CN109165640B - 基于比特位面内分块互信息的手背静脉识别方法及识别系统 - Google Patents

Abstract

本发明提供的一种基于比特位面内分块互信息的手背静脉识别方法及识别系统，该方法和系统将保留手背静脉轮廓的灰度图像生成八个比特位面图，将比特位面图内分块的互信息作为特征提取，使得该方法对图像畸变等鲁棒性很高，该特征类内相关性高，类间相关性低，具备良好的可分性，并能达到较高的识别率。

Description

基于比特位面内分块互信息的手背静脉识别方法及识别系统

技术领域

本发明属于生物特征识别技术领域，特别涉及一种基于比特位面内分块互信息的手背静脉识别方法及识别系统。

背景技术

生物特征识别是基于计算机系统进行身份识别的重要技术。传统的密码、卡号、用户名、钥匙和证件等身份识别方法存在携带不便、容易遗失，或者由于使用过多或不当而损坏、不可读和密码易被破解等诸多问题，人们对更加方便可靠的进行身份识别有着更大的需求。基于指纹、掌纹、人脸、虹膜、笔迹、声纹、步态和静脉等生物特征的识别方法具有不易丢失、不易复制和随身携带等诸多优点，并得到越来越多的研究与推广应用。生物特征识别是依靠人体生物特征进行身份认证的一种技术，即通过计算机将人体所固有的生理特征和行为特征进行采集处理，从而进行个人身份鉴定的技术。使用生物特征进行身份认证不但快速、简洁。而且准确、可靠、安全、同时易于同计算机的监控、安全、管理系统结合，进行自动化管理。因此基于生物特征识别技术的个人身份识别具有更高的安全性、有效性和可靠性，并且受到越来越大的重视。

近年来，研究者一直试图寻找更为鲁棒的身份识别手段。新型生物特征身份识别的研究受到越来越广泛的关注，其中手背静脉身份识别在各种新型生物特征识别手段中脱颖而出，成为目前研究和应用的热点之一。

相比指纹、虹膜和人脸识别，手背静脉识别具有鲜明的特色：

1.手背静脉特征具有很好的普遍性和唯一性，已有证据证明，个体的手背静脉即使是同一个人的左右手或者是双胞胎，也会因为发育过程的随机性导致手背静脉分布结构的差异。而且20岁后的手背静脉分布结构除非进行手术或药物作用，否则不再变化。

2.由于手背静脉血管位于体表内部，不易受到污染和划伤等外界因素的影响。采用近红外反射成像，获得对比度清晰的手背静脉纹理图像，完成特征提取与识别研究，这种利用不同组织成份吸收率差异的物理原理难以伪造，可用于数据防伪。

3.手背静脉识别不具侵犯性，而且对于污物、泥垢、湿度、汗水、和小损伤方面的鲁棒性优于其他生物识别系统。

4.近红外反射成像设备属于非接触类型，且造价低廉，用户和制造商都容易接受。

综合分析以上特色，手背静脉识别满足了生物特征识别对于生物特征鲁棒性、唯一性、易采集性、造价低廉等条件的要求。同时，它还具有自身独特的优点。相比于虹膜和人脸，手背静脉可以保护好人的隐私；相比于指纹、掌纹，不需要保证皮肤表面的整洁度和完整度；相比于步态、声音等，手背静脉不存在较大的干扰。而且手背静脉的识别率比较稳定，加之采集成本比较低廉，因而成为生物识别领域的研究热门之一。

目前手背静脉识别方法主要有两大类：基于结构特征的识别方法和基于纹理特征的识别方法。

1、基于结构特征的手背静脉识别方法：

基于结构特征的手背静脉识别方法在经过分割、细化后的手背静脉图像中检测端点及交叉点，利用这些关键点的数量、坐标、相对位置等信息作为特征进行识别。

2、基于纹理特征的识别方法：

基于纹理特征的手背静脉识别方法是指在灰度图像上通过纹理描述算子提取静脉特征进行识别。

但是基于结构特征的手背静脉识别方法总是存在对图像畸变以及误分割的鲁棒性不高的问题，而基于纹理特征的手背静脉识别方法对于图像分辨率变化以及光照变化鲁棒性不高。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于比特位面内分块互信息的手背静脉识别方法及识别系统。

