CN110598640B - 一种基于迁移学习手背静脉识别方法 - Google Patents

Abstract

本发明公开一种基于迁移学习手背静脉识别方法，包括以下步骤：建立静脉特征数据库；获取手背静脉的图像；将图像划分成若干子图像，并对子图像尺寸进行归一化处理；灰度值归一化处理；筛选各子图像中的像素点；根据像素点构成静脉纹路，提取静脉纹路中的端点、交叉点，去除端点与交叉点间的毛刺；判断各特征点所在的位置；将提取的各特征点以及各特征点对应的位置与静脉特征数据库中存储各人员的特征点以及特征点对应的位置进行逐一对比；统计采集静脉图像中的特征与存储的人员的特征间的相似度系数。本发明提供的基于迁移学习手背静脉识别方法，可识别人员的身份，大大提高了安全性和保密性，具有识别准确性高的特点。

Description

一种基于迁移学习手背静脉识别方法

技术领域

本发明属于静脉识别技术领域，涉及到一种基于迁移学习手背静脉识别方法。

背景技术

随着信息技术飞速发展、人类社会不断进步，对信息技术提出了更新、更高的要求。网络信息化时代对人的身份进行识别的需求应用越来越多，更要求身份的数字化和隐性化，如何准确鉴定一个人的身份，保护信息安全，是信息化时代必须解决的一个关键性问题。

传统的身份认证所采用的方法主要有两种：一种是基于身份标示物(如钥匙、证件、卡等)的身份认证，另一种是基于身份标示知识(如密码、卡号、用户名等)的身份认证。但两者都存在着各自难以克服的缺陷：标示物容易丢失或被伪造，标示知识容易遗忘或被记错；更为严重的是，这些传统的身份识别方法往往无法区分标示物的真正拥有者和取得标示物的冒充者，一旦他人获得这些标示物，就可以拥有相同的权利，极易造成人员的财产安全和生命安全问题，为了最大化的对人员进行安全保密，现设计一种基于迁移学习手背静脉识别方法。

发明内容

本发明的目的在于提供的基于迁移学习手背静脉识别方法，通过采集手背静脉图像，并对静脉图像进行特征点以及特征点位置的提取，将提取的静脉特征点以及特征点的位置与数据库中存储的特征点以及特征点的位置进行对比，以获得人员身份的识别，解决了现有人员身份识别的过程中存在的安全性差、保密性和准确性差的问题。

本发明的目的可以通过以下技术方案实现：

一种基于迁移学习手背静脉识别方法，包括以下步骤：

S1、建立静脉特征数据库，获取各人员的静脉图像信息，对各静脉图像按照人员身份进行分类汇总，构成静脉图像数据集合，提取每个静脉图像中的静脉特征点以及静脉特征点的位置，并将每个静脉图像中的特征点以及特征点的位置构建每组静脉特征数据库，每组静脉特征数据库中的静脉特征与每个人员身份相一一对应；

S2、采用红外线CCD摄像头获取手背静脉的图像信息，并将获取的手背静脉图像与预设的图像清晰度进行对比，若小于预设的图像清晰度，则重新拍摄手背静脉的图像，直至拍摄的手背静脉图像的清晰度大于预设的图像清晰度；

S3、提取清晰度大于预设的图像清晰度的手背静脉图像，对手背静脉图像进行划分，划分成NxN个尺寸相同的子图像，对各子图像的长宽尺寸进行判断，并将各子图像的长宽尺寸与预设的标准子图像的长宽尺寸进行对比，调节子图像的长宽尺寸直至长宽尺寸与预设的标准子图像的长宽尺寸相同；

S4、提取经步骤S3处理后的子图像，获取各子图像中的灰度值，并采用冒泡法提取各子图像中最大灰度值和最小灰度值，对各子图像的灰度值进行归一化处理，得到经归一化处理的各子图像；

S5、提取经灰度归一化处理后的各子图像中静脉，随机获取各子图像中M个像素点，以其中任意像素点为中心，计算该像素点与该像素点相邻近的像素点灰度值的均值和标准差，若均值和标准差均小于设定的静脉图像对应的标准均值阈值和标准差，则删除该像素点，逐个统计下一像素点；

