达到识别目的。目前这种技术分为四种，手指静脉、手掌静脉、手背静脉和手腕静脉，其中前三种研究较多。对每种技术来说，原理和识别过程基本一致。

纹线特征，即关于手背静脉的方向、斜率、端点、交叉点等方面的特征。从直观上来说，纹线特征是人眼最显而易见的特征，但是由于手背的主血管一般只有3-5条，相互关系简单，没有复杂相交的情况，因此基于纹线特征的可用信息相较于动辄万人级的静脉识别而言区分度不够大。而且目前研究者的目光多集中于将血管细化、骨架化，将静脉识别转化为类似文字识别的问题，进而忽略了血管的粗细本身也是一种特征的事实。

发明内容

本发明的目的在于克服上述不足，提供一种基于纹线特征的方向投影算法，充分考虑了血管的粗细问题，同时具有较强的鲁棒性。

本发明的目的是这样实现的：基于纹线特征的静脉识别方法包括以下步骤：

步骤1、建立手背静脉图像库，每类图像随机分为训练集和测试集，所述训练集和测试集中的图像数量一样；

步骤2、采集手背静脉图像并进行预处理；

步骤3、基于纹线特征对静脉图像进行识别。

其中，图像预处理包括噪声抑制、提取ROI和静脉纹理分割，

所述噪声抑制包括中值滤波和均值滤波算法，所述中值滤波算法为：对每一像素点为中心，取其某邻域内所有像素点灰度值的中间值，再将此值赋给该中心：

式中：f(x,y)为处理后图像，S_xy为以(x，y)为中心的邻域；

所述均值滤波算法为：以目标像素为中心，在其领域取N*N的模板，计算模板内所有像素灰度值的平均值，赋予目标像素，设给定带噪声的图像为f(x,y)，则处理后的图像g(x,y)为：

其中，M是邻域S内包含的像素数目。S确定的邻域根据图像性质选取，

邻域平均进行加权值，表达式为：

其中，W(i,j)是大小为(2m+1)(2n+1)的邻域内(i,j)点的权值；

所述提取ROI包括剔除图像中的背景和边缘；

所述静脉纹线分割是从灰度图像中将静脉纹线用二值的方法显示出来。

所述提取ROI采用最大矩形搜索法，所述最大矩形搜索法包括以下步骤：

步骤201、将静脉图像按列循环，对第X列从上到下查找并记录第一个白点和最后一个白点的纵坐标Y1，Y2，从而得到一个多维的向量A；

步骤202、对向量A按行进行双重循环搜索面积最大矩形，设X1，X2分别表示矩阵的左右边坐标，则上下两边的坐标：

Y₁＝max(A(X₁,1),A(X₂,1))，Y₂＝min(A(X₁,2)，A(X₂,2))

最终面积：

Area＝(X₂-X₁)*(Y₂-Y₁)

静脉纹理分割包括：

步骤211、采用局部阈值法计算合适的阈值，所述阈值计算方法为：

步骤212、比较像素灰度值是否大于步骤211计算得出的阈值，是则为1，否则为0。

基于纹线特征对静脉图像进行识别包括以下步骤：

步骤301、对于一个m*n的图像，其在第r水平分块上得到的投影可表示为：

P_r＝(p₁,p₂,...,p_m)

其中，f(x,y)为某点的灰度值；

步骤302、对水平方向的投影向量进行竖直区域的求和运算，即将图像横竖两方向都进行k分块，从而得到k*k个子块，计算每个子块内的黑色像素数，再把它们相连，得到最终特征向量；

步骤303、按照步骤301和步骤302的方法分别计算竖直投影和水平竖直双方向投影的特征向量。

步骤304、将根据上述步骤算法得出的静脉图像与数据库中的信息对比，得出识别结果。

本发明的优点在于：采用基于纹线特征的静脉识别方法，充分考虑了血管的粗细问题，能够显著的减少特种向量存储空间，处理速度较快，同时具有较强的鲁棒性，最终有效得提高了识别率。

附图说明

图1为本发明的基于纹线特征的静脉识别方法的流程图；

图2为本发明的最大矩形搜索法效果图；

图3为本发明的局部阈值法处理后的图像。

具体实施方式

下面结合附图对本发明作进一步描述。

本发明为基于纹线特征的静脉识别方法，如附图1所示，包括以下步骤：

步骤1、建立手背静脉图像库：本实施例建立了一个拥有102人、左右双手的手背图像库，由于每个个体左右手静脉分布的差异性，因此该库可以认为是204类样本的手背图像。对每个手背本文采集了10张图片，随机地选取每类中5张图像作为训练集，另5张作为测试集，故总的测试集为1020张图片，其中图片格式为bmp，灰阶为256级，大小为640*480像素，水平和垂直分辨率均为96dpi。

步骤2、采集手背静脉图像并进行预处理：包括中值滤波、均值滤波、ROI提取、静脉纹理分割，

其中中值滤波：对每一像素点为中心，取其某邻域内所有像素点灰度值的中间值，再将此值赋给该中心：

式中：f(x,y)为处理后图像，S_xy为以(x，y)为中心的邻域，

均值滤波：以目标像素为中心，在其领域取N*N的模板，计算模板内所有像素灰度值的平均值，赋予目标像素，设给定带噪声的图像为f(x,y)，则处理后的图像g(x,y)为：

其中，M是邻域S内包含的像素数目。S确定的邻域根据图像性质选取，

邻域平均进行加权值，表达式为：

其中，W(i,j)是大小为(2m+1)(2n+1)的邻域内(i,j)点的权值，上述中值滤波、均值滤波均使用15*15大小的模板；

ROI提取使用最大矩形搜索法，首先，将图像按列循环，对第X列从上到下查找并记录第一个白点和最后一个白点的纵坐标Y1，Y2，从而得到一个640*2维的向量A，其次，对向量A按行进行双重循环搜索面积最大矩形。设X1，X2分别表示矩阵的左右边坐标，则上下两边的坐标：

Y₁＝max(A(X₁,1),A(X₂,1))，Y₂＝min(A(X₁,2)，A(X₂,2))公式(2.5)最终面积：

Area＝(X₂-X₁)*(Y₂-Y₁)

再将图片归一化到256*256大小，附图2为最大矩形搜索法效果图；

静脉纹理分割使用的算法为局部阈值分割法，其中R＝128，k＝0.005，模板大小为31*31

所述均值滤波算法采用局部阈值法，其计算方法为：

本实施例中R＝128，k＝0.005，附图3为局部阈值法处理后的图像。

步骤3、基于纹线特征对静脉图像进行识别，包括以下步骤：

步骤301、对于一个m*n的图像，其在第r水平分块上得到的投影可表示为：

P_r＝(p₁,p₂,...,p_m)

其中，f(x,y)为某点的灰度值；

步骤302、对水平方向的投影向量进行竖直区域的求和运算，即将图像横竖两方向都进行k分块，从而得到k*k个子块，计算每个子块内的黑色像素数，再把它们相连，得到最终特征向量；

步骤303、按照步骤301和步骤302的方法分别计算竖直投影和水平竖直双方向投影的特征向量；

步骤304、将根据上述步骤算法得出的静脉图像与数据库中的信息对比，得出识别结果，下表为试验结果图

分块数k	6	8	10	16	24	32	64
								识别数	937	933	960	926	916	914	902

从表中可与看出，采用本方法进行识别，识别率最高可达到94.12％(960/1020)。

最后应说明的是：显然，上述实施例仅仅是为清楚地说明本申请所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本申请型的保护范围之中。

Claims (5)

1.基于纹线特征的静脉识别方法，其特征在于，包括以下步骤：

步骤1、建立手背静脉图像库，每类图像随机分为训练集和测试集，所述训练集和测试集中的图像数量一样；

步骤2、采集手背静脉图像并进行预处理；

步骤3、基于纹线特征对静脉图像进行识别。

2.根据权利要求1所述的基于纹线特征的静脉识别方法，其特征在于，所述图像预处理包括噪声抑制、提取ROI和静脉纹理分割，

所述噪声抑制包括中值滤波和均值滤波算法，所述中值滤波算法为：对每一像素点为中心，取其某邻域内所有像素点灰度值的中间值，再将此值赋给该中心：

式中：f(x,y)为处理后图像，S_xy为以(x，y)为中心的邻域；

所述均值滤波算法为：以目标像素为中心，在其领域取N*N的模板，计算模板内所有像素灰度值的平均值，赋予目标像素，设给定带噪声的图像为f(x,y)，则处理后的图像g(x,y)为：

其中，M是邻域S内包含的像素数目。S确定的邻域根据图像性质选取，

邻域平均进行加权值，表达式为：

其中，W(i,j)是大小为(2m+1)(2n+1)的邻域内(i,j)点的权值；

所述提取ROI包括剔除图像中的背景和边缘；

所述静脉纹线分割是从灰度图像中将静脉纹线用二值的方法显示出来。

3.根据权利要求2所述的基于纹线特征的静脉识别方法，其特征在于，所述提取ROI采用最大矩形搜索法，所述最大矩形搜索法包括以下步骤：

步骤201、将静脉图像按列循环，对第X列从上到下查找并记录第一个白点和最后一个白点的纵坐标Y1，Y2，从而得到一个多维的向量A；

步骤202、对向量A按行进行双重循环搜索面积最大矩形，设X1，X2分别表示矩阵的左右边坐标，则上下两边的坐标：

Y₁＝max(A(X₁,1),A(X₂,1))，Y₂＝min(A(X₁,2)，A(X₂,2))

最终面积：

Area＝(X₂-X₁)*(Y₂-Y₁) 。

4.根据权利要求2所述的基于纹线特征的静脉识别方法，其特征在于，所示静脉纹理分割包括：

步骤211、采用局部阈值法计算合适的阈值，所述阈值计算方法为：

步骤212、比较像素灰度值是否大于步骤211计算得出的阈值，是则为1，否则为0。

5.根据权利要求1所述的基于纹线特征的静脉识别方法，其特征在于，所述基于纹线特征对静脉图像进行识别包括以下步骤：

步骤301、对于一个m*n的图像，其在第r水平分块上得到的投影可表示为：

P_r＝(p₁,p₂,...,p_m)

其中，f(x,y)为某点的灰度值；

步骤302、对水平方向的投影向量进行竖直区域的求和运算，即将图像横竖两方向都进行k分块，从而得到k*k个子块，计算每个子块内的黑色像素数，再把它们相连，得到最终特征向量；

步骤303、按照步骤301和步骤302的方法分别计算竖直投影和水平竖直双方向投影的特征向量；

步骤304、将根据上述步骤算法得出的静脉图像与数据库中的信息对比，得出识别结果。