CN113269029B - 一种多模态及多特征的指静脉图像识别方法 - Google Patents

一种多模态及多特征的指静脉图像识别方法 Download PDF

Info

Publication number
CN113269029B
CN113269029B CN202110370828.6A CN202110370828A CN113269029B CN 113269029 B CN113269029 B CN 113269029B CN 202110370828 A CN202110370828 A CN 202110370828A CN 113269029 B CN113269029 B CN 113269029B
Authority
CN
China
Prior art keywords
image
finger vein
knuckle
print
finger
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
CN202110370828.6A
Other languages
English (en)
Other versions
CN113269029A (zh
Inventor
张烨
李衎
周子豪
罗君益
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.)
Zhejiang Jinghong Intelligent Technology Co ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110370828.6A priority Critical patent/CN113269029B/zh
Publication of CN113269029A publication Critical patent/CN113269029A/zh
Application granted granted Critical
Publication of CN113269029B publication Critical patent/CN113269029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G06V40/1376—Matching features related to ridge properties or fingerprint texture
    • 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

一种多模态及多特征的指静脉图像识别方法，包括：S1、获取指静脉与指节纹的原始图像，得到指静脉原始图像P1和指节纹原始图像P2；S2、对指节纹原始图像P2进行ROI区域提取以及预处理、分割、去噪、细化得到指节纹细化图P′2；S3、根据指节纹细化图P′2，计算指节纹软特征
Figure DDA0003009247810000011
以及指节纹主特征方向场像素矩阵T2；S4、对所获取的指节纹软特征以及主特征分别进行特征匹配；S5、计算并保存指静脉多个待识别的软特征；S6、指静脉原始图像进行ROI区域提取及预处理、主特征提取；S7、对所获取的指静脉软特征以及主特征进行融合后进行特征匹配输出识别结果。本发明具有更高精度的识别效果，并且用户容量更大。

Description

一种多模态及多特征的指静脉图像识别方法
技术领域
本发明属于信息安全中的生物特征识别技术领域，具体设计一种多模态以及多特征的指静脉图像识别方法。
背景技术
手指静脉识别是最近几年比较前沿的生物识别技术，同时多模态识别又是未来手指静脉识别的发展方向及趋势。指静脉识别作为一种生物识别技术具有唯一性、抗干扰强、活体识别、不易复制等优点。其识别的原理是通过我们手中的流动的血液能够吸收特定波长的近红外光，从而通过CCD摄像头实现近红外光成像，再经过图像识别算法进行计算后，提取其特征值进行识别判断。因此可以用于个人身份认证。
现有技术中对手指静脉图像识别的方法大多只考虑单个图像特征以及单一模态的识别，并且单模态的识别技术已经达到了可以使用的水平，但是单模态识别无法满足较大的用户量，若是用户量变大精度必须要进一步提升才能减少误识率提高精度。因此为了满足大用户量、大容量、高精度的条件需要提出新的方法，使用多模态识别技术可以有效解决该问题。
指静脉识别技术的基本流程包括图像采集、预处理、特征提取和特征识别，其中特征提取和特征识别是指静脉识别技术的关键环节。传统的指静脉识别在特种提取环节仅仅使用指静脉的纹路特征为特征值，若在特征提取环节增加多个软特征与主特征进行融合匹配可以有效提高识别率和精度。
发明内容
本发明要克服传统的指静脉图像识别方法的缺点，提出一种用户容量更大、识别精度更高的多模态及多特征的指静脉图像识别方法。
为了达到上述目的，本发明提供的一种多模态及多特征的指静脉图像识别方法，具体步骤如下：
S1、获取指静脉与指节纹的原始图像，得到指静脉原始图像P1和指节纹原始图像P2；
S2、对指节纹原始图像P2进行ROI区域提取以及预处理、分割、去噪、细化得到指节纹细化图P′2，包括如下具体步骤：
S21、在指节纹原始图像P2中使用sobel边缘检测算子对指节纹的垂直方向进行定位，水平方向定位利用梯度差取离中心距离最远的线为边界，得到包含有用信息的指节纹原始图像P2的ROI区域图像P2i；
其中sobel边缘检测在水平方向即x方向卷积公式为Gx在垂直方向即y方向卷积公式为Gy，A为灰度图像像素矩阵：
Figure GDA0003651246380000011
Figure GDA0003651246380000012
其中图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小：
Figure GDA0003651246380000021
S22、对ROI区域图像P2i进行预处理得到指节纹预处理图像P2p，其包括以下步骤：
S221、使用高斯滤波算法对P2i进行模糊去噪；
其中高斯模糊的公式如下，σ是正态分布的标准差，：
Figure GDA0003651246380000022
S222、使用双线性插值法对P2i进行尺寸归一化；
S23、对指节纹预处理图像P2p进行基于高斯加权平均的自适应阈值分割同时将图像二值化得到指节纹二值化分割图像P2b；
S24、对指节纹二值化分割图像P2b使用中值滤波进行降噪处理；
S25、对降噪后的P2b使用骨架提取算法进行图像的细化处理得到指节纹细化图P′2；
S3、根据指节纹细化图P′2，计算指节纹软特征
Figure GDA0003651246380000023
以及指节纹主特征方向场像素矩阵T2；
S31、从指节纹细化图P′2左上角的第一个像素开始从左往右从上至下遍历每一个像素点，将指节纹纹路的节点数
Figure GDA0003651246380000024
和纹路像素长度
Figure GDA0003651246380000025
保存为指节纹软特征矢量集
Figure GDA0003651246380000026
S32、计算指节纹细化图P′2的方向场，得到指节纹的方向场图像作为主特征T2；
根据以下公式可以计算像素(x,y)为中心的每个块的局部方向场：
Figure GDA0003651246380000027
Figure GDA0003651246380000028
Figure GDA0003651246380000029
Figure GDA00036512463800000210
S4、对所获取的指节纹软特征以及主特征分别进行特征匹配；
S41、计算数据库中保存的指节纹的方向场与待识别的指节纹的方向场的Hausdorff距离；
其中Hausdorff距离计算公式为：
dH(X，y)＝max(supx∈xinfy∈yd(x,y),supy∈yinfx∈x(X,Y)} (9)
S411、若Hausdorff距离大于所设定的阈值则识别程序终止并输出匹配失败；
S412、若Hausdorff距离小于等于所设定的阈值则识别程序继续进入下一步；
S42、计算数据库中保存的指节纹的节点数和指节纹纹路长度矢量集与待识别的指节纹的节点数和指节纹纹路长度矢量集的欧式距离；
其中欧式距离计算公式为：
Figure GDA00036512463800000211