本发明具体技术方案如下：

本发明提供一种基于比特位面内分块互信息的手背静脉识别方法，其特征在于，所述识别方法包括：

S1：获取手背静脉图像感兴趣区域，对获得的手背静脉图像感兴趣区域进行灰度归一化处理至每一像素的像素值在0-255范围内，获得灰度图，对手背静脉图像感兴趣区域进行分割，获取分割后的二值图，并与灰度图做相乘运算，获取保留手背静脉轮廓的灰度图像；

S2：将保留手背静脉轮廓的灰度图像生成八个比特位面图；

S3：将每一个比特位面图分割成m×n类分块，m表示行数，n表示每一行的分块数；

S4：分别计算每一比特位面图各分块之间的互信息，将每一个比特位面图计算获得的所有互信息进行堆积运算，获得每一个比特位面图所有互信息的列向量特征R；

S5：根据步骤S1-步骤S4分别计算测试样本的列向量特征R_t和训练样本的列向量特征R′_t，并计算距离dis，确定dis内的最小值d，测试样本被识别为最小值d所对应的训练样本，其中dis＝||R_t-R_t′||，

t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类。

进一步的改进，步骤S1中通过质心自适应方法从采集的手背静脉图像中获取手背静脉图像感兴趣区域，具体方法为：根据公式

获取手背静脉图像的质心O(x₀，y₀)，并将质心作为手背静脉图像感兴趣区域最大内接圆的圆心，以最大内接圆的直径作为大小归一化的标准，大小归一化后截取大小为e×e大小的区域作为手背静脉图像感兴趣区域。

进一步的改进，步骤S2通过如下公式将保留手背静脉轮廓的灰度图像生成八个比特位面图；

1)保留手背静脉轮廓的灰度图像内每一个像素值都由八位深度的b₇、b₆、b₅、b₄、b₃、b₂、b₁、b₀表示，b₇、b₆、b₅、b₄、b₃、b₂、b₁、b₀的值分别为0或1，保留手背静脉轮廓的灰度图像内的每一个像素均通过如下公式生成八个比特位面图；

I＝b₇×2⁷+b₆×2⁶+b₅×2⁵+b₄×2⁴+b₃×2³+b₂×2²+b₁×2¹+b₀×2⁰。

进一步的改进，步骤S4通过三种模式计算每一比特位面图各分块之间的互信息，分别为横向遍历求相邻分块的互信息、纵向遍历求相邻分块的互信息及当前分块的八邻域的互信息。

进一步的改进，横向遍历求相邻分块的互信息具体方法为：依次从第一行到最后一行横向遍历求相邻分块x₁和x₂，x₂和x₃，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将m×(n-1)个互信息进行堆积运算，获得包含m×(n-1)个互信息的列向量特征R_r，

进一步的改进，纵向遍历求相邻分块的互信息具体方法为：依次从第一列到最后一列纵向遍历求相邻分块x₁和x_n+1，x_n+1和x_2n+1，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将获得的m×(n-1)个互信息进行堆积运算，获得一个包含m×(n-1)个互信息的列向量特征R_c，

进一步的改进，当前分块的八邻域的互信息具体方法为：计算分块x_n+2和其周围八邻域分块x₁，x₂，x₃，x_n+1，x_n+3，x_2n+1，x_2n+2，x_2n+3之间的互信息，再依次遍历计算x_n+3，x_n+4，...，x_(m-1)×n-1之间的互信息，互信息分别为I₁ ^e，I₂ ^e，…，I_{(m-2)×(n-2)×8} ^e，将上述获得的(m-2)×(n-2)×8个互信息进行堆积运算，获得包含(m-2)×(n-2)×8个互信息的列向量特征R_eight，

