CN109977909B - 基于细节点区域匹配的手指静脉识别方法及系统 - Google Patents

基于细节点区域匹配的手指静脉识别方法及系统 Download PDF

Info

Publication number
CN109977909B
CN109977909B CN201910272827.0A CN201910272827A CN109977909B CN 109977909 B CN109977909 B CN 109977909B CN 201910272827 A CN201910272827 A CN 201910272827A CN 109977909 B CN109977909 B CN 109977909B
Authority
CN
China
Prior art keywords
minutiae
matching
finger vein
image
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
CN201910272827.0A
Other languages
English (en)
Other versions
CN109977909A (zh
Inventor
孟宪静
郑金文
袭肖明
杨璐
尹义龙
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.)
Shandong University of Finance and Economics
Original Assignee
Shandong University of Finance and Economics
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 Shandong University of Finance and Economics filed Critical Shandong University of Finance and Economics
Priority to CN201910272827.0A priority Critical patent/CN109977909B/zh
Publication of CN109977909A publication Critical patent/CN109977909A/zh
Application granted granted Critical
Publication of CN109977909B publication Critical patent/CN109977909B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开提供了一种基于细节点区域匹配的手指静脉识别方法及系统。其中，基于细节点区域匹配的手指静脉识别方法，包括预处理手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域；划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子；利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，若匹配成功的细节点对数最多，则两幅手指静脉图像中选定的一对细节点匹配成功；计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功。

Description

基于细节点区域匹配的手指静脉识别方法及系统
技术领域
本公开属于生物特征识别中的手指静脉识别领域，尤其涉及一种基于细节点区域匹配的手指静脉识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
手指静脉识别以其独特的优势，获得了国内外研究者的广泛认可：(1)不易被复制。手指静脉识别是活体识别，所用图像是通过近红外光照射手指静脉血流获得的，所以很难被伪造和复制。(2)安全性。手指静脉隐藏在人体内部，人眼不可见，不会被偷窃、盗用等。(3)方便性。用手做事情是人类的习惯，用手指进行身份验证识别不会让用户感觉被侵犯，且手指静脉采集设备一般是非接触式的，保证了采集设备的卫生条件。(4)采用多手指验证，还可以进行多手指之间的融合识别，进一步提高识别系统的准确性。虽然手指静脉识别相较于其他生物特征有较大的优势，但是受图像采集质量、手指形变的影响，手指静脉识别的效果仍需进一步提高。
手指静脉主要包括基于像素特征的识别方法、基于血管结构的识别方法、基于细节点的识别方法和基于学习算法的识别方法。其中，基于细节点的方法主要利用血管的端点或者交叉点等关键特征点进行手指识别，由于细节点的旋转不变等特性，近年来得到了越来越研究者的关注。
发明人发现，基于细节点的手指静脉识别目前仍面临着一些问题：
(a)受图像质量等的影响，手指静脉图像中提取的特征点往往不够丰富，从而影响识别的性能；
(b)在两幅图像的匹配过程中，一个特征点要与另一幅图像中的所有特征点进行匹配，然后选取匹配分最高的点作为最佳匹配点，在该匹配过程中，未考虑特征点的位置信息，冗余匹配过多，在特征点区分性不够强的条件下，容易造成误匹配。
发明内容
为了解决上述问题，本公开的第一个方面提供一种基于细节点区域匹配的手指静脉识别方法，其结合了基于像素特征手指静脉识别方法和基于细节点识别方法的优势，通过在局部区域上提取特征点和区域匹配，解决由图像质量等引起的细节点不丰富问题、降低冗余匹配和错误匹配，进而提高手指静脉识别的准确率和是别的效率。
为了实现上述目的，本公开采用如下技术方案：
一种基于细节点区域匹配的手指静脉识别方法，包括：
预处理手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域；
划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子；
利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功；
计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功。
为了解决上述问题，本公开的第二个方面提供一种基于细节点区域匹配的手指静脉识别系统，其结合了基于像素特征手指静脉识别方法和基于细节点识别方法的优势，通过在局部区域上提取特征点和区域匹配，解决由图像质量等引起的细节点不丰富问题、降低冗余匹配和错误匹配，进而提高手指静脉识别的准确率和是别的效率。
为了实现上述目的，本公开采用如下技术方案：
一种基于细节点区域匹配的手指静脉识别系统，包括：
预处理模块，其用于预处理手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域；
细节点提取模块，其用于划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子；
匹配模块，其用于利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功；
匹配分计算模块，其用于计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功。
为了解决上述问题，本公开的第三个方面提供一种计算机可读存储介质，其结合了基于像素特征手指静脉识别方法和基于细节点识别方法的优势，通过在局部区域上提取特征点和区域匹配，解决由图像质量等引起的细节点不丰富问题、降低冗余匹配和错误匹配，进而提高手指静脉识别的准确率和是别的效率。
为了实现上述目的，本公开采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的基于细节点区域匹配的手指静脉识别方法中的步骤。
为了解决上述问题，本公开的第四个方面提供一种计算机设备，其结合了基于像素特征手指静脉识别方法和基于细节点识别方法的优势，通过在局部区域上提取特征点和区域匹配，解决由图像质量等引起的细节点不丰富问题、降低冗余匹配和错误匹配，进而提高手指静脉识别的准确率和是别的效率。
为了实现上述目的，本公开采用如下技术方案：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述的基于细节点区域匹配的手指静脉识别方法中的步骤。
本公开的有益效果是：
(1)本公开将基于细节点和基于像素点的手指静脉识别方法结合起来，结合了基于像素特征识别方法特征丰富的优势以及基于细节点识别方法对旋转、平移等形变的鲁棒性，解决了现有的基于细节点的匹配方法特征不够丰富的问题，并能有效的提高识别效率，降低错误匹配。
(2)本公开在细节点选取的过程中，将图像划分为若干个区域块，然后在每个区域块中提取极值点，这样保证了提取细节点的数目。
(3)本公开利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功，采用直接匹配和校验匹配这两个阶段匹配，不仅可以减少匹配次数，降低错误匹配率，相较于现有的识别方法，还避免了阈值的使用，更加鲁棒和稳定。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例提供的一种基于细节点区域匹配的手指静脉识别方法流程图。
图2是本公开实施例提供的一种基于细节点区域匹配的手指静脉识别系统结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本公开实施例提供的一种基于细节点区域匹配的手指静脉识别方法流程图。
如图1所示，本实施例提供的一种基于细节点区域匹配的手指静脉识别方法，包括：
S101：手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域。
因为采集的手指静脉图像往往包含背景和一些静脉含量少的区域，所以在进行手指静脉识别之前，需要提前获取手指的感兴趣区域。
在预处理手指静脉图像的过程中，检测手指的边缘，找出手指边缘的内切线，再根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的感兴趣区域。
具体地，首先，利用Sobel算子
Figure BDA0002018969050000061
对手指的边缘进行检测，然后根据检测出的边缘，找出手指边缘的内切线。在此基础上，根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的感兴趣区域。最后，将所获得的感兴趣区域的尺寸归一化至96*64、灰度归一化至0～255，则完成了手指静脉图像的预处理。
S102：划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子。
为了保证提取细节点的数目，本实施例划分感兴趣区域为若干个区域块，其中，区域块的数量，本领域技术人员可根据实际情况来自行设置。
首先，细节点定位，其过程为：
为每个像素I(x，y)计算其Hessian矩阵：
Figure BDA0002018969050000062
其中，H(x，y)包含四个元素，为像素I(x，y)的二阶梯度。图像I的Hessian矩阵为96*64*4的矩阵。然后，将Hessian矩阵对角化，得到矩阵的特征值λ1，λ2和特征向量：
Figure BDA0002018969050000071
根据Hessian矩阵以及特征值的特点可以发现，特征值λ1和λ2与血管的分布是一致的，于是利用λ(x，y)＝λ1-λ2来表征以血管为主要信息的纹理特征。
该过程，可以利用矩阵特征值的性质，可以简便的通过以下几个公式实现：
λ1+λ2＝Dxx+Dyy (1)
λ1λ2＝DxxDyy (2)
λ1-λ2＝sqrt((Dxx+Dyy)2-2DxxDyy) (3)
其中，λ(x，y)一定取正值，该值越大，(x，y)处经过直线的对比曲率就越大，手指静脉的特征越明显。基于此，选取λ(x，y)的极大值点作为侯选的细节点位置。在所设计的方法中，为了保证细节点的数目，将图像分为s×l块，在每块中提取λ(x，y)极大值作为一个细节点的侯选位置。此处，选择的参数s和I分别为12和8。
利用矩阵特征值的性质，通过λ1-λ2＝sqrt((Dxx+Dyy)2-2DxxDyy)来实现，大大的提高了运算的效率。
细节点的特征提取，其过程为：
确定细节点的位置之后，需要给细节点赋予特征，以增强细节点的区分性，利于细节点的进一步匹配。本实施例设计了两部分特征，以利于后续的匹配过程：
第一部分特征为侯选细节点邻域像素的λ(x，y)组成的特征向量；
例如：候选点(x，y)处的第一种特征描述子为以候选点(x，y)为中心、7*7的区域内、λ(x，y)按照位置顺序排列起来的49维的特征向量；
第二部分特征为侯选细节点邻域像素的Dxy+Dyx组成的特征向量；
例如：候选点(x，y)处的第二种特征描述子为以候选点(x，y)为中心、7*7的区域内、abs(Dxy-Dyx)按照位置顺序排列起来的49维的特征向量。
本实施例在给细节点提取表征特征的时候，设计了两种区分性较强的特征，能很好的克服手指的形变问题，增强特征的鲁棒性。
S103：利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功。
具体地，细节点的匹配为基于区域的匹配，且包括直接匹配和验证匹配两部分，该过程和传统细节点匹配方法相比，去除了对参数的依赖，且提高了效率。
一对细节点被认定为匹配成功的过程如下：
在图像A和图像B的匹配过程中，首先，图像A中的细节点t(x，y)和图像B中位置(x，y)一定邻域内的细节点利用第一种设计特征进行匹配，此时，一定邻域内匹配成功的细节点对数最多，也就是在图像B中与细节点t′(x′，y′)有最高匹配分，此时完成了第一阶段的匹配；
在此匹配的基础上，图像B中的细节点t′(x′，y′)与图像A中位置(x′，y′)一定邻域内的细节点就第二种设计特征进行匹配，若一定邻域内匹配成功的细节点对数最多，也就是t′(x′，y′)也与t(x，y)有最高的匹配分，那么这两个细节点匹配成功，否则，认为t(x，y)没有相匹配的细节点。
匹配过程的伪代码如下表所示：
算法1两阶段匹配
Figure BDA0002018969050000091
S104：计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功。
假设匹配成功的细节点对数为n,则最终的匹配分为n/(s×l)。可以看出，匹配成功的细节点对数介于0和s×l之间，所以匹配分的范围为0到1。其中，s×l为将感兴趣区域图像分成的区域块个数。
本实施例将基于细节点和基于像素点的手指静脉识别方法结合起来，结合了基于像素特征识别方法特征丰富的优势以及基于细节点识别方法对旋转、平移等形变的鲁棒性，解决了现有的基于细节点的匹配方法特征不够丰富的问题，并能有效的提高识别效率，降低错误匹配。
本实施例在细节点选取的过程中，将图像划分为若干个区域块，然后在每个区域块中提取极值点，这样保证了提取细节点的数目。
本实施例利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功，采用直接匹配和校验匹配这两个阶段匹配，不仅可以减少匹配次数，降低错误匹配率，相较于现有的识别方法，还避免了阈值的使用，更加鲁棒和稳定。
图2是本公开实施例提供的一种基于细节点区域匹配的手指静脉识别系统结构示意图。
如图2所示，本实施例的一种基于细节点区域匹配的手指静脉识别系统，包括：
(1)预处理模块，其用于预处理手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域；
因为采集的手指静脉图像往往包含背景和一些静脉含量少的区域，所以在进行手指静脉识别之前，需要提前获取手指的感兴趣区域。
在预处理手指静脉图像的过程中，检测手指的边缘，找出手指边缘的内切线，再根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的感兴趣区域。
具体地，首先，利用Sobel算子
Figure BDA0002018969050000111
对手指的边缘进行检测，然后根据检测出的边缘，找出手指边缘的内切线。在此基础上，根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的感兴趣区域。最后，将所获得的感兴趣区域的尺寸归一化至96*64、灰度归一化至0～255，则完成了手指静脉图像的预处理。
(2)细节点提取模块，其用于划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子；
为了保证提取细节点的数目，本实施例划分感兴趣区域为若干个区域块，其中，区域块的数量，本领域技术人员可根据实际情况来自行设置。
首先，细节点定位，其过程为：
为每个像素I(x，y)计算其Hessian矩阵：
Figure BDA0002018969050000112
其中，H(x，y)包含四个元素，为像素I(x，y)的二阶梯度。图像I的Hessian矩阵为96*64*4的矩阵。然后，将Hessian矩阵对角化，得到矩阵的特征值λ1，λ2和特征向量：
Figure BDA0002018969050000121
根据Hessian矩阵以及特征值的特点可以发现，特征值λ1和λ2与血管的分布是一致的，于是利用λ(x，y)＝λ1-λ2来表征以血管为主要信息的纹理特征。
该过程，可以利用矩阵特征值的性质，可以简便的通过以下几个公式实现：
λ1λ2＝Dxx+Dyy (1)
λ1λ2＝DxxDyy (2)
λ1-λ2＝sqrt((Dxx+Dyy)2-2DxxDyy) (3)
其中，λ(x，y)一定取正值，该值越大，(x，y)处经过直线的对比曲率就越大，手指静脉的特征越明显。基于此，选取λ(x，y)的极大值点作为侯选的细节点位置。在所设计的方法中，为了保证细节点的数目，将图像分为s×1块，在每块中提取λ(x，y)极大值作为一个细节点的侯选位置。此处，选择的参数s和I分别为12和8。
利用矩阵特征值的性质，通过λ1-λ2＝sqrt((Dxx+Dyy)2-2DxxDyy)来实现，大大的提高了运算的效率。
细节点的特征提取，其过程为：
确定细节点的位置之后，需要给细节点赋予特征，以增强细节点的区分性，利于细节点的进一步匹配。本实施例设计了两部分特征，以利于后续的匹配过程：
第一部分特征为侯选细节点邻域像素的λ(x，y)组成的特征向量；
例如：候选点(x，y)处的第一种特征描述子为以候选点(x，y)为中心、7*7的区域内、λ(x，y)按照位置顺序排列起来的49维的特征向量；
第二部分特征为侯选细节点邻域像素的Dxy+Dyx组成的特征向量；
例如：候选点(x，y)处的第二种特征描述子为以候选点(x，y)为中心、7*7的区域内、abs(Dxy-Dyx)按照位置顺序排列起来的49维的特征向量。
本实施例在给细节点提取表征特征的时候，设计了两种区分性较强的特征，能很好的克服手指的形变问题，增强特征的鲁棒性。
(3)匹配模块，其用于利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功；
具体地，细节点的匹配为基于区域的匹配，且包括直接匹配和验证匹配两部分，该过程和传统细节点匹配方法相比，去除了对参数的依赖，且提高了效率。
一对细节点被认定为匹配成功的过程如下：
在图像A和图像B的匹配过程中，首先，图像A中的细节点t(x，y)和图像B中位置(x，y)一定邻域内的细节点利用第一种设计特征进行匹配，此时，一定邻域内匹配成功的细节点对数最多，也就是在图像B中与细节点t′(x′，y′)有最高匹配分，此时完成了第一阶段的匹配；
在此匹配的基础上，图像B中的细节点t′(x′，y′)与图像A中位置(x′，y′)一定邻域内的细节点就第二种设计特征进行匹配，若一定邻域内匹配成功的细节点对数最多，也就是t′(x′，y′)也与t(x，y)有最高的匹配分，那么这两个细节点匹配成功，否则，认为t(x，y)没有相匹配的细节点。
匹配过程的伪代码如下表所示：
算法1两阶段匹配
Figure BDA0002018969050000131
Figure BDA0002018969050000141
(4)匹配分计算模块，其用于计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功。
假设匹配成功的细节点对数为n,则最终的匹配分为n/(s×l)。可以看出，匹配成功的细节点对数介于0和s×l之间，所以匹配分的范围为0到1。其中，s×l为将感兴趣区域图像分成的区域块个数。
本实施例将基于细节点和基于像素点的手指静脉识别方法结合起来，结合了基于像素特征识别方法特征丰富的优势以及基于细节点识别方法对旋转、平移等形变的鲁棒性，解决了现有的基于细节点的匹配方法特征不够丰富的问题，并能有效的提高识别效率，降低错误匹配。
本实施例在细节点选取的过程中，将图像划分为若干个区域块，然后在每个区域块中提取极值点，这样保证了提取细节点的数目。
本实施例利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功，采用直接匹配和校验匹配这两个阶段匹配，不仅可以减少匹配次数，降低错误匹配率，相较于现有的识别方法，还避免了阈值的使用，更加鲁棒和稳定。
在另一实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的基于细节点区域匹配的手指静脉识别方法中的步骤。
在另一实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的基于细节点区域匹配的手指静脉识别方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种基于细节点区域匹配的手指静脉识别方法，其特征在于，包括：
预处理手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域；
划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子；
利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功；
计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功；
所述赋予的细节点特征描述子包括两部分特征，第一部分特征为细节点邻域像素Hessian矩阵的特征值组成的特征向量；第二部分特征为细节点邻域像素Hessian矩阵中次对角线元素之和组成的特征向量；
所述一对细节点匹配成功，其过程包括：
在图像A和图像B的匹配过程中，图像A中的细节点t(x，y)和图像B中位置(x，y)一定邻域内的细节点利用所述第一部分特征进行匹配，一定邻域内匹配成功的细节点对数最多，也就是在图像B中与细节点t′(x′，y′)有最高匹配分，此时完成了第一阶段的匹配；
在此匹配的基础上，图像B中的细节点t′(x′，y′)与图像A中位置(x′，y′)一定邻域内的细节点就所述第二部分特征进行匹配，若一定邻域内匹配成功的细节点对数最多，也就是t′(x′，y′)也与t(x，y)有最高的匹配分，那么这两个细节点匹配成功，否则，认为t(x，y)没有相匹配的细节点。
2.如权利要求1所述的一种基于细节点区域匹配的手指静脉识别方法，其特征在于，在预处理手指静脉图像的过程中，检测手指的边缘，找出手指边缘的内切线，再根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的感兴趣区域。
3.如权利要求1所述的一种基于细节点区域匹配的手指静脉识别方法，其特征在于，若当前区域块的Hessian矩阵的特征值差值的绝对值是极大值，则该极大值对应的点确定为相应细节点位置。
4.一种基于细节点区域匹配的手指静脉识别系统，其特征在于，包括：
预处理模块，其用于预处理手指静脉图像，得到尺寸大小及灰度均归一化的感兴趣区域；
细节点提取模块，其用于划分感兴趣区域为若干个区域块，根据每个区域块的Hessian矩阵的特征值来确定相应细节点位置，并赋予细节点特征描述子；
匹配模块，其用于利用赋予的细节点特征描述子，选定两幅手指静脉图像中一对细节点，匹配两幅手指静脉图像中该对细节点对应的一定邻域内的所有细节点，当匹配成功的细节点对数最多，则当前两幅手指静脉图像中选定的一对细节点匹配成功；
匹配分计算模块，其用于计算两幅手指静脉图像中匹配成功的细节点对数与区域块数量的比值并作为匹配分，若匹配分最大，则判定当前两幅手指静脉图像匹配成功；
所述赋予的细节点特征描述子包括两部分特征，第一部分特征为细节点邻域像素Hessian矩阵的特征值组成的特征向量；第二部分特征为细节点邻域像素Hessian矩阵中次对角线元素之和组成的特征向量；所述一对细节点匹配成功，其过程包括：
在图像A和图像B的匹配过程中，图像A中的细节点t(x，y)和图像B中位置(x，y)一定邻域内的细节点利用所述第一部分特征进行匹配，一定邻域内匹配成功的细节点对数最多，也就是在图像B中与细节点t′(x′，y′)有最高匹配分，此时完成了第一阶段的匹配；
在此匹配的基础上，图像B中的细节点t′(x′，y′)与图像A中位置(x′，y′)一定邻域内的细节点就所述第二部分特征进行匹配，若一定邻域内匹配成功的细节点对数最多，也就是t′(x′，y′)也与t(x，y)有最高的匹配分，那么这两个细节点匹配成功，否则，认为t(x，y)没有相匹配的细节点。
5.如权利要求4所述的一种基于细节点区域匹配的手指静脉识别系统，其特征在于，在所述预处理模块中，检测手指的边缘，找出手指边缘的内切线，再根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的感兴趣区域。
6.如权利要求4所述的一种基于细节点区域匹配的手指静脉识别系统，其特征在于，在所述细节点提取模块中，若当前区域块的Hessian矩阵的特征值差值的绝对值是极大值，则该极大值对应的点确定为相应细节点位置。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一项所述的基于细节点区域匹配的手指静脉识别方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的基于细节点区域匹配的手指静脉识别方法中的步骤。
CN201910272827.0A 2019-04-04 2019-04-04 基于细节点区域匹配的手指静脉识别方法及系统 Active CN109977909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910272827.0A CN109977909B (zh) 2019-04-04 2019-04-04 基于细节点区域匹配的手指静脉识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910272827.0A CN109977909B (zh) 2019-04-04 2019-04-04 基于细节点区域匹配的手指静脉识别方法及系统

Publications (2)

Publication Number Publication Date
CN109977909A CN109977909A (zh) 2019-07-05
CN109977909B true CN109977909B (zh) 2021-04-20

Family

ID=67083220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910272827.0A Active CN109977909B (zh) 2019-04-04 2019-04-04 基于细节点区域匹配的手指静脉识别方法及系统

Country Status (1)

Country Link
CN (1) CN109977909B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022104552A1 (zh) * 2020-11-17 2022-05-27 华北电力大学扬中智能电气研究中心 一种基于指静脉图像的认证方法、装置、设备和存储介质
CN112508064B (zh) * 2020-11-24 2024-08-20 广州广电运通金融电子股份有限公司 指静脉身份识别方法、装置、计算机设备和存储介质
CN112434676B (zh) * 2021-01-26 2021-04-20 北京圣点云信息技术有限公司 一种基于汇流累计量信息的体内静脉识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872475A (zh) * 2009-04-22 2010-10-27 中国科学院自动化研究所 一种扫描文档图像自动配准方法
CN106201288A (zh) * 2016-07-04 2016-12-07 广东欧珀移动通信有限公司 一种指纹信息的存储方法、装置及移动终端
CN108304766A (zh) * 2017-12-12 2018-07-20 交通运输部规划研究院 一种基于高分辨率遥感筛选危险品堆场的方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1267849C (zh) * 2004-07-02 2006-08-02 清华大学 基于断纹检测的指纹识别方法
CN101276411B (zh) * 2008-05-12 2010-06-02 北京理工大学 指纹识别方法
CN101414351A (zh) * 2008-11-03 2009-04-22 章毅 一种指纹识别系统及其控制方法
CN101777128B (zh) * 2009-11-25 2012-05-30 中国科学院自动化研究所 一种融入全局信息的指纹细节点匹配方法及系统
CN102262730B (zh) * 2011-08-15 2012-10-03 山东志华信息科技股份有限公司 一种基于多参考点对的指纹匹配方法
CN102622587B (zh) * 2012-03-08 2013-08-28 哈尔滨工程大学 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法
GB2507539A (en) * 2012-11-02 2014-05-07 Zwipe As Matching sets of minutiae using local neighbourhoods
CN103714697B (zh) * 2013-12-20 2015-10-28 华南理工大学 一种识别跟踪罪犯车辆的方法
CN103984961B (zh) * 2014-05-30 2017-12-05 成都西物信安智能系统有限公司 一种用于检测车底异物的图像检测方法
CN105426821B (zh) * 2015-11-04 2018-09-07 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN107329962B (zh) * 2016-04-29 2020-11-06 成都理想境界科技有限公司 图像检索数据库生成方法、增强现实的方法及装置
CN106204565A (zh) * 2016-07-05 2016-12-07 董超超 一种通过斑块特征配准的图像清晰度检测装置
CN106295716A (zh) * 2016-08-23 2017-01-04 广东工业大学 一种基于视频信息的交通运动目标分类方法及装置
CN108090396A (zh) * 2016-11-21 2018-05-29 方正国际软件(北京)有限公司 一种指纹匹配方法和装置
CN108090921A (zh) * 2016-11-23 2018-05-29 中国科学院沈阳自动化研究所 单目视觉和imu融合的自适应室内定位方法
CN107980140B (zh) * 2017-10-16 2021-09-14 厦门熵基科技有限公司 一种掌静脉的识别方法及装置
CN109101867A (zh) * 2018-06-11 2018-12-28 平安科技（深圳）有限公司 一种图像匹配方法、装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872475A (zh) * 2009-04-22 2010-10-27 中国科学院自动化研究所 一种扫描文档图像自动配准方法
CN106201288A (zh) * 2016-07-04 2016-12-07 广东欧珀移动通信有限公司 一种指纹信息的存储方法、装置及移动终端
CN108304766A (zh) * 2017-12-12 2018-07-20 交通运输部规划研究院 一种基于高分辨率遥感筛选危险品堆场的方法

Also Published As

Publication number Publication date
CN109977909A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109977909B (zh) 基于细节点区域匹配的手指静脉识别方法及系统
CN107748877B (zh) 一种基于细节点和纹理特征的指纹图像识别方法
Li et al. Robust and accurate iris segmentation in very noisy iris images
US8655029B2 (en) Hash-based face recognition system
Alvarez-Betancourt et al. A keypoints-based feature extraction method for iris recognition under variable image quality conditions
Wang et al. Finger vein recognition using LBP variance with global matching
CN103839042B (zh) 人脸识别方法和人脸识别系统
Lu et al. Finger vein recognition using generalized local line binary pattern
CN104239769A (zh) 基于手指静脉特征的身份识别方法及系统
Perumal et al. A multimodal biometric system based on palmprint and finger knuckle print recognition methods.
CN110555380A (zh) 基于Center Loss损失函数的指静脉识别方法
Derman et al. Normalized cross-correlation based global distortion correction in fingerprint image matching
Khodadoust et al. Design and implementation of a multibiometric system based on hand’s traits
CN106650554A (zh) 静态手势识别方法
Yan et al. Palm vein recognition based on multi-algorithm and score-level fusion
Kassem et al. An enhanced ATM security system using multimodal biometric strategy
CN103593660B (zh) 一种稳定特征图像下交叉梯度编码的掌纹识别方法
Nachar et al. Hybrid minutiae and edge corners feature points for increased fingerprint recognition performance
CN105373781A (zh) 用于身份认证的二值图像处理方法
CN116884045B (zh) 身份识别方法、装置、计算机设备和存储介质
Kumari et al. An experimental study of feature reduction using PCA in multi-biometric systems based on feature level fusion
Zhao et al. Finger Vein Recognition Scheme Based on Convolutional Neural Network Using Curvature Gray Image.
Patil et al. Iris recognition using gray level co-occurrence matrix and hausdorff dimension
Ruiz-del-Solar et al. A new approach for fingerprint verification based on wide baseline matching using local interest points and descriptors
Balti et al. Invariant and reduced features for Fingerprint Characterization

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