CN108256456A - 一种基于多特征阈值融合的手指静脉识别方法 - Google Patents

一种基于多特征阈值融合的手指静脉识别方法 Download PDF

Info

Publication number
CN108256456A
CN108256456A CN201810015658.8A CN201810015658A CN108256456A CN 108256456 A CN108256456 A CN 108256456A CN 201810015658 A CN201810015658 A CN 201810015658A CN 108256456 A CN108256456 A CN 108256456A
Authority
CN
China
Prior art keywords
curvature
feature
formula
threshold
fusion
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
CN201810015658.8A
Other languages
English (en)
Other versions
CN108256456B (zh
Inventor
沈雷
蓝师伟
李凡
吕葛梁
杨航
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810015658.8A priority Critical patent/CN108256456B/zh
Publication of CN108256456A publication Critical patent/CN108256456A/zh
Application granted granted Critical
Publication of CN108256456B publication Critical patent/CN108256456B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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

Abstract

本发明公开了一种基于多特征阈值融合的手指静脉识别方法。本发明先用基于多标准差的二维高斯模板计算手指静脉图像曲率提取图像的背景区域曲率灰度特征，静脉区域曲率灰度特征和曲率细线特征。用相关系数法计算背景区域曲率灰度特征和静脉区域曲率灰度特征的匹配阈值，用MHD算法计算曲率细线特征的匹配阈值，再提出一种多特征阈值融合判决算法，融合以上三种特征的单独识别阈值进行验证判决。本发明提出的基于三种特征阈值融合的算法，由于结合了背景区域曲率灰度特征包含的背景区域可用信息，对模糊的手指静脉图像识别性能下降不明显，因此在低认假率下的拒真率显著低于传统的基于单独细线特征的识别算法，能够合理且高效利用的有效的识别算法。

Description

一种基于多特征阈值融合的手指静脉识别方法
技术领域
本发明属于生物特征识别及信息安全技术领域，特别涉及到手指静脉识别技术领域。
背景技术
手指静脉识别技术属于生物特征识别技术，它利用手指内部静脉拓扑结构进行人体身份验证。因其识别速度快、性能好以及特征安全不易伪造而成为国内外诸多学者的研究热点。手指静脉识别系统主要包括手指静脉图像采集，图像预处理，特征提取和特征匹配识别。考虑到目前采集设备的工艺水平，存在着一些人的手指在采集过程中受到设备不稳定或者采集环境的影响，导致采集到的手指静脉图像存在静脉纹路模糊，静脉区域不稳定等问题。因此从手指静脉图像中提取出稳定的可用特征以及如何利用特征进行识别算法设计是手指静脉识别技术的关键环节。
管凤旭等人运用主成分分析改进算法提取特征，识别率较高，但其针对静脉图像特点改进的算法复杂度高，提取时间长。王科俊等人先确定静脉方向，再用该方向的模板提取细线特征。提取效率高，且抑制了其它方向模板提取的噪声。但其设计的模板对低质量图像提取效果不佳。林剑等人使用高斯模板二阶导数卷积图像得到图像的Hessian矩阵，再根据Hessian矩阵的迹和特征值得到细线特征，并通过改变高斯模板方差来针对不同粗细的静脉获得最佳的提取效果。高斯模板比方向模板对低质量图像的适应性更好，提取结果稳定。孙晓琳根据图像中垂直静脉纹路方向呈谷形分布的特点，计算多方向上离散曲率，根据曲率值提取静脉中心点。但其曲率计算采用离散算法，提取的特征存在较多噪声。NaotoMiura等人根据曲率值对静脉中心进行跟踪寻找，准确提取静脉中心点，但其跟踪算法复杂度较高。由于曲率综合了一阶导数和二阶导数信息，对图像增强效果比二阶导数好。目前的手指静脉识别算法中，大多数使用单个特征进行识别，且从静脉拓扑结构来设计算法时只提取细线特征或者端点和交叉点特征进行识别，而手指静脉纹路模糊的图像在特征提取环节如果只提取细线特征，会使特征包含的信息少且不稳定，当数据库中静脉纹路模糊图像累计到一定数量会造成不同类手指静脉图像之间相似度提高，使图像模糊的用户识别困难或者出现误识。
发明内容
对于现有的算法如基于方向滤波提取细线特征的算法和基于Hessian矩阵提取细线特征的算法对模糊图像提取特征不稳定导致的在低认假率情况下拒真率低的问题，本发明提供一种基于多特征阈值融合的手指静脉识别算法。
本发明所采用的技术方案为：
一种基于多特征阈值融合的手指静脉识别算法，包括以下步骤：
S1、构造多个标准差的二维高斯模板，高斯模板表达式如下：
式(1)中x和y取值由二维高斯函数标准差σ与高斯模板中标准差因子t共同决定，二维高斯模板正方形窗口边长为p＝2×t×σ+1。因此x和y取值均为[-p,p]。σ取值可变，并且决定着窗口的大小，不同窗口大小对应提取不同粗细的静脉。
S2、先求出二维高斯模板的一阶偏导数h′x(x,y)h′y(x,y)，二阶偏导数h″xx(x,y)h″yy(x,y)，混合偏导数h″xy(x,y),并用这5个偏导数模板分别卷积图像矩阵得到图像矩阵的5个偏导数H′x,H′y,H′xx,H′yy,H′xy，再用方向导数公式(2)、(3)求四个角度的一阶、二阶方向导数。坐标轴x轴方向为0°，y轴为90°。
式(2)(3)中取0°,45°,90°,135°。将方向导数代入曲率公式(4)，得到静脉图像在各方向上对应的曲率值。并求四个方向最大曲率值保存为静脉图像的最终曲率值，如式(5):
式(5)中k为最终提取的曲率特征，为四个方向上最大曲率值。
S3、改变标准差σ，选取合适的多个标准差的提取结果进行曲率特征融合。实验表明选取两个标准差提取结果进行融合效果最好。融合公式如式(6)所示：
式(6)中kσ1为标准差取σ1的二维高斯模板提取的曲率结果，kσ2为标准差取σ2的二维高斯模板提取的曲率结果，K为两个标准差提取结果的融合结果。
S4、曲率灰度特征分解，按照式(7)(8)将曲率特征按照正负区域分别归一化得到背景曲率灰度特征K0和静脉曲率灰度特征K1。
式(7)(8)中，K是曲率灰度图像，K_min和K_max分别是将曲率灰度图像矩阵值按照从小到大和从大到小排序的两个向量。取K_min的前10个值的平均值作为负区域归一化的上限，取K_max的前10个值的平均值作为正区域归一化的上限，减轻图像边缘的曝光突变对曲率结果的影响。背景曲率灰度特征和静脉曲率灰度特征是本发明提取的两种用于融合识别的特征。
S5、曲率细线特征提取，曲率细线特征是静脉图像中静脉区域的最精简的特征。曲率灰度图像K经过二值化，滤波，细化得到细线特征。本文二值化处理采用局部动态阈值分割算法，利用窗口内的均值和方差得到阈值，对曲率灰度图K进行二值化，采用连通区域滤波去噪，再用查表细化法得到曲率细线特征。
S6、曲率灰度特征单独识别阈值计算
背景曲率灰度特征和静脉曲率灰度特征同属于曲率灰度特征，本文计算矩阵的相关系数来表示曲率灰度特征的相似度。相关系数计算公式如式(9):
式(9)中Ka,Kb为两个由曲率灰度特征矩Cov意为计算两个曲率灰度特征Ka,Kb的协方差，Var意为计算两个曲率灰度特征Ka,Kb的方差。记背景曲率灰度特征识别阈值为T0，静脉曲率灰度特征识别阈值为T1。
S7、曲率细线特征单独识别阈值计算
曲率细线特征阈值采用修正的Hausdorff距离(modified Hausdorff distance,MHD)算法计算。对于A与B两个曲率细线特征，MHD计算公式如式(10)、(11):
T2(A,B)＝max(d(A,B),d(B,A)) (11)
式(10)中d为A到B的最小平均距离，式(11)中T2为A与B的MHD阈值。先计算A中某点Am到B中所有点Bn的距离，其中1≤n≤N共N个点。然后求出最小值，遍历A中所有M个点并求平均值。再从B到A重复一遍，取两者较大值作为A与B间的MHD阈值。
S8、三种特征阈值融合识别算法
由于曲率灰度特征和曲率细线特征是不同维度的特征，其阈值计算方式不同，因此三种阈值融合顺序是先进行两区域曲率灰度特征的阈值融合，得到二者最佳的权重α及新阈值，再与曲率细线特征阈值融合得到权重β及最终阈值T，表达式如式(12):
T＝(1-β)(αT0+(1-α)T1)+βT2 (12)
式(12)中T0,T1,T2分别为背景曲率灰度特征，静脉曲率灰度特征和曲率细线特征的归一化百分制阈值，α为阈值T0,T1的融合权重，β为阈值T2与T0,T1融合阈值的融合权重。
S9、匹配识别。本文中定义阈值越高表示图像相似度越高，识别验证表达式如式(13):
式(13)中Ts为根据图像库计算得到的识别阈值，不同的认假率对应有不同的识别阈值，T为两幅手指静脉图像计算出的匹配阈值，根据式(13)可以判断两幅手指静脉图像是否来源于同一个手指。
本发明有益效果如下：
本发明提出一种基于多特征阈值融合的手指静脉识别算法，首先利用多标准差的二维高斯模板提取手指静脉图像的静脉区域曲率灰度特征，背景区域曲率灰度特征及曲率细线特征并且采用阈值融合算法确定各特征阈值的最佳融合权重融合三种特征进行识别。实验表明，本发明提出的阈值融合算法综合了手指静脉图像不同维度的特征所包含的可用信息，特别是融合了背景区域的可用信息后，拒真率比传统的基于单独细线特征的识别算法在低认假率下有较大提升，说明本发明提出的多特征阈值融合算法是一种有效的手指静脉识别算法。
本发明提取的手指静脉图像的三种特征从不同维度上刻画了手指静脉图像中的不同程度可用信息，而所提阈值融合算法融合了三种特征的可用信息进行验证判决，识别性能明显高于传统的基于单独细线特征识别的算法。特别地，对于手指静脉纹路模糊图像，传统算法提取的细线特征包含的可用信息少且不稳定，在低认假率下识别性能明显降低，而本发明提出的基于三种特征阈值融合的算法，由于结合了背景区域曲率灰度特征包含的背景区域可用信息，对模糊的手指静脉图像识别性能下降不明显，因此在低认假率下的拒真率显著低于传统的基于单独细线特征的识别算法。因此，基于多特征阈值融合的手指静脉识别算法是一种对手指静脉图像信息合理且高效利用的有效的识别算法。
附图说明
图1为一幅手指静脉原始灰度图像；
图2为0°方向的模板提取出的曲率灰度图像；
图3为45°方向的模板提取出的曲率灰度图像；
图4为90°方向的模板提取出的曲率灰度图像；
图5为135°方向的模板提取出的曲率灰度图像；
图6为标准差1.5的模板提取出的曲率灰度图像；
图7为标准差2.5的模板提取出的曲率灰度图像；
图8为标准差1.5和2.5的模板提取的曲率灰度图像融合图像；
图9为融合曲率灰度图像分解出的静脉区域曲率灰度特征图像；
图10为融合曲率灰度图像分解出的背景区域曲率灰度特征图像；
图11为融合曲率灰度图像提取出的曲率细线特征图像；
图12为基于本发明提取的三种特征单独识别算法ROC曲线和其他论文中的基于方向滤波细线特征识别算法和基于Hessian矩阵细线特征识别算法ROC曲线对比图；
图13为静脉曲率灰度特征和背景曲率灰度特征融合识别算法的拒真率随阈值融合权重α的变化曲线；
图14为基于静脉曲率灰度特征融合背景曲率灰度特征识别算法的ROC曲线和基于单独静脉曲率灰度特征识别算法的ROC曲线对比图；
图15为三种特征阈值融合识别算法的拒真率随阈值融合权重β的变化曲线；
图16为三种特征阈值融合的识别算法ROC曲线和基于单独静脉曲率灰度特征识别算法的ROC曲线对比图；
具体实施例
下面结合附图对本发明的具体实施例作进一步的说明。
本实施例的基于多特征阈值融合的手指静脉识别方法，包括以下步骤：
S1、式(1)中σ取1.5，t取4，模板窗口边长即为p＝13，构造成一个13×13的正方形二维高斯模板。
S2、分别求出二维高斯函数x方向一阶导数h′x(x,y)、y方向的一阶导数h′y(x,y)、x方向二阶偏导数h″xx(x,y)、y方向二阶偏导数h″yy(x,y)和二阶混合偏导数h″xy(x,y)。
S3、将模板窗口坐标代入步骤S2中的各导数表达式得到模板的5个偏导数。
S4、用模板的5个偏导数卷积手指静脉原始图像，原始图像如图1所示，卷积过程中，原始图像矩阵扩充采用边界值复制法进行扩充。卷积得到的结果为图像矩阵的5个偏导数。
S5、将步骤S4得到的图像矩阵的5个偏导数代入方向导数公式(2)(3)，得到图像矩阵的4个方向导数。
S6、将步骤S5得到的4个方向导数逐个代入曲率计算公式即式(4)得到图像矩阵在四个方向上的曲率特征图，如图2-5所示。
S7、将步骤S6得到的四个方向上的曲率代入式(5)，求得图像矩阵的四个方向上最大曲率图，如图6所示。图6的曲率灰度图像是二维高斯模板方差为1.5时的提取结果，由图6可见，方差小时提取的曲率灰度图像中静脉细节更多，但是粗静脉轮廓并不能完整提取出来。
S8、式(1)中σ取2.5，方差因子t取4，模板窗口边长即为p＝21，构造成一个21×21的正方形二维高斯模板，并重复步骤S2-S7，得到如图7所示的方差为2.5的曲率灰度图像提取结果。由图7可见，与图6相比，大方差的提取结果中粗静脉轮廓信息更加完整，但是细节静脉纹路变得不清晰。
S9、将S8与S7得到的标准差为1.5和2.5的曲率灰度特征图按照式(6)进行融合，融合结果如图8所示。图8中所提取的曲率灰度大的区域对应于手指静脉图像的静脉区域，可见融合了两个标准差的结果与单个标准差提取结果相比较，即包含了粗静脉的完整轮廓，又包含了较多的细节静脉纹路，取得了较好的融合效果。
S10、将融合的曲率灰度特征按照式(7)(8)进行分解，由式(8)得到静脉区域曲率灰度特征如图9所示，由式(7)得到背景区域曲率特征如图10所示。图9和图10中白色区域即为曲率值较大的区域，经过式(7)的归一化处理，背景区域曲率灰度特征的曲率值范围也为0-255，归一化处理是为了方便后续步骤的阈值计算和阈值融合。
S11、将融合的曲率灰度特征经过局部动态阈值分割二值化，连通区域滤波，查表细化得到曲率细线特征如图11所示。由图11可见，曲率细线特征是反映一个手指静脉图像静脉拓扑结构的最简单的特征，只包含了静脉区域的单像素主干信息。
S12、阈值计算和匹配验证。将两幅手指静脉图像均执行完步骤S1-S11得到两幅手指静脉图像的三对特征即静脉曲率灰度特征，背景曲率灰度特征和曲率细线特征。静脉曲率灰度特征和背景曲率灰度特征按照式(9)进行阈值计算得到阈值T1和T0，曲率细线特征按照式(10)(11)进行阈值计算得到阈值T2，再按照阈值融合公式即式(12)得到融合阈值T，并通过比较当前比对阈值与由图像库计算出的某个认假率下的识别阈值Ts来判断两幅手指静脉图像是否来自同一根手指。
以下是基于图像数据库对本发明所提算法的实验数据分析，确定阈值权重α与β。并将本发明所提算法的性能与其他手指静脉识别算法的性能进行比较的实验结果。
本次算法仿真图像是本实验室研发的静脉采集设备采集的500类指静脉图像，每类图像有3幅图，图像原始尺寸为500×220，为了节约图像处理时间，先将图像采用双线性插值归一化为160×64。采集时被采集人员正常使用设备，一根手指使用三次，设备自动保存三幅图像。采集过程时间跨度长，采集环境变化复杂，被采集人员数量多，符合目前大部分的实际应用场景，因此该图像库所得结论具有实际应用意义。算法程序在MATLAB R2014a上编写和运行,仿真电脑内存4G，主频率3.4GHZ，操作系统为64位Windows7。认假率(FalseAcceptance Rate,FAR)为不同手指分别采集的指静脉图像，在进行1:1匹配时被判定为同一手指所占的比例；拒真率(False Rejection Rate,FRR)为同一手指分别采集的指静脉图像，在进行1:1匹配时被判定为不同手指所占的比例。本次仿真实验1:1计算的不同手指类间图像匹配次数为1122750次，同一手指类内图像匹配次数为1500次。
通过比较不同特征的FAR-FRR曲线即ROC(receiver operator characteristiccurve,ROC)曲线来进行识别性能的比较，ROC曲线靠近坐标轴，性能越好。本发明对所提出的基于多特征阈值融合的静脉识别算法做了仿真，同时为了比较，对基于方向滤波的细线特征识别算法和基于Hessian矩阵的细线特征识别算法做了仿真。
图12是本文所提取三种特征单独识别算法和其他的识别算法ROC曲线。由图12可知，本发明提出的基于静脉曲率灰度特征识别算法和基于曲率细线特征识别算法比基于方向滤波细线特征识别算法和基于Hessian矩阵细线特征识别算法具有更好的性能。这是由于用二维高斯模板计算曲率对图像有更好的增强作用。由于静脉曲率灰度特征包含的有用信息比单像素曲率细线特征多，所以静脉曲率灰度特征性能略高于曲率细线特征。由于背景曲率灰度特征只包含了少量的静脉图像可用信息，所以背景曲率灰度特征性能低于静脉曲率灰度特征和曲率细线特征，在融合识别算法中起辅助作用。
按照式(12)，先进行两区域曲率灰度特征的阈值融合，图13是在FAR为10-6时两区域曲率灰度特征阈值融合后识别曲线。由图13可知α在20％-30％内FRR提升幅度最大。结合其它FAR时的性能情况，权重α选取为23％，在FAR为10-6时FRR从24.19％降低至19.73％，可见融合识别性能提高了，在低认假率下两区域曲率灰度特征阈值融合后拒真率明显降低。图14是两区域曲率灰度特征阈值融合识别算法的ROC曲线，由图14可见，经过23％的背景曲率灰度特征阈值加权后，两区域曲率灰度特征融合识别算法的ROC曲线更贴近坐标轴，说明融合后识别性能提升了。融合后的新阈值称为两曲率灰度特征融合阈值。
再将两曲率灰度特征融合阈值与曲率细线特征阈值进行融合，确定权重β。图15是FAR为10-6时的最终融合FRR随权重β的变化曲线，由图15可见，β在40％左右FRR最低，结合其他FAR时的性能情况，选择β为40％。在FAR为10-6时三种特征阈值融合的FRR从19.73％降低到了8.13％。图16是三种特征阈值融合识别算法的ROC曲线与静脉曲率灰度特征单独识别算法的ROC曲线对比。由图16可知阈值融合后识别性能提升显著，特别是在认假率为10-6时，拒真率从单静脉曲率灰度特征识别算法的24.19％提升到基于多特征阈值融合识别算法的8.13％，说明低认假率下识别性能提升明显。最终的融合阈值为T＝T0×0.138+T1×0.462+T2×0.4，各阈值融合权重符合理论分析。这是因为静脉曲率灰度特征和曲率细线特征包含了静脉图像的主要信息，在阈值融合识别算法中起到主要作用，所以阈值T1,T2在T中所占比例高达46.2％和40％；而背景曲率灰度特征一般只有静脉图像的少量信息，只有在静脉区域模糊的低质量图像中才会起主要识别作用，而在基于整个图像库计算性能的融合识别时只起辅助用，所以阈值T0在T中所占比例只有13.8％。本发明实验所采用的图像库是模拟了采集设备实际使用环境采集而来的，因此该权重对基于本实验室研发的指静脉采集设备的手指静脉识别系统具有适用性。
上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出得各种变化，也应视为本发明的保护范围。

Claims (3)

1.一种基于多特征阈值融合的手指静脉识别方法，其特征在于包括以下步骤：
步骤1、构造多个标准差的二维高斯模板，高斯模板表达式如下：
式(1)中，x和y取值由二维高斯函数标准差σ与高斯模板中标准差因子t共同决定，二维高斯模板正方形窗口边长为p＝2×t×σ+1，因此x和y取值均为[-p,p]。σ取值可变，并且决定着窗口的大小，不同窗口大小对应提取不同粗细的静脉；
步骤2、先求出二维高斯模板的一阶偏导数h'x(x,y)h'y(x,y)，二阶偏导数h″xx(x,y)h″yy(x,y)，混合偏导数h″xy(x,y),并用这5个偏导数模板分别卷积图像矩阵得到图像矩阵的5个偏导数H'x,H'y,H'xx,H'yy,H′xy，再用方向导数公式求四个角度的一阶、二阶方向导数；坐标轴x轴方向为0°，y轴为90°；
式(2)(3)中取0°,45°,90°,135°。将方向导数代入曲率公式(4)，得到静脉图像在各方向上对应的曲率值，并求四个方向最大曲率值保存为静脉图像的最终曲率值，如式(5):
式(5)中k为最终提取的曲率特征，为四个方向上最大曲率值；
步骤3、改变标准差σ，选取合适的多个标准差的提取结果进行曲率特征融合；融合公式如式(6)所示：
式(6)中kσ1为标准差取σ1的二维高斯模板提取的曲率结果，kσ2为标准差取σ2的二维高斯模板提取的曲率结果，K为两个标准差提取结果的融合结果；
步骤4、曲率灰度特征分解，按照式(7)(8)将曲率特征按照正负区域分别归一化得到背景曲率灰度特征K0和静脉曲率灰度特征K1；
式(7)(8)中，K是曲率灰度图像，K_min和K_max分别是将曲率灰度图像矩阵值按照从小到大和从大到小排序的两个向量；取K_min的前10个值的平均值作为负区域归一化的上限，取K_max的前10个值的平均值作为正区域归一化的上限，减轻图像边缘的曝光突变对曲率结果的影响；
步骤5、曲率细线特征提取，曲率灰度图像K经过二值化，滤波，细化得到细线特征；
步骤6、曲率灰度特征单独识别阈值计算
背景曲率灰度特征和静脉曲率灰度特征同属于曲率灰度特征，本文计算矩阵的相关系数来表示曲率灰度特征的相似度；相关系数计算公式如式(9):
式(9)中Ka,Kb为两个由曲率灰度特征矩Cov意为计算两个曲率灰度特征Ka,Kb的协方差，Var意为计算两个曲率灰度特征Ka,Kb的方差；记背景曲率灰度特征识别阈值为T0，静脉曲率灰度特征识别阈值为T1；
步骤7、曲率细线特征单独识别阈值计算
曲率细线特征阈值采用修正的Hausdorff距离算法计算；对于A与B两个曲率细线特征，MHD计算公式如式(10)(11):
T2(A,B)＝max(d(A,B),d(B,A)) (11)
式(10)中d为A到B的最小平均距离，式(11)中T2为A与B的MHD阈值；先计算A中某点Am到B中所有点Bn的距离，其中1≤n≤N共N个点；然后求出最小值，遍历A中所有M个点并求平均值；再从B到A重复一遍，取两者较大值作为A与B间的MHD阈值；
步骤8、三种特征阈值T0,T1和T2融合，获取融合后的最终阈值T；
步骤9、匹配识别：
阈值越大表示图像相似度越高，识别验证表达式如式(13):
式(13)中Ts为根据图像库计算得到的识别阈值，不同的认假率对应有不同的识别阈值，T为两幅手指静脉图像计算出的匹配的最终阈值，根据式(13)能够判断两幅手指静脉图像是否来源于同一个手指。
2.根据权利要求1所述的一种基于多特征阈值融合的手指静脉识别方法，其特征在于步骤8所述的融合的实现，具体如下：
由于曲率灰度特征和曲率细线特征是不同维度的特征，其阈值计算方式不同，因此三种阈值融合顺序是先进行两区域曲率灰度特征的阈值融合，得到二者最佳的权重α及新阈值，再与曲率细线特征阈值融合得到权重β及最终阈值T，表达式如式(12):
T＝(1-β)(αT0+(1-α)T1)+βT2 (12)
式(12)中T0,T1,T2分别为背景曲率灰度特征，静脉曲率灰度特征和曲率细线特征的归一化百分制阈值，α为阈值T0,T1的融合权重，β为阈值T2与T0,T1融合阈值的融合权重。
3.根据权利要求1所述的一种基于多特征阈值融合的手指静脉识别方法，其特征在于步骤曲率细线特征提取，具体实现如下：
二值化处理采用局部动态阈值分割算法，利用窗口内的均值和方差得到阈值，对曲率灰度图K进行二值化，采用连通区域滤波去噪，再用查表细化法得到曲率细线特征。
CN201810015658.8A 2018-01-08 2018-01-08 一种基于多特征阈值融合的手指静脉识别方法 Active CN108256456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810015658.8A CN108256456B (zh) 2018-01-08 2018-01-08 一种基于多特征阈值融合的手指静脉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810015658.8A CN108256456B (zh) 2018-01-08 2018-01-08 一种基于多特征阈值融合的手指静脉识别方法

Publications (2)

Publication Number Publication Date
CN108256456A true CN108256456A (zh) 2018-07-06
CN108256456B CN108256456B (zh) 2020-04-07

Family

ID=62725975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810015658.8A Active CN108256456B (zh) 2018-01-08 2018-01-08 一种基于多特征阈值融合的手指静脉识别方法

Country Status (1)

Country Link
CN (1) CN108256456B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271966A (zh) * 2018-10-15 2019-01-25 广州广电运通金融电子股份有限公司 一种基于指静脉的身份认证方法、装置及设备
CN109902586A (zh) * 2019-01-29 2019-06-18 平安科技（深圳）有限公司 掌纹提取方法、装置及存储介质、服务器
CN110008902A (zh) * 2019-04-04 2019-07-12 山东财经大学 一种融合基本特征和形变特征的手指静脉识别方法及系统
CN110147769A (zh) * 2019-05-22 2019-08-20 成都艾希维智能科技有限公司 一种手指静脉图像匹配方法
CN110163123A (zh) * 2019-04-30 2019-08-23 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法
CN110188614A (zh) * 2019-04-30 2019-08-30 杭州电子科技大学 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
CN110502996A (zh) * 2019-07-22 2019-11-26 杭州电子科技大学 一种面向模糊指静脉图像的动态识别方法
CN110569815A (zh) * 2019-09-12 2019-12-13 南京邮电大学 基于改进灰度不均匀矫正的指静脉图像特征提取算法
CN110751029A (zh) * 2019-09-12 2020-02-04 南京邮电大学 基于最大曲率自适应指静脉纹路提取方法
CN110880003A (zh) * 2019-10-12 2020-03-13 中国第一汽车股份有限公司 一种图像匹配方法、装置、存储介质及汽车
CN111612083A (zh) * 2020-05-26 2020-09-01 济南博观智能科技有限公司 一种手指静脉识别方法、装置及设备
CN111639555A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置
CN111950405A (zh) * 2020-07-30 2020-11-17 内蒙古智诚物联股份有限公司 一种基于人工智能的静脉识别输入输出装置及其识别方法
CN114023249A (zh) * 2021-10-29 2022-02-08 卡莱特云科技股份有限公司 Led显示屏图像的灯点提取方法、装置及led显示屏校正方法
CN115272684A (zh) * 2022-09-29 2022-11-01 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011052085A1 (ja) * 2009-10-30 2011-05-05 富士通フロンテック株式会社 生体情報登録方法、生体認証方法および生体認証装置
CN104239769A (zh) * 2014-09-18 2014-12-24 北京智慧眼科技发展有限公司 基于手指静脉特征的身份识别方法及系统
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
CN106611168A (zh) * 2016-12-29 2017-05-03 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011052085A1 (ja) * 2009-10-30 2011-05-05 富士通フロンテック株式会社 生体情報登録方法、生体認証方法および生体認証装置
CN104239769A (zh) * 2014-09-18 2014-12-24 北京智慧眼科技发展有限公司 基于手指静脉特征的身份识别方法及系统
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
CN106611168A (zh) * 2016-12-29 2017-05-03 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271966A (zh) * 2018-10-15 2019-01-25 广州广电运通金融电子股份有限公司 一种基于指静脉的身份认证方法、装置及设备
CN109271966B (zh) * 2018-10-15 2021-10-26 广州广电运通金融电子股份有限公司 一种基于指静脉的身份认证方法、装置及设备
CN109902586A (zh) * 2019-01-29 2019-06-18 平安科技（深圳）有限公司 掌纹提取方法、装置及存储介质、服务器
CN110008902B (zh) * 2019-04-04 2020-11-17 山东财经大学 一种融合基本特征和形变特征的手指静脉识别方法及系统
CN110008902A (zh) * 2019-04-04 2019-07-12 山东财经大学 一种融合基本特征和形变特征的手指静脉识别方法及系统
CN110163123A (zh) * 2019-04-30 2019-08-23 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法
CN110188614A (zh) * 2019-04-30 2019-08-30 杭州电子科技大学 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
CN110188614B (zh) * 2019-04-30 2021-03-30 杭州电子科技大学 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
CN110163123B (zh) * 2019-04-30 2021-02-26 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法
CN110147769A (zh) * 2019-05-22 2019-08-20 成都艾希维智能科技有限公司 一种手指静脉图像匹配方法
CN110147769B (zh) * 2019-05-22 2023-11-07 成都艾希维智能科技有限公司 一种手指静脉图像匹配方法
CN110502996A (zh) * 2019-07-22 2019-11-26 杭州电子科技大学 一种面向模糊指静脉图像的动态识别方法
CN110502996B (zh) * 2019-07-22 2022-03-15 杭州电子科技大学 一种面向模糊指静脉图像的动态识别方法
CN110751029A (zh) * 2019-09-12 2020-02-04 南京邮电大学 基于最大曲率自适应指静脉纹路提取方法
CN110751029B (zh) * 2019-09-12 2022-08-02 南京邮电大学 基于最大曲率自适应指静脉纹路提取方法
CN110569815A (zh) * 2019-09-12 2019-12-13 南京邮电大学 基于改进灰度不均匀矫正的指静脉图像特征提取算法
CN110880003A (zh) * 2019-10-12 2020-03-13 中国第一汽车股份有限公司 一种图像匹配方法、装置、存储介质及汽车
CN110880003B (zh) * 2019-10-12 2023-01-17 中国第一汽车股份有限公司 一种图像匹配方法、装置、存储介质及汽车
CN111639555A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置
CN111612083A (zh) * 2020-05-26 2020-09-01 济南博观智能科技有限公司 一种手指静脉识别方法、装置及设备
CN111950405A (zh) * 2020-07-30 2020-11-17 内蒙古智诚物联股份有限公司 一种基于人工智能的静脉识别输入输出装置及其识别方法
CN114023249A (zh) * 2021-10-29 2022-02-08 卡莱特云科技股份有限公司 Led显示屏图像的灯点提取方法、装置及led显示屏校正方法
CN115272684A (zh) * 2022-09-29 2022-11-01 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法
CN115272684B (zh) * 2022-09-29 2022-12-27 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法

Also Published As

Publication number Publication date
CN108256456B (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN108256456A (zh) 一种基于多特征阈值融合的手指静脉识别方法
Jain et al. Intelligent biometric techniques in fingerprint and face recognition
US7599530B2 (en) Methods for matching ridge orientation characteristic maps and associated finger biometric sensor
EP1339008B1 (en) Authentication method, and program and apparatus therefor
CN1152340C (zh) 基于知识的指纹图像增强方法
Hambalık Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluation
CN109190460B (zh) 基于累积匹配和等错误率的手形手臂静脉融合识别方法
CN104239769A (zh) 基于手指静脉特征的身份识别方法及系统
CN105975905B (zh) 一种手指静脉快速识别方法
Heenaye et al. A multimodal hand vein biometric based on score level fusion
CN111914616A (zh) 指静脉识别与防伪一体化方法、装置、存储介质和设备
Al-Nima et al. Segmenting finger inner surface for the purpose of human recognition
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
CN115204238A (zh) 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备
Prashanth et al. Off-line signature verification based on angular features
CN114973308A (zh) 弹性权重固化和多元相似损失的手指静脉识别方法及系统
Ghoualmi et al. A multi-objective optimization approach for palm vein feature selection based on the discrete PSO
Rezaei et al. Persian signature verification using fully convolutional networks
Sarfraz Introductory chapter: On fingerprint recognition
Szymkowski et al. A novel approach to fingerprint identification using method of sectorization
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
CN114973307A (zh) 生成对抗和余弦三元损失函数的指静脉识别方法及系统
Khoirunnisaa et al. The biometrics system based on iris image processing: a review
Azzoubi et al. AN ENHANCEMENT ALGORITHM USING GABOR FILTER FOR FINGERPRINT RECOGNITION.
Ramachandra et al. Signature verification using graph matching and cross-validation principle

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