CN111639562B - 一种手掌感兴趣区域的智能定位方法 - Google Patents

Abstract

本发明涉及一种手掌感兴趣区域的智能定位方法，包括：1)分别采集左右手掌的红外图像；2)对手掌图像分别进行预处理，得到前景二值图；3)对前景二值图进行边缘检测，得到手掌轮廓图，并将轮廓细化；4)计算前景二值图里前景手掌的重心；5)计算重心与细化后手掌轮廓两边缘的交点，计算这两个交点之间的距离；6)将两交点之间的距离和距离中心分别作为初始的直径和圆心，在前景二值图上画圆作为初代掌心圆；7)进行掌心圆迭代；8)计算最终掌心圆的外接矩形，外接矩形即为手掌图像感兴趣区域。本发明在手掌ROI定位准确率、完整性和手掌静脉识别率方面都能体现很好的优越性。

Description

一种手掌感兴趣区域的智能定位方法

技术领域

本发明属于手掌静脉识别及信息安全技术领域，尤其涉及一种手掌感兴趣区域的智能定位方法。

背景技术

在AI智能技术迸发的时代，指纹支付、人脸支付及虹膜支付等智能产品应运而生并应用到人们的生活中，给社会活动带来很大便捷。在这样的大环境下，掌静脉生物识别技术也迅速崛起，它是利用一种无法复制的内在生物特征掌静脉，达到识别身份信息的目的。该项识别技术的实现涉及到很多步骤，其中关于手掌图像感兴趣区域(ROI)定位这一步骤尤其重要。若是ROI定位不准确或者不完整，则会导致识别算法失灵或者通过率大幅度下降。

目前，现有的一些手掌感兴趣区域的提取算法有很多，有基于手掌轮廓的角点位置，获取关键点位置从而进行ROI分割；有基于手掌灰度图像的纹理信息来定位ROI区域，也有基于手掌信息聚类的方法进行ROI分割。

比如中国专利CN102163282B公开了一种掌纹图像感兴趣区域的获取方法及装置，该方法包括：校正步骤，对掌纹图像进行二值化，校正二值化得到的二值掌纹图像中的手掌到竖直方向；手掌形态确定步骤，对手掌形态进行检测与分类，确定手掌二值图像为完全张开的手掌二值图像或并拢的手掌二值图像；关键点定位步骤，根据得到的手掌形态定位手掌二值图像的关键点；获取步骤，根据定位的关键点，获取掌纹图像感兴趣区域。

还比如中国专利CN107016323A公开了一种手掌感兴趣区域的定位方法及装置，用于准确定位手掌图像中的ROI区域。本发明实施例方法包括：采集N个手掌图像样本，在每一个手掌图像样本上标注真实关键点位置，所述N为正整数；对所述N个手掌图像样本以及每一个手掌图像样本中的真实关键点位置进行训练，得到一个级联回归器；根据所述级联回归器，定位待识别人脸图像中的目标关键点位置，根据所述目标关键点位置确定感兴趣区域ROI。

这些方法都有各自的优缺点，优点是ROI定位速度快，缺点是对于少数手掌ROI区域定位不准确、ROI区域不完整，导致后续的掌静脉验证失败等问题。

发明内容

本发明的目的是为了解决现有技术手掌静脉识别方法中出现ROI区域定位不准确、不完整的问题，提出一种手掌感兴趣区域的智能定位方法，能较完整地、准确地提取出ROI区域，以提高验证通过率。

为了达到目的，本发明提供的技术方案为：

本发明涉及的一种手掌感兴趣区域的智能定位方法，包括以下步骤：

1)分别采集左右手掌的红外图像；

2)对手掌图像分别进行预处理，得到前景二值图；

3)对前景二值图进行边缘检测，得到手掌轮廓图，并将轮廓细化；

4)计算前景二值图里前景手掌的重心；

5)计算重心与细化后手掌轮廓两边缘的交点，计算这两个交点之间的距离；

6)将两交点之间的距离和距离中心分别作为初始的直径和圆心，在前景二值图上画圆，并以此作为初代掌心圆；

7)进行掌心圆迭代，计算前景二值图坐标位置到圆心位置向量的角度，更新掌心圆的半径和圆心，得到最终的掌心圆；

8)计算最终掌心圆的外接矩形，外接矩形即为手掌图像感兴趣区域。

优选地，所述的步骤2)中对手掌图像分别进行预处理包括去噪、尺寸归一化和阈值化；所述的去噪使用中值滤波去噪；所述的尺寸归一化使用双线性插值处理；所述的阈值化以图像的全局灰度均值作为阈值T，并根据阈值T计算得到前景二值图。

优选地，所述的阈值T的计算公式为：

式中，Image_ij表示预处理后的手掌灰度图像在第i行、第j列位置对应的像素值，m*n是图像的尺寸，T是图像全局灰度均值；

所述的计算得到前景二值图的公式为：

式中，BW_ij表示前景二值图像在第i行、第j列位置对应的像素值。

优选地，所述的步骤3)中采用sobel边缘检测对二值图进行边缘检测，采用骨骼细化法对轮廓进行边缘细化。

优选地，所述的步骤4)中计算前景二值图里前景手掌的重心的公式包括：

式中，x_i、y_i分别是前景二值图里前景像素的横、纵位置坐标，i下标表示前景所有像素中第i个像素点；N表示前景目标的像素个数总和；Centroid表示前景目标的重心，Centroid_x、Centroid_y分别表示重心的横坐标、纵坐标。

优选地，所述的步骤5)中重心与细化后手掌轮廓两边缘的交点分别为P1和P2，两个交点分别分布在中心两侧，P1和P2的计算公式为：

P1_x＝Centroid_x (5)，

P1_y＝Contour_y，if Contour_x＝Centroid_x&&Contour_y＜Centroid_y (6)，

P2_x＝Centroid_x (7)，

P2_y＝Contour_y，if Contour_x＝Centroid_x&&Contour_y＞Centroid_y (8)，

式中，P1_x、P1_y分别表示P1点的横纵坐标，P2_x、P2_y分别表示P2点的横纵坐标，Contour表示前景目标的轮廓，Contour_x和Contour_y分别表示轮廓上所有的横、纵坐标。

优选地，所述的步骤6)中初代掌心圆的圆心和半径的计算公式为：

cenLoc_x＝Centroid_x (9)，

cenLoc_y＝(P1_y+P2_y)/2 (10)，

式中，cenLoc_x和cenLoc_y分别表示初始圆心的横、纵坐标，Radius₀表示圆的初始半径。

优选地，所述的步骤7)中掌心圆迭代的具体步骤包括：

7.1)设置最大迭代次数k_Max，初始迭代次数k＝0，设置迭代结束条件；

7.2)判断当前圆是否满足迭代结束条件，若满足，则结束迭代，若不满足，则开始迭代；

7.3)迭代次数k＝k+1，计算圆内背景距离圆心的距离和角度，计算公式为：

θ_s0＝arctan((cenLoc_x-i)/(cenLoc_y-j)) (13)，

式中，i，j分别表示前景二值图中的横纵坐标，d_ij表示(i，j)位置距离圆心的距离，θ_s0表示当前(i，j)位置到圆心位置向量的角度；

7.4)存储圆内背景坐标Hole_s0，计算该坐标的对角位置Hole_m0，计算公式分别为：

Hole_s0＝{i，j}，if d_ij≤Radius₀&&BW_ij＝0 (14)，

式中，Hole_s0表示存储的圆内背景坐标，它是长度为2的一维数组，Hole_m0表示Hole_s0中背景坐标的对角坐标位置，其长度为2的一维数组；

7.5)若该对角位置为背景，则更新半径，半径的计算公式为：

式中，Radius_k表示Hole_m0和Hole_s0之间的距离，下标k表示第k次迭代；

若该对角位置为前景，则更新圆心，圆心的计算公式为：

式中，cenLoc_k表示Hole_m0与Hole_s0之间的中心坐标；

7.6)判断当前圆是否满足结束条件或者是否达到最大迭代次数，若两者均不满足则返回步骤7.3)，进入下次迭代，若满足其中一个条件，则结束迭代。

优选地，所述的步骤7.1)和7.2)中迭代结束条件为当前圆内没有背景，即像素为0。

优选地，所述的步骤8)中计算最终掌心圆的外接矩形包括计算矩形的左上角坐标和计算矩形边长；

矩形左上角坐标的计算公式为：

rectLoc＝{cenLoc_k(1，1)-Radius_k，cenLoc_k(1，2)-Radius_k} (18)，

式中，rectLoc是矩形的左上角坐标；

矩形边长的计算公式为：

sLength＝2*Radius_k (19)，

式中，sLength表示该外接矩形的边长。

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：

本发明的手掌感兴趣区域的智能定位方法通过掌心圆迭代定位方法进行ROI的定位。同现有手掌ROI定位方法相比，本发明所述定位方法有很高的ROI定位的准确率和覆盖率，进而提高掌静脉的识别率和安全等级，并且定位过程无需区分左右手，具有一定的智能性。

附图说明

图1为本发明涉及一种手掌感兴趣区域的智能定位方法的流程图；

图2为本发明采集的左右手掌静脉图像；

图3为本发明得到的前景二值图；

图4为本发明手掌静脉细化后的轮廓图；

图5为本发明得到初始圆位置示意图；

图6为本发明掌心圆迭代定位ROI的流程图；

图7为本发明得到迭代结束后的圆位置示意图；

图8为本发明得到的感兴趣区域。

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，一种手掌感兴趣区域的智能定位方法，包括以下步骤：

1)分别采集1个人的左、右手掌静脉图像，采集到的图像如附图2所示，图像大小均为：672像素*896像素。

2)对手掌图像分别进行预处理，预处理包括去噪、尺寸归一化和阈值化，所述的去噪使用中值滤波去噪；所述的尺寸归一化使用双线性插值处理，将尺寸归一化到尺寸：480像素*640像素；所述的阈值化以图像的全局灰度均值作为阈值T，并根据阈值T计算得到前景二值图，如图3所示为得到的前景二值图，

其中，阈值T的计算公式为：

式中，Image_ij表示预处理后的手掌灰度图像在第i行、第j列位置对应的像素值，m*n是图像的尺寸，T是图像全局灰度均值，本实施例中n＝640，m＝480，计算所得的阈值T＝165；

计算得到前景二值图的公式为：

式中，BW_ij表示前景二值图像在第i行、第j列位置对应的像素值。

3)采用sobel边缘检测对前景二值图进行边缘检测，得到手掌轮廓图，采用骨骼细化法对轮廓进行边缘细化，得到如图4所示的手掌静脉细化后的轮廓图。

4)计算前景二值图里前景手掌的重心，前景手掌的重心的公式包括：

式中，x_i、y_i分别是前景二值图里前景像素的横、纵位置坐标，i下标表示前景所有像素中第i个像素点；N表示前景目标的像素个数总和，本实施例中N＝60000；Centroid表示前景目标的重心，Centroid_x、Centroid_y分别表示重心的横坐标、纵坐标，本实施例中计算得到Centroid_x＝241.5、Centroid_y＝359.8。

5)计算重心与细化后手掌轮廓两边缘的交点，两个交点分别为P1和P2，两个交点分别分布在中心两侧，P1和P2的计算公式为：

P1_x＝Centroid_x (5)，

P1_y＝Contour_y，if Contour_x＝Centroid_x&&Contour_y＜Centroid_y (6)，

P2_x＝Centroid_x (7)，

P2_y＝Contour_y，if Contour_x＝Centroid_x&&Contour_y＞Centroid_y (8)，

式中，P1_x、P1_y分别表示P1点的横纵坐标，P2_x、P2_y分别表示P2点的横纵坐标，Contour表示前景目标的轮廓，Contour_x和Contour_y分别表示轮廓上所有的横、纵坐标；带入Centroid_x＝241.5、Centroid_y＝359.8，分别得到P1_x＝241、P1_y＝179、P2_x＝241、P2_y＝520，然后计算这两个交点之间的距离。

