CN108334875A - 基于自适应多阈值的静脉特征提取方法 - Google Patents
基于自适应多阈值的静脉特征提取方法 Download PDFInfo
- Publication number
- CN108334875A CN108334875A CN201810383911.5A CN201810383911A CN108334875A CN 108334875 A CN108334875 A CN 108334875A CN 201810383911 A CN201810383911 A CN 201810383911A CN 108334875 A CN108334875 A CN 108334875A
- Authority
- CN
- China
- Prior art keywords
- threshold
- value
- pixel
- gray
- image
- 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
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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
本发明提出基于自适应多阈值的静脉特征提取方法,从功能性上可以分为以下四个部分:提取谷形区域、第一次阈值分割、第二次自适应阈值分割和二值化处理。本发明能提高整个系统的识别精确度;能够有效地解决单一阈值无法充分提取出静脉特征信息的问题,并通过自适应地调整图像中各个部分的阈值,能够最大程度地从图像上下两端模糊部分中提取出静脉特征信息;本发明根据静脉特征呈谷形的特点,设计谷形检测算子来检测静脉特征,先进行一次粗分割把图像划分为目标、背景和模糊部分3个区域,然后对每个区域分别设置自适应阈值做不同的提取处理,以达到对低质量图像静脉特征准确提取的目的。
Description
技术领域
本发明涉及基于自适应多阈值的静脉特征提取方法,属于图像处理领域。尤其涉及一种在输入低质量图像的情况,能够提取出较为清晰的静脉特征信息的领域。
背景技术
指静脉识别技术是一种基于人的生理特点的身份识别技术,它利用手指内静脉血管进行身份识别,作为一种新兴的生物特征识别技术,近年来得到了越来越多的国内外研究团体的关注,也取得了一定的成果。自2007年以来,指静脉识别逐步进入了稳定的发展时期,大量的研究人员开始关注并参与到了指静脉识别的研究中,极大地推动了指静脉识别的发展和应用。目前指静脉识别己经广泛地应用到了各个领域,日本的日立公司将指静脉识别技术应用于银行ATM取款机、汽车方向盘等。与此同时,一些国内的科技、互联网公司也积极地将指静脉识别技术运用在门禁控制、计算机登陆控制和指静脉支付等领域。与其他生物特征识别技术相同的是,指静脉识别的研究工作也主要涉及图像预处理、特征提取、匹配等。目前针对指静脉识别中的核心问题——静脉特征提取,各个高校的研究工作者们已经开展了大量的研究工作。
静脉特征提取指在经过预处理后的图像中将静脉纹路和图像背景分割出来,以达到最大限度地还原出静脉特征信息的效果。在整个指静脉识别系统中,由于个体的差异以及图像预处理算法的局限性,因此静脉特征的提取方法对后续的识别流程起着至关重要的作用。所有的特征提取方法都是根据系统和实际需求被设计出来的,因此研究指静脉识别系统中的特征提取方法需要充分理解静脉的结构特征和大体走向。
现有的静脉特征提取方法大体上分为两类:基于谷形横切面的方法和基于邻域的方法。基于谷形横切面的方法,在采集的图像中,静脉特征区域灰度值较低,非静脉区域灰度值较高,因此静脉特征点的横切面上的灰度值呈谷形分布。比如:线性跟踪、区域生长和最大曲率点。这类方法主要利用谷形横切面这一成像特点检测出静脉特征。基于邻域的方法,比如:宽线检测和Gabor滤波器组。这类方法取当前点的圆形或矩形邻域来检测静脉特征点。在圆形或矩形邻域中,距离当前点越近灰度值越小,而越靠近区域的边界灰度值越大。依据这一特点来设计模板算子或者检测规则。
上述两类静脉特征提取方法主要存在以下两个方面的缺点:第一,在低质量图像中,指静脉区域的横切面可能呈半谷形,此时基于谷形的静脉点检测方法将无法准确地检测出静脉特征。第二,静脉特征纹路大都是基于各种阀值进行标记的,比如追踪次数阈值、曲率阈值、特定邻点个数阈值等。实际上,这些阈值的选取非常困难,如果阀值设置的过大会损失静脉纹路,阈值设置的过小会把噪声点当作静脉点。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足,提供了基于自适应多阈值的静脉特征提取方法,包括如下步骤:
步骤2:对含有噪声和伪静脉特征的静脉特征图像,去除明显为非静脉特征的像素点;将灰度值小于等于0的像素点的灰度值置为0,完成第一次阈值分割;
之后分别利用每个加权阈值对子图像中的像素点进行二值化处理。
有益效果
本发明提出一种基于自适应阈值的静脉特征提取方法。该方法不仅能够在输入低质量的图像的情况下得到一张较为清晰的静脉特征图像,还能提高整个系统的识别精确度。能够有效地解决单一阈值无法充分提取出静脉特征信息的问题,并通过自适应地调整图像中各个部分的阈值,能够最大程度地从图像上下两端模糊部分中提取出静脉特征信息。本发明根据静脉特征呈谷形的特点,设计谷形检测算子来检测静脉特征,先进行一次粗分割把图像划分为目标、背景和模糊部分3个区域,然后对每个区域分别设置自适应阈值做不同的提取处理,以达到对低质量图像静脉特征准确提取的目的。
附图说明
图1是本方法流程图。
图2是在一个像素处的8个静脉脊线方向。
图3是0°方向上的模板算子。
图4是22.5°方向上的模板算子。
图5是45°方向上的模板算子。
图6是67.5°方向上的模板算子。
图7是90°方向上的模板算子。
图8是112.5°方向上的模板算子。
图9是135°方向上的模板算子。
图10是157.5°方向上的模板算子。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本方法从功能性上可以分为以下四个部分:提取谷形区域、第一次阈值分割、第二次自适应阈值分割和二值化处理。本方法的流程图如图 1 所示。
通过分析指静脉图像可知,大多数静脉特征处于图像中较暗的区域,而背景则相对较亮,即提取静脉特征就转化为检测图像中的谷形区域。由于指静脉图像的谷形区域都有比较清晰的方向场,故方向场估计的准确性直接决定了图像增强和分割算法的效果。为了估计方向场,本方法把静脉的走向划分为8个方向,𝑖 = 1,2, ⋯ ,8分别代表这8个方向的位置。在一个像素处的8个静脉特征方向如图2所示。
1.提取谷形区域
并将最大卷积值𝐺𝑚𝑎𝑥作为该点的灰度值。遍历整张图像后,生成一张含有噪声和伪静脉特征的静脉特征图像。
2.第一次阈值分割
对含有噪声和伪静脉特征的静脉特征图像,需要去除明显为非静脉特征的像素点。由于经过卷积运算后使谷形区域内像素点的灰度值均大于0,而背景区域内像素点的灰度值等于0,凸形区域内像素点的灰度值小于0。那么,灰度值小于等于0的像素点必定为非静脉特征。因此,将这一部分像素点的灰度值置为0,完成第一次阈值分割。
3.第二次自适应阈值分割
4.二值化处理
(2)对于最顶端和最底端两块子图像进行二值化处理。遍历子图像中的每个像素点,如果该像素点的灰度值大于或等于静态阈值,则将其灰度值置为1;如果该像素点的灰度值小于静态阈值,则将其灰度值置为0。
之后分别利用每个加权阈值对子图像中的像素点进行二值化处理。如果当前像素点的灰度值大于或等于加权阈值,则将其灰度值置为1;如果当前像素点的灰度值小于加权阈值,则将其灰度值置为0,完成基于自适应的多阈值静脉特征提取。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (4)
1.基于自适应多阈值的静脉特征提取方法,其特征在于:包括如下步骤:
步骤1:对经过预处理后的图像提取谷形区域,即确定每个像素点在其位置处静脉的大
致走向;此步骤通过依次遍历图像中的每个像素点,以该点为中心取其周围矩形区域
内的81个像素点,并利用8个方向上的模板算子对这81个像素点依次做卷积运算,得到8个
方向算子的卷积值𝐹𝑔𝑟𝑎𝑦(𝑖)(𝑖 = 1,2, ⋯ ,8),取8个方向上卷积的最大值𝐺𝑚𝑎𝑥=M𝑎𝑥 (𝐹𝑔𝑟𝑎
𝑦(𝑖))作为该像素点的灰度值𝐺;遍历整张图像后,生成一张含有噪声和伪静脉特征的静脉
特征图像;
步骤2:对含有噪声和伪静脉特征的静脉特征图像,去除明显为非静脉特征的像素点;将灰度值小于等于0的像素点的灰度值置为0,完成第一次阈值分割;
步骤3:经过第一次阈值分割后,需要对图像中不同部分的静脉特征进行进一步提取;首先,统计整张图像中所有灰度值大于0的像素点个数以及所对应的灰度值累计和,计算出全局灰度均值和全局阈值;依据灰度值在图像中的分布情况,将图像划分成k块大小相同的子图像,对每块子图像单独计算其局部灰度均值;然后根据局部灰度均值和全局灰度均值的比例动态地调整每块子图像的阈值;当子图像中单个像素点的灰度值大于既定阈值时,将其灰度值置为对应阈值;当单个像素点的灰度值小于等于既定阈值时,保持其灰度值不变,完成第二次自适应阈值分割;
步骤4:二值化处理以得到最终的静脉特征图像;最顶端和最底端两块子图像采用单一的静态阈值进行二值化处理,而其他子图像采用结合了静态和动态的加权阈值进行二值化处理,其具体分步骤包含:
(1)将分块后的图像利用OSTU最佳阈值算法计算出每块子图像的静态阈值;
(2)对于最顶端和最底端两块子图像,遍历图像中的每个像素点,如果该像素点的灰度值大于或等于静态阈值,则将其灰度值置为1;如果该像素点的灰度值小于静态阈值,则将其灰度值置为0;
(3)对于其他子图像,首先采用局部阈值的思想,依次遍历图像中的每个像素点,取其
周围邻域内的像素点,计算出矩形区域所对应的均值和标准差,计算
出每个像素点特定的动态阈值;再结合当前子图像的静态阈值,将两者进行加权运算得到
新的加权阈值;如果当前像素点的灰度值大于或等于加权阈值,则将其灰度值置为1;如果
当前像素点的灰度值小于加权阈值,则将其灰度值置为0,从而完成基于自适应的多阈值静
脉特征提取。
2.根据权利要求1所述的基于自适应多阈值的静脉特征提取方法,其特征在于:所述步
骤3中,通过公式计算全局灰度值,通过公式计算全局阈值,通过
公式计算每块子图像的局部灰度值,通过公式得
出每块子图像的局部灰度均值与基于整张图像的全局灰度均值之间的比例系数。
3.根据权利要求1所述的基于自适应多阈值的静脉特征提取方法,其特征在于:所述步
骤3中,然后根据局部灰度均值和全局灰度均值的比例动态地调整每块子图像的阈值,其具
体过程为:如果比例系数,则说明当前子图像的局部灰度均值大于全局灰度均值,调
高当前子图像的阈值;如果比例系数,则说明当前子图像的局部灰度均值小于等于全
局灰度均值,调低当前子图像的阈值。
4.根据权利要求1所述的基于自适应多阈值的静脉特征提取方法,其特征在于:所述步
骤4的分步骤(3)中,采用窗口在子图像上依次遍历每个像素点,
处于窗口中心的像素点灰度值为,则该窗口内所有像素值构成集合为;通过下式求出该窗口中所有像素
点的均值和标准差:
;
之后根据公式计算出每
个像素点特定的动态阈值,其中k为修正系数;结合当前子图像的静态阈值,通过下式进行加权得到新的阈值:
;
之后分别利用每个加权阈值对子图像中的像素点进行二值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810383911.5A CN108334875A (zh) | 2018-04-26 | 2018-04-26 | 基于自适应多阈值的静脉特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810383911.5A CN108334875A (zh) | 2018-04-26 | 2018-04-26 | 基于自适应多阈值的静脉特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334875A true CN108334875A (zh) | 2018-07-27 |
Family
ID=62934483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810383911.5A Pending CN108334875A (zh) | 2018-04-26 | 2018-04-26 | 基于自适应多阈值的静脉特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334875A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN109543686A (zh) * | 2018-10-24 | 2019-03-29 | 重庆师范大学 | 基于自适应多阈值的字符识别预处理二值化方法 |
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 |
CN110533165A (zh) * | 2019-08-16 | 2019-12-03 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置及设备 |
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 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN112883824A (zh) * | 2021-01-28 | 2021-06-01 | 重庆邮电大学 | 一种用于智能采血的手指静脉特征识别装置及其识别方法 |
CN113826368A (zh) * | 2019-04-18 | 2021-12-21 | 甲骨文国际公司 | 针对离群动作检测云用户的行为异常 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130129164A1 (en) * | 2011-11-21 | 2013-05-23 | Pixart Imaging Inc. | Identity recognition system and method based on hybrid biometrics |
-
2018
- 2018-04-26 CN CN201810383911.5A patent/CN108334875A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130129164A1 (en) * | 2011-11-21 | 2013-05-23 | Pixart Imaging Inc. | Identity recognition system and method based on hybrid biometrics |
Non-Patent Citations (2)
Title |
---|
秦华锋: "手指静脉识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郑均辉等: "NIBLACK改进算法在手指静脉识别中的应用研究", 《微型电脑应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543686A (zh) * | 2018-10-24 | 2019-03-29 | 重庆师范大学 | 基于自适应多阈值的字符识别预处理二值化方法 |
CN109543686B (zh) * | 2018-10-24 | 2023-04-25 | 重庆师范大学 | 基于自适应多阈值的字符识别预处理二值化方法 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN109242878B (zh) * | 2018-10-29 | 2020-06-05 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN113826368A (zh) * | 2019-04-18 | 2021-12-21 | 甲骨文国际公司 | 针对离群动作检测云用户的行为异常 |
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 |
WO2021031298A1 (zh) * | 2019-08-16 | 2021-02-25 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置及设备 |
CN110533165B (zh) * | 2019-08-16 | 2022-05-17 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置及设备 |
CN110533165A (zh) * | 2019-08-16 | 2019-12-03 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置及设备 |
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 |
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 |
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 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN112101319B (zh) * | 2020-11-17 | 2021-03-16 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN112883824A (zh) * | 2021-01-28 | 2021-06-01 | 重庆邮电大学 | 一种用于智能采血的手指静脉特征识别装置及其识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334875A (zh) | 基于自适应多阈值的静脉特征提取方法 | |
US9824258B2 (en) | Method and apparatus for fingerprint identification | |
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN106096569B (zh) | 一种手指静脉识别方法 | |
CN105956578A (zh) | 一种基于身份证件信息的人脸验证方法 | |
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 | |
Liu et al. | An efficient finger-vein extraction algorithm based on random forest regression with efficient local binary patterns | |
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及系统 | |
CN104091145B (zh) | 人体掌脉特征图像采集方法 | |
CN105975905B (zh) | 一种手指静脉快速识别方法 | |
CN102955855A (zh) | 基于量子算法的掌纹数据库搜索方法 | |
CN111507206A (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
Zuo et al. | On accurate orientation extraction and appropriate distance measure for low-resolution palmprint recognition | |
CN111914616A (zh) | 指静脉识别与防伪一体化方法、装置、存储介质和设备 | |
CN111639560B (zh) | 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 | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 | |
CN110147769B (zh) | 一种手指静脉图像匹配方法 | |
Bahaa-Eldin | A medium resolution fingerprint matching system | |
CN105373781A (zh) | 用于身份认证的二值图像处理方法 | |
Patel et al. | Performance improvement in preprocessing phase of fingerprint recognition | |
Sajjad et al. | Iris image enhancement for the recognition of non-ideal iris images | |
CN103366376B (zh) | 一种基于邻域尺度变化的图像特征提取方法 | |
CN105654070A (zh) | 一种低分辨率人脸识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |