CN112052842B - 一种基于掌静脉的人员识别方法和装置 - Google Patents

一种基于掌静脉的人员识别方法和装置 Download PDF

Info

Publication number
CN112052842B
CN112052842B CN202011094671.0A CN202011094671A CN112052842B CN 112052842 B CN112052842 B CN 112052842B CN 202011094671 A CN202011094671 A CN 202011094671A CN 112052842 B CN112052842 B CN 112052842B
Authority
CN
China
Prior art keywords
vein
palm
position data
region
point position
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.)
Active
Application number
CN202011094671.0A
Other languages
English (en)
Other versions
CN112052842A (zh
Inventor
陈佳期
陈旭
李密
颜茂春
陈嘉华
唐铭一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Strait Zhihui Technology Co ltd
Original Assignee
Fujian Strait Zhihui Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Strait Zhihui Technology Co ltd filed Critical Fujian Strait Zhihui Technology Co ltd
Priority to CN202011094671.0A priority Critical patent/CN112052842B/zh
Publication of CN112052842A publication Critical patent/CN112052842A/zh
Application granted granted Critical
Publication of CN112052842B publication Critical patent/CN112052842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06V40/14—Vascular patterns

Abstract

本发明公开了一种基于掌静脉的人员识别方法和装置，通过Opencv确定获取的手掌图像中的感兴趣区域；通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；以及重复以上步骤获取未知人员和已知人员的特征点位置数据并存储在掌静脉特征数据库中；将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。因此能够对特征点进行有效的提取，具有更加准确的识别效果和更快的识别速度。

Description

一种基于掌静脉的人员识别方法和装置
技术领域
本发明涉及掌静脉图像处理领域，具体涉及一种基于掌静脉的人员识别方法和装置。
背景技术
生物特征识别技术是通过计算机利用人体所固有的生理特征(指纹、虹膜、面相、DNA等)或行为特征(步态、击键习惯等)来进行个人身份鉴定的技术。在这些生物特征识别技术中，由于指纹识别具有很强的唯一性、稳定性、易用性等特点，应用极为广泛。但是在指纹识别中，要求使用者在录入指纹时保持手指洁净、光滑、任何存在于指纹上的脏东西或者污点都能给识别带来困难，且指纹易于伪造，甚至出现一种用硅树脂制造的克隆指纹，导致指纹识别技术的安全系数比较低。
在现有技术中，目前已经出现将手静脉作为生物特征来识别的技术。在手静脉识别过程中，通常利用透射光或者反射光两种方式获取静脉图像，然后从静脉图像中提取静脉特征，进行特征匹配，实现了静脉识别，确认使用者身份。目前存在通过手指静脉识别技术进行特征比对，但由于现有手指静脉图像的静脉特征提取和匹配的效率都较低，因此手指静脉识别技术的成熟度和准确率低于指纹识别。目前除了手指静脉，手掌静脉识别技术还未有很多研究，掌静脉可获取的特征信息比较多，但是也更加难以采集到掌静脉特征。
有鉴于此，提出一种基于掌静脉的人员识别方法和装置是非常具有意义的。
发明内容
针对上述提到的掌静脉特征获取难度大，识别比对准确率低等问题。本申请的实施例的目的在于提出了一种基于掌静脉的人员识别方法、装置及存储介质来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种基于掌静脉的人员识别方法，包括以下步骤：
S1：获取手掌图像，通过Opencv确定手掌图像中的感兴趣区域；
S2：通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；
S3：通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；
S4：重复步骤S1～S3获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过步骤S1～S3获取未知人员的特征点位置数据；以及
S5：将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。
在一些实施例中，步骤S1具体包括：
S11：通过对手掌图像进行Otsu滤波处理获取手掌轮廓；
S12：通过轮廓检测算法对手掌轮廓进行计算，获取手掌轮廓的波峰波谷数据；
S13：根据波峰波谷数据中得到手掌图像中食指与中指、无名指与小指之间的内侧指根点的位置；以及
S14：根据食指与中指、无名指与小指之间的内侧指根点的位置确定感兴趣区域。
通过轮廓检测算法得到食指与中指、无名指与小指之间的内侧指根点的位置，进而确定感兴趣区域，在感兴趣区域中方便准确提取特征点。
在一些实施例中，步骤S2中对静脉纹理特征进行二值图像细化获取静脉曲线图具体包括：对静脉纹理特征依次进行Otsu滤波，限制对比度，膨胀腐蚀和迭代细化算法，获得静脉曲线图。通过上述图像处理方式可以获得较为清晰的静脉曲线图，便于进行静脉特征的提取。
在一些实施例中，限制对比度的方式采用对比度受限的自适应直方图均衡算法。采用该方法可以解决噪音放大的问题。
在一些实施例中，迭代细化算法采用zhang suen细化算法。通过迭代细化算法获得掌静脉图像的细化图，便于后续的识别。
在一些实施例中，步骤S3中以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据具体包括：
S31：以角点位置为种子点通过区域生长算法扩充得到特征区域，在特征区域中将至少有3条以角点位置为中心的交叉线接触到特征区域的边界的角点位置作为特征点位置；
S32：通过四舍五入算法计算特征点位置的坐标数据，并将坐标数据转化为数据类型为int字符串的特征点位置数据。
通过以上处理可以过滤掉很多噪音，获取准确有用的特征点位置数据。
在一些实施例中，步骤S5中采用NPL文本相似度算法计算特征点相似度，将特征点相似度最高的特征点位置数据所对应的已知人员的身份作为未知人员的身份。通过NLP文本相似度比对数据库中的特征点相似度，获取相似度最高的特征点就可以识别出未知人员的身份。
第二方面，本申请的实施例还提出了一种基于掌静脉的人员识别装置，包括：
感兴趣区域确定模块，用于获取手掌图像，通过Opencv确定手掌图像中的感兴趣区域；
静脉曲线图获取模块，用于通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；
特征点位置数据获取模块，用于通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；
存储模块，用于重复感兴趣区域确定模块～特征点位置数据获取模块的功能获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过感兴趣区域确定模块～特征点位置数据获取模块获取未知人员的特征点位置数据；以及
比对模块，用于将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本发明公开了一种基于掌静脉的人员识别方法和装置，通过Opencv确定获取的手掌图像中的感兴趣区域；通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；以及重复以上步骤获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过以上步骤获取未知人员的特征点位置数据；将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。利用谷形检测算法对感兴趣区域进行处理得到静脉曲线图，通过角点检测算法检测特征点位置数据以及最终的人员身份识别，能够对特征点进行有效的提取，去除干扰信息，具有更加准确的识别效果和更快的识别速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的一种基于掌静脉的人员识别方法的流程示意图；
图3为本发明的实施例的一种基于掌静脉的人员识别方法的步骤S1的流程示意图；
图4为本发明的实施例的一种基于掌静脉的人员识别方法的获取手掌轮廓示意图；
图5为本发明的实施例的一种基于掌静脉的人员识别方法的手掌统计波峰波谷数据图；
图6为本发明的实施例的一种基于掌静脉的人员识别方法的静脉曲线图；
图7为本发明的实施例的一种基于掌静脉的人员识别方法的静脉曲线图中的特征点位置示意图；
图8为本发明的实施例的一种基于掌静脉的人员识别方法的步骤S3中以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据的流程示意图；
图9为本发明的实施例的一种基于掌静脉的人员识别装置的示意图；
图10是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、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地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于掌静脉的人员识别方法或基于掌静脉的人员识别装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于掌静脉的人员识别方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于掌静脉的人员识别装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例公开的一种基于掌静脉的人员识别方法，包括以下步骤：
S1：获取手掌图像，通过Opencv确定手掌图像中的感兴趣区域；
S2：通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；
S3：通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；
S4：重复步骤S1～S3获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过步骤S1～S3获取未知人员的特征点位置数据；以及
S5：将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。
在具体的实施例中，如图3所示，步骤S1具体包括：
S11：通过对手掌图像进行Otsu滤波处理获取手掌轮廓；
S12：通过轮廓检测算法对手掌轮廓进行计算，获取手掌轮廓的波峰波谷数据；
S13：根据波峰波谷数据中得到手掌图像中食指与中指、无名指与小指之间的内侧指根点的位置；以及
S14：根据食指与中指、无名指与小指之间的内侧指根点的位置确定感兴趣区域。
在具体的实施例中，Otsu滤波也是采用Opencv库中的一个算法，轮廓检测算法是通过cv2.findContours调用Opencv库中的一个算法，轮廓检测算法去除小轮廓区域，取得最大轮廓手掌区域，目的是去除不相干的区域。如图4所示，步骤S13获取手掌轮廓的波峰波谷数据具体包括，以手掌轮廓最左侧为起始点，最右侧为结束点，记录Y值坐标，此时会出现同一个坐标有2个X值。在Opencv中的点坐标原点在图像的左上角定点，即同一个X轴，Y较小的为上半部分轮廓，反之为下半部分轮廓，确认上半部分轮廓和下半部分轮廓后，可知手指间的谷线在上半部分轮廓上。即以X坐标作为X轴值，Y坐标作为Y轴值，画出数据统计中的曲线数据图，如图5所示，拇指与食指、食指与中指、中指与无名指、无名指与小指之间是存在波谷线的，通过图5的曲线图可以找出手指间的4个谷线点。其中食指与中指、中指与无名指、无名指与小指之间的谷线连续间的起伏相对较小，和拇指与食指之间的波谷线起伏相对变化大，因此可以获得食指与中指、无名指与小指之间的内侧指根点的位置。手掌上半部分轮廓指手指的指尖与手指间的缝隙所产生的，该轮廓在位置图像的Y坐标上产生的起伏落差大，相反下半部分Y值起伏落差小，进而区分上下轮廓。而每次取的掌静脉的感兴趣区域需要是确定的，所以通过上半部分轮廓取确认食指和中指、中指和无名指之间的内侧指根点的位置，进而确认每次采集识别手掌静脉位置通过食指与中指之间的内侧指根点为起始点，即食指与中指、中指与无名指之间的内侧指根点的位置产生的距离作为长度所画出的正方形作为掌静脉识别的感兴趣区域。因此在感兴趣区域中可以方便准确提取特征点。在其他可选的实施例中，也可以将感兴趣区域设定为其他形状的区域范围。
在具体的实施例中，基于方向的谷形检测采用以下算法进行处理，具体方向谷形检测的方法如下：1)提取谷形区域。对图像f(x，y)中的每个像素，使用8个方向算子分别计算出以当前像素为中心、大小为9*9邻域8个方向上的卷积和，使用最大的卷积和替代当前点的灰度值，得到新的谷形特征矩阵g(x，y)。2)以0作为阈值进行粗分割。将步骤1)中获取的谷形特征矩阵g(x，y)用0值作为阈值进行阈值运算，大于0的值保留，小于0的值直接置0，此时得到粗分割图像h(x，y)。3)使用步骤2)的h(x，y)中所有非0元素均值进行二次粗分割。统计h(x，y)中非零元素个数，使用h(x，y)中非零元素之和除以非零元素个数，从而获取非零元素均值，使用该均值作为阈值对图像h(x，y)进行阈值操作，大于该均值的像素点灰度使用该均值替代，否则不作改变，此时获得新的分割图像k(x，y)。4)使用模糊增强对步骤3)中的k(x，y)进行增强，获取增强后的图像记为k'(x，y)。5)最后使用Niblack算法对步骤4)中的k'(x，y)进行细分割。利用上述方法可以将静脉的主体区域分割出来。
在优选的实施例中，可以通过Candy图像边缘检测的一阶微分算子的改良算法提高谷形检测的精确度。通过对梯度进行高低阈值的处理，Candy算法能够尽可能多地发现梯度并且对于初步梯度图像进行非极大值抑制处理，去除了大量非边缘梯度，从而为找寻单像素的静脉特征提供了可能。
在具体的实施例中，步骤S2中对静脉纹理特征进行二值图像细化获取静脉曲线图具体包括：对静脉纹理特征依次进行Otsu滤波，限制对比度，膨胀腐蚀和迭代细化算法，获得静脉曲线图。其中，利用Otsu算法将感兴趣区域图像分为大于阈值和小于阈值的两个部分即前景和背景部分，计算两部分的类间方差，类间方差越大表明两个部分直接的灰度差距越大，遍历0-255的阈值直至获得类间方差最大的值利用该值将静脉的灰度图转换为二值图。
进一步的，一般的直方图均衡可以增强对比度，采用整张图像的像素进行相同的直方图变换，对像素分布均匀的效果较好，但是对图像中存在明显比其他区域或者暗的区域，效果较差，使用局部直方图，每个像素通过其周边的一个矩形范围的像素的直方图进行均衡化，对于边界像素需要扩充，不是复制而是镜像，如果邻域矩形越大，对比度降低，越小，对比度增强，当某个区域中包含的像素非常相近，则直方图会非常尖锐，则会把一个很窄的像素范围映射到整个像素范围，则会把平坦区域的噪音进行放大。为了解决噪音放大的问题，本发明采用限制对比度的方法即对比度受限的自适应直方图均衡CLAHE算法。将超过设定的高度的直方图平均的分布到低端的直方图，这样可以降低CDF的斜度。阈值设置越高，则对比度越高。
在具体的实施例中，利用膨胀与腐蚀的图像处理可以消除噪声，分割出独立的图像元素，在感兴趣区域图像中连接相邻的元素，寻找出感兴趣区域图像中的明细的极大值区域或极小值区域以及求出感兴趣区域图像的梯度。将图像(原图中的部分区域A)与核(锚点B)进行卷积，膨胀就是求局部最大值的操作，与B卷积，就是求B所覆盖区域的像素点的最大值，并将最大值赋给参考点指定的像素，从而增长高亮区域。其运算符为“+”。腐蚀就是遍历到的某个位置时，其周围全部是白色，保留白色，否则变为黑色，图像腐蚀变小。其过程正好与膨胀相反。其运算符为“-”。通过对感兴趣区域图像的膨胀腐蚀处理，去除静脉曲线图的噪声，提升识别准确率。
在具体的实施例中，在二值图像处理例如OCR识别与匹配中，需要通过对字符进行细化以便获得图像的骨架，通过zhang-suen细化算法获得图像，作为图像的特征之一，常用来作为识别或者模式匹配。同理将其应用于静脉曲线图的迭代细化可以获得更加清晰准确的静脉曲线，以便进行静脉特征点的识别。具体的，该细化迭代算法包括两个步骤：首先，循环所有前景像素点，对符合条件的像素点标记为删除，不符合条件，无需标记为删除。其中，条件如下：
1.2<＝N(p1)<＝6
2.S(P1)＝1
3.P2*P4*P6＝0
4.P4*P6*P8＝0
其中N(p1)表示跟P1相邻的8个像素点中，为前景像素点的个数，S(P1)表示从P2～P9～P2像素中出现0～1的累计次数，其中0表示背景，1表示前景。
其次，类似上述步骤，条件1、2与上述步骤一致，条件3、4稍微不同，满足如下条件的像素P1则标记为删除，条件如下：
1.2<＝N(p1)<＝6
2.S(P1)＝1
3.P2*P4*P8＝0
4.P2*P6*P8＝0
循环上述两步骤，直到两步中都没有像素被标记为删除为止，输出的结果即为二值图像细化后的骨架。如图6所示，得到细化后的静脉曲线图。通过上述图像处理方式可以获得较为清晰的静脉曲线图，便于进行静脉特征的提取。
在具体的实施例中，如图7所示，步骤S3中以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据具体包括：
S31：以角点位置为种子点通过区域生长算法扩充得到特征区域，在特征区域中将至少有3条以角点位置为中心的交叉线接触到特征区域的边界的角点位置作为特征点位置；
S32：通过四舍五入算法计算特征点位置的坐标数据，并将坐标数据转化为数据类型为int字符串的特征点位置数据。
过以上处理可以过滤掉很多噪音，获取准确有用的特征点位置数据。最后得到的特征点位置如图8中的所示的圆点位置。将特征点坐标点区域转换成int字符串数据类型，掌静脉感兴趣区域图像例如在100*100像素大小,即计算:数据＝int(x/10+0.5)*10*1000+int(y/10+0.5)*10。把采集的所有掌静脉特征点位置数据根据每个人的ID存入掌静脉特征数据库中，便于后续进行比对。
在具体的实施例中，步骤S5中采用NPL文本相似度算法计算特征点相似度，将特征点相似度最高的特征点位置数据所对应的已知人员的身份作为未知人员的身份。通过NLP文本相似度比对数据库中的特征点相似度，获取相似度最高的特征点就可以识别出未知人员的身份。
继续参考图9，图9示出了根据本发明的实施例的一种基于掌静脉的人员识别装置的框架图。该系统具体包括感兴趣区域确定模块1、静脉曲线图获取模块2、特征点位置数据获取模块3、存储模块4和比对模块5。
其中，感兴趣区域确定模块1，用于获取手掌图像，通过Opencv确定手掌图像中的感兴趣区域；
静脉曲线图获取模块2，用于通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；
特征点位置数据获取模块3，用于通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；
存储模块4，用于重复感兴趣区域确定模块～特征点位置数据获取模块的功能获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过感兴趣区域确定模块～特征点位置数据获取模块获取未知人员的特征点位置数据；以及
比对模块5，用于将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。
本发明公开了一种基于掌静脉的人员识别方法和装置，通过Opencv确定获取的手掌图像中的感兴趣区域；通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；以及重复以上步骤获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过以上步骤获取未知人员的特征点位置数据；将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。利用谷形检测算法对感兴趣区域进行处理得到静脉曲线图，通过角点检测算法检测特征点位置数据以及最终的人员身份识别，能够对特征点进行有效的提取，去除干扰信息，具有更加准确的识别效果和更快的识别速度。
下面参考图10，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机装置1000包括中央处理单元(CPU)1001和图形处理器(GPU)1002，其可以根据存储在只读存储器(ROM)1003中的程序或者从存储部分1009加载到随机访问存储器(RAM)1004中的程序而执行各种适当的动作和处理。在RAM 1004中，还存储有装置1000操作所需的各种程序和数据。CPU 1001、GPU1002、ROM 1003以及RAM 1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线1005。
以下部件连接至I/O接口1006：包括键盘、鼠标等的输入部分1007；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分1008；包括硬盘等的存储部分1009；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1010。通信部分1010经由诸如因特网的网络执行通信处理。驱动器1011也可以根据需要连接至I/O接口1006。可拆卸介质1012，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1011上，以便于从其上读出的计算机程序根据需要被安装入存储部分1009。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1010从网络上被下载和安装，和/或从可拆卸介质1012被安装。在该计算机程序被中央处理单元(CPU)1001和图形处理器(GPU)1002执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取手掌图像，通过Opencv确定手掌图像中的感兴趣区域；通过基于方向的谷形检测获取感兴趣区域中的静脉纹理特征，对静脉纹理特征进行二值图像细化处理获取静脉曲线图；通过角点检测算法检测得到静脉曲线图中的角点位置，以角点位置为种子点通过区域生长算法获取静脉曲线图中的特征点位置数据；重复以上步骤获取已知人员的特征点位置数据并存储在掌静脉特征数据库中，通过以上步骤获取未知人员的特征点位置数据；以及将未知人员的特征点位置数据与掌静脉特征数据库中的特征点位置数据进行比对计算得到特征点相似度，根据特征点相似度判断未知人员的身份。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种基于掌静脉的人员识别方法，其特征在于，包括以下步骤：
S1：获取手掌图像，通过Opencv确定所述手掌图像中的感兴趣区域；
S11：通过对所述手掌图像进行Otsu滤波处理获取手掌轮廓；
S12：通过轮廓检测算法对所述手掌轮廓进行计算，获取所述手掌轮廓的波峰波谷数据；
S13：根据所述波峰波谷数据中得到所述手掌图像中食指与中指、无名指与小指之间的内侧指根点的位置；以及
S14：根据食指与中指、无名指与小指之间的内侧指根点的位置确定所述感兴趣区域；
S2：通过基于方向的谷形检测获取所述感兴趣区域中的静脉纹理特征，对所述静脉纹理特征进行二值图像细化处理获取静脉曲线图；
S3：通过角点检测算法检测得到所述静脉曲线图中的角点位置，以所述角点位置为种子点通过区域生长算法获取所述静脉曲线图中的特征点位置数据；
S4：重复步骤S1～S3获取已知人员的所述特征点位置数据并存储在掌静脉特征数据库中，通过步骤S1～S3获取未知人员的所述特征点位置数据；以及
S5：将所述未知人员的所述特征点位置数据与所述掌静脉特征数据库中的所述特征点位置数据进行比对计算得到特征点相似度，根据所述特征点相似度判断所述未知人员的身份。
2.根据权利要求1所述的基于掌静脉的人员识别方法，其特征在于，所述步骤S2中对所述静脉纹理特征进行二值图像细化获取静脉曲线图具体包括：对所述静脉纹理特征依次进行Otsu滤波，限制对比度，膨胀腐蚀和迭代细化算法，获得所述静脉曲线图。
3.根据权利要求2所述的基于掌静脉的人员识别方法，其特征在于，所述限制对比度的方式采用对比度受限的自适应直方图均衡算法。
4.根据权利要求2所述的基于掌静脉的人员识别方法，其特征在于，所述迭代细化算法采用zhang suen细化算法。
5.根据权利要求1所述的基于掌静脉的人员识别方法，其特征在于，所述步骤S3中以所述角点位置为种子点通过区域生长算法获取所述静脉曲线图中的特征点位置数据具体包括：
S31：以所述角点位置为种子点通过区域生长算法扩充得到特征区域，在所述特征区域中将至少有3条以所述角点位置为中心的交叉线接触到所述特征区域的边界的所述角点位置作为特征点位置；
S32：通过四舍五入算法计算所述特征点位置的坐标数据，并将所述坐标数据转化为数据类型为int字符串的所述特征点位置数据。
6.根据权利要求1所述的基于掌静脉的人员识别方法，其特征在于，所述步骤S5中采用NPL文本相似度算法计算所述特征点相似度，将所述特征点相似度最高的所述特征点位置数据所对应的所述已知人员的身份作为所述未知人员的身份。
7.一种基于掌静脉的人员识别装置，其特征在于，包括：
感兴趣区域确定模块，用于获取手掌图像，通过Opencv确定所述手掌图像中的感兴趣区域；所述感兴趣区域确定模块通过对所述手掌图像进行Otsu滤波处理获取手掌轮廓；所述感兴趣区域确定模块中存储有轮廓检测算法用以对所述手掌轮廓进行计算，获取所述手掌轮廓的波峰波谷数据；所述感兴趣区域确定模块根据所述波峰波谷数据中得到所述手掌图像中食指与中指、无名指与小指之间的内侧指根点的位置，以及根据食指与中指、无名指与小指之间的内侧指根点的位置确定所述感兴趣区域；
静脉曲线图获取模块，用于通过基于方向的谷形检测获取所述感兴趣区域中的静脉纹理特征，对所述静脉纹理特征进行二值图像细化处理获取静脉曲线图；
特征点位置数据获取模块，用于通过角点检测算法检测得到所述静脉曲线图中的角点位置，以所述角点位置为种子点通过区域生长算法获取所述静脉曲线图中的特征点位置数据；
存储模块，用于重复感兴趣区域确定模块～特征点位置数据获取模块的功能获取已知人员的所述特征点位置数据并存储在掌静脉特征数据库中，通过感兴趣区域确定模块～特征点位置数据获取模块获取未知人员的所述特征点位置数据；以及
比对模块，用于将所述未知人员的所述特征点位置数据与所述掌静脉特征数据库中的所述特征点位置数据进行比对计算得到特征点相似度，根据所述特征点相似度判断所述未知人员的身份。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202011094671.0A 2020-10-14 2020-10-14 一种基于掌静脉的人员识别方法和装置 Active CN112052842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094671.0A CN112052842B (zh) 2020-10-14 2020-10-14 一种基于掌静脉的人员识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094671.0A CN112052842B (zh) 2020-10-14 2020-10-14 一种基于掌静脉的人员识别方法和装置

Publications (2)

Publication Number Publication Date
CN112052842A CN112052842A (zh) 2020-12-08
CN112052842B true CN112052842B (zh) 2023-12-19

Family

ID=73606287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094671.0A Active CN112052842B (zh) 2020-10-14 2020-10-14 一种基于掌静脉的人员识别方法和装置

Country Status (1)

Country Link
CN (1) CN112052842B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780122B (zh) * 2021-08-30 2023-12-05 沈阳大学 基于手掌静脉特征加密的识别模板生成方法及装置
CN114241535B (zh) * 2021-12-01 2022-09-27 佛山市红狐物联网科技有限公司 一种快速掌静脉特征提取方法及系统
CN114612941B (zh) * 2022-05-11 2022-08-30 四川圣点世纪科技有限公司 一种基于掌静脉特征的多模式身份认证方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793692A (zh) * 2014-01-29 2014-05-14 五邑大学 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统
CN105760841A (zh) * 2016-02-22 2016-07-13 桂林航天工业学院 一种身份识别方法及系统
WO2017059591A1 (zh) * 2015-10-10 2017-04-13 厦门中控生物识别信息技术有限公司 手指静脉识别方法及装置
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793692A (zh) * 2014-01-29 2014-05-14 五邑大学 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统
WO2017059591A1 (zh) * 2015-10-10 2017-04-13 厦门中控生物识别信息技术有限公司 手指静脉识别方法及装置
CN105760841A (zh) * 2016-02-22 2016-07-13 桂林航天工业学院 一种身份识别方法及系统
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
掌静脉识别系统研究与实现;张文辉;《中国优秀硕士论文电子期刊网》;全文 *

Also Published As

Publication number Publication date
CN112052842A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052842B (zh) 一种基于掌静脉的人员识别方法和装置
US8306288B2 (en) Automatic identification of fingerprint inpainting target areas
Labati et al. Noisy iris segmentation with boundary regularization and reflections removal
Chatbri et al. Using scale space filtering to make thinning algorithms robust against noise in sketch images
Kauba et al. An available open-source vein recognition framework
US11145034B2 (en) Method for deblurring an image
Jaafar et al. A robust and fast computation touchless palm print recognition system using LHEAT and the IFkNCN classifier
CN113723309A (zh) 身份识别方法、身份识别装置、设备及存储介质
CN112507897A (zh) 跨模态人脸识别方法、装置、设备及存储介质
CN111814682A (zh) 人脸活体检测方法及装置
Choudhary et al. Skin lesion detection based on deep neural networks
Dwaich et al. Signature texture features extraction using GLCM approach in android studio
CN117115117B (zh) 基于小样本下的病理图像识别方法、电子设备及存储介质
Sahmoud et al. Fast iris segmentation algorithm for visible wavelength images based on multi-color space
Patel et al. Performance improvement in preprocessing phase of fingerprint recognition
Arhami et al. Contrast enhancement for improved blood vessels retinal segmentation using top-hat transformation and otsu thresholding.
Nagendra et al. Fingerprint image enhancement using filtering techniques
Krupiński et al. Binarization of degraded document images with generalized Gaussian distribution
CN113658238B (zh) 一种基于改进特征检测的近红外静脉图像高精度匹配方法
Sisodia et al. A conglomerate technique for finger print recognition using phone camera captured images
CN114529570A (zh) 图像分割方法、图像识别方法、用户凭证补办方法及系统
Devi et al. Enhancement of fingerprint image using wíener filter
KR101750897B1 (ko) 손가락 경계 및 손가락 마디 주름의 특징을 이용한 바이오 인식 방법
Narnaware et al. A review on image enhancement using artificial neural network and fuzzy logic
JP2019121187A (ja) 画像処理装置、画像処理方法および画像処理プログラム

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