CN112560808B - 一种基于灰度信息的体内静脉识别方法及装置 - Google Patents
一种基于灰度信息的体内静脉识别方法及装置 Download PDFInfo
- Publication number
- CN112560808B CN112560808B CN202110188453.1A CN202110188453A CN112560808B CN 112560808 B CN112560808 B CN 112560808B CN 202110188453 A CN202110188453 A CN 202110188453A CN 112560808 B CN112560808 B CN 112560808B
- Authority
- CN
- China
- Prior art keywords
- image
- vein
- images
- matching
- gray
- 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
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000001727 in vivo Methods 0.000 title claims abstract description 55
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 9
- 210000000707 wrist Anatomy 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 210000001015 abdomen Anatomy 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000000052 comparative effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 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
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (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灰度信息的体内静脉识别方法及装置，所述的体内静脉识别方法包括以下步骤：1）对体内静脉图像进行尺度归一化预处理；2）采用区域方差变换与单尺度Retinex相结合的灰度矫正方法对归一化处理后的静脉图像进行增强处理；3）基于改进的灰度差曲面方法进行图像粗匹配；4）基于相关系数法进行图像精匹配。本发明提出了一种基于方差变换与单尺度Retinex相结合的灰度矫正方法，该方法能在保持原始图像亮度的同时压缩静脉图像对比度，并增强图像暗处信息，能够提升静脉图像的质量。本发明利用两种匹配机制和多重判断的方法进行图像匹配，可以在减少运算时间的同时，增加匹配准确性。
Description
技术领域
本发明属于体内静脉识别及信息安全技术领域，尤其涉及一种基于灰度信息的体内静脉识别方法及装置。
背景技术
静脉识别是一种新兴的红外生物识别技术，它是根据人体内静脉血液中的血红蛋白吸收近红外或者人体辐射远红外线的特性，用红外相机拍摄体内（手背、指背、指腹、手掌、手腕）的静脉分布图，现有技术一般是通过图像归一化、去噪等预处理步骤后，再进行滤波增强与静脉纹路分割，然后提取体内静脉特征，再与预先注册到数据库上的静脉特征数据进行匹配，最后以此确定个人身份。
由于目前体内静脉图像采集设备上的摄像头与光源距离较近，可能会导致图像中出现噪声太多、灰度不均匀、静脉太淡等问题。这些问题会降低不同体内静脉图像之间的差异性，从而对图像特征的提取造成困难，最终影响了体内静脉识别算法的性能。为消除光照对识别结果的影响，现有技术一般是采用直方图均衡化的方法调整静脉图像灰度级，使均衡后图像的灰度级跨越更宽灰度级范围，从而可达到增强图像整体对比度的效果。然而，只是简单的调整灰度级范围，图像增强效果不佳，导致最终识别率并不高。
灰度矫正算法是一种图像细节增强算法，早期是用来对磁共振图像的增强处理，对于图像质量有着较好的增强效果。但如果将常用的灰度矫正方法直接用到体内静脉图像的增强处理，矫正过程中造成的图像特征灰度值的损失势必导致静脉识别算法的性能变差。因此，构造一个适用于体内静脉图像的灰度矫正算法和一种合适的图像匹配算法进行识别，可以获得更优的识别性能。
