CN112102210B - 一种基于自学习的静脉图像模板更新方法及装置 - Google Patents

一种基于自学习的静脉图像模板更新方法及装置 Download PDF

Info

Publication number
CN112102210B
CN112102210B CN202011283206.1A CN202011283206A CN112102210B CN 112102210 B CN112102210 B CN 112102210B CN 202011283206 A CN202011283206 A CN 202011283206A CN 112102210 B CN112102210 B CN 112102210B
Authority
CN
China
Prior art keywords
image
vein
template
binary
images
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
CN202011283206.1A
Other languages
English (en)
Other versions
CN112102210A (zh
Inventor
赵国栋
杨爽
李学双
张烜
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.)
Holy Point Century Technology Co.,Ltd.
Original Assignee
Beijing Shengdian Cloud Information 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 Beijing Shengdian Cloud Information Technology Co ltd filed Critical Beijing Shengdian Cloud Information Technology Co ltd
Priority to CN202011283206.1A priority Critical patent/CN112102210B/zh
Publication of CN112102210A publication Critical patent/CN112102210A/zh
Application granted granted Critical
Publication of CN112102210B publication Critical patent/CN112102210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于自学习的静脉图像模板更新方法及装置，所述的静脉图像模板更新方法包括以下步骤：1）采集指静脉注册图像，得到不同位置的指静脉图像；2）对静脉二值图像进行首尾拼接，得到大模板图像；3）采集指静脉验证图像并进行验证；4）进行断点修复；5）进行细节点修复；6）进行伪静脉点去除，从而完成对于指静脉图像模板的更新迭代。本发明根据验证图像的静脉信息修复模板静脉信息，不断更新迭代获得更完整的模板静脉图像，与根据图像质量替换模板或根据图像自身进行静脉修复的方法更具备准确性及真实性。

Description

一种基于自学习的静脉图像模板更新方法及装置
技术领域
本发明属于手指静脉识别及信息安全技术领域，尤其涉及一种基于自学习的静脉图像模板更新方法及装置。
背景技术
指静脉识别技术是一种新兴的生物特征识别技术，其利用手指静脉及周边生物组织对红外光吸收程度的差异得到指静脉图像，并根据静脉部分亮度低的特点来确定静脉的位置进而进行身份识别，这一过程获取的是人体内部特征，使指静脉识别技术更具备高安全性、难伪造性，被广泛应用在公共安全领域认证系统及设备。
传统的指静脉识别方法如中国专利CN104933389B公开的基于指静脉的身份识别装置及方法，包括，主摄像机、从摄像机、图像处理单元、身份认证单元、存储单元、触摸键、滤光镜，以及红外面光源，其中，主摄像机、从摄像机，分别将获取的主手指静脉图像、从手指静脉图像发送给图像处理单元；图像处理单元，从主手指静脉图像信号、从手指静脉图像信号中提取指静脉三维特征信息并进行规范化处理，获得指静脉的基准特征信息；身份认证单元，将获取的待识别指静脉的基准特征信息与指静脉基准特征模板信息进行比较，完成对指静脉的身份识别和认证。
由于手指静脉属于体内特征，其成像过程易受生物组织、皮肤结构的影响，导致采集到的指静脉图像成像质量偏低，且不同光照、不同手指姿态下采集的指静脉图像信息并不完全一致，导致同根手指的指静脉特征有偏差。在注册阶段采集的指静脉图像数量有限致使指静脉信息表达不完整，根据原始注册模板进行图像比对识别会使通过率下降，从而影响指静脉识别性能。
发明内容
本发明所要解决的技术问题提供一种基于自学习的静脉图像模板更新方法及装置，以解决指静脉图像成像质量偏低以及注册阶段采集的指静脉图像数量有限导致的指静脉信息表达不完整，只比对原始注册模板会影响识别性能的问题。
为了解决上述技术问题，本发明提供的技术方案为：
本发明涉及一种基于自学习的静脉图像模板更新方法，其包括以下步骤：
1）移动手指采集指静脉注册图像，得到n张不同位置的指静脉图像
Figure 777065DEST_PATH_IMAGE001
，并根据指静 脉图像
Figure 756523DEST_PATH_IMAGE001
获取对应的静脉二值图像
Figure 536260DEST_PATH_IMAGE002
，i为大于等于1且小于等于n的整数；
2）对n张静脉二值图像
Figure 996716DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接，得到大模板图像；
3）采集指静脉验证图像并根据指静脉验证图像获取验证二值图像
Figure 811088DEST_PATH_IMAGE003
，利用验证二 值图像
Figure 695867DEST_PATH_IMAGE003
进行验证，当验证成功，匹配定位大模板图像中对应的模板图像
Figure 962901DEST_PATH_IMAGE004
，并根据模板 图像
Figure 161801DEST_PATH_IMAGE004
对验证二值图像
Figure 892996DEST_PATH_IMAGE003
进行角度校正；
4）根据验证二值图像
Figure 886360DEST_PATH_IMAGE003
对模板图像
Figure 640690DEST_PATH_IMAGE004
进行断点修复；
5）根据验证二值图像
Figure 440018DEST_PATH_IMAGE003
对模板图像
Figure 963404DEST_PATH_IMAGE004
进行细节点修复；
6）对模板图像
Figure 393248DEST_PATH_IMAGE004
进行伪静脉点去除，从而完成对于指静脉图像模板的更新迭代。
采用更新迭代后的图像作为指静脉注册图像，用于后续的指静脉识别，有助于提高指静脉识别的通过率。
优选地，所述的步骤1）中，获取静脉二值图像
Figure 697190DEST_PATH_IMAGE002
的具体步骤包括：
1.1）使用同态滤波算法对指静脉图像
Figure 972314DEST_PATH_IMAGE001
进行增强处理；
1.2）使用改进的自适应修正系数Niblack算法对指静脉图像
Figure 615785DEST_PATH_IMAGE001
进行二值化处理，得 到静脉二值图像
Figure 13268DEST_PATH_IMAGE002
：
Figure 742190DEST_PATH_IMAGE005
式中，x为图像的横坐标，y为图像的纵坐标，
Figure 883321DEST_PATH_IMAGE006
为二值化后的图像灰度值，
Figure 381298DEST_PATH_IMAGE007
为指静脉图像灰度值，
Figure 152945DEST_PATH_IMAGE008
为w*w邻域内的基于平均梯度的自适应动态阈值；
其中，w*w邻域内的基于平均梯度的自适应动态阈值
Figure 165901DEST_PATH_IMAGE008
的计算公式为：
Figure 48406DEST_PATH_IMAGE009
式中，x为w*w邻域内图像的横坐标，y为w*w邻域内图像的纵坐标，a为自适应修正 系数，
Figure 400890DEST_PATH_IMAGE010
为w*w邻域内标准差，
Figure 402825DEST_PATH_IMAGE011
为w*w邻域内灰度均值，
Figure 840760DEST_PATH_IMAGE012
为整个图像平均梯度，
Figure 261377DEST_PATH_IMAGE013
为图像w*w邻域的平均梯度；
其中，平均梯度
Figure 796264DEST_PATH_IMAGE012
计算公式为：
Figure 909713DEST_PATH_IMAGE014
式中，M、N分别为图像的行列大小，
Figure 834944DEST_PATH_IMAGE015
、
Figure 121569DEST_PATH_IMAGE016
分别为图像的水平方向梯度、垂直方向梯 度。
本发明对Niblack算法中的修正系数
Figure 183066DEST_PATH_IMAGE017
进行改进，将常数
Figure 467416DEST_PATH_IMAGE017
改为基于平均梯度的自 适应修正系数，根据图像的平均梯度
Figure 942260DEST_PATH_IMAGE012
及图像w*w邻域的平均梯度
Figure 970259DEST_PATH_IMAGE013
决定
Figure 151842DEST_PATH_IMAGE018
，针对 图像静脉区域与非静脉区域进行不同修正系数的阈值化，可以更好地将静脉分割出来。
优选地，所述的步骤2）中，对n张静脉二值图像
Figure 403831DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接， 得到大模板图像的具体步骤包括：
2.1）将静脉二值图像
Figure 303654DEST_PATH_IMAGE019
沿着静脉二值图像
Figure 869765DEST_PATH_IMAGE002
的底部向上滑动，结合结构相似度 及相对熵计算两张图像叠加区域的相似度：
Figure 233750DEST_PATH_IMAGE020
其中，X、Y分别表示
Figure 594324DEST_PATH_IMAGE019
、
Figure 981443DEST_PATH_IMAGE002
叠加区域的图像，r为图像移动的行数，
Figure 413562DEST_PATH_IMAGE021
；
Figure 304157DEST_PATH_IMAGE017
、
Figure 101212DEST_PATH_IMAGE022
为常数，
Figure 772365DEST_PATH_IMAGE023
为X、Y的结构相似度，
Figure 945857DEST_PATH_IMAGE024
为X、Y的相 对熵，
Figure 956538DEST_PATH_IMAGE025
、
Figure 989741DEST_PATH_IMAGE026
分别为X、Y的平均值，
Figure 85873DEST_PATH_IMAGE027
、
Figure 797477DEST_PATH_IMAGE028
分别表示X、Y的标准差，
Figure 724982DEST_PATH_IMAGE029
表示X和Y的协方差，
Figure 863839DEST_PATH_IMAGE030
、
Figure 447267DEST_PATH_IMAGE031
为常数，
Figure 759300DEST_PATH_IMAGE032
、
Figure 744573DEST_PATH_IMAGE033
分别为X、Y的概率分布函数；
2.2）设置相似度阈值T1，当
Figure 54332DEST_PATH_IMAGE034
且
Figure 187373DEST_PATH_IMAGE035
时，静脉二值图像
Figure 240780DEST_PATH_IMAGE019
图像停止向上滑动，并且静脉 二值图像
Figure 80560DEST_PATH_IMAGE019
左右滑动若干列，使静脉二值图像
Figure 623536DEST_PATH_IMAGE019
与静脉二值图像
Figure 915978DEST_PATH_IMAGE002
叠加区域一致；
2.3）将左右滑动后的静脉二值图像
Figure 773075DEST_PATH_IMAGE019
拼接到静脉二值图像
Figure 529679DEST_PATH_IMAGE002
的N-r行上，缺失 部分像素置为0；
2.4）重复步骤2.1）~2.3），完成所有静脉二值图像的拼接。
优选地，所述的步骤3）中，匹配定位大模板图像中对应的模板图像
Figure 181240DEST_PATH_IMAGE004
，并根据模 板图像
Figure 226556DEST_PATH_IMAGE004
对验证二值图像
Figure 684082DEST_PATH_IMAGE003
进行角度校正的步骤包括：
3.1）将大模板图像进行像素点为0的左右边界扩充；
3.2）对扩充后的大模板图像，以左上角为起点取M*N大小的子图，以步长s进行整 个图像的遍历，计算模板图像
Figure 232875DEST_PATH_IMAGE004
与验证二值图像
Figure 383234DEST_PATH_IMAGE003
的平均误差平方和
Figure 650267DEST_PATH_IMAGE036
：
Figure 849167DEST_PATH_IMAGE037
式中，M、N分别为图像的行列大小，i为图像的横坐标，j为图像的纵坐标，
Figure 311854DEST_PATH_IMAGE038
为模板二值图像的灰度值，
Figure 570797DEST_PATH_IMAGE039
为验证二值图像的灰度值；
3.3）定位平均误差平方和D最小的模板图像
Figure 325126DEST_PATH_IMAGE004
，将验证二值图像
Figure 124455DEST_PATH_IMAGE003
进行左右旋 转，使最小模板图像
Figure 647840DEST_PATH_IMAGE004
、验证二值图像
Figure 77685DEST_PATH_IMAGE003
之间的平均误差平方和最小。
优选地，所述的步骤4）中根据验证二值图像
Figure 116048DEST_PATH_IMAGE003
对模板图像
Figure 656751DEST_PATH_IMAGE004
进行断点修复的具 体步骤包括：
4.1）标记验证二值图像
Figure 300222DEST_PATH_IMAGE003
、模板图像
Figure 697705DEST_PATH_IMAGE004
的连通区域；
4.2）判断验证二值图像
Figure 426627DEST_PATH_IMAGE003
、模板图像
Figure 505441DEST_PATH_IMAGE004
的连通区域数量，如果模板图像
Figure 65735DEST_PATH_IMAGE004
的连 通数量大于验证二值图像
Figure 571803DEST_PATH_IMAGE003
的连通数量，则表示模板图像
Figure 788021DEST_PATH_IMAGE004
中含有断点而验证二值图像
Figure 732843DEST_PATH_IMAGE003
对应位置上没有信息缺失：
Figure 85327DEST_PATH_IMAGE040
式中，
Figure 27875DEST_PATH_IMAGE041
为验证二值图像
Figure 528127DEST_PATH_IMAGE003
的连通数量，
Figure 948744DEST_PATH_IMAGE042
为模 板图像
Figure 421313DEST_PATH_IMAGE004
的连通数量；
4.3）定位模板图像
Figure 331500DEST_PATH_IMAGE004
缺失的部分，根据验证二值图像
Figure 256731DEST_PATH_IMAGE003
对应位置的静脉梯度，以 相同静脉走势补充模板图像
Figure 546286DEST_PATH_IMAGE004
，直到其与静脉部分相接，完成断点修复。
优选地，所述的步骤5）中根据验证二值图像
Figure 873362DEST_PATH_IMAGE003
对模板图像
Figure 157713DEST_PATH_IMAGE004
进行细节点修复的 具体步骤包括：
5.1）设置连通面积阈值T2，在断点修复完成的情况下，比较验证二值图像
Figure 632556DEST_PATH_IMAGE003
、模板 图像
Figure 394976DEST_PATH_IMAGE004
的连通区域面积，如果验证二值图像
Figure 576559DEST_PATH_IMAGE003
的连通面积大于模板图像
Figure 94128DEST_PATH_IMAGE004
的连通面积， 则表示验证二值图像
Figure 993950DEST_PATH_IMAGE003
较模板图像
Figure 560061DEST_PATH_IMAGE004
有新增的细节点：
Figure 658467DEST_PATH_IMAGE043
式中，
Figure 284620DEST_PATH_IMAGE044
为验证二值图像
Figure 671739DEST_PATH_IMAGE003
的连通面积，
Figure 838279DEST_PATH_IMAGE045
为模板图像
Figure 994453DEST_PATH_IMAGE004
的连通面 积；
5.2）定位验证二值图像
Figure 791508DEST_PATH_IMAGE003
新增细节点的位置，将模板图像
Figure 462661DEST_PATH_IMAGE004
对应位置的像素点 置为1，完成细节点修复。
优选地，所述的步骤6）中对模板图像
Figure 636153DEST_PATH_IMAGE004
进行伪静脉点去除的步骤包括：
6.1）对于模板图像
Figure 646835DEST_PATH_IMAGE004
像素值为1的点，定位其对应位置上的模板静脉图像
Figure 677107DEST_PATH_IMAGE046
中的 像素点，计算其与邻域像素点之差；
6.2）设置邻域差值阈值T3和邻域差值大于邻域差值阈值T3的数量阈值T4，统计邻 域差值大于邻域差值阈值T3的数量，如果数量大于数量阈值T4，则表示此像素点为伪静脉， 将模板图像
Figure 773239DEST_PATH_IMAGE004
对应位置的像素点置为0，完成伪静脉点去除：
Figure 219264DEST_PATH_IMAGE047
式中，p表示
Figure 412348DEST_PATH_IMAGE046
的当前像素点，
Figure 551206DEST_PATH_IMAGE048
表示p的四邻域像素点。
本发明还涉及一种基于自学习的静脉图像模板的更新装置，其包括：
1）采集模块，用于移动手指时采集指静脉注册图像，得到n张不同位置的指静脉图 像
Figure 134634DEST_PATH_IMAGE001
，并根据指静脉图像
Figure 443737DEST_PATH_IMAGE001
获取对应的静脉二值图像
Figure 429010DEST_PATH_IMAGE002
，i为大于等于1且小于等于n的整数；
2）拼接模块，用于对n张静脉二值图像
Figure 738769DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接，得到大模 板图像；
3）验证及角度校正模块，用于采集指静脉验证图像并根据指静脉验证图像获取验 证二值图像
Figure 871810DEST_PATH_IMAGE003
，利用验证二值图像
Figure 925216DEST_PATH_IMAGE003
进行验证，当验证成功，匹配定位大模板图像中对应的 模板图像
Figure 764996DEST_PATH_IMAGE004
，并根据模板图像
Figure 307973DEST_PATH_IMAGE004
对验证二值图像
Figure 600414DEST_PATH_IMAGE003
进行角度校正；
4）断点修复模块，用于根据验证二值图像
Figure 457512DEST_PATH_IMAGE003
对模板图像
Figure 214115DEST_PATH_IMAGE004
进行断点修复；
5）细节点修复模块，用于根据验证二值图像
Figure 865677DEST_PATH_IMAGE003
对模板图像
Figure 910993DEST_PATH_IMAGE004
进行细节点修复；
6）伪静脉点去除模块，用于对模板图像
Figure 368519DEST_PATH_IMAGE004
进行伪静脉点去除，从而完成对于指静 脉图像模板的更新迭代。
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、本发明针对指静脉图像成像质量偏低以及注册阶段采集的指静脉图像数量有限导致的指静脉信息表达不完整，只比对原始注册模板会影响识别性能的问题，根据验证图像的静脉信息修复模板静脉信息，不断更新迭代获得更完整的模板静脉图像，与根据图像质量替换模板或根据图像自身进行静脉修复的方法更具备准确性及真实性。
2、本发明使用了改进的基于图像平均梯度的自适应修正系数Niblack算法对指静脉图像进行二值化处理，将常数修正系数改为基于平均梯度的自适应修正系数，根据图像的平均梯度及图像w*w邻域的平均梯度决定，针对图像静脉区域与非静脉区域进行不同修正系数的阈值化处理，可以更好地将静脉分割出来。
3、本发明采集不同位置的注册图像，结合结构相似度与相对熵算法计算重合区域对其进行去重拼接，形成完整位置的指静脉模板，具备准确性及真实性。
4、本发明根据验证成功的指静脉图像匹配大模板图像的对应区域，然后根据对齐后的验证图像对模板图像进行信息修复，根据验证图像及模板图像的连通区域数量判断断点位置并修复，根据连通区域大小判断细节点位置并修复，根据邻域差值判断伪静脉点位置并去除，通过不断的模板更新，使指静脉模板更加真实丰富，能够更加准确描述出真正的指静脉特征，为后续的指静脉识别奠定了良好基础。
附图说明
图1为本发明的一种基于自学习的静脉图像模板更新方法的流程图；
图2为采集的指静脉注册图像
Figure 917312DEST_PATH_IMAGE001
；
图3为二值化后的指静脉注册图像
Figure 5354DEST_PATH_IMAGE002
；
图4为拼接后的指静脉模板图像；
图5为验证图像匹配到的模板图像部分
Figure 334704DEST_PATH_IMAGE004
；
图6为角度校准后的验证图像
Figure 268025DEST_PATH_IMAGE003
；
图7为断点修复后的模板图像；
图8为细节点修复后的模板图像；
图9为去除伪静脉后的模板图像；
图10为多次修复更新后的模板图像；
图11为本发明基于自学习的静脉图像模板更新装置的原理框图。
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1
参照附图1所示，本发明涉及一种基于自学习的静脉图像模板更新方法，其包括以下步骤：
1）移动手指采集指静脉注册图像，得到n张M*N大小的不同位置的指静脉图像
Figure 936904DEST_PATH_IMAGE001
，如 图2（a）、（b）、（c）所示；根据指静脉图像
Figure 258164DEST_PATH_IMAGE001
获取对应的静脉二值图像
Figure 746914DEST_PATH_IMAGE002
， i为大于等于1且小 于等于n的整数，如图3（a）、（b）、（c）所示；本实施例中n为3，M、N分别为400、160；该步骤的具 体步骤是：
1.1）使用同态滤波算法对指静脉图像
Figure 811822DEST_PATH_IMAGE001
进行增强处理；
1.2）使用改进的自适应修正系数Niblack算法对指静脉图像
Figure 335207DEST_PATH_IMAGE001
进行二值化处理，得 到静脉二值图像
Figure 499472DEST_PATH_IMAGE002
：
Figure 806344DEST_PATH_IMAGE049
式中，x为图像的横坐标，y为图像的纵坐标，
Figure 347047DEST_PATH_IMAGE006
为二值化后的图像灰度值，
Figure 724939DEST_PATH_IMAGE007
为指静脉图像灰度值，
Figure 388001DEST_PATH_IMAGE008
为w*w邻域内的基于平均梯度的自适应动态阈值；
其中，w*w邻域内的基于平均梯度的自适应动态阈值
Figure 851343DEST_PATH_IMAGE008
的计算公式为：
Figure 195737DEST_PATH_IMAGE050
式中，x为w*w邻域内图像的横坐标，y为w*w邻域内图像的纵坐标，a为自适应修正 系数，
Figure 756031DEST_PATH_IMAGE010
为w*w邻域内标准差，
Figure 262099DEST_PATH_IMAGE011
为w*w邻域内灰度均值，
Figure 478317DEST_PATH_IMAGE012
为整个图像平均梯度，
Figure 423139DEST_PATH_IMAGE013
为图像w*w邻域的平均梯度；
Figure 775623DEST_PATH_IMAGE014
式中，M、N分别为图像的行列大小，M=400，N=160，
Figure 452592DEST_PATH_IMAGE015
、
Figure 952843DEST_PATH_IMAGE016
分别为图像的水平方向梯 度、垂直方向梯度；
本实施例中。对Niblack算法中的修正系数
Figure 639040DEST_PATH_IMAGE017
进行改进，将常数
Figure 846030DEST_PATH_IMAGE017
改为基于平均梯 度的自适应修正系数，根据图像的平均梯度
Figure 21797DEST_PATH_IMAGE012
及图像w*w邻域的平均梯度
Figure 947027DEST_PATH_IMAGE013
决定
Figure 171335DEST_PATH_IMAGE018
，针对图像静脉区域与非静脉区域进行不同修正系数的阈值化，可以更好地将静 脉分割出来。
2）对n张静脉二值图像
Figure 560728DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接，得到大模板图像，如图4 所示，其具体步骤包括：
2.1）将静脉二值图像
Figure 845079DEST_PATH_IMAGE019
沿着静脉二值图像
Figure 992027DEST_PATH_IMAGE002
的底部向上滑动，结合结构相似度 及相对熵计算两张图像叠加区域的相似度：
Figure 82342DEST_PATH_IMAGE051
其中，X、Y分别表示
Figure 263925DEST_PATH_IMAGE019
、
Figure 719177DEST_PATH_IMAGE002
叠加区域的图像，r为图像移动的行数，
Figure 14325DEST_PATH_IMAGE021
；
Figure 580435DEST_PATH_IMAGE017
、
Figure 616524DEST_PATH_IMAGE022
为常数，
Figure 304995DEST_PATH_IMAGE023
为X、Y的结构相似度，
Figure 426534DEST_PATH_IMAGE024
为X、Y的相 对熵，
Figure 858653DEST_PATH_IMAGE025
、
Figure 14828DEST_PATH_IMAGE026
分别为X、Y的平均值，
Figure 811882DEST_PATH_IMAGE027
、
Figure 483035DEST_PATH_IMAGE028
分别表示X、Y的标准差，
Figure 390948DEST_PATH_IMAGE029
表示X和Y的协方差，
Figure 401630DEST_PATH_IMAGE030
、
Figure 431903DEST_PATH_IMAGE031
为常数，
Figure 528035DEST_PATH_IMAGE032
、
Figure 239639DEST_PATH_IMAGE033
分别为X、Y的概率分布函数；
2.2）设置相似度阈值T1，当
Figure 432723DEST_PATH_IMAGE034
且
Figure 571580DEST_PATH_IMAGE035
时，静脉二值图像
Figure 889429DEST_PATH_IMAGE019
图像停止向上滑动，并且静脉 二值图像
Figure 467041DEST_PATH_IMAGE019
左右滑动若干列，使静脉二值图像
Figure 452314DEST_PATH_IMAGE019
与静脉二值图像
Figure 762073DEST_PATH_IMAGE002
叠加区域一致；
2.3）将左右滑动后的静脉二值图像
Figure 629535DEST_PATH_IMAGE019
拼接到静脉二值图像
Figure 682941DEST_PATH_IMAGE002
的N-r行上，缺失 部分像素置为0；
2.4）重复步骤2.1）~2.3），完成所有静脉二值图像的拼接。
3）采集指静脉验证图像并根据指静脉验证图像获取验证二值图像
Figure 522721DEST_PATH_IMAGE003
，利用验证二 值图像
Figure 68628DEST_PATH_IMAGE003
进行验证，当验证成功，匹配定位大模板图像中对应的模板图像
Figure 626648DEST_PATH_IMAGE004
，如图5所示； 并根据模板图像
Figure 218166DEST_PATH_IMAGE004
对验证二值图像
Figure 240349DEST_PATH_IMAGE003
进行角度校正，如图6所示；匹配定位大模板图像中 对应的模板图像
Figure 891910DEST_PATH_IMAGE004
，并根据模板图像
Figure 671647DEST_PATH_IMAGE004
对验证二值图像
Figure 129174DEST_PATH_IMAGE003
进行角度校正的步骤包括：
3.1）将大模板图像进行像素点为0的左右边界扩充；
3.2）对扩充后的大模板图像，以左上角为起点取M*N大小的子图，以步长s进行整 个图像的遍历，计算模板图像
Figure 943546DEST_PATH_IMAGE004
与验证二值图像
Figure 766008DEST_PATH_IMAGE003
的平均误差平方和
Figure 95358DEST_PATH_IMAGE036
：
Figure 294259DEST_PATH_IMAGE037
式中，M、N分别为图像的行列大小，i为图像的横坐标，j为图像的纵坐标，
Figure 963137DEST_PATH_IMAGE038
为模板二值图像的灰度值，
Figure 18818DEST_PATH_IMAGE039
为验证二值图像的灰度值；
3.3）定位平均误差平方和D最小的模板图像
Figure 773147DEST_PATH_IMAGE004
，将验证二值图像
Figure 775738DEST_PATH_IMAGE003
进行左右旋 转，使最小模板图像
Figure 361441DEST_PATH_IMAGE004
、验证二值图像
Figure 525706DEST_PATH_IMAGE003
之间的平均误差平方和最小。
4）根据验证二值图像
Figure 767331DEST_PATH_IMAGE003
对模板图像
Figure 370351DEST_PATH_IMAGE004
进行断点修复，修复后的模板图像如图7所 示，其具体步骤包括：
4.1）标记验证二值图像
Figure 748243DEST_PATH_IMAGE003
、模板图像
Figure 348988DEST_PATH_IMAGE004
的连通区域；
4.2）判断验证二值图像
Figure 874647DEST_PATH_IMAGE003
、模板图像
Figure 219041DEST_PATH_IMAGE004
的连通区域数量，如果模板图像
Figure 451439DEST_PATH_IMAGE004
的连 通数量大于验证二值图像
Figure 282473DEST_PATH_IMAGE003
的连通数量，则表示模板图像
Figure 233112DEST_PATH_IMAGE004
中含有断点而验证二值图像
Figure 115617DEST_PATH_IMAGE003
对应位置上没有信息缺失：
Figure 530418DEST_PATH_IMAGE040
式中，
Figure 472966DEST_PATH_IMAGE041
为验证二值图像
Figure 973218DEST_PATH_IMAGE003
的连通数量，
Figure 659414DEST_PATH_IMAGE042
为模 板图像
Figure 866404DEST_PATH_IMAGE004
的连通数量；
4.3）定位模板图像
Figure 42171DEST_PATH_IMAGE004
缺失的部分，根据验证二值图像
Figure 967402DEST_PATH_IMAGE003
对应位置的静脉梯度，以 相同静脉走势补充模板图像
Figure 191710DEST_PATH_IMAGE004
，直到其与静脉部分相接，完成断点修复。
5）根据验证二值图像
Figure 581103DEST_PATH_IMAGE003
对模板图像
Figure 599874DEST_PATH_IMAGE004
进行细节点修复，修复后的模板图像如图8 所示，其具体步骤包括：
5.1）设置连通面积阈值T2，本实施例中设为10，在断点修复完成的情况下，比较验 证二值图像
Figure 12401DEST_PATH_IMAGE003
、模板图像
Figure 102717DEST_PATH_IMAGE004
的连通区域面积，如果验证二值图像
Figure 284299DEST_PATH_IMAGE003
的连通面积大于模板图 像
Figure 739551DEST_PATH_IMAGE004
的连通面积，则表示验证二值图像
Figure 436112DEST_PATH_IMAGE003
较模板图像
Figure 2223DEST_PATH_IMAGE004
有新增的细节点：
Figure 303891DEST_PATH_IMAGE052
式中，
Figure 992361DEST_PATH_IMAGE044
为验证二值图像
Figure 113901DEST_PATH_IMAGE003
的连通面积，
Figure 483702DEST_PATH_IMAGE045
为模板图像
Figure 705124DEST_PATH_IMAGE004
的连通面 积；
5.2）定位验证二值图像
Figure 502179DEST_PATH_IMAGE003
新增细节点的位置，将模板图像
Figure 111014DEST_PATH_IMAGE004
对应位置的像素点 置为1，完成细节点修复。
6）对模板图像
Figure 81244DEST_PATH_IMAGE004
进行伪静脉点去除，从而完成对于指静脉图像模板的更新迭代， 去除伪静脉点后的模板图像如图9所示，其具体步骤包括：
6.1）对于模板图像
Figure 91926DEST_PATH_IMAGE004
像素值为1的点，定位其对应位置上的模板静脉图像
Figure 59882DEST_PATH_IMAGE046
中的 像素点，计算其与邻域像素点之差；
6.2）设置邻域差值阈值T3和邻域差值大于邻域差值阈值T3的数量阈值T4，统计邻 域差值大于邻域差值阈值T3的数量，如果数量大于数量阈值T4，则表示此像素点为伪静脉， 将模板图像
Figure 218331DEST_PATH_IMAGE004
对应位置的像素点置为0，完成伪静脉点去除：
Figure 929935DEST_PATH_IMAGE053
式中，p表示
Figure 795123DEST_PATH_IMAGE046
的当前像素点，
Figure 996297DEST_PATH_IMAGE048
表示p的四邻域像素点；本实施例中邻域差值 阈值T3=7，数量阈值T4=2。
本发明可以根据验证图像的静脉信息修复模板静脉信息，不断更新迭代获得更完整的模板静脉图像，更新迭代10次后的模板图像如图10所示。
实施例2
参照图11，本发明还涉及一种基于自学习的静脉图像模板的更新装置，其包括：
1）采集模块，用于移动手指时采集指静脉注册图像，得到n张不同位置的指静脉图 像
Figure 579725DEST_PATH_IMAGE001
，并根据指静脉图像
Figure 95020DEST_PATH_IMAGE001
获取对应的静脉二值图像
Figure 877031DEST_PATH_IMAGE002
， i为大于等于1且小于等于n的整 数，采集模块用于实现实施例1步骤1）的功能。
2）拼接模块，用于对n张静脉二值图像
Figure 186790DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接，得到大模 板图像；拼接模块用于实现实施例1步骤2）的功能。
3）验证及角度校正模块，用于采集指静脉验证图像并根据指静脉验证图像获取验 证二值图像
Figure 257514DEST_PATH_IMAGE003
，利用验证二值图像
Figure 373237DEST_PATH_IMAGE003
进行验证，如果验证成功，匹配定位大模板图像中对应 的模板图像
Figure 213017DEST_PATH_IMAGE004
，并根据模板图像
Figure 693677DEST_PATH_IMAGE004
对验证二值图像
Figure 314014DEST_PATH_IMAGE003
进行角度校正；验证及角度校正模 块用于实现实施例1步骤3）的功能。
4）断点修复模块，用于根据验证二值图像
Figure 905533DEST_PATH_IMAGE003
对模板图像
Figure 599819DEST_PATH_IMAGE004
进行断点修复，断点修 复模块用于实现实施例1步骤4）的功能。
5）细节点修复模块，用于根据验证二值图像
Figure 579277DEST_PATH_IMAGE003
对模板图像
Figure 359014DEST_PATH_IMAGE004
进行细节点修复，细 节点修复模块用于实现实施例1步骤5）的功能。
6）伪静脉点去除模块，用于对模板图像
Figure 754223DEST_PATH_IMAGE004
进行伪静脉点去除，从而完成对于指静 脉图像模板的更新迭代。伪静脉点去除模块用于实现实施例1步骤6）的功能。
显然，本实施例的静脉图像模板的更新装置可以作为上述实施例1的静脉图像模板更新方法的执行主体，因此能够实现该静脉图像模板更新方法所实现的功能。由于原理相同，本文不再赘述。
实验例
为了验证本发明的基于自学习的静脉图像模板更新方法，采集60根手指，每指采集15张图像，其中3张作为注册图像，以此构成图像库。以传统的验证手指时分别与3张注册模板进行比对的方法、以及利用本发明步骤2）中所述的拼接3张注册图像进行比对的方法、以及本发明的基于自学习的静脉图像模板更新方法进行对比，计算图像库各个手指的1比1通过率情况，结果如表1所示：
表1： 1比1平均通过率
Figure 627983DEST_PATH_IMAGE054
由上表可知，本发明的拼接注册图像较传统的模板比对方法通过率高，加上自学习的模板更新后通过率更能达到99.32%，可以更准确的描述出静脉信息，得到完整的静脉模板，为指静脉识别提供了良好保障。
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 (3)

1.一种基于自学习的静脉图像模板更新方法，其特征在于：其包括以下步骤：
1）移动手指采集指静脉注册图像，得到n张不同位置的指静脉图像
Figure DEST_PATH_IMAGE001
，并根据指静脉图 像
Figure 718517DEST_PATH_IMAGE001
获取对应的静脉二值图像
Figure DEST_PATH_IMAGE002
，i为大于等于1且小于等于n的整数；
2）对n张静脉二值图像
Figure 419014DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接，得到大模板图像，具体步骤包 括：
2.1）将静脉二值图像
Figure DEST_PATH_IMAGE003
沿着静脉二值图像
Figure 57805DEST_PATH_IMAGE002
的底部向上滑动，结合结构相似度及相 对熵计算两张图像叠加区域的相似度：
Figure DEST_PATH_IMAGE004
其中，X、Y分别表示
Figure 312069DEST_PATH_IMAGE003
、
Figure 507865DEST_PATH_IMAGE002
叠加区域的图像，r为图像移动的行数，
Figure DEST_PATH_IMAGE005
；
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
为常数，
Figure DEST_PATH_IMAGE008
为X、Y的结构相似度，
Figure DEST_PATH_IMAGE009
为X、Y的相 对熵，
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
分别为X、Y的平均值，
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
分别表示X、Y的标准差，
Figure DEST_PATH_IMAGE014
表示X和Y的协方差，
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
为常数，
Figure DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
分别为X、Y的概率分布函数；
2.2）设置相似度阈值T1，当
Figure DEST_PATH_IMAGE019
且
Figure DEST_PATH_IMAGE020
时，静脉二值图像
Figure 910421DEST_PATH_IMAGE003
图像停止向上滑动，并且静脉 二值图像
Figure 164073DEST_PATH_IMAGE003
左右滑动若干列，使静脉二值图像
Figure 300656DEST_PATH_IMAGE003
与静脉二值图像
Figure 890906DEST_PATH_IMAGE002
叠加区域一致；
2.3）将左右滑动后的静脉二值图像
Figure 821953DEST_PATH_IMAGE003
拼接到静脉二值图像
Figure 435337DEST_PATH_IMAGE002
的N-r行上，缺失部分像 素置为0；
2.4）重复步骤2.1）~2.3），完成所有静脉二值图像的拼接；
3）采集指静脉验证图像并根据指静脉验证图像获取验证二值图像
Figure DEST_PATH_IMAGE021
，利用验证二值图 像
Figure 498582DEST_PATH_IMAGE021
进行验证，当验证成功，匹配定位大模板图像中对应的模板图像
Figure DEST_PATH_IMAGE022
，并根据模板图像
Figure 881021DEST_PATH_IMAGE022
对验证二值图像
Figure 45287DEST_PATH_IMAGE021
进行角度校正，具体步骤包括：
3.1）将大模板图像进行像素点为0的左右边界扩充；
3.2）对扩充后的大模板图像，以左上角为起点取M*N大小的子图，以步长s进行整个图 像的遍历，计算模板图像
Figure 208283DEST_PATH_IMAGE022
与验证二值图像
Figure 342462DEST_PATH_IMAGE021
的平均误差平方和
Figure DEST_PATH_IMAGE023
：
Figure DEST_PATH_IMAGE024
式中，M、N分别为图像的行列大小，i为图像的横坐标，j为图像的纵坐标，
Figure DEST_PATH_IMAGE025
为模板 二值图像的灰度值，
Figure DEST_PATH_IMAGE026
为验证二值图像的灰度值；
3.3）定位平均误差平方和D最小的模板图像
Figure 441392DEST_PATH_IMAGE022
，将验证二值图像
Figure 635613DEST_PATH_IMAGE021
进行左右旋转，使 最小模板图像
Figure 285906DEST_PATH_IMAGE022
、验证二值图像
Figure 302404DEST_PATH_IMAGE021
之间的平均误差平方和最小；
4）根据验证二值图像
Figure 990261DEST_PATH_IMAGE021
对模板图像
Figure 496329DEST_PATH_IMAGE022
进行断点修复，具体步骤包括：
4.1）标记验证二值图像
Figure 633918DEST_PATH_IMAGE021
、模板图像
Figure 109899DEST_PATH_IMAGE022
的连通区域；
4.2）判断验证二值图像
Figure 400066DEST_PATH_IMAGE021
、模板图像
Figure 263986DEST_PATH_IMAGE022
的连通区域数量，如果模板图像
Figure 626221DEST_PATH_IMAGE022
的连通数量 大于验证二值图像
Figure 577997DEST_PATH_IMAGE021
的连通数量，则表示模板图像
Figure 706359DEST_PATH_IMAGE022
中含有断点而验证二值图像
Figure 944442DEST_PATH_IMAGE021
对应 位置上没有信息缺失：
Figure DEST_PATH_IMAGE027
式中，
Figure DEST_PATH_IMAGE028
为验证二值图像
Figure 890577DEST_PATH_IMAGE021
的连通数量，
Figure DEST_PATH_IMAGE029
为模板图 像
Figure 711290DEST_PATH_IMAGE022
的连通数量；
4.3）定位模板图像
Figure 897421DEST_PATH_IMAGE022
缺失的部分，根据验证二值图像
Figure 306406DEST_PATH_IMAGE021
对应位置的静脉梯度，以相同 静脉走势补充模板图像
Figure 46829DEST_PATH_IMAGE022
，直到其与静脉部分相接，完成断点修复；
5）根据验证二值图像
Figure 654921DEST_PATH_IMAGE021
对模板图像
Figure 961137DEST_PATH_IMAGE022
进行细节点修复，具体步骤包括：
5.1）设置连通面积阈值T2，在断点修复完成的情况下，比较验证二值图像
Figure 619652DEST_PATH_IMAGE021
、模板图像
Figure 847371DEST_PATH_IMAGE022
的连通区域面积，如果验证二值图像
Figure 541045DEST_PATH_IMAGE021
的连通面积大于模板图像
Figure 560822DEST_PATH_IMAGE022
的连通面积，则表 示验证二值图像
Figure 514872DEST_PATH_IMAGE021
较模板图像
Figure 370832DEST_PATH_IMAGE022
有新增的细节点：
Figure DEST_PATH_IMAGE030
式中，
Figure DEST_PATH_IMAGE031
为验证二值图像
Figure 817050DEST_PATH_IMAGE021
的连通面积，
Figure DEST_PATH_IMAGE032
为模板图像
Figure 691334DEST_PATH_IMAGE022
的连通面积；
5.2）定位验证二值图像
Figure 409760DEST_PATH_IMAGE021
新增细节点的位置，将模板图像
Figure 487437DEST_PATH_IMAGE022
对应位置的像素点置为 1，完成细节点修复；
6）对模板图像
Figure 522914DEST_PATH_IMAGE022
进行伪静脉点去除，从而完成对于指静脉图像模板的更新迭代，具体 步骤包括：
6.1）对于模板图像
Figure 454967DEST_PATH_IMAGE022
像素值为1的点，定位其对应位置上的模板静脉图像
Figure DEST_PATH_IMAGE033
中的像素 点，计算其与邻域像素点之差；
6.2）设置邻域差值阈值T3和邻域差值大于邻域差值阈值T3的数量阈值T4，统计邻域差 值大于邻域差值阈值T3的数量，如果数量大于数量阈值T4，则表示此像素点为伪静脉，将模 板图像
Figure 78715DEST_PATH_IMAGE022
对应位置的像素点置为0，完成伪静脉点去除：
Figure DEST_PATH_IMAGE034
式中，p表示
Figure 161465DEST_PATH_IMAGE033
的当前像素点，
Figure DEST_PATH_IMAGE035
表示p的四邻域像素点。
2.根据权利要求1所述的一种基于自学习的静脉图像模板更新方法，其特征在于：所述 的步骤1）中，获取静脉二值图像
Figure 263282DEST_PATH_IMAGE002
的具体步骤包括：
1.1）使用同态滤波算法对指静脉图像
Figure 721945DEST_PATH_IMAGE001
进行增强处理；
1.2）使用改进的自适应修正系数Niblack算法对指静脉图像
Figure 251016DEST_PATH_IMAGE001
进行二值化处理，得到静 脉二值图像
Figure 506548DEST_PATH_IMAGE002
：
Figure DEST_PATH_IMAGE036
式中，x为图像的横坐标，y为图像的纵坐标，
Figure DEST_PATH_IMAGE037
为二值化后的图像灰度值，
Figure DEST_PATH_IMAGE038
为指静脉图像灰度值，
Figure DEST_PATH_IMAGE039
为w*w邻域内的基于平均梯度的自适应动态阈值；
其中，w*w邻域内的基于平均梯度的自适应动态阈值
Figure 788887DEST_PATH_IMAGE039
的计算公式为：
Figure DEST_PATH_IMAGE040
式中，x为w*w邻域内图像的横坐标，y为w*w邻域内图像的纵坐标，a为自适应修正系数，
Figure DEST_PATH_IMAGE041
为w*w邻域内标准差，
Figure DEST_PATH_IMAGE042
为w*w邻域内灰度均值，
Figure DEST_PATH_IMAGE043
为整个图像平均梯度，
Figure DEST_PATH_IMAGE044
为 图像w*w邻域的平均梯度；
