CN111652088A - 一种基于视频选优机制的指静脉注册方法及注册装置 - Google Patents
一种基于视频选优机制的指静脉注册方法及注册装置 Download PDFInfo
- Publication number
- CN111652088A CN111652088A CN202010415305.4A CN202010415305A CN111652088A CN 111652088 A CN111652088 A CN 111652088A CN 202010415305 A CN202010415305 A CN 202010415305A CN 111652088 A CN111652088 A CN 111652088A
- Authority
- CN
- China
- Prior art keywords
- images
- image
- value
- row
- img
- 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 52
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- UKGJZDSUJSPAJL-YPUOHESYSA-N (e)-n-[(1r)-1-[3,5-difluoro-4-(methanesulfonamido)phenyl]ethyl]-3-[2-propyl-6-(trifluoromethyl)pyridin-3-yl]prop-2-enamide Chemical class CCCC1=NC(C(F)(F)F)=CC=C1\C=C\C(=O)N[C@H](C)C1=CC(F)=C(NS(C)(=O)=O)C(F)=C1 UKGJZDSUJSPAJL-YPUOHESYSA-N 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 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
- G06V40/1394—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using acquisition arrangements
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及基于视频选优机制的指静脉注册方法及装置，方法包括以下步骤：采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频；从每根手指的视频中提取出n张图像，从中选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册，若无法找到正常放置、左旋转、右旋转、上移和下移状态中至少一种状态下的多张图像，则注册失败。装置包括视频采集模块和图像提取及拼接模块。本发明以拼接出来的图像为注册模板，保证了注册过程中手指的唯一性和姿态多样性。
Description
技术领域
本发明涉及信息安全中的生物特征识别技术领域，尤其涉及一种基于视频选优机制的指静脉注册方法及注册装置。
背景技术
手指静脉识别技术是第二代生物特征识别的代表性技术，它使用近红外光对手指进行照射，手指静脉血管中的血红蛋白对近红外光相比于骨骼肌肉等区域具有更高的吸收率，因此手指静脉血管纹路在指静脉图像中会形成低灰度区域。手指静脉纹路具有唯一性和稳定性，并且位于人体内部，具有高度的安全性和防伪性。因此可以利用指静脉图像进行个人的身份认证。
现有的指静脉注册方法如专利号为CN107657209A公开的发明专利申请，该注册方法只有同时满足三个判决条件的图像，方可在数据库中注册：一是判决是否为曝光过度或不足的图像；二是判决是否为静脉清晰但静脉稀疏的图像；三是判决是否为静脉图像模糊不清晰的图像；具体的：首先由采集设备采集到手指静脉注册模板图像，经过预处理后，依次对图像进行曝光程度判别、稀疏程度判别和静脉模糊程度判别，若判决为低质量图像，则由系统拒绝下一步操作并语音提醒采集失败，需重新采集，只有同时满足图像曝光程度判别、模糊程度判别和静脉稀疏程度判别条件，才被允许进行接下来的注册操作。
上述方法中，由于采集图像时，受同一根手指左右旋转和上下移动过程中指静脉图像相差较大的影响，当同一根手指左右旋转过大或者上下移动过大时，验证通过率比较低，目前指静脉注册方法大多为拍照模式，当使用拍照模式时，一是同一根手指进行注册时，需要这根手指放置、抬起很多次，从而使注册步骤比较繁琐，用户体验比较差；二是同一根手指注册进行大范围左右旋转和上下移动时，由于图像之间相差比较大，无法确定是同一根手指还是不同手指，从而使注册时无法确保手指唯一性。
发明内容
本发明的目的在于针对传统的指静脉注册方法在保证注册手指唯一性的情况下无法保证手指姿态的多样性的问题，提出一种基于视频选优机制的指静脉注册方法及注册装置。
为了达到目的，本发明提供的技术方案为：
本发明涉及一种基于视频选优机制的指静脉注册方法，包括以下步骤：
1)采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频；
2)从每根手指的视频中提取出n张图像，n>5，从中选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册，若无法找到正常放置、左旋转、右旋转、上移和下移状态全部状态下的多张图像，则注册失败。
