CN111209851A - 一种基于指腹静脉和指背静脉深度融合的指静脉识别方法 - Google Patents

Abstract

本发明涉及一种基于指腹静脉和指背静脉深度融合的指静脉识别方法，其包括以下步骤：1)采集所有注册用户和验证用户的指腹静脉和指背静脉图像；2)对采集的所有图像分别进行静脉图像的融合及静脉特征的融合，并分别提取静脉图像的融合特征和静脉特征的融合特征；3)对静脉图像的融合特征和静脉特征的融合特征进行深度融合；4)基于深度融合的特征建立注册用户模板数据库和验证用户模板；5)基于注册用户模板数据库对验证用户模板进行匹配。采用本发明涉及的指静脉识别方法识别指静脉时，能够有效降低误识率，提高验证通过率，进而保证指静脉识别的安全性。

Description

一种基于指腹静脉和指背静脉深度融合的指静脉识别方法

技术领域

本发明属于手指静脉识别及信息安全技术领域，尤其涉及一种基于指腹静脉和指背静脉深度融合的指静脉识别方法。

背景技术

随着科技的飞速发展，传统的密钥因为携带不方便、记忆困难、容易丢失或者易伪造等原因，逐渐被生物特征密钥而取代。指静脉是人体手指内部的，稳定的，不易伪造的一种生物特征，利用指静脉特征来进行身份识别，具有很大的便利性和较高的安全性。

目前，市面上常见的指静脉识别技术一般利用指腹静脉图像来进行身份识别，其方法如专利号为CN 106096569 B的中国专利公开的一种手指静脉识别方法，包括如下步骤：S1、采集近红外光下的手指图像；S2、对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；S4、用局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；S6、利用K近邻算法计算识别结果。

上述指静脉识别方法对于手指腹部起皮、脏污、划伤等情况下会导致验证通过率低，对部分指腹静脉信息较少的手指而言存在一定的误识概率。

发明内容

本发明的目的是为了解决现有技术中指静脉识别方法对于手指腹部起皮、脏污、划伤等情况下会导致验证通过率低，对部分指腹静脉信息较少的手指而言存在一定的误识概率的问题，提出一种基于指腹静脉和指背静脉深度融合的指静脉识别方法，以降低误识概率，提高验证通过率。

为了达到目的，本发明提供的技术方案为：

一种基于指腹静脉和指背静脉深度融合的指静脉识别方法，包括以下步骤：

1)采集所有注册用户和验证用户的指腹静脉和指背静脉图像；

2)对采集的所有图像分别进行静脉图像的融合及静脉特征的融合，并分别提取静脉图像的融合特征和静脉特征的融合特征；

3)对静脉图像的融合特征和静脉特征的融合特征进行深度融合；

4)基于深度融合的特征建立注册用户模板数据库和验证用户模板；

5)基于注册用户模板数据库对验证用户模板进行匹配。

优选地，所述步骤2)中，静脉图像的融合是指对指腹静脉和指背静脉图像进行加权融合，融合方式为：

式中：ImgA为指腹静脉图像，ImgB为指背静脉图像，ImgAB为指腹静脉图像和指背静脉图像的融合图像，a为指腹静脉图像中的静脉信息的融合权重系数，b为指腹静脉图像中的背景信息的融合权重系数，c为指背静脉图像中的静脉信息的融合权重系数，d为指背静脉图像中的背景信息的融合权重系数，e为融合图像的灰度偏移校准参数，Fa1为指腹静脉图像的卷积算子1，Fa2为指腹静脉图像的卷积算子2，Fa3为指腹静脉图像的卷积算子3，Fb1为指背静脉图像的卷积算子1，Fb2为指背静脉图像的卷积算子2，Fb3为指背静脉图像的卷积算子3。

优选地，所述步骤2)中，静脉特征的融合是指对指腹静脉特征和指背静脉特征进行加权融合，融合方式为：

FeatureAB＝f*FeatureA ∪g*FeatureB (2)

式中，FeatureA为由指腹静脉图像所提取的静脉特征，FeatureB为由指背静脉图像所提取的静脉特征，FeatureAB为由指腹静脉图像所提取的静脉特征和由指背静脉图像所提取的静脉特征所融合得到的静脉特征，f为指腹静脉图像的静脉特征的融合权重系数，g为指背静脉图像的静脉特征的融合权重系数。

优选地，所述步骤3)中，静脉图像层的融合特征和静脉特征层的融合的方式为：

Template＝h1*FeatureAB ∪h2*FeatureImgAB (3)

式中，Template为指腹静脉和指背静脉深度融合后的特征模板数据，FeatureAB为静脉特征层面的融合特征，FeatureImgAB为静脉图像层面的融合特征，h1为静脉特征层面的融合特征的融合权重系数，h2为静脉图像层面的融合特征的融合权重系数。

优选地，所述的静脉特征是从指腹静脉图像和指背静脉图中提取的二值图特征和特征序列seq。

优选地，所述的二值图特征和特征序列seq的提取方法包括：

2.1)对静脉图像进行去噪处理，得到去噪后的灰度图像；

2.2)提取ROI感兴趣区域，并对感兴趣区域的图像进行归一化处理；

2.3)将归一化后的感兴趣区域图像进行图像增强处理；

2.4)提取增强后的灰度图像的梯度特征图；

2.5)根据自适应阈值，分割梯度特征图得到二值图；

2.6)计算二值图的角点，获取角点数量和位置信息，映射角点到对应原灰度图的像素区域，进行LBP编码，得到特征序列seq。

优选地，所述步骤2.3)中图像增强处理采用的是同态滤波方法，同态滤波的计算方法包括公式(4)～公式(7)：

I(x，y)＝z(x，y)*r(x，y) (4)，

F{ln(I(x，y))}＝F{ln(z(x，y))}+F{ln(r(x,y))} (5)，

N(u,v)＝H(u,v)*M(u,v) (6)，

n(x,y)＝F^-1{N(x,y)} (7)，

式中，z为图像的照射分量，r为反射分量，I为采集到的原始图像，F为傅里叶变换，H为高通滤波函数，N为高频滤波后的频域图像，n为同态滤波后的时域图像，(u,v)是频域的正余弦的频率，(x,y)是图像中像素的坐标，M为傅里叶变换后的频域对数图像。

优选地，所述步骤5)的具体步骤包括：

5.1)设定模板与验证用户的匹配阈值T；

5.2)分别计算验证用户和所有注册用户间的特征模板数据的汉明距离HMd，并与设定的匹配阈值T进行比较；

5.3)若HMd<T，则认为验证用户与该注册模板用户是同一个用户，否则即视为匹配失败。

采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：

本发明涉及的基于指腹静脉和指背静脉深度融合的指静脉识别方法通过采集指腹静脉和指背静脉图像，然后进行静脉图像融合和静脉特征融合，再对静脉图像的融合特征和静脉特征的融合特征进行深度融合，与传统的非融合的识别方法相比，提高了验证的通过率和降低了误识率，进而提高了安全等级。

附图说明

图1为本发明涉及的基于指腹静脉和指背静脉深度融合的指静脉算法的流程图；

图2为本发明算法中获取验证特征序列seq和二值图像的流程图；

图3为本发明采集到的手指静脉指腹和指背的图像；

图4为本发明同态滤波后的图像；

图5为本发明得到的二值化图像；

图6为本发明得到的角点信息图；

图7为本发明得到角点位置像素的LBP编码和特征序列。

具体实施方式

为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

结合附图1所示，本发明涉及的一种基于指腹静脉和指背静脉深度融合的指静脉识别方法包括以下步骤：

1)采集所有注册用户和验证用户的指腹静脉和指背静脉图像，采集到的指腹静脉和指背静脉图像如附图3所示，图像大小均为：640像素*480像素。

2)对采集的所有图像分别进行静脉图像的融合及静脉特征的融合，并分别提取静脉图像的融合特征和静脉特征的融合特征，

静脉图像的融合是指对指腹静脉和指背静脉图像进行加权融合，融合方式为：

式中：

ImgA为指腹静脉图像；

ImgB为指背静脉图像；

ImgAB为指腹静脉图像和指背静脉图像的融合图像；

a为指腹静脉图像中的静脉信息的融合权重系数，本实施例中取0.5；

b为指腹静脉图像中的背景信息的融合权重系数，本实施例中取0.1；

c为指背静脉图像中的静脉信息的融合权重系数，本实施例中取0.5；

d为指背静脉图像中的背景信息的融合权重系数，本实施例中取0.1；

e为融合图像的灰度偏移校准参数，本实施例中取0；

Fa1为指腹静脉图像的卷积算子1，为

Fa2为指腹静脉图像的卷积算子2，为

Fa3为指腹静脉图像的卷积算子3，为

Fb1为指背静脉图像的卷积算子1，为

Fb2为指背静脉图像的卷积算子2，为

Fb3为指背静脉图像的卷积算子3，为

静脉特征的融合是指对指腹静脉特征和指背静脉特征进行加权融合，融合方式为：

FeatureAB＝f*FeatureA∪g*FeatureB (2)

式中，

FeatureA为由指腹静脉图像所提取的静脉特征；

FeatureB为由指背静脉图像所提取的静脉特征；

FeatureAB为由指腹静脉图像所提取的静脉特征和由指背静脉图像所提取的静脉特征所融合得到的静脉特征；

f为指腹静脉图像的静脉特征的融合权重系数，本实施例中取0.6；

g为指背静脉图像的静脉特征的融合权重系数，本实施例中取0.4；

上述静脉特征是从指腹静脉图像和指背静脉图中提取的二值图特征和特征序列seq，二值图特征和特征序列seq的提取方法如附图2所示，包括以下步骤：

2.1)将指腹静脉图像和指背静脉图像进行尺寸缩放，尺寸缩放采用双线性插值算法，将静脉图像缩放至130*100像素，将缩放至130*100像素大小的静脉图像进行去噪处理，去噪处理用的是均值滤波，得到去噪后的灰度图像；

2.2)提取ROI感兴趣区域，并对感兴趣区域的图像进行归一化处理；

2.3)将归一化后的感兴趣区域图像进行图像增强处理，图像增强处理采用的是同态滤波方法，可以增加对比度和标准化亮度，使图像暗处细节增强，同态滤波的计算方法包括公式(4)～公式(7)：

I(x,y)＝z(x,y)*r(x,y) (4)，

F{ln(I(x,y))}＝F{ln(z(x,y))}+F{ln(r(x,y))} (5)，

N(u,v)＝H(u,v)*M(u,v) (6)，

n(x,y)＝F^-1{N(x,y)} (7)，

式中，z为图像的照射分量，r为反射分量，I为采集到的原始图像，F为傅里叶变换，H为高通滤波函数，N为高频滤波后的频域图像，n为同态滤波后的时域图像，(u,v)是频域的正余弦的频率，(x,y)是图像中像素的坐标，M为傅里叶变换后的频域对数图像；同态滤波后的图像如图4所示；

2.4)提取增强后的灰度图像的梯度特征图；

2.5)根据自适应阈值，分割梯度特征图得到二值图，二值图如图5所示；

2.6)计算二值图的角点，获取角点数量和位置信息，映射角点到对应原灰度图的像素区域，进行LBP编码，得到特征序列seq，如图6和7所示。

3)对静脉图像的融合特征和静脉特征的融合特征进行深度融合，静脉图像层的融合特征和静脉特征层的融合的方式为：

Template＝h1*FeatureAB ∪h2*FeatureImgAB (3)

式中，

Template为指腹静脉和指背静脉深度融合后的特征模板数据；

FeatureAB为静脉特征层面的融合特征；

FeatureImgAB为静脉图像层面的融合特征；

h1为静脉特征层面的融合特征的融合权重系数，本实施例中取0.5；

h2为静脉图像层面的融合特征的融合权重系数，本实施例中取0.5。

4)基于深度融合的特征建立注册用户模板数据库和验证用户模板；

5)基于注册用户模板数据库对验证用户模板进行匹配，具体步骤为：

5.1)设定模板与验证用户的匹配阈值T，本实施例中匹配阈值T为0.63；

5.2)分别计算验证用户和所有注册用户间的特征模板数据的汉明距离HMd，并与设定的匹配阈值T进行比较；

5.3)若HMd<T，则认为验证用户与该注册模板用户是同一个用户，否则即视为匹配失败。

本实施例先采集5000指静脉图像数据，每指采集50幅指腹指静脉图像和50幅指背指静脉，单独采用指背静脉的0误识验证通过率为92.36％，单独采用指腹静脉的0误识验证通过率为97.92％，采用本发明所述的指腹静脉和指背静脉的融合算法的0误识验证通过率为99.82％，由此可见，在误识率均为0的前提下，采用本发明涉及的方案，有助于提高0误识验证通过率。

单独采用指背静脉的通过率为99.90％时，对应的误识率为百万分之一；单独采用指腹静脉的通过率为99.90％时，对应的误识率为千万分之一；采用本发明所述的指腹静脉和指背静脉的通过率为99.90％时，对应的误识率为十亿分之一，由此可见，在通过率相同的前提下，采用本发明涉及的技术方案误识率更低。

由该实施例的结果可看出，在误识率为0时，采用本发明所述的指腹静脉和指背静脉的融合算法比非融合算法提高验证通过率2％-7％之间；在通过率达到99.90％时，采用本发明所述的指腹静脉和指背静脉的融合算法可以将误识率从百万分之一等级降低到了十亿分之一等级，从以上数据可以直观的看出本发明所述的指腹静脉和指背静脉的识别方法的优越性。

以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (8)

1.一种基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：其包括以下步骤：

1)采集所有注册用户和验证用户的指腹静脉和指背静脉图像；

2)对采集的所有图像分别进行静脉图像的融合及静脉特征的融合，并分别提取静脉图像的融合特征和静脉特征的融合特征；

3)对静脉图像的融合特征和静脉特征的融合特征进行深度融合；

4)基于深度融合的特征建立注册用户模板数据库和验证用户模板；

5)基于注册用户模板数据库对验证用户模板进行匹配。

2.根据权利要求1所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述步骤2)中，静脉图像的融合是指对指腹静脉和指背静脉图像进行加权融合，融合方式为：

式中：ImgA为指腹静脉图像，ImgB为指背静脉图像，ImgAB为指腹静脉图像和指背静脉图像的融合图像，a为指腹静脉图像中的静脉信息的融合权重系数，b为指腹静脉图像中的背景信息的融合权重系数，c为指背静脉图像中的静脉信息的融合权重系数，d为指背静脉图像中的背景信息的融合权重系数，e为融合图像的灰度偏移校准参数，Fa1为指腹静脉图像的卷积算子1，Fa2为指腹静脉图像的卷积算子2，Fa3为指腹静脉图像的卷积算子3，Fb1为指背静脉图像的卷积算子1，Fb2为指背静脉图像的卷积算子2，Fb3为指背静脉图像的卷积算子3。

3.根据权利要求1所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述步骤2)中，静脉特征的融合是指对指腹静脉特征和指背静脉特征进行加权融合，融合方式为：

FeatureAB＝f*FeatureA∪g*FeatureB (2)

式中，FeatureA为由指腹静脉图像所提取的静脉特征，FeatureB为由指背静脉图像所提取的静脉特征，FeatureAB为由指腹静脉图像所提取的静脉特征和由指背静脉图像所提取的静脉特征所融合得到的静脉特征，f为指腹静脉图像的静脉特征的融合权重系数，g为指背静脉图像的静脉特征的融合权重系数。

4.根据权利要求1所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述步骤3)中，静脉图像层的融合特征和静脉特征层的融合的方式为：

Template＝h1*FeatureAB∪h2*FeatureImgAB (3)

式中，Template为指腹静脉和指背静脉深度融合后的特征模板数据，FeatureAB为静脉特征层面的融合特征，FeatureImgAB为静脉图像层面的融合特征，h1为静脉特征层面的融合特征的融合权重系数，h2为静脉图像层面的融合特征的融合权重系数。

5.根据权利要求1或3所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述的静脉特征是从指腹静脉图像和指背静脉图中提取的二值图特征和特征序列seq。

6.根据权利要求5所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述的二值图特征和特征序列seq的提取方法包括：

2.1)对静脉图像进行去噪处理，得到去噪后的灰度图像；

2.2)提取ROI感兴趣区域，并对感兴趣区域的图像进行归一化处理；

2.3)将归一化后的感兴趣区域图像进行图像增强处理；

2.4)提取增强后的灰度图像的梯度特征图；

2.5)根据自适应阈值，分割梯度特征图得到二值图；

2.6)计算二值图的角点，获取角点数量和位置信息，映射角点到对应原灰度图的像素区域，进行LBP编码，得到特征序列seq。

7.根据权利要求6所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述步骤2.3)中图像增强处理采用的是同态滤波方法，同态滤波的计算方法包括公式(4)～公式(7)：

I(x，y)＝z(x,y)*r(x,y) (4)，

F{ln(I(x，y))}＝F{ln(z(x，y))}+F{ln(r(x，y))} (5)，

N(u,v)＝H(u,v)*M(u,v) (6)，

n(x，y)＝F^-1{N(x，y)} (7)，

式中，z为图像的照射分量，r为反射分量，I为采集到的原始图像，F为傅里叶变换，H为高通滤波函数，N为高频滤波后的频域图像，n为同态滤波后的时域图像，(u,v)是频域的正余弦的频率，(x,y)是图像中像素的坐标，M为傅里叶变换后的频域对数图像。

8.根据权利要求1所述的基于指腹静脉和指背静脉深度融合的指静脉识别方法，其特征在于：所述步骤5)的具体步骤包括：

5.1)设定模板与验证用户的匹配阈值T；

5.2)分别计算验证用户和所有注册用户间的特征模板数据的汉明距离HMd，并与设定的匹配阈值T进行比较；

5.3)若HMd<T，则认为验证用户与该注册模板用户是同一个用户，否则即视为匹配失败。

Images