S421、若欧式距离大于所设定的阈值则识别程序终止并输出匹配失败；
S422、若欧式距离小于所设定的阈值则识别程序继续进入下一步；
S5、计算并保存指静脉多个待识别的软特征；
S51、将指静脉原始图像P1灰度化；
S52、计算指静脉原始图像P1灰度化后的灰度均值Ei作为指静脉软特征
Figure GDA0003651246380000031
S53、计算指静脉原始图像P1灰度化后的灰度方差Vi作为软特征
Figure GDA0003651246380000032
S54、从指静脉图片P1灰度化的图像中依据关节透光性原理计算出手指关节的长度Li作为软特征
Figure GDA0003651246380000033
S55、将多个软特征保存为一个矢量集
Figure GDA0003651246380000034
S6、指静脉原始图像进行ROI区域提取及预处理、主特征提取；
S61、对指静脉原始图像P1进行ROI定位；
S62、垂直方向使用sobel边缘检测算子计算出手指轮廓边界，以靠近中心的切点做分割线提；
S63、水平方向使用S54计算出的手指关节长度作为分割线，保存指静脉ROI图像为P1i；
S64、对指静脉ROI图像P1i进行高斯滤波去噪处理；
S65、对指静脉ROI图像P1i进行双线性插值尺寸归一化处理；
S66、对高斯滤波并尺寸归一化后的指静脉ROI图像P1i进行特征提取；
S661、对P1i使用单尺度Retinex算法进行图像增强得到P1a；
其中单尺度Retinex算法的计算公式为，S(x,y)为原始图像，R(x,y)为反射图像，L(x,y)为亮度图像,r(x,y)为输出图像，*为卷积符号，F(x,y)为中心环绕函数：
S(x,y)＝R(x,y).L(x,y) (11)
r(x，y)＝logS(x,y)-log[F(x,y)*S(x,y)] (12)
S662、对P1a使用特征值比率增强算法，先计算Hessian矩阵再与Gabor滤波器分数级结合得到分割后的指静脉图像P1d；
S67、对分割后的指静脉图像P1d进行二值化，得到指静脉二值化图像P1b；
S68、对指静脉二值化图像P1b使用骨架提取算法进行图像的细化处理得到指静脉细化图P′1；
S69、将指静脉细化图视为像素矩阵即为主特征T1；
S7、对所获取的指静脉软特征以及主特征进行融合后进行特征匹配输出识别结果；
S71、计算保存的指静脉细化图主特征T1与待识别的指静脉细化图主特征的欧氏距离h1；
S72、设定阈值为τ，将欧式距离h1与阈值τ的差值保存为
Figure GDA0003651246380000035
S73、将
Figure GDA0003651246380000036
并入软特征矢量集
Figure GDA0003651246380000037
得到特征矢量集
Figure GDA0003651246380000038
S74、将特征矢量集
Figure GDA0003651246380000039
中的矢量进行归一化处理使其化为无量纲的表达式；其中向量集归一化方法公式为：
Figure GDA00036512463800000310
S75、计算数据保存的特征矢量集
Figure GDA00036512463800000311
与待匹配识别的特征矢量集的欧式距离且为不同的软特征分配不同的权重：
Figure GDA00036512463800000312
权重为α，
Figure GDA00036512463800000313
权重为β，
Figure GDA00036512463800000314
权重为γ，
Figure GDA00036512463800000315
权重为κ；
S76、设定阈值Т，若待识别的特征矢量集
Figure GDA00036512463800000316
与保存的特征矢量集
Figure GDA00036512463800000317
的欧氏距离值要大于阈值则匹配失败，反之则匹配成功。
与现有技术相比，本发明的有益效果如下：
本发明提出的一种多模态及多特征的指静脉图像识别方法，采用主特征与多个软特征向量级结合的方式对指静脉以及指节纹分别进行识别处理。相比于单个主特征的识别方法，多特征识别的优势在于能够识别的用户容量更大，识别的准确率更高，可以在特征提取阶段获取到的指静脉信息更丰富；传统的指静脉识别方法仅为单一模态，使用多模态即指静脉与指节纹共同识别可以使得识别信息更丰富，具有用户容量大，识别准确率高的优势，同时适用于识别精度要求更高的情况。因此，本发明提出的一种多模态及多特征的指静脉图像识别方法与现有技术相比，可以得到更高精度的识别效果，并且用户容量更大，可用于指静脉锁，以及安全性要求较高的特殊场合。
附图说明
图1为本发明实施例提出的一种多模态及多特征的指静脉图像识别方法的流程图；
图2为本发明实施例中指节纹原始图像的示意图；
图3为本发明实施例中指节纹细化图的示意图；
图4为本发明实施例中指静脉原始图像的示意图像；
图5为本发明实施例中指静脉ROI区域的示意图；
图6为本发明实施例中指静脉纹路增强图；
图7为本发明实施例中指静脉纹路细化图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本实施例使用的数据集为自行采集的zjutFVR数据集。总计1800张指静脉图片以及纹路，每个志愿者10个手指均采集，本专利只使用除去大拇指以及小拇指的样本。每张图片的分辨率为1280*720。
本实施例提出的一种多模态及多特征的指静脉图像识别方法流程图如图1所示，该方法包括以下步骤：
S1、获取指静脉与指节纹的原始图像，得到指静脉原始图像P1和指节纹原始图像P2；
S11、使用CCD相机配合近红外光源可获得指静脉原始图像；
S12、使用光学相机配合光源可获得指节纹原始图像；
S2、通过对图2所示指节纹的原始图像进行感兴趣区域提取，以得到包含有用信息的特定区域，包括如下步骤：
S21、对指节纹原始图像P2进行ROI区域提取以及预处理、分割、去噪、细化得到指节纹细化图P′2。
S211、使用高斯滤波对指节纹图像进行模糊去噪处理；
S212、使用双线性插值法对P2i进行尺寸归一化；
S213、在指节纹原始图像P2中使用sobel边缘检测算子对指节纹的垂直方向进行定位，水平方向定位利用梯度差取离中心距离最远的线为边界，得到包含有用信息的指节纹原始图像P2的ROI区域图像P2i；
S214、对指节纹预处理图P2p进行基于高斯加权平均的自适应阈值分割同时将图像二值化得到指节纹二值化分割图像P2b；
S214、对指节纹二值化分割图像P2b使用中值滤波进行降噪处理；
S215、对降噪后的P2b使用骨架提取算法进行图像的细化处理得到指节纹细化图P′2；
S3、根据指节纹细化图P′2如图3所示，计算指节纹软特征
Figure GDA0003651246380000051
以及指节纹主特征方向场像素矩阵T2；
S31、从指节纹细化图P′2左上角的第一个像素开始从左往右从上至下遍历每一个像素点，将指节纹纹路的节点
Figure GDA0003651246380000052
和纹路像素长度
Figure GDA0003651246380000053
保存为指节纹软特征矢量集
Figure GDA0003651246380000054
S32、计算指节纹细化图P′2的方向场，得到指节纹的方向场图像作为主特征T2。
S321、将细化图分为16*16个子块；
S322、计算所有像素的水平梯度和垂直梯度值；
S323、根据公式(8)计算出方向场的角度值；
S324、将子块合并得到指节纹方向场图；
S4、对所获取的指节纹软特征以及主特征分别进行特征匹配；
S41、计算数据库中保存的指节纹的方向场与待识别的指节纹的方向场的Hausdorff距离；
S411、若Hausdorff距离大于所设定的阈值则识别程序终止并输出匹配失败；
S412、若Hausdorff距离小于等于所设定的阈值则识别程序继续进入下一步；
S42、计算数据库中保存的指节纹的节点数和指节纹纹路长度矢量集与待识别的指节纹的节点数和指节纹纹路长度矢量集的欧式距离；
S421、若欧式距离大于所设定的阈值则识别程序终止并输出匹配失败；
S422、若欧式距离小于所设定的阈值则识别程序继续进入下一步；
S5、计算并保存指静脉多个待识别的软特征；
S51、将指静脉原始图像P1灰度化如图4所示；
S52、计算指静脉原始图像P1灰度化后的灰度均值Ei作为指静脉软特征
Figure GDA0003651246380000055
S53、计算指静脉原始图像P1灰度化后的灰度方差V作为软特征
Figure GDA0003651246380000056
S54、从指静脉图片P1灰度化的图像中依据关节透光性原理计算出手指关节的长度Li作为软特征
Figure GDA0003651246380000057
S55、将多个软特征保存为一个矢量集
Figure GDA0003651246380000058
S6、指静脉原始图像进行ROI区域提取及预处理、主特征提取如图5所示；
S61、对指静脉原始图像P1进行ROI定位；
S62、垂直方向使用sobel边缘检测算子计算出手指轮廓边界，以靠近中心的切点做分割线提；
S63、水平方向使用S54计算出的手指关节长度作为分割线，保存指静脉ROI图像为P1i；
S64、对指静脉ROI图像P1i进行高斯滤波去噪处理；
S65、对指静脉ROI图像P1i进行双线性插值尺寸归一化处理；
S66、对高斯滤波并尺寸归一化后的指静脉ROI图像P1i进行特征提取；
S661、对P1i使用单尺度Retinex算法进行图像增强得到P1a如图6所示；
其中单尺度Retinex算法的计算公式为，S(x,y)为原始图像，R(x,y)为反射图像，L(x,y)为亮度图像,r(x,y)为输出图像，*为卷积符号，F(x,y)为中心环绕函数：
S662、对P1a使用特征值比率增强算法，先计算Hessian矩阵再与Gabor滤波器分数级结合得到分割后的指静脉图像P1d；
S67、对分割后的指静脉图像P1d进行二值化，得到指静脉二值化图像P1b；
