CN112883824A - 一种用于智能采血的手指静脉特征识别装置及其识别方法 - Google Patents

一种用于智能采血的手指静脉特征识别装置及其识别方法 Download PDF

Info

Publication number
CN112883824A
CN112883824A CN202110117076.2A CN202110117076A CN112883824A CN 112883824 A CN112883824 A CN 112883824A CN 202110117076 A CN202110117076 A CN 202110117076A CN 112883824 A CN112883824 A CN 112883824A
Authority
CN
China
Prior art keywords
image
finger vein
threshold
finger
pixel
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.)
Pending
Application number
CN202110117076.2A
Other languages
English (en)
Inventor
李章勇
何淑玲
黎希
周秦
纪佳佳
杨德伟
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110117076.2A priority Critical patent/CN112883824A/zh
Publication of CN112883824A publication Critical patent/CN112883824A/zh
Pending legal-status Critical Current

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

本发明涉及图像识别技术领域，具体涉及一种用于智能采血的手指静脉特征识别装置及其识别方法，包括：采集图像，CMOS图像传感器在放置手指区域进行持续拍照，得到手指静脉图像；将手指静脉图像传送到预处理模块中进行图像预处理，增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性；经过一系列图像处理操作的静脉图像进入到手指静脉特征提取模块，传统的阈值分割算法仅设置单一的阈值来提取静脉特征，当采集的图像质量较低时，得不到很好的效果，使得指静脉特征细节严重丢失，因此采用自适应多阈值算法进行静脉特征提取。本发明可以实现非接触式机器智能采血，有效减少医护人员的工作量，并且可以避免不必要的感染等问题。

Description

一种用于智能采血的手指静脉特征识别装置及其识别方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种用于智能采血的手指静脉特征识别装置及其识别方法。
背景技术
当前我国积极推进智能化医疗进程，但国内医疗器械产业品牌甚少，亟需大力发展。对于国内的传统人工采血，存在着医疗资源不足，人均护士拥有量少，采血任务繁重的问题；更重要的是即使医护人员经过专门的培训，人工采血的成功率仍然不高，并且在传染病人采血化验的过程中，医护人员和病人直接接触，医护人员会有感染疾病的风险，所以要降低医护人员感染风险，同时提高采血效率，使得医疗机器人变得尤为重要，各类医疗机器人能够避免医护感染。
对于智能采血机器人来说，图像的采集、处理以及特征提取在整个系统中至关重要。目前，这方面存在的主要问题有：采集的图像不规范，目前国内的研究都是基于自己的设备，对于图像没有统一的标准，研究者需要针对各自的设备设计不同的图像归一化和识别的方法；针对低质量手指静脉图像，使用单一的阈值分割法达不到预期效果，不能提取到清晰的指静脉纹路特征拓扑结构，指静脉特征细节严重丢失，并且在图像识别算法方面所存在的问题也颇多。
发明内容
为了解决上述问题，本发明提供一种用于智能采血的手指静脉特征识别装置及其识别方法。
一种用于智能采血的手指静脉特征识别装置，包括：图像采集模块、图像预处理模块和指静脉特征提取模块，所述图像采集模块包括近红外光光源和 CMOS图像传感器，图像采集模块采用透射成像法来获取成像质量较高的手指静脉图像，通过CMOS图像传感器加上850nm的近红外光对手指静脉图像进行采集；所述图像预处理模块用于对采集的手指静脉图像进行图像处理，增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性；所述手指静脉特征提取模块用于提取手指静脉图像中的静脉特征，精确定位静脉。
一种用于智能采血的手指静脉特征识别方法，包括以下步骤：
S1、图像采集获取，CMOS图像传感器在放置手指区域进行持续拍照，得到相应的手指静脉图像；
S2、将手指静脉图像传送到预处理模块中进行图像预处理，得到预处理后的手指静脉图像；从而增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性；
S3、将预处理后的手指静脉图像传送到特征提取模块，在特征提取模块中，采用自适应多阈值算法进行静脉特征提取，得到静脉图像特征。
在一种优选实施方式中，步骤S2中的图像预处理操作，包括：
S21、对采集的指静脉图像进行高斯滤波，使得图像进行平滑的同时，能够更多地保留图像的总体灰度分布特征；
S22、对高斯滤波后的指静脉图像进行直方图均衡化处理，即采用CLAHE 算法增强图像，尽可能突出图像中含有静脉特征的区域；
S23、采用Canny算子检测出手指边缘轮廓；
S24、利用双线性插值法将指静脉图像尺寸归一化。
在一种优选实施方式中，对采集的手指静脉图像进行高斯滤波，包括：获取的原始图像为f(x,y)，经过高斯滤波之后的图像记为f0(x,y)，高斯滤波计算公式如下：
f0(x,y)＝f(x,y)*g(x,y)
其中“*”表示卷积运算，g(x,y)为滤波器模板，且
Figure BDA0002920775720000021
这里D(x,y)表示距离中心原点的距离。
在一种优选实施方式中，对高斯滤波后的指静脉图像进行直方图均衡化处理包括：采用CLAHE算法增强图像，首先对整幅指静脉图像均等划分成多个互不相交的子图像，一一计算出每一块子图像的直方图，同时对图像中的每个像素点使用双线性插值法，使得每块子图像的灰度级数平滑变化，从而使指静脉图像得到增强。
在一种优选实施方式中，采用Canny算子检测出手指边缘轮廓包括：记直方图均衡化后的图像为f1(x,y)；
S231、计算直方图均衡化后的图像的梯度幅值和梯度方向：设两个差分卷积模板为S1和S2，图像f1(x,y)沿x和y方向的偏导数g1、g2，将图像f1(x,y)中的每个像素点(x，y)的梯度幅值记为G(x，y)，梯度方向为θ(x，y)，计算公式如下：
Figure BDA0002920775720000031
Figure BDA0002920775720000032
Figure BDA0002920775720000033
Figure BDA0002920775720000034
S232、对梯度幅值进行非极大值抑制：将当前像素梯度幅值与沿正负梯度方向上的相邻像素的梯度幅值进行比较，若当前像素梯度幅值为最大，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点；
S233、进行双阈值滞后处理：定义一个高阈值和一个低阈值，将梯度幅值低于低阈值的像素点抑制，检测为非边缘，高于高阈值的像素点被检测为边缘，对于中间的像素点，如果与确定为边缘的像素点邻接，则判定为边缘，否则为非边缘。
在一种优选实施方式中，步骤S3中静脉特征提取，包括：
S31、由于在手指静脉图中知静脉横截面的灰度分布呈谷形，所以将静脉特征的提取等效为检测指静脉图像中的谷形区域，采用邻域方向模板法计算谷形区域的方向场，得到指静脉特征图像中谷形区域内像素点灰度值；
S32、由于手指静脉特征图像中谷形区域内的像素点灰度值均大于零，将灰度值小于等于零的像素点灰度置零，由此完成第一次阈值分割；
S33、将经过第一次阈值分割的图像划分成各个子图像，采用自适应多阈值的方法进行第二次阈值分割；
S34、使用OTSU算法计算出手指静脉图像的最优全局阈值，采用尺寸为 (2p+1)×(2p+1)的滑动窗口在子图像上依次遍历每个像素点，计算出子图像中单个像素点的动态局部阈值，结合两者进行加权，得出新的加权阈值，利用新的加权阈值对子图像中的每个像素点进行二值化分割，提取出静脉特征，其中，p为常数。
在一种优选实施方式中，子图像中单个像素点的动态局部阈值的计算方式包括：
ThresholdSub(m,n)＝Average(m,n)+k*StdDev(m,n)
Figure BDA0002920775720000041
Figure BDA0002920775720000042
其中，ThresholdSub(m,n)表示子图像中像素点(m,n)的动态局部阈值， Average(m,n)表示滑动窗口内所有像素点的灰度均值，参数k为修正系数， StdDev(m,n)表示滑动窗口内所有像素点的标准差，Gray(m,n)表示像素点(m,n)的灰度值，Gray'(m,n)表示处于滑动窗口中心位置的像素点灰度，p为常数。
在一种优选实施方式中，将动态局部阈值和最优全局阈值进行加权，得到新的加权阈值Threshold(m,n)：
Threshold(m,n)＝(1-β)*ThresholdGlobal(m,n)+β*ThresholdSub(m,n)
利用新的加权阈值Threshold(m,n)对子图像中的每个像素点进行二值化分割，如果当前像素点的灰度大于或等于该加权阈值Threshold(m,n)，则将该点灰度值置为1，否则将其置为0，表达式如下：
Figure BDA0002920775720000051
相对于现有技术，本发明的优点和有益效果如下：
本发明的一种用于智能采血的手指静脉特征识别装置能够应用识别方法高效快速地完成图像的采集和处理。本发明的手指静脉特征识别方法通过特征提取模块进行手指静脉特征提取，主要思想是采用自适应多阈值算法，结合邻域方向模板和局部二值化，通过连续优化二值化阈值的方式，不断细化静脉特征提取的细粒度和准确度，最终实现对手指静脉特征进行有效地识别提取。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明。
图1是根据本发明实施例的特征识别装置简易示意图；
图2是根据本发明实施例图像预处理的示意性流程图；
图3是根据本发明实施例静脉特征提取的示意性流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
如图1所示，一种用于智能采血的手指静脉特征识别装置，包括：图像采集模块、图像预处理模块和指静脉特征提取模块，
所述图像采集模块包括近红外光光源和CMOS图像传感器，图像采集模块采用透射成像法来获取成像质量较高的手指静脉图像，通过CMOS图像传感器加上850nm的近红外光对手指静脉图像进行采集；
所述图像预处理模块用于对采集的手指静脉图像进行图像处理，增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性；
所述手指静脉特征提取模块用于提取手指静脉图像中的静脉特征，精确定位静脉。
一种用于智能采血的手指静脉特征识别方法，包括但不限于如下步骤：
S1、图像采集获取，CMOS图像传感器在放置手指区域进行持续拍照，得到相应的手指静脉图像；
S2、将手指静脉图像传送到预处理模块中进行图像预处理，得到预处理后的手指静脉图像；从而增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性。
如图2所示，图像预处理模块具体操作包括：
S21，对采集的手指静脉图像进行高斯滤波，使图像平滑；
使用高斯滤波器对指静脉图像进行高斯滤波，滤波之后的图像去除了噪声干扰，高斯滤波具体包括：记获取的原始图像为f(x,y)，经过高斯滤波之后的图像记为f0(x,y)，根据公式计算：
f0(x,y)＝f(x,y)*g(x,y)
其中“*”表示卷积运算，g(x,y)为滤波器模板，且
Figure BDA0002920775720000061
D(x,y)表示距离中心原点的距离。
S22，将高斯滤波后的手指静脉图像进行限制对比度自适应直方图均衡化处理，尽可能突出图像中含有静脉特征的区域。
对高斯滤波后的指静脉图像进行限制对比度自适应直方图均衡化处理，即采用CLAHE算法增强图像：首先对整幅指静脉图像均等划分成多个互不相交的子图像，一一计算出每一块子图像的直方图，同时对图像中的每个像素点使用双线性插值法，使得每块子图像的灰度级数平滑变化，从而使指静脉图像得到增强。
S23，采用Canny算子检测出图像的手指边缘轮廓。
对于手指边缘轮廓的检测，利用Canny算子来实现；首先计算图像梯度，得到可能的边缘，然后通过非极大值抑制将有多个像素宽的边缘变成一个单像素宽的边缘，最后经过双阈值筛选，检测出边缘。
在一种优选实施方式中，采用Canny算子检测出手指边缘轮廓包括：记直方图均衡化后的图像为f1(x,y)；
S231、计算直方图均衡化后的图像的梯度幅值和梯度方向：设两个差分卷积模板为S1和S2，图像f1(x,y)沿x和y方向的偏导数g1、g2，将图像f1(x,y)中的每个像素点(x，y)的梯度值记为G(x，y)，梯度方向为θ(x，y)，计算公式如下：
Figure BDA0002920775720000071
Figure BDA0002920775720000072
Figure BDA0002920775720000073
Figure BDA0002920775720000074
S232、对梯度幅值进行非极大值抑制：将当前像素梯度幅值与沿正负梯度方向上的相邻像素的梯度幅值进行比较，若其为最大(即为极值)，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点；
S233、进行双阈值滞后处理：定义一个高阈值和一个低阈值，将梯度幅值低于低阈值的像素点抑制，检测为非边缘，高于高阈值的像素点被检测为边缘，对于中间的像素点，如果与确定为边缘的像素点邻接，则判定为边缘，否则为非边缘。
S24，利用双线性插值法在x,y轴方向上分别进行线性插值，将指静脉图像尺寸归一化；经过一系列的预处理操作之后，从具有复杂背景的指静脉采集图像中提取出手指静脉纹路丰富的区域，突出静脉纹理，便于接下来的特征提取过程。
S3、将预处理后的手指静脉图像传送到特征提取模块，在特征提取模块中，采用自适应多阈值算法进行静脉特征提取，得到静脉图像特征。
由于传统的阈值分割算法仅设置单一的阈值来提取静脉特征，当采集的图像质量较低时，得不到很好的效果，使得指静脉特征细节严重丢失，因此本发明采用自适应多阈值算法进行静脉特征提取，能够较好的获取静脉特征的细节信息。
如图3所示，在上述指静脉特征识别方法中，采用自适应多阈值算法进行静脉特征提取的具体实施过程包括：
S31、由于从手指静脉图中静脉横截面的灰度分布呈谷形，所以静脉特征的提取可以等效为检测指静脉图像中的谷形区域，采用邻域方向模板法计算谷形区域的方向场，计算完毕后，最终得到指静脉特征图像中谷形区域内像素点灰度值。
进一步的，采用邻域方向模板法计算谷形区域的方向场包括：利用八个方向上的模板算子检测图像中的谷形区域；模板算子记为
Figure BDA0002920775720000081
θi表示第i个方向的角度值，i＝0,1,...,7代表八个方向的位置，在以像素点(m，n)为中心的邻域范围内，利用八个方向的模板算子分别计算与(m，n)中心邻域的卷积，记Fgray(i)(i＝0,1,...,7)，得到这八个方向上的卷积，从所有卷积中选取最大的卷积Gmax作为该中心像素点(m，n)的灰度。最大的卷积Gmax的计算表达式如下：
Gmax＝Max(Fgray(i))
将最大的卷积Gmax作为该点的灰度，表达式如下：
Gray(m,n)＝Gmax
S32、由于手指静脉特征图像中谷形区域内的像素点灰度值均大于零，将灰度值小于等于零的像素点灰度置零，由此完成第一次阈值分割。
具体地，由于经过卷积的手指静脉图像中像素点灰度大于零的区域为谷形区域，而背景区域及凸形区域内的像素点灰度分别等于零和小于零，将灰度值小于等于零的像素点置为零，即得到手指静脉图中静脉横截面的大致区域。
在一个实施例中，第一次阈值分割表达式如下：
Figure BDA0002920775720000082
S33、为尽可能清晰完整地提取出指静脉特征，将经过第一次阈值分割的图像划分成各个子图像，采用自适应多阈值的方法进行第二次阈值分割。
在完成第一次阈值分割后，手指静脉图像中包括含有指静脉特征的区域，还包括既含有指静脉特征又含有伪指静脉特征这两种类型特征的区域，因此继续采用自适应多阈值的方法对图像进行第二次阈值分割。
首先统计出指静脉特征图像中所有灰度值大于零的像素点个数和对应的灰度累计和，计算出全局灰度均值GrayGlobalMean和全局阈值ThresholdGlobalMean，计算方式如下：
Figure BDA0002920775720000091
ThresholdGlobalMean＝GrayGlobalMean*ThresholdFactor
其中，GraySumGlobal代表整幅图像中像素点灰度大于零的灰度累计和，NumGlobal代表相应的像素点个数，ThresholdFactor代表全局阈值调节因子。
然后将第一次阈值分割后的图像均等划分成k块互不相等的子图像，计算每个子图像相应的局部灰度均值GraySubMean：
Figure BDA0002920775720000092
Figure BDA0002920775720000093
其中，α为局部灰度均值与全局灰度均值的比列系数，GraySumSub代表每块子图像中像素点灰度大于零的灰度累计和，NumSub代表对应的像素点个数。
根据比例系数α调整当前子图像的阈值，若比例系数α大于1，则说明当前子图像的局部灰度均值大于全局灰度均值，故在提取静脉特征过程中适当提高当前子图像的阈值；若比例系数α值小于等于1，则说明当前子图像的局部灰度均值小于或等于全局灰度均值，需要适当的调低当前的子图像阈值；也即当遍历到子图像中某一像素点(m，n)的灰度大于当前子图像的阈值时，将其灰度置为对应阈值，否则保持其灰度不变：
ThresholdSub＝ThresholdGlobal*α
Figure BDA0002920775720000101
其中，ThresholdSub表示当前子图像的局部阈值，ThresholdGlobal表示全局阈值，Gray(m,n)表示像素点(m,n)的灰度值。
S34、使用最大类间方差法OTSU算法计算出指静脉图像的最优全局阈值，计算出子图像中单个像素点的动态局部阈值，结合两者进行加权，得出新的加权阈值，利用加权阈值对子图像中的每个像素点进行二值化分割，提取出静脉特征。
在一个实施例中，利用加权阈值对子图像中的每个像素点进行二值化分割，提取出静脉特征具体包括以下实施过程：
指静脉图像在经过两次阈值分割后，每一块子图像的像素点灰度都在 [0，ThresholdSub]范围内。
利用OTSU算法计算出整幅静脉图像的最优全局阈值ThresholdGlobal(m,n)包括：
假设指静脉图像的灰度级数为L，灰度为i的像素点个数为ni，利用灰度分割阈值τ为标准将整幅图像划分为两个区域，定义F区域用来描述{0,1,...,τ}的灰度分布，B区域用来描述{τ+1,τ+2,...L-1}的灰度分布；设F区域，B区域和整幅图像的像素点个数分别为NF,NB,N,即
Figure BDA0002920775720000102
其中，ni表示灰度级数为i像素点个数，L表示指静脉图像的灰度级数。
假设F区域，B区域和整幅图像中各个灰度出现的频率分别为hi F,hi B和pi即
Figure BDA0002920775720000103
Figure BDA0002920775720000104
Figure BDA0002920775720000105
则F区域和B区域的概率分别为pF,pB,即
Figure BDA0002920775720000111
设基于整幅图像的平均灰度为m，基于F区域的平均灰度为mF,基于B区域的平均灰度为mB，计算公式为：
Figure BDA0002920775720000112
Figure BDA0002920775720000113
Figure BDA0002920775720000114
m＝pFmF+pBmB
那么区域F、B之间的类间方差为：
Figure BDA0002920775720000115
求取使得类间方差最大的阈值τ，即为最优全局阈值ThresholdGlobal(m,n)。
因为指静脉图像最上方和最下方两块子图像中含有很多边缘区域，所含指静脉特征较少，所以采用单一的最优全局阈值ThresholdGlobal(m,n)对这两块子图像进行二值化分割，减少运算量，提高系统执行效率，具体地二值化分割方法包括：若像素点灰度大于或等于最优全局阈值ThresholdGlobal(m,n)，则将该点灰度置为1，否则置为0。
采用尺寸为(2p+1)×(2p+1)的滑动窗口在其余子图像上依次遍历每个像素点，处于滑动窗口中心位置的像素点灰度为Gray'(m,n)，滑动窗口内除中心像素点以外的其他像素点的灰度构成以下集合：
S(i,j)＝{f(m+k,n+l)|k,l＝-p,...1,0,1,...p}
其中，p为常数，(m,n)表示指静脉图像中的每个像素点，k,l分别表示常数。
计算该滑动窗口内所有像素点的灰度均值Average(m,n)和标准差StdDev(m,n)：
Figure BDA0002920775720000121
Figure BDA0002920775720000122
由灰度均值和标准差计算出子图像中每个像素点对应的动态局部阈值ThresholdSub(m,n)：
ThresholdSub(m,n)＝Average(m,n)+k*StdDev(m,n)
其中，参数k为修正系数。
将动态局部阈值和最优全局阈值进行加权，得到新的加权阈值Threshold(m,n)：
Threshold(m,n)＝(1-β)*ThresholdGlobal(m,n)+β*ThresholdSub(m,n)
利用新的加权阈值Threshold(m,n)对子图像中的每个像素点进行二值化分割，如果当前像素点的灰度大于或等于该加权阈值Threshold(m,n)，则将该点灰度值置为1，否则将其置为0，表达式如下：
Figure BDA0002920775720000123
本发明的一种用于智能采血的手指静脉特征识别装置及其识别方法，能够高效快速地完成图像的采集和处理，采用自适应多阈值算法，结合邻域方向模板和局部二值化，连续优化阈值对图像进行处理、分割，最终实现对手指静脉特征进行有效地识别提取，提取出精确的静脉特征更加精确，从而顺利地进行下续的采血流程。
本发明是基于计算机视觉的智能采血中的图像处理部分，智能采血代替传统的人工采血，使采血可不依赖于专业人员而能自行完成，缓解了医疗资源的紧张，提高了医疗效率，减少人力资源的占用，使采血的过程变得简单、准确，减轻患者的精神压力；传统的采血依靠人工定位的方式，对于新生儿、儿童、肥胖者等静脉不明显的人群来说，单纯依赖护士的经验无法有效保证采血成功率，采用计算机视觉对手指静脉图像进行处理，并结合本发明所设计软件和硬件相配合，大大提升了采血的成功率。
需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-0nly Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
以上所述仅是本申请的具体实施方式，应当指出，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种用于智能采血的手指静脉特征识别装置，其特征在于，包括：图像采集模块、图像预处理模块和指静脉特征提取模块，
所述图像采集模块包括近红外光光源和CMOS图像传感器，图像采集模块采用透射成像法来获取成像质量较高的手指静脉图像，通过CMOS图像传感器加上850nm的近红外光对手指静脉图像进行采集；
所述图像预处理模块用于对采集的手指静脉图像进行图像处理，增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性；
所述手指静脉特征提取模块用于提取手指静脉图像中的静脉特征，精确定位静脉。
2.一种用于智能采血的手指静脉特征识别方法，其特征在于，包括以下步骤：
S1、图像采集获取，CMOS图像传感器在放置手指区域进行持续拍照，得到相应的手指静脉图像；
S2、将手指静脉图像传送到预处理模块中进行图像预处理，得到预处理后的手指静脉图像；从而增强手指静脉特征丰富的感兴趣区域，提高特征识别的准确性以及有效性；
S3、将预处理后的手指静脉图像传送到特征提取模块，在特征提取模块中，采用自适应多阈值算法进行静脉特征提取，得到静脉图像特征。
3.根据权利要求2所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，步骤S2中的图像预处理操作，包括：
S21、对采集的指静脉图像进行高斯滤波，使得图像进行平滑的同时，能够更多地保留图像的总体灰度分布特征；
S22、对高斯滤波后的指静脉图像进行直方图均衡化处理，即采用CLAHE算法增强图像，尽可能突出图像中含有静脉特征的区域；
S23、采用Canny算子检测出手指边缘轮廓；
S24、利用双线性插值法将指静脉图像尺寸归一化。
4.根据权利要求3所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，对采集的手指静脉图像进行高斯滤波，包括：获取的原始图像为f(x,y)，经过高斯滤波之后的图像记为f0(x,y)，高斯滤波计算公式如下：
f0(x,y)＝f(x,y)*g(x,y)
其中“*”表示卷积运算，g(x,y)为滤波器模板，且
Figure FDA0002920775710000021
这里D(x,y)表示距离中心原点的距离。
5.根据权利要求3所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，对高斯滤波后的指静脉图像进行直方图均衡化处理包括：采用CLAHE算法增强图像，首先对整幅指静脉图像均等划分成多个互不相交的子图像，一一计算出每一块子图像的直方图，同时对图像中的每个像素点使用双线性插值法，使得每块子图像的灰度级数平滑变化，从而使指静脉图像得到增强。
6.根据权利要求3所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，采用Canny算子检测出手指边缘轮廓包括：记直方图均衡化后的图像为f1(x,y)；
S231、计算直方图均衡化后的图像的梯度幅值和梯度方向：设两个差分卷积模板为S1和S2，图像f1(x,y)沿x和y方向的偏导数g1、g2，将图像f1(x,y)中的每个像素点(x，y)的梯度幅值记为G(x，y)，梯度方向为θ(x，y)，计算公式如下：
Figure FDA0002920775710000022
Figure FDA0002920775710000023
Figure FDA0002920775710000024
Figure FDA0002920775710000025
S232、对梯度幅值进行非极大值抑制：将当前像素梯度幅值与沿正负梯度方向上的相邻像素的梯度幅值进行比较，若当前像素梯度幅值为最大，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点；
S233、进行双阈值滞后处理：定义一个高阈值和一个低阈值，将梯度幅值低于低阈值的像素点抑制，检测为非边缘，高于高阈值的像素点被检测为边缘，对于中间的像素点，如果与确定为边缘的像素点邻接，则判定为边缘，否则为非边缘。
7.根据权利要求2所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，步骤S3中静脉特征提取，包括：
S31、由于在手指静脉图中知静脉横截面的灰度分布呈谷形，所以将静脉特征的提取等效为检测指静脉图像中的谷形区域，采用邻域方向模板法计算谷形区域的方向场，得到指静脉特征图像中谷形区域内像素点灰度值；
S32、由于手指静脉特征图像中谷形区域内的像素点灰度值均大于零，将灰度值小于等于零的像素点灰度置零，由此完成第一次阈值分割；
S33、将经过第一次阈值分割的图像划分成各个子图像，采用自适应多阈值的方法进行第二次阈值分割；
S34、使用OTSU算法计算出手指静脉图像的最优全局阈值，采用尺寸为(2p+1)×(2p+1)的滑动窗口在子图像上依次遍历每个像素点，计算出子图像中单个像素点的动态局部阈值，结合两者进行加权，得出新的加权阈值，利用新的加权阈值对子图像中的每个像素点进行二值化分割，提取出静脉特征，其中，p为常数。
8.根据权利要求7所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，子图像中单个像素点的动态局部阈值的计算方式包括：
ThresholdSub(m,n)＝Average(m,n)+k*StdDev(m,n)
Figure FDA0002920775710000031
Figure FDA0002920775710000032
其中，ThresholdSub(m,n)表示子图像中像素点(m,n)的动态局部阈值，Average(m,n)表示滑动窗口内所有像素点的灰度均值，参数k为修正系数，StdDev(m,n)表示滑动窗口内所有像素点的标准差，Gray(m,n)表示像素点(m,n)的灰度值，Gray'(m,n)表示处于滑动窗口中心位置的像素点灰度，p为常数。
9.根据权利要求7-8中任一所述的一种用于智能采血的手指静脉特征识别方法，其特征在于，将动态局部阈值和最优全局阈值进行加权，得到新的加权阈值Threshold(m,n)：
Threshold(m,n)＝(1-β)*ThresholdGlobal(m,n)+β*ThresholdSub(m,n)
利用新的加权阈值Threshold(m,n)对子图像中的每个像素点进行二值化分割，如果当前像素点的灰度大于或等于该加权阈值Threshold(m,n)，则将该点灰度值置为1，否则将其置为0，表达式如下：
Figure FDA0002920775710000042
CN202110117076.2A 2021-01-28 2021-01-28 一种用于智能采血的手指静脉特征识别装置及其识别方法 Pending CN112883824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117076.2A CN112883824A (zh) 2021-01-28 2021-01-28 一种用于智能采血的手指静脉特征识别装置及其识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117076.2A CN112883824A (zh) 2021-01-28 2021-01-28 一种用于智能采血的手指静脉特征识别装置及其识别方法

Publications (1)

Publication Number Publication Date
CN112883824A true CN112883824A (zh) 2021-06-01

Family

ID=76052965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117076.2A Pending CN112883824A (zh) 2021-01-28 2021-01-28 一种用于智能采血的手指静脉特征识别装置及其识别方法

Country Status (1)

Country Link
CN (1) CN112883824A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408386A (zh) * 2021-06-10 2021-09-17 重庆医药高等专科学校 一种基于静脉分割和角点检测的指尖采血点定位方法
CN115359051A (zh) * 2022-10-19 2022-11-18 江苏诺阳家居科技有限公司 基于图形识别的动脉瘤识别方法
CN116778172A (zh) * 2023-08-18 2023-09-19 江苏圣点世纪科技有限公司 一种指背静脉图像增强方法
CN117012344A (zh) * 2023-09-04 2023-11-07 南京诺源医疗器械有限公司 一种4cmos相机采集的图像分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102920441A (zh) * 2012-11-20 2013-02-13 天津理工大学 一种手背静脉图像的采集与显示设备
CN103870808A (zh) * 2014-02-27 2014-06-18 中国船舶重工集团公司第七一〇研究所 一种手指静脉识别方法
CN103886321A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉特征提取方法
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN106372611A (zh) * 2016-09-09 2017-02-01 康佳集团股份有限公司 基于手掌静脉特征的身份识别方法、系统及图像采集装置
CN108334875A (zh) * 2018-04-26 2018-07-27 南京邮电大学 基于自适应多阈值的静脉特征提取方法
CN110163123A (zh) * 2019-04-30 2019-08-23 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102920441A (zh) * 2012-11-20 2013-02-13 天津理工大学 一种手背静脉图像的采集与显示设备
CN103886321A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉特征提取方法
CN103870808A (zh) * 2014-02-27 2014-06-18 中国船舶重工集团公司第七一〇研究所 一种手指静脉识别方法
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN106372611A (zh) * 2016-09-09 2017-02-01 康佳集团股份有限公司 基于手掌静脉特征的身份识别方法、系统及图像采集装置
CN108334875A (zh) * 2018-04-26 2018-07-27 南京邮电大学 基于自适应多阈值的静脉特征提取方法
CN110163123A (zh) * 2019-04-30 2019-08-23 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
于欣力: "《东陆留记 第2辑》", 31 December 2012 *
刘国华: "《HALCON编程及工程应用》", 31 October 2019 *
霍冠英等: "《侧扫声呐图像目标分割》", 30 April 2017 *
齐继阳等: "《异形涵管钢筋骨架自动变径高速滚焊机》", 30 April 2019 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408386A (zh) * 2021-06-10 2021-09-17 重庆医药高等专科学校 一种基于静脉分割和角点检测的指尖采血点定位方法
CN115359051A (zh) * 2022-10-19 2022-11-18 江苏诺阳家居科技有限公司 基于图形识别的动脉瘤识别方法
CN115359051B (zh) * 2022-10-19 2023-12-15 江苏诺阳家居科技有限公司 基于图形识别的动脉瘤识别方法
CN116778172A (zh) * 2023-08-18 2023-09-19 江苏圣点世纪科技有限公司 一种指背静脉图像增强方法
CN116778172B (zh) * 2023-08-18 2023-11-07 江苏圣点世纪科技有限公司 一种指背静脉图像增强方法
CN117012344A (zh) * 2023-09-04 2023-11-07 南京诺源医疗器械有限公司 一种4cmos相机采集的图像分析方法

Similar Documents

Publication Publication Date Title
CN112883824A (zh) 一种用于智能采血的手指静脉特征识别装置及其识别方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN110866903B (zh) 基于霍夫圆变换技术的乒乓球识别方法
Zhang et al. Finger vein image enhancement based on guided tri-Gaussian filters
US10558841B2 (en) Method and apparatus for recognizing fingerprint ridge point
CN107729820B (zh) 一种基于多尺度hog的手指静脉识别方法
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN111368661B (zh) 一种基于图像处理的手指静脉图像增强方法
CN107657209B (zh) 一种基于手指静脉图像质量的模板图像注册机制
CN112446838A (zh) 一种基于局部统计信息的图像噪声检测方法、装置
CN106991380A (zh) 一种基于掌静脉图像的预处理方法
CN108010035A (zh) 基于方向谷形检测的指静脉图像分割方法及其系统、终端
CN112597812A (zh) 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统
CN117522719B (zh) 基于机器学习的支气管镜图像辅助优化系统
CN113269029B (zh) 一种多模态及多特征的指静脉图像识别方法
CN112001920B (zh) 眼底图像识别方法及装置和设备
CN110046587A (zh) 基于Gabor差分权重的人脸表情特征提取方法
CN113673396A (zh) 一种孢子发芽率计算方法、装置及存储介质
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN117197064A (zh) 一种无接触眼红程度自动分析方法
Fathy et al. Benchmarking of pre-processing methods employed in facial image analysis
CN115862121B (zh) 基于多媒体资源库的人脸快速匹配方法
CN112700409A (zh) 视网膜微动脉瘤自动检测方法及成像方法
CN104966271B (zh) 基于生物视觉感受野机制的图像去噪方法
CN109299743B (zh) 手势识别方法及装置、终端

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601

RJ01 Rejection of invention patent application after publication