CN108509927B - 一种基于局部对称图结构的手指静脉图像识别方法 - Google Patents

一种基于局部对称图结构的手指静脉图像识别方法 Download PDF

Info

Publication number
CN108509927B
CN108509927B CN201810310860.3A CN201810310860A CN108509927B CN 108509927 B CN108509927 B CN 108509927B CN 201810310860 A CN201810310860 A CN 201810310860A CN 108509927 B CN108509927 B CN 108509927B
Authority
CN
China
Prior art keywords
feature
coding
finger vein
image
channel
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
CN201810310860.3A
Other languages
English (en)
Other versions
CN108509927A (zh
Inventor
贾桂敏
李树一
杨金锋
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201810310860.3A priority Critical patent/CN108509927B/zh
Publication of CN108509927A publication Critical patent/CN108509927A/zh
Application granted granted Critical
Publication of CN108509927B publication Critical patent/CN108509927B/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
    • 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
    • G06V10/40—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
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

一种基于局部对称图结构的手指静脉图像识别方法。其包括采用Gabor滤波方法对手指静脉ROI图像进行多通道滤波，获得多方向Gabor滤波图像；构建基于局部对称图结构的特征编码图结构；对特征编码图结构进行0°方向的特征编码；将0°方向的特征编码图结构分别逆时针转过45°、90°和135°，获取多方向特征编码值；选择特征编码值中的最大值作为中心像素点单通道特征编码值，获取其它7个通道的各自单通道特征编码图，由所有8通道单通道特征编码值组成8通道滤波图像的特征编码图像；进行手指静脉ROI图像相似度匹配等步骤。本发明充分地表达了邻域间局部位置信息和梯度信息，并成功应用于静脉图像识别，从而提高了识别性能。

Description

一种基于局部对称图结构的手指静脉图像识别方法
技术领域
本发明属于手指静脉图像识别技术领域，特别是涉及一种基于局部对称图结构的手指静脉图像识别方法。
背景技术
随着生物特征识别技术的发展，由于静脉识别具有天然的活体防伪性，因此作为一种新的身份识别方法已得到广泛的关注。与传统的生物特征模式(如指纹，脸部，虹膜和掌纹)相比，手指静脉模式在唯一性、通用性持久性和高安全性方面具有一定的优势。目前，手指静脉识别已广泛应用于各个领域，包括计算机登录、安全检查、ATM认证等。
手指静脉图像可以通过近红外光透射或反射手指来获取内部静脉图像特征，有效地避免因皮肤表面的皱纹、粗糙、干裂或太湿等因素而造成的获取精确图像特征的障碍，但是由于光学模糊、皮肤散射、手指内部其它组织的固有影响等原因，手指静脉图像的成像质量普遍较低，而且还会显示不规则阴影。由于手指静脉图像的质量退化，在特征提取过程中，容易发生分割错误，从而严重弱化了手指静脉特征辨别能力。如何从退化模糊的近红外光图像中有效地提取出手指静脉特征，对于手指静脉图像的识别至关重要。由于传统的手指静脉特征表达方法对光照变化、皮肤散射问题较敏感，并且针对手指姿态易变带来的问题，传统的手指静脉特征表达方法由于受到旋转不变性的限制，所以不能有效地解决手指姿态易变的问题。基于编码的特征表达方法在光照不变性、特征描述能力和匹配效率等方面具有较大优势。因此，根据手指静脉图像的上述特点，探索一种对姿态变化不敏感并且识别精度高的鲁棒性特征编码方法就成为手指静脉图像识别研究中的关键问题。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于局部对称图结构的手指静脉图像识别方法。
为了达到上述目的，本发明提供的基于局部对称图结构的手指静脉图像识别方法包括按顺序进行的下列步骤：
1)采用Gabor滤波的方法对原始手指静脉ROI图像进行多通道滤波，由此获得多个方向的Gabor滤波图像；
2)在上述Gabor滤波图像上构建基于局部对称图结构的特征编码图结构；
3)对上述特征编码图结构进行0°方向的特征编码，并获得0°方向的特征编码值；
4)将上述0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构，并获取多方向特征编码值；
5)选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值，然后获取其它7个通道的各自的单通道特征编码图，由所有8通道的单通道特征编码值组成8通道滤波图像的特征编码图像；
6)分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图，并将这些特征编码直方图串联起来进行手指静脉ROI图像相似度匹配。
在步骤1)中，所述的采用Gabor滤波的方法对原始手指静脉ROI图像进行多通道滤波，由此获得多个方向的Gabor滤波图像所采用的偶对称Gabor滤波器的表达式如式(1)所示：
Figure BDA0001622309090000031
其中，
Figure BDA0001622309090000032
Figure BDA0001622309090000033
为第k通道的Gabor算子；k(＝1,2,…,K)为通道编号,θk(＝(k-1)π/K)和fk分别表示第k通道的方向和中心频率；
手指静脉第k个通道的Gabor滤波图像Ik(x,y)能够通过原始手指静脉图像I(x,y)与第k通道的Gabor算子
Figure BDA0001622309090000034
卷积得到，如式(2)所示：
Figure BDA0001622309090000035
其中，
Figure BDA0001622309090000036
表示二维卷积。
在步骤2)中，所述的在Gabor滤波图像上构建基于局部对称图结构的特征编码图结构的具体方法是：针对Gabor滤波图像中每一个中心像素点，在其周围左右对称的n*n邻域内各选取3个像素点，并与中心像素点共同构成两个对称且中心像素点共用的正方形邻域，每一个像素点具有一个灰度值，由此构成基于局部对称图结构的特征编码图结构；然后从中心像素点开始，对于中心像素点右侧的3个像素点，按顺时针方向，随着像素点两两比较的顺序，从大到小给两个像素点之间的关系分配不同的权值；对于中心像素点左侧的3个像素点，按逆时针方向，随着像素点两两比较的顺序，从大到小给两个像素点之间的关系分配不同的权值。
在步骤3)中，所述的对特征编码图结构进行0°方向的特征编码，并获得0°方向的特征编码值的具体方法是：对中心像素点右侧的3个像素点，从中心像素点开始，按照顺时针方向，对像素点的灰度值依次进行两两比较，如果后一个像素点的灰度值比前一个像素点的灰度值大，那么将这两个像素点之间的关系编码为1，否则，编码为0；对中心像素点左侧的3个像素点，按照逆时针顺序进行类似的编码；因此，在一个中心像素点位置就会生成两个6位的二进制码，然后按照上述特征编码图结构将上述每个二进制码与步骤2)确定的相应的权值相乘，之后将所有乘积相加得到该中心像素点的0°方向的特征编码值Feature(0°)。
在步骤4)中，所述的将0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构，并获取多方向特征编码值的具体方法是：将0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构；然后按照步骤3)的计算方法，得到中心像素点在45°、90°、135°三个方向的特征编码值Feature(45°)、Feature(90°)和Feature(135°)。
在步骤5)中，所述的选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值，然后获取其它7个通道的各自的单通道特征编码图，由所有8通道的单通道特征编码值组成8通道滤波图像的特征编码图像的具体方法是：选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值，然后，将其它7个通道的Gabor滤波图像分别按照步骤3)—步骤4)计算出各自的单通道特征编码值，由所有8通道的单通道特征编码值组成多通道滤波图像的特征编码图像。
在步骤6)中，所述的分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图，并将这些特征编码直方图串联起来进行手指静脉ROI图像相似度匹配的具体方法是：分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图后，采用归一化直方图相交法进行手指静脉特征编码图的相似性度量，如式(3)所示，通过计算两幅待匹配手指静脉ROI图像的特征编码直方图的相交系数的方法，来判断这两幅手指静脉ROI图像是否匹配；
Figure BDA0001622309090000051
式中，m1和m2分别表示两幅待匹配的手指静脉ROI图像，Hm1(i)和Hm2(i)分别代表两幅待匹配的手指静脉ROI图像的特征编码直方图，L表示特征编码直方图的维数，sim(m1,m2)为特征编码直方图的归一化相交系数；
在上述手指静脉ROI图像匹配过程中，首先计算两幅待匹配手指静脉ROI图像的特征编码直方图的相交系数，若计算出的相交系数>相似性决策阈值T，则表示这两幅手指静脉ROI图像相似，即表示这两幅手指静脉ROI图像匹配；若其相交系数≤相似性决策阈值T，则判定这两幅手指静脉ROI图像不匹配；相似性决策阈值T是手指静脉ROI图像匹配结果中错误拒绝率为0，且错误允许率最低时所对应的阈值点。
本发明提供的基于局部图结构的图像特征编码新方法充分地表达了邻域间的局部位置信息和梯度信息，并成功应用于静脉图像识别，从而大大提高了识别性能。
附图说明
图1为原始手指静脉ROI图像及8个方向的Gabor滤波图像。
图2为基于局部对称图结构的特征编码图结构。
图3为基于局部对称图结构的特征编码值计算流程图。
图4为不同方向的特征编码图结构。
图5为本发明提供的基于局部对称图结构的手指静脉图像识别方法流程图。
图6为手指静脉ROI图像实例。
图7为选取不同邻域编码的ROC曲线。
图8为不同方向特征编码图对比。
图9为不同方向编码时的ROC曲线。
图10为五种编码方法对比实验ROC曲线。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于局部对称图结构的手指静脉图像识别方法进行详细说明。
如图5所示，本发明提供的基于局部对称图结构的手指静脉图像识别方法包括按顺序进行的下列步骤：
1)采用Gabor滤波的方法对原始手指静脉ROI图像进行多通道滤波，由此获得多个方向的Gabor滤波图像；
手指静脉是一种特殊的纹理，它在图像中的分布以及静脉直径的变化都较大，具有丰富的纹理信息。为了有效且稳定地描述手指静脉在直径和方向上的变化，本发明采用Gabor滤波的方法对原始手指静脉ROI(region of interest感兴趣区域)图像进行多通道滤波，以对该图像进行增强，由此获得多个方向的Gabor滤波图像，从而最大程度地抽取出手指静脉的纹理信息。所采用的偶对称Gabor滤波器的表达式如式(1)所示：
Figure BDA0001622309090000061
其中，
Figure BDA0001622309090000071
Figure BDA0001622309090000072
为第k通道的Gabor算子；k(＝1,2,…,K)为通道编号,θk(＝(k-1)π/K)和fk分别表示第k通道的方向和中心频率。
手指静脉第k个通道的Gabor滤波图像Ik(x,y)能够通过原始手指静脉图像I(x,y)与第k通道的Gabor算子
Figure BDA0001622309090000073
卷积得到，如式(2)所示：
Figure BDA0001622309090000074
其中，
Figure BDA0001622309090000075
表示二维卷积。当K＝8时，分别获得8个方向的Gabor滤波图像，如图1所示。
2)在上述Gabor滤波图像上构建基于局部对称图结构的特征编码图结构；
考虑到手指静脉图像中的纹理信息在图像上分布随机性强且复杂多变，为充分利用图像中像素点之间的局部信息和方向信息，本发明在上述Gabor滤波图像上构建基于局部对称图结构的特征编码图结构，即对称交叉加权局部图结构(简称SCW-LGS)，如图2所示。
具体方法是：如图2所示，针对Gabor滤波图像中每一个中心像素点，在其周围左右对称的n*n邻域内各选取3个像素点，并与中心像素点共同构成两个对称且中心像素点共用的正方形邻域，每一个像素点具有一个灰度值，由此构成图2所示的基于局部对称图结构的特征编码图结构。然后从中心像素点开始，对于中心像素点右侧的3个像素点，按顺时针方向，随着像素点两两比较的顺序，从大到小给两个像素点之间的关系分配不同的权值；对于中心像素点左侧的3个像素点，按逆时针方向，随着像素点两两比较的顺序，从大到小给两个像素点之间的关系分配不同的权值。
3)对上述特征编码图结构进行0°方向的特征编码，并获得0°方向的特征编码值；
对中心像素点右侧的3个像素点，从中心像素点开始，按照顺时针方向，对像素点的灰度值依次进行两两比较，如果后一个像素点的灰度值比前一个像素点的灰度值大，那么将这两个像素点之间的关系编码为1，否则，编码为0。对中心像素点左侧的3个像素点，按照逆时针顺序进行类似的编码。因此，在一个中心像素点位置就会生成两个6位的二进制码。然后按照上述特征编码图结构将上述每个二进制码与步骤2)确定的相应的权值相乘，之后将所有乘积相加得到该中心像素点的0°方向的特征编码值Feature(0°)，如图3所示，当n选择3时，0°方向的特征编码值Feature(0°)的计算公式如下：
Feature(0°)＝(000100)2+(110110)2＝(0×32+0×16+0×8+1×4+0×2+0×1)+(1×32+1×16+0×8+1×4+1×2+0×1)＝4+54＝58。
特征编码图结构在权值分配上，采用左右两侧对称像素点权值相同的方式进行加权，考虑了中心像素点与周围像素点之间的关系，以及周围像素点之间隐含的关系，充分利用了图像梯度信息，特征表达更均衡，在光照不变性方面具有较好的鲁棒性。
4)将上述0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构，并获取多方向特征编码值；
由于手指静脉图像在不同方向上的特征强度不同，因此，将上述0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构，如图4所示。
然后按照步骤3)的计算方法，可以得到中心像素点在45°、90°、135°三个方向的特征编码值Feature(45°)＝26、Feature(90°)＝40、Feature(135°)＝50。
5)选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值，然后获取其它7个通道的各自的单通道特征编码图，由所有8通道的单通道特征编码值组成8通道滤波图像的特征编码图像；
根据上面的计算方法，我们可以得到中心像素点在4个方向上的特征编码值。这4个不同的特征编码值代表着像素点间的不同变化。特征编码值越大说明像素点间的变化越大。因此，本发明选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值。然后，将其它7个通道的Gabor滤波图像分别按照步骤3)—步骤4)计算出各自的单通道特征编码值，由所有8通道的单通道特征编码值组成多通道滤波图像的特征编码图像。
由于特征编码值Feature(0°)、Feature(45°)、Feature(90°)、Feature(135°)可以反映中心像素点与邻域像素点之间的位置信息和梯度信息，因此，本发明提出的多方向特征编码图像中，不管图像怎么旋转，分别提取四个方向的特征编码值，选取四个方向的特征编码值的最大值作为该像素点的单通道特征编码值，可以解决旋转不变性问题。
6)分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图，并将这些特征编码直方图串联起来进行手指静脉ROI图像相似度匹配；
分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图后，采用归一化直方图相交法进行手指静脉特征编码图的相似性度量，如式(3)所示，通过计算两幅待匹配手指静脉ROI图像的特征编码直方图的相交系数的方法，来判断这两幅手指静脉ROI图像是否匹配。
Figure BDA0001622309090000101
式中，m1和m2分别表示两幅待匹配的手指静脉ROI图像，Hm1(i)和Hm2(i)分别代表两幅待匹配的手指静脉ROI图像的特征编码直方图，L表示特征编码直方图的维数。sim(m1,m2)为特征编码直方图的归一化相交系数。
在上述手指静脉ROI图像匹配过程中，首先计算两幅待匹配手指静脉ROI图像的特征编码直方图的相交系数。sim(m1,m2)越大，匹配的可能性越大。若计算出的相交系数>相似性决策阈值T，则表示这两幅手指静脉ROI图像相似，即表示这两幅手指静脉ROI图像匹配；若其相交系数≤相似性决策阈值T，则判定这两幅手指静脉ROI图像不匹配。相似性决策阈值T是手指静脉ROI图像匹配结果中错误拒绝率为0，且错误允许率最低时所对应的阈值点。
本发明中的实验样本手指静脉图像数据库采用自制的手指静脉图像数据库(Data-1)和山东大学手指静脉图像数据库(Data-2)进行实验。Data-1和Data-2数据库中的手指静脉图像都存在光照和姿态的变化，Data-2的光照和姿态变化稍明显。两个数据库的手指静脉ROI图像实例如图6所示。在本发明实验中，在Data-1和Data-2中各随机选取100类，每一类使用6张手指静脉ROI图像作为实验数据。实验环境为PC机，Matlab R2014a环境下完成。
由于在进行邻域方向特征编码时，本发明选取的是中心像素点周围n*n邻域内的像素点。我们对比了n分别取3、5、7时的ROC曲线和识别等错误率(简称EER)，如图7和表1所示。
表1不同邻域下的等错误率
Figure BDA0001622309090000111
可以看出，选取不同邻域构建SCW-LGS图结构，对识别性能影响不同。3*3邻域对图像局部的细节描述性较强，但是受噪声影响较大，而7*7邻域的像素点的细节描述能力相对较弱。选取5*5邻域内的像素点构成SCW-LGS图结构，能较好表达像素点周围的纹理变化，受噪声影响也较小，Data-1和Data-2的EER分别能降低到0.2％和4.42％。因此，本发明后面的实验均选取中心像素点周围5*5邻域内的像素点进行特征编码。
另外，为验证本发明方法的旋转不变性，将本方法与利用单方向特征编码图像时的静脉识别结果进行对比，即：分别提取4个方向上的特征编码图像与选取四方向最大编码值生成的特征编码图像进行识别结果的对比。以0°和90°两个通道的Gabor滤波图像为例，对比不同方向特征编码图像，如图8所示。
表2列出了Data-1和Data-2在不同方向特征编码的识别结果。可以看出在不同方向上进行编码得到的特征强度不同，Data-1在0°、45°、90°、135°方向上的EER分别为0.24％、0.46％、0.33％、0.68％，而选取不同方向上编码的最大值作为该像素点的特征编码值，EER为0.20％，其ROC曲线如图9(a)所示。类似地，Data-2在选取不同方向编码最大值作为该像素点的特征编码值时，EER比其它四个方向上的EER都小，为4.42％，其ROC曲线如图9(b)所示。可以看出，本发明提供的基于SCW-LGS图结构的特征编码方法，选取四个方向中编码值中的最大值生成特征编码图像可以较好地解决手指姿态易变的问题，提高了旋转不变性。
表2不同方向编码下的等错误率
Figure BDA0001622309090000121
第三，将本发明提供的基于SCW-LGS图结构的手指静脉特征编码方法和四种常见特征编码方法(局部二进制模式LBP，线性局部二进制模式LLBP，对称局部图结构SLGS，多方向加权局部图结构MOW-SLGS)进行识别性能比较。
表3五种不同编码方法等错误率
Figure BDA0001622309090000122
表3给出了利用本发明方法和上述四种不同特征编码方法在Data-1和Data-2上取得的EER结果。图10给出了本发明方法与其他四种方法在Data-1和Data-2上指静脉识别结果的ROC曲线。可以看出，本发明方法相比其他四种编码方法具有更好的识别性能。在Data-1的指静脉识别中，本发明方法比LBP编码方法的EER降低了3.8％，比SLGS方法以及MOW-SLGS方法的EER分别降低了0.33％和0.27％。在Data-2的指静脉识别中，本发明方法的识别性能优势更为明显，比SLGS方法以及MOW-SLGS方法的EER分别降低了4.38％和3.60％。进一步表明本发明提供的基于局部对称图结构的手指静脉图像识别方法对光照和姿态变化都有较好的鲁棒性。