S68、对指静脉二值化图像P1b使用骨架提取算法进行图像的细化处理得到指静脉细化图P′1如图7所示；
S69、将指静脉细化图视为像素矩阵即为主特征T1；
S7、对所获取的指静脉软特征以及主特征进行融合后进行特征匹配输出识别结果；
S71、计算保存的指静脉细化图主特征T1与待识别的指静脉细化图主特征的欧氏距离h1；
S72、设定阈值为τ，将欧式距离h1与阈值τ的差值保存为
Figure GDA0003651246380000061
S73、将
Figure GDA0003651246380000062
并入软特征矢量集
Figure GDA0003651246380000063
得到特征矢量集
Figure GDA0003651246380000064
S74、将特征矢量集
Figure GDA0003651246380000065
中的矢量进行归一化处理使其化为无量纲的表达式；
S75、计算数据保存的特征矢量集
Figure GDA0003651246380000066
与待匹配识别的特征矢量集的欧式距离且为不同的软特征分配不同的权重：
Figure GDA0003651246380000067
权重为α，
Figure GDA0003651246380000068
权重为β，
Figure GDA0003651246380000069
权重为γ，
Figure GDA00036512463800000610
权重为κ；
S76、设定阈值Т，若待识别的特征矢量集
Figure GDA00036512463800000611
与保存的特征矢量集
Figure GDA00036512463800000612
的欧氏距离值要大于阈值则匹配失败，反之则匹配成功。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种多模态及多特征的指静脉图像识别方法，具体步骤如下：
S1、获取指静脉与指节纹的原始图像，得到指静脉原始图像P1和指节纹原始图像P2；
S2、对指节纹原始图像P2进行ROI区域提取以及预处理、分割、去噪、细化得到指节纹细化图P′2，包括如下具体步骤：
S21、在指节纹原始图像P2中使用sobel边缘检测算子对指节纹的垂直方向进行定位，水平方向定位利用梯度差取离中心距离最远的线为边界，得到包含有用信息的指节纹原始图像P2的ROI区域图像P2i；
其中sobel边缘检测在水平方向即x方向卷积公式为Gx在垂直方向即y方向卷积公式为Gy，A为灰度图像像素矩阵：
Figure FDA0003651246370000011
Figure FDA0003651246370000012
其中图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小：
Figure FDA0003651246370000013
S22、对ROI区域图像P2i进行预处理得到指节纹预处理图像P2p，其包括以下步骤：
S221、使用高斯滤波算法对P2i进行模糊去噪；
其中高斯模糊的公式如下，σ是正态分布的标准差：
Figure FDA0003651246370000014
S222、使用双线性插值法对P2i进行尺寸归一化；
S23、对指节纹预处理图像P2p进行基于高斯加权平均的自适应阈值分割同时将图像二值化得到指节纹二值化分割图像P2b；
S24、对指节纹二值化分割图像P2b使用中值滤波进行降噪处理；
S25、对降噪后的P2b使用骨架提取算法进行图像的细化处理得到指节纹细化图P′2；
S3、根据指节纹细化图P′2，计算指节纹软特征
Figure FDA0003651246370000015
以及指节纹主特征方向场像素矩阵T2；
S31、从指节纹细化图P′2左上角的第一个像素开始从左往右从上至下遍历每一个像素点，将指节纹纹路的节点数
Figure FDA0003651246370000016
和纹路像素长度
Figure FDA0003651246370000017
保存为指节纹软特征矢量集
Figure FDA0003651246370000018
S32、计算指节纹细化图P′2的方向场，得到指节纹的方向场图像作为主特征T2；
根据以下公式计算像素(x,y)为中心的每个块的局部方向场：
Figure FDA0003651246370000021
Figure FDA0003651246370000022
Figure FDA0003651246370000023
Figure FDA0003651246370000024
S4、对所获取的指节纹软特征以及主特征分别进行特征匹配；
S41、计算数据库中保存的指节纹的方向场与待识别的指节纹的方向场的Hausdorff距离；
其中Hausdorff距离计算公式为：
dH(X,Y)＝max{supx∈xinfy∈Yd(x,y),supy∈Yinfx∈X(x,y)} (9)
S411、若Hausdorff距离大于所设定的阈值则识别程序终止并输出匹配失败；