发明内容
本发明的目的是为了解决现有技术中体内静脉图像增强效果不佳，特征提取不够准确导致识别效果差的问题，提出了一种基于灰度信息的体内静脉识别方法及装置，有效提升体内静脉图像的质量，并获得较高的识别精度。
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灰度信息的体内静脉识别方法，包括以下步骤：
1）对体内静脉图像进行尺度归一化预处理；
2）采用区域方差变换与单尺度Retinex相结合的灰度矫正方法对归一化处理后的静脉图像进行增强处理；
3）基于改进的灰度差曲面方法进行图像粗匹配；
4）基于相关系数法进行图像精匹配。
优选地，所述的步骤1）中采用双线性插值法对体内静脉图像进行尺度归一化处理。
优选地，所述的步骤2）中首先对归一化后的静脉图像进行区域方差变换，在一定程度上改善光照的不均匀性对静脉图像的影响；然后再利用单尺度Retinex算法进行增强处理。
优选地，所述的步骤2）具体包括：
2.1) 遍历整幅归一化后的体内静脉图像f(x，y)，按照公式（1）对图像进行区域方差变换处理，得到处理后的图像F(x，y)：
其中，
表示以像素点(x，y)为中心的3*3区域所有像素点的灰度均值；
表示以
像素点(x，y)为中心的3*3区域的灰度值方差；
为一个小于等于0.1且大于0的实数；
为灰
度系数，取值范围为[0,255]；
2.2) 使用高斯滤波器来估计静脉图像的照射分量l(x，y)，高斯函数G(x，y)如式（2）所示：
用处理后的静脉图像F(x，y)和高斯函数G(x，y)做卷积，得到照射分量l(x，y)的公式如式（3）所示：
式（3）中，
表示卷积的意思；
2.3) 将处理后的静脉图像和照射分量取对数并相减，得到反射分量R(x,y)：
根据公式（3）和（4）可得：
2.4) 对反射分量R(x，y)再进行指数变换将其从对数域转换到实数域，得到增强后的图像r(x，y)。
优选地，所述的步骤3）中采用基于改进的灰度差曲面方法进行静脉图像粗匹配：首先将两幅静脉图像取隔行隔列数据；再将对应点的灰度值作差，得到差曲面；然后通过两幅图像的差曲面方差形成的曲线来选取阈值，根据方差与阈值大小来判定两幅图像是否是同一体内静脉部位。
优选地，所述的步骤3）具体包括：
3.1）将模板和待匹配图像的隔行隔列数据提取出来，作为后续两幅待匹配图像，即在四分之一的图像数据范围内匹配；
3.2）将两幅大小为M*N的待匹配静脉图像作差，得到差曲面 Rij，公式如下：
这里，Img1ij和Img2ij为待匹配图像数据；
3.3）计算灰度差曲面的方差，计算公式如（7）和（8）所示：
这里，
为平均值；
为方差；M、N分别为图像的宽和高，M，N为整数且160>M>0、
130>N>0；
3.4）对两幅待匹配的静脉图像在水平和竖直方向上进行一定程度的旋转平移，然后把在各个平移位置上的图像与另一个图像进行匹配，得到多个匹配方差值；最后在这些匹配的数据中选择最小的一个值作为最终两张待匹配图像粗匹配结果；
3.5）根据方差计算公式计算出体内静脉部位类间和类内方差，得到方差曲线，再根据曲线确定阈值，最后根据阈值可以判断是同类还是异类。
优选地，所述的步骤4）中采用基于相关系数法进行图像精匹配，具体包括：
4.1）用双线性插值法将两幅待匹配图像矩阵都缩放到原图的二分之一，减少后续计算量；
4.2）计算两幅经过缩放后图像灰度矩阵的相关系数来表示静脉图像相似度，相关系数计算如式（9）所示：
其中，Ts为计算出的匹配值，r1，r2分别表示为两幅静脉图像的矩阵，Cov为计算两个图像矩阵r1，r2的协方差，Var[r1]和Var [r2]分别是两个矩阵 r1，r2的方差；
（4.3）进行静脉图像匹配识别，识别验证表达式如下式（10）所示：
其中，T0是比对阈值， Ts为两幅静脉图像计算出的匹配值，根据公式（10）可以判断两幅静脉图像是否来源于同一体内部位。T0根据各个体内静脉图像库计算得到，在不同静脉图像库上有着不同的比对阈值，在不同的认假率情况下也对应着不同的比对阈值。
优选地，所述的公式（1）中，
的取值为0.1；
在手背、指背、指腹、手掌、手腕图像
库上的取值分别为：125、105、110、120、130。
优选地，步骤3.4）中将待匹配的体内静脉图像分别旋转0度、±2度、±4度后与另一个图像进行一一匹配。
本发明还涉及一种基于灰度信息的体内静脉识别装置，包括：
1）归一化模块，对体内静脉图像进行尺度归一化预处理；
2）图像增强模块，采用基于区域方差变换与单尺度Retinex相结合的灰度矫正方法对预处理后的静脉图像进行增强处理；
3）图像粗匹配模块，通过改进的灰度差曲面方法进行图像粗匹配；
4）图像精匹配模块，基于相关系数法进行图像精匹配。
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、本发明提出了一种新的灰度矫正算法，主要是基于方差变换与单尺度Retinex相结合的灰度矫正方法，该方法能在保持原始图像亮度的同时压缩静脉图像对比度，并增强图像暗处信息，能够提升静脉图像的质量，使图像灰度分布更好地反映强弱静脉纹理细节，为后续匹配识别奠定了良好基础；
2、本发明引入了两种匹配机制，首先根据改进的灰度差曲面方法进行图像粗匹配，然后根据粗匹配的结果再判断是否进行精匹配，在粗匹配不成功的情况下再利用相关系数法进行图像精匹配，最终判断体内静脉图像是同类还是异类。利用两种匹配机制和多重判断的方法进行图像匹配，可以在减少运算时间的同时，增加匹配准确性。
附图说明
图1为本发明的基于灰度信息的体内静脉识别方法的流程图；
图2为本发明的基于区域方差变换与单尺度Retinex相结合的灰度矫正方法进行图像增强的流程图；
图3为本发明的基于改进的灰度差曲面方法进行图像粗匹配的流程图；
图4为基于灰度信息的体内静脉识别装置的原理框图。
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
一种基于灰度信息的体内静脉特征识别方法，主要步骤如图1所示，包括以下步骤：
1）利用各种静脉设备采集不同部位静脉图像，主要包括手背、指背、指腹、手掌、手腕等部位。利用双线性插值算法对图像进行尺度归一化预处理，得到大小为m*n的图像，这里的m、n分别代表处理后图像的行列数，在不同部位图像库上的数值是不一样的。本实施例中手背、指背、指腹、手掌、手腕处的m*n分别为150*120、120*40、120*40、160*120，130*130。
2）采用基于区域方差变换与单尺度Retinex相结合的灰度矫正方法对归一化处理后的体内静脉图像进行增强处理。该方法首先对光照不均图像进行区域方差变换，在一定程度上改善光照的不均匀性对静脉图像的影响；然后再利用单尺度Retinex算法进行增强处理。该方法流程图如图2所示，算法具体实现如下：
2.1) 遍历整幅归一化后的体内静脉图像f(x，y)，按照公式（1）对图像进行区域方差变换处理，得到处理后的图像F(x，y)：
其中，
表示以像素点(x，y)为中心的3*3区域所有像素点的灰度均值；
表示以
像素点(x，y)为中心的3*3区域的灰度值方差；
为一个小于等于0.1且大于0的实数；
为灰
度系数，取值范围为[0,255]；本实施例中，公式（1）中， 
的取值为0.1；
在手背、指背、指
腹、手掌、手腕图像库上的取值分别为：125、105、110、120、130。
2.2) 使用高斯滤波器来估计静脉图像的照射分量l(x，y)，高斯函数G(x，y)如式（2）所示：
用处理后的静脉图像F(x，y)和高斯函数G(x，y)做卷积，得到照射分量l(x，y)的公式如式（3）所示：
式（3）中，
表示卷积的意思；
2.3) 将处理后的静脉图像和照射分量取对数并相减，得到反射分量R(x,y)：
根据公式（3）和（4）可得：
2.4) 对反射分量R(x，y)再进行指数变换将其从对数域转换到实数域，得到增强后的图像r(x，y)。
3）采用基于改进的灰度差曲面方法进行图像粗匹配。该方法首先将模板和输入图像取隔行隔列数据；再将对应点的灰度值作差，得到差曲面；然后通过两幅图像的差曲面方差形成的曲线来选取阈值；最后根据方差与阈值大小来判定两幅静脉图像是否是同一体内静脉部位。该方法流程图如图3所示，包括以下步骤：
3.1）将模板和待匹配图像的隔行隔列数据提取出来，作为后续两幅待匹配图像，即在四分之一的图像数据范围内匹配；
3.2）将两幅大小为M*N的待匹配静脉图像作差，得到差曲面 Rij，公式如下：
这里，Img1ij和Img2ij为待匹配图像数据；
3.3）计算灰度差曲面的方差，计算公式如（7）和（8）所示：
这里，
为平均值；
为方差；M、N分别为图像的宽和高，M，N为整数且160>M>0、
130>N>0；
3.4）对两幅待匹配的静脉图像在水平和竖直方向上进行一定程度的旋转平移，然后把在各个平移位置上的图像与另一个图像进行匹配，得到多个匹配方差值；最后在这些匹配的数据中选择最小的一个值作为最终两张待匹配图像粗匹配结果；本实施例中，设定的旋转角度为0度（不旋转）、±2度、±4度。最后在这些匹配的数据中选择最小的一个值作为最终两张待匹配图像粗匹配结果。
3.5）根据方差计算公式计算出体内静脉部位类间和类内方差，得到方差曲线，再根据曲线确定阈值，最后根据阈值可以判断是同类还是异类。
4）采用相关系数法进行图像精匹配，具体步骤包括：
4.1）用双线性插值法将两幅待匹配图像矩阵都缩放到原图的二分之一，减少后续计算量；
4.2）计算两幅经过缩放后图像灰度矩阵的相关系数来表示静脉图像相似度，相关系数计算如式（9）所示：
其中，Ts为计算出的匹配值，r1，r2分别表示为两幅静脉图像的矩阵，Cov为计算两个图像矩阵r1，r2的协方差，Var[r1]和Var [r2]分别是两个矩阵 r1，r2的方差；
（4.3）进行静脉图像匹配识别，识别验证表达式如下式（10）所示：
其中，T0是比对阈值， Ts为两幅静脉图像计算出的匹配值，根据公式（10）可以判断两幅静脉图像是否来源于同一体内部位。T0根据各个体内静脉图像库计算得到，在不同静脉图像库上有着不同的比对阈值，在不同的认假率情况下也对应着不同的比对阈值。本实施例中，是在认假率为0的情况下，根据不同体内静脉图像库计算得到多个比对阈值T0。
对比例1
一种体内静脉识别方法，结合实施例1的步骤1）+传统灰度矫正方法+实施例1的步骤3）+实施例1的步骤4）。传统灰度矫正方法是指经典Retinex算法。
对比例2
一种体内静脉识别方法，结合实施例1的步骤1）+实施例1的步骤2）+实施例1的步骤3）。
对比例3
一种体内静脉识别方法，结合实施例1的步骤1）+实施例1的步骤2）+实施例1的步骤4）。
实验例
以下是利用本发明以及对比例1-3提供的体内静脉识别方法对几种体内静脉图像数据库进行识别实验，并给出结果与分析。
建立了5组由不同设备采集的不同部位的体内静脉图像数据库，手背静脉图像库FvImg1、指背静脉图像库FvImg2、指腹静脉图像库FvImg3、手掌静脉图像库FvImg4、手腕静脉图像库FvImg5，每组图像由2000*15幅组成。以Visual Studio Community 2019为编译软件，所用电脑的操作系统为64位Window10，内存8G，主频率2.30GHz。对于每组体内静脉图像库，首先以实施例1中的方法对静脉图像库中的所有图像进行匹配识别，分别确定粗匹配和精匹配的匹配阈值，以不同类结果的最小值作为门限，则统计的结果即为同类的0误识识别率（即认假率为0时的通过率），5个不同体内静脉图像库的识别结果如表1所示。
从上表中可以看出：对比例1在各个体内静脉图像库上的识别率均低于80%，平均通过率仅有73.02%。对比例2和对比例3使用了本发明提出的新的灰度矫正方法和不同的匹配机制，在各个体内静脉图像库上的识别率均有所提升。但单一的粗匹配方法（对比例2）或单一的精匹配方法（对比例3）在各个体内静脉图像库上的平均通过率分别只有87.38%、91.39%。而本发明方法通过两种匹配机制相结合的方式在各个体内静脉图像库上的平均识别率达到了96.81%，在常用的指腹静脉图像库FvImg3上的识别率可达到99.72%。可见本发明提出的基于灰度信息的体内静脉识别方法在有效增强静脉信息基础上，通过两种匹配机制相结合的方式，可以达到较高的体内静脉识别率。
实施例2
参照图4，一种基于灰度信息的体内静脉识别装置，包括：
1）归一化模块，对静脉图像进行尺度归一化预处理；图像归一化模块用于实现实施例1步骤1）的功能。
2）图像增强模块，采用基于区域方差变换与单尺度Retinex相结合的灰度矫正方法对归一化处理后的静脉图像进行增强处理；图像增强模块用于实现实施例1步骤2）的功能。
3）图像粗匹配模块，通过改进的灰度差曲面方法进行图像粗匹配；计算静脉流动方向模块用于实现实施例1步骤3）的功能。
4）图像精匹配模块，基于相关系数法进行图像精匹配。图像精匹配模块用于实现实施例1步骤4）的功能。
显然，本实施例的一种基于灰度信息的体内静脉识别装置可以作为上述实施例1的体内静脉识别方法的执行主体，因此能够实现体内静脉识别方法所实现的功能。由于原理相同，本文不再赘述。
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 (9)
1.一种基于灰度信息的体内静脉识别方法，其特征在于：其包括以下步骤：
1）对体内静脉图像进行尺度归一化预处理；
2）采用区域方差变换与单尺度Retinex相结合的灰度矫正方法对归一化处理后的静脉图像进行增强处理；
3）基于改进的灰度差曲面方法进行图像粗匹配；具体图像粗匹配的具体步骤是：首先将两幅静脉图像取隔行隔列数据；再将对应点的灰度值作差，得到差曲面；然后通过两幅图像的差曲面方差形成的曲线来选取阈值，根据方差与阈值大小来判定两幅图像是否是同一体内静脉部位；