Claims (6)

1.一种基于局部对称图结构的手指静脉图像识别方法，其特征在于：所述的方法包括按顺序进行的下列步骤：
1)采用Gabor滤波的方法对原始手指静脉ROI图像进行多通道滤波，由此获得多个方向的Gabor滤波图像；
2)在上述Gabor滤波图像上构建基于局部对称图结构的特征编码图结构；
3)对上述特征编码图结构进行0°方向的特征编码，并获得0°方向的特征编码值；
4)将上述0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构，并获取多方向特征编码值；
5)选择上述特征编码值中的最大值作为中心像素点的单通道特征编码值，然后获取其它7个通道的各自的单通道特征编码图，由所有8通道的单通道特征编码值组成8通道滤波图像的特征编码图像；
6)分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图，并将这些特征编码直方图串联起来进行手指静脉ROI图像相似度匹配；
在步骤2)中，所述的在Gabor滤波图像上构建基于局部对称图结构的特征编码图结构的具体方法是：针对Gabor滤波图像中每一个中心像素点，在其周围左右对称的n*n邻域内各选取3个像素点，并与中心像素点共同构成两个对称且中心像素点共用的正方形邻域，每一个像素点具有一个灰度值，由此构成基于局部对称图结构的特征编码图结构；然后从中心像素点开始，随着特征编码图结构的方向，在每个正方形邻域内包括目标像素在内的4个像素点之间两两比较像素点的灰度值大小，对于中心像素点右侧的3个像素点，按顺时针方向，随着像素点两两比较的顺序，从大到小给两个像素点之间的关系分配不同的权值；对于中心像素点左侧的3个像素点，按逆时针方向，随着像素点两两比较的顺序，从大到小给两个像素点之间的关系分配不同的权值，左右侧对称位置的像素点具有相同的权值。
2.根据权利要求1所述的基于局部对称图结构的手指静脉图像识别方法，其特征在于：在步骤1)中，所述的采用Gabor滤波的方法对原始手指静脉ROI图像进行多通道滤波，由此获得多个方向的Gabor滤波图像所采用的偶对称Gabor滤波器的表达式如式(1)所示：
Figure FDA0003156297370000021
其中，
Figure FDA0003156297370000022
Figure FDA0003156297370000023
为第k通道的Gabor算子；k＝1,2,…,K为通道编号,θk＝(k-1)π/K和fk分别表示第k通道的方向和中心频率；
手指静脉第k个通道的Gabor滤波图像Ik(x,y)能够通过原始手指静脉图像I(x,y)与第k通道的Gabor算子
Figure FDA0003156297370000024
卷积得到，如式(2)所示：
Figure FDA0003156297370000025
其中，
Figure FDA0003156297370000026
表示二维卷积。
3.根据权利要求1所述的基于局部对称图结构的手指静脉图像识别方法，其特征在于：在步骤3)中，所述的对特征编码图结构进行0°方向的特征编码，并获得0°方向的特征编码值的具体方法是：对中心像素点右侧的3个像素点，从中心像素点开始，按照顺时针方向，对像素点的灰度值依次进行两两比较，如果后一个像素点的灰度值比前一个像素点的灰度值大，那么将这两个像素点之间的关系编码为1，否则，编码为0；对中心像素点左侧的3个像素点，按照逆时针顺序进行类似的编码；因此，在一个中心像素点位置就会生成两个6位的二进制码，然后按照上述特征编码图结构将上述每个二进制码与步骤2)确定的相应的权值相乘，之后将所有乘积相加得到该中心像素点的0°方向的特征编码值Feature(0°)。
