CN107341431A - 手臂静脉纹线特征的提取及匹配方法 - Google Patents

手臂静脉纹线特征的提取及匹配方法 Download PDF

Info

Publication number
CN107341431A
CN107341431A CN201610280663.2A CN201610280663A CN107341431A CN 107341431 A CN107341431 A CN 107341431A CN 201610280663 A CN201610280663 A CN 201610280663A CN 107341431 A CN107341431 A CN 107341431A
Authority
CN
China
Prior art keywords
mrow
point
msub
vein
mover
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.)
Granted
Application number
CN201610280663.2A
Other languages
English (en)
Other versions
CN107341431B (zh
Inventor
唐超颖
王彪
赵珊
李丽荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201610280663.2A priority Critical patent/CN107341431B/zh
Publication of CN107341431A publication Critical patent/CN107341431A/zh
Application granted granted Critical
Publication of CN107341431B publication Critical patent/CN107341431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种手臂静脉纹线特征的提取及匹配方法，属于生物特征识别领域。首先将静脉线状图标准化处理并分割为多条静脉曲线段的组合，利用曲线段的方向、位置及形状特征搜索待匹配两幅图像中的匹配曲线对，并利用粒子群算法搜索两组曲线的最优空间变换，利用全局静脉点变换后的点集重叠情况计算匹配度。本发明可快速实现对脂肪较厚、面积大的手臂静脉的提取显像，其处理过程简单、高效，易于实现，具有很强的实用和推广价值。

Description

手臂静脉纹线特征的提取及匹配方法
技术领域
本发明涉及一种人体静脉纹线特征的提取及匹配方法，具体讲是一种手臂静脉纹线特征的提取及匹配方法，属于生物特征识别领域。
背景技术
静脉识别是一种新兴的生物特征识别方式，其利用静脉中流动的血红蛋白对红外光的吸收率高于周围其它组织，且易形成影像的特点，使用近红外光照射皮肤，从而得到清晰的静脉图像。静脉识别一般使用红外相机采集稳定的静脉图像作为数据库，通过将待识别的静脉图像与数据库中图像进行对比来识别身份。由于其具有活体识别、内部特征及非接触式等优势.因此，在安全性、可靠性和产品开发经济效益上，静脉识别都是目前发展前景最广阔的生物特征识别技术。
静脉识别过程中，常提取图像中的静脉结构，并将其细化为单像素的静脉线。这些单像素的静脉线准确描述了图像中的静脉模式，通常根据静脉线的结构特征或关键点特征来进行匹配识别。
2009年第01期的湖南师范大学自然科学学报第32-35页公开的刘相滨、刘智等《手背静脉识别算法研究》文章中，其首先获取了手背图像中的静脉线，并提取细化静脉线的7个Hu不变矩作为静脉特征，最后使用支持向量机进行分类。
2014年杭州电子科技大学陈玉琼硕士毕业论文中对手指图像的静脉线进行了几个角度的旋转，并将旋转的各图像以“或”运算叠加，通过形态学方法进行填充等操作得到模版图像，匹配时利用静脉的重合比例来描述匹配度。
2014年You L,Li X,Sun L,et al.Finger Vein Recognition Method Based onGaussian Low-Pass Filter and Direction Detection中提取了手指静脉线的分叉点与端点作为特征点，并以改进的Hausdorff距离为相似性测度来描述点集之间的相似度。
从上述分析可知，目前关于静脉识别的研究大多是关于手部(手指、手背、手掌)静脉的。手部静脉距离皮肤表层较浅，且采集时相机与手部的距离较小，提取的静脉较为完整清晰，提取的全局形状特征或关键点特征较为稳定且可分性较高。而人体手臂部位脂肪较厚、面积大，且采集图像时相机与手臂的距离较大，使得提取的静脉线很可能不完整，因此，现有的静脉特征提取及匹配方法并不适用于手臂静脉提取匹配。
发明内容
本发明所要解决的技术问题在于克服现有技术缺陷，提供一种适用于人体手臂静脉特征提取及匹配的方法。
为了解决上述技术问题，本发明提供的手臂静脉纹线特征的提取及匹配方法，包括以下步骤:
1)、对两幅待匹配手臂图像中的静脉线状进行标准化处理并分割为多条静脉曲线段的组合；
2)、利用各静脉曲线段的方向、位置及形状特征搜索待匹配手臂图像中的匹配曲线对；
