CN112699845A - 一种在线非接触手掌静脉感兴趣区域提取方法 - Google Patents

Abstract

本发明公开了一种在线非接触手掌静脉感兴趣区域提取方法，包括以下步骤：步骤S1：获取前端采集设备所采集的图像，并对所采集的图像进行手区分割形成二值图像；步骤S2：在所述二值图像中，通过边界跟踪的方法分离非零像素区域和零像素区域来跟踪手掌轮廓，该边界跟踪的方法从边缘检测开始，然后通过自适应采样来支持手掌轮廓凹性分析的简化，减少扫描点的数量；步骤S3：利用凹性分析方法选取特征点来构造感兴趣区域提取的关键定位点；步骤S4：通过步骤S3构造的坐标，并利用食指和中指、中指和无名指、无名指和小拇指构建谷点之间的参考点，从所采集的图像中提取较大的感兴趣区域，从而完成手掌静脉感兴趣区域的提取。

Description

一种在线非接触手掌静脉感兴趣区域提取方法

技术领域

本发明属于模式识别领域，涉及到生物识别、计算机图形技术领域，尤其涉及到一种在线非接触手掌静脉感兴趣区域提取方法。

背景技术

手掌静脉的感兴趣区域提取主要是通过建立凹性分析模型来确定区域，是手掌静脉识别的关键步骤，是后续特征提取和识别的重要基础。与传统的指纹识别相对比，“活体识别”下的掌静脉识别将面临着更多的手掌纹路，其中包括乳突纹、主线和褶皱等，同时对于手掌纹路区域的缩放、旋转和不规则边界变化都更为复杂。在进行感兴趣区域提取时，上述难点的表现也更为突出。作为掌静脉识别的重要组成部分掌纹，对其进行感兴趣区域(Region of Interest，ROI)提取，具体可以概括为如下几个难点：

(1)在进行图像采集时，容易受到使用的设备和获取的条件的影响，所以在进行实际操作时需要提高图像的确定性，特别是在无接触手掌静脉识别的过程中；

(2)在自然拍摄情况下，手掌本身具有明显的缩放、旋转和不规则性等变形，因此为手掌进行感兴趣区域提取时带来了困难；

(3)手掌轮廓以及掌纹区域分布：由于手掌的不规则性以及信息丰富区域的不同，寻找感兴趣区域一直是后续特征提取和识别的重要基础。

如上几类难点导致手掌静脉感兴趣区域提取不仅需要好的ROI提取方法，还需要更具有鲁棒性和准确性。

综上所述，现有的手掌静脉感兴趣区域提取对手掌的缩放、旋转和不规则边界以及信息丰富区域的判定都还存在一些问题，特别是针对调节图像的位置和角度以及特定区域的提取，主要表现在：

(1)手掌静脉的采集主要有接触式采集和非接触式采集，无论哪种采集方式，采集过程中都会受到光照、采集背景和温度等因素的影响，使得静脉图像识别的时间增加；

(2)由于缺乏适宜的感兴趣区域定位分割法，导致特征提取的准确性较低，识别率不高；

(3)手掌静脉图像自带有掌纹，现有的算法仍然不能够完全去除掌纹的干扰，算法的鲁棒性有待提高。

发明内容

本发明针对现有技术中存在的尺度效应、旋转、不规则边界等缺陷，提供了新的一种在线非接触手掌静脉感兴趣区域提取方法。

为了解决上述技术问题，本发明通过以下技术方案实现：

一种在线非接触手掌静脉感兴趣区域提取方法，包括以下步骤：

步骤S1：获取前端采集设备所采集的图像，并对所采集的图像进行手区分割形成二值图像；

步骤S2：在所述二值图像中，通过边界跟踪的方法分离非零像素区域和零像素区域来跟踪手掌轮廓，该边界跟踪的方法从边缘检测开始，然后通过自适应采样来支持手掌轮廓凹性分析的简化，减少扫描点的数量；

步骤S3：利用凹性分析方法选取特征点来构造感兴趣区域提取的关键定位点；

步骤S4：通过步骤S3构造的坐标，并利用食指和中指、中指和无名指、无名指和小拇指构建谷点之间的参考点，从所采集的图像中提取较大的感兴趣区域，从而完成手掌静脉感兴趣区域的提取。

其中，步骤S1能够将采集设备采集到的手掌图像去除背景并同时分离出完整的手掌前景图像。

步骤S2通过边界跟踪方法，能够简化手掌轮廓点，得到最佳的手掌轮廓图。

步骤S3通过凹性分析，能够得到手掌感兴趣区域提取的关键定位点。

步骤S4利用相关的关键定位点，完成手掌静脉感兴趣区域的提取。

作为优选，上述所述的一种在线非接触手掌静脉感兴趣区域提取方法，所述步骤S1中，所述手区分割包括以下步骤：

步骤S11：使用Retinex方法提高所采集的图像中质量不平衡照亮区域的手掌皮肤纹理，利用Otus方法对得到的图像进行二值化操作；

步骤S12：计算步骤S12得到的图像中前景像素和背景像素的平均灰度，计算一个新的阈值，并不断迭代直到获取到最佳阈值，确定最佳阈值，将前景对象从背景中分离，从而形成二值图像。

其中，步骤S11能够提高采集图像的质量均衡度，方便提取图像中的信息，增加识别的效率。

步骤S12能够得到图像前景和背景分离的最佳阈值，将前景对象从背景中分离出来。

作为优选，上述所述的一种在线非接触手掌静脉感兴趣区域提取方法，所述步骤S2具体包括以下步骤：

步骤S21：从左到右并从上到下扫描图像，以找到第一个非零像素点并命名为P₀，将P₀设置为边界跟踪的起始点，然后，沿着顺时针方向按步长继续跟踪寻找下一个点，直到到达起始点，完成初始轮廓提取；

步骤S22：为了控制手掌轮廓的简化程度，采用边界像素向量的角度分布直方图进行分析，减少扫描点的数量，计算每个点的角度数值，选取某一点为x，根据相应的步长l，往点x左边和右边选取相应的l的步长，之后将左右两边端点处的两点与点x相连接，计算三点连接之后的角度β，依次往后叠加，移动到手掌的下一个轮廓点，再次计算轮廓点的度数；

步骤S23：计算设定窗口下每个边界点角度相对于完整轮廓的概率分布，其中具体公式为：

将所有角度归一化为k级，S_k为角度映射到第k级的点的概率，其中N表示为手掌轮廓总边界点个数，j表示边缘轮廓点索引，

为轮廓上第j点角度值，

为特定角度

的映射函数，公式为：

当

映射到第k级时，

为1，其它情况为0；

步骤S24：通过步骤S23中的各边界轮廓点的角度概率分布，进一步获得特定角度在整体轮廓表达中所占据的比例，并定义如下降采样经验公式，通过计算角度级的累积概率统计在设定条件下剔除模型边缘点中对总体形状表达贡献度较低的点，并保持对原始形状的基本表达能力，其中η是有效边界点的提取阈值比例，S_j是角度映射到第j层的像素点数相对总轮廓点数的比，k级角度累积概率分布函数如下：

设T为下采样经验值，β为可保留的最大角度，公式通过设定可保留的最大轮廓边缘点的角度换算出实际简化边缘点数目的百分比：

设定经验阈值为0.2，通过保留20％的特征点，简化图形并保留原始轮廓的几何特征信息，得到最终下采样滤波器定义为：

B(x)＝f^bvp(β，l，x)

其中f^bvp是下采样滤波器，在设定的窗口尺寸l条件下，计算轮廓点x的张角，通过β进行轮廓点是否保留的判定，完成新的轮廓B(x)的构建。

其中步骤S21用于提取初始轮廓，步骤S22用于计算任意边界轮廓点相应步长的角度，步骤S23用于计算设定窗口下每个边界点角度相对于完整轮廓的概率分布，步骤S24能够过滤多余边界轮廓点同时生成新的轮廓边界。

作为优选，上述所述的一种在线非接触手掌静脉感兴趣区域提取方法，所述步骤S3具体包括以下步骤：

步骤S31：首先，通过Graham方法在简化后的轮廓点上提取外接几何凸包，为了防止外接凸包过于松弛，在两个相邻点距离较长的部分插入局部峰值点，并同样标记为凸包点；

步骤S32：在设定条件下标记所有凸包点信息之后，在任意两个凸包点集合之间未标记的轮廓点即为松弛的凹点集合，然后，对凹点进行归并，构造出相对独立的凹区域，用于筛选关键定位点；

步骤S33：选取凹区域深度最大的边界点作为凹区域的顶点，进一步结合凹区域顶点的角度值、对称性筛选候选出最终可用的手掌区域定位的关键定位点，具体筛选过程的计算公式定义为：

在任意一个独立凹区域中，V为凹区域顶点，A和B为凹区域的两端端点，cosθ为凹区域顶点夹角，sym是凹区域两边不对称程度的度量，dist为凹区域顶点V到直线AB的距离，并引入经验几何规则

进行约束，令i为关键候选点序列的索引，任意相邻的三个关键定位点之间满足经验公式cosα>γ，其中γ是角度阈值，且γ＝0.6。

其中，步骤S31用于计算得出手掌轮廓的外接几何凸包。步骤S32对凹点进行归并，构造出相对独立的凹区域。步骤S33能够消除边界噪声产生的凹点以及消除大拇指对感兴趣区域的影响。

作为优选，上述所述的一种在线非接触手掌静脉感兴趣区域提取方法，所述步骤S4具体包括以下步骤：

步骤S41：根据筛选出的关键定位点进一步构建感兴趣区域提取策略，计算公式如下：

其中，P_v1为食指和中指之间的关键点，坐标为

P_v2为无名指和小拇指之间的关键点，坐标为

d为计算得到的P_v1和P_v2之间的欧氏距离，然后构建一个偏移量来避开指根，以最大化感兴趣区域中信息的有效性，其中以d为参考距离，设定长度为0.2d的经验偏移值避开指根部位，α为P_v1和P_v2两点之间的角度，

为两个距离扩展因子，其中

为距离

为距离

P_vm为中指和无名指之间的关键点，e^roi为提取的正方形区域的边长；

步骤S42：利用步骤S41定义的值，提取一个边长为e^roi的正方形区域，然后采取线性灰度值差分方法对手掌静脉图像进行缩放和旋转，之后归一化处理，从而完成手掌静脉感兴趣区域的提取。

其中，步骤S41用于计算相关凹性条件，确定P_v1、P_v2之间的距离和角度，以及得出正方形感兴趣区域的边长。步骤S42用于确定手掌的感兴趣区域同时进行提取。

本发明有效避免了现有方法在手掌缩放、旋转、手指耀斑、角度变化、部分遮挡等情况下难以取得良好的感兴趣区域的缺陷，实现了高鲁棒性，其灵活的适应性和较高的准确度已达到了实际应用的要求。同时本发明通过向下采样的方法，针对边界问题提出了一种新的凹性分析模型，能够避免受到手腕分割结果的影响，同时对于不规则边界的锐化，本发明所提出的边界跟踪方法也能有效地提高各种边界条件的容忍度，加快凹性分析的计算速度，并且具有良好的抗噪声能力。本发明具有良好的应有前景，对感兴趣区域的提取有着重要意义。

附图说明

图1为本发明的方法流程图；

图2为手掌图片前后景分离图；

图3为手掌边界跟踪图；

图4为手掌图片静脉感兴趣区域图；

图5为手掌静脉凹性分析图；

图6为手掌感兴趣区域提取图；

图7为边界像素向量的角度分布直方图。

具体实施方式

下面结合附图1-7和具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：

实施例1

一种在线非接触手掌静脉感兴趣区域提取方法，包括以下步骤：

步骤S1：获取前端采集设备所采集的图像，并对所采集的图像进行手区分割形成二值图像；

步骤S2：在所述二值图像中，通过边界跟踪的方法分离非零像素区域和零像素区域来跟踪手掌轮廓，该边界跟踪的方法从边缘检测开始，然后通过自适应采样来支持手掌轮廓凹性分析的简化，减少扫描点的数量；

步骤S3：利用凹性分析方法选取特征点来构造感兴趣区域提取的关键定位点；

步骤S4：通过步骤S3构造的坐标，并利用食指和中指、中指和无名指、无名指和小拇指构建谷点之间的参考点，从所采集的图像中提取较大的感兴趣区域，从而完成手掌静脉感兴趣区域的提取。

作为优选，所述步骤S1中，所述手区分割包括以下步骤：

步骤S11：使用Retinex方法提高所采集的图像中质量不平衡照亮区域的手掌皮肤纹理，利用Otus方法对得到的图像进行二值化操作；

步骤S12：计算步骤S12得到的图像中前景像素和背景像素的平均灰度，计算一个新的阈值，并不断迭代直到获取到最佳阈值，确定最佳阈值，将前景对象从背景中分离，从而形成二值图像。

作为优选，所述步骤S2具体包括以下步骤：

步骤S21：从左到右并从上到下扫描图像，以找到第一个非零像素点并命名为P₀，将P₀设置为边界跟踪的起始点，然后，沿着顺时针方向按步长继续跟踪寻找下一个点，直到到达起始点，完成初始轮廓提取；

步骤S22：为了控制手掌轮廓的简化程度，采用边界像素向量的角度分布直方图进行分析，减少扫描点的数量，计算每个点的角度数值，选取某一点为x，根据相应的步长l，往点x左边和右边选取相应的l的步长，之后将左右两边端点处的两点与点x相连接，计算三点连接之后的角度β，依次往后叠加，移动到手掌的下一个轮廓点，再次计算轮廓点的度数；

步骤S23：计算设定窗口下每个边界点角度相对于完整轮廓的概率分布，其中具体公式为：

将所有角度归一化为k级，S_k为角度映射到第k级的点的概率，其中N表示为手掌轮廓总边界点个数，j表示边缘轮廓点索引，

为轮廓上第j点角度值，

为特定角度

的映射函数，公式为：

当

映射到第k级时，

为1，其它情况为0；

步骤S24：通过步骤S23中的各边界轮廓点的角度概率分布，进一步获得特定角度在整体轮廓表达中所占据的比例，并定义如下降采样经验公式，通过计算角度级的累积概率统计在设定条件下剔除模型边缘点中对总体形状表达贡献度较低的点，并保持对原始形状的基本表达能力，其中η是有效边界点的提取阈值比例，S_j是角度映射到第j层的像素点数相对总轮廓点数的比，k级角度累积概率分布函数如下：

设T为下采样经验值，β为可保留的最大角度，公式通过设定可保留的最大轮廓边缘点的角度换算出实际简化边缘点数目的百分比：

设定经验阈值为0.2，通过保留20％的特征点，简化图形并保留原始轮廓的几何特征信息，得到最终下采样滤波器定义为：

B(x)＝f^bvp(β，l，x)

其中f^bvp是下采样滤波器，在设定的窗口尺寸l条件下，计算轮廓点x的张角，通过β进行轮廓点是否保留的判定，完成新的轮廓B(x)的构建。

作为优选，所述步骤S3具体包括以下步骤：

步骤S31：首先，通过Graham方法在简化后的轮廓点上提取外接几何凸包，为了防止外接凸包过于松弛，在两个相邻点距离较长的部分插入局部峰值点，并同样标记为凸包点；

步骤S32：在设定条件下标记所有凸包点信息之后，在任意两个凸包点集合之间未标记的轮廓点即为松弛的凹点集合，然后，对凹点进行归并，构造出相对独立的凹区域，用于筛选关键定位点；

步骤S33：选取凹区域深度最大的边界点作为凹区域的顶点，进一步结合凹区域顶点的角度值、对称性筛选候选出最终可用的手掌区域定位的关键定位点，具体筛选过程的计算公式定义为：

在任意一个独立凹区域中，V为凹区域顶点，A和B为凹区域的两端端点，cosθ为凹区域顶点夹角，sym是凹区域两边不对称程度的度量，dist为凹区域顶点V到直线AB的距离，并引入经验几何规则

进行约束，令i为关键候选点序列的索引，任意相邻的三个关键定位点之间满足经验公式cosα>γ，其中γ是角度阈值，且γ＝0.6。

作为优选，所述步骤S4具体包括以下步骤：

步骤S41：根据筛选出的关键定位点进一步构建感兴趣区域提取策略，计算公式如下：

其中，P_v1为食指和中指之间的关键点，坐标为

P_v2为无名指和小拇指之间的关键点，坐标为

d为计算得到的P_v1和P_v2之间的欧氏距离，然后构建一个偏移量来避开指根，以最大化感兴趣区域中信息的有效性，其中以d为参考距离，设定长度为0.2d的经验偏移值避开指根部位，α为P_v1和P_v2两点之间的角度，

为两个距离扩展因子，其中

为距离

为距离

P_vm为中指和无名指之间的关键点，e^roi为提取的正方形区域的边长；

步骤S42：利用步骤S41定义的值，提取一个边长为e^roi的正方形区域，然后采取线性灰度值差分方法对手掌静脉图像进行缩放和旋转，之后归一化处理，从而完成手掌静脉感兴趣区域的提取。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种在线非接触手掌静脉感兴趣区域提取方法，其特征在于：包括以下步骤：

步骤S1：获取前端采集设备所采集的图像，并对所采集的图像进行手区分割形成二值图像；

步骤S2：在所述二值图像中，通过边界跟踪的方法分离非零像素区域和零像素区域来跟踪手掌轮廓，该边界跟踪的方法从边缘检测开始，然后通过自适应采样来支持手掌轮廓凹性分析的简化，减少扫描点的数量；

步骤S3：利用凹性分析方法选取特征点来构造感兴趣区域提取的关键定位点；

步骤S4：通过步骤S3构造的坐标，并利用食指和中指、中指和无名指、无名指和小拇指构建谷点之间的参考点，从所采集的图像中提取较大的感兴趣区域，从而完成手掌静脉感兴趣区域的提取。

2.根据权利要求1所述的一种在线非接触手掌静脉感兴趣区域提取方法，其特征在于：所述步骤S1中，所述手区分割包括以下步骤：

步骤S11：使用Retinex方法提高所采集的图像中质量不平衡照亮区域的手掌皮肤纹理，利用Otus方法对得到的图像进行二值化操作；

步骤S12：计算步骤S12得到的图像中前景像素和背景像素的平均灰度，计算一个新的阈值，并不断迭代直到获取到最佳阈值，确定最佳阈值，将前景对象从背景中分离，从而形成二值图像。

3.根据权利要求1所述的一种在线非接触手掌静脉感兴趣区域提取方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：从左到右并从上到下扫描图像，以找到第一个非零像素点并命名为P₀，将P₀设置为边界跟踪的起始点，然后，沿着顺时针方向按步长继续跟踪寻找下一个点，直到到达起始点，完成初始轮廓提取；

步骤S22：为了控制手掌轮廓的简化程度，采用边界像素向量的角度分布直方图进行分析，减少扫描点的数量，计算每个点的角度数值，选取某一点为x，根据相应的步长l，往点x左边和右边选取相应的l的步长，之后将左右两边端点处的两点与点x相连接，计算三点连接之后的角度β，依次往后叠加，移动到手掌的下一个轮廓点，再次计算轮廓点的度数；

步骤S23：计算设定窗口下每个边界点角度相对于完整轮廓的概率分布，其中具体公式为：

将所有角度归一化为k级，S_k为角度映射到第k级的点的概率，其中N表示为手掌轮廓总边界点个数，j表示边缘轮廓点索引，

为轮廓上第j点角度值，

为特定角度

的映射函数，公式为：

当

映射到第k级时，

为1，其它情况为0；

步骤S24：通过步骤S23中的各边界轮廓点的角度概率分布，进一步获得特定角度在整体轮廓表达中所占据的比例，并定义如下降采样经验公式，通过计算角度级的累积概率统计在设定条件下剔除模型边缘点中对总体形状表达贡献度较低的点，并保持对原始形状的基本表达能力，其中η是有效边界点的提取阈值比例，S_j是角度映射到第j层的像素点数相对总轮廓点数的比，k级角度累积概率分布函数如下：

设T为下采样经验值，β为可保留的最大角度，公式通过设定可保留的最大轮廓边缘点的角度换算出实际简化边缘点数目的百分比：

设定经验阈值为0.2，通过保留20％的特征点，简化图形并保留原始轮廓的几何特征信息，得到最终下采样滤波器定义为：

B(x)＝f^bvp(β，l，x)

其中f^bvp是下采样滤波器，在设定的窗口尺寸l条件下，计算轮廓点x的张角，通过β进行轮廓点是否保留的判定，完成新的轮廓B(x)的构建。

4.根据权利要求1所述的一种在线非接触手掌静脉感兴趣区域提取方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：首先，通过Graham方法在简化后的轮廓点上提取外接几何凸包，为了防止外接凸包过于松弛，在两个相邻点距离较长的部分插入局部峰值点，并同样标记为凸包点；

步骤S32：在设定条件下标记所有凸包点信息之后，在任意两个凸包点集合之间未标记的轮廓点即为松弛的凹点集合，然后，对凹点进行归并，构造出相对独立的凹区域，用于筛选关键定位点；

步骤S33：选取凹区域深度最大的边界点作为凹区域的顶点，进一步结合凹区域顶点的角度值、对称性筛选候选出最终可用的手掌区域定位的关键定位点，具体筛选过程的计算公式定义为：

在任意一个独立凹区域中，V为凹区域顶点，A和B为凹区域的两端端点，cosθ为凹区域顶点夹角，sym是凹区域两边不对称程度的度量，dist为凹区域顶点V到直线AB的距离，并引入经验几何规则

进行约束，令i为关键候选点序列的索引，任意相邻的三个关键定位点之间满足经验公式cosα＞γ，其中γ是角度阈值，且γ＝0.6。

5.根据权利要求1所述的一种在线非接触手掌静脉感兴趣区域提取方法，其特征在于：所述步骤S4具体包括以下步骤：

步骤S41：根据筛选出的关键定位点进一步构建感兴趣区域提取策略，计算公式如下：

其中，P_v1为食指和中指之间的关键点，坐标为

P_v2为无名指和小拇指之间的关键点，坐标为

d为计算得到的P_v1和P_v2之间的欧氏距离，然后构建一个偏移量来避开指根，以最大化感兴趣区域中信息的有效性，其中以d为参考距离，设定长度为0.2d的经验偏移值避开指根部位，α为P_v1和P_v2两点之间的角度，

为两个距离扩展因子，其中

为距离

为距离

P_vm为中指和无名指之间的关键点，e^roi为提取的正方形区域的边长；

步骤S42：利用步骤S41定义的值，提取一个边长为e^roi的正方形区域，然后采取线性灰度值差分方法对手掌静脉图像进行缩放和旋转，之后归一化处理，从而完成手掌静脉感兴趣区域的提取。

Images