4）基于相关系数法进行图像精匹配。
2.根据权利要求1所述的基于灰度信息的体内静脉识别方法，其特征在于：所述的步骤1）中采用双线性插值法对体内静脉图像进行尺度归一化处理。
3.根据权利要求1所述的基于灰度信息的体内静脉识别方法，其特征在于：所述的步骤2）中首先对归一化后的静脉图像进行区域方差变换，在一定程度上改善光照的不均匀性对静脉图像的影响，然后再利用单尺度Retinex算法进行增强处理。
4.根据权利要求3所述的基于灰度信息的体内静脉识别方法，其特征在于：所述的步骤2）具体包括：
2.1) 遍历整幅归一化后的体内静脉图像f(x，y)，按照公式（1）对图像进行区域方差变换处理，得到处理后的图像F(x，y)：
其中，
表示以像素点(x，y)为中心的3*3区域所有像素点的灰度均值；
表示以像素
点(x，y)为中心的3*3区域的灰度值方差；
为一个小于等于0.1且大于0的实数；
为灰度系
数，取值范围为[0,255]；
2.2) 使用高斯滤波器来估计静脉图像的照射分量l(x，y)，高斯函数G(x，y)如式（2）所示：
用处理后的静脉图像F(x，y)和高斯函数G(x，y)做卷积，得到照射分量l(x，y)的公式如式（3）所示：
式（3）中，
表示卷积的意思；
2.3) 将处理后的静脉图像和照射分量取对数并相减，得到反射分量R(x,y)：
根据公式（3）和（4）可得：
2.4) 对反射分量R(x，y)再进行指数变换将其从对数域转换到实数域，得到增强后的图像r(x，y)。
5.根据权利要求1所述的基于灰度信息的体内静脉识别方法，其特征在于：所述的步骤3）具体包括：
3.1）将模板和待匹配图像的隔行隔列数据提取出来，作为后续两幅待匹配图像，即在四分之一的图像数据范围内匹配；
3.2）将两幅大小为M*N的待匹配静脉图像作差，得到差曲面 Rij，公式如下：
这里，Img1ij和Img2ij为待匹配图像数据；
3.3）计算灰度差曲面的方差，计算公式如（7）和（8）所示：
这里，
为平均值；
为方差；M、N分别为图像的宽和高，M，N为整数且160>M>0、130>N>
0；
3.4）对两幅待匹配的静脉图像在水平和竖直方向上进行一定程度的旋转平移，然后把在各个平移位置上的图像与另一个图像进行匹配，得到多个匹配方差值；最后在这些匹配的数据中选择最小的一个值作为最终两张待匹配图像粗匹配结果；
3.5）根据方差计算公式计算出体内静脉部位类间和类内方差，得到方差曲线，再根据曲线确定阈值，最后根据阈值可以判断是同类还是异类。
6.根据权利要求1所述的基于灰度信息的体内静脉识别方法，其特征在于：所述的步骤4）中采用基于相关系数法进行图像精匹配，具体包括：
4.1）用双线性插值法将两幅待匹配图像矩阵都缩放到原图的二分之一，减少后续计算量；
4.2）计算两幅经过缩放后图像灰度矩阵的相关系数来表示静脉图像相似度，相关系数计算如式（9）所示：
其中，Ts为计算出的匹配值，r1，r2分别表示为两幅静脉图像的矩阵，Cov为计算两个图像矩阵r1，r2的协方差，Var[r1]和Var [r2]分别是两个矩阵 r1，r2的方差；
（4.3）进行静脉图像匹配识别，识别验证表达式如下式（10）所示：
其中，T0是比对阈值， Ts为两幅静脉图像计算出的匹配值，根据公式（10）可以判断两幅静脉图像是否来源于同一体内部位。
7.根据权利要求4所述的基于灰度信息的体内静脉识别方法，其特征在于：所述的公式
（1）中，
的取值为0.1；
在手背、指背、指腹、手掌、手腕图像库上的取值分别为：125、105、
110、120、130。
8.根据权利要求5所述的基于灰度信息的体内静脉识别方法，其特征在于：步骤3.4）中将待匹配的体内静脉图像分别旋转0度、±2度、±4度后与另一个图像进行一一匹配。
9.一种基于灰度信息的体内静脉识别装置，其特征在于：其包括：
1）归一化模块，对体内静脉图像进行尺度归一化预处理；
2）图像增强模块，采用区域方差变换与单尺度Retinex相结合的灰度矫正方法对归一化处理后的静脉图像进行增强处理；
3）图像粗匹配模块，通过改进的灰度差曲面方法进行图像粗匹配；进行图像粗匹配的具体步骤是：首先将两幅静脉图像取隔行隔列数据；再将对应点的灰度值作差，得到差曲面；然后通过两幅图像的差曲面方差形成的曲线来选取阈值，根据方差与阈值大小来判定两幅图像是否是同一体内静脉部位；
4）图像精匹配模块，基于相关系数法进行图像精匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110188453.1A CN112560808B (zh) | 2021-02-19 | 2021-02-19 | 一种基于灰度信息的体内静脉识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110188453.1A CN112560808B (zh) | 2021-02-19 | 2021-02-19 | 一种基于灰度信息的体内静脉识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560808A CN112560808A (zh) | 2021-03-26 |
| CN112560808B true CN112560808B (zh) | 2021-05-07 |
Family
ID=75034355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110188453.1A Active CN112560808B (zh) | 2021-02-19 | 2021-02-19 | 一种基于灰度信息的体内静脉识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560808B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724188B (zh) * | 2022-05-23 | 2022-08-16 | 北京圣点云信息技术有限公司 | 基于灰度共生矩阵的静脉识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567081A (zh) * | 2009-06-03 | 2009-10-28 | 哈尔滨工程大学 | 一种手部静脉图像增强方法 |
| CN106548176A (zh) * | 2016-11-18 | 2017-03-29 | 安徽大学 | 基于自适应引导滤波的指静脉图像增强方法 |
| CN107153827A (zh) * | 2017-05-26 | 2017-09-12 | 北方工业大学 | 手背静脉图像的识别处理方法及装置 |
-
2021
- 2021-02-19 CN CN202110188453.1A patent/CN112560808B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567081A (zh) * | 2009-06-03 | 2009-10-28 | 哈尔滨工程大学 | 一种手部静脉图像增强方法 |
| CN106548176A (zh) * | 2016-11-18 | 2017-03-29 | 安徽大学 | 基于自适应引导滤波的指静脉图像增强方法 |
| CN107153827A (zh) * | 2017-05-26 | 2017-09-12 | 北方工业大学 | 手背静脉图像的识别处理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Intensity Variation Normalization for Finger Vein Recognition Using Guided Filter Based Singe Scale Retinex;Shan Juan Xie等;《Sensors》;20150714;第15卷;第17089-17105页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560808A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Low-light image enhancement via the absorption light scattering model | |
| CN106296600B (zh) | 一种基于小波变换图像分解的对比度增强方法 | |
| Du et al. | Adaptive region-based image enhancement method for robust face recognition under variable illumination conditions | |
| Zeng et al. | Improving histogram-based image contrast enhancement using gray-level information histogram with application to X-ray images | |
| CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
| CN105760841B (zh) | 一种身份识别方法及系统 | |
| Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
| CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
| CN111368661B (zh) | 一种基于图像处理的手指静脉图像增强方法 | |
| CN110807742B (zh) | 一种基于一体式网络的微光图像增强方法 | |
| WO2020155764A1 (zh) | 掌纹提取方法、装置及存储介质、服务器 | |
| CN114724188B (zh) | 基于灰度共生矩阵的静脉识别方法及装置 | |
| CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强系统 | |
| CN108510499A (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
| Voronin et al. | 3-D block-rooting scheme with application to medical image enhancement | |
| CN115223211B (zh) | 一种将静脉图像转化为指纹图像的识别方法 | |
| CN110909631A (zh) | 一种手指静脉图像roi提取和增强方法 | |
| CN112560808B (zh) | 一种基于灰度信息的体内静脉识别方法及装置 | |
| Yang et al. | An improved image contrast enhancement in multiple-peak images based on histogram equalization | |
| Lei et al. | Finger-vein image enhancement based on pulse coupled neural network | |
| CN106504208B (zh) | 基于有序最小值与小波滤波的高光谱图像宽条带去除方法 | |
| Du et al. | FVSR-Net: An end-to-end finger vein image scattering removal network | |
| Kumar et al. | Spatial mutual information based detail preserving magnetic resonance image enhancement | |
| CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
| CN108564031A (zh) | 基于多模态融合的单幅近红外手掌图像识别方法 |
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: An in vivo vein recognition method and device based on gray information Effective date of registration: 20211224 Granted publication date: 20210507 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: Beijing ShengDian cloud Information Technology Co.,Ltd. Registration number: Y2021990001195 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231220 Granted publication date: 20210507 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: Beijing ShengDian cloud Information Technology Co.,Ltd. Registration number: Y2021990001195 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |