CN111310688A - 一种基于多角度成像的手指静脉识别方法 - Google Patents

Abstract

本发明公开了一种基于多角度成像的手指静脉识别方法，包括：对手指进行旋转拍摄得到360度的手指图像；从360度的手指图像中选取待处理指静脉图像，所述待处理指静脉图像包括手指正上方图像及手指正下方图像，还包括相对于手指正上方图像及手指这下方图像正向和反向旋转预设角度的图像；采用滑动窗口法从待处理指静脉图像中提取ROI区域；对ROI区域进行增强得到待识别图像；从待识别图像中提取待识别特征；对特征进行匹配识别。通过对多角度指静脉信息进行有效的特征提取和融合，充分地利用了更多指静脉有用信息，提高了指静脉识别率；并且克服了由于手指轴向旋转造成的指静脉识别率下降问题，有效解决了指静脉轴向旋转问题，具有较强的鲁棒性。

Description

一种基于多角度成像的手指静脉识别方法

技术领域

本发明涉及到图像检测领域，具体涉及一种基于多角度成像的手指静脉识别方法。

背景技术

指静脉识别技术是利用近红外线穿透手指后所得的静脉纹路影像来进行个人识别，是具有高精度、高速度的世界上最尖端的生物识别技术。在各种生物识别技术中，因其是利用外部看不到的生物内部特征进行识别的技术，所以作为具有高防伪性的第二代生物识别技术备受瞩目。目前被广泛应用到公共领域认证设备比如，会员识别一体机，银行ATM机，门禁管理系统，PC登录，代替汽车锁，保险箱管理，复印机管理，电子支付等需要进行个人身份认证的领域。

然而，现有技术中，都采用单一角度拍照，获取指静脉单一角度照片来进行识别。由于手指静脉血管丰富，这种方法会导致指静脉侧边信息容易缺失、边缘成像效果差、损失指静脉边缘处有用信息的问题，进而导致指静脉识别的误匹配概率较高的问题。

因此，如何获取完整的指静脉侧边信息、提高边缘成像效果、避免指静脉边缘处有用信息的损失，进而降低指静脉识别的误匹配概率，成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际需要解决的问题是：如何获取完整的指静脉侧边信息、提高边缘成像效果、避免指静脉边缘处有用信息的损失，进而降低指静脉识别的误匹配概率。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于多角度成像的手指静脉识别方法，包括：

S1、对手指进行旋转拍摄得到360度的手指图像；

S2、基于手指宽度从360度的手指图像中选取待处理指静脉图像，所述待处理指静脉图像包括手指正上方图像及手指正下方图像，还包括相对于手指正上方图像及手指这下方图像正向和反向旋转预设角度的图像；

S3、采用滑动窗口法从待处理指静脉图像中提取ROI区域；

S4、对ROI区域进行增强得到待识别图像；

S5、从待识别图像中提取待识别特征；

S6、对特征进行匹配识别。

优选地，步骤S201包括：

S201、对360度的手指图像进行水平集分割，获取手指区域边缘并将分割出的手指区域作为手指二值化掩模图，手指区域边缘包括手指区域上边缘及手指区域下边缘；

S202、基于手指区域上边缘及手指区域下边缘确定手指中线；

S203、计算出手指中线相对于垂直方向的手指区域边缘的截距，基于截距以及手指倾斜方向截取包含手指的平行四边形，基于所述平行四边形的四个顶点对手指二值化掩模图进行透射变换校正；

S204、统计校正后的手指二值化掩模图中的手指宽度；

S205、应用最小二乘法对宽度进行曲线拟合；

S206、将曲线中的两个波峰对应的手指图像作为手指正上方图像及手指这下方图像。

优选地，步骤S204中，选取手指末端预设区域用固定大小的窗口来统计计算手指宽度的和，并取其均值作为手指宽度。

优选地，步骤S3包括：

S301、计算待处理指静脉图像对应的手指区域边缘的内切线；

S302、基于内切线对待处理指静脉图像进行截取；

S303、对截取的图像进行双线性插值获得归一化后的手指静脉图像；

S304、采用滑动窗口法从归一化后的手指静脉图像中提取ROI区域。

优选地，步骤S4包括：

S401、对ROI区域进行双边滤波；

S402、对双边滤波后的ROI区域进行Hessian矩阵增强；

S403、对Hessian矩阵增强后的血管图像进行模糊增强得到待识别图像。

优选地，步骤S5包括：

S501、将手指正上方图像及其正向和反向旋转预设角度的图像归一化处理到相同尺寸，将手指正下方图像及其正向和反向旋转预设角度的图像归一化处理到相同尺寸；

S502、对归一化处理后的图像进行提取HOG和LBP特征；

S503、按手指上方和手指下方分别将HOG特征并联形成矩阵并进行PCA降维，取第一主成分作为降维后的特征；

S504、将降维后的特征与LBP特征进行串联；

S505、将串联后的特征进行并联，得到待识别特征。

综上所述，本发明与现有技术相比，具有以下技术效果：

(1)解决了现有手指静脉识别方法中采用单一角度拍照，获取指静脉单一角度照片，指静脉侧边信息容易缺失，边缘成像效果差，会损失指静脉边缘处有用信息，增加指静脉识别的误匹配概率等问题。

(2)通过对多角度指静脉信息进行有效的特征提取和融合，充分地利用了更多指静脉有用信息。解决了现有方法单一角度指静脉信息提取不充分问题，手指大范围轴向旋转造成匹配失效失败等问题。提高了指静脉识别率，对手指的轴向旋转，具有较强的鲁棒性。

(3)解决了手指宽度统计问题，上下面手指图像确定问题。

(4)解决了旋转校正造成的黑边问题，获得了更好的校正效果。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明公开的一种基于多角度成像的手指静脉识别方法的一种具体实施方式的流程图；

图2为一张具体的手指图像；

图3为图2经过经过水平集算法处理后的图像；

图4为图2对应的手指区域边缘图像；

图5为图2对应的手指二值化掩模图；

图6为图2对应的手指中线示意图；

图7为图2对应的手指图像通过旋转和通过投射变化进行校正的对比图；

图8为图2对应的手指二值化掩模图通过旋转和通过投射变化进行校正的对比图；

图9为手指宽度计算示意图；

图10为手指宽度曲线示意图；

图11为手指边缘内切线示意图；

图12为删除无效手指边缘后获得的指静脉图；

图13为通过双线性插值获得的归一化后的手指静脉图；

图14为ROI区域图像；

图15为增强过程示意图；

图16为特征提取流程图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，本发明公开了一种基于多角度成像的手指静脉识别方法，包括：

S1、对手指进行旋转拍摄得到360度的手指图像；

本发明中，可利用CMOS摄像头进行采集图像，在正对摄像头位置设置一组红外LED灯条用于发射红外线，采集过程中，通过设备的旋转，实现360图像的采集，具体采集时可每旋转一度拍摄一张图像。具体可以摄像头在右侧水平位置为起始位置，并定义此时拍摄到的照片为0度照片，设备按逆时针方向进行旋转拍摄。

S2、基于手指宽度从360度的手指图像中选取待处理指静脉图像，所述待处理指静脉图像包括手指正上方图像及手指正下方图像，还包括相对于手指正上方图像及手指这下方图像正向和反向旋转预设角度的图像；

在手指上面和下面存在较多指静脉，而下面指静脉信息较上面指静脉信息更多，但侧面0度和180度指静脉信息较少。单一的上面和下面尽管信息较多，但忽视了侧边的一些信息。因为上面和下面左右30度的图像，具有上面和下面指静脉的一些扩展信息。因此，具体可准备选取上面60度90度120度三张和下面240度270度300度作为单个手指的指静脉信息(0度为手指右侧水平位置时)，用于后面的处理识别。

S3、采用滑动窗口法从待处理指静脉图像中提取ROI区域；

S4、对ROI区域进行增强得到待识别图像；

S5、从待识别图像中提取待识别特征；

S6、对特征进行匹配识别。

本发明首先获取指静脉360度图像，并利用手指呈扁的圆柱形的先验信息，基于手指宽度解决了上下面手指图像确定的问题。通过对多角度指静脉信息进行有效的特征提取和融合，充分地利用了更多指静脉有用信息。与现有技术相比，本发明获取了完整的指静脉侧边信息，提高了边缘成像效果，避免了指静脉边缘处有用信息的损失，进而降低了指静脉识别的误匹配概率。

具体实施时，步骤S201包括：

S201、对360度的手指图像进行水平集分割，获取手指区域边缘并将分割出的手指区域作为手指二值化掩模图，手指区域边缘包括手指区域上边缘及手指区域下边缘；

因为实际成像过程中，由于设备误差和手指扰动会出现获得的手指出现图像倾斜的情况。要获得更为精确的手指宽度信息，需要对手指图像进行矫正。

如图2至图5所示，首先是获得手指边缘，针对目前边缘检测算法检测出手指边缘毛糙断点较多。采用水平集分割来获取手指区域边缘，并将分割出的手指区域作为手指二值化掩模用于倾斜校正以及便于统计手指宽度信息。

水平集模型也称几何主动轮廓模型。主动轮廓模型分为参数主动轮廓模型和几何主动轮廓模型，而主动轮廓模型是基于形变模型的分割方法中的最重要的一类形变模型。其在给定初始的曲线或曲面。然后使曲线或曲面在外力的作用下进行演化，直到收敛到感兴趣目标的边缘。由于其采用曲线演化，所以其分割边界具有较好的连续性和平滑性。非常适合于手指静脉边缘的检测。

C-V是一个典型的水平集模型。基于图像能量分布，以能量函数取得最小值来驱动演化曲线向目标边缘靠近，最终分割出目标。C-V摆脱了图像梯度的限制，对连续梯度或者目标边缘模糊的图像有很好的分割能力。

其能量函数构造如下：

F(C,c₁,c₂)＝μL(C)+v·S(C)+λ₁∫_inside(C)|u₀-c₁|²d_xd_y+λ₂∫_outside(C)|u₀-c₂|²d_xd_y

图像u₀(x,y)被闭合轮廓C划分为内部和外部两个同质区域，各区域的平均灰度分别为c₁和c₂。L(C)为轮廓C的长度，S(C)为C所包围区域的面积，μ表示长度系数，取值决定于被检测目标的尺寸大小。V表示面积参数，λ₁和λ₂为内部和外部能量参数。当闭合轮廓C位于同质区域的边界时，能量函数取得极小值。

为了获得边界，根据曲线C构造水平集函数φ，也即{C|φ(x,y)＝0}。Chan和Vese根据欧拉-拉格朗日方法推到出使能量函数极小化的水平集函数φ满足的偏微分方程：

其中，Ω为图像和水平集函数的定义域

是Heaviside(阶跃函数)函数，而

是Dirac(狄拉克)函数。在实际运算中，Heaviside函数和Dirac函数分别选择如下：

式中ε为常数。

由于C-V模型使能量函数极小化的水平集函数φ满足的偏微分方程含曲率项，实现复杂，比较耗时，而且δ_ε(z)函数狭窄的定义范围，限制了算法检测图像边缘的全局性。而张开华等人在论文：(一种改进的C-V主动轮廓模型)中提出的一种改进的C-V主动轮廓模型。其比较省时。

其把水平集演化的主要作用力从-λ₁(u₀-c₁)²+λ₂(u₀-c₂)²改为采用平方差公式表达，令λ₁＝λ₂＝1，得到

于是构造的水平集演化方程变为：

其为常微分方程(ODE)，相比偏微分方程其实现简单、方程右边无差分项、无需满足特定差分规则、不用调节各项之间的平衡参数等。

因此，我们采用张开华等人提出的一种改进的C-V主动轮廓模型(ICV)。

实现步骤如下：

Step1:初始化φ(x,y,t＝0)＝0；

Step2：计算c₁(φ_i,j ⁿ)和c₂(φ_i,j ⁿ)；

Step3：计算

其中τ为迭代步长，令δ_ε(φ)＝1，即可增大轮廓演化力的范围，又避免因δ_ε(φ)的狭窄定义范围限制检测边缘的全局性。

Step4：迭代Step2-Step3，直至满足迭代次数，退出迭代循环。

S202、基于手指区域上边缘及手指区域下边缘确定手指中线；

如图6所示，由于采用改进水平集(ICV)算法检测出的手指边缘分为上边缘和下边缘，结合上边缘和下边缘坐标计算其中点坐标，再对计算出的中点坐标采用最小二乘法进行拟合，拟合出一条直线。

S203、计算出手指中线相对于垂直方向的手指区域边缘的截距，基于截距以及手指倾斜方向截取包含手指的平行四边形，基于所述平行四边形的四个顶点对手指二值化掩模图进行透射变换校正；

根据拟合出的中线可以得到中线的斜率、截距与水平线的夹角从而得出手指相对于水平位置的偏转角度。现有的指静脉手指旋转校正方法大多直接根据旋转角度对图片进行旋转得到旋转校正过后的指静脉手指。但是，这种方法存在一定问题。即旋转校正之后的手指图像侧边会出现一定程度的黑边。这种黑边影响后面的处理。为了解决这个问题，将透射变换引入到手指校正中来，透射变换能够较好的保留侧边信息，并较好的校正手指倾斜。具有更好的校正效果，便于后面处理。

透射变换(PerspectiveTransformation)是将图片投影到一个新的视平面。

其通用的变换公式为：

表示从[u,v,w]到[x′,y′,w′]进行变换，其中w默认为1。

为变换矩阵，变换矩阵可以拆成4个部分，其中

表示线性变换，[a₃₁ a₃₂]用于平移，[a₁₃ a₂₃]^T产生透视变换。u，v表示原始图片坐标。

对应变换后的坐标x,y为

所以，如果知道变换对应的几个点就可以求取变换矩阵参数。从而对图片进行变换。

对于已知组成四边形的4组点(变换前和变换后)的对应位置，如(0,0)→(x₀,y₀),(1,0)→(x₁,y₁),(1,1)→(x₂,y₂),(0,1)→(x₃,y₃)将这四组点代入变换矩阵得到：

定义变量：

把计算化简可得：

从而求得变换矩阵。

用求得的变换矩阵对图片其他像素坐标进行计算，求出其他像素对应的转换坐标。对于转换之后像素坐标间间隔大的情况，采用最近邻插值进行弥补间隔处的像素值。

对于指静脉手指进行透射变换的原图4个点的选取。我们根据拟合出的手指中线，计算出中线相对于垂直方向的截距，根据截距以及静脉手指倾斜方向从原图截取包含指静脉手指的平行四边形。四边形的四个顶点即为要选择进行透射变换的原4个顶点。而变换后的4个顶点即选为截取平行四边形之前的包含静脉手指的原图像的四个顶点。如图7及图8所示，实验证明，经过透射变换对静脉手指进行校正，比直接根据切斜角度进行手指旋转，具有更好的校正效果，一定程度上纠正了了一些畸变，且校正后的静脉手指图像侧边没有黑边。更好的便于后面手指宽度统计以及处理。

S204、统计校正后的手指二值化掩模图中的手指宽度；

S205、应用最小二乘法对宽度进行曲线拟合；

S206、将曲线中的两个波峰对应的手指图像作为手指正上方图像及手指这下方图像。

如图10所示，对360张静脉手指掩模图进行统计，并应用最小二乘法对数据进行曲线拟合，得到的曲线边缘处有微小的波峰，用数据均值为阈值，对产生干扰的小波峰进行滤除，即可得到需要的两个大波峰。

具体实施时，步骤S204中，选取手指末端预设区域用固定大小的窗口来统计计算手指宽度的和，并取其均值作为手指宽度。

如图9所示，为了尽量减少手指扰动对手指宽度计算产生影响，选取手指末端一定区域用固定大小窗口来统计计算手指宽度的和，并取其均值作为手指宽度len。

式中，h₁和h₂分别为窗口高的上坐标和下坐标，w为指静脉图像宽度。

具体实施时，步骤S3包括：

S301、如图11所示，计算待处理指静脉图像对应的手指区域边缘的内切线；

S302、如图12所示，基于内切线对待处理指静脉图像进行截取；

S303、如图13所示，对截取的图像进行双线性插值获得归一化后的手指静脉图像；

双线性插值的公式为：Dst(x,y)＝(Src(x,y)-Gray_min)/(Gray_max-Gray_min)

式中：Dst(x,y)表示线性插值后图像灰度值，Src(x,y)表示线性插值前原图像灰度值，Gray_min表示线性插值前原图像最小灰度值，Gray_max表示线性插值前原图像最大灰度值。

S304、如图14所示，采用滑动窗口法从归一化后的手指静脉图像中提取ROI区域。

对水平集检测出的手指边缘根据二值边缘线坐标大小关系计算其内切线，通过内切线可以初步删除造成干扰无效的手指边缘。再通过双线性插值获得的归一化后的手指静脉图像。之后，采用滑动窗口法定位手指末端关节区域，并通过定位的关节区域设定一定范围值，得到感兴趣区域的高，从而获取到ROI区域。

滑动窗口法为：设定一个固定高度的窗口，宽度为图像宽度，从底部往上滑动，滑动到一定高度就终止，滑动的过程中统计当前窗口内像素值的和，并记录下像素值的和为最大值时对应的滑动窗口的中心高度所对应的图像行索引，即为关节所在图像的行。

具体实施时，步骤S4包括：

S401、对ROI区域进行双边滤波；

双边滤波原理：双边滤波是一种非线性滤波，它可以保持边缘、降噪平滑。

其公式为：

它有两种权值：空间权值用于模糊去噪、相似权值用于保护边缘。

其中：

为空间权值，其是基于空间距离的高斯权重，结合了图像空间的邻近度。d(ξ,x)＝d(ξ-x)＝||ξ-x||表示两个像素间的距离(欧式距离)。

其中：

为相似权值：其是基于像素间相似程度的高斯权重，结合了图像空间的相似度。σ(f(ξ),f(x))＝σ(f(ξ)-f(x))＝||f(ξ)-f(x)||表示两个像素之间的距离。

为两者结合权值。基于空间距离、相似程度整体考虑。

双边滤波是基于空间分布的高斯滤波函数，比高斯滤波更能保存边缘信息。高斯滤波里目标像素越近的点对最终的结果的贡献越大，但只考虑了像素间的空间位置上的关系，所以滤波会丢失边缘信息。而双边滤波加入的像素间相似程度的高斯权重使得在边缘附近，离得较远的像素不会太多影响到边缘上的像素值，这样保证了边缘附近像素值的保存，较好的保持了边缘处的梯度。

S402、对双边滤波后的ROI区域进行Hessian矩阵增强；

Hessian是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率，可以判断多元函数的极值问题。对于二维图像，一阶导数是图像的灰度变化即灰度梯度，二阶导数就是灰度梯度变化程度，二阶导数越大灰度变化越不具有线性。二维图像中，海森矩阵是二维正定矩阵，有两个特征值和对应的两个特征向量。两个特征值表示出了，图像在两个特征向量所指方向上图像变化的各向异性。二维图像中点性结构具有各项同性，线性结构具有各项异性，而血管属于线性结构，因此可以利用Hessian矩阵对线性结构的血管进行增强。滤除点状的结构和噪声点。

f_xx,f_xy,f_yx,f_yy二维图像的二阶偏导数。一般对二维数字图像进行二阶求导使用的是如下：

f_xx(x,y)＝f(x,y)-f(x+δx,y)-(f(x+δx,y))-f(x+2δx,y))

这种方法鲁棒性较差容易受到图像中局部信号的干扰。根据线性尺度空间理论(LOG)，对一个函数求导，等于函数与高斯函数导数的卷积。如下：

高斯模板可以将周围一矩形范围内所有的点的信息都包含进来，这样就不会有误差。因此，求Hessian矩阵中，二维图像的二阶偏导数用图像与高斯函数的二阶导数做卷积。其二阶偏导数计算如下：

得到Hessian后计算其特征值为：

静脉血管的形状、前景和背景亮度可以通过分析Hessian矩阵的特征值的符号和大小进行判断。线状静脉|λ₁|<|λ₂|，λ₂符号为正的话表示静脉在亮背景上，为负的话表示静脉在暗背景上。静脉沿横截面方向曲率最大，沿静脉方向曲率最小。噪声点沿各个方向曲率都最大。背景灰度变化曲率几乎为0。所以，对于背景λ₁与λ₂都较小，对于孤立点λ₁与λ₂都较大，对于静脉λ₁较小λ₂较大。

利用Hessian矩阵特征值构造血管增强函数，可以将线状结构进行增强，并能够抑制平稳背景点状结构。在静脉图像中，静脉结构占比较小，构建变量

以特征值比值关系区分前景和背景。背景中存在噪声的干扰，单独采用特征值比值进行区分时，当特征值不满足响应函数的判断条件时，就会产生干扰增强伪静脉。所以定义

对其特征值比值进行补充，降低噪声干扰。当S值比较大时认为是静脉血管，较小认为是噪声。响应函数构建如下：

其中β用来调节区分块状区域和条状区域的敏感程度。β越大，对孤立区域抑制越弱，β越小对孤立区域抑制越强。C调节滤波后图像的整体平滑度。C越大S的变化程度就被压制，图像变得平滑，C越小S就被放大，滤波响应就变得波动较大。

对于增强函数构成的滤波器，其尺寸在和血管宽度接近时效果最好，因为血管宽度不一，因此，采用枚举法，用不同的卷积尺度进行滤波，得到多幅滤波图像后，在每一点处选择响应值最高的结果，作为最后的输出结果。

S403、对Hessian矩阵增强后的血管图像进行模糊增强得到待识别图像。

可以看出，血管增强程度不一，主要轮廓能够显现出来，但是其对比度较弱。因此，用模糊增强对Hessian矩阵增强后的血管图像进行增强。

模糊处理就是用模糊集合的方式将图像的各个块或者特征信息通过模糊集合来理解表示，并进一步对这些信息进行处理，达到处理效果。它对图像的表示处理取决于所选择的模糊技术和待解决的问题，具有很强的针对性。图像模糊处理主要包括三个步骤：图像模糊特征提取、隶属函数值的修正和模糊域反变换。

首先将图像从空间域通过隶属函数变换到模糊特征平面，也称为隶属平面，就是将图像进行模糊化的过程，对原图像信息赋予更具体直观的意义，变换公式为：

其中X_max为图像中最大的值，F_d和F_e为参数。

之后，选择模糊增强函数如下：

th为阈值。

根据如上模糊增强函数在模糊域对图像进行增强。

最后通过隶属度函数的反变换式：

将图像从模糊域反变换回空间域，以此来完成图像的解码过程。

其中重要环节就是对隶属值的修正，从隶属度函数可以看出，对于像素值比较大的值，计算出的隶属度函数值相对大，对于像素值小的函数隶属度值小。在更新的过程中对隶属度值小的函数进行压缩，对大的值进行放大。类似于S形函数，从而达到指静脉图像的对比度增强。

图15从左至右分别为ROI区域、双边滤波后的ROI区域、Hessian矩阵增强后的血管图以及待识别图像。

具体实施时，步骤S5包括：

S501、将手指正上方图像及其正向和反向旋转预设角度的图像归一化处理到相同尺寸，将手指正下方图像及其正向和反向旋转预设角度的图像归一化处理到相同尺寸；

S502、对归一化处理后的图像进行提取HOG和LBP特征；

S503、按手指上方和手指下方分别将HOG特征并联形成矩阵并进行PCA降维，取第一主成分作为降维后的特征；

S504、将降维后的特征与LBP特征进行串联；

S505、将串联后的特征进行并联，得到待识别特征。

如图16所示，为一组具体手指静脉图像的特征提取过程。分别把上面和下面三张图像归一化到128*64大小，然后进行提取HOG和LBP特征，每张图片提取的HOG特征为756维，LBP特征为59维。把三张图像的HOG特征并联形成大小为3*756的矩阵，进性PCA降维，取第一主成分756维做为降维后的特征，然后把降维后的特征与三张图像的LBP特征进行串联，结果为756+59*3＝933维。把上面和下面的933维特征进行并联得到最终的整个指静脉的特征，一共2*933维。

具体的识别流程可为：首先对下面三张指静脉图像提取的特征与保存在特征库里面的下面特征进行一一匹配，若相似距离小于预先设定的阈值，则认为匹配成功，返回特征库里当前匹配的特征的索引信息，结束识别。若直到特征库遍历完成还没有成功匹配，则用上面三张图像的特征来进行匹配，若相似距离小于预先设定的阈值，则认为匹配成功，返回特征库里当前匹配的特征的索引信息，结束识别。若直到特征库遍历完成还没有成功匹配，则认为数据库中没有此指静脉信息，匹配失败。采用这样的匹配方法，一定程度上增加了识别算法的鲁棒性，一定程度上降低了统计手指宽度信息确定指静脉图片带来的风险。并加快了匹配速度。也即上面或下面至少一组匹配成功则认为匹配成功。

HOG特征原理：

图像内目标的表象和形状能够被梯度或边缘的方向的分布来较好的描述，所以基于图像的梯度方向分布可以有效的描述图像内目标的局部轮廓。所以其对于光线和背景的变化具有较好的抗干扰性。其将图像分成连通区域，每个连通区域又由几个小的做细胞单元组成，然后对细胞单元格进行处理。

确定检测窗口：根据图像大小，确定块的大小和cell的个数以及块的滑动方式。

Gamma归一化：H(x,y)＝H(x,y)^gamma，取gamma＝1/2，对图像进行gamma变换，能够减少光线变化等因素的干扰，同时也对噪声差生一定的抑制作用。

梯度计算：用公式：

计算图像中每个像素的梯度值和梯度方向，将图像分成胞元，并统计每个胞元中的梯度直方图，从而得到每个胞元的HOG描述子。这样不仅可以捕获边缘变化，还可以消除光照带来的影响。梯度幅值和梯度方向计算公式为：

空间和方向上的梯度统计：每个像素点的梯度方向可能是0到180度任意值，取20度为一个bin共9个。统计梯度方向落在每个bin块的个数，并用像素点的梯度幅值进行加权投影。

归一化：把各相邻的cell组合成一个block，将block中所有的cell的特征向量组合起来就是该block的特征向量。这些block之间是有互有重叠的。每个单元格的特征将会以不同的结果多次出现在最终的特征向量中。而进行归一化处理后的描述符就是HOG描述符。

归一化因子为：

ε取0.002。

特征向量的级联：将图像内所有归一化后特征向量进行串行组合，便构成了整个手势图的HOG特征向量f_d＝[x₁,x₂,…,x_d]，d为特征维度。

LBP原理：

基本思想为：将各个像素的灰度值作为阈值与其相邻的像素灰度值相比较，若大于阈值，则记为1，反之记为0，并将结果保存为二进制数，以此来描述图像的局部纹理特征。

基本LBP：将图像中给每一个像素点的灰度值作为阈值，并与其所在的3*3领域内像素灰度值进行比较。若相邻8个像素点的灰度值大于阈值，则为1，否则为0。从而得到8位的二进制数。这个二进制数就是该像素点的响应。将二进制通过如下公式：

转换为十进制，这个十进制即为中心点局部邻域的LBP特征。(x_c,y_c)是中心像素，g_c是中心像素的灰度值，g_i是相邻像素的灰度值。

圆形LBP特征算子：

基本的LBP算子仅适用于较小的区域，描述能力有限，无法满足不同尺度的需求。为了满足更大的区域，且具备旋转不变性。用圆形领域替代正方形邻域来表示任意尺寸的图像特征。

欧氏距离：指在n维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)公式如下：

其衡量了两向量在空间上存在的距离。距离越远说明个体间的差异越大。因为计算是基于各维度特征的绝对值，所以欧氏距离要保证各维度指标在相同的刻度级别。

PCA：

PCA即K-L离散变换，用于去除多余信息并尽可能多的保留原始特征。其通过将原始数据向高维空间进行投影，用投影后的变量来代替原始变量，使得投影变量可以尽可能多的代表原始数组中的信息且投影变量互不相关。一般数学上的处理方法就是通过将原来的变量线性投影形成新的变量。假设第一个线性组合为s₁，特征降维的思想是希望通过靠前的投影变量来反映更多的原始信息，利用方差作为信息的测量标志。方差越大则代表其投影变量所包含的原始信息越多，所以把方差最大的s₁称为第一主成分。一般要求主成分可以反映90％以上的原始信息。若仅靠第一主成分不够的话，这选取第二大投影变量作为第二主成分。一次类推得到第p个主成分，直到可以反映足够多的原始信息量。对于一个样本，观测p个变量x₁,x₂,…,x_p，n个样本的特征向量为：

其中

PCA就是将p个观测变量通过投影生成p个新的线性变量，即

简写为：S_j＝a_j1x₁+a_j2x₂+…+a_jpx_p,j＝1,2,…,p。

要求满足：

S_i,S_j互不相关(i≠j,i,j＝1,2,…,p)，s_i的方差大于s_j的方差(i＞j,i,j＝1,2,…,p)，

其中a_ij为每个主成分分量的系数。一般用

来计算特征的主成分。y为前p个主成分特征，x_i为需要降维的特征，

为训练样本的特征均值，U^T为协方差矩阵。

对于N个样本，对每个样本都建立一个向量去描述，然后把所有的向量组合，并对这些数据进行主成分分析，就可以对数据进行降维获得样本的主要信息。

综上所述，本发明与现有技术相比，具有以下技术特征：

①提出采用360度旋转装置获取指静脉360度图像。并利用手指呈扁的圆柱形的先验信息，对手指宽度进行统计。对统计出的360个手指宽度数据进行最小二乘法拟合，获取两个较大峰值，用均值滤除较小的干扰峰值，两个较大峰值所对应的索引即确定为上面和下面两个指静脉图像。结合获得的上面和下面间隔三十度分别获得左右各两张一共6张指静脉图像，用来后续处理识别。

②提出在指静脉掩模图中利用一固定窗口，统计固定窗口所框着的手指宽度均值作为当前手指的宽度信息数据。

③把水平集分割算法引入到指静脉边缘检测和手指掩模图获取中来。

④把透射变换引入到指静脉切斜校正上面来，对指静脉进行校正，并解决了旋转校正法存在的黑边问题。

⑤提出了把Hessian矩阵增强后的指静脉图像采用模糊增强进行联合处理，获得了较好的增强效果。

⑥提出了一种结合6张指静脉图像进行特征提取融合与匹配的识别方法。

且，本发明与现有技术相比解决了以下技术问题：

①解决了现有手指静脉识别方法中采用单一角度拍照，获取指静脉单一角度照片，指静脉侧边信息容易缺失，边缘成像效果差，会损失指静脉边缘处有用信息，增加指静脉识别的误匹配概率等问题。

②通过对多角度指静脉信息进行有效的特征提取和融合，充分地利用了更多指静脉有用信息。解决了现有方法单一角度指静脉信息提取不充分问题，手指大范围轴向旋转造成匹配失效失败等问题。提高了指静脉识别率，对手指的轴向旋转，具有较强的鲁棒性。

③解决了手指宽度统计问题，上下面手指图像确定问题。

④解决了旋转校正造成的黑边问题。获得了更好的校正效果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (6)

1.一种基于多角度成像的手指静脉识别方法，其特征在于，包括：

S1、对手指进行旋转拍摄得到360度的手指图像；

S2、基于手指宽度从360度的手指图像中选取待处理指静脉图像，所述待处理指静脉图像包括手指正上方图像及手指正下方图像，还包括相对于手指正上方图像及手指这下方图像正向和反向旋转预设角度的图像；

S3、采用滑动窗口法从待处理指静脉图像中提取ROI区域；

S4、对ROI区域进行增强得到待识别图像；

S5、从待识别图像中提取待识别特征；

S6、对特征进行匹配识别。

2.如权利要求1所述的基于多角度成像的手指静脉识别方法，其特征在于，步骤S201包括：

S201、对360度的手指图像进行水平集分割，获取手指区域边缘并将分割出的手指区域作为手指二值化掩模图，手指区域边缘包括手指区域上边缘及手指区域下边缘；

S202、基于手指区域上边缘及手指区域下边缘确定手指中线；

S203、计算出手指中线相对于垂直方向的手指区域边缘的截距，基于截距以及手指倾斜方向截取包含手指的平行四边形，基于所述平行四边形的四个顶点对手指二值化掩模图进行透射变换校正；

S204、统计校正后的手指二值化掩模图中的手指宽度；

S205、应用最小二乘法对宽度进行曲线拟合；

S206、将曲线中的两个波峰对应的手指图像作为手指正上方图像及手指这下方图像。

3.如权利要求2所述的基于多角度成像的手指静脉识别方法，其特征在于，步骤S204中，选取手指末端预设区域用固定大小的窗口来统计计算手指宽度的和，并取其均值作为手指宽度。

4.如权利要求2所述的基于多角度成像的手指静脉识别方法，其特征在于，步骤S3包括：

S301、计算待处理指静脉图像对应的手指区域边缘的内切线；

S302、基于内切线对待处理指静脉图像进行截取；

S303、对截取的图像进行双线性插值获得归一化后的手指静脉图像；

S304、采用滑动窗口法从归一化后的手指静脉图像中提取ROI区域。

5.如权利要求1所述的基于多角度成像的手指静脉识别方法，其特征在于，步骤S4包括：

S401、对ROI区域进行双边滤波；

S402、对双边滤波后的ROI区域进行Hessian矩阵增强；

S403、对Hessian矩阵增强后的血管图像进行模糊增强得到待识别图像。

6.如权利要求1所述的基于多角度成像的手指静脉识别方法，其特征在于，步骤S5包括：

S501、将手指正上方图像及其正向和反向旋转预设角度的图像归一化处理到相同尺寸，将手指正下方图像及其正向和反向旋转预设角度的图像归一化处理到相同尺寸；

S502、对归一化处理后的图像进行提取HOG和LBP特征；

S503、按手指上方和手指下方分别将HOG特征并联形成矩阵并进行PCA降维，取第一主成分作为降维后的特征；

S504、将降维后的特征与LBP特征进行串联；

S505、将串联后的特征进行并联，得到待识别特征。

Images