6)将两交点之间的距离和距离中心分别作为初始的直径和圆心，在前景二值图上画圆，并以此作为初代掌心圆，初代掌心圆的圆心和半径的计算公式为：

cenLoc_x＝Centroid_x (9)，

cenLoc_y＝(P1_y+P2_y)/2 (10)，

式中，cenLoc_x和cenLoc_y分别表示初始圆心的横、纵坐标，Radius₀表示圆的初始半径，将上述P1和P2的数据分别带入公式(9)(10)(11)，得到cenLoc_x＝241，cenLoc_y＝349.5，Radius₀＝170.5；得到的初始圆位置如附图5所示。

7)进行掌心圆迭代，计算前景二值图坐标位置到圆心位置向量的角度，更新掌心圆的半径和圆心，得到最终的掌心圆，掌心圆迭代步骤如图6所示，包括：

7.1)设置最大迭代次数k_Max，k_Max＝6，初始迭代次数k＝0，设置迭代结束条件，迭代结束条件为当前圆内没有背景，即像素为0；

7.2)判断当前圆是否满足迭代结束条件，若满足，则结束迭代，跳出步骤7，直接执行步骤8)，若不满足，则开始迭代，执行步骤7.3)；

7.3)迭代次数k＝k+1，计算圆内背景距离圆心的距离和角度，计算公式为：

θ_s0＝arctan((cenLoc_x-i)/(cenLoc_y-j)) (13)，

式中，i，j分别表示前景二值图中的横纵坐标，d_ij表示(i，j)位置距离圆心的距离，θ_s0表示当前(i，j)位置到圆心位置向量的角度，本实施例中计算得到d_ij＝85，θ_s0＝150°；

7.4)存储圆内背景坐标Hole_s0，计算该坐标的对角位置Hole_m0，计算公式分别为：

Hole_s0＝{i，j}，if d_ij≤Radius₀&&BW_ij＝0 (14)，

式中，Hole_s0表示存储的圆内背景坐标，它是长度为2的一维数组，Hole_m0表示Hole_s0中背景坐标的对角坐标位置，其长度为2的一维数组，例如，当k＝1时，计算得到Hole_s0＝{110，250}，Hole_m0＝{326.25，497.15}；

7.5)若该对角位置为背景，则更新半径，半径的计算公式为：

式中，Radius_k表示Hole_m0和Hole_s0之间的距离，下标k表示第k次迭代，比如当k＝1时，计算得到Radius_k＝160；

若该对角位置为前景，则更新圆心，圆心的计算公式为：

式中，cenLoc_k表示Hole_m0与Hole_s0之间的中心坐标，例如，当k＝1时，计算得到cenLoc_k＝{249，355}；

7.6)判断当前圆是否满足结束条件或者是否达到最大迭代次数，若两者均不满足则返回步骤7.3)，进入下次迭代，若满足其中一个条件，则结束迭代，迭代结束后，圆的具体位置，见附图7。

8)计算最终掌心圆的外接矩形，包括计算矩形的左上角坐标和计算矩形边长；

矩形左上角坐标的计算公式为：

rectLoc＝{cenLoc_k(1，1)-Radius_k，cenLoc_k(1，2)-Radius_k} (18)，

式中，rectLoc是矩形的左上角坐标；

矩形边长的计算公式为：

sLength＝2*Radius_k (19)，

式中，sLength表示该外接矩形的边长；

本实施例中计算得到rectLoc＝{89，195}，sLength＝320；如附图8的右侧图，该外接矩形即为手掌图像感兴趣区域(ROI)。

本实施例采集了50个人的手掌静脉图像数据，每人采集左、右手共2幅手掌静脉图像，共100幅手掌图像。一方面，应用本发明算法定位得到100幅手掌图像ROI，过程中无需区分左右手，共得到100个ROI。另一方面，对100幅手掌图像进行人为手工标注ROI；原则上，由于该项标注任务简单，人为标注ROI可认为是最理想的结果。

对这两种ROI进行以下3个实验并分析。

实验一：将这些手工标注的ROI和本实施例涉及的方法定位到的ROI进行比对，两种ROI的区域重叠率为99.33％。

实验二：将这两种ROI区域分别用同一种手掌匹配算法进行识别测试，在0误识情况下，人工标注的ROI识别率为96.25％，本实施例定位的ROI识别率为96.18％。

实验三：根据中国专利CN107016323A的说明书，本发明复现了该专利基于训练的手掌ROI定位方法，得到一个关于手掌ROI定位的级联分类器。用该级联分类器来定位本专利采集的100个手掌图像，得到100个手掌ROI区域；将这些ROI区域和手工标注的ROI分别进行上述的实验一和实验二，分别得到：两种ROI的区域重叠率为94.27％；在0误识情况下，中国专利CN107016323A定位的ROI识别率为93.59％。

由上述数据分析得出，本发明涉及的方法获取到的ROI区域很完整，与人工标注的ROI误差在1％以内，中国专利CN107016323A方法与人工标注的ROI误差在5％左右，相比之下本发明方法更趋于人工标注；对于手掌匹配算法的通过率而言，本发明的ROI误差在0.1％以内，中国专利CN107016323A方法的ROI误差在2.6％左右，相比之下本发明方法更能有效保持识别率。

以上数据可直观看出本发明所述一种手掌感兴趣区域的智能定位方法在手掌ROI定位准确率、完整性方面的优越性。

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)

1.一种手掌感兴趣区域的智能定位方法，其特征在于：其包括以下步骤：

1)分别采集左右手掌的红外图像；

2)对手掌图像分别进行预处理，得到前景二值图；

3)对前景二值图进行边缘检测，得到手掌轮廓图，并将轮廓细化；

4)计算前景二值图里前景手掌的重心；

5)计算重心与细化后手掌轮廓两边缘的交点，计算这两个交点之间的距离；

其中，重心与细化后手掌轮廓两边缘的交点分别为P1和P2，两个交点分别分布在重心两侧，P1和P2的计算公式为：

P1_x＝Centroid_x (5)，

P1_y＝Contour_y,if Contour_x＝Centroid_x&&Contour_y<Centroid_y (6)，

P2_x＝Centroid_x (7)，

P2_y＝Contour_y,if Contour_x＝Centroid_x&&Contour_y>Centroid_y (8)，

式中，P1_x、P1_y分别表示P1点的横纵坐标，P2_x、P2_y分别表示P2点的横纵坐标，Contour表示前景目标的轮廓，Contour_x和Contour_y分别表示轮廓上所有的横、纵坐标；

6)将两交点之间的距离和距离中心分别作为初始的直径和圆心，在前景二值图上画圆，并以此作为初代掌心圆；

7)进行掌心圆迭代，计算前景二值图坐标位置到圆心位置向量的角度，更新掌心圆的半径和圆心，得到最终的掌心圆，掌心圆迭代的具体步骤包括：

7.1)设置最大迭代次数k_Max，初始迭代次数k＝0，设置迭代结束条件；

7.2)判断当前圆是否满足迭代结束条件，若满足，则结束迭代，若不满足，则开始迭代；

7.3)迭代次数k＝k+1，计算圆内背景距离圆心的距离和角度，计算公式为：

θ_s0＝arctan((cenLoc_x-i)/(cenLoc_y-j)) (13)，

式中，i，j分别表示前景二值图中的横纵坐标，d_ij表示(i，j)位置距离圆心的距离，θ_s0表示当前(i，j)位置到圆心位置向量的角度；

7.4)存储圆内背景坐标Hole_s0，计算该坐标的对角位置Hole_m0，计算公式分别为：

Hole_s0＝{i，j},if d_ij≤Radius₀&&BW_ij＝0 (14)，

Hole_m0＝{(cenLoc_x+sin(θ_s0)*Radius₀,(cenLoc_y+cos(θ_s0)*Radius₀}

Hole_m0＝{(cenLoc_x-sin(θ_s0)*Radius₀,(cenLoc_y-cos(θ_s0)*Radius₀}

式中，Hole_s0表示存储的圆内背景坐标，它是长度为2的一维数组，Hole_m0表示Hole_s0中背景坐标的对角坐标位置，其长度为2的一维数组；

7.5)若该对角位置为背景，则更新半径，半径的计算公式为：

式中，Radius_k表示Hole_m0和Hole_s0之间的距离，下标k表示第k次迭代；

若该对角位置为前景，则更新圆心，圆心的计算公式为：

cenLoc_k＝{(Hole_s0(1,1)+Hole_m0(1,1))/2,(Hole_s0(1,2)+Hole_m0(1,2))/2}

式中，cenLoc_k表示Hole_m0与Hole_s0之间的中心坐标；

7.6)判断当前圆是否满足结束条件或者是否达到最大迭代次数，若两者均不满足则返回步骤7.3)，进入下次迭代，若满足其中一个条件，则结束迭代；

8)计算最终掌心圆的外接矩形，外接矩形即为手掌图像感兴趣区域。

2.根据权利要求1所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的步骤2)中对手掌图像分别进行预处理包括去噪、尺寸归一化和阈值化；所述的去噪使用中值滤波去噪；所述的尺寸归一化使用双线性插值处理；所述的阈值化以图像的全局灰度均值作为阈值T，并根据阈值T计算得到前景二值图。

3.根据权利要求2所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的阈值T的计算公式为：

式中，Image_ij表示预处理后的手掌灰度图像在第i行、第j列位置对应的像素值，m*n是图像的尺寸，T是图像全局灰度均值；

所述的计算得到前景二值图的公式为：

式中，BW_ij表示前景二值图像在第i行、第j列位置对应的像素值。

4.根据权利要求1所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的步骤3)中采用sobel边缘检测对二值图进行边缘检测，采用骨骼细化法对轮廓进行边缘细化。

5.根据权利要求1所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的步骤4)中计算前景二值图里前景手掌的重心的公式包括：

式中，x_i、y_i分别是前景二值图里前景像素的横、纵位置坐标，i下标表示前景所有像素中第i个像素点；N表示前景目标的像素个数总和；Centroid表示前景目标的重心，Centroid_x、Centroid_y分别表示重心的横坐标、纵坐标。

6.根据权利要求1所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的步骤6)中初代掌心圆的圆心和半径的计算公式为：

cenLoc_x＝Centroid_x (9)，

cenLoc_y＝(P1_y+P2_y)/2 (10)，

式中，cenLoc_x和cenLoc_y分别表示初始圆心的横、纵坐标，Radius₀表示圆的初始半径。

7.根据权利要求1所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的步骤7.1)和7.2)中迭代结束条件为当前圆内没有背景，即像素为0。

8.根据权利要求7所述的手掌感兴趣区域的智能定位方法，其特征在于：所述的步骤8)中计算最终掌心圆的外接矩形包括计算矩形的左上角坐标和计算矩形边长；

矩形左上角坐标的计算公式为：

rectLoc＝{cenLoc_k(1,1)-Radius_k,cenLoc_k(1,2)-Radius_k} (18)，

式中，rectLoc是矩形的左上角坐标；

矩形边长的计算公式为：

sLength＝2*Radius_k (19)，

式中，sLength表示该外接矩形的边长。

Images