CN107862282B - 一种手指静脉识别与安全认证方法及其终端及系统 - Google Patents

一种手指静脉识别与安全认证方法及其终端及系统 Download PDF

Info

Publication number
CN107862282B
CN107862282B CN201711083513.3A CN201711083513A CN107862282B CN 107862282 B CN107862282 B CN 107862282B CN 201711083513 A CN201711083513 A CN 201711083513A CN 107862282 B CN107862282 B CN 107862282B
Authority
CN
China
Prior art keywords
image
vein
vein image
points
finger
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
Application number
CN201711083513.3A
Other languages
English (en)
Other versions
CN107862282A (zh
Inventor
龙安川
唐忞旻
曾尧
张燕妮
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.)
Shenzhen Castle Security Tech Co ltd
Original Assignee
Shenzhen Castle Security Tech 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 Shenzhen Castle Security Tech Co ltd filed Critical Shenzhen Castle Security Tech Co ltd
Priority to CN201711083513.3A priority Critical patent/CN107862282B/zh
Publication of CN107862282A publication Critical patent/CN107862282A/zh
Application granted granted Critical
Publication of CN107862282B publication Critical patent/CN107862282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Security & Cryptography (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种手指静脉识别与安全认证方法及其终端及系统，该方法包括以下步骤：采集步骤：采集手指部位的静脉图像信息，并将静脉图像加密；图像处理步骤；特征提取步骤：对符合质量评价要求的静脉图像，作细节点特征提取并存储；特征点匹配步骤：调取存储的静脉图像细节点特征，与待测的指静脉图像作比对分析，比较细节点位置及角度信息，完成匹配操作输出结果。同时本发明还包括一种手指静脉识别与安全认证终端及系统。本发明针对采集的指静脉图像作一系列图像处理及特征提取操作，使得最终识别的指静脉图像准确清晰，有效地增强整个指静脉识别的准确性及响应速度。同时对指静脉图像作加密处理，提高整个识别系统的保密性，让系统更安全可靠。

Description

一种手指静脉识别与安全认证方法及其终端及系统
技术领域
本发明涉及静脉识别技术领域，特指一种手指静脉识别与安全认证方法，及应用该方法的终端及系统。
背景技术
手指静脉识别是静脉识别的一种，首先通过手指静脉识别仪取得个人手手指静脉分布图，从手指静脉分布图依据专用比对算法提取特征值，通过近红外光线照射，利用CCD摄像头获取手手指静脉的图像，将手手指静脉的数字图像存贮在计算机系统中，将特征值存储。由于静脉藏于身体内部，不易窃取或复制，只有活体才具有静脉，相对于传统的指纹识别更具安全性，因而逐渐应用于门禁、银行卡验证、医学鉴定、罪犯识别及档案管理等方面。
在手指静脉识别的过程中，采集得出的静脉图像处理及特征提取是识别工作的关键，若不能有效地提取将采集的静脉图像处理并选取有效的特征提取，将影响后续的比对识别操作，从而影响整个手指静脉识别系统的准确性及响应速度，严重影响识别效率。
发明内容
本发明目的在于提供一种手指静脉识别与安全认证方法及其终端及系统，针对采集获得的手指静脉图像进行一系列处理及特征提取操作，使得最终比对识别的手指静脉图像准确清晰，有效地增强整个手指静脉识别系统的准确性及响应速度，提高识别效率。
为了达到上述目的给出，本发明的技术方案：
一种手指静脉识别与安全认证方法，至少包括如下步骤：
采集步骤：采集手指部位的静脉图像信息，并将静脉图像加密；
图像处理步骤：
S1：对所述采集的静脉图像解密并分析，确定有效的静脉图像区域进行定位及截取；
S2：对截取的静脉图像进行脊波变换作图像增强处理；
S3：针对增强处理后的静脉图像进行方向谷形检测作图像分割处理；
S4：针对分割处理的静脉图像进行SVR质量评价分析，如符合质量要求的，跳转到后续的特征提取步骤；否则，返回采集步骤，重新采集静脉图像；
特征提取步骤：对符合质量评价要求的静脉图像，作细节点特征提取并存储；
特征点匹配步骤：调取存储的静脉图像细节点特征，并与待测的手指静脉图像作比对分析，比较细节点的位置及角度信息，完成匹配操作，输出结果。
本发明的一种手指静脉识别与安全认证方法，与现有技术相比，针对采集获得的手指静脉图像作有效区域的定位及截取、图像增强处理、检测分割处理等一系列图像处理后，再作静脉图像的质量评价，筛选符合质量要求的静脉图像，再作特征细化及提取操作，使得最终作比对匹配识别的手指静脉图像更为准确清晰，有效地增强整个手指静脉识别系统的准确性及响应速度，提高识别效率。同时在采集及识别手指静脉图像中，对传输处理的静脉图像作加密及解密的安全认证操作，从而有效地提高整个识别系统的手指静脉图像信息保密性，让系统更加安全可靠。
具体地，在图像处理步骤中，由于采集获得的图像不但包含静脉图像，同时也包含采集背景的冗余数据，所以为了避免冗余数据对有用信息的干扰，因而必须定位有效区域ROI(Region of Interest)，以便进行后续的指静脉图像信号处理，进行图像处理步骤的S1操作，确定有效的静脉图像区域作定位及截取操作，具体步骤包括：
A1：利用均值滤波对指静脉图像进行图像平滑处理；
A2：利用Sobel算子检测手指的边缘轮廓；
A3：用两条竖直平行线内切手指轮廓，分别作为感兴趣区域图像的左、右边界，形成有效的静脉图像区域。
其中，A1中的均值滤波是一种线性滤波，采用的方法主要是邻域平均法，对含有噪声的原始图像f(x,y)的每个像素点选择一个模板，该模板由其邻近的m个像素组成，求模板中所有像素的均值，再把该值赋予当前像素点，最为该点处理后的像素值。
A2中的Sobel算子是图像处理中常用于图像检测的算子之一，该算子包含横向与纵向两组3*3的矩阵所形成的卷积模板，将模板与图像做平面卷积，得到横向及纵向的亮度差分、值，即
Figure BDA0001459533790000021
若G大于某个阈值，认为该点为边缘点，，从而检测出手指静脉图像的边缘轮廓。
在步骤A3中，采用两条竖直平行线内切手指轮廓，分别作为ROI的左边界和右边界，并计算两切线之间的距离，然后把图像上下边框作为ROI的上下边界来进行区域截取，从而得出有效的静脉图像区域。
完成上述定位及截取步骤后，为了突出图像中的重要特征信息，减弱或者去除图像中的冗余信息，增强对重要信息的识别能力，因而需对静脉图像作增强处理。具体在图像处理步骤S2中，通过脊波变换对图像作增强处理操作，具体步骤包括：：
B1：对截取的静脉图像进行尺度归一化和/或灰度归一化处理，形成归一化图像；
B2：利用小波变换算法，得到归一化图像中的高频子带；
B3：对获得的高频子带进行有限脊波变换；
B4：通过修改阈值的方法，建立新的高频子带阈值；
B5：根据新的阈值，用新的非线性系数去处理脊波域中的子带系数；
B6：在高频子带上作有限脊波反变换；
B7：通过小波域中子频带的系数重建指静脉图像，形成增强图像。
通过上述B1步骤对截取的静脉图像进行归一化处理，有效地解决手指静脉影像采集过程中，所获影像会因采集时间、手指大小、手指放置方式的不同而出现静脉影像大小不一致的问题，使得每个进行后期处理的静脉图像具有相同的尺度和灰度。
其中，尺度归一化采用双线性插值法，避免直接相邻点的影响，得到理想的插值效果，同时其计算量较小、精度较高。
而灰度归一化处理，采用以下公式:
Figure BDA0001459533790000031
其中g是原始图像中的灰度值，G是进行归一化以后的灰度值，max(g)与min(g)是原始图像中最大和最小灰度值。
经过B1的归一化处理后，对于质量差的静脉图像，静脉纹路与背景区别不显著，且噪声较大，给后期的特征提取增加难度，为了比较明显的区分出静脉特征信息，在归一化后的静脉图像基础下作以下增强处理。
B2中所述的小波变换算法，具体为添加一个表征方向的参数给小波基函数，使得在表征图像线性奇异边缘方面具有优越性，而且还具有局部时频分析能力，该函数的定义公式如下:
如果函数
Figure BDA0001459533790000032
满足
Figure BDA0001459533790000033
则函数
Figure BDA0001459533790000034
被定义为激活函数，由其生成的脊函数被定义为:
Figure BDA0001459533790000035
的脊波；
其中a表示尺度，e表示角度，b表示位置，
Figure BDA0001459533790000036
存在逆变换。该公式表明脊波函数在直线ysinθ+xcosθ＝c方向上是连续的。
由于采集的手指静脉图像中含有高斯白噪声，这是用采集设备CCD采集及传送时添加的，在小波的高频段，它是非均匀分布的。通过上述步骤B2至B7的非线性系数来处理小波域中的三个高频子带，实现消除噪声，从而有效地增强手指静脉图像的边界，达到静脉图像的增强处理效果。
对上所述静脉图像增强处理后进行图像分割操作，图像分割是指将图像中包含重要信息的部分与其背景进行分离，从而把图像中具有重要含义的对象、感兴趣的目标物体提取出来，作后续特征提取及匹配步骤。所述图像处理步骤的图像分割操作S3包括：
C1：设计一种算子来提取静脉图像的谷形区域；
C2：将提取的谷形区域静脉图像分为三个区域，包括背景区、前景区以及模糊区，并进行三次阈值分割；
C3：对模糊区的静脉图像作S2步骤的图像增强处理后，再对该区域进行阈值分割；
C4：对分割出的静脉图像进行去除孤立点、毛刺以及填充细小孔洞操作，使得静脉图像平滑清晰。
上述步骤是通过边缘检测法，根据静脉图像中蕴涵的内在信息，如形状、阶跃性质、方向等特点而提出的一种算法。对手指静脉图像进行分割处理，不但可以加快特征提取的速度，而且也增加了对低质量手指静脉图像特征提取的准确率，有利于提高识别率。
其中，C4步骤为对分割后的静脉图像进行去除孤立点、去除毛刺以及填充细小孔洞等操作，使得静脉图像更平滑、清晰，以便后续的细化处理以及静脉特征提取操作。
完成分割步骤后，由于在采集过程中，光照、个体差异、设备差异等因素，采集到手指静脉影像会有一部分质量比较差。质量差的影像可能会使手指静脉血管模糊，或者丢失部分血管，甚至会出现虚假血管的情况。因此，在对指静脉影像进行识别前，需要对手指静脉影像质量进行评价，只对那些质量评价得分较高的指静脉影像进行识别，如果质量评价得分较低，则需要重新采集指静脉影像。所述图像处理步骤中对静脉图像进行质量评价分析操作S4包括：
D1：对分割的静脉图像作质量评分；
D2：针对提取质量评价特征，包括影像对比度、空间域梯度、基于Gabor特征、影像信息容量以及信息熵；
D3:基于上述步骤获取的质量评分与质量评价特征得到SVR模型，，采用SVR模型对影像质量进行评价筛选。
其中，D1的质量评分为采用人工标注的方式给出手指静脉影像的质量评分，并且把这些得分归一到[0,1]之间。在人工标注的过程中，根据以下原则处理:对于影像清晰并且具有丰富血管纹路的手指静脉影像给比较高的质量得分，对于影像模糊并且血管纹路非常少的手指静脉影像给出比较低的质量得分。
D2中的质量评价特征包括局部特征和全局特征，局部特征反映了手指静脉影像中的局部细节信息；全局特征反映了手指静脉影像的宏观全局信息。其中，(1)影像对比度、(2)空间域梯度、(3)基于Gabor特征为局部特征；(4)影像信息容量以及(5)信息熵为全局特征。
步骤D3中使用ε-SVM作为SVR的回归模型，并选取上述五个影像质量评价特征，即上述的(1)影像对比度、(2)空间域梯度、(3)基于Gabor特征、(4)影像信息容量以及(5)信息熵作提取来训练模型，通过优化处理后，测试影像的质量得分可以通过下面公式得到:
Figure BDA0001459533790000051
本步骤优选采用LIBSVM工具得到影像质量评价模型，均方差(MSE)作为评价准则，其中MSE越小越好，具体公式如下:
Figure BDA0001459533790000052
其中f(xi)是预测的质量得分，yi人工标注的质量得分，l是参与预测的影像数目
通过上述步骤实现对影像质量评价，筛选出符合要求的指静脉图像，可作后续处理；或不符合要求的静脉图像，返回重新采集步骤。
在所述特征提取步骤前还包括对静脉图像作特征细化处理，细化处理是将己经提取出的静脉纹路骨架化，即将分割出的二值图像变化为单像素宽度的骨架图像，以此来显示手指静脉图像的拓扑结构。让细化处理后形成骨架化的静脉图像有利于表示原图像特征，以便后续提取及匹配操作。所述细化处理步骤包括：
E1：采用图像形态学细化算法对静脉图像进行静脉纹路骨架化，将静脉图像变化为单像素宽度的骨架图像，用来显示手指静脉图像的细节点；
E2：去毛刺处理，为像素个数设置一个阈值，并沿着像素端点的线路搜索，若搜素的像素点数小于这个阈值，则判定这个短线为毛刺并予以去除；
E3：判断指纹细化边界点是否为保存点并依次执行右、上、左、下四个边界的像素点作消除冗余处理。
其中，步骤E2为对静脉特征进行细节点提取以前的去除毛刺步骤，以便提高识别率。通过在步骤E2中设置一个阈值，记录在搜索过程中遍历像素点的个数，如果遍历的像素点数小于这个阈值，则认为这个短线为毛刺，把这些像素点的值为0，如果像素点数大于这个阈值，其像素点的值则保持不变，实现毛刺去除处理。
执行完去除毛刺步骤后，通过E3的步骤进行消除冗余处理，判断指纹细化边界点,并依次执行右、上、左、下四个边界的像素点进行四个周期的消除操作。
通过上述细化处理后的静脉图像，纹路清晰，具有很好连通性。若得出的静脉图像还存分叉，可再作E2的去除毛刺处理，以便得到更加精确的静脉纹路。
完成静脉图像细化处理，进行具体的指静脉图像的特征提取步骤，该步骤具体包括：
F1：将上述特征细化处理后的静脉图像，定义静脉细节点，包括端点、分叉点和双分叉点；
F2：对细节点中心处使用M*M方阵，检测细节点的位置与类型，计算细节点的分支之间的角度及细节点与水平线之间的角度；
F3：从检测的细节点中筛选需要提取的细节点为特征点。
上述步骤中的端点，指的是静脉骨架线段的终止点，当静脉处在皮肤一定深度时或者当红外光对人体组织透射的不够深时形成该端点。
分叉点，指的是一个单一的静脉段分裂为两个静脉段的细节点。在提取这类细节点的过程中，需要在三个点处裁剪出一个MxM模块，来计算此分叉点处不同分支之间的角度。
双分叉点，指的是当两个分叉点比较靠近时出现的分叉点。在实际提取处理中，应在四个点处截取一个MxM模块。
经过上述细节点提取步骤后得出特征点静脉图像,以便作后续特征点匹配操作。
通过上述对指静脉图像的特征提取操作后，得出的特征点静脉图像，再进行最后特征点匹配处理。所述特征点匹配步骤包括：
G1：对静脉图像作特征提取步骤处理获得特征点，计算特征点的位置及角度信息；
G2：比对特征点的位置与角度信息，对提取的每个特征点进行中心定位；
G3：给出保存的端点、分叉点以及双分叉点的三种细节点特征向量，进行模板匹配；
G4：对所述特征向量进行极坐标转换后，作细节点匹配处理，选取三种不同细节点的最大匹配度作为最终匹配度，并反馈结果。
上述匹配步骤是基于细节点的位置与角度两种信息，能有效地改善了因静脉图像的移位或旋转而导致识别率不高的问题。该步骤是在整个细节点区域，比较待测细节点与模板细节点的位置与角度信息，计算其中含有相似位置与角度的细节点对的数目，返回一个匹配度，最后选取三种不同细节点的最大匹配度作为最终匹配度，反馈最终结果，完成整个手指静脉图像的识别匹配过程。
本发明还包括一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的手指静脉识别与安全认证方法。
本发明还包括一种手指静脉识别与安全认证终端，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现所述的手指静脉识别与安全认证方法。
本发明还包括一种手指静脉识别与安全认证系统，包括图像采集模块、图像处理及特征提取模块、存储模块以及匹配识别模块。
其中，所述图像采集模块，包括手指静脉采集装置，用于采集手指部位的静脉红外图像信息及身份认证信息，并将信息作加密处理，完成传输操作。
所述图像处理及特征提取模块，用于对采集的静脉图像处理，具体包括作有效区域定位及截取、图像增强、图像分割、图像质量评测、特征提取，并将提取的特征发送给存储模块或匹配识别模块。
所述存储模块，用于建立手指静脉图像特征数据库、特征模版、手指静脉图像特征模板库。
所述匹配识别模块，用于对静脉图像信息及身份认证信息作解密操作，将待识别特征与模板库中存储的特征进行比较，完成匹配操作，输出识别结果。
附图说明
图1为本发明的一种手指静脉识别与安全认证系统结构示意图；
图2为本发明的手指静脉识别与安全认证方法流程图；
图3为本发明的方法中对静脉图像有效区域进行定位及截取的步骤流程图；
图4为对静脉图像有效区域进行定位及截取步骤中的卷积模板视图；
图5为经过对静脉图像有效区域进行定位及截取步骤后的静脉图像视图；
图6为本发明的方法中对截取的静脉图像作增强处理步骤流程图；
图7为对截取的静脉图像作增强处理步骤中的尺度归一化处理视图；
图8为对截取的静脉图像作增强处理步骤中的归一化处理视图；
图9为本发明的方法中对增强处理后的静脉图像作分割处理步骤流程图；
图10为经过分割处理步骤后的静脉图像视图；
图11为对分割后的静脉图像作去除孤立点、毛刺以及填充细小孔洞处理的静脉视图；
图12为本发明的方法中对分割处理的静脉图像作SVR质量评价分析步骤流程图；
图13为在静脉图像特征提取前的特征细化处理步骤流程图；
图14为对静脉图像作特征细化处理步骤中进行毛刺去除后的静脉图像视图；
图15为在静脉图像作特征细化处理步骤中的轮廓点边界模板视图1；
图16为在静脉图像作特征细化处理步骤中的轮廓点边界模板视图2；
图17为经过特征细化处理后的静脉图像视图；
图18为本发明的方法中对特征细化处理后的静脉图像作特征提取步骤流程图；
图19为对静脉图像作特征提取步骤中使用MxM模块视图；
图20为对静脉图像作特征提取步骤中待测端点、分叉点、双分叉点的细节点视图；
图21为对静脉图像作特征提取步骤中的三种细节点角度信息视图；
图22为经过特征细节点提取处理后的静脉图像视图；
图23为本发明的方法中对特征提取后的静脉图像作特征点匹配步骤流程图。
具体实施方式
结合附图说明本发明的一种手指静脉识别与安全认证方法及其终端及系统。
如图1所示，该手指静脉识别与安全认证系统，包括图像采集模块、图像处理及特征提取模块、存储模块以及匹配识别模块。
其中，所述图像采集模块，包括手指静脉采集装置，用于采集手指部位的静脉红外图像信息及身份认证信息，并将信息作加密处理，完成传输操作。
所述图像处理及特征提取模块，用于对采集的静脉图像处理，具体包括作有效区域定位及截取、图像增强、图像分割、图像质量评测、特征提取，并将提取的特征发送给存储模块或匹配识别模块。
所述存储模块，用于建立手指静脉图像特征数据库、特征模版、手指静脉图像特征模板库。
所述匹配识别模块，用于对静脉图像信息及身份认证信息作解密操作，将待识别特征与模板库中存储的特征进行比较，完成匹配操作，输出识别结果。
如图2所示，本发明还包括一种手指静脉识别与安全认证方法，在所述手指静脉识别与安全认证系统中应用，该方法至少包括如下步骤：
采集步骤：采集手指部位的静脉图像信息，并将静脉图像加密；
图像处理步骤：
S1：对所述采集的静脉图像解密并分析，确定有效的静脉图像区域进行定位及截取；
S2：对截取的静脉图像进行脊波变换作图像增强处理；
S3：针对增强处理后的静脉图像进行方向谷形检测作图像分割处理；
S4：针对分割处理的静脉图像进行SVR质量评价分析，如符合质量要求的，跳转到后续的特征提取步骤；否则，返回采集步骤，重新采集静脉图像；
特征提取步骤：对符合质量评价要求的静脉图像，作细节点特征提取并存储；
特征点匹配步骤：调取存储的静脉图像细节点特征，并与待测的手指静脉图像作比对分析，比较细节点的位置及角度信息，完成匹配操作，输出结果。
具体地，在图像处理步骤中，由于采集获得的图像不但包含静脉图像，同时也包含采集背景的冗余数据，所以为了避免冗余数据对有用信息的干扰，因而必须定位有效区域ROI(Region of Interest)，以便进行后续的指静脉图像信号处理，进行图像处理步骤的S1操作，确定有效的静脉图像区域，定位及截取操作，如图3所示具体包括：
A1：利用均值滤波对指静脉图像进行图像平滑处理；
A2：利用Sobel算子检测手指的边缘轮廓；
A3：用两条竖直平行线内切手指轮廓，分别作为感兴趣区域图像的左、右边界，形成有效的静脉图像区域。
其中，A1中的均值滤波是一种线性滤波，采用的方法主要是邻域平均法，对含有噪声的原始图像f(x,y)的每个像素点选择一个模板，该模板由其邻近的m个像素组成，求模板中所有像素的均值，再把该值赋予当前像素点，最为该点处理后的像素值。
A2中的Sobel算子是图像处理中常用于图像检测的算子之一，该算子包含横向与纵向两组3*3的矩阵所形成的卷积模板，如图4所示，将模板与图像做平面卷积，得到横向及纵向的亮度差分、值，即
Figure BDA0001459533790000091
若G大于某个阈值，认为该点为边缘点，从而检测出手指静脉图像的边缘轮廓。
在步骤A3中，采用两条竖直平行线内切手指轮廓，分别作为ROI的左边界和右边界，并计算两切线之间的距离，然后把图像上下边框作为ROI的上下边界来进行区域截取，从而得出有效的静脉图像区域，如图5所示。
完成上述定位及截取步骤后，为了突出图像中的重要特征信息，减弱或者去除图像中的冗余信息，增强对重要信息的识别能力，因而需对静脉图像作增强处理。具体在图像处理步骤S2中，通过脊波变换，对图像作增强处理操作，如图6所示具体包括：
B1：对截取的静脉图像进行尺度归一化和/或灰度归一化处理，形成归一化图像；
B2：利用小波变换算法，得到归一化图像中的高频子带；
B3：对获得的高频子带进行有限脊波变换；
B4：通过修改阈值的方法，建立新的高频子带阈值；
B5：根据新的阈值，用新的非线性系数去处理脊波域中的子带系数；
B6：在高频子带上作有限脊波反变换；
B7：通过小波域中子频带的系数重建指静脉图像，形成增强图像。
通过上述B1步骤对截取的静脉图像进行归一化处理，有效地解决手指静脉影像采集过程中，所获影像会因采集时间、手指大小、手指放置方式的不同而出现静脉影像大小不一致的问题，使得每个进行后期处理的静脉图像具有相同的尺度和灰度。
其中，尺度归一化采用双线性插值法，避免直接相邻点的影响，得到理想的插值效果，同时其计算量较小、精度较高，如图7所示。
灰度归一化处理，采用以下公式::
Figure BDA0001459533790000092
其中g是原始图像中的灰度值，G是进行归一化以后的灰度值，max(g)与min(g)是原始图像中最大和最小灰度值，如图8所示。
经过B1的归一化处理后，对于质量差的静脉图像，静脉纹路与背景区别不显著，且噪声较大，给后期的特征提取增加难度，为了比较明显的区分出静脉特征信息，在归一化后的静脉图像基础下作以下增强处理。
B2中所述的小波变换算法，具体为添加一个表征方向的参数给小波基函数，使得在表征图像线性奇异边缘方面具有优越性，而且还具有局部时频分析能力，该函数的定义公式如下:
如果函数
Figure BDA0001459533790000101
满足
Figure BDA0001459533790000102
则函数
Figure BDA0001459533790000103
被定义为激活函数，由其生成的脊函数被定义为:
Figure BDA0001459533790000104
的脊波；
其中a表示尺度，e表示角度，b表示位置，
Figure BDA0001459533790000105
存在逆变换。该公式表明脊波函数在直线ysinθ+xcosθ＝c方向上是连续的。
由于采集的手指静脉图像中含有高斯白噪声，这是用采集设备CCD采集及传送时添加的，在小波的高频段，它是非均匀分布的。通过上述步骤B2至B7的非线性系数来处理小波域中的三个高频子带，实现消除噪声，从而有效地增强手指静脉图像的边界，达到静脉图像的增强处理效果。
对上所述静脉图像增强处理后，还需要进行图像分割处理操作，图像分割是指将图像中包含重要信息的部分与其背景进行分离，从而把图像中具有重要含义的对象、感兴趣的目标物体提取出来，作后续特征提取及匹配步骤。所述图像处理步骤的图像分割处理操作S3，如图9所示具体包括：
C1：设计一种算子来提取静脉图像的谷形区域；
C2：将提取的谷形区域静脉图像分为三个区域，包括背景区、前景区以及模糊区，并进行三次阈值分割；
C3：对模糊区的静脉图像作S2步骤的图像增强处理后，再对该区域进行阈值分割；
C4：对分割出的静脉图像进行去除孤立点、毛刺以及填充细小孔洞操作，使得静脉图像平滑清晰。
上述步骤是通过边缘检测法，如图10所示，根据静脉图像中蕴涵的内在信息，如形状、阶跃性质、方向等特点而提出的一种算法。对手指静脉图像进行分割处理，不但可以加快特征提取的速度，而且也增加了对低质量手指静脉图像特征提取的准确率，有利于提高识别率。
其中，C4步骤为对分割后的静脉图像进行去除孤立点、去除毛刺以及填充细小孔洞等操作，使得静脉图像更平滑、清晰，以便后续的细化处理以及静脉特征提取操作，如图11所示。
完成分割步骤后，由于在采集过程中，光照、个体差异、设备差异等因素，采集到手指静脉影像会有一部分质量比较差。质量差的影像可能会使手指静脉血管模糊，或者丢失部分血管，甚至会出现虚假血管的情况。因此，在对指静脉影像进行识别前，需要对手指静脉影像质量进行评价，只对那些质量评价得分较高的指静脉影像进行识别，如果质量评价得分较低，则需要重新采集指静脉影像。本发明的方法中，所述图像处理步骤的S4对静脉图像进行质量评价分析，具体操作包括：
D1：对分割的静脉图像作质量评分；
D2：针对提取质量评价特征，包括影像对比度、空间域梯度、基于Gabor特征、影像信息容量以及信息熵；
D3:基于上述步骤获取的质量评分与质量评价特征得到SVR模型，，采用SVR模型对影像质量进行评价筛选。
其中，D1的质量评分为采用人工标注的方式给出手指静脉影像的质量评分，并且把这些得分归一到[0,1]之间。在人工标注的过程中，根据以下原则处理:对于影像清晰并且具有丰富血管纹路的手指静脉影像给比较高的质量得分，对于影像模糊并且血管纹路非常少的手指静脉影像给出比较低的质量得分。
D2中的质量评价特征包括局部特征和全局特征，局部特征反映了手指静脉影像中的局部细节信息；全局特征反映了手指静脉影像的宏观全局信息。其中，(1)影像对比度、(2)空间域梯度、(3)基于Gabor特征为局部特征；(4)影像信息容量以及(5)信息熵为全局特征。
为了获取手指静脉影像的局部特征，需要把手指静脉影像分成了BxB像素大小、非重叠的小块。其中N来表示一幅影像总的块数，B表示一块中的像素数。
(1)影像对比度，指的是影像的对比度反映了手指静脉影像在灰度级上的差异。每个小块B的方差C通过以下形式表示:
Figure BDA0001459533790000111
其中xM代表块B中所有像素灰度的均值，xi是块B中一个像素的灰度值。影像对比度QF1通过下面公式给出:
Figure BDA0001459533790000112
(2)空间域梯度，指的是梯度反映了一幅影像中谷型区域(静脉纹路)方向场的清晰度。为了得到空间域的梯度，定义块B梯度向量的协方差矩阵表示:
Figure BDA0001459533790000113
其中
Figure BDA0001459533790000121
表示块B中点p的梯度。上面的对称矩阵是半正定的，它的特征值是λ1，λ2,并且λ1≥λ2。再定义归一化相关度量如下:
Figure BDA0001459533790000122
最后定义空间域的梯度特征QF2如下：
Figure BDA0001459533790000123
空间域的梯度约接近1，表明静脉纹络越清晰，空间域的梯度约接近0，表明静脉纹络影像的质量越差。
(3)基于Gabor特征，Gabor滤波器是一个或一组Gabor函数离散形式，在计算机视觉中常用到Gabor滤波器来提取纹理特征。Gabor滤波器在频率域中的特征和人类视觉系统非常相似。采用基于Gabor滤波器的特征评价指纹影像每个小块的质量，取得了较好的评价效果。在手指静脉识别中，引入基于Gabor滤波器的特征作为手指静脉影像的质量评价特征。
二维Gabor滤波器定义如下：
Figure BDA0001459533790000124
其中Θk＝(k-1)/m，k＝1，...，m，
Figure BDA0001459533790000125
f是正弦平面波的频率。
一旦确定了Gabor滤波器的参数，在点(X，Y)的Gabor特征就可以定义如下:
Figure BDA0001459533790000126
块B的标准差G使用下面公式计算得到:
Figure BDA0001459533790000127
其中，
Figure BDA0001459533790000128
如果块B的G值大于预先设定的阈值Tq，则认为B是质量比较好的块。基于Gabor的质量特征QF3定义如下:
Figure BDA0001459533790000129
其中，Ng代表了质量好的块的数目。
(4)影像信息容量，是指数字影像的一种基于二维直方图的影像质量特征。对于点(x，y)，的二维直方图定义如下:
Num(G1，G2)＝P{[f(x，y)＝G1]∩[f(x，y+1)＝G2]}
其中f(x，y)是点(x，y)的灰度值，P{A}代表事件A的发生，而Num(G1，G2)代表了该事件的频率。二维峰值归一化直方图表示如下:
Figure BDA0001459533790000131
于是，影像信息容量特征QF4可以用以下公式获得:
Figure BDA0001459533790000132
其中lb是以2为底的对数运算符。
(5)信息嫡，指的是表示影像灰度分布的聚集特性。手指静脉影像的信息嫡QF5定义如下:
Figure BDA0001459533790000133
其中p(i)代表了像素在第i级灰度级上的可能性。
步骤D3中使用ε-SVM作为SVR的回归模型，并选取上述五个影像质量评价特征提取(1)影像对比度、(2)空间域梯度、(3)基于Gabor特征、(4)影像信息容量以及(5)信息熵，(QF1，...，QF5)来训练模型，并作如下优化:
Figure BDA0001459533790000134
其中xi，是第i影像的特征向量，yi是第i影像人工标注的质量得分，k(·，·)是核函数，本文使用的核函数如下:
k(x，xi)＝(γxTxi+r)d，γ＞0
完成优化后，测试影像的质量得分可以通过下面公式得到:
Figure BDA0001459533790000141
本步骤采用LIBSVM工具得到影像质量评价模型，均方差(MSE)作为评价准则，其中MSE越小越好，它是模型错误率的一种计算形式，具体公式如下:
Figure BDA0001459533790000142
其中f(xi)是预测的质量得分，yi人工标注的质量得分，l是参与预测的影像数目
通过上述步骤实现对影像质量评价，筛选出符合要求的指静脉图像，可作后续处理；或不符合要求的静脉图像，返回重新采集步骤。
在所述特征提取步骤前还包括对静脉图像作特征细化处理，细化处理是将己经提取出的静脉纹路骨架化，即将分割出的二值图像变化为单像素宽度的骨架图像，以此来显示手指静脉图像的拓扑结构。由于静脉图像的拓扑结构是十分稳定的，所以对静脉特征进行细化处理是非常可行的，不但有利于识别，而且可以在不减少主要识别信息的前提下减少存储空间，让细化处理后形成骨架化的静脉图像更好地表示原图像特征，以便后续提取及匹配操作，应对静脉图像作细化处理。如图13所示，所述细化处理步骤包括：
E1：采用图像形态学细化算法对静脉图像进行静脉纹路骨架化，将静脉图像变化为单像素宽度的骨架图像，用来显示手指静脉图像的细节点；
E2：去毛刺处理，为像素个数设置一个阈值，并沿着像素端点的线路搜索，若搜素的像素点数小于这个阈值，则判定这个短线为毛刺并予以去除；
E3：判断指纹细化边界点是否为保存点并依次执行右、上、左、下四个边界的像素点作消除冗余处理。
其中，步骤E2为对静脉特征进行细节点提取以前的去除毛刺步骤，以便提高识别率。由于在细化处理后的骨架图像存在毛刺的产生，原因在于原始图像中自身携带的噪声与阴影，如果不对毛刺做去除处理，则它将直接影响到后期对静脉特征细节点的提取，增加伪特征点的个数，因而应进行去除毛刺处理。一般毛刺的一端是端点，另一端为分叉点，而且毛刺的长度较短，根据这一特点，如果从任意一端点出发，沿着线路进行搜索，如果在很短的一段距离内搜索到了分叉点，则可以认为这段短线为毛刺。在步骤E2中设置一个阈值，记录在搜索过程中遍历像素点的个数，如果遍历的像素点数小于这个阈值，则认为这个短线为毛刺，把这些像素点的值为0，如果像素点数大于这个阈值，，其像素点的值则保持不变。如图14所示，为毛刺去除以后的静脉特征图像。
执行完去除毛刺步骤后，通过E3的步骤进行消除冗余处理，判断指纹细化边界点,并依次执行右、上、左、下四个边界的像素点进行四个周期的消除操作。具体地，在第一个子周期判断该点右侧边界的像素是否为保存点，如是否定的，则消去该像素，在其余的三个子周期中分别对该点的上、左、下边界进行相同操作，直至没有可消去的像素为止。
假设区域点的值为1，背景点的值为0，对于区域内给定的轮廓点，轮廓点的值为1，同时在该轮廓点的八邻域中至少有一个点的值为O。具体步骤如下:
(1)设定循环次数为O；
(2)设定程序结束标志为O；
(3)令循环次数增加1；
(4)如果图像中值为1的轮廓点满足图15所示的边界条件(图中*表示0或1)，则把结束标志置1，并进行以下处理，如果轮廓点的八邻域点像素满足图16所示的条件，则置f(p)＝2，否则f(p)＝3,其中值为2的点为永久保存点，作为细化的结果，而值为3的点是可以被消去的像素点，消去该像素点的方式为令该点的值为O；
(5)如果循环次数<4，则返回(3)；其中4为对应上述的四个周期。
(6)如果结束标志为零，则细化处理结束，否则返回(1)，重复以上过程。
经过细化处理后的静脉图像如图17所示，纹路清晰，具有很好连通性。若得出的静脉图像还存分叉，可再作E2的去除毛刺处理，以便得到更加精确的静脉纹路。
完成静脉图像细化处理，进行具体的指静脉图像的特征提取步骤，如图18所示该步骤具体包括：
F1：将上述特征细化处理后的静脉图像，定义静脉细节点，包括端点、分叉点和双分叉点；
F2：对细节点中心处使用M*M方阵，检测细节点的位置与类型，，计算细节点的分支之间的角度及细节点与水平线之间的角度；
F3：从检测的细节点中筛选需要提取的细节点为特征点。
上述步骤中的端点，指的是静脉骨架线段的终止点，当静脉处在皮肤一定深度时或者当红外光对人体组织透射的不够深时形成该端点。
分叉点，指的是一个单一的静脉段分裂为两个静脉段的细节点。在提取这类细节点的过程中，需要在三个点处裁剪出一个MxM模块，来计算此分叉点处不同分支之间的角度。
双分叉点，指的是当两个分叉点比较靠近时出现的分叉点。在实际提取处理中，应在四个点处截取一个MxM模块。
该步骤具体操作原理为在细化的图像中使用如图19所示的一个MxM模块，用于检测细节点的位置与类型，其中M是待检测的细节点，M＝3；N(i＝1...7)表示M的邻近点。
令
Figure BDA0001459533790000151
如图20所示，如果N的值为1，则表示待测细节点为端点；如果为3，则表示待测细节点为分叉点；如果为4，则表示待测细节点为双分叉点；如果为其它值，则表示该待测点不是提取的细节点。
其中，F3的细节点提取步骤，包括对上述三种不同细节点的提取步骤，具体如下:
(1)端点的提取步骤:
(a)以该端点为中心，提取一个MxM块；
(b)删除该块中其他不与该端点相连的点；
(c)计算静脉特征与块边界的连接数，如果连接数目为一个细节点，则该节点被认为是端点，同时保存端点段与水平线之间的角度，否则该细节点被认为是一个错误的节点。
(2)分叉点的提取步骤：
(a)以分叉点为中心，提取一个MxM块；
(b)删除该块中其他不与分叉该点相连的点；
(c)计算静脉特征与块边界的连接数，如果连接数目为三，则该细节点被认为是分叉点，保存两个分支之间的角度，如果连接数目为四，则认为该点是双分叉点，分支之间的两个角度也同时被保存，否则认为该细节点为错误的节点。
通过以上算法，对于不同的细节点得到不同的表示方法:
端点:
Figure BDA0001459533790000161
分叉点:[x，y，θ1，θ2，θ3]。
双分叉点:
Figure BDA0001459533790000162
其中x,y是每个细节点的坐标，
Figure BDA0001459533790000163
是端点与水平线之间的角度，，θi、
Figure BDA0001459533790000164
分别是分叉点与双分叉点分支之间的角度。当i＝1时，θi表示最小的角度，其它的角度顺时针排列，三种细节点的角度信息如图21所示。
经过上述细节点提取步骤后得出如图22所示的特征点静脉图像。
通过上述对指静脉图像的特征提取操作后，得出的特征点静脉图像，再进行最后特征点匹配处理。如图23所示，所述特征点匹配步骤包括：
G1：对静脉图像作特征提取步骤处理获得特征点，计算特征点的位置及角度信息；
G2：比对特征点的位置与角度信息，对提取的每个特征点进行中心定位；
G3：给出保存的端点、分叉点以及双分叉点的三种细节点特征向量，进行模板匹配；
G4：对所述特征向量进行极坐标转换后，作细节点匹配处理，选取三种不同细节点的最大匹配度作为最终匹配度，并反馈结果。
上述匹配步骤是基于细节点的位置与角度两种信息，能有效地改善了因静脉图像的移位或旋转而导致识别率不高的问题。该步骤是在整个细节点区域，比较待测细节点与模板细节点的位置与角度信息，计算其中含有相似位置与角度的细节点对的数目，返回一个匹配度，最后选取三种不同细节点的最大匹配度作为最终匹配度，反馈最终结果。
由于上述匹配步骤的模板无需做旋转归一化，因此在进行匹配前，需要对每个细节点进行步骤G2的中心定位处理。该中心定位是基于分叉点的，因为分叉点在手部血管模式中是最具代表性的细节点。具体地，给出两个血管模式的特征集A和B，，它们都含有三个特征向量V1A，V2A，V3A，这三个向量分别保存了端点、分叉点和双分叉点的信息，特征集B也有三个对应的特征向量V1B，V2BV3B，因而中心定位处理步骤如下:
(1)设置i＝1,j＝10；
(2)以V2A中细节点i的位置为中心，将特征集A进行极坐标变换；
(3)以V2B中细节点j的位置为中心，将特征集B进行极坐标变换；
(4)如果|θ1Ai-θ1Bj|＜α1、|θ2Ai-θ2Bj|＜α1、|θ3Ai-θ3Bj|＜α1同时满足，则将结果保存在S(i,j)中，否则置S(i,j)＝O；
(5)对V2Ai和V2Bj中每一对匹配细节点，重复以上的(2)至(4)。
上述结果是一个MxN的S矩阵，其中M是特征向量V2A中元素的个数，N是特征向量匹配模板V2B中元素的个数，S矩阵中的最大值即为特征集A与特征集B之间的相似度。
在步骤G4中，对特征向量进行极坐标转换，完成细节点匹配。其中该三种细节点(端点、分叉点、双分叉点)的匹配处理数据为:
V1A *:特征集A的端点经过极坐标变换的特征向量，并以特征向量V2Ai *：[ρ，β，φ]为中心。
V2A *:特征集A的分叉点经过极坐标变换的特征向量，并以特征向量V2Ai *：[ρ，β，θ1，θ2，θ3]为中心。
V3A *:特征向量A的双分叉点经过极坐标变换的特征向量，并以特征向量V2Ai *：[ρ，β，φ1，φ2，φ3，φ4]为中心。
相应的V1B *、V2B *、V3B *分别是特征集B经过极坐标变换后以V2Bj *为中心中的特征向量。在所有的向量中，ρ、β包含了细节点的极坐标信息，θx＝1∶3和φx＝1∶4包含了细节点的角度信息。
其中，匹配处理具体操作如下:
(1)设置Stemp＝0,k＝1,i＝10
(2)对于端点，如果|ρ(V1Ak *)-ρ(V1Bi *)|＜α2、|β(V1Ak *)-β(V1Bi *)|＜α3、|β(V1Ak *)-β(V1Bi *)|＜α3同时满足，则进行(3)，否则跳至(4)。
(3)端点的角度如果满足:|φ(V1Ak *)-φ(V1Bi *)|＜α4，则Stemp＝Stemp+1。
(4)对V1Ak *和V1Bi *中的每一对对应细节点，重复上面的(2)和(3)。
(5)设置k＝1,i＝1。
(6)对于分叉点，如果|ρ(V2Ak *)-ρ(V2Bi *)|＜α2、|β(V2Ak *)-β(V2Bi *)|＜α3同时满足，则进行(7)，否则跳至(8)。
(7)分叉点的角度如果同时满足：|θ1(V2Ak *)-θ1(V2Bi *)|＜α5、|θ2(V2Ak *)-θ2(V2Bi *)|＜α5、|θ3(V2Ak *)-θ3(V2Bi *)|＜α5，则Stemp＝Stemp+1。
(8)对V2Ak *和V2Bi *中的每一对对应细节点，重复上面的(6)和(7)。
(9)设置k＝1,i＝1。
(10)对于双分叉点，如果|ρ(V3Ak *)-ρ(V3Bi *)|＜α2、|β(V2Ak *)-β(V2Bi *)|＜α3同时满足，则进行(11)，否则跳至(12)。
(11)双分叉点的角度如果同时满足|φ1(V3Ak *)-φ1(V3Bi *)|＜α6、|φ2(V3Ak *)-φ2(V3Bi *)|＜α6、|φ3(V3Ak *)-φ3(V3Bi *)|＜α6、|φ4(V3Ak *)-φ4(V3Bi *)|＜α6，则Stemp＝Stemp+1。
(12)对V3Ak *和V3Bi *中的每一对对应细节点，重复上面的(10)和(11)。
(13)归一化并返回相似度:
NumA＝size(V1Ak *)+size(V2Ak *)+size(V3Ak *)
NumB＝size(V1Bk *)+size(V2Bk *)+size(V3Bk *)
其中NumA是待匹配细节点的个数，NumB是匹配模板中细节点的个数。
Figure BDA0001459533790000181
Snorm即为相似系数。
经过上述匹配操作后三种细节点将返回相应的匹配度，最后再选取三种不同细节点的最大匹配度作为最终匹配度，并反馈最终结果，完成整个匹配过程。
本发明还包括一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的手指静脉识别与安全认证方法。
本发明还包括一种手指静脉识别与安全认证终端，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现所述的手指静脉识别与安全认证方法。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (8)

1.一种手指静脉识别与安全认证方法，其特征在于，至少包括如下步骤：
采集步骤：采集手指部位的静脉图像信息，并将静脉图像加密；
图像处理步骤：
S1：对所述采集的静脉图像解密并分析，确定有效的静脉图像区域进行定位及截取；
S2：对截取的静脉图像进行脊波变换作图像增强处理；
S3：针对增强处理后的静脉图像进行方向谷形检测作图像分割处理；所述图像处理步骤中的S3图像分割处理操作具体包括：C1：设计一种算子来提取静脉图像的谷形区域；C2：将提取的谷形区域静脉图像分为三个区域，包括背景区、前景区以及模糊区，并进行三次阈值分割；C3：对模糊区的静脉图像作S2步骤的图像增强处理后，再对该区域进行阈值分割；C4：对分割出的静脉图像进行去除孤立点、毛刺以及填充细小孔洞操作，使得静脉图像平滑清晰；
S4：针对分割处理的静脉图像进行SVR质量评价分析，如符合质量要求的，跳转到后续的特征提取步骤；否则，返回采集步骤，重新采集静脉图像；
特征提取步骤：对符合质量评价要求的静脉图像，作细节点特征提取并存储；
特征点匹配步骤：调取存储的静脉图像细节点特征，并与待测的手指静脉图像作比对分析，比较细节点的位置及角度信息，完成匹配操作，输出结果；
所述图像处理步骤中的S2脊波变换图像增强处理操作具体包括：
B1：对截取的静脉图像进行尺度归一化和/或灰度归一化处理，形成归一化图像；
B2：利用小波变换算法，得到归一化图像中的高频子带；
B3：对获得的高频子带进行有限脊波变换；
B4：通过修改阈值的方法，建立新的高频子带阈值；
B5：根据新的阈值，用新的非线性系数去处理脊波域中的子带系数；
B6：在高频子带上作有限脊波反变换；
B7：通过小波域中子频带的系数重建指静脉图像，形成增强图像。
2.根据权利要求1所述的方法，其特征在于，所述图像处理步骤中关于S1确定有效的静脉图像区域的定位及截取操作具体为：
A1：利用均值滤波对指静脉图像进行图像平滑处理；
A2：利用Sobel算子检测手指的边缘轮廓；
A3：用两条竖直平行线内切手指轮廓，分别作为感兴趣区域图像的左、右边界，形成有效的静脉图像区域。
3.根据权利要求1所述的方法，其特征在于，所述图像处理步骤中的S4质量评价分析的具体操作包括：
D1：对分割的静脉图像作质量评分；
D2：针对提取质量评价特征，包括影像对比度、空间域梯度、基于Gabor特征、影像信息容量以及信息熵；
D3:基于上述步骤获取的质量评分与质量评价特征得到SVR模型，采用SVR模型对影像质量进行评价筛选。
4.根据权利要求1所述的方法，其特征在于，所述特征提取步骤前还包括对静脉图像作特征细化处理步骤，包括：
E1：采用图像形态学细化算法对静脉图像进行静脉纹路骨架化，将静脉图像变化为单像素宽度的骨架图像，用来显示手指静脉图像的细节点；
E2：去毛刺处理，为像素个数设置一个阈值，并沿着像素端点的线路搜索，若搜素的像素点数小于这个阈值，则判定这个短线为毛刺并予以去除；
E3：判断指纹细化边界点是否为保存点并依次执行右、上、左、下四个边界的像素点作消除冗余处理。
5.根据权利要求4所述的方法，其特征在于，所述特征提取步骤具体为：
F1：将上述特征细化处理后的静脉图像，定义静脉细节点，包括端点、分叉点和双分叉点；
F2：对细节点中心处使用M*M方阵，检测细节点的位置与类型，计算细节点的分支之间的角度及细节点与水平线之间的角度；
F3：从检测的细节点中筛选需要提取的细节点为特征点。
6.根据权利要求1所述的方法，其特征在于，所述特征点匹配步骤包括：
G1：对静脉图像作特征提取步骤处理获得特征点，计算特征点的位置及角度信息；
G2：比对特征点的位置与角度信息，对提取的每个特征点进行中心定位；
G3：给出保存的端点、分叉点以及双分叉点的三种细节点特征向量，进行模板匹配；
G4：对所述特征向量进行极坐标转换后，作细节点匹配处理，选取三种不同细节点的最大匹配度作为最终匹配度，并反馈结果。
7.一种手指静脉识别与安全认证终端，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的手指静脉识别与安全认证方法。
8.一种应用权利要求1至6任一项所述手指静脉识别与安全认证方法的系统，其特征在于，包括：
图像采集模块：包括手指静脉采集装置，用于采集手指部位的静脉图像信息及身份认证信息，并将信息作加密处理，完成传输操作；
存储模块：用于建立手指静脉图像特征数据库、特征模版、手指静脉图像特征模板库；
匹配识别模块：用于对静脉图像信息及身份认证信息作解密操作，将待识别特征与模板库中存储的特征进行比较，完成匹配操作，输出识别结果；
图像处理及特征提取模块：用于对采集的静脉图像作有效区域定位及截取、图像增强、图像分割、图像质量评测、特征提取，并将提取的特征发送给存储模块或识别及匹配识别模块。
CN201711083513.3A 2017-11-07 2017-11-07 一种手指静脉识别与安全认证方法及其终端及系统 Active CN107862282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711083513.3A CN107862282B (zh) 2017-11-07 2017-11-07 一种手指静脉识别与安全认证方法及其终端及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711083513.3A CN107862282B (zh) 2017-11-07 2017-11-07 一种手指静脉识别与安全认证方法及其终端及系统

Publications (2)

Publication Number Publication Date
CN107862282A CN107862282A (zh) 2018-03-30
CN107862282B true CN107862282B (zh) 2020-06-16

Family

ID=61701144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711083513.3A Active CN107862282B (zh) 2017-11-07 2017-11-07 一种手指静脉识别与安全认证方法及其终端及系统

Country Status (1)

Country Link
CN (1) CN107862282B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564020B (zh) * 2018-04-08 2021-07-13 陕西科技大学 基于全景3d图像的微手势识别方法
CN108875621B (zh) * 2018-06-08 2023-04-18 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110781707A (zh) * 2018-07-31 2020-02-11 贾志恒 指静脉识别方法、装置、电子设备及计算机可读介质
CN109308405A (zh) * 2018-09-08 2019-02-05 太若科技(北京)有限公司 运用手部静脉血管解锁ar设备的方法、装置及ar设备
CN109523484B (zh) * 2018-11-16 2023-01-17 中国民航大学 一种基于分形特征的手指静脉血管网络修复方法
CN109522842B (zh) * 2018-11-16 2023-01-17 中国民航大学 一种基于手指静脉图像的血管网络修复方法
CN109598247B (zh) * 2018-12-07 2022-09-06 黑龙江大学 基于静脉图像细节点与纹路特征的二维码身份认证方法
CN109726688B (zh) * 2018-12-29 2022-10-04 龙岩学院 一种获取指静脉影像增强的方法及设备
CN109766836B (zh) * 2019-01-11 2021-11-12 防灾科技学院 一种指静脉识别解锁方法及系统
CN109800711B (zh) * 2019-01-21 2020-12-22 数坤（北京）网络科技有限公司 基于形态识别的静脉去除方法
CN109974617A (zh) * 2019-04-01 2019-07-05 湖北工业大学 一种多波长干涉测量中光强一致性的控制方法
CN110175594B (zh) * 2019-05-31 2021-07-30 Oppo广东移动通信有限公司 静脉识别方法及相关产品
CN110210395B (zh) * 2019-05-31 2021-04-13 Oppo广东移动通信有限公司 静脉图像采集方法及相关产品
CN110674681A (zh) * 2019-08-13 2020-01-10 平安科技（深圳）有限公司 基于注意力机制的身份验证方法和装置
CN110607642A (zh) * 2019-09-23 2019-12-24 珠海格力电器股份有限公司 一种基于指静脉识别的智能洗衣控制方法、系统及洗衣机
CN110852280B (zh) * 2019-11-13 2022-04-15 圣点世纪科技股份有限公司 一种指静脉设备镜面异物的检测算法
CN111079551B (zh) * 2019-11-25 2023-09-05 五邑大学 基于奇异值分解的手指静脉识别方法、装置和存储介质
CN111166070A (zh) * 2019-12-17 2020-05-19 五邑大学 一种基于指静脉认证的医疗储物柜及其管理方法
CN111144352B (zh) * 2019-12-30 2023-05-05 杭州电子科技大学 一种面向人脸图像智能感应的安全传输与识别方法
CN111563454B (zh) * 2020-05-08 2023-08-08 浙江大学 一种双重活体验证的手部静脉识别方法及装置
CN111639557B (zh) * 2020-05-15 2023-06-20 圣点世纪科技股份有限公司 一种指静脉图像智能注册反馈方法
CN112116591B (zh) * 2020-11-18 2021-03-30 惠州高视科技有限公司 一种用于检测蚀刻电路通断路的方法
CN112560590A (zh) * 2020-11-30 2021-03-26 安徽澄小光智能科技有限公司 利用腕静脉主动识别身份的智能穿戴设备
CN112714232B (zh) * 2020-12-31 2023-04-07 中国工商银行股份有限公司 指静脉图像数据传输方法及装置
CN113052045B (zh) * 2021-03-17 2023-04-28 中国工商银行股份有限公司 识别指静脉图像的方法、装置、计算设备和介质
CN112926490A (zh) * 2021-03-17 2021-06-08 中国工商银行股份有限公司 指静脉图像识别方法、装置、计算设备和介质
CN113535689B (zh) * 2021-08-02 2022-02-11 曜立科技(北京)有限公司 一种用于数字疗法的数据库建立管理系统
CN114359761A (zh) * 2021-12-27 2022-04-15 广州市奔流电力科技有限公司 一种基于便携布控球的登高未系安全带识别系统
CN117711031B (zh) * 2023-08-03 2024-10-01 荣耀终端有限公司 一种指纹匹配方法及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106656506A (zh) * 2016-11-18 2017-05-10 哈尔滨工程大学 一种手指静脉加密方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106656506A (zh) * 2016-11-18 2017-05-10 哈尔滨工程大学 一种手指静脉加密方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于超小波变换的手指静脉特征提取方法研究;田政;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415(第2014年04期);第42-47页 *
手指静脉图像质量评价与识别方法的研究;周丽珍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115(第2017年01期);摘要、第12-15页，20170115 *

Also Published As

Publication number Publication date
CN107862282A (zh) 2018-03-30

Similar Documents

Publication Publication Date Title
CN107862282B (zh) 一种手指静脉识别与安全认证方法及其终端及系统
Wu et al. Fingerprint image enhancement method using directional median filter
Zuo et al. On a methodology for robust segmentation of nonideal iris images
WO2019014813A1 (zh) 一种定量检测人脸肤质参量的方法、装置和智能终端
CN112597812A (zh) 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统
CN103870808A (zh) 一种手指静脉识别方法
CN102254188A (zh) 掌纹识别方法及装置
CN108121946B (zh) 一种指纹图像预处理方法及装置
WO2019014814A1 (zh) 一种定量检测人脸抬头纹的方法和智能终端
CN111914755A (zh) 一种八方向求梯度指纹识别模型
CN111507206A (zh) 一种基于多尺度局部特征融合的手指静脉识别方法
CN112069928B (zh) 一种手部目标掌纹提取的生命线与中线拟合方法
CN114529950A (zh) 指静脉识别方法、装置、计算机可读存储介质及设备
CN110574036A (zh) 一系列回波描记图像中的神经的检测
CN117558068B (zh) 基于多源数据融合的智能设备手势识别方法
CN109523484B (zh) 一种基于分形特征的手指静脉血管网络修复方法
CN104915961A (zh) 一种基于乳腺x线图像的肿块图像区域显示方法及系统
CN105373781A (zh) 用于身份认证的二值图像处理方法
Lin A novel iris recognition method based on the natural-open eyes
Agarwal et al. A review on vein biometric recognition using geometric pattern matching techniques
CN113516096B (zh) 指静脉roi区域提取方法及装置
KR20000059094A (ko) 직접 융선 추출을 이용한 자동 지문 인식 시스템
CN109753912A (zh) 一种基于张量的多光谱掌纹匹配方法
CN115439891A (zh) 一种基于小指纹头、低算力和低存储芯片的指纹识别方法
CN112330704B (zh) 一种足底轮廓表达方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180330

Assignee: Shenzhen Deli Technology Co.,Ltd.

Assignor: SHENZHEN CASTLE SECURITY TECH. Co.,Ltd.

Contract record no.: X2021440000042

Denomination of invention: A finger vein recognition and security authentication method and its terminal and system

Granted publication date: 20200616

License type: Common License

Record date: 20210202

Application publication date: 20180330

Assignee: Zhaoqing Anke Electronic Technology Co.,Ltd.

Assignor: SHENZHEN CASTLE SECURITY TECH. Co.,Ltd.

Contract record no.: X2021440000040

Denomination of invention: A finger vein recognition and security authentication method and its terminal and system

Granted publication date: 20200616

License type: Common License

Record date: 20210202

Application publication date: 20180330

Assignee: Guobao Union Information Security Technology (Guangdong) Co.,Ltd.

Assignor: SHENZHEN CASTLE SECURITY TECH. Co.,Ltd.

Contract record no.: X2021440000041

Denomination of invention: A finger vein recognition and security authentication method and its terminal and system

Granted publication date: 20200616

License type: Common License

Record date: 20210202

EE01 Entry into force of recordation of patent licensing contract