S6、将步骤S5中的像素点进行连线构成静脉纹路，提取静脉纹路中的端点、交叉点，去除端点与交叉点间的毛刺，得到平滑的静脉纹路曲线，提高静脉的平滑性；

S7、对静脉纹路曲线中端点和交叉点按照从下到上的顺序，依次对端点和交叉点进行排序，分别为k1,k2，...,kv，...,kw，提取静脉纹路中的特征点，判断各特征点所在的位置；

S8、将提取的各特征点以及各特征点对应的位置与静脉特征数据库中存储各人员的特征点以及特征点对应的位置进行逐一对比，得到特征点对比集合T′(t′1,t′2，...,t′y，...,t′p)以及特征点位置对比集合Q(q′1,q′2，...,q′y，...,q′p)，t′y表示为第y个特征点与静脉特征数据库中某一人员的第y个特征点间的对比值，若第y个特征点相同，则取t′y等于1，反之，t′y等于0，q′y表示为第y个特征点的位置与静脉特征数据库中某一人员的第y个特征点的位置间的对比值，若第y个特征点的位置相同，则取q′y等于1，反之，则q′y等于0；

S9、根据特征点对比集合和特征点位置对比集合，统计采集静脉图像中的特征与存储的人员的特征间的相似度系数，筛选出相似度系数最大，并将相似度系数与设定的相似度阈值进行对比，若大于相似度阈值，则提取该静脉特征图像对应的人员身份。

进一步地，所述步骤S3中当各子图像的长宽尺寸小于预设的标准子图像的长宽尺寸，则将子图像的长宽尺寸进行扩大，直至与预设的标准子图像的长宽尺寸相同，当各子图像的长宽尺寸大于预设的标准子图像的长宽尺寸，则将子图像的长宽尺寸进行缩小，直至与预设的标准子图像的长宽尺寸相同。

进一步地，所述步骤S4中灰度归一化处理的公式为：

F(i,j)表示为第i行第j列子图像的归一化灰度值，H(i,j)表示为第i行第j列子图像的实际灰度值，max表示为各子图像中灰度值最大的子图像的灰度值，min表示为各子图像中灰度值最小的子图像的灰度值。

进一步地，所述步骤S7中当特征点位于端点或交叉点上，则该特征点的位置为该端点或交叉点的编号，当特征点位于端点与交叉点之间或两交叉点之间，则该特征点所在的位置为所在端点与交叉点或两交叉点的编号。

进一步地，所述步骤S9中相似度系数的计算公式为

R表示为权重系数，取0.58，t′y表示为第y个特征点与静脉特征数据库中某一人员的第y个特征点间的对比值，q′y表示为第y个特征点的位置与静脉特征数据库中某一人员的第y个特征点的位置间的对比值。

本发明的有益效果：

本发明提供的基于迁移学习手背静脉识别方法，通过对人员的静脉特征图像建立数据库，并将采集的人员静脉图像进行处理，获取静脉特征点以及静脉特征点的位置，并将获得静脉特征点以及静脉特征点的位置分别与数据库中的特征点以及特征点的位置进行一一对比，得到相似度系数，将筛选的最大相似度系数与设定的相似度阈值进行对比，以确定人员的身份，大大提高了安全性和保密性，具有识别准确性高的特点。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种基于迁移学习手背静脉识别方法，包括以下步骤：

S1、建立静脉特征数据库，获取各人员的静脉图像信息，对各静脉图像按照人员身份进行分类汇总，构成静脉图像数据集合，提取每个静脉图像中的静脉特征点以及静脉特征点的位置，并将每个静脉图像中的特征点以及特征点的位置构建每组静脉特征数据库，每组静脉特征数据库中的静脉特征与每个人员身份相一一对应；

S2、采用红外线CCD摄像头获取手背静脉的图像信息，并将获取的手背静脉图像与预设的图像清晰度进行对比，若小于预设的图像清晰度，则重新拍摄手背静脉的图像，直至拍摄的手背静脉图像的清晰度大于预设的图像清晰度；

S3、提取清晰度大于预设的图像清晰度的手背静脉图像，对手背静脉图像进行划分，划分成NxN个尺寸相同的子图像，对各子图像的长宽尺寸进行判断，并将各子图像的长宽尺寸与预设的标准子图像的长宽尺寸进行对比，调节子图像的长宽尺寸直至长宽尺寸与预设的标准子图像的长宽尺寸相同，若各子图像的长宽尺寸小于预设的标准子图像的长宽尺寸，则将子图像的长宽尺寸进行扩大，直至与预设的标准子图像的长宽尺寸相同，若各子图像的长宽尺寸大于预设的标准子图像的长宽尺寸，则将子图像的长宽尺寸进行缩小，直至与预设的标准子图像的长宽尺寸相同；

S4、提取经步骤S3处理后的子图像，获取各子图像中的灰度值，并采用冒泡法提取各子图像中最大灰度值和最小灰度值，对各子图像的灰度值进行归一化处理，得到经归一化处理的各子图像，所述灰度归一化处理的公式为：

F(i,j)表示为第i行第j列子图像的归一化灰度值，H(i,j)表示为第i行第j列子图像的实际灰度值，max表示为各子图像中灰度值最大的子图像的灰度值，min表示为各子图像中灰度值最小的子图像的灰度值。

S5、提取经灰度归一化处理后的各子图像中静脉，随机获取各子图像中M个像素点，以其中任意像素点为中心，计算该像素点与该像素点相邻近的像素点灰度值的均值和标准差，若均值和标准差均小于设定的静脉图像对应的标准均值阈值和标准差，则删除该像素点，逐个统计下一像素点；

S6、将步骤S5中的像素点进行连线构成静脉纹路，提取静脉纹路中的端点、交叉点，去除端点与交叉点间的毛刺，得到平滑的静脉纹路曲线，提高静脉的平滑性；

S7、对静脉纹路曲线中端点和交叉点按照从下到上的顺序，依次对端点和交叉点进行排序，分别为k1,k2，...,kv，...,kw，提取静脉纹路中的特征点，判断各特征点所在的位置，若特征点位于端点或交叉点上，则该特征点的位置为该端点或交叉点的编号，若特征点位于端点与交叉点之间或两交叉点之间，则该特征点所在的位置为所在端点与交叉点或两交叉点的编号，例如Qy_V(V+1)，表示为第y个特征点的位置在编号为第v个交叉点与编号为第v+1个交叉点的位置之间。

S8、将提取的各特征点以及各特征点对应的位置与静脉特征数据库中存储各人员的特征点以及特征点对应的位置进行逐一对比，得到特征点对比集合T′(t′1,t′2，...,t′y，...,t′p)以及特征点位置对比集合Q(q′1,q′2，...,q′y，...,q′p)，t′y表示为第y个特征点与静脉特征数据库中某一人员的第y个特征点间的对比值，若第y个特征点相同，则取t′y等于1，反之，t′y等于0，q′y表示为第y个特征点的位置与静脉特征数据库中某一人员的第y个特征点的位置间的对比值，若第y个特征点的位置相同，则取q′y等于1，反之，则q′y等于0。

S9、根据特征点对比集合和特征点位置对比集合，统计采集静脉图像中的特征与存储的人员的特征间的相似度系数，所述相似度系数的计算公式为

R表示为权重系数，取0.58，筛选出相似度系数最大，并将相似度系数与设定的相似度阈值进行对比，若大于相似度阈值，则提取该静脉特征图像对应的人员身份。

以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (1)

1.一种基于迁移学习手背静脉识别方法，其特征在于，包括以下步骤：

S1、建立静脉特征数据库，获取各人员的静脉图像信息，对各静脉图像按照人员身份进行分类汇总，构成静脉图像数据集合，提取每个静脉图像中的静脉特征点以及静脉特征点的位置，并将每个静脉图像中的特征点以及特征点的位置构建每组静脉特征数据库，每组静脉特征数据库中的静脉特征与每个人员身份一一对应；

S2、采用红外线CCD摄像头获取手背静脉的图像信息，并将获取的手背静脉图像与预设的图像清晰度进行对比，若小于预设的图像清晰度，则重新拍摄手背静脉的图像，直至拍摄的手背静脉图像的清晰度大于预设的图像清晰度；

S3、提取清晰度大于预设的图像清晰度的手背静脉图像，对手背静脉图像进行划分，划分成NxN个尺寸相同的子图像，对各子图像的长宽尺寸进行判断，并将各子图像的长宽尺寸与预设的标准子图像的长宽尺寸进行对比，调节子图像的长宽尺寸直至长宽尺寸与预设的标准子图像的长宽尺寸相同；

S4、提取经步骤S3处理后的子图像，获取各子图像中的灰度值，并采用冒泡法提取各子图像中最大灰度值和最小灰度值，对各子图像的灰度值进行归一化处理，得到经归一化处理的各子图像；

S5、提取经灰度归一化处理后的各子图像中静脉，随机获取各子图像中M个像素点，以其中任意像素点为中心，计算该像素点与该像素点相邻近的像素点灰度值的均值和标准差，若均值和标准差均小于设定的静脉图像对应的标准均值阈值和标准差，则删除该像素点，逐个统计下一像素点；

S6、将步骤S5中的像素点进行连线构成静脉纹路，提取静脉纹路中的端点、交叉点，去除端点与交叉点间的毛刺，得到平滑的静脉纹路曲线，提高静脉的平滑性；

S7、对静脉纹路曲线中端点和交叉点按照从下到上的顺序，依次对端点和交叉点进行排序，分别为k1,k2，...,kv，...,kw，提取静脉纹路中的特征点，判断各特征点所在的位置；

S8、将提取的各特征点以及各特征点对应的位置与静脉特征数据库中存储各人员的特征点以及特征点对应的位置进行逐一对比，得到特征点对比集合T′(t′1,t′2，...,t′y，...,t′p)以及特征点位置对比集合Q(q′1,q′2，...,q′y，...,q′p)，t′y表示为第y个特征点与静脉特征数据库中某一人员的第y个特征点间的对比值，若第y个特征点相同，则取t′y等于1，反之，t′y等于0，q′y表示为第y个特征点的位置与静脉特征数据库中某一人员的第y个特征点的位置间的对比值，若第y个特征点的位置相同，则取q′y等于1，反之，则q′y等于0；

S9、根据特征点对比集合和特征点位置对比集合，统计采集静脉图像中的特征与存储的人员的特征间的相似度系数，筛选出最大相似度系数，并将相似度系数与设定的相似度阈值进行对比，若大于相似度阈值，则提取该静脉图像对应的人员身份；

所述步骤S3中当各子图像的长宽尺寸小于预设的标准子图像的长宽尺寸，则将子图像的长宽尺寸进行扩大，直至与预设的标准子图像的长宽尺寸相同，当各子图像的长宽尺寸大于预设的标准子图像的长宽尺寸，则将子图像的长宽尺寸进行缩小，直至与预设的标准子图像的长宽尺寸相同；

所述步骤S4中灰度归一化处理的公式为：

F(i,j)表示为第i行第j列子图像的归一化灰度值，H(i,j)表示为第i行第j列子图像的实际灰度值，max表示为各子图像中灰度值最大的子图像的灰度值，min表示为各子图像中灰度值最小的子图像的灰度值；

所述步骤S7中当特征点位于端点或交叉点上，则该特征点的位置为该端点或交叉点的编号，当特征点位于端点与交叉点之间或两交叉点之间，则该特征点所在的位置为所在端点与交叉点或两交叉点的编号；

所述步骤S9中相似度系数的计算公式为

R表示为权重系数，取0.58，t′y表示为第y个特征点与静脉特征数据库中某一人员的第y个特征点间的对比值，q′y表示为第y个特征点的位置与静脉特征数据库中某一人员的第y个特征点的位置间的对比值。