3)、利用粒子群算法搜索待匹配手臂图像中曲线对的最优空间变换；
4)、根据待匹配手臂图像中全局静脉点变换后的点集重叠情况计算匹配度。
本发明中，所述步骤1)过程为:
11)、对待匹配手臂图像进行毛刺修剪；
12)、对待匹配手臂图像中的静脉进行方向标准化处理：
121)、计算待匹配手臂图像的主轴直线：
式中，rxy为点(x,y)到所取直线的垂直距离，f(x,y)为点(x,y)的灰度值；
122)、定义主轴直线的函数形式为：
xsinθ-ycosθ+ρ＝0 (2)
式中，θ为直线和x轴的夹角角度，ρ为原点到直线的垂直距离；
123)、定义任一点(x,y)到主轴直线的垂直距离为：
124)、将式(3)带入到式(1)：
式中，
其中M20、M11、M02为二阶矩，和为图像重心坐标；
125)、将待匹配手臂图像中轮廓及静脉线上所有点旋转角度θ；
13)、对待匹配手臂图像中的静脉进行尺度标准化处理：
设待匹配手臂图像中的静脉线的所有点集X＝{Xi|i＝1…Np}，其中Xi为第i个点的坐标值，有
其中，和σ分别为点集的均值和方差，为归一化后的点集坐标；
14)、对经过步骤13)处理后的图像中的静脉进行修复，删除凸起点和连接断开的点；
15)、将经过步骤14)处理后的图像中静脉线由分叉部位及拐角点处断开，形成多条静脉曲线段。
本发明所述步骤15)中,断开分叉部位的过程为：在三条曲线相交叉时，定义8邻域中像素值为1的点个数大于3的点为分叉点，将分叉点处像素值置0；在两条曲线连接为直线，与第三条曲线位置靠近但不相交时，检测距离分叉部位最近的点作为分叉点，并将分叉点处像素值置0；
断开拐角点的过程为：使用8-方向Freeman链码来对每条静脉线进行编码，对静脉上任一点，利用当前点的左右两边k个点内的链码差分码来计算拐点；定义点的左右第k位置的差分码为：
式中，c为链码序列，c(i+k)为当前点i之后第k个点处的链码值，c(i-k+1)为点i之前第k-1个点处的链码值；
点的k长度的链码差分均值为：
链码差分均值表示了当前点在左右各k个点内的方向变化；令k为4，并定义Md≥1.5时，此点记为拐点并将像素值置0。
本发明中，所述步骤3)的过程为:
首先，设待匹配手臂图像中匹配曲线的点集坐标分别为K1＝{K1,1,K1,2,…,K1,n}，K2＝{K2,1,K2,2,…,K2,n}，共有n对匹配曲线，其中K1,j与K2,j为一对匹配曲线；设任一次迭代过程中生成的最优仿射变换矩阵为H，点集K2通过仿射变换H变换为点集K2′，即
K2′＝HK2＝{K2,1′,K2,2′,…,K2,n′} (30)
计算点集K2′与点集K1中匹配曲线间的Hausdorff距离：
f＝{f1,f2,…,fn} (31)
定义适应度值为
平均距离
如果满足条件
则认为第j对匹配曲线对为误匹配，则将第j对匹配曲线从匹配曲线对中删除，
令
fa＝fa-fj (35)
K1＝{k1,1,k1,2,…,k1,j-1,k1,j+1,…,k1,n} (36)
K2′＝{k2,1′,k2,2′,…,k2,j-1′,k2,j+1′,…,k2,n′} (37)
K2＝K2′ (38)
直到迭代结束，得到待匹配手臂图像中待匹配曲线间的最优仿射变换关系；
然后，利用搜索的最佳变换矩阵，对待匹配手臂图像中所有静脉进行空间变换。
本发明中，所述步骤4)的过程为:
41)、对空间变换后待匹配手臂图像中的静脉点集与参考图像中的静脉点集进行空间对比，分别删除两点集中的出格点；
42)、设匹配之前两手臂图像中静脉曲线上的总点数分别为m1和m2，经过空间变换并删除出格点后，两点集中近似对齐的点数分别为n1和n2，通过两组静脉点集空间对齐点数所占比例Plast来表示图像的匹配度，可表示为：
Plast＝min(n1,n2)/max(m1,m2) (39)。
本发明的有益效果在于：(1)、通过将待匹配两幅图像中静脉线状图进行标准化处理并分割为多条静脉曲线段的组合，利用曲线段的相关特征搜索待匹配两幅图像中的匹配曲线对并搜索两组曲线的最优空间变换，再通过全局静脉点变换后的点集重叠情况计算匹配度，可快速实现对脂肪较厚、面积大的手臂静脉提取显像，其处理过程简单、高效，易于实现，具有很强的实用和推广价值；(2)、从数据显示来看，本发明与传统的Hausdorff距离匹配算法和模版匹配算法相比明显提高了匹配率，使手臂静脉可作为有效的生物特征进行身份识别。
附图说明
图1为凸起点在三个不同模板中的位置示意图；
图2为曲线方向图；
图3为曲线区域分布图；
图4为毛刺修复过程示意图；
图5为方向标准化示意图；
图6为静脉修复示意图；
图7为分叉部位及拐点检测示意图；
图8匹配过程示意图；
图9匹配结果的CMC曲线图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明的手臂静脉纹线特征的提取及匹配方法，具体过程如下
1、通过AD-080CL 2CCD多光谱工业数字摄像机采集同一手臂的两个不同时段的两幅待匹配手臂图像，以其中一幅作为参考图像；然后对图像的静脉线状进行标准化处理并分割为多条静脉曲线段的组合。
(1)、毛刺修剪。摄像机采集的图像为二值静脉图像，提取的单像素静脉线像素值为1，其余位置的像素值为0。摄像机采集到的图像中存在的噪声和阴影会在细化的静脉线中会产生各种毛刺，毛刺由曲线的端点开始，并与静脉曲线相连处产生分叉点。
若点的8邻域中只有一个像素值为1的点时，此点即为端点，定义8邻域中像素值为1的点个数大于3的点为分叉点。由第一个端点开始，沿着静脉逐点进行搜索，直到遇到分叉点后停止，记录此过程中遍历的点数N，定义N＜15时，检测到的曲线段为“毛刺”，将毛刺所有点的像素值设置为0，即可达到毛刺修剪的目的。
(2)、对待匹配手臂图像中的静脉方向进行标准化处理。由于拍摄图像时，手臂姿势不同，为使图像中手臂呈水平姿势，首先计算了手臂轮廓线的主轴，然后对手臂轮廓及静脉线进行一定角度的旋转变换，使得主轴与水平方向夹角为0，以达到静脉方向标准化的目的。
主轴为使物体产生最小二阶矩的轴。通过以下函数计算主轴直线：
式中，rxy为点(x,y)到所取直线的垂直距离，f(x,y)为点(x,y)的灰度值。
定义主轴直线的函数形式为：
xsinθ-ycosθ+ρ＝0 (2)
式中，θ为直线和x轴的夹角角度(沿逆时针方向)，即图像主轴角度；ρ为原点到直线的垂直距离。
任一点(x,y)到直线的垂直距离为：
将式(3)带入到式(1)，计算可得：
式中，
其中M20、M11、M02为二阶矩，和为图像重心坐标。
计算出图像主轴角度θ后，将图像中轮廓及静脉线上所有点集顺时针旋转角度θ，即可达到静脉方向标准化的目的。
(3)、对待匹配手臂图像中静脉尺度进行标准化处理。为保证所有图像的尺度及静脉尺度保持一致，根据轮廓线上点集坐标的均值和方差进行尺度标准化。
对于图像中的静脉线的所有点集X＝{Xi|i＝1…Np}，其中Xi为第i个点的坐标值，有
式中，和σ分别为点集的均值和方差，为归一化后的点集坐标，归一化后的坐标值具有零均值和单位方差。归一化点集的横纵坐标近似范围分别为[-2，2]和[-0.5，0.5]。
根据归一化的坐标范围，首先将坐标值扩展150倍，即并对坐标值取整，这样横纵坐标范围扩展到[-300，300]和[-75，75]，因此定义新图像大小为180×600，将坐标(0，0)与图像中心对齐，对应即为标准尺度下静脉线的点集坐标。标准化的图像大小相同，其中静脉线的尺度相同，且手臂中心与图像中心重合。
(4)、对待匹配手臂图像中的静脉进行修复。在进行静脉尺度标准化过程中，静脉产生了一定程度的拉伸或压缩，造成部分曲线的不连续以及增加曲线噪声，修复主要包括删除凸起点和连接断开的点。
凸起点主要为图1中三个模版，其中“1#”为需要删除的点，即删除满足模版中8邻域中设定的条件的点。
断开的点主要是由静脉在拉伸时产生的，由于相邻间断点的距离很小，因此选择相距最近且距离小于5的非连通间断点以直线形式进行连接，并使用Bresenham算法生成直线。
(5)、曲线段分割。为克服静脉提取不完整的情况，将静脉线由分叉部位及拐角点处断开，得到多条曲线段，并将每条曲线段作为图像中的一个目标。
分叉部位包括两种情况，一种是三条曲线交叉在一起；另一种是其中两条曲线连接为直线，与第三条曲线位置靠近但不相交。对第一种情况，定义8邻域中像素值为1的点个数大于3的点为分叉点，将分叉点处像素值置0，即可断开分叉部位。对第二种情况，可检测距离分叉部位最近的点作为分叉点，并将分叉点处像素值置0，即可断开分叉部位。
对于拐角点，首先使用8-方向Freeman链码来对每条静脉线进行编码，对静脉上任一点，利用当前点的左右两边k个点内的链码差分码来计算拐点。定义点的左右第k位置的差分码为：
式中，c为链码序列，c(i+k)为当前点i之后第k个点处的链码值，c(i-k+1)为点i之前第k-1个点处的链码值。点的k长度的链码差分均值Md为：
链码差分均值表示了当前点在左右各k个点内的方向变化，其值越大，说明当前点方向变化越大。令k为4，并定义Md≥1.5时，此点记为拐点。将拐角点处像素值置0，即可从拐点处将两条曲线断开。
2、曲线段特征提取。分别提取曲线段的方向特征、位置特征和表征静脉曲线段形状的Hu不变矩特征，通过这些特征来描述每条静脉曲线段，图中所有静脉曲线段的特征的组合即为整幅图像的特征。
(1)、方向特征。定义曲线方向可以有16种选择，其中方向0-7与链码的8个方向相对应，每两个相邻方向的夹角为22.5°，如图2所示。每条曲线经计算后得出一个最相似的方向。
首先，使用链码表示每条曲线段，然后根据式(13)计算每条曲线的链码直方图特征：
式中，hi为每个方向链码个数的比率，i＝0～7，表示链码的8个方向，ni表示链码串中i方向链码个数，N表示链码串中所有链码个数。定义曲线r的方向Dr如下：
式中，曲线r的链码直方图{hi|i＝0～7}中，hi1值最大，hi2次大，i1、i2为对应的链码方向。mid(i1,i2)表示的是两个方向i1和i2的中间方向。
对任意两条曲线方向相似度判断时，使用以下公式计算方向差异：
Ddiff＝min(mod((Da-Db),4),mod((Db-Da),4)) (16)
式中，Da和Db表示任意两条曲线的方向，两个方向的夹角即为45°×Ddiff。定义若Diff＝0则两曲线方向相似，否则两曲线方向差异较大。
(2)、位置特征。如图3所示，将图像均匀分为四个区域，以曲线中心坐标所在区域标号表示曲线的位置特征。
设任一条静脉曲线上有n个点，其中(xi,yi)为第i个点坐标，i＝1～n，曲线的中心点坐标(xc,yc)可根据下式计算：
(3)、Hu不变矩特征。不变矩是一种常用的形状描述符，其可用于包含目标物体的形状特征计算。利用二阶和三阶矩构成的7个矩对图像的平移、旋转和尺度变化具有不变性，比较适合用于区域形状的匹配识别。
对于二维数字图像f(x,y)，p和q均为大于等于0的整数，f(x,y)的p+q阶矩定义为：
f(x,y)的p+q阶中心矩可表示为：
f(x,y)的归一化中心矩定义为：
式中，γ＝1+(p+q)/2，p+q＝2,3,…
基于归一化的二阶和三阶中心矩进一步组合构成7个对平移、旋转和尺度保持不变的矩，其表示如下：
T1＝N20+N02 (22)
T3＝(N30-3N12)2+(3N21+N03)2 (24)
T4＝(N30+N12)2+(N21+N03)2 (25)
T6＝(N20-N02)[(N30+N12)2-(N21+N03)2]+4N11(N30+N12)(N21+N03) (27)
利用以上7个Hu不变矩的计算公式计算图像中每条曲线最小矩形区域的不变矩作为对应曲线的形状特征。
(4)、搜索匹配曲线对。直接根据所有静脉点来计算两幅图像的变换关系是非常耗时的，因此，利用静脉曲线的特征来搜索待匹配两幅图像中的匹配曲线对。
对参考图像中任一条曲线ra与待匹配图像中所有曲线比对，查找满足以下条件的曲线：
(1)与ra方向相似(根据式16计算)；
(2)与ra所在区域相同；
(3)曲线长度li与ra的长度lr满足：
若查找到多条满足条件的曲线，则以欧式距离为测度，计算每条曲线与ra的Hu不变矩特征的差异，选择差异最小的曲线与ra为匹配曲线对。
3、搜索最佳空间变换。对于两幅待匹配的手臂图像已提取到其中的匹配曲线对，可将匹配曲线对通过仿射变换达到空间上的一致。但由于曲线对上的点并非一一对应的，所以两组曲线的空间变换关系不能直接计算，利用粒子群(Particle SwarmOptimization，PSO)算法进行搜索，以计算两组曲线对间的最优空间变换。
设两组匹配曲线的点集坐标分别为K1＝{K1,1,K1,2,…,K1,n}，K2＝{K2,1,K2,2,…,K2,n}，共有n对匹配曲线，其中K1,j与K2,j为一对匹配曲线。设任一次迭代过程中生成的最优仿射变换矩阵为H，点集K2通过仿射变换H变换为点集K2′，即
然后计算点集K2′与点集K1中匹配曲线间的Hausdorff距离：
f＝{f1,f2,…,fn} (31)
定义适应度值为
平均距离
如果满足条件
则认为第j对匹配曲线对为误匹配，则将第j对匹配曲线从匹配曲线对中删除，
令
fa＝fa-fj (35)
K1＝{k1,1,k1,2,…,k1,j-1,k1,j+1,…,k1,n} (36)
K2′＝{k2,1′,k2,2′,…,k2,j-1′,k2,j+1′,…,k2,n′} (37)
K2＝K2′ (38)
直到迭代结束，得到两组待匹配曲线间的最优仿射变换关系。
4、计算待匹配手臂图像的匹配度。两图像匹配度的计算过程如下：
(1)、利用搜索的最佳变换矩阵，对待匹配图像中所有静脉进行空间变换；
(2)、对变换后的静脉点集与参考图像中的静脉点集进行空间对比，分别删除两点集中的出格点。
(3)、设匹配之前两幅手臂图像中静脉曲线上的总点数分别为m1和m2，经过空间变换并删除出格点后，两点集中近似对齐的点数分别为n1和n2，通过两组静脉点集空间对齐点数所占比例Plast来表示图像的匹配度，可表示为：
Plast＝min(n1,n2)/max(m1,m2) (39)
为证明本发明的有效性，现结合多组图像进行了验证。图4为对初始静脉曲线进行毛刺修剪效果，中(a)、(c)为两幅不同的初始静脉线，(b)、(d)分别为(a)、(b)两图的毛刺修剪结果，由图可见，毛刺修剪的效果较好。
图5为根据轮廓对静脉进行方向标准化的效果，其中(a)、(c)中的直线为轮廓的主轴，(a)、(b)为原始位置的轮廓及静脉，(c)、(d)为方向标准化后的轮廓及静脉位置，旋转后手臂主轴为水平方向。
图6为静脉线的修复效果，其中(b)为对(a)中凸起点的修复效果，(d)为对(c)中断开点的连接效果，由图可见，对于静脉方向及尺度标准化过程中产生的凸起点和断开点均得到了较好的修复。
图7为曲线段分割过程中检测到的分叉部位和拐点，(a)中方框标识的为有分叉点的分叉部位，圆圈标记的为无分叉点的分叉部位，由图观察，可见分叉部位的检测较为准确；(b)中圆圈标记的为检测到的拐角点，也较为准确，将静脉线由这些分叉部位及拐角点处断开，即可将静脉线分为多条曲线段。
图8为静脉曲线的匹配过程，其中(a)、(b)为同一人在不同时间拍摄的两幅手臂图像的静脉曲线段提取结果，相同形状标识的为匹配曲线对，剔除其中的误匹配曲线对结果如(c)、(d)所示，结果较为准确；(e)、(f)表示两手臂图像中匹配曲线对的初始状态和最佳空间变换后的位置关系，变换后两组曲线能较好的对齐；静脉全局的初始空间位置如(g)所示，利用搜索的最佳空间变化对全局静脉线变换后的位置关系如(h)所示，静脉全局达到空间位置的一致，(i)为删除出格点后的效果，最终两幅图像的匹配度为94.89％，证明了本发明的有效性。
对一个含有150人手臂图像的测试图库进行了实验，所有图像采用JAI-AD080CL相机进行拍摄，图像尺寸为1024×768像素。图像采集对象中女性12人，男性138人，年龄范围为13-69岁，包括来自8个国家。每个人拍摄了两次图像，平均时间间隔为两周，两次拍摄的光照、拍摄角度均有差异。对两次拍摄的图像进行静脉的提取和识别。将改进的Hausdorff距离匹配算法与模版匹配算法与本发明进行比较，实验结果的累积匹配特性曲线(Cumulative Match Characteristic Curve,CMC)，CMC曲线描述了正确结果排在前k名的概率分布。横坐标是正确结果的排名次序k，纵坐标为测试者正确身份包含在识别系统提供的前k位最相似对象中的概率，如图9所示。
如表1所示，根据匹配结果可见，利用本技术方案得到的Rank-1和Rank-10％识别率分别为72.67％和89.33％，而改进的Hausdorff距离匹配算法的这两个识别率为55.33％和75.33％，模版匹配的为25.33％和39.33％。与另外两种方法相比，本发明大大提高了的匹配率。
表1 匹配结果(％)
Rank 1 10 20 30 40 50 60 70 80 90 100
改进Hausdorff距离 55.33 75.33 82 85.33 90 92 94.67 95.33 98 99.33 100
模版匹配 25.33 39.33 53.33 61.33 68.67 74 79 83.33 87.33 93.33 100
本发明方法 72.67 89.33 92 93.33 96 99.33 100 100 100 100 100
手臂静脉是一种新的生物特征，相比于手部，手臂部位面积大、静脉纹理多、特征信息丰富，手臂静脉的识别研究在国内才刚刚起步。本发明提出一种利用手臂静脉线进行特征提取及匹配的方法，证明了手臂静脉可作为有效的生物特征进行身份识别。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (5)

1.一种手臂静脉纹线特征的提取及匹配方法，其特征在于包括以下步骤:
1)、对两幅待匹配手臂图像中的静脉线状进行标准化处理并分割为多条静脉曲线段的组合；
2)、利用各静脉曲线段的方向、位置及形状特征搜索待匹配手臂图像中的匹配曲线对；
3)、利用粒子群算法搜索待匹配手臂图像中曲线对的最优空间变换；
4)、根据待匹配手臂图像中全局静脉点变换后的点集重叠情况计算匹配度。
2.根据权利要求1所述的手臂静脉纹线特征的提取及匹配方法，其特征在于所述步骤1)过程为:
11)、对待匹配手臂图像进行毛刺修剪；
12)、对待匹配手臂图像中的静脉进行方向标准化处理：
121)、计算待匹配手臂图像的主轴直线：
<mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> <munder> <mo>&amp;Sigma;</mo> <mi>x</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>y</mi> </munder> <msub> <mi>r</mi> <mrow> <mi>x</mi> <mi>y</mi> </mrow> </msub> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
式中，rxy为点(x,y)到所取直线的垂直距离，f(x,y)为点(x,y)的灰度值；
122)、定义主轴直线的函数形式为：
xsinθ-ycosθ+ρ＝0 (2)
式中，θ为直线和x轴的夹角角度，ρ为原点到直线的垂直距离；
123)、定义任一点(x,y)到主轴直线的垂直距离为：
rxy 2＝(xsinθ-ycosθ+ρ)2 (3)
124)、将式(3)带入到式(1)：
<mrow> <mi>t</mi> <mi>a</mi> <mi>n</mi> <mn>2</mn> <mi>&amp;theta;</mi> <mo>=</mo> <mfrac> <mrow> <mn>2</mn> <msub> <mi>M</mi> <mn>11</mn> </msub> </mrow> <mrow> <msub> <mi>M</mi> <mn>20</mn> </msub> <mo>-</mo> <msub> <mi>M</mi> <mn>02</mn> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
式中，
<mrow> <msub> <mi>M</mi> <mn>20</mn> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>x</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>y</mi> </munder> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>M</mi> <mn>11</mn> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>x</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>y</mi> </munder> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>M</mi> <mn>02</mn> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>x</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>y</mi> </munder> <msup> <mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中M20、M11、M02为二阶矩，和为图像重心坐标；
125)、将待匹配手臂图像中轮廓及静脉线上所有点集顺时针旋转角度θ；
13)、对待匹配手臂图像中的静脉进行尺度标准化处理：
设待匹配手臂图像中的静脉线的所有点集X＝{Xi|i＝1…Np}，其中Xi为第i个点的坐标值，有
<mrow> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>N</mi> <mi>p</mi> </msub> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>p</mi> </msub> </munderover> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>N</mi> <mi>p</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>p</mi> </msub> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow> 1
<mrow> <mover> <mi>X</mi> <mo>^</mo> </mover> <mo>=</mo> <mfrac> <mrow> <mi>X</mi> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mi>&amp;sigma;</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
其中，和σ分别为点集的均值和方差，为归一化后的点集坐标；
14)、对经过步骤13)处理后的图像中的静脉进行修复，删除凸起点和连接断开的点；
15)、将经过步骤14)处理后的图像中静脉线由分叉部位及拐角点处断开，形成多条静脉曲线段。
3.根据权利要求2所述的手臂静脉纹线特征的提取及匹配方法，其特征在于所述步骤15)中：
断开分叉部位的过程为：在三条曲线相交叉时，定义8邻域中像素值为1的点个数大于3的点为分叉点，将分叉点处像素值置0；在两条曲线连接为直线，与第三条曲线位置靠近但不相交时，检测距离分叉部位最近的点作为分叉点，并将分叉点处像素值置0；
断开拐角点的过程为：使用8-方向Freeman链码来对每条静脉线进行编码，对静脉上任一点，利用当前点的左右两边k个点内的链码差分码来计算拐点；定义点的左右第k位置的差分码为：
<mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>|</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mo>|</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;le;</mo> <mn>4</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>8</mn> <mo>-</mo> <mo>|</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mo>|</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>c</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <mo>&gt;</mo> <mn>4</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
式中，c为链码序列，c(i+k)为当前点i之后第k个点处的链码值，c(i-k+1)为点i之前第k-1个点处的链码值；
点的k长度的链码差分均值为：
<mrow> <msub> <mi>M</mi> <mi>d</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>k</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
链码差分均值表示了当前点在左右各k个点内的方向变化；令k为4，并定义Md≥1.5时，此点记为拐点并将像素值置0。
4.根据权利要求1至3任一项所述的手臂静脉纹线特征的提取及匹配方法，其特征在于所述步骤3)的过程为:
首先，设待匹配手臂图像中匹配曲线的点集坐标分别为K1＝{K1,1,K1,2,…,K1,n}，K2＝{K2,1,K2,2,…,K2,n}，共有n对匹配曲线，其中K1,j与K2,j为一对匹配曲线；设任一次迭代过程中生成的最优仿射变换矩阵为H，点集K2通过仿射变换H变换为点集K2′，即
K2′＝HK2＝{K2,1′,K2,2′,…,K2,n′} (30)
计算点集K2′与点集K1中匹配曲线间的Hausdorff距离：
f＝{f1,f2,…,fn} (31)
定义适应度值为
<mrow> <msub> <mi>f</mi> <mi>a</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>32</mn> <mo>)</mo> </mrow> </mrow>
平均距离
<mrow> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>33</mn> <mo>)</mo> </mrow> </mrow>
如果满足条件
<mrow> <msub> <mi>f</mi> <mi>j</mi> </msub> <mo>&gt;</mo> <mn>3</mn> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> <mi>f</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>34</mn> <mo>)</mo> </mrow> </mrow> 2
则认为第j对匹配曲线对为误匹配，则将第j对匹配曲线从匹配曲线对中删除，令
fa＝fa-fj (35)
K1＝{k1,1,k1,2,…,k1,j-1,k1,j+1,…,k1,n} (36)
K2′＝{k2,1′,k2,2′,…,k2,j-1′,k2,j+1′,…,k2,n′} (37)
K2＝K2′ (38)
直到迭代结束，得到待匹配手臂图像中待匹配曲线间的最优仿射变换关系；
然后，利用搜索的最佳变换矩阵，对待匹配手臂图像中所有静脉进行空间变换。
5.根据权利要求4所述的手臂静脉纹线特征的提取及匹配方法，其特征在于所述步骤4)的过程为:
41)、对空间变换后待匹配手臂图像中的静脉点集与参考图像中的静脉点集进行空间对比，分别删除两点集中的出格点；
42)、设匹配之前两手臂图像中静脉曲线上的总点数分别为m1和m2，经过空间变换并删除出格点后，两点集中近似对齐的点数分别为n1和n2，通过两组静脉点集空间对齐点数所占比例Plast来表示图像的匹配度，可表示为：
Plast＝min(n1,n2)/max(m1,m2) (39)。
CN201610280663.2A 2016-04-29 2016-04-29 手臂静脉纹线特征的提取及匹配方法 Active CN107341431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610280663.2A CN107341431B (zh) 2016-04-29 2016-04-29 手臂静脉纹线特征的提取及匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610280663.2A CN107341431B (zh) 2016-04-29 2016-04-29 手臂静脉纹线特征的提取及匹配方法

Publications (2)

Publication Number Publication Date
CN107341431A true CN107341431A (zh) 2017-11-10
CN107341431B CN107341431B (zh) 2021-04-06

Family

ID=60222660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610280663.2A Active CN107341431B (zh) 2016-04-29 2016-04-29 手臂静脉纹线特征的提取及匹配方法

Country Status (1)

Country Link
CN (1) CN107341431B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508064A (zh) * 2020-11-24 2021-03-16 广州广电运通金融电子股份有限公司 指静脉身份识别方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010100A1 (en) * 2003-04-30 2005-01-13 Joachim Hornegger Method and apparatus for automatic detection of anomalies in vessel structures
CN1748642A (zh) * 2005-10-13 2006-03-22 上海交通大学 非侵入式人体手臂关节的测量方法
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN101162504A (zh) * 2007-11-27 2008-04-16 重庆工学院 手指静脉认证系统的静脉特征提取方法
CN105184272A (zh) * 2015-09-21 2015-12-23 中国人民解放军国防科学技术大学 基于曲线匹配的手背静脉识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010100A1 (en) * 2003-04-30 2005-01-13 Joachim Hornegger Method and apparatus for automatic detection of anomalies in vessel structures
CN1748642A (zh) * 2005-10-13 2006-03-22 上海交通大学 非侵入式人体手臂关节的测量方法
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN101162504A (zh) * 2007-11-27 2008-04-16 重庆工学院 手指静脉认证系统的静脉特征提取方法
CN105184272A (zh) * 2015-09-21 2015-12-23 中国人民解放军国防科学技术大学 基于曲线匹配的手背静脉识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
TEODORS EGLITIS 等: "Bimodal palm biometric feature extraction using a single RGB image", 《2014 GESELLDCHAFT FUR INFOMATIK E.V》 *
YUSUKE MATSUDA 等: "Finger-vein authentication based on deformation-tolerant feature-point matching", 《MACHINE VISION ANDF APPLICATIONS》 *
丁明跃: "《物联网识别技术》", 31 July 2012, 中国铁道出版社 *
伯特霍尔德.霍恩: "《机器视觉》", 31 August 2014, 中国青年出版社 *
余博: "Freeman链码描述的曲线匹配方法", 《计算机工程与应用》 *
林喜荣 等: "人体手背血管图像的特征提取及匹配", 《清华大学学》 *
牟洪波 等: "《基于BP和RBF神经网络的木材缺陷检测研究》", 30 May 2011, 哈尔冰工程大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508064A (zh) * 2020-11-24 2021-03-16 广州广电运通金融电子股份有限公司 指静脉身份识别方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN107341431B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN106919941B (zh) 一种三维手指静脉识别方法及系统
CN105956582B (zh) 一种基于三维数据的人脸识别系统
CN104574421B (zh) 一种大幅面小重合区域高精度多光谱图像配准方法及装置
CN104063702B (zh) 一种基于遮挡修复和局部相似性匹配的三维步态识别方法
CN102663393B (zh) 基于旋转校正的手指静脉图像感兴趣区域提取方法
CN107392082B (zh) 一种基于深度学习的小面积指纹比对方法
CN102419819B (zh) 人脸图像识别方法和系统
CN107862282A (zh) 一种手指静脉识别与安全认证方法及其终端及系统
CN102663411B (zh) 一种目标人体识别方法
CN108520204A (zh) 一种人脸识别方法
CN104239769A (zh) 基于手指静脉特征的身份识别方法及系统
CN101131728A (zh) 一种基于Shape Context的人脸形状匹配方法
CN102194114A (zh) 一种基于边缘梯度方向金字塔直方图的虹膜识别方法
CN107958443A (zh) 一种基于脊线特征和tps形变模型的指纹图像拼接方法
CN103778626A (zh) 一种基于视觉显著区域的快速图像配准方法
CN103679136A (zh) 基于局部宏观特征和微观特征结合的手背静脉身份识别方法
CN107704840A (zh) 一种基于深度学习的遥感图像道路检测方法
CN105426872A (zh) 一种基于相关高斯过程回归的面部年龄估计方法
CN103955496B (zh) 一种快速的现场轮胎痕迹花纹检索算法
CN101533466A (zh) 一种眼睛定位图像处理方法
CN109523484B (zh) 一种基于分形特征的手指静脉血管网络修复方法
CN110147769B (zh) 一种手指静脉图像匹配方法
CN104392209B (zh) 一种目标与背景的图像复杂度评价方法
CN104036494B (zh) 一种用于水果图像的快速匹配计算方法
CN105373781A (zh) 用于身份认证的二值图像处理方法

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