CN110502996B - 一种面向模糊指静脉图像的动态识别方法 - Google Patents

Abstract

本发明公开了一种面向模糊指静脉图像的动态识别方法。为了判断指静脉图像是否模糊，首先提出了一种基于图像金字塔模型的图像模糊度检测方法。再提出一种基于模糊程度分类的动态NiBlack分割算法，根据不同的模糊程度，采用不同的计算阈值。最后根据不同识别模式设置动态识别阈值。实验表明，本发明提出的面向模糊指静脉图像的动态识别算法，在判断图像模糊度的准确性上有着较大提高。且在特征提取时，采用了动态计算参数，使得特征提取更为准确。最后在识别过程中，采用了动态的识别阈值，有效提升了系统整体识别率。说明本方法是一种高效简便的针对模糊指静脉图像的识别方法。

Description

一种面向模糊指静脉图像的动态识别方法

技术领域

本发明属于生物特征识别及信息安全技术领域，特别涉及指静脉识别技术领域。

背景技术

手指静脉识别技术属于生物特征识别技术，它利用手指内部静脉走向的形态学结构进行个体的身份验证。因其识别速度快、不可复制性，成本较低而成为国内外诸多研究人员的研究热点。在指静脉图像采集中，由于被采集者的使用习惯如放置时重压等，采集时的环境变化如手指表面脏污、湿润等，设备不稳定性如红外摄像头曝光过度、失焦等因素，均会采集到静脉纹路不清晰的图像即模糊图像。由于模糊图像对比度低，不利于静脉分割和特征提取，从而影响系统的识别性能。目前，针对提升模糊图像识别性能，如何准确检测指静脉图像的模糊程度，如何针对模糊图像的提取特征过程改进成为了研究的重点方向。

胡晶晶等将提取的指静脉图像中的空间域梯度、对比度等信息进行加权融合，通过建立质量评估模型来检测图像的模糊程度，该方法采用图像熵等统计量对模糊图像质量进行判断，可能导致图象模糊程度判断不准确。S.Fairuz等采用AlexNet迁移学习模型，提高静脉系统识别率，但建立深度学习模型，算法时间复杂度高，实现的硬件成本较高。张冬梅等采用改进的Morlet小波变换方法，通过增强模糊静脉图像以提高识别性能，但该方法对于设备成像要求较为苛刻，并不适用于大多数的红外指静脉图像。

综上所述当前模糊静脉图像识别中存在着静脉特征较难提取，模糊度判断不准确，模糊图像识别性能差等问题。红外摄像头拍摄人体指静脉图像时，静脉边缘灰度变化剧烈，即为图像中的高频信息。因此，可以通过建立图像金字塔模型，准确地检测出图像中的高频信息部分，以此来判断指静脉图像的模糊程度。通过改进模糊图像的特征提取和识别过程，能够有效地解决模糊静脉图像识别率差的问题。

发明内容

对于现有针对指静脉图像模糊程度判断不准确，特征提取困难，识别性能较低的问题。本发明提供一种面向模糊指静脉图像的动态识别算法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1、采集红外指静脉图像，通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型。该高斯金字塔模型的图像集合可以用Gau(G,L)来表示，其中G代表尺寸组，L代表尺度层。使用双线性插值法将原图尺寸大小归一化为P×Q,并置于第一尺寸组，第一尺度层为Gau(1,1)。同一尺寸下，尺度层由一系列经过不同参数高斯滤波后的图像组成，如公式(1)所示，式中，w为高斯滤波函数，σ为滤波系数，n为滤波函数的窗口大小，k′为尺寸组序号，k为尺度层序号。

Gau(k′,k+1)＝Gau(k′,k)*w[n²,(k-1)σ] 1)

步骤2、根据公式(1)构建高斯金字塔模型时，图像因隔行隔列采样和高斯滤波会丢失部分高频信息。为了反映这部分高频信息，引入拉普拉斯金字塔模型。该模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到。用Lap(G,L)表示拉普拉斯金字塔图像：

Lap(G,L)＝Gau(G,L)-Gau(G,L+1) 2)

步骤3、高斯滤波器模板大小t，滤波系数σ。这里提出一种加权的模糊度检测函数，如公式(3)、(4)所示，其中G为所选尺寸组，S_n为各层尺度层的高频质量分数，M为指静脉图像模糊度指标，μ₁,μ₂,μ₃,μ₄为权重系数，r和c为所选尺寸组的尺寸大小，为固定值。

M＝μ₁S₁+μ₂S₂+μ₃S₃+μ₄S₄ 4)

步骤4、对采集的手指静脉图像提取稳定的二值图特征。先对原图进行图像归一化操作，然后采用NiBlack分割静脉。根据M的大小，若M小于模糊度指标阈值，则判断为模糊图像，反之则为正常图像。根据图像的模糊程度采用动态参数的NiBlack方法，相关计算公式如公式(5)、公式(6)、公式(7)所示：

式(5)中，ρ为窗口大小，f(i,j)为手指静脉图像中坐标点(i,j)的灰度值，ave(i,j)为其邻域的灰度平均值。式(6)中，var(i,j)为其邻域的灰度方差。

式(7)中，T(i,j)为坐标点(i,j)的动态分割阈值，λ为修正系数。

T(i,j)＝ave(i,j)+λ×var(i,j) 7)

步骤5、对于不同模糊程度的指静脉图像，采用动态的分割参数，调整参数ρ和λ，使得特征提取更准确。对分割出的静脉二值化图像进行细化处理，删除多余的毛刺和伪静脉，得到最终的静脉特征细线图。

步骤6、使用基于细线的修正豪斯多夫距离(Modified Hausdorff Distance,MHD)距离作为识别方法。根据步骤5中得到的静脉特征细线图构成两个点集X和Y，两个点集的相似度统计量计算如下，其中D_m(X,Y)表示点集X到点集Y的有向距离，

和

为点集X中的横纵坐标，m为点集X中的个数：

步骤7、取D_m(X,Y)和D_n(Y,X)中的最大值H(X,Y)作为2个点集间的细线距离顺序统计量:

H(X,Y)＝max(D_m(X,Y),D_n(Y,X)) 9)

步骤8、根据步骤3中计算得到的图像模糊度指标，判断识别模式是正常识别还是模糊识别，分别采用设定正常识别阈值T₁和模糊识别阈值T₂进行识别。若正常识别模式下，式(9)中H(X,Y)小于阈值T₁或模糊识别模式下，H(X,Y)小于阈值T₂，则判断识别成功，两幅红外手指经脉图像来源于同一根手指。

本发明有益效果如下：

1、本发明构建了图像金字塔模型，利用手指静脉图像中静脉边缘的高频信息，准确地判断图像的模糊程度。算法复杂度低，且判断准确率高。

2、本发明对于静脉图像，根据其模糊程度不同，采用动态NiBlack计算参数提取细线特征。相比于固定参数提取特征，提取出的二值图更加光滑，毛刺和伪静脉更少。

3、本发明在识别系统中引入了动态识别阈值设置，保证了正常手指识别率不会因模糊手指而下降。对于模糊程度不同的图像，设置不同的识别阈值，能够有效提高系统整体识别性能。

实验表明，本发明提出的面向模糊指静脉图像的动态识别算法能够准确地判断指静脉图像的模糊程度，且对于模糊图像的识别性能有较大的提升。特别地，本发明能够根据图像的模糊程度采用动态参数的NiBlack分割算法，使得二值图特征提取更为准确。传统的识别算法都采用同一识别阈值，因模糊图像的特殊性，会使得整体识别率下降，而本发明提出的根据不同识别模式设置动态识别阈值算法，充分利用了模糊图像的特殊性，分别设置识别阈值，有效提高了识别性能。因此，面向模糊指静脉图像的动态识别算法是一种对提升模糊指静脉图像识别率十分有效的算法。

附图说明

图1为本发明面向模糊指静脉图像的动态识别算法流程图；

图2为采集的红外手指静脉原始图像；

图3为清晰静脉的拉普拉斯金字塔图像；

图4为模糊静脉的拉普拉斯金字塔图像；

图5为不同参数下静脉图像提取的二值图和细化图；

图6为改进前模糊静脉图像提取的细化图；

图7为改进后模糊静脉图像提取的细化图；

图8为本发明提出的图像模糊度检测结果图；

图9为多因子加权融合方法的检测结果图；

图10为正常和模糊比对的非法匹配曲线；

图11为动态参数设置前的合法匹配和非法匹配距离曲线

图12为动态参数设置后的合法匹配和非法匹配距离曲线

图13为本发明改进前后系统识别性能ROC曲线

具体实施方式

下面结合附图对本发明的具体实施例作进一步的说明。

如图1所示，本实施例基于面向模糊指静脉图像的动态识别算法，包括以下步骤：

S1、采集红外指静脉图像，对500*200的原图如图2所示，使用双线性插值法将原图归一化为480*192，依据公式(1)、(2)构造高斯金字塔模型和如图3、4所示的拉普拉斯金字塔模型。公式(1)中高斯滤波器模板大小为n＝5，滤波系数σ＝5，选取第3组尺寸组作为模糊程度指标判断依据。

S2、根据S1构造出的拉普拉斯金字塔模型如图3、4所示，根据公式(3)计算得到每一尺度层的高频质量分数。再通过加权的方法，得到该指静脉图像模糊度指标M即公式(4)。式(3)中r＝120，c＝48，G＝3。式(4)中μ₁＝0.1，μ₂＝0.2，μ₃＝0.3，μ₄＝0.4。

S3、将采集到的指静脉原图像即图2进行NiBlack分割，即公式(5)、(6)、(7)，相同参数下分割后得到相应的二值图和细化图，如图5所示。公式(5)、(7)中ρ＝17，λ＝0.25。

S4、根据S2中得到的图像模糊度指标M来判断该图像是否为模糊图像，此时M的阈值为10。当获取的图像为模糊图像时，参数设置为ρ＝33，λ＝0.15；清晰图像时，参数设置为ρ＝17，λ＝0.25，分别得到图6、7。

S5、对输入图像进行模糊度判决，若为模糊图像，则定义此次比对为模糊比对；若为清晰图像，则定义为正常比对。由于伪静脉和噪声存在，模糊图像的非法匹配距离比正常情况小，模糊比对和正常比对的非法匹配曲线如图10所示。设置了动态的NiBlack计算参数前后的合法匹配和非法匹配距离曲线分别如图11和图12所示。

S6、将将模糊识别和正常识别的阈值进行区别设置，识别阈值根据图像样本的非法匹配数据进行取值。将模糊比对的阈值1设为1.34，清晰比对的阈值2设为1.45，即阈值T₁＝1.45和T₂＝1.34，此阈值下误识率为1/10000。根据公式(8)、(9)计算得到的匹配阈值来判断两幅指静脉图像是否来源于同一根手指。

以下为本发明的方法实验仿真结果的硬件环境及与其他的方法的效果作比较：

由自主研发的近红外图像采集设备采集50类图像，每类图像有5幅图，共250幅图像，尺寸大小为480×200。仿真用Matlab R2014a软件编程，电脑配置为：Windows764位操作系统，Intel(R)Core(TM)i5-6500主频3.20GHz，内存4GB。采用用误识率(False AcceptRate，FAR)和拒识率(False Rejection Rate，FRR)形成受试者工作特性(ReceiverOperating Characteristic，ROC)曲线来评价算法性能，曲线越接近坐标轴表明算法的性能越好。

本发明提出的基于图像金字塔模型的模糊度检测方法与传统多因子加权融合方法进行对比。结果如图8、图9所示。通过对比可以发现图8中，圆圈代表正常图像，三角形代表模糊图像，图8中，两者分界区别明显，没有互相叠加，图9中有部分混叠。相比于传统多因子加权融合方法，本发明对于模糊清晰混合图像的模糊度检测，有着更好的区分度。

图13是本发明改进前后系统识别性能ROC曲线，可以看出：改进后的整体曲线在改进前曲线的下方，性能有明显提升。当FAR＝0％时，FFR从22.00％下降至13.97％，即0误识率下，识别率从78.00％提升至86.03％，验证了算法的有效性。

上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出得各种变化，也应视为本发明的保护范围。

Claims (7)

1.一种面向模糊指静脉图像的动态识别方法，其特征在于包括如下步骤：

步骤1、采集红外手指静脉图像，通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型；

步骤2、在构建高斯金字塔模型时，引入拉普拉斯金字塔模型；该拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；

步骤3、提出一种加权的模糊度检测函数，计算得到的图像模糊度指标；

步骤3具体实现如下：

提出一种加权的模糊度检测函数，如公式(3)、(4)所示，其中G为所选尺寸组，S_n为各层尺度层的高频质量分数，M为指静脉图像模糊度指标，μ₁,μ₂,μ₃,μ₄为权重系数，r和c为所选尺寸组的尺寸大小，为固定值；

M＝μ₁S₁+μ₂S₂+μ₃S₃+μ₄S₄ (4)

步骤4、对采集的手指静脉图像提取稳定的二值图特征；对于不同模糊程度的手指静脉图像，采用动态的分割参数获取静脉特征细线图，并将静脉特征细线图分成两个点集X和Y；

步骤5、使用基于细线的修正豪斯多夫距离距离作为识别方法，计算点集X和Y相似度统计量；

步骤6、取相似度统计量中最大值H(X,Y)作为2个点集间的细线距离顺序统计量；

步骤7、根据步骤3中计算得到的图像模糊度指标，判断是否识别成功。

2.根据权利要求1所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤1具体实现如下：

高斯金字塔模型的图像集合用Gau(G,L)来表示，其中G代表尺寸组，L代表尺度层；使用双线性插值法将原图尺寸大小归一化为P×Q,并置于第一尺寸组，第一尺度层为Gau(1,1)；同一尺寸下，尺度层由一系列经过不同参数高斯滤波后的图像组成，如公式(1)所示，式中，w为高斯滤波函数，σ为滤波系数，n为滤波函数的窗口大小，k′为尺寸组序号，k为尺度层序号；

Gau(k′,k+1)＝Gau(k′,k)*w[n²,(k-1)σ] (1)。

3.根据权利要求2所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤2具体实现如下：

拉普拉斯金字塔模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到；用Lap(G,L)表示拉普拉斯金字塔图像：

Lap(G,L)＝Gau(G,L)-Gau(G,L+1) (2)。

4.根据权利要求3所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤4具体实现如下：

先对原图进行图像归一化操作，然后采用NiBlack分割静脉；根据M的大小，若M小于模糊度指标阈值，则判断为模糊图像，反之则为正常图像；根据图像的模糊程度采用动态参数的NiBlack方法，相关计算公式如公式(5)、公式(6)、公式(7)所示：

式(5)中，ρ为窗口大小，f(i,j)为手指静脉图像中坐标点(i,j)的灰度值，ave(i,j)为其邻域的灰度平均值；式(6)中，var(i,j)为其邻域的灰度方差；

式(7)中，T(i,j)为坐标点(i,j)的动态分割阈值，λ为修正系数；

T(i,j)＝ave(i,j)+λ×var(i,j) (7)

对于不同模糊程度的手指静脉图像，采用动态的分割参数，调整参数ρ和λ，使得特征提取更准确；对分割出的静脉二值化图像进行细化处理，删除多余的毛刺和伪静脉，得到最终的静脉特征细线图。

5.根据权利要求4所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤5具体实现如下：

根据步骤5中得到的静脉特征细线图构成两个点集X和Y，两个点集的相似度统计量计算如下，其中D_m(X,Y)表示点集X到点集Y的有向距离，

和

为点集X中的横纵坐标，m为点集X中的个数：

6.根据权利要求5所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤6具体实现如下：

取D_m(X,Y)和D_n(Y,X)中的最大值H(X,Y)作为2个点集间的细线距离顺序统计量:

H(X,Y)＝max(D_m(X,Y),D_n(Y,X)) (9)。

7.根据权利要求6所述的一种面向模糊指静脉图像的动态识别方法，其特征在于步骤7具体实现如下：

根据步骤3中计算得到的图像模糊度指标，判断识别模式是正常识别还是模糊识别，分别采用设定正常识别阈值T₁和模糊识别阈值T₂进行识别；若正常识别模式下，式(9)中H(X,Y)小于阈值T₁或模糊识别模式下，H(X,Y)小于阈值T₂，则判断识别成功，两幅红外手指经脉图像来源于同一根手指。

Images