本发明所述的左旋转状态的图像是指以正常放置的手指为基准，沿手指轴向左旋转所采集到的图像；所述的右旋转状态的图像是指以正常放置的手指为基准，沿手指轴向右旋转采集到的图像。
优选地，所述步骤2)的具体步骤包括：
2.1)在n张图像中粗略选择出互不相似的m张图像，m≥5；
2.2)从互不相似的m张图像中寻找正常放置、左旋转、右旋转、上移和下移状态下的图像；
2.3)若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的图像，则对多张图像并进行拼接，并以拼接后的图像为注册模板进行指静脉注册；若不能找到正常放置、左旋转、右旋转、上移和下移中全部状态下的图像，则注册失败。
优选地，所述步骤1)中，采集每根手指视频的过程中，在变化手指姿势时手指不能离开设备，一旦手指离开设备，则视为更换了手指。
优选地，所述步骤2.1)中，判断任意两张图像是否相似的过程包括以下步骤：
2.1.1)任意选择两张图像，将这两张图像压缩成8*8，共64个像素的图像；
2.1.2)分别计算64个像素的灰度均值μ；
2.1.3)将64个像素的灰度分别和灰度均值μ进行比较，大于或者等于μ的像素记作1，否则记作0；
2.1.4)将两张64个对应0或者1的结果进行比较，灰度值不同个数小于规定阈值T1时则判定为相似或者相同的图像，否则判定为不相似或者不同的图像。
优选地，所述步骤2.2)中从互不相似的m张图像中寻找正常放置、左旋转、右旋转、上移和下移状态下的图像的具体步骤包括：
2.2.1)m张图像均通过边缘检测、膨胀、细化、去毛刺四个步骤进行特征提取，得到手指静脉的细线图；
2.2.2)以m张图像中第一张图像为正常放置图像，以正常放置图像为基准图像Img_Reg，通过遍历方法，寻找基准图像Img_Reg最上面纹理开始的行row_start，及最下面纹理结束的行row_end，同时寻找基准图像Img_Reg最左面纹理开始的列col_start，及最右面纹理结束的列col_end，通过滑窗比较的方式寻找上下平移、左右旋转的图像。
优选地，所述步骤2.2.1)中，m张图像通过边缘检测、膨胀、细化、去毛刺四个步骤进行特征提取的步骤包括：
2.2.1.1)利用sobel算子进行边缘检测，即设图像为A，将图像A与sobel算子中的卷积因子进行横向卷积，得到Gx和Gy，
对图像的每一个像素进行横向和纵向计算，得到的计算值为G，
将计算值与阈值T2进行比较，进而得到二值图B，
其中，f(x,y)为像素值；
2.2.1.2)将二值图B与膨胀卷积因子进行卷积得到Gxy，
并与阈值T3比较，得到膨胀后的二值图，
2.2.1.3)对膨胀后的二值图进行细化，即当P1的3*3邻域满足公式(6)中的4个全部条件的，则删除二值图像素P1，
其中，N(P1)是P1周围8个相邻点的值的和，T(P1)是P1周围8个点0、1轮换的次数；
2.2.1.4)通过比较孤立线和分叉线的长度以及合适阈值T4，对细化后的二值图进行去毛刺，
优选地，所述步骤2.2.2)中，
寻找上下平移的图像的方法包括：
2.2.2.1)选取基准图像Img_Reg的最中间区域Mid_area，大小为w*h，在m-1张图像中选取一张图像Img_test，将其与基准图像Img_Reg左右对齐，将中间区域Mid_area在选取的图像Img_test左右最中间从上到下进行滑窗比较，步长为1，每次滑窗比较中间区域Mid_area内每个像素对应的差值，然后将w*h个像素的差值的绝对值进行相加，得到一个Value值，并记录相应行的值，取所有滑窗中Value值最小的值为Value_min和对应行的值，如果Value_min值小于阈值T5，则找到了相似区域，同时记录此图像的行值；否则没有找到相似区域；
2.2.2.2)重复步骤2.2.2.1)，使m-1张图像都与基准图像进行滑窗比较，找到m1张和基准图像中间区域相似的图像；
寻找左右旋转的图像的方法包括：
2.2.2.3)选取基准图像Img_Reg的最中间区域Mid_area，大小为w*h，取m-3中的一张图像Img_test，将其与基准图像Img_Reg上下对齐，将中间区域Mid_area在图像Img_test上下最中间从左到右进行滑窗比较，步长为1，每次滑窗比较中间区域Mid_area内每个像素对应的差值，然后将w*h个像素的差值的绝对值进行相加，得到一个Value值，并记录相应列的值，取所有滑窗中Value值最小的值为Value_min和对应列的值col，如果Value_min值小于阈值T5，则找到了相似区域，同时记录此图像的列col，否则没有找到相似区域；
2.2.2.4)重复步骤2.2.2.3)，使m-3张图像都与基准图像进行滑窗比较，找到m2张和基准图像中间区域相似的图像；
所述步骤2.3)中，
比较m1张图像中行值的最小值row_min与最大值row_max，并找到对应的行值最小图像Img_up和行值最大图像Img_down；将行值最小图像Img_up对应原图的下面row_down行图像拼接在基准图像Img_Reg的最下面纹理结束行row_end的下面；将行值最大图像Img_down对应原图的上面row_up行图像拼接在基准图像Img_Reg的最上面纹理开始行row_start的上面；
比较m2张图像中列值的最小值col_min与最大值col_max，并找到对应的列值最小的图像Img_left和列值最大的图像Img_right；将列值最小的图像Img_left对应原图的右边col_right列图像拼接在基准图像的Img_Reg的右边；将列值最大的图像Img_right对应原图的左边col_left列图像拼接在基准图像Img_Reg的左边。
优选地，所述步骤2.3)中，row_down及row_up的计算公式为：
row_down＝(Img_h-h)/2-row_min+(Img_h-row_end) (8)；
row_up＝row_max-(Img_h-h)/2+row_start (9)。
优选地，所述步骤2.3)中，col_right及col_left的计算公式为：
col_right＝(Img_w-w)/2-col_min+(Img_w-col_end) (10)；
col_left＝col_max-(Img_w-w)/2+col_start (11)。
本发明涉及的基于视频选优机制的指静脉注册装置，包括：
1)视频采集模块，用于采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频；
2)图像提取及拼接模块，用于从每根手指的视频中提取出n张图像，n>5，并从中选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册。
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：
本发明利用视频采集模式对同一根手指在大范围左右旋转和上下移动时采集一段视频，并从这段视频中选取正常放置、左旋转、右旋转、上移、下移的多张图像进行拼接，再以拼接出来的图像为注册模板，保证了注册过程中手指的唯一性和姿态多样性。
附图说明
图1是基于视频选优机制的指静脉注册方法的流程图；
图2是寻找上下平移的图像的原理图；
图3是寻找左右旋转的图像的原理图；
图4是基准图像和左旋转、右旋转、上移、下移状态下的图像；
图5是拼接后的注册图像；
图6是基于视频选优机制的指静脉注册装置的框图。
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。
实施例一
结合附图1所示，本发明涉及一种基于视频选优机制的指静脉注册方法包括以下步骤：
1)采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频，需要注意的是，采集每根手指视频的过程中，在变化手指姿势时手指不能离开设备，一旦手指离开设备，则视为更换了手指；
2)从每根手指的视频中提取出312张图像，图像大小为150*400，150为图像的宽，400为图像的高；从这312张图像种选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册，若无法找到正常放置、左旋转、右旋转、上移和下移状态中全部状态下的多张图像，则注册失败。
所述步骤2)中，从这312张图像种选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像具体步骤包括：
2.1)在312张图像中粗略选择出互不相似的m张图像，m≥5，判断任意两张图像是否相似的过程包括以下步骤：
2.1.1)任意选择两张图像，将这两张图像压缩成8*8，共64个像素的图像；
2.1.2)分别计算64个像素的灰度均值μ；
2.1.3)将64个像素的灰度分别和灰度均值μ进行比较，大于或者等于μ的像素记作1，否则记作0；
2.1.4)将两张64个对应0或者1的结果进行比较，灰度值不同个数小于规定阈值T1时则判定为相似或者相同的图像，否则判定为不相似或者不同的图像，本实施例中规定阈值T1＝5；
2.2)通过以上方法，从312张图像中选择出了m张互不相似的图片，本实施例中m＝11，进一步地从这互不相似的11张图像中寻找正常放置、左旋转、右旋转、上移和下移状态下的图像，其具体步骤包括：
2.2.1)上述11张互不相似的图像均通过边缘检测、膨胀、细化、去毛刺四个步骤进行特征提取，得到手指静脉的细线图，特征提取的具体方式是：
2.2.1.1)利用sobel算子进行边缘检测，
其中，
Sobel卷积因子为：
即设图像为A，将图像A与sobel算子中的卷积因子进行横向卷积，得到Gx和Gy，
对图像的每一个像素进行横向和纵向计算，得到的计算值为G，
将计算值与阈值T2进行比较，本实施例中T2＝30，进而得到二值图B，
其中，f(x,y)为像素值；
2.2.1.2)将二值图B与膨胀卷积因子进行卷积得到Gxy，膨胀卷积因子为：
Gxy
则，
并与阈值T3比较，本实施例中T3＝2，得到膨胀后的二值图，
2.2.1.3)对膨胀后的二值图进行细化，P1的3*3邻域如下表：
| P9 | P2 | P3 |
| P8 | P1 | P4 |
| P7 | P6 | P5 |
即当P1的3*3邻域满足公式(6)中的4个全部条件的，则删除二值图像素P1，
其中，N(P1)是P1周围8个相邻点的值的和，T(P1)是P1周围8个点0、1轮换的次数；
2.2.1.4)通过比较孤立线和分叉线的长度以及合适阈值T4，本实施例中T4＝10对细化后的二值图进行去毛刺，
通过以上四个步骤，就可以将初步选择出来的11张图像提取指静脉细线特征，为后面图像拼接做准备。
2.2.2)以m张图像中第一张图像为正常放置图像，以正常放置图像为基准图像Img_Reg，通过遍历方法，寻找基准图像Img_Reg最上面纹理开始的行row_start，row_start＝40，及最下面纹理结束的行row_end，row_end＝380，同时寻找基准图像Img_Reg最左面纹理开始的列col_start，col_start＝20，及最右面纹理结束的列col_end，col_end＝130，通过滑窗比较的方式寻找上下平移、左右旋转的图像,，
寻找上下平移的图像的方法如图2所示，包括：
2.2.2.1)选取基准图像Img_Reg的最中间区域Mid_area，大小为24*50，在剩余10张图像中选取一张图像Img_test，将其与基准图像Img_Reg左右对齐，将中间区域Mid_area在选取的图像Img_test左右最中间从上到下进行滑窗比较，步长为1，每次滑窗比较中间区域Mid_area内每个像素对应的差值，然后将24*50个像素的差值的绝对值进行相加，得到一个Value值，并记录相应行的值，取所有滑窗中Value值最小的值为Value_min和对应行的值，如果Value_min值小于阈值T5，本实施例中T5＝100，则找到了相似区域，同时记录此图像的行值；否则没有找到相似区域；
2.2.2.2)重复步骤2.2.2.1)，使剩余的9张图像都与基准图像进行滑窗比较；
寻找左右旋转的图像的方法如图3所示，包括：
2.2.2.3)选取基准图像Img_Reg(如图4(a)所示)的最中间区域Mid_area，大小为24*50，取剩余8张图像中的一张图像Img_test，将其与基准图像Img_Reg上下对齐，将中间区域Mid_area在图像Img_test上下最中间从左到右进行滑窗比较，步长为1，每次滑窗比较中间区域Mid_area内每个像素对应的差值，然后将24*50个像素的差值的绝对值进行相加，得到一个Value值，并记录相应列的值，取所有滑窗中Value值最小的值为Value_min和对应列的值col，如果Value_min值小于阈值T5，本实施例中T5＝100，则找到了相似区域，同时记录此图像的列col，否则没有找到相似区域；
2.2.2.4)重复步骤2.2.2.3)，使剩余的8张图像都与基准图像进行滑窗比较。
2.3)若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的图像，则对多张图像并进行拼接，并以拼接后的图像为注册模板进行指静脉注册；若不能找到正常放置、左旋转、右旋转、上移和下移全部状态下的图像，则注册失败；本实施例中，通过步骤2.2.2.1)和2.2.2.2)找到3张和基准图像中间区域相似的图像，通过步骤2.2.2.3)和2.2.2.4)找到4张和基准图像中间区域相似的图像；进一步地，从通过步骤2.2.2.1)和2.2.2.2)找到3张图像中，比较3张图像中行值的最小值row_min与最大值row_max，行的最小值为row_min＝2，行的最大值为row_max＝250，找到对应的行值最小图像Img_up和行值最大图像Img_down，图像Img_up如图4(d)所示，图像Img_down如图4(e)所示；将行值最小图像Img_up对应原图的下面row_down行图像拼接在基准图像Img_Reg的最下面纹理结束行row_end＝380的下面；将行值最大图像Img_down对应原图的上面row_up＝40行图像拼接在基准图像Img_Reg的最上面纹理开始行row_start的上面，即：
row_down＝(Img_h-h)/2-row_min+(Img_h-row_end)
＝(400-50)/2-2+(400-380)
＝193；
row_up＝row_max-(Img_h-h)/2+row_start
＝250-(400-50)/2+40
＝115；
所述步骤2.3)中，从4张和基准图像中间区域相似的图像，比较这4张图像中列值的最小值col_min与最大值col_max，如图4所示，本实施例中列值的最小值col_min＝23，列值的最大值col_max＝123，找到对应的列值最小的图像Img_left和列值最大的图像Img_right，图像Img_left如图4(c)所示，图像Img_right如图4(b)所示；将列值最小的图像Img_left对应原图的右边col_right列图像拼接在基准图像的Img_Reg的右边；将列值最大的图像Img_right对应原图的左边col_left列图像拼接在基准图像Img_Reg的左边，即：
col_right＝(Img_w-w)/2-col min+(Img_w–col_start)
＝(150-24)/2-23+150-130
＝70；
col_left＝col_max-(Img_w-w)/2+col_start
＝123-(200-50)/2+33
＝80；
最终拼接的图像如图5所示。为了进一步阐述本发明的效果，以本发明拼接后的图像为注册模板A进行指静脉注册，将本实施例的手指用传统拍照模式生成注册模板B，然后用基于静脉纹路端点和交叉点的MHD(modified Hausdorff distance)识别算法，在本实施例的手指多姿态放置1000次的情况下计算两种不同注册模板所得识别率，结果如表1所示：
表1：传统注册模式与视频选优机制注册模式识别率对照表：
比较传统拍照注册模式和视频选优机制注册模式下的识别率可知，采用本实施例涉及的视频选优机制注册模式的识别率比传统注册模式识别率高出20％多，识别准确率大幅度提高。
实施例二
结合附图6所示，本实施例涉及一种基于视频选优机制的指静脉注册装置，包括：
1)视频采集模块，用于采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频；所述视频采集模块是用于实现实施例一步骤1)的功能的模块。
2)图像提取及拼接模块，用于从每根手指的视频中提取出n张图像，并从中选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册；所述图像提取及拼接模块是用于实现实施例一步骤2)的功能模块。
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)
1.一种基于视频选优机制的指静脉注册方法，其特征在于：其包括以下步骤：
1)采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频；
2)从每根手指的视频中提取出n张图像，n>5，从中选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册，若无法找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则注册失败。
2.根据权利要求1所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2)的具体步骤包括：
2.1)在n张图像中粗略选择出互不相似的m张图像，m≥5；
2.2)从互不相似的m张图像中寻找正常放置、左旋转、右旋转、上移和下移状态下的图像；
2.3)若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的图像，则对多张图像并进行拼接，并以拼接后的图像为注册模板进行指静脉注册；若不能找到正常放置、左旋转、右旋转、上移和下移全部状态下的图像，则注册失败。
3.根据权利要求1所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤1)中，采集每根手指视频的过程中，在变化手指姿势时手指不能离开设备，一旦手指离开设备，则视为更换了手指。
4.根据权利要求2所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2.1)中，判断任意两张图像是否相似的过程包括以下步骤：
2.1.1)任意选择两张图像，将这两张图像压缩成8*8，共64个像素的图像；
2.1.2)分别计算64个像素的灰度均值μ；
2.1.3)将64个像素的灰度分别和灰度均值μ进行比较，大于或者等于μ的像素记作1，否则记作0；
2.1.4)将两张64个对应0或者1的结果进行比较，灰度值不同个数小于规定阈值T1时则判定为相似或者相同的图像，否则判定为不相似或者不同的图像。
5.根据权利要求2所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2.2)中从互不相似的m张图像中寻找正常放置、左旋转、右旋转、上移和下移状态下的图像的具体步骤包括：
2.2.1)m张图像均通过边缘检测、膨胀、细化、去毛刺四个步骤进行特征提取，得到手指静脉的细线图；
2.2.2)以m张图像中第一张图像为正常放置图像，以正常放置图像为基准图像Img_Reg，通过遍历方法，寻找基准图像Img_Reg最上面纹理开始的行row_start，及最下面纹理结束的行row_end，同时寻找基准图像Img_Reg最左面纹理开始的列col_start，及最右面纹理结束的列col_end，通过滑窗比较的方式寻找上下平移、左右旋转的图像。
6.根据权利要求5所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2.2.1)中，m张图像通过边缘检测、膨胀、细化、去毛刺四个步骤进行特征提取的步骤包括：
2.2.1.1)利用sobel算子进行边缘检测，即设图像为A，将图像A与sobel算子中的卷积因子进行横向卷积，得到Gx和Gy，
对图像的每一个像素进行横向和纵向计算，得到的计算值为G，
将计算值与阈值T2进行比较，进而得到二值图B，
其中，f(x,y)为像素值；
2.2.1.2)将二值图B与膨胀卷积因子进行卷积得到Gxy，
并与阈值T3比较，得到膨胀后的二值图，
2.2.1.3)对膨胀后的二值图进行细化，即当P1的3*3邻域满足公式(6)中的4个全部条件的，则删除二值图像素P1，
其中，N(P1)是P1周围8个相邻点的值的和，T(P1)是P1周围8个点0、1轮换的次数；
2.2.1.4)通过比较孤立线和分叉线的长度以及合适阈值T4，对细化后的二值图进行去毛刺，
7.根据权利要求5所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2.2.2)中，
寻找上下平移的图像的方法包括：
2.2.2.1)选取基准图像Img_Reg的最中间区域Mid_area，大小为w*h，在m-1张图像中选取一张图像Img_test，将其与基准图像Img_Reg左旋转对齐，将中间区域Mid_area在选取的图像Img_test左旋转最中间从上到下进行滑窗比较，步长为1，每次滑窗比较中间区域Mid_area内每个像素对应的差值，然后将w*h个像素的差值的绝对值进行相加，得到一个Value值，并记录相应行的值，取所有滑窗中Value值最小的值为Value_min和对应行的值，如果Value_min值小于阈值T5，则找到了相似区域，同时记录此图像的行值；否则没有找到相似区域；
2.2.2.2)重复步骤2.2.2.1)，使m-1张图像都与基准图像进行滑窗比较，找到m1张和基准图像中间区域相似的图像；
寻找左右旋转的图像的方法包括：
2.2.2.3)选取基准图像Img_Reg的最中间区域Mid_area，大小为w*h，取m-3中的一张图像Img_test，将其与基准图像Img_Reg上下对齐，将中间区域Mid_area在图像Img_test上下最中间从左到右进行滑窗比较，步长为1，每次滑窗比较中间区域Mid_area内每个像素对应的差值，然后将w*h个像素的差值的绝对值进行相加，得到一个Value值，并记录相应列的值，取所有滑窗中Value值最小的值为Value_min和对应列的值col，如果Value_min值小于阈值T5，则找到了相似区域，同时记录此图像的列col，否则没有找到相似区域；
2.2.2.4)重复步骤2.2.2.3)，使m-3张图像都与基准图像进行滑窗比较，找到m2张和基准图像中间区域相似的图像；
所述步骤2.3)中，
比较m1张图像中行值的最小值row_min与最大值row_max，并找到对应的行值最小图像Img_up和行值最大图像Img_down；将行值最小图像Img_up对应原图的下面row_down行图像拼接在基准图像Img_Reg的最下面纹理结束行row_end的下面；将行值最大图像Img_down对应原图的上面row_up行图像拼接在基准图像Img_Reg的最上面纹理开始行row_start的上面；
比较m2张图像中列值的最小值col_min与最大值col_max，并找到对应的列值最小的图像Img_left和列值最大的图像Img_right；将列值最小的图像Img_left对应原图的右边col_right列图像拼接在基准图像的Img_Reg的右边；将列值最大的图像Img_right对应原图的左边col_left列图像拼接在基准图像Img_Reg的左边。
8.根据权利要求7所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2.3)中，row_down及row_up的计算公式为：
row_down＝(Img_h-h)/2-row_min+(Img_h-row_end) (8)；
row_up＝row_max-(Img_h-h)/2+row_start (9)。
9.根据权利要求7所述的基于视频选优机制的指静脉注册方法，其特征在于：所述步骤2.3)中，col_right及col_left的计算公式为：
col_right＝(Img_w-w)/2-col_min+(Img_w-col_end) (10)；
col_left＝col_max-(Img_w-w)/2+col_start (11)。
10.一种基于视频选优机制的指静脉注册装置，其特征在于；其包括：
1)视频采集模块，用于采用视频模式采集每根手指的视频，包括每根手指正常放置、左旋转、右旋转、上移和下移的视频；
2)图像提取及拼接模块，用于从每根手指的视频中提取出n张图像，n>5，并从中选择正常放置、左旋转、右旋转、上移和下移状态下的多张图像，若能够找到正常放置、左旋转、右旋转、上移和下移全部状态下的多张图像，则对选择出来的图像进行拼接，并以拼接后的图像作为注册模板进行指静脉注册。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010415305.4A CN111652088B (zh) | 2020-05-15 | 2020-05-15 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010415305.4A CN111652088B (zh) | 2020-05-15 | 2020-05-15 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652088A true CN111652088A (zh) | 2020-09-11 |
| CN111652088B CN111652088B (zh) | 2023-06-20 |
Family
ID=72349383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010415305.4A Active CN111652088B (zh) | 2020-05-15 | 2020-05-15 | 一种基于视频选优机制的指静脉注册方法及注册装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652088B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101097599A (zh) * | 2006-06-26 | 2008-01-02 | 日立欧姆龙金融系统有限公司 | 生物体认证装置 |
| US20080112600A1 (en) * | 2005-06-13 | 2008-05-15 | Naoto Miura | Vein Authentication Device |
| 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 |
| CN102214297A (zh) * | 2011-06-14 | 2011-10-12 | 中国人民解放军国防科学技术大学 | 用于特征提取的静脉图像质量检测方法 |
| CN202872908U (zh) * | 2012-10-17 | 2013-04-10 | 上海斐讯数据通信技术有限公司 | 一种可进行静脉识别的移动终端 |
| CN103729640A (zh) * | 2013-12-24 | 2014-04-16 | 小米科技有限责任公司 | 一种手指静脉特征提取方法、装置及一种终端 |
| CN103902953A (zh) * | 2012-12-25 | 2014-07-02 | 深圳先进技术研究院 | 一种屏幕检测系统及方法 |
| CN105303128A (zh) * | 2014-07-31 | 2016-02-03 | 中国电信股份有限公司 | 一种防止未经授权使用移动终端的方法和移动终端 |
| US20160132710A1 (en) * | 2014-11-07 | 2016-05-12 | Fingerprint Cards Ab | Fingerprint authentication using stitch and cut |
| CN106096569A (zh) * | 2016-06-20 | 2016-11-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
| CN107657209A (zh) * | 2017-07-07 | 2018-02-02 | 杭州电子科技大学 | 一种基于手指静脉图像质量的模板图像注册机制 |
| CN107766776A (zh) * | 2016-08-17 | 2018-03-06 | 广州广电运通金融电子股份有限公司 | 一种手指静脉识别方法及装置 |
| CN107766775A (zh) * | 2016-08-17 | 2018-03-06 | 广州广电运通金融电子股份有限公司 | 一种手指静脉采集方法及装置 |
| CN107944416A (zh) * | 2017-12-06 | 2018-04-20 | 成都睿码科技有限责任公司 | 一种通过视频进行真人验证的方法 |
| CN107958443A (zh) * | 2017-12-28 | 2018-04-24 | 西安电子科技大学 | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 |
| CN108010035A (zh) * | 2017-11-07 | 2018-05-08 | 深圳市金城保密技术有限公司 | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 |
| US20180140784A1 (en) * | 2016-11-18 | 2018-05-24 | Becton, Dickinson And Company | Use of infrared light absorption for vein finding and patient identification |
| CN108549837A (zh) * | 2018-03-12 | 2018-09-18 | 浙江大学 | 一种滑动式手指静脉图像采集设备及其采集静脉图像的方法 |
| CN110298273A (zh) * | 2019-06-17 | 2019-10-01 | 深圳大学 | 一种基于多光谱图像的3d指静脉提取方法及系统 |
| CN110909631A (zh) * | 2019-11-07 | 2020-03-24 | 黑龙江大学 | 一种手指静脉图像roi提取和增强方法 |
-
2020
- 2020-05-15 CN CN202010415305.4A patent/CN111652088B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080112600A1 (en) * | 2005-06-13 | 2008-05-15 | Naoto Miura | Vein Authentication Device |
| CN101097599A (zh) * | 2006-06-26 | 2008-01-02 | 日立欧姆龙金融系统有限公司 | 生物体认证装置 |
| 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 |
| CN102214297A (zh) * | 2011-06-14 | 2011-10-12 | 中国人民解放军国防科学技术大学 | 用于特征提取的静脉图像质量检测方法 |
| CN202872908U (zh) * | 2012-10-17 | 2013-04-10 | 上海斐讯数据通信技术有限公司 | 一种可进行静脉识别的移动终端 |
| CN103902953A (zh) * | 2012-12-25 | 2014-07-02 | 深圳先进技术研究院 | 一种屏幕检测系统及方法 |
| CN103729640A (zh) * | 2013-12-24 | 2014-04-16 | 小米科技有限责任公司 | 一种手指静脉特征提取方法、装置及一种终端 |
| CN105303128A (zh) * | 2014-07-31 | 2016-02-03 | 中国电信股份有限公司 | 一种防止未经授权使用移动终端的方法和移动终端 |
| US20160132710A1 (en) * | 2014-11-07 | 2016-05-12 | Fingerprint Cards Ab | Fingerprint authentication using stitch and cut |
| CN106096569A (zh) * | 2016-06-20 | 2016-11-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
| CN107766776A (zh) * | 2016-08-17 | 2018-03-06 | 广州广电运通金融电子股份有限公司 | 一种手指静脉识别方法及装置 |
| CN107766775A (zh) * | 2016-08-17 | 2018-03-06 | 广州广电运通金融电子股份有限公司 | 一种手指静脉采集方法及装置 |
| US20180140784A1 (en) * | 2016-11-18 | 2018-05-24 | Becton, Dickinson And Company | Use of infrared light absorption for vein finding and patient identification |
| CN107657209A (zh) * | 2017-07-07 | 2018-02-02 | 杭州电子科技大学 | 一种基于手指静脉图像质量的模板图像注册机制 |
| CN108010035A (zh) * | 2017-11-07 | 2018-05-08 | 深圳市金城保密技术有限公司 | 基于方向谷形检测的指静脉图像分割方法及其系统、终端 |
| CN107944416A (zh) * | 2017-12-06 | 2018-04-20 | 成都睿码科技有限责任公司 | 一种通过视频进行真人验证的方法 |
| CN107958443A (zh) * | 2017-12-28 | 2018-04-24 | 西安电子科技大学 | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 |
| CN108549837A (zh) * | 2018-03-12 | 2018-09-18 | 浙江大学 | 一种滑动式手指静脉图像采集设备及其采集静脉图像的方法 |
| CN110298273A (zh) * | 2019-06-17 | 2019-10-01 | 深圳大学 | 一种基于多光谱图像的3d指静脉提取方法及系统 |
| CN110909631A (zh) * | 2019-11-07 | 2020-03-24 | 黑龙江大学 | 一种手指静脉图像roi提取和增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| 陈庆清: "基于 FPGA 和卷积神经网络的指静脉识", 《CNKI优秀硕士学位论文全文库》 * |
| 马慧等: "采用旋转校正的指静脉图像感兴趣区域提取方法", 《智能系统学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652088B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229397B (zh) | 基于Faster R-CNN的图像中文本检测方法 | |
| CN110008909B (zh) | 一种基于ai的实名制业务实时稽核系统 | |
| CN105760842A (zh) | 一种基于边缘和纹理特征结合的台标识别方法 | |
| CN104239867B (zh) | 车牌定位方法及系统 | |
| US7970212B2 (en) | Method for automatic detection and classification of objects and patterns in low resolution environments | |
| CN110378950A (zh) | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 | |
| CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
| CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
| CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
| CN107609575A (zh) | 书法评价方法、书法评价装置和电子设备 | |
| CN110738216A (zh) | 基于改进surf算法的药品识别方法 | |
| CN114004858B (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
| CN106874893A (zh) | 一种试卷分数的统计方法及系统 | |
| CN104463134A (zh) | 一种车牌检测方法和系统 | |
| CN115240210A (zh) | 一种用于手写汉字辅助练习的系统及方法 | |
| CN111652088B (zh) | 一种基于视频选优机制的指静脉注册方法及注册装置 | |
| CN112597868A (zh) | 基于无定位点的试卷识别和矫正方法 | |
| CN115311691B (zh) | 一种基于腕部静脉和腕部纹理的联合识别方法 | |
| CN112101332B (zh) | 一种基于3d指静脉的特征提取和比对方法及装置 | |
| CN113743497B (zh) | 基于注意力机制与多尺度特征的细粒度识别方法及系统 | |
| CN111382703B (zh) | 一种基于二次筛选与分数融合的指静脉识别方法 | |
| CN113763407B (zh) | 一种超声图像的结节边缘分析方法 | |
| CN113080874B (zh) | 一种多角度交叉验证的智能测肤系统 | |
| CN114219933A (zh) | 一种拍照搜题方法 | |
| CN115205184A (zh) | 一种瓶盖瑕疵检测方法及系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Finger Vein Registration Method and Registration Device Based on Video Optimization Mechanism Granted publication date: 20230620 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |