CN111639560A - 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 - Google Patents
基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 Download PDFInfo
- Publication number
- CN111639560A CN111639560A CN202010415304.XA CN202010415304A CN111639560A CN 111639560 A CN111639560 A CN 111639560A CN 202010415304 A CN202010415304 A CN 202010415304A CN 111639560 A CN111639560 A CN 111639560A
- Authority
- CN
- China
- Prior art keywords
- vein
- point
- image
- topographic
- finger vein
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 187
- 238000000605 extraction Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 13
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06V40/12—Fingerprints or palmprints
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
- G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置,方法包括以下步骤:1)对指静脉图像进行大小归一化处理;2)对归一化后的图像静脉细节进行增强处理;3)对增强处理后的图像进行静脉骨架线的提取;4)基于数字高程模型提取图像的地形凹凸特征;5)根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像。该装置包括归一化处理模块、增强模块、静脉骨架线提取模块、地形凹凸特征提取模块、融合模块。本发明利用静脉骨架线信息与地形凹凸特性动态融合的指静脉特征提取方法,获得了较好的提取效果,提取出指静脉图像的关键静脉特征,为后续的特征比对与识别奠定了良好基础。
Description
技术领域
本发明涉及图像识别及处理技术领域,尤其涉及一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置。
背景技术
手指静脉识别相比于人脸识别、指纹识别、虹膜识别等其它生物特征识别技术,正以其非接触式设备、内部特征、活体识别等优势,成为了最具发展潜力的生物识别技术之一。手指静脉识别的其中一个关键步骤就是静脉特征提取,而特征提取的准确性是由采集图像的质量和特征提取方案决定的。由于受到现有图像采集设备和环境因素的影响,导致采集的手指静脉图像存在对比度低、灰度分布不均等问题,这就降低了静脉特征提取的准确性,进而影响手指静脉识别系统的识别率。因此,对于低质量手指静脉图像的特征提取,直接决定了其识别的性能,对指静脉识别技术具有重要研究意义。
目前常用的指静脉图像特征提取的方法主要分为纹理特征、细节点特征,基于纹理分析的方法能够有效的描述静脉的纹理特征,因此在静脉识别中有着广泛的应用。如专利号为CN101840511B的中国发明公开的手指静脉特征提取与匹配识别方法,该专利公开的特征提取的方法为:对手指静脉纹路图进行子块划分,对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取;识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。由于受到现有图像采集设备和环境因素的影响,导致采集的手指静脉图像存在对比度低、灰度分布不均等问题,这就降低了静脉特征提取的准确性,进而影响手指静脉识别系统的识别率。在上述的指静脉图像特征提取的方法过程中,在提取特征时未曾考虑中心点邻域像素点的影响,对于低质量手指静脉图像,无法准确地表达静脉图像像素之间的变化情况,导致了静脉特征表达不够精确。
发明内容
本发明的目的是为了解决现有技术中常用特征提取方法对于低质量手指静脉图像的提取效果不佳的问题,提出了一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置,有助于获得较好的提取效果和较高的识别精度。
为了达到目的,本发明提供的技术方案为:
本发明涉及的一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,包括以下步骤:
1)对指静脉图像进行大小归一化处理;
2)对归一化后的图像静脉细节进行增强处理;
3)对增强处理后的图像进行静脉骨架线的提取;
4)基于数字高程模型提取图像的地形凹凸特征;
5)根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像。
优选地,所述的步骤1)中采用双线性插值法对指静脉图像进行大小归一化处理。
优选地,所述的步骤2)中用双边滤波对静脉图像进行增强处理,设定原图像为f(x,y),x为当前点像素,y为邻域像素,f(x)为当前点位置坐标,f(y)为邻域点位置坐标,增强后的图像F(x)的计算公式为:
优选地,所述的步骤3)中对静脉骨架线进行提取的具体步骤包括:
3.1)设置若干格网单元,以各个格网单元为中心分别建立局部窗口,然后计算各格网单元在对应的局部窗口中的高程值;
3.2)根据各格网单元在对应的局部窗口中的高程值,判断各格网单元为山脊点或山谷点或鞍部点;
3.3)连接所有山脊点形成山脊线,连接所有山谷点形成山谷线,山脊线和山谷线构成起伏变化的分界线,该分界线即为骨架线。
上述的格网单元指具有相对独立的不可再分的最小网格单位。
优选地,所述步骤3.1)中,遍历局部指静脉图像后,得到若干格网单元;设当前格网单元为(i’,j’),i’和j’分别代表该格网单元在静脉图像上的行列坐标,以格网单元为中心,建立一个(2m+1)×(2m+1)的局部窗口,m为大于等于1且小于等于5的正整数,然后计算各格网单元在对应的局部窗口中的高程值;
所述步骤3.2)中判断各格网单元为山脊点或山谷点或鞍部点的公式分为两组,其中第一组公式包括:
第二组公式包括:
其中,H为某个格网单元在对应局部窗口中的高程值,1≤k≤m;
当某个格网单元在对应局部窗口中的高程值至少满足第一组公式之一,且只满足第一组公式的,则为山脊点;
当某个格网单元在对应局部窗口中的高程值至少满足第二组公式之一,且只满足第二组公式的,则为山谷点;
当某个格网单元在对应局部窗口中的高程值同时满足两组公式中的任意一个的,则为鞍部点。
优选地,所述的步骤4)中采用数字高程模型方法提取地形特征,即设置一个至少为3*3的栅格窗口,通过中心格网点与8个邻域格网点的高程关系来进行判断和获取地形凹凸特征。
优选地,所述的采用数字高程模型方法提取地形凹凸特征的具体步骤包括:
4.1)对输入的指静脉图像进行0值的边界扩充,扩充后图像大小为(i+2, j+2),其中i、j分别代表原图像的行列数;
4.2)设置一个3*3的栅格窗口,对栅格窗口内的像素点进行编号,以原图的每个像素点为中心点,计算中心点指向其3*3邻域内其它点的向量,共得到8 个向量Vi,
Vi=(xi-x0,yi-y0,fi-f0) (11),
其中,xi,yi,fi分别为中心点邻域内各点的行数、列数以及灰度值,x0,y0,f0分别为中心像素点的行数、列数以及灰度值;
4.3)利用向量Vi在x方向和y方向上求关于高程Z的二阶导数;
4.4)利用高程Z的二阶导数的正负组合关系来判断地形凹凸特征点。
优选地,所述步骤4.4)中的地形凹凸特征点包括山顶点、凹陷点、脊点、谷点、鞍点和平地点,判断地形特征点的依据为:
山顶点是局部区域内中心点在各方向上都为凸起的点;
凹陷点是局部区域内中心点在各方向上都为凹陷的点;
脊点是局部区域内中心点在两个相互正交的方向上,一个方向凸起,而另一个方向没有凹凸性变化的点;
谷点是局部区域内中心点在两个相互正交的方向上,一个方向凹陷,而另一个方向没有凹凸性变化的点;
鞍点是局部区域内中心点在两个相互正交的方向上,一个方向凸起,而另一个方向凹陷的点;
平地点是局部区域内中心点在各方向上都没有凹凸性变化的点。
优选地,所述的步骤5)根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像的具体步骤包括:
5.1)对静脉骨架线进行编码,利用中心点和邻域点的高程关系,进行特征编码,静脉骨架线编码的公式包括四组:
(Zi,j-1-Zi,j)(Zi,j+1-Zi,j)>0,且Zi,j-1>Zi,j (12),
(Zi,j-1-Zi,j)(Zi,j+1-Zi,j)>0,且Zi,j-1<Zi,j (13),
(Zi-1,j-Zi,j)(Zi+1,j-Zi,j)>0,且Zi+1,j>Zi,j (14),
(Zi-1,j-Zi,j)(Zi+1,j-Zi,j)>0,且Zi+1,j<Zi,j (15),
当满足且只满足公式(12)时,则特征编码为-1,即VR(i,j)=-1;
当满足且只满足公式(13)时,则特征编码为1,即VR(i,j)=1;
当满足且只满足公式(14)时,则特征编码为-1,即VR(i,j)=-1;
当满足且只满足公式(15)时,则特征编码为1,即VR(i,j)=1;
当同时满足公式(12)和(15)或同时满足(13)和(14)时,则特征编码为2,即VR(i,j)=2;
若四组编码公式均不满足,则特征编码为0,即VR(i,j)=0;
编码后的静脉骨架特征点为:
将对应的静脉骨架特征点连成静脉骨架特征线,得到静脉骨架线特征;
5.2)对地形凹凸特性编码,利用高程Z的二阶导数的正负组合关系进行特征编码,编码方式如下:
则设置该点灰度值为0,即V(i,j)=0;
则设置该点灰度值为1,即V(i,j)=1;
则设置该点灰度值为2,即V(i,j)=2;
则设置该点灰度值为3,即V(i,j)=3;
则设置该点灰度值为4,即V(i,j)=4;
则设置该点灰度值为5,即V(i,j)=5;
则设置该点灰度值为6,即V(i,j)=6;
然后根据编码后的地形凹凸特性提取到8类特征;
5.3)将编码后的静脉骨架线特征与地形凹凸特性特征动态融合,得到融合后的指静脉特征图像;
所述步骤5.3)中融合后的指静脉特征图像的特征大小为:
H*W*(n)bit/8 (25),
其中,H、W分别为图像的长、宽,n为可调节参数,bit为计算机数据储存的最小单位“位”。
本发明还涉及一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取装置,其包括:
1)归一化处理模块,用于对指静脉图像进行大小归一化处理;
2)图像增强模块,用于对归一化后的图像静脉细节进行增强处理;
3)静脉骨架线提取模块,用于对增强处理后的图像进行静脉骨架线的提取;
4)地形凹凸特征提取模块,用于提取图像的地形凹凸特征;
5)融合模块,用于根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像。
得到指静脉特征图像后,以采用上述装置及方法提取出来的指静脉特征图像作为注册和验证图像,进行指静脉识别,有助于提高指静脉识别的通过率。
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:
1、本发明根据静脉特征呈现地势山谷形的特点,设计基于静脉骨架线来检测静脉特征,使图像静脉细节得到增强,静脉特征的表述更加准确;基于地形凹凸特性的方法来检测静脉特征,克服了常用典型手指静脉特征提取方法不能有效获取指静脉的纹理特征的缺点,能最大程度地从静脉图像上下两端模糊部分中提取出静脉特征信息,有效获取低质量图像静脉特征;将静脉骨架线和地形凹凸特性动态融合来提取指静脉特征,综合了两者的优势,使静脉特征表达更为精确。
2、本发明提出了一种新的单像素图像的特征编码方案,将静脉骨架线信息与地形凹凸特性动态融合进行特征编码,该特征可根据实际应用场景进行动态的调整,得到指静脉特征图像的灰度值大小分布,利用多重判断的方法得到更多静脉特征的划分,进一步使指静脉特征描述更加精确。
附图说明
图1为本发明的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法的流程图;
图2为地形特征点提取的流程图;
图3为静脉骨架线编码的流程图;
图4为地形凹凸性特征编码的流程图;
图5为本发明的指静脉特征提取装置的框图。
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。
本发明涉及的一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,结合附图1所示,该指静脉特征提取方法包括以下步骤:
1)随机选取一幅图像库中的低质量指静脉图像,图像大小为300*160,利用双线性插值方法对该图像进行大小归一化处理,得到大小为p*q的图像,其中 p、q分别代表图像的行、列数,本实施例中p、q分别为160、64。
2)对归一化后的图像静脉细节,采用双边滤波进行增强处理,得到增强后的指静脉图像,同时保留图像边缘细节部分,设定原图像为f(x,y),x为当前点像素,y为邻域像素,f(x)为当前点位置坐标,f(y)为邻域点位置坐标,增强后的图像F(x)的计算公式为:
本实施例中,以(a,b)和(c,d)两点像素为例,则空间核w(x,y)可表示为:
其中,在空间核中,σs是空域方差,即空间核的周边范围;在值域核中,方差σr则是指边缘的最小振幅,在静脉图像中的一个点,只有与中心像素点间的距离小于空域方差,振幅之差小于值域方差,该点才会被双边滤波器处理;在静脉图像边缘部分,中心像素点的周围像素的强度会发生急剧变化;而在强度均一区域,中心像素点的周围像素的强度几乎维持不变,基于此原理,双边滤波器会选择性地对边缘和非边缘区域进行处理;
在双边滤波处理静脉图像的过程中,w(x,y)是随着像素点与中心点之间欧几里得距离的增加而减小;是随着像素点与中心点之间亮度差的增大而减小。因此,在强度均一的区域中,邻域内的像素亮度值相差不大,双边滤波器转化为高斯低通滤波器;而在强度距离变化的区域中,值域核检测到即跳过其处理过程,边缘区域的像素点强度几乎不变。因此对图像的平滑只是在与中心像素点在边缘同一边的邻域像素中进行。
3)对增强处理后的图像进行静脉骨架线的提取,具体步骤为:
3.1)对去除边缘m行m列后的局部静脉图像进行遍历,得到若干格网单元;设当前格网单元为(i’,j’),i’和j’分别代表该格网单元在静脉图像上的行列坐标,以格网单元为中心,建立一个(2m+1)×(2m+1)的局部窗口,m为大于等于1且小于等于5的正整数,然后计算各格网单元在对应的局部窗口中的高程值;
3.2)根据各格网单元在对应的局部窗口中的高程值,判断各格网单元为山脊点或山谷点或鞍部点,所述步骤3.2)中判断各格网单元为山脊点或山谷点或鞍部点的公式分为两组,其中第一组公式包括:
第二组公式包括:
其中,H为某个格网单元在对应局部窗口中的高程值,1≤k≤m;
当某个格网单元在对应局部窗口中的高程值至少满足第一组公式之一,且只满足第一组公式的,则为山脊点;
当某个格网单元在对应局部窗口中的高程值至少满足第二组公式之一,且只满足第二组公式的,则为山谷点;
当某个格网单元在对应局部窗口中的高程值同时满足两组公式中的任意一个的,则为鞍部点;
3.3)连接所有山脊点形成山脊线,连接所有山谷点形成山谷线,山脊线和山谷线构成起伏变化的分界线,该分界线即为骨架线。
4)基于数字高程模型提取图像的地形凹凸特征,即设置一个至少为3*3的栅格窗口,通过中心格网点与8个邻域格网点的高程关系来进行判断和获取地形凹凸特征,其具体步骤如图2所示,该步骤包括:
4.1)对输入的指静脉图像进行0值的边界扩充,扩充后图像大小为(i+2, j+2),即为162*66,其中i、j分别代表原图像的行列数;
4.2)设置一个3*3的栅格窗口,对栅格窗口内的像素点进行编号,编码方式如表1所示:
表1:3*3窗口内的编号方式表
8 | 1 | 2 |
7 | 0 | 3 |
6 | 5 | 4 |
以原图的每个像素点为中心点,计算中心点指向其3*3邻域内其它点的向量,共得到8个向量Vi,向量Vi按照公式(11)计算,
Vi=(xi-x0,yi-y0,fi-f0) (11)
其中,xi,yi,fi分别为中心点邻域内各点的行数、列数以及灰度值,x0,y0,f0分别为中心像素点的行数、列数以及灰度值;
4.3)利用向量Vi在x方向和y方向上求关于高程Z的二阶导数;
4.4)利用高程Z的二阶导数的正负组合关系来判断地形凹凸特征点,即利用x,y方向的凹凸性进行判断,地形凹凸特征点包括山顶点、凹陷点、脊点、谷点、鞍点和平地点,判断地形凹凸特征点的依据为:
山顶点是局部区域内中心点在各方向上都为凸起的点;
凹陷点是局部区域内中心点在各方向上都为凹陷的点;
脊点是局部区域内中心点在两个相互正交的方向上,一个方向凸起,而另一个方向没有凹凸性变化的点;
谷点是局部区域内中心点在两个相互正交的方向上,一个方向凹陷,而另一个方向没有凹凸性变化的点;
鞍点是局部区域内中心点在两个相互正交的方向上,一个方向凸起,而另一个方向凹陷的点;
平地点是局部区域内中心点在各方向上都没有凹凸性变化的点。
5)根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像,具体步骤包括:
5.1)如附图3所示,对静脉骨架线进行编码,利用中心点和邻域点的高程关系,进行特征编码,静脉骨架线编码的公式包括四组:
(Zi,j-1-Zi,j)(Zi,j+1-Zi,j)>0,且Zi,j-1>Zi,j (12)
(Zi,j-1-Zi,j)(Zi,j+1-Zi,j)>0,且Zi,j-1<Zi,j (13)
(Zi-1,j-Zi,j)(Zi+1,j-Zi,j)>0,且Zi+1,j>Zi,j (14)
(Zi-1,j-Zi,j)(Zi+1,j-Zi,j)>0,且Zi+1,j<Zi,j (15)
当满足且只满足公式(12)时,则特征编码为-1,即VR(i,j)=-1;
当满足且只满足公式(13)时,则特征编码为1,即VR(i,j)=1;
当满足且只满足公式(14)时,则特征编码为-1,即VR(i,j)=-1;
当满足且只满足公式(15)时,则特征编码为1,即VR(i,j)=1;
当同时满足公式(12)和(15)或同时满足(13)和(14)时,则特征编码为2,即VR(i,j)=2;
若四组编码公式均不满足,则特征编码为0,即VR(i,j)=0;
编码后的静脉骨架特征点为:
将对应的静脉骨架特征点连成静脉骨架特征线,得到静脉骨架线特征VR;
5.2)如附图4所示,对地形凹凸特性编码,利用高程Z的二阶导数的正负组合关系进行特征编码,编码方式如下:
则设置该点灰度值为0,即V(i,j)=0;
则设置该点灰度值为1,即V(i,j)=1;
则设置该点灰度值为2,即V(i,j)=2;
则设置该点灰度值为3,即V(i,j)=3;
则设置该点灰度值为4,即V(i,j)=4;
则设置该点灰度值为5,即V(i,j)=5;
则设置该点灰度值为6,即V(i,j)=6;
则设置该点灰度值为7,即V(i,j)=7;
然后根据编码后的地形凹凸特性提取到8类特征V1-V8;
5.3)将编码后的静脉骨架线特征与地形凹凸特性特征动态融合,得到融合后的指静脉特征图像,融合后的指静脉特征图像的特征大小为:
H*W*(n)bit/8 (25),
其中,H、W分别为图像的长、宽,n为可调节参数,bit为计算机数据储存的最小单位“位”。
在本实施例中,特征可根据实际应用场景进行动态的调整归一化图像的长、宽、单点特征的bit大小。单像素图像的特征编码方案的特征大小从2bit~12bit,根据实际需要可对地形特征进行适当的取舍,可组合成10bit,最小可用2bit。融合特征结构示意表2所示,表中x的范围为[1,4],y范围为[1,8]。
表2:动态融合后的静脉特征结构表
x,y的取值与单像素图像的特征编码大小的关系如表3所示:
表3:x,y的取值与单像素图像的特征编码大小关系
x,y的取值与识别率的关系如表4所示:
表4:x,y的取值与识别率的关系
由表4可知,特征越大,性能越好。此外,需要注意的是:当特征同样大小的情况下,地形凹凸特征的可靠性要优于骨架线特征,即:当x1+y1=x2+y2时,若y1<y2,则rate(x1,y1)<rate(x2,y2),后者的识别率要大于前者。
本实施例还建立了3组由不同设备采集的指静脉图像数据库(FV1、FV2、FV3),每组图像由1000根不同类手指组成,其中每个手指采集10次。以MATLAB2018a 为编译软件,所用电脑的操作系统为64位WIN10,内存8G,主频率2.30GHz。对于每组图像库,首先以本实施例提出的方法对图像库中的所有图像进行动态融合特征提取,再分别对同类手指和不同类手指的特征进行特征比对,得到同类手指和不同类手指之间的特征比对结果。本实施例是以不同类手指比对结果的最小值作为门限,以此检测同类手指的识别率,识别结果如表5所示,
表5:三组图像库的同类识别率结果
图像库 | 识别率 |
FV1 | 99.98% |
FV2 | 99.90% |
FV3 | 99.85% |
以本发明提取的动态融合特征对不同图像库的识别率均达到99.8%以上,可见本发明提出的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取算法可以有效提取出图像的静脉关键信息,为指静脉识别提供了良好基础。
实施例二
参照图5,本实施例涉及一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取装置,包括:
1)归一化处理模块,用于对指静脉图像进行大小归一化处理;所述归一化处理模块用于实现实施例一的步骤1)。
2)图像增强模块,用于对归一化后的图像静脉细节进行增强处理;所述图像增强模块用于实现实施例一的步骤2)
3)静脉骨架线提取模块,用于对增强处理后的图像进行静脉骨架线的提取;所述静脉骨架线提取模块用于实现实施例一的步骤3)。
4)地形凹凸特征提取模块,用于提取图像的地形凹凸特征;所述地形凹凸特征提取模块用于实现实施例一的步骤4)
5)融合模块,用于根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像;所述融合模块用于实现实施例一的步骤5)。
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 (10)
1.一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:其包括以下步骤:
1)对指静脉图像进行大小归一化处理;
2)对归一化后的图像静脉细节进行增强处理;
3)对增强处理后的图像进行静脉骨架线的提取;
4)基于数字高程模型提取图像的地形凹凸特征;
5)根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像。
2.根据权利要求1所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述的步骤1)中采用双线性插值法对指静脉图像进行大小归一化处理。
4.根据权利要求1所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述的步骤3)中对静脉骨架线进行提取的具体步骤包括:
3.1)设置若干格网单元,以各个格网单元为中心分别建立局部窗口,然后计算各格网单元在对应的局部窗口中的高程值;
3.2)根据各格网单元在对应的局部窗口中的高程值,判断各格网单元为山脊点或山谷点或鞍部点;
3.3)连接所有山脊点形成山脊线,连接所有山谷点形成山谷线,山脊线和山谷线构成起伏变化的分界线,该分界线即为骨架线。
5.根据权利要求4所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述步骤3.1)中,遍历局部指静脉图像后,得到若干格网单元;设当前格网单元为(i’,j’),i’和j’分别代表该格网单元在静脉图像上的行列坐标,以格网单元为中心,建立一个(2m+1)×(2m+1)的局部窗口,m为大于等于1且小于等于5的正整数,然后计算各格网单元在对应的局部窗口中的高程值;
所述步骤3.2)中判断各格网单元为山脊点或山谷点或鞍部点的公式分为两组,其中第一组公式包括:
第二组公式包括:
其中,H为某个格网单元在对应局部窗口中的高程值,1≤k≤m;
当某个格网单元在对应局部窗口中的高程值至少满足第一组公式之一,且只满足第一组公式的,则为山脊点;
当某个格网单元在对应局部窗口中的高程值至少满足第二组公式之一,且只满足第二组公式的,则为山谷点;
当某个格网单元在对应局部窗口中的高程值同时满足两组公式中的任意一个的,则为鞍部点。
6.根据权利要求1所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述的步骤4)中采用数字高程模型方法提取地形特征,即设置一个至少为3*3的栅格窗口,通过中心格网点与8个邻域格网点的高程关系来进行判断和获取地形凹凸特征。
7.根据权利要求6所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述的采用数字高程模型方法提取地形凹凸特征的具体步骤包括:
4.1)对输入的指静脉图像进行0值的边界扩充,扩充后图像大小为(i+2,j+2),其中i、j分别代表原图像的行列数;
4.2)设置一个3*3的栅格窗口,对栅格窗口内的像素点进行编号,以原图的每个像素点为中心点,计算中心点指向其3*3邻域内其它点的向量,共得到8个向量Vi,
Vi=(xi-x0,yi-y0,fi-f0) (11),
其中,xi,yi,fi分别为中心点邻域内各点的行数、列数以及灰度值,x0,y0,f0分别为中心像素点的行数、列数以及灰度值;
4.3)利用向量Vi在x方向和y方向上求关于高程Z的二阶导数;
4.4)利用高程Z的二阶导数的正负组合关系来判断地形凹凸特征点。
8.根据权利要求7所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述步骤4.4)中的地形凹凸特征点包括山顶点、凹陷点、脊点、谷点、鞍点和平地点,判断地形特征点的依据为:
山顶点是局部区域内中心点在各方向上都为凸起的点;
凹陷点是局部区域内中心点在各方向上都为凹陷的点;
脊点是局部区域内中心点在两个相互正交的方向上,一个方向凸起,而另一个方向没有凹凸性变化的点;
谷点是局部区域内中心点在两个相互正交的方向上,一个方向凹陷,而另一个方向没有凹凸性变化的点;
鞍点是局部区域内中心点在两个相互正交的方向上,一个方向凸起,而另一个方向凹陷的点;
平地点是局部区域内中心点在各方向上都没有凹凸性变化的点。
9.根据权利要求1所述的基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法,其特征在于:所述的步骤5)根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像的具体步骤包括:
5.1)对静脉骨架线进行编码,利用中心点和邻域点的高程关系,进行特征编码,静脉骨架线编码的公式包括四组:
(Zi,j-1-Zi,j)(Zi,j+1-Zi,j)>0,且Zi,j-1>Zi,j (12),
(Zi,j-1-Zi,j)(Zi,j+1-Zi,j)>0,且Zi,j-1<Zi,j (13),
(Zi-1,j-Zi,j)(Zi+1,j-Zi,j)>0,且Zi+1,j>Zi,j (14),
(Zi-1,j-Zi,j)(Zi+1,j-Zi,j)>0,且Zi+1,j<Zi,j (15),
当满足且只满足公式(12)时,则特征编码为-1,即VR(i,j)=-1;
当满足且只满足公式(13)时,则特征编码为1,即VR(i,j)=1;
当满足且只满足公式(14)时,则特征编码为-1,即VR(i,j)=-1;
当满足且只满足公式(15)时,则特征编码为1,即VR(i,j)=1;
当同时满足公式(12)和(15)或同时满足(13)和(14)时,则特征编码为2,即VR(i,j)=2;
若四组编码公式均不满足,则特征编码为0,即VR(i,j)=0;
编码后的静脉骨架特征点为:
将对应的静脉骨架特征点连成静脉骨架特征线,得到静脉骨架线特征;
5.2)对地形凹凸特性编码,利用高程Z的二阶导数的正负组合关系进行特征编码,编码方式如下:
则设置该点灰度值为0,即V(i,j)=0;
则设置该点灰度值为1,即V(i,j)=1;
则设置该点灰度值为2,即V(i,j)=2;
则设置该点灰度值为3,即V(i,j)=3;
则设置该点灰度值为4,即V(i,j)=4;
则设置该点灰度值为5,即V(i,j)=5;
则设置该点灰度值为6,即V(i,j)=6;
则设置该点灰度值为7,即V(i,j)=7;
然后根据编码后的地形凹凸特性提取到8类特征;
5.3)将编码后的静脉骨架线特征与地形凹凸特性特征动态融合,得到融合后的指静脉特征图像;
所述步骤5.3)中融合后的指静脉特征图像的特征大小为:
H*W*(n)bit/8 (25),
其中,H、W分别为图像的长、宽,n为可调节参数,bit为计算机数据储存的最小单位“位”。
10.一种基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取装置,其特征在于:其包括:
1)归一化处理模块,用于对指静脉图像进行大小归一化处理;
2)图像增强模块,用于对归一化后的图像静脉细节进行增强处理;
3)静脉骨架线提取模块,用于对增强处理后的图像进行静脉骨架线的提取;
4)地形凹凸特征提取模块,用于提取图像的地形凹凸特征;
5)融合模块,用于根据静脉骨架线和地形凹凸特性信息进行动态融合特征编码,得到融合后的指静脉特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010415304.XA CN111639560B (zh) | 2020-05-15 | 2020-05-15 | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010415304.XA CN111639560B (zh) | 2020-05-15 | 2020-05-15 | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639560A true CN111639560A (zh) | 2020-09-08 |
CN111639560B CN111639560B (zh) | 2023-05-30 |
Family
ID=72330906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010415304.XA Active CN111639560B (zh) | 2020-05-15 | 2020-05-15 | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639560B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN115223211A (zh) * | 2022-09-20 | 2022-10-21 | 山东圣点世纪科技有限公司 | 一种将静脉图像转化为指纹图像的识别方法 |
CN115578760A (zh) * | 2022-11-15 | 2023-01-06 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
CN117636416A (zh) * | 2023-10-24 | 2024-03-01 | 广州像素数据技术股份有限公司 | 基于人脸不适度的人脸伪造与活体联合检测方法和相关设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
CN102184528A (zh) * | 2011-05-12 | 2011-09-14 | 中国人民解放军国防科学技术大学 | 低质量手指静脉图像增强方法 |
US20110304720A1 (en) * | 2010-06-10 | 2011-12-15 | The Hong Kong Polytechnic University | Method and apparatus for personal identification using finger imaging |
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
CN104239769A (zh) * | 2014-09-18 | 2014-12-24 | 北京智慧眼科技发展有限公司 | 基于手指静脉特征的身份识别方法及系统 |
US20160117445A1 (en) * | 2014-10-23 | 2016-04-28 | Cerner Innovation, Inc. | Term classification based on combined crossmap |
WO2016086343A1 (en) * | 2014-12-01 | 2016-06-09 | Xiamen Zkteco Biometric Identification Technology Co., Ltd | System and method for personal identification based on multimodal biometric information |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN108009996A (zh) * | 2017-11-07 | 2018-05-08 | 深圳市金城保密技术有限公司 | 一种基于脊波变换的指静脉图像增强方法及其系统、产品 |
CN108596126A (zh) * | 2018-04-28 | 2018-09-28 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN110119724A (zh) * | 2019-05-16 | 2019-08-13 | 天津科技大学 | 一种指静脉识别方法 |
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN112036382A (zh) * | 2020-11-04 | 2020-12-04 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN114612655A (zh) * | 2022-05-10 | 2022-06-10 | 北京圣点云信息技术有限公司 | 一种静脉识别算法移植方法及装置 |
CN115188084A (zh) * | 2022-08-03 | 2022-10-14 | 成都理工大学 | 非接触式声纹与掌纹掌静脉的多模态身份识别系统和方法 |
-
2020
- 2020-05-15 CN CN202010415304.XA patent/CN111639560B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110304720A1 (en) * | 2010-06-10 | 2011-12-15 | The Hong Kong Polytechnic University | Method and apparatus for personal identification using finger imaging |
CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
CN102184528A (zh) * | 2011-05-12 | 2011-09-14 | 中国人民解放军国防科学技术大学 | 低质量手指静脉图像增强方法 |
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
CN104239769A (zh) * | 2014-09-18 | 2014-12-24 | 北京智慧眼科技发展有限公司 | 基于手指静脉特征的身份识别方法及系统 |
US20160117445A1 (en) * | 2014-10-23 | 2016-04-28 | Cerner Innovation, Inc. | Term classification based on combined crossmap |
WO2016086343A1 (en) * | 2014-12-01 | 2016-06-09 | Xiamen Zkteco Biometric Identification Technology Co., Ltd | System and method for personal identification based on multimodal biometric information |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN108009996A (zh) * | 2017-11-07 | 2018-05-08 | 深圳市金城保密技术有限公司 | 一种基于脊波变换的指静脉图像增强方法及其系统、产品 |
CN108596126A (zh) * | 2018-04-28 | 2018-09-28 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN110119724A (zh) * | 2019-05-16 | 2019-08-13 | 天津科技大学 | 一种指静脉识别方法 |
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN112036382A (zh) * | 2020-11-04 | 2020-12-04 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN114612655A (zh) * | 2022-05-10 | 2022-06-10 | 北京圣点云信息技术有限公司 | 一种静脉识别算法移植方法及装置 |
CN115188084A (zh) * | 2022-08-03 | 2022-10-14 | 成都理工大学 | 非接触式声纹与掌纹掌静脉的多模态身份识别系统和方法 |
Non-Patent Citations (3)
Title |
---|
HUAFENG QIN: ""Finge-Vien Verification Based on Multi-features Fusion"", 《SENSORS》 * |
李清海等: "CT血管成像结合图像融合技术在肾静脉系统评估中的价值", 《放射学实践》 * |
肖志涛等: "基于Hesse矩阵和多尺度分析的视网膜动静脉血管管径测量方法", 《电子与信息学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN112101319B (zh) * | 2020-11-17 | 2021-03-16 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
CN115223211A (zh) * | 2022-09-20 | 2022-10-21 | 山东圣点世纪科技有限公司 | 一种将静脉图像转化为指纹图像的识别方法 |
CN115578760A (zh) * | 2022-11-15 | 2023-01-06 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
CN117636416A (zh) * | 2023-10-24 | 2024-03-01 | 广州像素数据技术股份有限公司 | 基于人脸不适度的人脸伪造与活体联合检测方法和相关设备 |
CN117636416B (zh) * | 2023-10-24 | 2024-05-28 | 广州像素数据技术股份有限公司 | 基于人脸不适度的人脸伪造与活体联合检测方法和相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111639560B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639560B (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
WO2021227331A1 (zh) | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 | |
CN102360421B (zh) | 一种基于视频流的人脸识别方法及系统 | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
CN108764041B (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
CN106529591A (zh) | 一种基于改进的mser图像匹配算法 | |
CN103996052B (zh) | 基于三维点云的三维人脸性别分类方法 | |
CN109118528A (zh) | 基于区域分块的奇异值分解图像匹配算法 | |
CN108334875A (zh) | 基于自适应多阈值的静脉特征提取方法 | |
CN106981077A (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
CN108257155A (zh) | 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法 | |
CN107180436A (zh) | 一种改进的kaze图像匹配算法 | |
CN111507206A (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN104091145A (zh) | 人体掌脉特征图像采集方法 | |
Gao et al. | Robust ROI localization based on image segmentation and outlier detection in finger vein recognition | |
CN108090460B (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取方法 | |
CN105913084A (zh) | 一种基于密集轨迹和dhog的超声心动视频影像分类方法 | |
CN112488936A (zh) | 一种基于生成对抗网络的手指静脉模糊图像去模糊的方法 | |
CN109753912B (zh) | 一种基于张量的多光谱掌纹匹配方法 | |
CN103366376A (zh) | 一种基于邻域尺度变化的图像特征提取方法 | |
CN111898405A (zh) | 基于3DHarris关键点及优化SHOT特征的三维人耳识别方法 | |
Whitaker et al. | Geometry-based image segmentation using anisotropic diffusion | |
CN111414864A (zh) | 一种人脸活体检测方法和相关装置 | |
CN107563415B (zh) | 一种基于局部滤波特征矢量的图像匹配方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Finger vein feature extraction method and device based on dynamic fusion of vein skeleton line and terrain concavity and convexity characteristics Granted publication date: 20230530 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |