CN110298273A - 一种基于多光谱图像的3d指静脉提取方法及系统 - Google Patents
一种基于多光谱图像的3d指静脉提取方法及系统 Download PDFInfo
- Publication number
- CN110298273A CN110298273A CN201910522049.6A CN201910522049A CN110298273A CN 110298273 A CN110298273 A CN 110298273A CN 201910522049 A CN201910522049 A CN 201910522049A CN 110298273 A CN110298273 A CN 110298273A
- Authority
- CN
- China
- Prior art keywords
- vein
- image
- finger
- refers
- referring
- 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
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
- 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
本发明提供一种基于多光谱图像的3D指静脉提取方法及系统,所述3D指静脉提取方法包括以下步骤:步骤S1,分别在可见光谱和近红外光谱下采集指静脉图像;步骤S2,对采集的指静脉图像进行图像预处理;步骤S3,对预处理后的指静脉图像进行指静脉感兴趣区域提取;步骤S4,对提取出指静脉纹理特征的每一幅指静脉图像,通过指静脉纹理特征在不同指静脉图像中对应的体现形式,恢复出指静脉不同部位的深度信息,通过对多幅像素点包含三维坐标信息的二维指静脉图像进行堆叠,还原其三维结构。本发明能够提高指静脉图像的识别率,实现多光谱信息的互补,从而提高防伪能力,对提高指静脉识别性能具有重要意义。
Description
技术领域
本发明涉及一种指静脉提取方法,尤其涉及一种基于多光谱图像的3D指静脉提取方法,并涉及采用了该基于多光谱图像的3D指静脉提取方法的3D指静脉提取系统。
背景技术
手指静脉是人的生理特征之一,除具有唯一性、普遍性、稳定性和可度量性等基本生物特征外,它还具有天然防伪性和活体性。近年来,利用指静脉纹理特征进行身份鉴别已逐步发展成为一个新的生物特征识别研究方向,具有广阔的发展空间与应用前景。由于手指静脉位于皮下组织结构中,在可见光谱下不清晰可见,目前一般是采用近红外光成像和远红外光成像方式,远红外成像即红热图像,识别率往往受温度和湿度影响较大;而近红外成像则可利用特定波段的红外光易透过多数活体生物组织的优势,获取到更加清晰和高对比度的图像。现在常用的指静脉图像获取方式有光线反射法和光线透射法,后者由于需要将手指放置于光源和采集传感器之间,故可获得更高对比度和更清晰的图像。
目前,指静脉图像的采集通常是采用基于单波段近红外LED的透射成像模式,虽具有光源控制电路简单、易操作和设备可小型化等优点,但在实际手指静脉图像采集过程中,由于光照、手指抖动和传输噪声等原因,基于单光谱及单波段的成像模式采集得到的手指静脉图像质量不高,存在曝光和退化等问题,进而致使后期特征提取与匹配不理想。
发明内容
本发明所要解决的技术问题是需要提供一种基于多光谱图像的3D指静脉提取方法,进而能够有效提高采集图像的质量,促进指静脉结构的三维复原,提高基于指静脉生物特征的身份识别技术的可靠性和安全度;本发明还进一步提供采用了该基于多光谱图像的3D指静脉提取方法的3D指静脉提取系统。
对此,本发明提供一种基于多光谱图像的3D指静脉提取方法,包括以下步骤:
步骤S1,分别在可见光谱和近红外光谱下采集指静脉图像;
步骤S2,对采集的指静脉图像进行图像预处理;
步骤S3,对预处理后的指静脉图像进行指静脉感兴趣区域提取;
步骤S4,对提取出指静脉纹理特征的每一幅指静脉图像,通过指静脉纹理特征在不同指静脉图像中对应的体现形式,恢复出指静脉不同部位的深度信息,通过对多幅像素点包含三维坐标信息的二维指静脉图像进行堆叠,还原出指静脉的三维结构。
本发明的进一步改进在于,所述步骤S1中,采集从指尖开始至少2个指节的长度作为指静脉图像的成像范围。
本发明的进一步改进在于,所述步骤S1中,在700-1000nm波段范围下以单位波长或预设波长的间隔逐步增大光源波长,依次对指静脉进行指静脉图像的采集,进而获得一组连续的指静脉二维图像。
本发明的进一步改进在于,在700-780nm波段范围中,采用可见光谱采集指静脉图像;在780-1000nm波段范围中,采用近红外光谱采集指静脉图像。
本发明的进一步改进在于,所述进行图像预处理包括:采用中值滤波器进行图像降噪、图像灰度归一化以及图像倾斜校正等,具体的,所述步骤S2包括以下子步骤:
步骤S201,对采集的指静脉图像采用中值滤波器进行平滑处理;
步骤S202,对平滑处理后的指静脉图像进行灰度归一化处理,先获得图像的灰度分布范围,随后将图像中的每一个像素点通过公式映射到0~255灰度范围内,其中,Ix表示平滑处理前的指静脉图像中一个像素点的像素值,Iy表示进行归一化后该像素点的像素值,Imin表示平滑处理前的指静脉图像灰度值的最小值,Imax表示平滑处理前的指静脉图像灰度值的最大值;
步骤S203,检测指静脉图像是否倾斜,若是则进行校正后跳转至步骤S3,若否则直接跳转至步骤S3。
本发明的进一步改进在于,所述步骤S203还包括以下子步骤:
步骤S2031,去除背景中的噪声及图像中的无效信息,保留完整的手指区域作为指静脉感兴趣区域的候选区域,所述指静脉感兴趣区域也称指静脉ROI;
步骤S2032,通过边缘检测算子在所述候选区域中检测手指的边缘,生成手指边缘二值图像,并对二值图像进行降噪处理;
步骤S2033,在降噪后的二值手指边缘图像中,计算出每一行中手指左右边缘的中点,利用线性拟合的方法产生一条直线,得到手指中线;
步骤S2034,通过步骤S2031至步骤S2033计算每一个指静脉图像中所有中点的最大值和最小值之间的差值,若差值大于预设差值,则认为指静脉图像存在倾斜;若存在倾斜,则将手指中线的倾斜角度作为指静脉图像的倾斜角度,利用该倾斜角度对指静脉图像进行校正。
本发明的进一步改进在于,所述步骤S3中,通过指静脉图像中手指的远端指间关节和近端指间关节之间的高度作为指静脉感兴趣区域的高度,通过边缘检测器找出手指左右边缘的间距作为指静脉感兴趣区域的宽度,以此提取出所述指静脉感兴趣区域即指静脉ROI。
本发明的进一步改进在于,所述步骤S4中,通过预先设定的手指3D模型构建的三维指静脉结构的实现过程为:通过Gabor滤波器提取出指静脉图像中的指静脉纹理特征,然后对指静脉图像进行二值化处理,将提取出的指静脉特征的像素值设置为1,其它背景信息像素值设置为0,对指静脉图像中的每一个像素点,添加第三个维度的坐标值描述其深度信息,进而获得一组具有三维空间坐标的像素点,将这些像素点堆叠起来,得到一个存放三维指静脉结构的三维坐标信息的三维稀疏矩阵,最后通过三维可视化工具得到所构建的指静脉的三维结构。
本发明的进一步改进在于,还包括步骤S5,对指静脉感兴趣区域提取后的指静脉图像进行融合;所述步骤S5包括以下子步骤:
步骤S501,针对经过图像预处理和指静脉感兴趣区域后的不同波段下的指静脉图像,进行亮度和对比度增强处理,并采用特征检测算子提取出指静脉图像中的特征点;
步骤S502,在连续波段下采集的一组指静脉图像结果中,通过仿射变换,依次将前后相邻的两幅指静脉图像的特征点对准,实现指静脉图像的配准;
步骤S503,采用加权平均法对所有波段下的指静脉图像进行融合,融合过程为将前一幅指静脉图像对应的像素乘上一个预设系数,再叠加到另一幅指静脉图像上,以获取指静脉融合图像。
本发明还提供一种基于多光谱图像的3D指静脉提取系统,采用了如上所述的基于多光谱图像的3D指静脉提取方法。
与现有技术相比,本发明的有益效果在于:基于多光谱图像实现了对3D指静脉的提取,能够在一定程度上改善图像对比度质量,提高识别率;并且在多光谱多波段的基础上对指静脉图像进行融合也可以最大限度地利用不同波段下的指静脉信息,使得融合图像上包含不同光谱下的指静脉纹理特征信息,能够有效减少单光谱采集模式下手指静脉信息获取的不确定性和不完整性等问题,实现多光谱信息的互补,从而提高防伪能力,本发明提高了采集图像的质量,提高了基于指静脉生物特征的身份识别技术的可靠性和安全度;在此基础上,由于指静脉本质上是一种三维生物组织结构,为了更充分获得真实的手指静脉纹理特征信息,可利用多波段下的多幅二维图像恢复指静脉三维结构。
附图说明
图1是本发明一种实施例的工作流程示意图;
图2是本发明对指静脉纹理特征计算相应的深度信息示意图;
图3是本发明一种实施例对指静脉图像分别进行融合和恢复指静脉三维结构的原理示意图。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明。
指静脉图像采集是指静脉识别系统的关键,图像采集结果的质量直接影响系统的识别精度,因此探索多光谱多波段指静脉成像模式具有重要的意义。多光谱手指静脉融合可以在一定程度上改善图像对比度质量,提高识别率。并且多光谱多波段下对指静脉图像进行融合可以最大限度地利用不同波段下的指静脉信息,使得融合图像上包含不同光谱下的指静脉纹理特征信息,可以减少单光谱采集模式下手指静脉信息获取的不确定性和不完整性,实现多光谱信息的互补,从而提高防伪能力。
此外,由于指静脉本质上是一种三维生物组织结构,为了更充分获得真实的手指静脉纹理特征信息,可利用多波段下的多幅二维图像恢复指静脉三维结构。
因此,如图1所示,本例提供一种基于多光谱图像的3D指静脉提取方法,包括以下步骤:
步骤S1,分别在可见光谱和近红外光谱下采集指静脉图像;
步骤S2,对采集的指静脉图像进行图像预处理;
步骤S3,对预处理后的指静脉图像进行指静脉感兴趣区域提取;
步骤S4,对提取出指静脉纹理特征的每一幅指静脉图像,通过指静脉纹理特征在不同指静脉图像中对应的体现形式,恢复出指静脉不同部位的深度信息,通过对多幅像素点包含三维坐标信息的二维指静脉图像进行堆叠,还原出指静脉的三维结构。
近代生物医学研究表明,在同一近红外光源照射下,人体皮肤组织中的脱氧血红蛋白、氧合血红蛋白、水分、蛋白质及脂肪等生物组织,随着波长的变化会表现出不同的吸收和反射特性,从而产生“生物组织光学窗口”,特指光在生物组织内穿透深度的波长范围,该“窗口”通常处于700nm-1300nm范围内。在上述几类物质中,由于特定波段范围内的近红外光容易被脱氧血红蛋白和氧合血红蛋白吸收,从而在影像中形成黑色线条,指静脉识别系统正是利用这一特性对静脉进行成像。二者对近红外光的吸收特性决定了静脉在采集图像中的清晰程度,二者吸收得越多静脉越清晰。另一方面,水的吸收影响静脉成像结果的模糊程度,水分对光吸收越多,获取影像中静脉越模糊。
根据上述几类物质对光的吸收特性,本例经研究选定波段范围为700-1000nm的可见光谱和近红外光谱,在700-1000nm波段范围内,血红蛋白对近红外光的吸收率均高于水的吸收率,从而静脉看起来更暗,通过相机拍摄得到的指静脉图像体现出较强的对比度,从而更清晰地分辨出指静脉的结构分布。而当波长超过1000nm后,随着波长增大,水对近红外光的吸收率显著增大,导致静脉成像效果模糊,不利于指静脉纹理特征信息的分析与提取。因此,本例选择波长介于700-1000nm间的光源对指静脉进行成像。
本例所述多光谱包含可见光谱和近红外光谱,所述多光谱的波段范围为700-1000nm。在步骤S1实现采集之前,需先检测手指是否正确放置,成像区域需涵盖至少两个指节的手指长度,从而保证采集结果能覆盖足够大的指静脉在皮下组织中的分布区域。即本例所述步骤S1中,采集从指尖开始至少2个指节的长度作为指静脉图像的成像范围。
可见光谱的波段范围为380-780nm,虽然指静脉在可见光谱下不清晰可见,但在接近近红外光谱的波段范围,具体为当波长超过700nm后,由于血红蛋白对光的吸收率显著增大,可观察到靠近皮肤表皮的部分指静脉的存在,这部分指静脉信息对于重构3D指静脉结构具有一定的价值,故保留可见光谱下700nm-780nm的高波段范围用于指静脉成像。
在可见光谱下成像时,采用滤光片滤除低波段成分,即去除波长在700nm以下的光,以减少对指静脉成像过程中产生的噪声,提高指静脉图像采集结果质量。
可见光谱下高波段范围内的光由于在活体组织中的穿透力度有限,仍无法获得充足的指静脉纹理特征信息,因此需切换到近红外光谱下进行指静脉成像,以提取出更多特征信息。
近红外光谱下的成像采用以近红外LED为光源的透射成像方式,将光源置于手指背上方,通过穿透手指来采集到指静脉图像,这样获得的指静脉图像对比度更高,静脉纹路更清晰。
本例在上述波段范围内,以单位波长或若干波长为间隔,连续采集一组指静脉图像。具体操作为从可见光谱下的700nm波长开始,逐步增大光源的波长,在不同波段下依次采集指静脉图像,直到光源波长增大到1000nm,停止采集过程。
因此,本例所述步骤S1中,在700-1000nm波段范围下以单位波长或预设波长的间隔逐步增大光源波长,依次对指静脉进行图像采集,进而获得一组连续的指静脉二维图像。预设波段范围与波长增大间隔,可以根据实际需要进行适当的设置和调整。本例在700-780nm波段范围中,采用可见光谱采集指静脉图像;在780-1000nm波段范围中,采用近红外光谱采集指静脉图像。
上述采集方法中获取到的一组指静脉序列图像,基本包含了从靠近手指表皮到深层皮下组织的多幅不同皮下深度上的指静脉图像,为后续图像融合及三维重构提供数据基础。
在指静脉采集过程中,受环境等因素所造成的影响,成像结果往往含有非静脉区域的部分和大量的冗余信息,这些不相关的信息会对图像产生负面作用,并且,由于采集得到的一组图像数据占用存储空间较大,不利于指静脉识别系统后续流程的进行。因此需要对原始采集结果中的一组指静脉图像进行图像预处理,即对原始采集结果进行图像去噪,以便减少采集图像过程中受环境等因素影响带来的噪声,在尽可能保留更多原始信息的同时,滤除冗余信息,提高指静脉图像的质量。
对图像进行去噪处理后,还需要考虑将所有图像调整到统一标准。由于图像采集过程每个受试者的指头大小、放置位置、放置角度、光照明暗程度等都有所差异,这些差异在随后的静脉特征提取时也会产生差异,从而导致特征不一致。因此需要将所有图像进行灰度归一化、倾斜校正及指静脉感兴趣区域(ROI)提取,有效去除背景信息,保留主要的指静脉区域。
因此,本例所述步骤S2包括以下子步骤:
步骤S201,对采集的指静脉图像采用中值滤波器进行平滑处理;
步骤S202,对平滑处理后的指静脉图像进行灰度归一化处理,先获得图像的灰度分布范围,随后将图像中的每一个像素点通过公式映射到0~255灰度范围内,其中,Ix表示平滑处理前的指静脉图像中一个像素点的像素值,Iy表示进行归一化后该像素点的像素值,Imin表示平滑处理前的指静脉图像灰度值的最小值,Imax表示平滑处理前的指静脉图像灰度值的最大值;
步骤S203,检测指静脉图像是否倾斜,若是则进行校正后跳转至步骤S3,若否则直接跳转至步骤S3。
本例首先通过步骤S201的中值滤波器实现去噪处理;然后在所述步骤S202中获得原始图像的灰度分布范围,对原始图像的每一像素点均映射到0~255的目标灰度范围内,通过灰度归一化处理后,可以有效减少图像中由于光照带来的环境误差;最后在所述步骤S203中实现图像倾斜校正,为所述步骤S3的指静脉感兴趣区域(ROI)提取提供基础。
更为具体的本例所述步骤S203还包括以下子步骤:
步骤S2031,去除背景中的噪声及图像中的无效信息,保留完整的手指区域作为指静脉感兴趣区域的候选区域;
步骤S2032,通过边缘检测算子在所述指静脉感兴趣候选区域中检测手指的边缘,生成手指边缘二值图像,并对二值图像进行降噪处理;所述边缘检测算子优选为Sobel边缘检测算子,即像素图像边缘检测;所述降噪处理采用现有的图像降噪技术即可;
步骤S2033,在降噪后的二值手指边缘图像中,计算出每一行中手指左右边缘的中点,利用线性拟合的方法产生一条直线,得到手指中线;
步骤S2034,通过步骤S2031至步骤S2033计算每一个指静脉图像中所有中点的最大值和最小值之间的差值,若差值大于预设差值(如采用15pixel),则认为指静脉图像存在倾斜;若存在倾斜,则将手指中线的倾斜角度作为指静脉图像的倾斜角度,利用该倾斜角度对指静脉图像进行校正。
本例所述步骤S3中,通过指静脉图像中手指的远端指间关节和近端指间关节之间的高度作为指静脉感兴趣区域的高度,通过边缘检测器找出手指左右边缘的间距作为指静脉感兴趣区域的宽度,以此提取出所述指静脉感兴趣区域。
本例所述步骤S3提到的指静脉ROI提取,即指静脉感兴趣区域的提取,其具体操作为:对于校正后的手指静脉图像,采用Sobel边缘检测算子在候选区域中得到一个手指边缘二值图像,对于角度正常的指静脉图像则无需进行此操作。然后在二进制手指边缘图像中,找到手指左右边缘的内部切线,通过切线周围的区域获得关键区域,从而进一步检测到两个指骨关节的存在,即手指的远端指间关节和近端指间关节,以两个指关节的间距作为ROI高度,以手指左右边缘的间距作为感兴趣区域(ROI)的宽度。
由于光在人体皮肤组织中易被吸收和散射,不同波段的入射光在手指内部可达到不同的探测深度,具体来说,上述采集方法中,随着波长的不断增大,近红外光源对手指的穿透力度增强,图像传感器可获取到位于皮下不同深度的指静脉图像,利用经过预处理和ROI提取后的不同波段下的多幅指静脉图像,还原出指静脉三维结构,提取3D指静脉纹理特征,从而提高指静脉识别的防伪性。
如图2所示,本例所述步骤S4中,通过预先设定的手指3D模型构建的三维指静脉结构的实现过程为:通过Gabor滤波器提取出指静脉图像中的指静脉纹理特征,然后对指静脉图像进行二值化处理,将提取出的指静脉感兴趣区域的像素值设置为1,其它背景信息像素值设置为0,对指静脉图像中的每一个像素点,添加第三个维度的坐标值描述其深度信息,进而获得一组具有三维空间坐标的像素点,将这些像素点堆叠起来,得到一个存放三维指静脉结构的三维坐标信息的三维稀疏矩阵,最后通过三维可视化工具得到所构建的指静脉的三维结构。所述Gabor滤波器为采用了Gabor函数的滤波器,是一个用于边缘提取的线性滤波器。
也就是说,所述步骤S4优选包括步骤S401至步骤S404,本例所述步骤S401利用Gabor滤波器,对不同波段的光源透射下获取到的多幅图像进行指静脉纹理特征提取。
本例所述步骤S402对图像进行二值化处理,将提取出的静脉特征区域的像素值设置为1,其它背景信息像素值设置为0,对图像中的每一个像素点,添加第三个维度的坐标值记录其深度信息。
本例所述步骤S403根据不同波长的光对活体组织具有不同的穿透深度,不同波段下采集得到的图像对应着不同的深度信息,通过观察指静脉纹理特征在不同图像中的呈现效果,恢复出指静脉不同部位的深度信息。即所述步骤S403用于对指静脉图像中的每一个像素点添加第三个维度的坐标值描述其深度信息,即图像中每个像素点除了以x、y表示其位置外,添加维度d记录其深度信息。具体的实现过程为,根据一组采集结果中指静脉图像的数量,人为设定一个深度信息的增大间距,比如,若在上述波长范围下共采集了100幅图像,则以1/100即0.01作为深度的步长,即所述深度信息的增大间距为可以根据采集的图像数量来进行自定义设置和修改的间距;然后,以第一幅图像为基准面,将图中的像素点的深度坐标设置为初值0,对于后续每一幅图像的处理,由于每一幅指静脉图像均是在手指的同个区域进行相同面积大小的采集,因此前景信息在每一幅指静脉图像中的位置/像素点坐标是相同的,所述前景信息为指静脉纹理特征,将前一幅指静脉图像的像素值与当前指静脉图像的像素值进行相减运算进而计算当前指静脉图像与前一幅指静脉图像的差值,如果在计算结果中出现了负值,则说明在当前指静脉图像采集到了比前一幅指静脉图像更丰富的静脉信息,说明计算结果为负值的像素值为多出的指静脉纹理特征,其在手指内部所处的深度更大一些,对这部分多出来的指静脉纹理特征的像素点的第三维度坐标即深度坐标在前一幅图像的深度值基础上增加一个单位,其它像素点对应深度值保持和前一幅图像一致;重复该过程,最终获得所有图像上像素点的深度信息,进而获得一组具有三维空间坐标(x,y,d)的像素点。
本例所述步骤S404:将最终获得的一组像素点具有三维空间坐标(x,y,d)的图像堆叠起来,进而得到一个存放三维指静脉结构的三维坐标信息的三维稀疏矩阵,产生稀疏矩阵的原因在于对图像进行了二值化处理后,每一幅图像即每一个二维矩阵中存放了大量的0元素,最后再通过MATLAB或其三维可视化工具即可观察到所构建的三维指静脉结构,即能够还原出指静脉的三维结构。
如图2和图3所示,本例还包括步骤S5,对指静脉感兴趣区域提取后的指静脉图像进行融合;通过图像配准及像素级融合技术,得到包含不同光谱下的指静脉纹理特征信息的高质量多光谱指静脉图像。该步骤S5属于优选的步骤,用于得到高质量指静脉图像。
更为具体的,本例所述步骤S5包括以下子步骤:
步骤S501,针对经过图像预处理和指静脉感兴趣区域后的不同波段下的指静脉图像,进行亮度和对比度增强处理,并采用特征检测算子提取出指静脉图像中的特征点,所述特征点为采用尺度不变特征转换算子(SIFT算子)或加速稳健特征算子(SURF算子)等特征检测算子提取出图像中的特征像素点;
步骤S502,在连续波段下采集的一组指静脉图像结果中,通过仿射变换,依次将前后相邻的两幅指静脉图像的特征点对准,实现指静脉图像的配准;
步骤S503,采用加权平均法对所有波段下的指静脉图像进行融合,融合过程为将前一幅指静脉图像对应的像素乘上一个预设系数,再叠加到另一幅指静脉图像上,以获取指静脉融合图像。
本例所述步骤S501,针对经过预处理和ROI提取后的不同波段下的指静脉图像,进行亮度和对比度增强处理,优选采用尺度不变特征转换算子(SIFT算子)或加速稳健特征算子(SURF算子)等特征检测算子提取出图像中的局部特征,称为后续图像匹配的特征点或关键点,其对旋转、尺度变换、亮度变化、仿射变换等具有一定程度的稳定性。
本例所述步骤S502在连续波段下采集的一组图像结果中,通过仿射变换,将前后两个波段下获得的2幅图像对齐,通过上述方法寻找两幅图像之间的特征点的对应关系后,通过沿坐标轴平移或旋转等方式,对这些对应的特征点进行刚体变换,进而将特征点对准,实现两幅图像的配准。依次类推,每次以前一波段下获取的图像为基准图像,将在后一波段下采集到的图像向其配准变换,最终对所有波段下的图像都进行了配准处理,作为下一步图像融合所需的源图像。
本例所述步骤S503采用加权平均法对所有波段下的指静脉图像进行融合,即将前一幅图像对应的像素乘上一个相应的预设系数,叠加到另一幅图像上,获取到轮廓更清晰的指静脉纹理特征,得到清晰度和辨识度大幅提高的指静脉融合图像。所述预设系数为用于实现图像融合的自定义像素系数,可以根据实际需要进行自定义设置和调整。
本例对经过预处理和ROI提取后的不同波段下的指静脉图像进行图像配准及图像像素级融合,综合多幅图像中的指静脉纹理特征,获取到轮廓更清晰的指静脉纹理特征,相对于单一光谱成像模式所采集到的结果,多光谱指静脉融合图像具有更高的对比度,包含更多的指静脉纹理特征信息,对后续特征提取和特征匹配工作具有重要意义。
本例还提供一种基于多光谱图像的3D指静脉提取系统,采用了如上所述的基于多光谱图像的3D指静脉提取方法。
综上所述,本例实现了一种基于多光谱图像实现3D指静脉的提取方法,能够在一定程度上改善图像对比度质量,提高识别率;并且在多光谱多波段的基础上对指静脉图像进行融合也可以最大限度地利用不同波段下的指静脉信息,使得融合图像上包含不同光谱下的指静脉纹理特征信息,能够有效减少单光谱采集模式下手指静脉信息获取的不确定性和不完整性等问题,实现多光谱信息的互补,从而提高防伪能力,本发明提高了采集图像的质量,提高了基于指静脉生物特征的身份识别技术的可靠性和安全度;在此基础上,由于指静脉本质上是一种三维生物组织结构,为了更充分获得真实的手指静脉纹理特征信息,可利用多波段下的多幅二维图像恢复指静脉三维结构。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于多光谱图像的3D指静脉提取方法,其特征在于,包括以下步骤:
步骤S1,分别在可见光谱和近红外光谱下采集指静脉图像;
步骤S2,对采集的指静脉图像进行图像预处理;
步骤S3,对预处理后的指静脉图像进行指静脉感兴趣区域提取;
步骤S4,对提取出指静脉纹理特征的每一幅指静脉图像,通过指静脉纹理特征在不同指静脉图像中对应的体现形式,恢复出指静脉不同部位的深度信息,通过对多幅像素点包含三维坐标信息的二维指静脉图像进行堆叠,还原出指静脉的三维结构。
2.根据权利要求1所述的基于多光谱图像的3D指静脉提取方法,其特征在于,所述步骤S1中,采集从指尖开始至少2个指节的长度作为指静脉图像的成像范围。
3.根据权利要求1所述的基于多光谱图像的3D指静脉提取方法,其特征在于,所述步骤S1中,在700-1000nm波段范围下以单位波长或预设波长的间隔逐步增大光源波长,依次对指静脉进行指静脉图像的采集,进而获得一组连续的指静脉二维图像。
4.根据权利要求3所述的基于多光谱图像的3D指静脉提取方法,其特征在于,在700-780nm波段范围中,采用可见光谱采集指静脉图像;在780-1000nm波段范围中,采用近红外光谱采集指静脉图像。
5.根据权利要求1至4任意一项所述的基于多光谱图像的3D指静脉提取方法,其特征在于,所述步骤S2包括以下子步骤:
步骤S201,对采集的指静脉图像采用中值滤波器进行平滑处理;
步骤S202,对平滑处理后的指静脉图像进行灰度归一化处理,先获得图像的灰度分布范围,随后将图像中的每一个像素点通过公式映射到0~255灰度范围内,其中,Ix表示平滑处理前的指静脉图像中一个像素点的像素值,Iy表示进行归一化后该像素点的像素值,Imin表示平滑处理前的指静脉图像灰度值的最小值,Imax表示平滑处理前的指静脉图像灰度值的最大值;
步骤S203,检测指静脉图像是否倾斜,若是则进行校正后跳转至步骤S3,若否则直接跳转至步骤S3。
6.根据权利要求5所述的基于多光谱图像的3D指静脉提取方法,其特征在于,所述步骤S203还包括以下子步骤:
步骤S2031,去除背景中的噪声及图像中的无效信息,保留完整的手指区域作为指静脉感兴趣区域的候选区域;
步骤S2032,通过边缘检测算子在所述指静脉感兴趣候选区域中检测手指的边缘,生成手指边缘二值图像,并对二值图像进行降噪处理;
步骤S2033,在降噪后的二值手指边缘图像中,计算出每一行中手指左右边缘的中点,利用线性拟合的方法产生一条直线,得到手指中线;
步骤S2034,通过步骤S2031至步骤S2033计算每一个指静脉图像中所有中点的最大值和最小值之间的差值,若差值大于预设差值,则认为指静脉图像存在倾斜;若存在倾斜,则将手指中线的倾斜角度作为指静脉图像的倾斜角度,利用该倾斜角度对指静脉图像进行校正。
7.根据权利要求1至4任意一项所述的基于多光谱图像的3D指静脉提取方法,其特征在于,所述步骤S3中,通过指静脉图像中手指的远端指间关节和近端指间关节之间的高度作为指静脉感兴趣区域的高度,通过边缘检测器找出手指左右边缘的间距作为指静脉感兴趣区域的宽度,以此提取出所述指静脉感兴趣区域。
8.根据权利要求1至4任意一项所述的基于多光谱图像的3D指静脉提取方法,其特征在于,所述步骤S4中,还原指静脉三维结构的实现过程为:通过Gabor滤波器提取出指静脉图像中的指静脉纹理特征,然后对指静脉图像进行二值化处理,将提取出的指静脉感兴趣区域的像素值设置为1,其它背景信息像素值设置为0,对指静脉图像中的每一个像素点,添加第三个维度的坐标值描述其深度信息,进而获得一组具有三维空间坐标的像素点,将这些像素点堆叠起来,得到一个存放三维指静脉结构的三维坐标信息的三维稀疏矩阵,最后通过三维可视化工具得到所构建的指静脉的三维结构。
9.根据权利要求1至4任意一项所述的基于多光谱图像的3D指静脉提取方法,其特征在于,还包括步骤S5,对指静脉感兴趣区域提取后的指静脉图像进行融合;所述步骤S5包括以下子步骤:
步骤S501,针对经过图像预处理和指静脉感兴趣区域后的不同波段下的指静脉图像,进行亮度和对比度增强处理,并采用特征检测算子提取出指静脉图像中的特征点;
步骤S502,在连续波段下采集的一组指静脉图像结果中,通过仿射变换,依次将前后相邻的两幅指静脉图像的特征点对准,实现指静脉图像的配准;
步骤S503,采用加权平均法对所有波段下的指静脉图像进行融合,融合过程为将前一幅指静脉图像对应的像素乘上一个预设系数,再叠加到另一幅指静脉图像上,以获取指静脉融合图像。
10.一种基于多光谱图像的3D指静脉提取系统,其特征在于,采用了如权利要求1至9任意一项所述的基于多光谱图像的3D指静脉提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522049.6A CN110298273B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多光谱图像的3d指静脉提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522049.6A CN110298273B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多光谱图像的3d指静脉提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298273A true CN110298273A (zh) | 2019-10-01 |
CN110298273B CN110298273B (zh) | 2023-04-07 |
Family
ID=68028133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910522049.6A Active CN110298273B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多光谱图像的3d指静脉提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298273B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111652088A (zh) * | 2020-05-15 | 2020-09-11 | 圣点世纪科技股份有限公司 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
CN112069928A (zh) * | 2020-08-19 | 2020-12-11 | 山西慧虎健康科技有限公司 | 一种手部目标掌纹提取及与中线拟合方法 |
CN112330649A (zh) * | 2020-11-12 | 2021-02-05 | 清华大学 | 结合多光谱和可见光图像的生理信息获取方法和装置 |
CN114821682A (zh) * | 2022-06-30 | 2022-07-29 | 广州脉泽科技有限公司 | 一种基于深度学习算法的多样本混合掌静脉识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729622A (zh) * | 2013-12-24 | 2014-04-16 | 小米科技有限责任公司 | 一种手指静脉三维点云获取方法、装置及一种终端 |
CN108596031A (zh) * | 2018-03-20 | 2018-09-28 | 深圳大学 | 一种多光谱三维指纹及指静脉采集装置 |
-
2019
- 2019-06-17 CN CN201910522049.6A patent/CN110298273B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729622A (zh) * | 2013-12-24 | 2014-04-16 | 小米科技有限责任公司 | 一种手指静脉三维点云获取方法、装置及一种终端 |
CN108596031A (zh) * | 2018-03-20 | 2018-09-28 | 深圳大学 | 一种多光谱三维指纹及指静脉采集装置 |
Non-Patent Citations (3)
Title |
---|
唐绮雯: "指静脉三维点云采集与信息提取研究", 《中国优秀硕士论文全文数据库》 * |
小魏同学I: "血管的三维重建", 《HTTPS://BLOG.CSDN.NET/WEI_CHENG18/ARTICLE/DETAILS/77919115》 * |
杨金锋等: "多光谱手指静脉成像与采集系统设计", 《中国民航大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652088A (zh) * | 2020-05-15 | 2020-09-11 | 圣点世纪科技股份有限公司 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
CN111652088B (zh) * | 2020-05-15 | 2023-06-20 | 圣点世纪科技股份有限公司 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
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 |
CN112069928A (zh) * | 2020-08-19 | 2020-12-11 | 山西慧虎健康科技有限公司 | 一种手部目标掌纹提取及与中线拟合方法 |
CN112069928B (zh) * | 2020-08-19 | 2024-02-02 | 山西慧虎健康科技有限公司 | 一种手部目标掌纹提取的生命线与中线拟合方法 |
CN112330649A (zh) * | 2020-11-12 | 2021-02-05 | 清华大学 | 结合多光谱和可见光图像的生理信息获取方法和装置 |
CN112330649B (zh) * | 2020-11-12 | 2022-11-04 | 清华大学 | 结合多光谱和可见光图像的生理信息获取方法和装置 |
CN114821682A (zh) * | 2022-06-30 | 2022-07-29 | 广州脉泽科技有限公司 | 一种基于深度学习算法的多样本混合掌静脉识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298273B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298273A (zh) | 一种基于多光谱图像的3d指静脉提取方法及系统 | |
CN106530279B (zh) | 一种图像处理方法及系统 | |
US9317761B2 (en) | Method and an apparatus for determining vein patterns from a colour image | |
CN109685809B (zh) | 一种基于神经网络的肝包虫病灶分割方法及系统 | |
CN105760841B (zh) | 一种身份识别方法及系统 | |
KR101141312B1 (ko) | 영상의 융합 기법을 이용한 의료용 혈관영상 처리방법 | |
US20220125280A1 (en) | Apparatuses and methods involving multi-modal imaging of a sample | |
JP4344986B2 (ja) | 認証方法及び認証装置 | |
CN105426843A (zh) | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 | |
CN113850328A (zh) | 基于多视角深度学习的非小细胞肺癌亚型分类系统 | |
Li et al. | A multiscale approach to retinal vessel segmentation using Gabor filters and scale multiplication | |
Borgen et al. | Visible-spectrum biometric retina recognition | |
CN112183518A (zh) | 静脉靶点自动确定方法、装置和设备 | |
CN108742549B (zh) | 一种图像信息生成方法和脉搏波测量系统 | |
CN113011333B (zh) | 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法 | |
CN110136095A (zh) | 肝脏三维ct图像病变区域自动提取系统及方法 | |
Tan et al. | A real-time image analysis system for computer-assisted diagnosis of neurological disorders | |
CN105512629B (zh) | 一种人体手指静脉图像骨关节定位方法 | |
Al-Fahdawi et al. | An automatic corneal subbasal nerve registration system using FFT and phase correlation techniques for an accurate DPN diagnosis | |
Carmona et al. | Modeling, localization, and segmentation of the foveal avascular zone on retinal OCT-angiography images | |
Taha et al. | Digital Vein Mapping Using Augmented Reality. | |
Tang et al. | Vein pattern recognition based on RGB images using Monte Carlo simulation and ridge tracking | |
Sapthagirivasan et al. | Denoising and fissure extraction in high resolution isotropic CT images using Dual Tree Complex Wavelet Transform | |
Saeed et al. | Simplifying vein detection for intravenous procedures: A comparative assessment through near‐infrared imaging system | |
Sayyad et al. | Data Conditioning for Medical Imaging |
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 |