4.根据权利要求1所述的基于局部对称图结构的手指静脉图像识别方法，其特征在于：在步骤4)中，所述的将0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构，并获取多方向特征编码值的具体方法是：将0°方向的特征编码图结构分别逆时针转过45°、90°和135°，得到以上三个方向的特征编码图结构；然后按照步骤3)的计算方法，得到中心像素点在45°、90°、135°三个方向的特征编码值Feature(45°)、Feature(90°)和Feature(135°)。
5.根据权利要求1所述的基于局部对称图结构的手指静脉图像识别方法，其特征在于：在步骤5)中，所述的选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值，然后获取其它7个通道的各自的单通道特征编码图，由所有8通道的单通道特征编码值组成8通道滤波图像的特征编码图像的具体方法是：选择上述特征编码值中的最大值作为该中心像素点的单通道特征编码值，然后，将其它7个通道的Gabor滤波图像分别按照步骤3)—步骤4)计算出各自的单通道特征编码值，由所有8通道的单通道特征编码值组成多通道滤波图像的特征编码图像。
6.根据权利要求1所述的基于局部对称图结构的手指静脉图像识别方法，其特征在于：在步骤6)中，所述的分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图，并将这些特征编码直方图串联起来进行手指静脉ROI图像相似度匹配的具体方法是：分别利用上述8通道滤波图像的特征编码图像计算出8方向特征编码直方图后，采用归一化直方图相交法进行手指静脉特征编码图的相似性度量，如式(3)所示，通过计算两幅待匹配手指静脉ROI图像的特征编码直方图的相交系数的方法，来判断这两幅手指静脉ROI图像是否匹配；
Figure FDA0003156297370000041
式中，m1和m2分别表示两幅待匹配的手指静脉ROI图像，Hm1(i)和Hm2(i)分别代表两幅待匹配的手指静脉ROI图像的特征编码直方图，L表示特征编码直方图的维数，sim(m1,m2)为特征编码直方图的归一化相交系数；
在上述手指静脉ROI图像匹配过程中，首先计算两幅待匹配手指静脉ROI图像的特征编码直方图的相交系数，若计算出的相交系数>相似性决策阈值T，则表示这两幅手指静脉ROI图像相似，即表示这两幅手指静脉ROI图像匹配；若其相交系数≤相似性决策阈值T，则判定这两幅手指静脉ROI图像不匹配；相似性决策阈值T是手指静脉ROI图像匹配结果中错误拒绝率为0，且错误允许率最低时所对应的阈值点。
CN201810310860.3A 2018-04-09 2018-04-09 一种基于局部对称图结构的手指静脉图像识别方法 Active CN108509927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810310860.3A CN108509927B (zh) 2018-04-09 2018-04-09 一种基于局部对称图结构的手指静脉图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810310860.3A CN108509927B (zh) 2018-04-09 2018-04-09 一种基于局部对称图结构的手指静脉图像识别方法

Publications (2)

Publication Number Publication Date
CN108509927A CN108509927A (zh) 2018-09-07
CN108509927B true CN108509927B (zh) 2021-09-07

Family

ID=63380889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810310860.3A Active CN108509927B (zh) 2018-04-09 2018-04-09 一种基于局部对称图结构的手指静脉图像识别方法

Country Status (1)

Country Link
CN (1) CN108509927B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190566B (zh) * 2018-09-10 2021-09-14 中国民航大学 一种融合局部编码与cnn模型手指静脉识别方法
CN109815791B (zh) * 2018-12-13 2021-02-19 北京理工大学 基于血管的身份识别方法和装置
CN109800702B (zh) * 2019-01-16 2021-01-26 智慧眼科技股份有限公司 指静脉识别的快速比对方法及计算机可读取的存储介质
CN110516087B (zh) * 2019-04-23 2021-12-07 广州麦仑信息科技有限公司 一种大规模分布式全掌脉络数据的闪速搜索比对方法
CN110263726B (zh) * 2019-06-24 2021-02-02 浪潮集团有限公司 一种基于深度相关性特征学习的指静脉识别方法及装置
CN111950408B (zh) * 2020-07-28 2023-07-11 深圳职业技术学院 基于规则图的手指静脉图像识别方法、装置及存储介质
CN112488233B (zh) * 2020-12-09 2021-12-17 中国农业科学院农业资源与农业区划研究所 一种基于果纹图谱信息的编码和识别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014017697A1 (ko) * 2012-07-25 2014-01-30 전북대학교산학협력단 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치
CN105095880A (zh) * 2015-08-20 2015-11-25 中国民航大学 一种基于lgbp编码的手指多模态特征融合方法
CN105184266A (zh) * 2015-09-14 2015-12-23 中国民航大学 一种手指静脉图像识别方法
CN106056059A (zh) * 2016-05-20 2016-10-26 合肥工业大学 多方向slgs特征描述及性能云加权融合的人脸识别方法
CN107194351A (zh) * 2017-05-22 2017-09-22 天津科技大学 基于韦伯局部对称图结构的人脸识别特征提取算法
CN107229949A (zh) * 2017-05-25 2017-10-03 贵州宇鹏科技有限责任公司 一种复杂光照下图像特征提取方法
CN107358147A (zh) * 2017-05-22 2017-11-17 天津科技大学 基于局部循环图结构的人脸识别特征提取算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014017697A1 (ko) * 2012-07-25 2014-01-30 전북대학교산학협력단 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치
CN105095880A (zh) * 2015-08-20 2015-11-25 中国民航大学 一种基于lgbp编码的手指多模态特征融合方法
CN105184266A (zh) * 2015-09-14 2015-12-23 中国民航大学 一种手指静脉图像识别方法
CN106056059A (zh) * 2016-05-20 2016-10-26 合肥工业大学 多方向slgs特征描述及性能云加权融合的人脸识别方法
CN107194351A (zh) * 2017-05-22 2017-09-22 天津科技大学 基于韦伯局部对称图结构的人脸识别特征提取算法
CN107358147A (zh) * 2017-05-22 2017-11-17 天津科技大学 基于局部循环图结构的人脸识别特征提取算法
CN107229949A (zh) * 2017-05-25 2017-10-03 贵州宇鹏科技有限责任公司 一种复杂光照下图像特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Face Recognition using Symmetric Local Graph Structure;Movina R. Ayoob等;《Indian Journal of Science and Technology》;20150908;第8卷(第24期);全文 *
Finger Vein Recognition Based on Multi-Orientation Weighted Symmetric Local Graph Structure;Song Dong等;《KSII Transactions on Internet and Information Systems》;20151031;第9卷(第10期);全文 *
手指多模态Gabor编码特征局部融合方法研究;卢中宁等;《信号处理》;20151130;全文 *

Also Published As

Publication number Publication date
CN108509927A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108509927B (zh) 一种基于局部对称图结构的手指静脉图像识别方法
CN108009520B (zh) 基于卷积变分自编码器网络的手指静脉识别方法及系统
CN112580590B (zh) 一种基于多语义特征融合网络的指静脉识别方法
CN108596126B (zh) 一种基于改进的lgs加权编码的手指静脉图像识别方法
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
JP7130905B2 (ja) フィードフォワード畳み込みニューラルネットワークを使用した高速且つ堅牢な皮膚紋理の印のマニューシャの抽出
CN105095880B (zh) 一种基于lgbp编码的手指多模态特征融合方法
CN105138974B (zh) 一种基于Gabor编码的手指多模态特征融合方法
CN102332084A (zh) 基于掌纹和人脸特征提取的身份识别方法
CN108509886B (zh) 基于静脉像素点判定的掌静脉识别方法
CN110516525A (zh) 基于gan和svm的sar图像目标识别方法
Khan et al. Texture representation through overlapped multi-oriented tri-scale local binary pattern
CN105160305A (zh) 一种手指多模态特征融合方法
Khodadoust et al. Partial fingerprint identification for large databases
Appati et al. Implementation of a Transform‐Minutiae Fusion‐Based Model for Fingerprint Recognition
Rehman et al. Identity verification using palm print microscopic images based on median robust extended local binary pattern features and k‐nearest neighbor classifier
Rajalakshmi et al. A multimodal architecture using Adapt‐HKFCT segmentation and feature‐based chaos integrated deep neural networks (Chaos‐DNN‐SPOA) for contactless biometricpalm vein recognition system
CN109359607A (zh) 一种基于纹理的掌纹掌脉融合识别方法
Narwade et al. Offline signature verification using shape correspondence
Achban et al. Wrist hand vein recognition using local line binary pattern (LLBP)
Rida et al. A novel efficient classwise sparse and collaborative representation for holistic palmprint recognition
Shreya et al. Gan-enable latent fingerprint enhancement model for human identification system
Nguyen et al. An integrated descriptor for texture classification
CN113963387B (zh) 基于最优编码位的手指多模态特征提取与融合方法
CN105512682A (zh) 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法

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
GR01 Patent grant
GR01 Patent grant