其中，平均梯度
Figure 125890DEST_PATH_IMAGE043
计算公式为：
Figure DEST_PATH_IMAGE045
式中，M、N分别为图像的行列大小，
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
分别为图像的水平方向梯度、垂直方向梯度。
3.一种基于自学习的静脉图像模板的更新装置，其特征在于：其包括：
1）采集模块，用于移动手指时采集指静脉注册图像，得到n张不同位置的指静脉图像
Figure 606288DEST_PATH_IMAGE001
， 并根据指静脉图像
Figure 614695DEST_PATH_IMAGE001
获取对应的静脉二值图像
Figure 654720DEST_PATH_IMAGE002
，i为大于等于1且小于等于n的整数；
2）拼接模块，用于对n张静脉二值图像
Figure 432183DEST_PATH_IMAGE002
进行去除重合区域的首尾拼接，得到大模板图 像，具体步骤包括：
2.1）将静脉二值图像
Figure 240739DEST_PATH_IMAGE003
沿着静脉二值图像
Figure 516869DEST_PATH_IMAGE002
的底部向上滑动，结合结构相似度及相 对熵计算两张图像叠加区域的相似度：
Figure 46070DEST_PATH_IMAGE004
其中，X、Y分别表示
Figure 927307DEST_PATH_IMAGE003
、
Figure 972011DEST_PATH_IMAGE002
叠加区域的图像，r为图像移动的行数，
Figure 955011DEST_PATH_IMAGE005
；
Figure 271591DEST_PATH_IMAGE006
、
Figure 758068DEST_PATH_IMAGE007
为常数，
Figure 705164DEST_PATH_IMAGE008
为X、Y的结构相似度，
Figure 159148DEST_PATH_IMAGE009
为X、Y的相 对熵，
Figure 30152DEST_PATH_IMAGE010
、
Figure 431788DEST_PATH_IMAGE011
分别为X、Y的平均值，
Figure 18627DEST_PATH_IMAGE012
、
Figure 710640DEST_PATH_IMAGE013
分别表示X、Y的标准差，
Figure 431340DEST_PATH_IMAGE014
表示X和Y的协方差，
Figure 892408DEST_PATH_IMAGE015
、
Figure 915728DEST_PATH_IMAGE016
为常数，
Figure 816075DEST_PATH_IMAGE017
、
Figure 294461DEST_PATH_IMAGE018
分别为X、Y的概率分布函数；
2.2）设置相似度阈值T1，当
Figure 124883DEST_PATH_IMAGE019
且
Figure 194470DEST_PATH_IMAGE020
时，静脉二值图像
Figure 110342DEST_PATH_IMAGE003
图像停止向上滑动，并且静脉 二值图像
Figure 861261DEST_PATH_IMAGE003
左右滑动若干列，使静脉二值图像
Figure 546189DEST_PATH_IMAGE003
与静脉二值图像
Figure 851924DEST_PATH_IMAGE002
叠加区域一致；
2.3）将左右滑动后的静脉二值图像
Figure 989513DEST_PATH_IMAGE003
拼接到静脉二值图像
Figure 809701DEST_PATH_IMAGE002
的N-r行上，缺失部分像 素置为0；
2.4）重复步骤2.1）~2.3），完成所有静脉二值图像的拼接；
3）验证及角度校正模块，用于采集指静脉验证图像并根据指静脉验证图像获取验证二 值图像
Figure 817978DEST_PATH_IMAGE021
，利用验证二值图像
Figure 885160DEST_PATH_IMAGE021
进行验证，当验证成功，匹配定位大模板图像中对应的模板 图像
Figure 512975DEST_PATH_IMAGE022
，并根据模板图像
Figure 871275DEST_PATH_IMAGE022
对验证二值图像
Figure 530795DEST_PATH_IMAGE021
进行角度校正，具体步骤包括：
3.1）将大模板图像进行像素点为0的左右边界扩充；
3.2）对扩充后的大模板图像，以左上角为起点取M*N大小的子图，以步长s进行整个图 像的遍历，计算模板图像
Figure 316348DEST_PATH_IMAGE022
与验证二值图像
Figure 100634DEST_PATH_IMAGE021
的平均误差平方和
Figure 511892DEST_PATH_IMAGE023
：
Figure 776652DEST_PATH_IMAGE024
式中，M、N分别为图像的行列大小，i为图像的横坐标，j为图像的纵坐标，
Figure 770322DEST_PATH_IMAGE025
为模板 二值图像的灰度值，
Figure 120532DEST_PATH_IMAGE026
为验证二值图像的灰度值；
3.3）定位平均误差平方和D最小的模板图像
Figure 69903DEST_PATH_IMAGE022
，将验证二值图像
Figure 923589DEST_PATH_IMAGE021
进行左右旋转，使 最小模板图像
Figure 769054DEST_PATH_IMAGE022
、验证二值图像
Figure 855828DEST_PATH_IMAGE021
之间的平均误差平方和最小；
4）断点修复模块，用于根据验证二值图像
Figure 359622DEST_PATH_IMAGE021
对模板图像
Figure 585591DEST_PATH_IMAGE022
进行断点修复，具体步骤包 括：
4.1）标记验证二值图像
Figure 149428DEST_PATH_IMAGE021
、模板图像
Figure 723497DEST_PATH_IMAGE022
的连通区域；
4.2）判断验证二值图像
Figure 499823DEST_PATH_IMAGE021
、模板图像
Figure 842949DEST_PATH_IMAGE022
的连通区域数量，如果模板图像
Figure 233479DEST_PATH_IMAGE022
的连通数量 大于验证二值图像
Figure 576736DEST_PATH_IMAGE021
的连通数量，则表示模板图像
Figure 533584DEST_PATH_IMAGE022
中含有断点而验证二值图像
Figure 216369DEST_PATH_IMAGE021
对应 位置上没有信息缺失：
Figure 308959DEST_PATH_IMAGE027
式中，
Figure 123200DEST_PATH_IMAGE028
为验证二值图像
Figure 431209DEST_PATH_IMAGE021
的连通数量，
Figure 499659DEST_PATH_IMAGE029
为模板图 像
Figure 497571DEST_PATH_IMAGE022
的连通数量；
4.3）定位模板图像
Figure 267950DEST_PATH_IMAGE022
缺失的部分，根据验证二值图像
Figure 986507DEST_PATH_IMAGE021
对应位置的静脉梯度，以相同 静脉走势补充模板图像
Figure 830835DEST_PATH_IMAGE022
，直到其与静脉部分相接，完成断点修复；
5）细节点修复模块，用于根据验证二值图像
Figure 811034DEST_PATH_IMAGE021
对模板图像
Figure 475234DEST_PATH_IMAGE022
进行细节点修复，具体步 骤包括：
5.1）设置连通面积阈值T2，在断点修复完成的情况下，比较验证二值图像
Figure 715591DEST_PATH_IMAGE021
、模板图像
Figure 493054DEST_PATH_IMAGE022
的连通区域面积，如果验证二值图像
Figure 84966DEST_PATH_IMAGE021
的连通面积大于模板图像
Figure 361095DEST_PATH_IMAGE022
的连通面积，则表 示验证二值图像
Figure 155876DEST_PATH_IMAGE021
较模板图像
Figure 37113DEST_PATH_IMAGE022
有新增的细节点：
Figure 19500DEST_PATH_IMAGE030
式中，
Figure 2500DEST_PATH_IMAGE031
为验证二值图像
Figure 584660DEST_PATH_IMAGE021
的连通面积，
Figure 867874DEST_PATH_IMAGE032
为模板图像
Figure 877287DEST_PATH_IMAGE022
的连通面积；
5.2）定位验证二值图像
Figure 737795DEST_PATH_IMAGE021
新增细节点的位置，将模板图像
Figure 608799DEST_PATH_IMAGE022
对应位置的像素点置为 1，完成细节点修复；
6）伪静脉点去除模块，用于对模板图像
Figure 467559DEST_PATH_IMAGE022
进行伪静脉点去除，从而完成对于指静脉图 像模板的更新迭代，具体步骤包括：
6.1）对于模板图像
Figure 851135DEST_PATH_IMAGE022
像素值为1的点，定位其对应位置上的模板静脉图像
Figure 277569DEST_PATH_IMAGE033
中的像素 点，计算其与邻域像素点之差；
6.2）设置邻域差值阈值T3和邻域差值大于邻域差值阈值T3的数量阈值T4，统计邻域差 值大于邻域差值阈值T3的数量，如果数量大于数量阈值T4，则表示此像素点为伪静脉，将模 板图像
Figure 732690DEST_PATH_IMAGE022
对应位置的像素点置为0，完成伪静脉点去除：
Figure 928179DEST_PATH_IMAGE034
式中，p表示
Figure 217078DEST_PATH_IMAGE033
的当前像素点，
Figure 636865DEST_PATH_IMAGE035
表示p的四邻域像素点。
CN202011283206.1A 2020-11-17 2020-11-17 一种基于自学习的静脉图像模板更新方法及装置 Active CN112102210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011283206.1A CN112102210B (zh) 2020-11-17 2020-11-17 一种基于自学习的静脉图像模板更新方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011283206.1A CN112102210B (zh) 2020-11-17 2020-11-17 一种基于自学习的静脉图像模板更新方法及装置

Publications (2)

Publication Number Publication Date
CN112102210A CN112102210A (zh) 2020-12-18
CN112102210B true CN112102210B (zh) 2021-03-16

Family

ID=73784630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011283206.1A Active CN112102210B (zh) 2020-11-17 2020-11-17 一种基于自学习的静脉图像模板更新方法及装置

Country Status (1)

Country Link
CN (1) CN112102210B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4770936B2 (ja) * 2009-02-04 2011-09-14 ソニー株式会社 静脈認証装置およびテンプレート登録方法
CN102708360A (zh) * 2012-05-09 2012-10-03 深圳市亚略特生物识别科技有限公司 一种指纹模板生成及自动更新的方法
CN107729863B (zh) * 2017-10-30 2020-11-17 成都折衍科技有限公司 人体指静脉识别方法
CN109934114B (zh) * 2019-02-15 2023-05-12 重庆工商大学 一种手指静脉模板生成与更新算法及系统
CN110301892B (zh) * 2019-06-11 2022-03-22 Oppo广东移动通信有限公司 一种基于静脉识别的检测方法及相关产品

Also Published As

Publication number Publication date
CN112102210A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN105245841B (zh) 一种基于cuda的全景视频监控系统
CN106228528B (zh) 一种基于决策图与稀疏表示的多聚焦图像融合方法
CN104751465A (zh) 一种基于lk光流约束的orb图像特征配准方法
CN107958443B (zh) 一种基于脊线特征和tps形变模型的指纹图像拼接方法
CN104361314A (zh) 基于红外与可见光图像融合的变电设备定位方法及装置
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
CN108257155B (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
CN111027464A (zh) 对卷积神经网络和序特征编码联合优化的虹膜识别方法
CN109285110A (zh) 基于鲁棒匹配与变换的红外可见光图像配准方法及系统
CN113592923B (zh) 一种基于深度局部特征匹配的批图像配准方法
CN105354558A (zh) 人脸图像匹配方法
CN111738211B (zh) 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法
CN105160303A (zh) 基于混合匹配的指纹识别方法
CN103679136A (zh) 基于局部宏观特征和微观特征结合的手背静脉身份识别方法
CN105760879A (zh) 基于傅里叶梅林变换的图像几何匹配方法
CN104077775A (zh) 一种结合骨架特征点和形状上下文的形状匹配方法及装置
CN111861866A (zh) 一种变电站设备巡检图像全景重建方法
CN106778510A (zh) 一种超高分辨率遥感图像中高层建筑特征点匹配方法
CN114998445A (zh) 一种图像稀疏点立体匹配方法
CN114898412A (zh) 一种针对低质量指纹、残缺指纹的识别方法
Shen et al. CNN-based high-resolution fingerprint image enhancement for pore detection and matching
CN107292855A (zh) 一种结合自适应非局部样本和低秩的图像去噪方法
CN112926516B (zh) 一种鲁棒的手指静脉图像感兴趣区域提取方法
Nguyen et al. Focus-score weighted super-resolution for uncooperative iris recognition at a distance and on the move
CN112102210B (zh) 一种基于自学习的静脉图像模板更新方法及装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210423

Address after: 030032 room 0906, 9 / F, block C, clean control innovation base, No. 529, South Central Street, Taiyuan Xuefu Park, comprehensive reform demonstration zone, Taiyuan City, Shanxi Province

Patentee after: Holy Point Century Technology Co.,Ltd.

Address before: 2 / F, No.17, Paradise Street, Yanqi Economic Development Zone, Huairou District, Beijing

Patentee before: Beijing ShengDian cloud Information Technology Co.,Ltd.

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 vein image template updating method and device based on self-learning

Effective date of registration: 20220606

Granted publication date: 20210316

Pledgee: Bank of China Limited Taiyuan Binzhou sub branch

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2022140000021