CN107368792A - 一种基于滤波器以及主干边缘的指静脉识别方法及系统 - Google Patents

一种基于滤波器以及主干边缘的指静脉识别方法及系统 Download PDF

Info

Publication number
CN107368792A
CN107368792A CN201710517638.6A CN201710517638A CN107368792A CN 107368792 A CN107368792 A CN 107368792A CN 201710517638 A CN201710517638 A CN 201710517638A CN 107368792 A CN107368792 A CN 107368792A
Authority
CN
China
Prior art keywords
image
mrow
obtains
gray level
pretreatment
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.)
Pending
Application number
CN201710517638.6A
Other languages
English (en)
Inventor
胡建国
王金鹏
王德明
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.)
Guangzhou Smart City Development Research Institute
Guangzhou Shizhen Information Technology Co Ltd
Original Assignee
Guangzhou Smart City Development Research Institute
Guangzhou Shizhen Information Technology Co Ltd
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 Guangzhou Smart City Development Research Institute, Guangzhou Shizhen Information Technology Co Ltd filed Critical Guangzhou Smart City Development Research Institute
Priority to CN201710517638.6A priority Critical patent/CN107368792A/zh
Publication of CN107368792A publication Critical patent/CN107368792A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于滤波器以及主干边缘的指静脉识别方法及系统，克服了最小特征点的不稳定性以及提高了对噪声的冗余性。该方法包括：对图像进行预处理，获取预处理后图像；对所述预处理后图像进行特征提取处理，获取所述预处理后图像主干边缘特征点；采用所述预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。通过实施本发明实施例，对图像依次进行预处理、特征提取、匹配，可以有效提高指静脉识别的准确率。

Description

一种基于滤波器以及主干边缘的指静脉识别方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于滤波器以及主干边缘的指静脉识别方法及系统。
背景技术
手指静脉识别技术是生物识别家族中前景最为看好的重要成员之一，由于其高安全、防伪、活体性使得成为关注的研究方向。在确保100％注册率的条件下，拒真率小于0.01％，识假率小于0.00001％，但指静脉识别技术仍然存在着诸多不足。
指静脉多采用红外成像方式，采集到的图像光照变化幅度较大，对匹配识别造成很大困难。
手指静脉特征提取分为局部特征与全局特征两大类，其中，局部特征中最重要的一类便是最小特征点匹配，由于其运算量小、运算复杂度低、表达方便的特点，在指静脉研究中广泛使用。但是传统的最小特征点匹配受噪声影响严重，冗余性低。
现有的匹配方案有基于细节特征点的匹配，通过提取到细节特征点之后计算欧式距离进行匹配，但是基于细节特征点的匹配存在受旋转影响严重，且很不稳定，受噪声影响严重。
大多匹配识别率较高的识别系统进行特征提取与匹配需要涉及大量计算，在实验中要调整各项关键参数。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于滤波器以及主干边缘的指静脉识别方法及系统，可以有效提高指静脉的识别准确率。
为了解决上述技术问题，本发明实施例一种基于滤波器以及主干边缘的指静脉识别方法，所述方法包括：
对图像进行预处理，获取预处理后图像，所述预处理后图像为分割后图像；
对所述预处理后图像进行特征提取处理，获取所述预处理后图像主干边缘特征点；
采用所述预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。
优选地，所述对图像进行预处理包括：
对图像进行符合人眼特性的灰度化处理，获取灰度图像；
对所述灰度图像进行均值滤波降噪处理，获取降噪后灰度图像；
采用Canny检测算法对所述降噪后灰度图像进行边缘检测，获取边缘检测后图像，所述边缘检测后图像为强边缘边界灰度图像；
对边缘检测后图像进行图像感兴趣区域提取处理，获取感兴趣区域图像；
对所述感兴趣区域图像进行旋转处理，获取旋转后感兴趣区域图像；
对所述旋转后感兴趣区域图像进行归一化处理，获取归一化后灰度图像，所述归一化处理包括灰度值归一化处理和尺寸归一化处理；
对所述归一化后图像进行八方向滤波处理，获取八方向滤波后灰度图像；
采用NiBlack算法对所述八方向滤波后灰度图像进行分割处理，获取分割后图像。
优选地，所述采用Canny检测算法对所述降噪后灰度图像进行边缘检测包括：
对降噪后灰度图像进行高斯核滤波以及应用高斯滤波器对图像进行卷积处理，获取消除高斯噪声和平滑处理后灰度图像；
采用Prewitt算子对所述消除高斯噪声和平滑处理后灰度图像进行处理，获取强度梯度图像；
采用非最大抑制比较所述强度梯度图像像素的边缘强度与正负梯度方向上的边缘强度，若是最大则保留，否则抑制，获取非最大抑制后灰度图像；
对所述非最大抑制后灰度图像进行双阈值与边缘追踪处理，获取强边缘边界灰度图像。
优选地，所述对边缘检测后图像进行图像感兴趣区域提取处理包括对强边缘边界灰度图像进行前景区和背景区分割处理以及从所述强边缘边界灰度图像的竖直方向按照角度使用边缘追踪，通过选取关键点的位置和指关节在手指根附近的纹理去除两端阴影区，获取图像感兴趣区域。
优选地，所述对所述旋转后感兴趣区域图像进行归一化处理包括：
通过对所述旋转后感兴趣区域图像进行灰度值归一化，选取最大最小值，使所述旋转后感兴趣区域图像的每个像素点的灰度值到[0,255]，灰度值归一化公式如下：
其中，x、y表示像素的坐标；
采用双线性插值法对所述旋转后感兴趣区域图像进行尺寸归一化处理，遍历所述旋转后感兴趣区域图像图上每个点，对x、y方向都进行插值与取整。
优选地，所述对所述归一化后图像进行八方向滤波处理包括采用一种通过滤波器提取静脉图像的滤波器设计准则，计算归一化后图像每一个像素点周围每个点与八方向滤波器组的卷积和，卷积函数公式如下：
其中，i、j表示像素的坐标，f(i,j)表示归一化后图像的像素点，x、y的范围标为周围区域的范围，Tk(x,y)表示相对应方向模板的系数，V(i,j)表示经过滤波函数的预处理图像像素灰度值；取得所有Vk(i,j)(k＝1,2...8)，求得其中最大的卷积和作为该像素点的灰度值。
优选地，采用指静脉图像主干边缘为特征点对所述预处理后图像进行特征点提取，获取图像主干边缘特征点集。
优选地，采用MHD算法对所述图像主干边缘特征点集与标准模板的点集进行比对，通过预设阈值，若是两点集的匹配结果小于阈值，则判定两幅图像匹配成功，反之不成功。
另外，本发明实施例还提供了一种基于滤波器以及主干边缘的指静脉识别系统，所述系统包括：
图像预处理模块：用于将图像进行预处理，获取预处理后图像；
图像特征提取模块：用于将预处理后图像进行特征提取处理，获取所述预处理后图像主干边缘特征点；
图像匹配模块：用于将预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。
优选地，所述图像预处理模块包括：
图像灰度化处理单元：将图像进行符合人眼特性的灰度化处理，获取灰度图像；
图像均值滤波处理单元：将灰度图像进行均值滤波降噪处理，获取降噪后灰度图像；
canny边缘检测单元：将降噪后灰度图像进行canny边缘检测，获取边缘检测后图像；
图像感兴趣区域单元：将边缘检测后图像进行感兴趣区域提取处理，获取感兴趣区域图像；
图像旋转单元：将感兴趣区域图像进行图像旋转处理，获取旋转后感兴趣区域图像；
图像归一化单元：将旋转后感兴趣区域图像进行归一化处理，获取归一化后灰度图像；
图像八方向滤波处理单元：将归一化后灰度图像进行八方向滤波处理，获取八方向滤波后灰度图像；
图像分割处理单元：采用NiBlack算法对八方向滤波后灰度图像进行分割处理，获取分割后图像。
通过对图像依次进行预处理、特征提取、特征匹配，可以有效提高指静脉识别的准确率。其中，预处理包含灰度化、滤波去噪声、图像感兴趣区域获取、图像旋转、图像归一化、八方向滤波、图像分割，使图像的特征更加明显，有助于更好的进行特征点提取。特征提取采用指静脉图像的主干边缘为特征点，能够减少匹配误差，降低噪声影响误等率(EER)。特征匹配采用无向MHD算法计算，比原始Hausdorff算法表现更好，抗噪性能更强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例一种基于滤波器以及主干边缘的指静脉识别方法的流程示意图；
图2是图1的S11对图像进行预处理，获取预处理后图像详细流程示意图；
图3是图2的S113对降噪后灰度图像进行canny边缘检测，获取边缘检测后图像的详细流程示意图；
图4是本发明实施例一种基于滤波器以及主干边缘的指静脉识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例一种基于滤波器以及主干边缘的指静脉识别方法的流程示意图，如图1所示，所述方法包括：
S11：对图像进行预处理，获取预处理后图像；
S12：对所述预处理后图像进行特征提取处理，获取所述预处理后图像主干边缘特征点；
S13：采用所述预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。
对S11进一步说明：
对图像进行预处理预处理包括图像灰度化、滤波去噪声、图像感兴趣区域获取、图像旋转、图像归一化、八向滤波、图像分割。
对S12进一步说明：
静脉图像骨架和最小特征点：对于静脉图像最小特征点有很多处理和获取方法，其中有一种是对经过NiBlack算法分割后的图像中先进行细化为单像素宽的脉络骨架，而后提取端点和叉点，是从骨架上获取最小特征，而后进行欧式距离匹配。
但是由于最小特征点通常提取的数目有限，而且由于成像质量的不稳定性，同一个人在不同时间、在不同角度、不同光线下采集得到的图像质量不一，判决出的端点和叉点点集含常有较大差异，在样本较多的情况下，很容易出现匹配误差，并且噪声会严重影响误等率(EER)。用细化的骨架匹配也能降低运算次数，但是由于经常出现断点以及旋转影响，实际效果并不满意。因此采用指静脉图像的主干边缘为特征点。
指静脉图像的主干边缘为特征点提取主要思想:遍历经过归一化后的 NiBlack图像(64*96)中的每个像素点，对于值为1的，对其(3×3)的区域，令p0值为1，cgnum表示从p1到p8的变化次数，如果大于2，则认为是边缘点。计算公式如下：
对S13进一步说明：
将预处理后图像主干边缘特征点与标准模板的点集进行比对，从中选取欧式距离最小的。对于欧式空间中的两点集A＝{a1,a2,......}B＝{b1,b2,......}， Hausdorff距离就是用来衡量这两个点集间的距离，计算Hausdorff距离公式如下：
H(A,B)＝max[h(A,B),h(B,A)]
其中，h(A,B)与h(B,A)分别表示从A到B与从B到A的欧式距离；
h(A,B)＝maxa∈Aminb∈B||a-b||
h(B,A)＝maxa∈Aminb∈B||b-a||
其中，H(A,B)记为双向Hausdorff距离，h(A,B)为单向Hausdorff距离。
由于使用传统的Hausdorff距离算法时，即使两幅图像很相似，几个小的噪声点就可能使得结果差别很大，因此使用modified Hausdorff Distance(MHD)距离计算度量两个图片点集间的最大不匹配程度，计算无向 MHD公式如下：
其中，A代表在A点集合中的数目个数，在试验中无向MHD算法比起原始 Hausdorff算法表现更好，抗噪性能更强。
在确定选择使用MHD算法匹配后，在匹配识别阶段，需要选取合理的阈值，即MHD的分界值，若两点集的匹配结果小于阈值，则判决两幅图像匹配成功，反之不成功。阈值选取依据大量的实验数据获得，分别对不同手指静脉与同一手指静脉做匹配，以及对同一手指采集的不同时期的手指静脉做匹配，划分出一个合理的阈值用来区分两个待匹配样本是否属于同一用户。匹配基本思想是对数据库中的每一幅图像均做交叉匹配，申请一个矩阵M，用来记录任意两幅图片之间的MHD，公式如下：
Mi,j＝H(Ai,Bj)0<i,j<n
其中n为样本总数。求得矩阵M后，统计同一用户同一手指指静脉图像之间的MHD之后，从中选取均值记为t1，同样对不同的手指指静脉图像之间选取均值t2，从t1开始，每次按照一定步长增至t2，记录每次的FAR，从中选取当FAR最小时的阈值。
图2是图1的S11对图像进行预处理，获取预处理后图像详细流程示意图，如图2所示，所述方法包括：
S111：对图像进行符合人眼特性的灰度化处理，获取灰度图像；
S112：对所述灰度图像进行均值滤波降噪处理，获取降噪后灰度图像；
S113：采用Canny检测算法对所述降噪后灰度图像进行边缘检测，获取边缘检测后图像；
S114：对边缘检测后图像进行图像感兴趣区域提取处理，获取感兴趣区域图像；
S115：对所述感兴趣区域图像进行旋转处理，获取旋转后感兴趣区域图像；
S116：对所述旋转后感兴趣区域图像进行归一化处理，获取归一化后灰度图像；
S117：对所述归一化后图像进行八方向滤波处理，获取八方向滤波后灰度图像；
S118：采用NiBlack算法对所述八方向滤波后灰度图像进行分割处理，获取分割后图像。
对S111进一步说明：
对图像进行符合人眼特性的灰度化处理，公式如下：
Gray＝0.229*R+0.587*G+0.114*B
其中，R表示图像红色分量，G表示图像绿色分量，B表示图像蓝色分量， Gray表示灰度图像。
对S112进一步说明：
对灰度图像通过均值滤波去除影响的噪声点，公式如下：
其中M＝9，g(x,y)表示均值滤波后点的灰度值，f(x,y)表示滤波前点的灰度值，则权系数矩阵为：
对S113进一步说明：
S113的详细流程由图3所示。
对S114进一步说明：
通过canny变化得到手指边缘之后，用两个点集记录手指边缘，再原图像中只保留两个点集之间的像素点，便把前景区和背景区分割开来，由于采集方式的原因，此时仍然包含了手指上两侧无关信息，需要去除掉阴影部分，选择从图的一端开始用一条线开始检测，且按照角度使用边缘追踪，再通过选取关键点的位置和指关节在手指根附近的纹理去除两端阴影区，得到图像感兴趣区域。
对S115进一步说明：
对感兴趣区域图像进行图像旋转处理，通过采用L.Hong等人提出了一种基于旋转矩阵的几何仿射变化，实现图像旋转方法如下：
其中θ为图像旋转角度，本文中通过检测出的指纹图像的边缘与水平的夹角确定θ。
对S116进一步说明：
对旋转后感兴趣区域图像感兴趣区域进行灰度值归一化，选取最大最小值，使所述图像感兴趣区域每个像素点的灰度值到[0,255]，灰度值归一化公式如下：
其中，x、y表示像素的坐标；
采用双线性插值法对所述旋转后感兴趣区域图像感兴趣区域进行尺寸归一化处理，遍历图上每个点，对x、y方向都进行插值与取整。
对S117进一步说明：
指静脉脉络骨架上每一点都具有特定方向特征，基于这个原则， O’Gorman等人提出了一种通过滤波器提取静脉图像的滤波器设计准则，即滤波器模板的宽度为奇数，模板系数要中心对称，滤波器模板在竖直方向上的中心系数为负，在滤波器模板两边的系数为正，滤波器模板在方向上是对称的，模板上所有系数的和应该为0。
基于这个准则，为了实现更好的特征提取效果，定义了八个9x9的方向滤波器模板，如下所示：
符合以上所有准则，第一个滤波器的系数选取根据实验选取-1，3，-4。而后分别对滤波器系数利用文献查找表算法旋转得到其它8个模板，而后用最邻近元法确定具体位置。
由于图像进行了归一化，对于经过预处理后的输入图像上的每一个像素点(i,j)，计算周围9×9窗口内的每个点与8方向滤波器组的卷积和，卷积函数如下所示：
其中，i、j表示像素的坐标，f(i,j)表示原始图像的像素点，x、y的范围标为周围区域的范围，Tk(x,y)表示相对应方向模板的系数，V(i,j)表示经过滤波函数的预处理图像像素灰度值；得到所有Vk(i,j)(k＝1,2...8)；之后求得其中最大的卷积和G(i,j)作为该像素点的灰度值，表示形式如下：
G(i,j)＝max(V(i,j))
对S118进一步说明：
对八方向滤波后灰度图像采用NiBlack算法进行分割处理，由于经过方向特征提取的图像含有噪声以及伪静脉特征，需要进行NiBlack算法局部分割来增强方向图。通过对整副图像区分前景区与后景区，根据阈值对每个像素点进行0，1二值化。
对于每个像素点T(x,y)的阈值，都是由一个w×w大小的窗口内计算出来的，计算公式如下：
T(x,y)＝m(x,y)+k*δ(x,y)
其中，m(x,y)表示w×w窗口内像素点灰度值的均值，δ(x,y)表示w×w窗口内像素点灰度值的标准差，k为偏差系数。最后获取图像感兴趣区域后的图像经过方向选取与NiBlack算法分割后的实验结果。
图3是图2的S113对降噪后灰度图像进行canny边缘检测，获取边缘检测后图像的详细流程示意图，如图3所示，所述方法包括：
S1131：对降噪后灰度图像进行处理，获取消除高斯噪声和平滑后灰度图像；
S1132：对消除高斯噪声和平滑后灰度图像处理，获取强度梯度图像；
S1133：对强度梯度图像进行非最大抑制处理，获取非最大抑制后灰度图像；
S1134：对非最大抑制后灰度图像进行双阈值与边缘追踪处理，获取强边缘边界灰度图像。
对S1131进一步说明：
对降噪后灰度图像进行处理，通过降噪后灰度图像进行高斯核滤波，进行滤除噪声与平滑定义大小为(2k+1)*(2k+1)k＝0,1,2...的高斯滤波器核，等式如下所示：
本文中采用5x5的高斯滤波器，尺寸越大，检测器对噪声的灵敏度越低。选取sigma＝1.4，通过如上公式计算出滤波器系数之后，得到浮点数，为了矩阵计算方便，对原矩阵进行放大取整，即令
其中Gi,j为最终生成的滤波器矩阵系数，c为矩阵倍乘常量，经过实验选取为159使原矩阵丢失精度较小，最终得到的滤波器结果如下：
而后应用高斯滤波器和图像进行卷积，得到滤去部分噪声和平滑后的图像。
对S1132进一步说明：
对滤去部分噪声和平滑后灰度图像处理，首先得到水平方向与垂直方向上的一阶导数的值,使用一阶有限差分来近似，使用Prewitt算子来实现，卷积模板如下：
对于每个点边缘梯度和方向求得如下：
θ＝atan2(Gx,Gy)
其中Gx与Gy分别表示图像上每个点与prewitt算子矩阵卷积后的结果，即一阶偏导数值。
对S1133进一步说明：
对灰度图像强度梯度图像进行非最大抑制处理。由于梯度计算后，提取得到的边缘仍然很模糊，非最大抑制使除了局部最大值之外的所有梯度值变为0，即保留具有强度值最明显变化的位置。对于每个点：比较当前像素的边缘强度与正负梯度方向上的边缘强度进行比较，若最大则保留，否则抑制。
对S1134进一步说明：
对非最大抑制后灰度图像进行双阈值与边缘追踪处理，只保留一个强边缘边界，除去弱边缘。
图4是本发明实施例一种基于滤波器以及主干边缘的指静脉识别系统的结构示意图，如图4所示，所述系统包括：
11：图像预处理模块，用于将图像进行预处理，获取预处理后图像；
12：图像特征提取模块，用于将预处理后图像进行特征点提取处理，获取所述预处理后图像主干边缘特征点；
13：图像匹配模块，用于将预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。
对11进一步说明：
所述图像预处理模块包括：
图像灰度化处理单元：将图像进行符合人眼特性的灰度化处理，获取灰度图像；
图像均值滤波处理单元：将灰度图像进行均值滤波降噪处理，获取降噪后灰度图像；
canny边缘检测单元：将降噪后灰度图像进行canny边缘检测，获取边缘检测后图像；
图像感兴趣区域单元：将边缘检测后图像进行感兴趣区域提取处理，获取感兴趣区域图像；
图像旋转单元：将感兴趣区域图像进行图像旋转处理，获取旋转后感兴趣区域图像；
图像归一化单元：将旋转后感兴趣区域图像进行归一化处理，获取归一化后灰度图像；
图像八方向滤波处理单元：将归一化后灰度图像进行八方向滤波处理，获取八方向滤波后灰度图像；
图像分割处理单元：采用NiBlack算法对八方向滤波后灰度图像进行分割处理，获取分割后图像。
具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。
通过对图像依次进行预处理、特征提取、特征匹配，可以有效提高指静脉识别的准确率。其中，预处理包含灰度化、滤波去噪声、图像感兴趣区域获取、图像旋转、图像归一化、八方向滤波、图像分割，使图像的特征更加明显，有助于更好的进行特征点提取。特征提取采用指静脉图像的主干边缘为特征点，能够减少匹配误差，降低噪声影响误等率(EER)。特征匹配采用无向MHD算法计算，比原始Hausdorff算法表现更好，抗噪性能更强。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于滤波器以及主干边缘的指静脉识别方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，所述方法包括：
对图像进行预处理，获取预处理后图像，所述预处理图像为分割后图像；
对所述预处理后图像进行特征提取处理，获取所述预处理后图像主干边缘特征点；
采用所述预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。
2.根据权利要求1所述，一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，所述对图像进行预处理包括：
对图像进行符合人眼特性的灰度化处理，获取灰度图像；
对所述灰度图像进行均值滤波降噪处理，获取降噪后灰度图像；
采用Canny检测算法对所述降噪后灰度图像进行边缘检测，获取边缘检测后图像，所述边缘检测后图像为强边缘边界灰度图像；
对边缘检测后图像进行图像感兴趣区域提取处理，获取感兴趣区域图像；
对所述感兴趣区域图像进行旋转处理，获取旋转后感兴趣区域图像；
对所述旋转后感兴趣区域图像进行归一化处理，获取归一化后灰度图像，所述归一化处理包括灰度值归一化处理和尺寸归一化处理；
对所述归一化后图像进行八方向滤波处理，获取八方向滤波后灰度图像；
采用NiBlack算法对所述八方向滤波后灰度图像进行分割处理，获取分割后图像。
3.根据权利要求2所述一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，所述采用Canny检测算法对所述降噪后灰度图像进行边缘检测包括：
对降噪后灰度图像进行高斯核滤波以及应用高斯滤波器对图像进行卷积处理，获取消除高斯噪声和平滑处理后灰度图像；
采用Prewitt算子对所述消除高斯噪声和平滑处理后灰度图像进行处理，获取强度梯度图像；
采用非最大抑制比较所述强度梯度图像像素的边缘强度与正负梯度方向上的边缘强度，若是最大则保留，否则抑制，获取非最大抑制后灰度图像；
对所述非最大抑制后灰度图像进行双阈值与边缘追踪处理，获取强边缘边界灰度图像。
4.根据权利要求2所述一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，所述对边缘检测后图像进行图像感兴趣区域提取处理包括对强边缘边界灰度图像进行前景区和背景区分割处理以及从所述强边缘边界灰度图像的竖直方向按照角度使用边缘追踪，通过选取关键点的位置和指关节在手指根附近的纹理去除两端阴影区，获取感兴趣区域图像。
5.根据权利要求2所述一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，所述对所述旋转后感兴趣区域图像进行归一化处理包括：
通过对所述旋转后感兴趣区域图像进行灰度值归一化，选取最大最小值，使所述旋转后感兴趣区域图像的每个像素点的灰度值到[0,255]，灰度值归一化公式如下：
<mrow> <mi>x</mi> <mo>=</mo> <mfrac> <mrow> <mi>x</mi> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>*</mo> <mn>255</mn> </mrow> 1
<mrow> <mi>y</mi> <mo>=</mo> <mfrac> <mrow> <mi>y</mi> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>*</mo> <mn>255</mn> </mrow>
其中，x、y表示像素的坐标；
采用双线性插值法对所述旋转后感兴趣区域图像进行尺寸归一化处理，遍历所述旋转后感兴趣区域图像图上每个点，对x、y方向都进行插值与取整。
6.根据权利要求2所述一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，所述对所述归一化后图像进行八方向滤波处理包括采用一种通过滤波器提取静脉图像的滤波器设计准则，计算归一化后图像每一个像素点周围每个点与八方向滤波器组的卷积和，卷积函数公式如下：
<mrow> <msub> <mi>V</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>x</mi> <mo>=</mo> <mo>-</mo> <mn>4</mn> </mrow> <mn>4</mn> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>y</mi> <mo>=</mo> <mo>-</mo> <mn>4</mn> </mrow> <mn>4</mn> </msubsup> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>+</mo> <mi>x</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>y</mi> </mrow> <mo>)</mo> </mrow> <msub> <mi>T</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> </mrow> </mrow>
其中，i、j表示像素的坐标，f(i,j)表示归一化后图像的像素点，x、y的范围标为周围区域的范围，Tk(x,y)表示相对应方向模板的系数，V(i,j)表示经过滤波函数的预处理图像像素灰度值；取得所有Vk(i,j)(k＝1,2...8)，求得其中最大的卷积和作为该像素点的灰度值。
7.根据权利要求1所述一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，采用指静脉图像主干边缘为特征点对所述预处理后图像进行特征点提取，获取图像主干边缘特征点。
8.根据权利要求1所述一种基于滤波器以及主干边缘的指静脉识别方法，其特征在于，采用MHD算法对所述图像主干边缘特征点集与标准模板的点集进行比对，通过预设阈值，若是两点集的匹配结果小于阈值，则判定两幅图像匹配成功，反之不成功。
9.一种基于滤波器以及主干边缘的指静脉识别系统，其特征在于，所述系统包括：
图像预处理模块：用于将图像进行预处理，获取预处理后图像；
图像特征提取模块：用于将预处理后图像进行特征提取处理，获取所述预处理后图像主干边缘特征点；
图像匹配模块：用于将预处理后图像主干边缘特征点与标准模板的点集进行比对，若两点集的匹配结果小于预设阈值，则判决两幅图像匹配成功，反之不成功。
10.根据权利要求9所述一种基于滤波器以及主干边缘的指静脉识别系统，其特征在于，所述图像预处理模块包括：
图像灰度化处理单元：将图像进行符合人眼特性的灰度化处理，获取灰度图像；
图像均值滤波处理单元：将灰度图像进行均值滤波降噪处理，获取降噪后灰度图像；
canny边缘检测单元：将降噪后灰度图像进行canny边缘检测，获取边缘检测后图像；
图像感兴趣区域单元：将边缘检测后图像进行感兴趣区域提取处理，获取感兴趣区域图像；
图像旋转单元：将感兴趣区域图像进行图像旋转处理，获取旋转后感兴趣区域图像；
图像归一化单元：将旋转后感兴趣区域图像进行归一化处理，获取归一化后灰度图像；
图像八方向滤波处理单元：将归一化后灰度图像进行八方向滤波处理，获取八方向滤波后灰度图像；
图像分割处理单元：采用NiBlack算法对八方向滤波后灰度图像进行分割处理，获取分割后图像。
CN201710517638.6A 2017-06-29 2017-06-29 一种基于滤波器以及主干边缘的指静脉识别方法及系统 Pending CN107368792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710517638.6A CN107368792A (zh) 2017-06-29 2017-06-29 一种基于滤波器以及主干边缘的指静脉识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710517638.6A CN107368792A (zh) 2017-06-29 2017-06-29 一种基于滤波器以及主干边缘的指静脉识别方法及系统

Publications (1)

Publication Number Publication Date
CN107368792A true CN107368792A (zh) 2017-11-21

Family

ID=60305110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710517638.6A Pending CN107368792A (zh) 2017-06-29 2017-06-29 一种基于滤波器以及主干边缘的指静脉识别方法及系统

Country Status (1)

Country Link
CN (1) CN107368792A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280448A (zh) * 2017-12-29 2018-07-13 北京智慧眼科技股份有限公司 指静脉按压图的判别方法及装置、指静脉识别方法
CN108509886A (zh) * 2018-03-26 2018-09-07 电子科技大学 基于静脉像素点判定的掌静脉识别方法
CN108876711A (zh) * 2018-06-20 2018-11-23 山东师范大学 一种基于图像特征点的草图生成方法、服务器及系统
CN108921171A (zh) * 2018-06-22 2018-11-30 宁波工程学院 一种骨关节x线片自动识别分级方法
CN108986130A (zh) * 2018-07-13 2018-12-11 电子科技大学 一种空中背景下的红外弱小目标检测方法
CN109377473A (zh) * 2018-09-13 2019-02-22 新绎健康科技有限公司 一种定位目标取脉点的方法及装置
CN109447083A (zh) * 2018-08-31 2019-03-08 广州市派客朴食信息科技有限责任公司 一种基于图像边缘特征的餐具识别方法
CN110119724A (zh) * 2019-05-16 2019-08-13 天津科技大学 一种指静脉识别方法
CN110324617A (zh) * 2019-05-16 2019-10-11 西安万像电子科技有限公司 图像处理方法及装置
CN110499802A (zh) * 2019-07-17 2019-11-26 爱克斯维智能科技(苏州)有限公司 一种用于挖掘机的图像识别方法和设备
CN110674799A (zh) * 2019-11-15 2020-01-10 南昌木本医疗科技有限公司 一种基于图像处理的植物提取参数设置系统
CN110879957A (zh) * 2018-09-06 2020-03-13 塔塔顾问服务有限公司 用于进行手分割的系统和方法
CN111340739A (zh) * 2020-03-24 2020-06-26 珠海嘉润医用影像科技有限公司 一种图像处理方法及系统
CN111639560A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置
CN111815660A (zh) * 2020-06-16 2020-10-23 北京石油化工学院 危化品仓库中货物边缘检测方法、装置及终端设备
CN112365489A (zh) * 2020-11-25 2021-02-12 同济大学 一种超声图像血管分叉检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043961A (zh) * 2010-12-02 2011-05-04 北京交通大学 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法
CN102222229A (zh) * 2011-07-28 2011-10-19 陈庆武 手指静脉图像预处理方法
CN102982334A (zh) * 2012-11-05 2013-03-20 北京理工大学 基于目标边缘特征与灰度相似性的稀疏视差获取方法
US20130121607A1 (en) * 2008-12-19 2013-05-16 Texas Instruments Incorporated Elegant Solutions for Fingerprint Image Enhancement
CN103870830A (zh) * 2014-02-25 2014-06-18 奇瑞汽车股份有限公司 车道线边缘特征点的提取方法及装置
CN104933432A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种指腹折痕和指静脉图像的处理方法
CN105975905A (zh) * 2016-04-26 2016-09-28 山西圣点世纪科技股份有限公司 一种手指静脉快速识别方法
CN105975974A (zh) * 2016-05-10 2016-09-28 深圳市金脉智能识别科技有限公司 一种手指静脉识别中提取roi图像的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130121607A1 (en) * 2008-12-19 2013-05-16 Texas Instruments Incorporated Elegant Solutions for Fingerprint Image Enhancement
CN102043961A (zh) * 2010-12-02 2011-05-04 北京交通大学 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法
CN102222229A (zh) * 2011-07-28 2011-10-19 陈庆武 手指静脉图像预处理方法
CN102982334A (zh) * 2012-11-05 2013-03-20 北京理工大学 基于目标边缘特征与灰度相似性的稀疏视差获取方法
CN103870830A (zh) * 2014-02-25 2014-06-18 奇瑞汽车股份有限公司 车道线边缘特征点的提取方法及装置
CN104933432A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种指腹折痕和指静脉图像的处理方法
CN105975905A (zh) * 2016-04-26 2016-09-28 山西圣点世纪科技股份有限公司 一种手指静脉快速识别方法
CN105975974A (zh) * 2016-05-10 2016-09-28 深圳市金脉智能识别科技有限公司 一种手指静脉识别中提取roi图像的方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280448B (zh) * 2017-12-29 2020-04-21 智慧眼科技股份有限公司 指静脉按压图的判别方法及装置、指静脉识别方法
CN108280448A (zh) * 2017-12-29 2018-07-13 北京智慧眼科技股份有限公司 指静脉按压图的判别方法及装置、指静脉识别方法
CN108509886A (zh) * 2018-03-26 2018-09-07 电子科技大学 基于静脉像素点判定的掌静脉识别方法
CN108509886B (zh) * 2018-03-26 2021-08-17 电子科技大学 基于静脉像素点判定的掌静脉识别方法
CN108876711A (zh) * 2018-06-20 2018-11-23 山东师范大学 一种基于图像特征点的草图生成方法、服务器及系统
CN108876711B (zh) * 2018-06-20 2023-01-31 山东师范大学 一种基于图像特征点的草图生成方法、服务器及系统
CN108921171A (zh) * 2018-06-22 2018-11-30 宁波工程学院 一种骨关节x线片自动识别分级方法
CN108921171B (zh) * 2018-06-22 2022-02-08 宁波工程学院 一种骨关节x线片自动识别分级方法
CN108986130A (zh) * 2018-07-13 2018-12-11 电子科技大学 一种空中背景下的红外弱小目标检测方法
CN108986130B (zh) * 2018-07-13 2022-06-10 电子科技大学 一种空中背景下的红外弱小目标检测方法
CN109447083A (zh) * 2018-08-31 2019-03-08 广州市派客朴食信息科技有限责任公司 一种基于图像边缘特征的餐具识别方法
CN110879957B (zh) * 2018-09-06 2023-08-04 塔塔顾问服务有限公司 用于进行手分割的系统和方法
CN110879957A (zh) * 2018-09-06 2020-03-13 塔塔顾问服务有限公司 用于进行手分割的系统和方法
CN109377473B (zh) * 2018-09-13 2023-09-26 新绎健康科技有限公司 一种定位目标取脉点的方法及装置
CN109377473A (zh) * 2018-09-13 2019-02-22 新绎健康科技有限公司 一种定位目标取脉点的方法及装置
CN110324617A (zh) * 2019-05-16 2019-10-11 西安万像电子科技有限公司 图像处理方法及装置
CN110119724A (zh) * 2019-05-16 2019-08-13 天津科技大学 一种指静脉识别方法
CN110324617B (zh) * 2019-05-16 2022-01-11 西安万像电子科技有限公司 图像处理方法及装置
CN110499802A (zh) * 2019-07-17 2019-11-26 爱克斯维智能科技(苏州)有限公司 一种用于挖掘机的图像识别方法和设备
CN110674799B (zh) * 2019-11-15 2022-04-05 南昌木本医疗科技有限公司 一种基于图像处理的植物提取参数设置系统
CN110674799A (zh) * 2019-11-15 2020-01-10 南昌木本医疗科技有限公司 一种基于图像处理的植物提取参数设置系统
CN111340739A (zh) * 2020-03-24 2020-06-26 珠海嘉润医用影像科技有限公司 一种图像处理方法及系统
CN111639560A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置
CN111815660A (zh) * 2020-06-16 2020-10-23 北京石油化工学院 危化品仓库中货物边缘检测方法、装置及终端设备
CN111815660B (zh) * 2020-06-16 2023-07-25 北京石油化工学院 危化品仓库中货物边缘检测方法、装置及终端设备
CN112365489A (zh) * 2020-11-25 2021-02-12 同济大学 一种超声图像血管分叉检测方法

Similar Documents

Publication Publication Date Title
CN107368792A (zh) 一种基于滤波器以及主干边缘的指静脉识别方法及系统
Sharifi et al. A classified and comparative study of edge detection algorithms
Lee et al. Segmentation of overlapping cervical cells in microscopic images with superpixel partitioning and cell-wise contour refinement
CN106778668B (zh) 一种联合ransac和cnn的鲁棒的车道线检测方法
Zhang et al. Edge detection algorithm of image fusion based on improved Sobel operator
CN106548176B (zh) 基于自适应引导滤波的指静脉图像增强方法
CN106558072A (zh) 一种基于改进sift特征在遥感图像上配准的方法
CN103440644B (zh) 一种基于最小描述长度的多尺度图像弱边缘检测方法
CN107464252A (zh) 一种基于混合特征的可见光与红外异源图像识别方法
EP2434434A2 (en) Method and system for training a landmark detector using multiple instance learning
CN107292835B (zh) 一种眼底图像视网膜血管自动矢量化的方法及装置
CN106682678B (zh) 一种基于支撑域的图像角点检测和分类方法
CN114399522A (zh) 一种基于高低阈值的Canny算子的边缘检测方法
CN109544571A (zh) 一种基于数学形态学的金相图像边缘检测方法
Ofir et al. Fast detection of curved edges at low SNR
Pirzada et al. Analysis of edge detection algorithms for feature extraction in satellite images
CN111583286B (zh) 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法
Bhadauria et al. Comparison between various edge detection methods on satellite image
CN112926516B (zh) 一种鲁棒的手指静脉图像感兴趣区域提取方法
Anandakrishnan et al. An evaluation of popular edge detection techniques in digital image processing
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
CN106525027A (zh) 一种基于局部二值模式的星敏感器星点提取方法
Ranjan et al. Enhanced edge detection technique in digital images using optimised fuzzy operation
Cheng et al. Power pole detection based on graph cut
Barbu Automatic edge detection solution using anisotropic diffusion-based multi-scale image analysis and fine-to-coarse tracking

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171121

WD01 Invention patent application deemed withdrawn after publication