进一步的改进，步骤S5具体方法为：

S51：根据步骤S1-步骤S4分别计算训练样本的列向量特征R′_t＝[I′_t1，I′_t2...I′_tk]，t＝1，2，...，n及测试样本的列向量特征R_t＝[I_t1，I_t2...I_tk]，t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类，k为不同模式下求得的互信息的个数，R_t′和R_t分别表示训练样本和测试样本中某一模式计算得到的列向量特征；

S52：计算测试样本额列向量特征R_t与训练样本的列向量特征R_t′之间的距离dis；

S53：确定dis内的最小值d，

S54：测试样本R_t被识别为最小值d所对应的训练样本R_t′。

本发明另一方面提供一种基于比特位面内分块互信息的手背静脉识别系统，其特征在于，所述识别系统包括：

图像预处理模块，用于获取手背静脉图像感兴趣区域，对获得的手背静脉图像感兴趣区域进行灰度归一化处理至每一像素的像素值在0-255范围内，获得灰度图，对手背静脉图像感兴趣区域进行分割，获取分割后的二值图，并与灰度图做相乘运算，获取保留手背静脉轮廓的灰度图像；

比特位面图序列获取模块，用于将保留手背静脉轮廓的灰度图像生成八个比特位面图；

分块模块，用于将每一个比特位面图分割成m×n类分块，m表示行数，n表示每一行的分块数；

分块互信息计算模块，用于分别计算每一比特位面图各分块之间的互信息，将每一个比特位面图计算获得的所有互信息进行堆积运算，获得每一个比特位面图所有互信息的列向量特征R；

识别模块，用于分别计算测试样本的列向量特征R_t和训练样本的列向量特征R′_t，并计算距离dis，确定dis内的最小值d，测试样本被识别为最小值d所对应的训练样本，其中dis＝||R_t-R_t′||，

t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类。

本发明具有如下优点：

(1)本发明提供的一种基于比特位面内分块互信息的手背静脉识别方法及系统，为了获取更加丰富的灰度信息的同时减小环境亮度对手背静脉图像采集的影响，选取比特位面图作为研究对象。

(2)本发明提供的一种基于比特位面内分块互信息的手背静脉识别方法及系统，将比特位面内分块的互信息作为特征提取，对图像畸变等鲁棒性很高，该特征类内相关性高，类间相关性低，具备良好的可分性，并能达到较高的识别率。

(3)本发明提供的一种基于比特位面内分块互信息的手背静脉识别方法及系统，在训练集和测试集基于不同的库(跨库)的情况下，相对于一些经典算法，识别率明显提高。

附图说明

图1为本发明提出一种比特位面内分块互信息的手背静脉识别方法的流程图；

图2本发明中硬件设备采集的手背静脉图像；

图3-1本发明中标注有质心的手背静脉图像；

图3-2本发明获取的手背静脉图像感兴趣区域图；

图3-3本发明中梯度增强方法分割的二值图；

图3-4本发明中保留手背静脉轮廓的灰度图像；

图4本发明中获取的比特位面图；(a)为第一比特位面图，(b)为第二比特位面图，(c)为第三比特位面图，(d)为第四比特位面图，(e)为第五比特位面图，(f)为第六比特位面图，(g)为第七比特位面图，(g)为第八比特位面图；

图5-1本发明中手背静脉图像进行分块求互信息图；

图5-2本发明中横向遍历求相邻分块的互信息示意图；

图5-3本发明中纵向遍历求相邻分块的互信息示意图；

图5-4本发明中当前分块的八邻域的互信息示意图；

图5-5本发明中20×20的分块示意图；

图6本发明提供的一种基于比特位面内分块互信息的手背静脉识别系统的结构框图。

具体实施方式

实施例1

本发明实施例1提供一种基于比特位面内分块互信息的手背静脉识别方法，如图1所示，该识别方法包括：

S1：获取手背静脉图像感兴趣区域，如图3-2所示，其中手背静脉图像是通过硬件图像采集设备采集到，示意图如图2；手背静脉图像感兴趣区域是通过质心自适应的方法得到，如图3-1所示，具体方法为：根据公式

获取手背静脉图像的质心O(x₀，y₀)，并将质心作为手背静脉图像感兴趣区域最大内接圆的圆心，以最大内接圆的直径作为大小归一化的标准，大小归一化后截取大小为e×e大小的区域作为手背静脉图像感兴趣区域；对获得的手背静脉图像感兴趣区域进行灰度归一化处理至每一像素的像素值在0-255范围内，获得灰度图，为了获取手背静脉的轮廓，采用梯度增强的静脉图像分割方法，对手背静脉图像感兴趣区域进行分割，获取分割后的二值图，如图3-3所示，将二值图并与灰度图做相乘运算，获取保留手背静脉轮廓的灰度图像，如图3-4所示；

S2：将保留手背静脉轮廓的灰度图像生成八个比特位面图，这样可以获取更加丰富的灰度信息，提供后续识别的准确性；

现以256级灰度图像说明比特位面图的概念，若图像的每一个像素的像素值均在[0，255]之内，则每一个像素值都可由一个八位深度的二进制数来表示，即b₇、b₆、b₅、b₄、b₃、b₂、b₁、b₀，每一位的值分别为0或1，则每一个像素可分为八个位面，如下式所示，

I＝b₇×2⁷+b₆×2⁶+b₅×2⁵+b₄×2⁴+b₃×2³+b₂×2²+b₁×2¹+b₀×2⁰，式中的每一项都代表像素的一个比特位面，共八个比特位面，如图4所示；

S3：由于手背静脉图像尺寸较大，包含较多的纹理信息，只计算图像之间的信息熵作为特征不仅计算量大，得到的熵也不能很好的区分不同类别的图像，故而进行分块处理，如图5-1所示，将每一个比特位面图分割成m×n类分块，m表示行数，n表示每一行的分块数；分块数目的大小会影响手背静脉纹理特征的提取，适当的分块数目不仅能保证最大程度的减小图像维数，还能最大限度的保留手背静脉的纹理信息，所以需要寻找最合适的分块大小，根据模式识别的原理，最佳的分块数目应该满足手背静脉图像平均熵矩阵基于平均阈值的方差尽可能的大，这样才能使得不同的模块之间的平均熵的差异最大，这样使得熵矩阵的分类效果最好；

S4：分别计算每一比特位面图各分块之间的互信息，互信息定义为：

和p(b)分别是图像A和图像B的概率分布，p(a，b)是图像A，B的联合分布概率，K_a和K_b分别是图像A，B的灰度等级个数；其中将每一个比特位面图计算获得的所有互信息进行堆积运算，获得每一个比特位面图所有互信息的列向量特征R；

本发明通过三种模式计算每一比特位面图各分块之间的互信息，第一种模式为横向遍历求相邻分块的互信息具体方法为：如图5-2所示，依次从第一行到最后一行横向遍历求相邻分块x₁和x₂，x₂和x₃，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将m×(n-1)个互信息进行堆积运算，获得包含m×(n-1)个互信息的列向量特征R_r，

第二中模式为纵向遍历求相邻分块的互信息具体方法为：如图5-3所示，依次从第一列到最后一列纵向遍历求相邻分块x₁和x_n+1，x_n+1和x_2n+1，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将获得的m×(n-1)个互信息进行堆积运算，获得一个包含m×(n-1)个互信息的列向量特征R_c，

第三种模式为当前分块的八邻域的互信息具体方法为：如图5-4所示，计算分块x_n+2和其周围八邻域分块x₁，x₂，x₃，x_n+1，x_n+3，x_2n+1，x_2n+2，x_2n+3之间的互信息，再依次遍历计算x_n+3，x_n+4，...，x_(m-1)×n-1之间的互信息，互信息分别为I₁ ^e，I₂ ^e，…，I_{(m-2)×(n-2)×8} ^e，将上述获得的(m-2)×(n-2)×8个互信息进行堆积运算，获得包含(m-2)×(n-2)×8个互信息的列向量特征R_eight，

S5：根据步骤S1-步骤S4分别计算测试样本的列向量特征R_t和训练样本的列向量特征R′_t，并计算距离dis，确定dis内的最小值d，测试样本被识别为最小值d所对应的训练样本，其中dis＝||R_t-R_t′||，

t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类。具体方法为：

S51：设手背静脉的训练样本共有n类，训练样本来自于设备1，测试样本n类，来自设备2。通过步骤S1-步骤S4分别计算训练样本的列向量特征R′_t＝[I′_t1，I′_t2...I′_tk]，t＝1，2，...，n及测试样本的列向量特征R_t＝[I_t1，I_t2...I_tk]，t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类，k为不同模式下求得的互信息的个数，R_t′和R_t分别表示训练样本和测试样本中某一模式计算得到的列向量特征；

S52：计算测试样本的列向量特征R_t与训练样本的列向量特征R_t′之间的距离dis；

S53：使用欧氏距离分类器进行分类，得到识别结果；确定dis内的最小值d，

S54：测试样本R_t被识别为最小值d所对应的训练样本R_t′。

实施例2

本发明实施例2提供一种基于比特位面内分块互信息的手背静脉识别系统，如图6所示，该识别系统包括：

图像预处理模块1，用于获取手背静脉图像感兴趣区域，其中手背静脉图像是通过硬件图像采集设备采集到，手背静脉图像感兴趣区域是通过质心自适应的方法得到；对获得的手背静脉图像感兴趣区域进行灰度归一化处理至每一像素的像素值在0-255范围内，获得灰度图，为了获取手背静脉的轮廓，采用梯度增强的静脉图像分割方法，对手背静脉图像感兴趣区域进行分割，获取分割后的二值图，将二值图并与灰度图做相乘运算，获取保留手背静脉轮廓的灰度图像；

比特位面图序列获取模块2，用于将保留手背静脉轮廓的灰度图像生成八个比特位面图；现以256级灰度图像说明比特位面图的概念，若图像的每一个像素的像素值均在[0，255]之内，则每一个像素值都可由一个八位深度的二进制数来表示，即b₇、b₆、b₅、b₄、b₃、b₂、b₁、b₀，每一位的值分别为0或1，则每一个像素可分为八个位面，如下式所示，

I＝b₇×2⁷+b₆×2⁶+b₅×2⁵+b₄×2⁴+b₃×2³+b₂×2²+b₁×2¹+b₀×2⁰，式中的每一项都代表像素的一个比特位面，共八个比特位面；

分块模块3，用于将每一个比特位面图分割成m×n类分块，m表示行数，n表示每一行的分块数；

分块互信息计算模块4，用于分别计算每一比特位面图各分块之间的互信息，将每一个比特位面图计算获得的所有互信息进行堆积运算，获得每一个比特位面图所有互信息的列向量特征R；本发明通过三种模式计算每一比特位面图各分块之间的互信息，第一种模式为横向遍历求相邻分块的互信息具体方法为：依次从第一行到最后一行横向遍历求相邻分块x₁和x₂，x₂和x₃，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将m×(n-1)个互信息进行堆积运算，获得包含m×(n-1)个互信息的列向量特征R_r，

第二中模式为纵向遍历求相邻分块的互信息具体方法为：依次从第一列到最后一列纵向遍历求相邻分块x₁和x_n+1，x_n+1和x_2n+1，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将获得的m×(n-1)个互信息进行堆积运算，获得一个包含m×(n-1)个互信息的列向量特征R_c，

第三种模式为当前分块的八邻域的互信息具体方法为：计算分块x_n+2和其周围八邻域分块x₁，x₂，x₃，x_n+1，x_n+3，x_2n+1，x_2n+2，x_2n+3之间的互信息，再依次遍历计算x_n+3，x_n+4，...，x_(m-1)×n-1之间的互信息，互信息分别为I₁ ^e，I₂ ^e，…，I_{(m-2)×(n-2)×8} ^e，将上述获得的(m-2)×(n-2)×8个互信息进行堆积运算，获得包含(m-2)×(n-2)×8个互信息的列向量特征R_eight，

识别模块5，用于分别计算测试样本的列向量特征R_t和训练样本的列向量特征R′_t，并计算距离dis，确定dis内的最小值d，测试样本被识别为最小值d所对应的训练样本，其中dis＝||R_t-R_t′||，

t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类。具体方法为：设手背静脉的训练样本共有n类，训练样本来自于设备1，测试样本n类，来自设备2。通过步骤S1-步骤S4分别计算训练样本的列向量特征R′_t＝[I′_t1，I′_t2...I′_tk]，t＝1，2，...，n及测试样本的列向量特征R_t＝[I_t1，I_t2...I_tk]，t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类，k为不同模式下求得的互信息的个数，R_t′和R_t分别表示训练样本和测试样本中某一模式计算得到的列向量特征；计算测试样本的列向量特征R_t与训练样本的列向量特征R_t′之间的距离dis；

使用欧氏距离分类器进行分类，得到识别结果；确定dis内的最小值d，

测试样本R_t被识别为最小值d所对应的训练样本R_t′。

利用本发明提出的基于比特位面内分块互信息的手背静脉识别方法或系统，本发明的方法在于自建数据库进行测试，数据库中共有50人，每人左右手各采集10张图片，共1000张图片，因为左右手不同，可以认为是100类手背图像。使用每一类手背图像中的5张作为训练样本，剩余的5张作为测试样本，其中将每一个比特位面图分割成20×20个分块，如图5‐5所示，然后再根据上述方法或系统进行测试，得到表1中的结果，可以看出应用本发明提出的基于比特位面内分块互信息的手背静脉识别方法和系统识别率较高。另外，将此发明运用于跨库(两个设备采集到的手背静脉图像)识别，分别将1库和2库中的训练样本和测试样本进行匹配，相比其他一些经典算法，识别率可达到93％。

表1应用本发明的手背静脉识别方法的识别率

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (7)

1.一种基于比特位面内分块互信息的手背静脉识别方法，其特征在于，所述识别方法包括：

S1：获取手背静脉图像感兴趣区域，对获得的手背静脉图像感兴趣区域进行灰度归一化处理至每一像素的像素值在0-255范围内，获得灰度图，对手背静脉图像感兴趣区域进行分割，获取分割后的二值图，并与灰度图做相乘运算，获取保留手背静脉轮廓的灰度图像；

S2：将保留手背静脉轮廓的灰度图像生成八个比特位面图；

S3：将每一个比特位面图分割成m×n类分块，m表示行数，n表示每一行的分块数；

S4：分别计算每一比特位面图各分块之间的互信息，将每一个比特位面图计算获得的所有互信息进行堆积运算，获得每一个比特位面图所有互信息的列向量特征R；

S5：根据步骤S1-步骤S4分别计算测试样本的列向量特征R_t和训练样本的列向量特征R′_t，并计算距离dis，确定dis内的最小值d，测试样本被识别为最小值d所对应的训练样本，其中dis＝||R_t-R_t′||，

其中t代表n个手背静脉图像样本中的某一类；

步骤S4通过三种模式计算每一比特位面图各分块之间的互信息，分别为横向遍历求相邻分块的互信息、纵向遍历求相邻分块的互信息及当前分块的八邻域的互信息；

横向遍历求相邻分块的互信息具体方法为：依次从第一行到最后一行横向遍历求相邻分块x₁和x₂，x₂和x₃，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将m×(n-1)个互信息进行堆积运算，获得包含m×(n-1)个互信息的列向量特征R_r，

2.如权利要求1所述的基于比特位面内分块互信息的手背静脉识别方法，其特征在于，步骤S1中通过质心自适应方法从采集的手背静脉图像中获取手背静脉图像感兴趣区域，具体方法为：根据公式

获取手背静脉图像的质心O(x₀，y₀)，并将质心作为手背静脉图像感兴趣区域最大内接圆的圆心，以最大内接圆的直径作为大小归一化的标准，大小归一化后截取大小为e×e大小的区域作为手背静脉图像感兴趣区域。

3.如权利要求1所述的基于比特位面内分块互信息的手背静脉识别方法，其特征在于，步骤S2通过如下公式将保留手背静脉轮廓的灰度图像生成八个比特位面图；

1)保留手背静脉轮廓的灰度图像内每一个像素值都由八位深度的b₇、b₆、b₅、b₄、b₃、b₂、b₁、b₀表示，b₇、b₆、b₅、b₄、b₃、b₂、b₁、b₀的值分别为0或1，保留手背静脉轮廓的灰度图像内的每一个像素均通过如下公式生成八个比特位面图；

I＝b₇×2⁷+b₆×2⁶+b₅×2⁵+b₄×2⁴+b₃×2³+b₂×2²+b₁×2¹+b₀×2⁰。

4.如权利要求1所述的基于比特位面内分块互信息的手背静脉识别方法，其特征在于，纵向遍历求相邻分块的互信息具体方法为：依次从第一列到最后一列纵向遍历求相邻分块x₁和x_n+1，x_n+1和x_2n+1，...，x_m×(n-1)和x_m×n之间的互信息，互信息分别为

将获得的m×(n-1)个互信息进行堆积运算，获得一个包含m×(n-1)个互信息的列向量特征R_c，

5.如权利要求1所述的基于比特位面内分块互信息的手背静脉识别方法，其特征在于，当前分块的八邻域的互信息具体方法为：计算分块x_n+2和其周围八邻域分块x₁，x₂，x₃，x_n+1，x_n+3，x_2n+1，x_2n+2，x_2n+3之间的互信息，再依次遍历计算x_n+3，x_n+4，...，x_(m-1)×n-1之间的互信息，互信息分别为I₁ ^e，I₂ ^e，...，I_{(m-2)×(n-2)×8} ^e，将上述获得的(m-2)×(n-2)×8个互信息进行堆积运算，获得包含(m-2)×(n-2)×8个互信息的列向量特征R_eight，

6.如权利要求1所述的基于比特位面内分块互信息的手背静脉识别方法，其特征在于，步骤S5具体方法为：

S51：根据步骤S1-步骤S4分别计算训练样本的列向量特征R′_t＝[I′_t1，I′_t2...I′_tk]，t＝1，2，...，n及测试样本的列向量特征R_t＝[I_t1，I_t2...I_tk]，t＝1，2，...，n，其中t代表n个手背静脉图像样本中的某一类，k为不同模式下求得的互信息的个数，R_t′和R_t分别表示训练样本和测试样本中某一模式计算得到的列向量特征；

S52：计算测试样本额列向量特征R_t与训练样本的列向量特征R_t′之间的距离dis；

S53：确定dis内的最小值d，

S54：测试样本R_t被识别为最小值d所对应的训练样本R_t′。

7.一种基于比特位面内分块互信息的手背静脉识别系统，其特征在于，所述识别系统包括：

图像预处理模块，用于获取手背静脉图像感兴趣区域，对获得的手背静脉图像感兴趣区域进行灰度归一化处理至每一像素的像素值在0-255范围内，获得灰度图，对手背静脉图像感兴趣区域进行分割，获取分割后的二值图，并与灰度图做相乘运算，获取保留手背静脉轮廓的灰度图像；

比特位面图序列获取模块，用于将保留手背静脉轮廓的灰度图像生成八个比特位面图；

分块模块，用于将每一个比特位面图分割成m×n类分块，m表示行数，n表示每一行的分块数；

分块互信息计算模块，用于分别计算每一比特位面图各分块之间的互信息，将每一个比特位面图计算获得的所有互信息进行堆积运算，获得每一个比特位面图所有互信息的列向量特征R；

识别模块，用于分别计算测试样本的列向量特征R_t和训练样本的列向量特征R′_t，并计算距离dis，确定dis内的最小值d，测试样本被识别为最小值d所对应的训练样本，其中dis＝||R_t-R_t′||，

其中t代表n个手背静脉图像样本中的某一类。

Images