S412、若Hausdorff距离小于等于所设定的阈值则识别程序继续进入下一步；
S42、计算数据库中保存的指节纹的节点数和指节纹纹路长度矢量集与待识别的指节纹的节点数和指节纹纹路长度矢量集的欧式距离；
其中欧式距离计算公式为：
Figure FDA0003651246370000025
S421、若欧式距离大于所设定的阈值则识别程序终止并输出匹配失败；
S422、若欧式距离小于所设定的阈值则识别程序继续进入下一步；
S5、计算并保存指静脉多个待识别的软特征；
S51、将指静脉原始图像P1灰度化；
S52、计算指静脉原始图像P1灰度化后的灰度均值Ei作为指静脉软特征
Figure FDA0003651246370000026
S53、计算指静脉原始图像P1灰度化后的灰度方差Vi作为软特征
Figure FDA0003651246370000027
S54、从指静脉图片P1灰度化的图像中依据关节透光性原理计算出手指关节的长度Li作为软特征
Figure FDA0003651246370000028
S55、将多个软特征保存为一个矢量集
Figure FDA0003651246370000029
S6、指静脉原始图像进行ROI区域提取及预处理、主特征提取；
S61、对指静脉原始图像P1进行ROI定位；
S62、垂直方向使用sobel边缘检测算子计算出手指轮廓边界，以靠近中心的切点做分割线提；
S63、水平方向使用S54计算出的手指关节长度作为分割线，保存指静脉ROI图像为P1i；
S64、对指静脉ROI图像P1i进行高斯滤波去噪处理；
S65、对指静脉ROI图像P1i进行双线性插值尺寸归一化处理；
S66、对高斯滤波并尺寸归一化后的指静脉ROI图像P1i进行特征提取；
S661、对P1i使用单尺度Retinex算法进行图像增强得到P1a；
其中单尺度Retinex算法的计算公式为，S(x,y)为原始图像，R(x,y)为反射图像，L(x,y)为亮度图像,r(x,y)为输出图像，*为卷积符号，F(x,y)为中心环绕函数：
S(x,y)＝R(x,y)·L(x,y) (11)
r(x,y)＝logS(x,y)-log[F(x,y)*S(x,y)] (12)
S662、对P1a使用特征值比率增强算法，先计算Hessian矩阵再与Gabor滤波器分数级结合得到分割后的指静脉图像P1d；
S67、对分割后的指静脉图像P1d进行二值化，得到指静脉二值化图像P1b；
S68、对指静脉二值化图像P1b使用骨架提取算法进行图像的细化处理得到指静脉细化图P′1；
S69、将指静脉细化图视为像素矩阵即为主特征T1；
S7、对所获取的指静脉软特征以及主特征进行融合后进行特征匹配输出识别结果；
S71、计算保存的指静脉细化图主特征T1与待识别的指静脉细化图主特征的欧氏距离h1；
S72、设定阈值为τ，将欧式距离h1与阈值τ的差值保存为
Figure FDA0003651246370000031
S73、将
Figure FDA0003651246370000032
并入软特征矢量集
Figure FDA0003651246370000033
得到特征矢量集
Figure FDA0003651246370000034
S74、将特征矢量集
Figure FDA0003651246370000035
中的矢量进行归一化处理使其化为无量纲的表达式；
其中向量集归一化方法公式为：
Figure FDA0003651246370000036
S75、计算数据保存的特征矢量集
Figure FDA0003651246370000037
与待匹配识别的特征矢量集的欧式距离且为不同的软特征分配不同的权重：
Figure FDA0003651246370000038
权重为α，
Figure FDA0003651246370000039
权重为β，
Figure FDA00036512463700000310
权重为γ，
Figure FDA00036512463700000311
权重为κ；
S76、设定阈值Т，若待识别的特征矢量集
Figure FDA00036512463700000312
与保存的特征矢量集
Figure FDA00036512463700000313
的欧氏距离值要大于阈值则匹配失败，反之则匹配成功。
CN202110370828.6A 2021-04-07 2021-04-07 一种多模态及多特征的指静脉图像识别方法 Active CN113269029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110370828.6A CN113269029B (zh) 2021-04-07 2021-04-07 一种多模态及多特征的指静脉图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110370828.6A CN113269029B (zh) 2021-04-07 2021-04-07 一种多模态及多特征的指静脉图像识别方法

Publications (2)

Publication Number Publication Date
CN113269029A CN113269029A (zh) 2021-08-17
CN113269029B true CN113269029B (zh) 2022-09-13

Family

ID=77228715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110370828.6A Active CN113269029B (zh) 2021-04-07 2021-04-07 一种多模态及多特征的指静脉图像识别方法

Country Status (1)

Country Link
CN (1) CN113269029B (zh)

Families Citing this family (2)

* 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
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

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740810A (zh) * 2016-01-28 2016-07-06 华南理工大学 一种新的指静脉软生物特征构造方法
CN106156754A (zh) * 2016-07-29 2016-11-23 浙江工业大学 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法
CN106203352A (zh) * 2016-07-13 2016-12-07 中国民航大学 一种手指多模态生物特征球形粒化和匹配方法
CN106611168A (zh) * 2016-12-29 2017-05-03 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法
WO2018032861A1 (zh) * 2016-08-17 2018-02-22 广州广电运通金融电子股份有限公司 一种手指静脉识别方法及装置
CN107729820A (zh) * 2017-09-27 2018-02-23 五邑大学 一种基于多尺度hog的手指静脉识别方法
CN110472498A (zh) * 2019-07-09 2019-11-19 一脉通(深圳)智能科技有限公司 基于手部特征的身份认证方法、系统、存储介质及设备
CN111310688A (zh) * 2020-02-25 2020-06-19 重庆大学 一种基于多角度成像的手指静脉识别方法
CN111914786A (zh) * 2020-08-11 2020-11-10 重庆文理学院 一种手指静脉识别方法及其系统
CN112084840A (zh) * 2020-07-24 2020-12-15 浙江工业大学 一种基于三维nmi的指静脉识别方法
CN112085802A (zh) * 2020-07-24 2020-12-15 浙江工业大学 一种基于双目摄像头获取三维指静脉图像的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8872909B2 (en) * 2010-06-10 2014-10-28 The Hong Kong Polytechnic University Method and apparatus for personal identification using finger imaging

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740810A (zh) * 2016-01-28 2016-07-06 华南理工大学 一种新的指静脉软生物特征构造方法
CN106203352A (zh) * 2016-07-13 2016-12-07 中国民航大学 一种手指多模态生物特征球形粒化和匹配方法
CN106156754A (zh) * 2016-07-29 2016-11-23 浙江工业大学 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法
WO2018032861A1 (zh) * 2016-08-17 2018-02-22 广州广电运通金融电子股份有限公司 一种手指静脉识别方法及装置
CN106611168A (zh) * 2016-12-29 2017-05-03 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法
CN107729820A (zh) * 2017-09-27 2018-02-23 五邑大学 一种基于多尺度hog的手指静脉识别方法
CN110472498A (zh) * 2019-07-09 2019-11-19 一脉通(深圳)智能科技有限公司 基于手部特征的身份认证方法、系统、存储介质及设备
CN111310688A (zh) * 2020-02-25 2020-06-19 重庆大学 一种基于多角度成像的手指静脉识别方法
CN112084840A (zh) * 2020-07-24 2020-12-15 浙江工业大学 一种基于三维nmi的指静脉识别方法
CN112085802A (zh) * 2020-07-24 2020-12-15 浙江工业大学 一种基于双目摄像头获取三维指静脉图像的方法
CN111914786A (zh) * 2020-08-11 2020-11-10 重庆文理学院 一种手指静脉识别方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
指静脉识别研究综述;尹义龙等;《数据采集与处理》;20150915(第05期);第933-939页 *

Also Published As

Publication number Publication date
CN113269029A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
Adeyanju et al. Machine learning methods for sign language recognition: A critical review and analysis
Paulinas et al. A survey of genetic algorithms applications for image enhancement and segmentation
US7072523B2 (en) System and method for fingerprint image enhancement using partitioned least-squared filters
US8385609B2 (en) Image segmentation
JP5121506B2 (ja) 画像処理装置、画像処理方法、プログラム及び記憶媒体
US7092554B2 (en) Method for detecting eye and mouth positions in a digital image
Faraji et al. Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
WO2017106996A1 (zh) 一种人脸识别的方法以及人脸识别装置
CN113269029B (zh) 一种多模态及多特征的指静脉图像识别方法
Banerjee et al. ARTeM: A new system for human authentication using finger vein images
Levinshtein et al. Hybrid eye center localization using cascaded regression and hand-crafted model fitting
CN112329683A (zh) 一种基于注意力机制融合的多通道卷积神经网络人脸表情识别方法
Manno-Kovacs Direction selective contour detection for salient objects
CN111583286B (zh) 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
CN112949570A (zh) 一种基于残差注意力机制的指静脉识别方法
Gona et al. Convolutional neural network with improved feature ranking for robust multi-modal biometric system
Campadelli et al. Fiducial point localization in color images of face foregrounds
Zabihi et al. Vessel extraction of conjunctival images using LBPs and ANFIS
Gautam Multi-modal biometric recognition system based on FLSL fusion method and MDLNN classifier
Lv Robust and effective techniques for multi-modal image registration
CN114913607A (zh) 一种基于多特征融合的指静脉仿冒检测方法
Rajeev Kumar et al. An effective non-cooperative iris recognition system using hierarchical collaborative representation-based classification
CN111860288A (zh) 人脸识别方法、装置及系统、可读存储介质

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

Effective date of registration: 20220914

Address after: No. 29, Dingli Road, Wuyun Street, Jinyun County, Lishui City, Zhejiang Province, 321404

Patentee after: Zhejiang Jinghong Intelligent Technology Co.,Ltd.

Address before: 310014 room 402, unit 4, building 74, Zhaohui Sixth District, Xiacheng District, Hangzhou City, Zhejiang Province

Patentee before: Zhang Ye

TR01 Transfer of patent right