CN114529950A

CN114529950A - 指静脉识别方法、装置、计算机可读存储介质及设备

Info

Publication number: CN114529950A
Application number: CN202011189965.1A
Authority: CN
Inventors: 周军; 许猛
Original assignee: Beijing Eyes Intelligent Technology Co ltd; Beijing Eyecool Technology Co Ltd
Current assignee: Beijing Eyes Intelligent Technology Co ltd; Beijing Eyecool Technology Co Ltd
Priority date: 2020-10-30
Filing date: 2020-10-30
Publication date: 2022-05-24

Abstract

本发明公开了一种指静脉识别方法、装置、计算机可读存储介质及设备，属于生物识别领域。其包括：获取指静脉图像；计算指静脉图像的梯度信息，根据梯度信息，利用贪心策略寻找到手指边界；在指静脉图像上检测手指关节，并根据所述手指关节和手指边界提取出指静脉的有效区域；通过Gabor滤波器对所述有效区域进行特征提取，得到指静脉特征；在指静脉图像上设置滑动窗口，并将滑动窗口内的指静脉图像的指静脉特征与指静脉特征模板的相应位置进行相似度比对，找出相似度最高的滑动窗口内的指静脉图像作为最大匹配区域；将最大匹配区域与指静脉特征模板的相应位置的相似度作为匹配分数。本发明能够针对不同设备，不同采集环境实现稳定高效的指静脉识别。

Description

指静脉识别方法、装置、计算机可读存储介质及设备

技术领域

本发明涉及生物特征识别领域，特别是指一种指静脉识别方法、装置、计算机可读存储介质及设备。

背景技术

生物特征识别技术是基于人体的生理特性和行为特性进行身份确认的操作。指静脉是一种人体内部的生理特征，它分布在手指皮肤之下，在近红外光源下采集到指静脉信息能够满足生物特征识别的要求。

手指静脉识别具有很好的稳定性和安全性，这是因为手指静脉位于皮肤表层之下，不存在老化/磨损等问题；另外手指静脉采集需要利用近红外光照射皮肤，利用血红蛋白吸收近红外光的特点捕获静脉图像，具有天然的防伪性，且不容易伪造。正是因为这些优势，指静脉识别技术受到越来越广泛的关注，也具有广泛的应用价值。

指静脉识别的一般流程如图1所示，在近红外光照条件下进行指静脉图像采集后，依次进行指静脉图像预处理，指静脉特征提取以及特征比对。

指静脉图像预处理：指静脉图像预处理的目的是提取出包含指静脉信息的有效区域(即指静脉区域)，并对这一区域的尺度进行归一化、纹理进行增强。这是因为受到采集设备，采集环境，人体手指差异等多种因素的干扰，采集到的指静脉图像往往是不规则的，并且指静脉图像中除了指静脉的主体部分还会有很多的干扰信息。通过指静脉图像预处理能够有效降低干扰，为提取有效的特征奠定基础。

指静脉特征提取：在经过指静脉图像预处理获得稳定的指静脉区域后，需要通过一个有效表达指静脉特征的方法以进行识别。一个有效的指静脉特征提取方法是提高指静脉识别效果的重要手段。现有技术中常见的手指静脉特征提取方法有基于形状的/基于纹理的/基于细节点的等多种方法。

特征比对：在提取得到指静脉特征后，需要对指静脉进行特征匹配。在指静脉识别算法中，特征匹配方法一般分为两类：一是基于距离的方法，如直接计算两个特征的欧式距离、余弦距离等；二是基于分类的方法，利用SVM、神经网络、模糊逻辑等机器学习方法判断两个特征是否来自相同的类别。

现有技术的指静脉识别方法存在以下问题：

1、在指静脉图像预处理中，提取包含指静脉信息的有效区域时需要对手指边界进行定位，当前的指静脉算法多是基于灰度或者梯度特征寻找离散的手指边界点，这就导致寻找到的手指边界容易受到噪声的干扰，降低了手指边界检测的效果。

2、由于采集设备的差异/手指摆放位置的不同等，采集到的手指静脉区域会存在偏差，传统的方法在提取指静脉的有效区域时不能排除手指静脉区域偏差的影响，导致截取的指静脉区域的稳定性和有效性较差。

3、在指静脉采集的过程中，手指摆放有很高的自由度，这也导致手指会存在一定程度的旋转，导致两次采集的手指姿势不一致，利用传统的指静脉特征提取和特征比对算法会降低静脉的识别性能。

发明内容

为解决现有技术的指静脉识别方法容易受到噪声以及手指摆放位置等干扰的技术问题，本发明提供一种指静脉识别方法、装置、计算机可读存储介质及设备，本发明能够针对不同设备，不同采集环境实现稳定高效的指静脉识别。

本发明提供技术方案如下：

第一方面，本发明提供一种指静脉识别方法，所述方法包括：

获取待检测的指静脉图像；

计算所述指静脉图像的梯度信息，根据所述梯度信息，利用贪心策略寻找到手指边界；

在指静脉图像上检测手指关节，并根所述手指关节和手指边界提取出指静脉的有效区域；

通过Gabor滤波器对所述有效区域进行特征提取，得到指静脉特征；

在指静脉图像上设置滑动窗口，并将滑动窗口内的指静脉图像的指静脉特征与指静脉特征模板的相应位置进行相似度比对，找出相似度最高的滑动窗口内的指静脉图像作为最大匹配区域；

将最大匹配区域内的指静脉图像的指静脉特征与指静脉特征模板的相应位置的相似度作为匹配分数。为增强前的图像，，为中的环境光照射分量，为中的目标物体反射分量；通过估算得到，通过估算得到，为增强前的图像，为中的环境光照射分量，为中的目标物体反射分量；；

第二方面，本发明提供一种指静脉识别装置，所述装置包括：

指静脉图像获取模块，用于获取待检测的指静脉图像；

手指边界定位模块，用于计算所述指静脉图像的梯度信息，根据所述梯度信息，利用贪心策略寻找到手指边界；

有效区域提取模块，用于在指静脉图像上检测手指关节，并根据所述手指关节和手指边界提取出指静脉的有效区域；

特征提取模块，用于通过Gabor滤波器对所述有效区域进行特征提取，得到指静脉特征；

滑动比对模块，用于在指静脉图像上设置滑动窗口，并将滑动窗口内的指静脉图像的指静脉特征与指静脉特征模板的相应位置进行相似度比对，找出相似度最高的滑动窗口内的指静脉图像作为最大匹配区域；

匹配分数确定模块，用于将最大匹配区域内的指静脉图像的指静脉特征与指静脉特征模板的相应位置的相似度作为匹配分数。为增强前的图像，，为中的环境光照射分量，为中的目标物体反射分量；通过估算得到，通过估算得到

第三方面，本发明提供一种用于指静脉识别的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括第一方面所述的指静脉识别方法的步骤。

第四方面，本发明提供一种用于指静脉识别的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现第一方面所述的指静脉识别方法的步骤。

本发明具有以下有益效果：

1、本发明使用贪心策略的手指边界检测算法，基于静脉图像的梯度信息，通过贪心策略快速准确的找到一组连续的手指边界，能够有效降低边界检测中受到的噪声干扰。

2、本发明基于手指关节动态获取指静脉的有效区域的尺度，针对不同的采集设备确保算法的有效性，能够对不同设备采集的图像提取出稳定的有效区域，而不需要调整过多的参数，提高了算法的泛化性。

3、本发明通过Gabor编码方法对指静脉进行特征编码，根据多个 Gabor的响应值进行二值编码得到指静脉特征；并利用滑动匹配寻找到相似度最大的公共区域(即最大匹配区域)，并给出相似度分数。有效的改善了手指轴向旋转导致的成像区域不一致、匹配精度差的问题。

附图说明

图1为现有技术的指静脉识别的过程示意图；

图2为本发明的指静脉识别方法一个实施方式的流程图；

图3为本发明的手指边界检测的过程示意图；

图4为本发明的手指边界检测的流程图；

图5为本发明的手指边界粗定位的过程示意图；

图6为本发明的手指边界粗定位的流程图；

图7为本发明的旋转校正的过程示意图；

图8为本发明的旋转校正的流程图；

图9为本发明的手指边精确粗定位的过程示意图；

图10为本发明的手指边界精确定位的流程图；

图11为本发明的有效区域获取的过程示意图；

图12为本发明的有效区域获取的流程图；

图13为本发明的指静脉识别方法另一个实施方式的流程图；

图14为本发明的图像增强方法的效果图；

图15为本发明的指静脉识别装置一个实施方式的示意图；

图16为手指边界定位模块

图17为粗定位单元的示意图；

图18为旋转校正单元；

图19为有效区域提取模块的示意图；

图20为精确定位单元的示意图；

图21为本发明的指静脉识别装置另一个实施方式的示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

实施例1：

本发明实施例提供了一种指静脉识别方法，如图2所示，该方法包括：

S100：获取待检测的指静脉图像。

本步骤中，通过指静脉双侧红外采集设备采集指静脉图像，并获取采集的指静脉图像。

S200：计算指静脉图像的梯度信息，根据梯度信息，利用贪心策略寻找到手指边界。

现有技术中，手指边界检测容易受到噪声的干扰，为解决这一问题，本发明使用贪心策略的手指边界检测算法，快速准确的找到一组连续的手指边界，能够有效降低边界检测中受到的噪声干扰。

因为采集到的指静脉图像有着清晰的边缘信息，因此通过寻找从暗到亮和从亮到暗的边界能够快速的确定手指的上/下边界。而从暗到亮和从亮到暗的边界可以通过图像的梯度信息来表示，因此可以计算指静脉图像的梯度信息，并基于指静脉图像的梯度信息，通过贪心策略寻找手指边界。

S300：在指静脉图像上检测手指关节，并根据手指关节和手指边界提取出指静脉的有效区域。

由于采集设备的差异/手指摆放位置的不同等，现有技术截取有效区域的方法不能消除这种差异和不同，导致截取的指静脉的有效区域的稳定性和有效性较差，为解决这一问题，本发明基于指关节动态获取指静脉的有效区域，针对不同的采集设备确保算法的有效性，能够对不同设备采集的图像提取出稳定的有效区域，而不需要调整过多的参数，提高了算法的泛化性。

前述的S200～S300为指静脉图像的预处理过程。

S400：通过Gabor滤波器对有效区域进行特征提取，得到指静脉特征。

经过预处理过程得到指静脉有效区域，需要找到一个能有效表达其特征的方法。一个有效的特征提取技术是提高指静脉识别效果的重要手段。指静脉特征都是由图像的表面纹理表现出来的，因此采用恰当的纹理特征，能够有效的描述其表面信息。而Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似，提取目标的局部空间和频率域信息方面具有良好的特性。因此，本发明提出了一种基于Gabor编码的特征提取方法，Gabor 的实部能够有效检测指静脉的谷形纹理区域，通过编码Gabor最大响应方向，能够实现对指静脉纹理的表示。

其中，Gabor实部的表达式为：

其中x′＝xcos(θ)+ysin(θ)，y′＝-xsin(θ)+ycos(θ)；λ为波长；θ为方向参数；ψ为相位偏移；γ为空间纵横比；σ为标准差。

特征提取的具体步骤为：

1)构造Gabor滤波器

生成K个Gabor实部滤波器，方向参数分别为

可选的，取K＝8。

2)生成编码图

分别利用K个Gabor滤波器对有效区域进行滤波，得到K个方向的编码图：

其中T_k(x,y)表示第k个方向的编码图；I(x,y)表示有效区域原图； Gabor_k表示第k个滤波器，k＝0,1,…,K-1；

表示卷积。

接着，以T_tre为阈值(可选的，T_tre＝0)，对编码图进行二值编码，得到Gabor编码特征，即指静脉特征B_k(x,y)。

S500：在指静脉图像上设置滑动窗口，并将滑动窗口内的指静脉图像的指静脉特征与指静脉特征模板的相应位置进行相似度比对，找出相似度最高的滑动窗口内的指静脉图像作为最大匹配区域。

静脉图像的采集过程中，可能会发生手指的轴向旋转等导致成像区域不一致的问题，这会极大的影响指静脉特征匹配精度，利用传统的指静脉特征提取和特征比对算法会降低静脉的识别性能。为解决这一问题，本发明不仅提出了一种基于Gabor编码的特征提取方法，还提出了基于滑动窗口的匹配方法。

本发明设置滑动窗口，以一定的步长在指静脉图像上滑动，将指静脉图像在滑动窗口内的部分与预先存储的指静脉特征模板在滑动窗口内的部分进行相似度比对，利用滑动匹配的方式寻找最佳匹配，最佳匹配结果可以表示为：

其中，[x_i1,x_i2,y_i1,y_i2]表示指静脉图像与指静脉特征模板的公共区域 (即指静脉图像与指静脉特征模板位于滑动窗口内的部分)，(x_i1,y_i1)为公共区域的左上角点坐标，(x_i2,y_i2)为公共区域右下角点的坐标；

表示最大匹配区域，即指静脉图像与指静脉特征模板位于滑动窗口内的部分的指静脉特征(即Gabor编码特征)最相似时对应的区域；

表示指静脉图像与指静脉特征模板位于滑动窗口内的部分的Gabor编码特征；i＝1,2。

S表示相似度度量函数，可以用汉明距离表示：

其中⊕表示异或；N表示所有参与匹配的像素点数量。

最大匹配区域的相似度分数为

对应的分数值，该分数值是基于Gabor编码特征计算得到的。

S600：将最大匹配区域内的指静脉图像的指静脉特征与指静脉特征模板的相应位置的相似度作为匹配分数，根据匹配分数即可实现指静脉的识别。

本发明利用Gabor编码特征寻找最大匹配区域，找到最大匹配区域后，可以直接将基于Gabor编码特征计算得到的最大匹配区域的相似度分数 (即前述的

)作为匹配分数，该匹配分数是最大匹配区域与相应位置的指静脉特征模板使用Gabor编码特征计算的相似度。

作为另一种可选的策略，利用Gabor编码寻找出最大匹配区域后，不直接使用前述的基于Gabor编码特征计算得到的最大匹配区域的相似度分数

作为匹配分数，而是再在最大匹配区域中提取特征(如竞争Gabor,HoG特征等)，通过提取的特征计算最大匹配区域的特征相似度作为匹配分数。

本发明具有以下有益效果：

本发明的S200用于手指的边界检测，手指边界检测是预处理过程中至关重要的一步，直接关系到预处理效果的好坏以及之后的指静脉识别过程。图3给出了手指边界检测的示意图，图4给出了手指边界检测流程图。

具体的，S200包括：

S210：将指静脉图像进行尺度缩小得到缩放图，计算所述缩放图的梯度信息，根据所述缩放图的梯度信息，利用贪心策略寻找到手指粗定位边界。

本步骤即为图3所示的手指边界粗定位。

S220：根据手指粗定位边界对所述指静脉图像进行旋转校正。

本步骤即为图3所示的图像旋转校正。

S230：根据旋转校正后的指静脉图像的梯度信息，利用贪心策略寻找到所述手指边界。

本步骤即为图3所示的手指边界精定位。

本发明使用基于边界的方法确定手指轮廓。首先在一个缩小尺寸的图像上粗定位手指边界；接着，根据粗定位手指边界对原指静脉图像进行旋转校正。最后在原指静脉图像上进行手指边界精定位。

其中的S210为手指边界粗定位过程，其示意图如图5所示，流程图如图6所示。

S210包括：

S211：将指静脉图像按照缩放因子进行下采样，得到所述缩放图。

缩放因子可以记为rescale_size，采样过后得到的缩放图的尺度为 [s_img_h,s_img_w]。可选的，可以利用双线性插值进行下采样。

S212：对所述指静脉图像进行水平方向投影，选择投影值最大的一行作为分界线。

由于手指近似水平，因此对指静脉图像原图进行水平方向投影，可选的，可以水平方向投影后对累加投影结果进行平滑，然后选择投影值最大的一行row_f即可作为大体的中心分界线，该分界线也能够一定程度上指示手指的位置，如图5所示。

为降低噪声的干扰，还可以对缩放图进行图像平滑处理。可选的，可以利用一个的5×5的中值滤波和3×3的均值滤波器对缩放图进行平滑处理。

S213：计算所述缩放图的梯度信息，并且通过所述分界线将所述缩放图的梯度信息分为上半部分和下半部分。

在图像下采样后(如有图像平滑，在图像平滑后)，计算缩放图的梯度图，得到梯度信息。

可选的，利用竖直方向Sobel算子或Canny算子等计算梯度(优选为只计算竖直方向的梯度)，得到的梯度突变的两条线即为手指边界，如图5 所示，其中较亮的一条线为上边界(灰度值由低到高，梯度值大于0)，较暗的一条为下边界(灰度值由高到低，梯度值小于0)。

因为上边界的梯度值大于0而下边界的梯度值小于0，因此需要对上边界和下边界分开处理，通过前述得到的分界线将梯度信息分为上半部分和下半部分，上半部分和下半部分分别处理。

S214：对于缩放图的梯度信息的上半部分，只保留竖直方向的梯度大于第一筛选阈值的像素点，并将大于第一截断阈值的竖直方向的梯度设置为第一截断阈值，得到上边界粗定位像素点集合。

本步骤用于对缩放图的梯度信息上半部分的有效梯度进行筛选，筛选时采用的方法为双阈值策略。先确定第一筛选阈值gra_tre_{u_1}和第一截断阈值gra_tre_{u_2}，然后仅保留梯度大于gra_tre_{u_1}的像素点，如果梯度值大于gra_tre_{u_2}则将其梯度值设置为gra_tre_{u_2}。

可以选择平均梯度值作为第一筛选阈值gra_tre_{u_1}，选择最大梯度值和平均梯度值的线性组合作为第一截断阈值gra_tre_{u_2}，具体的表达式如下：

gra_tre_{u_1}＝mean(g(x,y),g(x,y)>0)

p为线性组合因子(可选的p＝0.5)；g(x,y)表示竖直方向上的Sobel 梯度信息。

S215：对于缩放图的梯度信息的下半部分，只保留竖直方向的梯度小于第二筛选阈值gra_tre_{d_1}的像素点，并将小于第二截断阈值gra_tre_{d_2}的竖直方向的梯度设置为第二截断阈值，得到下边界粗定位像素点集合。

本步骤用于对缩放图的梯度信息的下半部分的有效梯度进行筛选，与 S214类似的，也采用双阈值策略。仅保留梯度小于gra_tre_{d_1}的像素点，如果梯度值小于gra_tre_{d_2}则将其梯度值设置为gra_tre_{d_2}。

与S214类似的，gra_tre_{d_1}＝mean(g(x,y),g(x,y)<0)

gra_tre_{d_2}＝p·mean(g(x,y),g(x,y)<0)+(1-p)·max(g(x,y),g(x,y)<0)

除了S214和S215对有效梯度进行筛选外，还可以根据手指方向近似水平的特点对有效像素点进行筛选，要求竖直方向的梯度值要大于水平方向的k倍(本发明选择k＝2)，可以降低噪声的干扰。

S216：分别在上边界粗定位像素点集合和下边界粗定位像素点集合中利用贪心策略在从一个方向到另一个方向上寻找累积梯度最大的线段，得到粗定位上边界和粗定位下边界，作为手指粗定位边界。

在得到梯度信息并完成筛选之后，就可以利用贪心策略分别寻找上/ 下边界的一条连续曲线作为手指的粗定位上边界和粗定位下边界。由于手指边缘是一条连续的线段，因此可以利用贪心策略从一个方向到另一个方向上寻找梯度信息中一条连续梯度幅值最大的线段作为手指边界，从而可以有效降低噪声的干扰。从一个方向到另一个方向上可以是从左到右的方向，也可以是从右到左的方向，本发明对此不做限定。

具体的，以粗定位上边界为例：

对于梯度信息g(x,y)，根据手指位置估计值(即分界线)row_f，截取包含上边界的梯度信息(即梯度图的上半部分)g_u(x,y)＝g[：,0：row_f+ yδ，其中yδ为尺寸调节因子。记梯度信息的上半部分的尺寸为gu_w,gu_h。

初始化梯度累加值矩阵M＝zeros(g_u_h,g_u_w)，有效边界数量矩阵 O＝zeros(g_u_h,g_u_w)，边界记录矩阵R＝zeros(g_u_h,g_u_w)。并令 M(0,：)＝g_u(0,：)

通过如下过程逐列对M，O和R进行更新。

计算M(g_u_w-1,：)*O(g_u_w-1,：)的最大值索引作为最后一个边界点纵坐标位置。

利用边界记录矩阵R，从最后一个边界点反向追踪全部边界点。得到上边界点集

即为粗定位上边界。

通过同样的方式，截取梯度信息的下半部分，并对梯度值取反，追踪到下边界点集

即为粗定位下边界。

根据粗定位上边界和粗定位下边界接口得到粗定位手指边界轮廓。

由于手指的偏移等原因会导致获取的指静脉图像有一定的位置偏移。在对缩放图进行粗定位边缘检测之后，就可以根据粗定位上边界和粗定位下边界像素点对原指静脉图像进行平面旋转来降低指静脉图像位置的不一致问题。

具体的，如图7、8所示，S220包括：

S221：根据粗定位上边界和粗定位下边界确定中心点集。

本步骤用于根据每一列的粗定位上边界点和粗定位下边界点确定一组中心点集，每个中心点的坐标为：

其中

表示中心点集的横纵坐标。

S222：根据中心点集拟合得到中心直线，并计算中心直线与水平方向的夹角θ。

可以利用最小二乘法对中心点集进行拟合得到一条中心直线，从而得到中心直线和水平方向的夹角θ。

S223：将所述指静脉图像逆时针旋转θ角度，使得中心直线与水平方向重合，并将缩放图的手指粗定位边界还原到所述指静脉图像上。

本步骤用于对指静脉图像进行图像旋转和仿射变换：以(0,0)为中心，将原指静脉图像逆时针旋转θ，使得中心直线和水平方向重合。利用仿射变换，并考虑到图像缩放因子，得到旋转后的原指静脉图像粗定位上/下边界像素点坐标

经过仿射变换得到了一组旋转后的图像上的粗定位上/下边界点坐标 (即手指粗定位边界)，然后手指粗定位边界还原到所述指静脉图像上。

前述的粗定位上/下边界点位置并不精确，需要对其坐标做进一步的精确定位。

如图9、10所示，S230包括：

S231：在旋转校正后的指静脉图像上分别截取得到包含粗定位上边界的上子图像和包含粗定位下边界的下子图像。

以上边界为例，依据仿射变换的结果可以得到包含粗定位上边界的子图的纵坐标范围：

并据此截取包含粗定位上边界的上子图像。

可选的，在截取的包含粗定位上边界的上子图像中，需要对粗定位上边界进行平滑。可选的，利用一个7×7的中值滤波和一个7×3的均值滤波进行平滑。

S232：分别计算所述上子图像和下子图像的梯度信息。

本步骤利用竖直方向梯度算子计算梯度图，得到梯度信息，可选的，本发明采用自行设计的如下梯度算子：

S233：对于上子图像的梯度信息，只保留竖直方向的梯度大于第三筛选阈值的像素点，并将大于第三截断阈值的竖直方向的梯度设置为第三截断阈值，得到上边界精定位像素点集合。

S234：对于下子图像的梯度信息，只保留竖直方向的梯度小于第四筛选阈值的像素点，并将小于第四截断阈值的竖直方向的梯度设置为第四截断阈值，得到下边界精定位像素点集合。

S233～S234为梯度筛选过程，其与手指边界粗定位中的筛选方法类似，具体可以参见S214和S215的陈述。

S235：分别在上边界精定位像素点集合和下边界精定位像素点集合中利用贪心策略在从一个方向到另一个方向上寻找累积梯度最大的线段，得到手指的上边界和下边界，作为所述手指边界。

S235为贪心策略进行手指边界精确定位的过程，其与手指边界粗定位的方法类似，具体可以参见S216的陈述。

设精确定位得到的上边界像素点为

下边界像素点为

其中i＝1,2,3,…,m，m为检测到的有效边界点数量。

为确保截取到稳定的有效区域，并保证算法在不同设备采集图像的稳定性，如图11、12所示，本发明的S300包括：

S310：根据手指的上边界和下边界确定手指内切区域。

根据精确定位得到的指静脉边界，通过选择上边界纵坐标的下界

和下边界纵坐标的上界

得到指静脉区域的内切区域。

S320：在手指内切区域上检测手指关节，并根据手指关节的数量和位置确定有效区域的水平范围；其中，水平范围需要包括所有手指关节。

本步骤在手指内切区域上通过滑动窗口的方式确定手指关节，这是因为指关节区域灰度值较大，通过寻找窗口累积灰度曲线波峰的方式能够快速确定指关节位置。由于采集设备/手指摆放位置等差异，指静脉图像可能包含一个或两个指关节信息。

如果仅检测到一个波峰，则认定波峰为指关节位置

记

位置对应的手指竖直方向的宽度为

如果检测到两个或者多个波峰，则选择峰值较大且距离较远的两个波峰为两个指关节位置，从左到右分别为第一指关节

第二指关节

并记

表示

位置的手指竖直方向的宽度，(i＝1,2)。本发明定义左侧为手指的根部，右侧为手指的指尖。

根据如下具体情况确定有效区域的水平范围：

如果仅检测到一个手指关节，且手指关节位于手指靠近左侧位置

则认定水平范围为

可选的，

如果仅检测到一个手指关节，且手指关节位于手指靠近右侧位置

则认定水平范围为

可选的，

如果仅检测到一个手指关节，且手指关节位于手指靠近中间位置

and

则认定水平范围为

可选的，

如果检测到两个手指关节，则认定水平范围为

可选的，d1＝0.6d，d2＝0.6d，其中d＝mind1,d2。

S330：根据手指的上边界和下边界确定手指中线的纵坐标，并根据手指中线的纵坐标以及手指关节处的手指竖直宽度确定有效区域的竖直范围。

本步骤中，通过上/下边界确定新的手指中线纵坐标y_mid。接着根据手指中线纵坐标及手指关节处的手指竖直宽度确定竖直范围

可选的，

S340：所述有效区域的水平范围和竖直范围内组成的区域为所述有效区域。

本步骤根据

和

就能确定截取的有效区域范围。

本发明采用了一种动态有效区域尺寸确定策略，根据指关节的差异采用不同的策略，保证截取到稳定的有效区域，并保证算法在不同设备采集图像的稳定性。

在截取到指静脉的有效区域后，需要进一步对有效区域进行降噪并增强指静脉纹理。传统的指静脉增强技术如Gabor增强，直方图归一化等在增强过程中容易受到强边界信息的干扰。

为解决现有技术在图像增强中存在的问题，如图13所示，本发明在 S400之前还包括：

S300’：对所述有效区域通过如下公式进行图像增强：

其中，

为增强后的图像，k为增强后的图像的尺度范围；

I(x,y)为增强前的图像，I(x,y)＝L(x,y)×R(x,y)，L(x,y)为I(x,y)中的环境光照射分量，R(x,y)为I(x,y)中的目标物体反射分量；I(x,y)通过 L(x,y)＝I(x,y)×F(x,y)估算得到，R(x,y)通过I(x,y)＝L(x,y)× R(x,y)估算得到；

为增强前的图像，为中的环境光照射分量，为中的目标物体反射分量；；

d为设定的系数。

上述公式的推导过程为：

根据Retinex理论，人体感知物体的亮度取决于环境的照明和物体表面对照射光的反射。于是，增强前的图像信号I(x,y)可以表示为：

I(x,y)＝L(x,y)×R(x,y)

其中L(x,y)表示环境光照射分量；R(x,y)表示目标物体反射分量。

由于R(x,y)中携带图像更多的细节信息，则公式等价于：

log(R(x,y))＝log(I(x,y))-log(L(x,y))

其中L(x,y)可以通过对图像I(x,y)进行高斯平滑估计得到，即：

L(x,y)＝I(x,y)×F(x,y)

估计得到I(x,y)后，根据公式I(x,y)＝L(x,y)×R(x,y)可进而估计得到R(x,y)。为提高对比对度，保留更丰富的纹理信息，对估计得到的R(x,y) 进行线性对比度拉伸。

于是

就是增强后的图像，其中k为增强后的图像的尺度范围。

本发明在对数空间中应用线性对比度增强来显著增突出指静脉纹理，并有效降低了噪声干扰，为特征提取奠定基础。本发明的图像增强效果如图14所示，左侧为原图，右侧为图像增强后的图片。

由于不同的手指间存在尺寸变换，并且相同手指采集图像也可能存在尺寸差异。在截取有效区域之后，有可能需要对有效区域进行尺寸归一化得到固定的图像尺寸，以消除一些几何形变的影响。可行的，由于有效区域水平范围与竖直范围的比不一致，因此可以利用有效区域的竖直高度确定归一化尺度因子。

可选的，可以利用双线性差值将有效区域归一化到[100,uni_col],其中

实施例2：

本发明实施例提供了一种指静脉识别装置，如图15所示，该装置包括：

指静脉图像获取模块100，用于获取待检测的指静脉图像。

手指边界定位模块200，用于计算所述指静脉图像的梯度信息，根据所述梯度信息，利用贪心策略寻找到手指边界。

有效区域提取模块300，用于在指静脉图像上检测手指关节，并根据所述手指关节和手指边界提取出指静脉的有效区域。

特征提取模块400，用于通过Gabor滤波器对所述有效区域进行特征提取，得到指静脉特征。

滑动比对模块500，用于在指静脉图像上设置滑动窗口，并将滑动窗口内的指静脉图像的指静脉特征与指静脉特征模板的相应位置进行相似度比对，找出相似度最高的滑动窗口内的指静脉图像作为最大匹配区域。

匹配分数确定模块600，用于将最大匹配区域内的指静脉图像的指静脉特征与指静脉特征模板的相应位置的相似度作为匹配分数。

前述的手指边界定位模块200如图16所示，包括：

粗定位单元210，用于将指静脉图像进行尺度缩小得到缩放图，计算所述缩放图的梯度信息，根据所述缩放图的梯度信息，利用贪心策略寻找到手指粗定位边界。

旋转校正单元220，用于根据手指粗定位边界对所述指静脉图像进行旋转校正。

精确定位单元230，用于根据旋转校正后的指静脉图像的梯度信息，利用贪心策略寻找到所述手指边界。

粗定位单元210如图17所示，包括：

缩放单元211，用于将指静脉图像按照缩放因子进行下采样，得到所述缩放图。

分界线确定单元212，用于对所述指静脉图像进行水平方向投影，选择投影值最大的一行作为分界线。

第一梯度计算单元213，用于计算所述缩放图的梯度信息，并且通过所述分界线将所述缩放图的梯度信息分为上半部分和下半部分。

第一筛选单元214，用于对于缩放图的梯度信息的上半部分，只保留竖直方向的梯度大于第一筛选阈值的像素点，并将大于第一截断阈值的竖直方向的梯度设置为第一截断阈值，得到上边界粗定位像素点集合。

第二筛选单元215，用于对于缩放图的梯度信息的下半部分，只保留竖直方向的梯度小于第二筛选阈值的像素点，并将小于第二截断阈值的竖直方向的梯度设置为第二截断阈值，得到下边界粗定位像素点集合。

粗定位边界确定单元216，用于分别在上边界粗定位像素点集合和下边界粗定位像素点集合中利用贪心策略在从一个方向到另一个方向上寻找累积梯度最大的线段，得到粗定位上边界和粗定位下边界，作为手指粗定位边界。

旋转校正单元220如图18所示，包括：

中心点集确定单元221，用于根据粗定位上边界和粗定位下边界确定中心点集。

直线拟合单元222，用于根据中心点集拟合得到中心直线，并计算中心直线与水平方向的夹角θ。

旋转单元223，用于将所述指静脉图像逆时针旋转θ角度，使得中心直线与水平方向重合，并将缩放图的手指粗定位边界还原到所述指静脉图像上。

精确定位单元230如图20所示，包括：

子图像截取单元231，用于在旋转校正后的指静脉图像上分别截取得到包含粗定位上边界的上子图像和包含粗定位下边界的下子图像。

第二梯度计算单元232，用于分别计算所述上子图像和下子图像的梯度信息。

第三筛选单元233，用于对于上子图像的梯度信息，只保留竖直方向的梯度大于第三筛选阈值的像素点，并将大于第三截断阈值的竖直方向的梯度设置为第三截断阈值，得到上边界精定位像素点集合。

第四筛选单元234，用于对于下子图像的梯度信息，只保留竖直方向的梯度小于第四筛选阈值的像素点，并将小于第四截断阈值的竖直方向的梯度设置为第四截断阈值，得到下边界精定位像素点集合。

精确定位边界确定单元235，用于分别在上边界精定位像素点集合和下边界精定位像素点集合中利用贪心策略在从一个方向到另一个方向上寻找累积梯度最大的线段，得到手指的上边界和下边界，作为所述手指边界。

有效区域提取模块300如图19所示，包括：

内切区域确定单元310，用于根据手指的上边界和下边界确定手指内切区域。

水平范围确定单元320，用于在手指内切区域上检测手指关节，并根据手指关节的数量和位置确定有效区域的水平范围。

竖直范围确定单元330，用于根据手指的上边界和下边界确定手指中线的纵坐标，并根据手指中线的纵坐标以及手指关节处的手指竖直宽度确定有效区域的竖直范围。

有效区域确定单元340，用于所述有效区域的水平范围和竖直范围内组成的区域为所述有效区域。

如图21所示，本发明的装置还包括：

图像增强模块300’，用于对所述有效区域通过如下公式进行图像增强：

其中，

为增强后的图像，k为增强后的图像的尺度范围；

d为设定的系数。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例1相同，为简要描述，该装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例1中的对应过程，在此不再赘述。

实施例3：

本说明书提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例1所描述方案的效果。因此，本发明还提供用于指静脉识别的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括实施例1的指静脉识别方法的步骤。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM 等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

上述所述的计算机可读存储介质根据方法实施例1的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例1的描述，在此不作一一赘述。

实施例4：

本发明还提供一种用于指静脉识别的设备，所述的设备可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于指静脉识别的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器，处理器执行所述指令时实现上述任意一个或者多个实施例1中所述指静脉识别方法的步骤。

上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例1的描述，在此不作一一赘述。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种指静脉识别方法，其特征在于，所述方法包括：

获取待检测的指静脉图像；

在指静脉图像上检测手指关节，并根据所述手指关节和手指边界提取出指静脉的有效区域；

将最大匹配区域内的指静脉图像的指静脉特征与指静脉特征模板的相应位置的相似度作为匹配分数。

2.根据权利要求1所述的指静脉识别方法，其特征在于，所述计算所述指静脉图像的梯度信息，根据所述梯度信息，利用贪心策略寻找到手指边界，包括：

将指静脉图像进行尺度缩小得到缩放图，计算所述缩放图的梯度信息，根据所述缩放图的梯度信息，利用贪心策略寻找到手指粗定位边界；

根据手指粗定位边界对所述指静脉图像进行旋转校正；

根据旋转校正后的指静脉图像的梯度信息，利用贪心策略寻找到所述手指边界。

3.根据权利要求2所述的指静脉识别方法，其特征在于，所述将指静脉图像进行尺度缩小得到缩放图，计算所述缩放图的梯度信息，根据所述缩放图的梯度信息，利用贪心策略寻找到手指粗定位边界，包括：

将指静脉图像按照缩放因子进行下采样，得到所述缩放图；

对所述指静脉图像进行水平方向投影，选择投影值最大的一行作为分界线；

计算所述缩放图的梯度信息，并且通过所述分界线将所述缩放图的梯度信息分为上半部分和下半部分；

对于缩放图的梯度信息的上半部分，保留竖直方向的梯度大于第一筛选阈值的像素点，并将大于第一截断阈值的竖直方向的梯度设置为第一截断阈值，得到上边界粗定位像素点集合；

对于缩放图的梯度信息的下半部分，保留竖直方向的梯度小于第二筛选阈值的像素点，并将小于第二截断阈值的竖直方向的梯度设置为第二截断阈值，得到下边界粗定位像素点集合；

分别在上边界粗定位像素点集合和下边界粗定位像素点集合中利用贪心策略在从一个方向到另一个方向上寻找累积梯度最大的线段，得到粗定位上边界和粗定位下边界，作为手指粗定位边界。

4.根据权利要求3所述的指静脉识别方法，其特征在于，所述根据手指粗定位边界对所述指静脉图像进行旋转校正，包括：

根据粗定位上边界和粗定位下边界确定中心点集；

根据中心点集拟合得到中心直线，并计算中心直线与水平方向的夹角θ：

将所述指静脉图像逆时针旋转θ角度，使得中心直线与水平方向重合，并将缩放图的手指粗定位边界还原到所述指静脉图像上。

5.根据权利要求4所述的指静脉识别方法，其特征在于，所述根据旋转校正后的指静脉图像的梯度信息，利用贪心策略寻找到所述手指边界，包括：

在旋转校正后的指静脉图像上分别截取得到包含粗定位上边界的上子图像和包含粗定位下边界的下子图像；

分别计算所述上子图像和下子图像的梯度信息；

对于上子图像的梯度信息，保留竖直方向的梯度大于第三筛选阈值的像素点，并将大于第三截断阈值的竖直方向的梯度设置为第三截断阈值，得到上边界精定位像素点集合；

对于下子图像的梯度信息，保留竖直方向的梯度小于第四筛选阈值的像素点，并将小于第四截断阈值的竖直方向的梯度设置为第四截断阈值，得到下边界精定位像素点集合；

分别在上边界精定位像素点集合和下边界精定位像素点集合中利用贪心策略在从一个方向到另一个方向上寻找累积梯度最大的线段，得到手指的上边界和下边界，作为所述手指边界。

6.根据权利要求5所述的指静脉识别方法，其特征在于，所述在指静脉图像上检测手指关节，并根据检测的手指关节和所述的手指边界提取出指静脉的有效区域，包括：

根据手指的上边界和下边界确定手指内切区域；

在手指内切区域上检测手指关节，并根据手指关节的数量和位置确定有效区域的水平范围；其中，所述水平范围包括所有手指关节；

根据手指的上边界和下边界确定手指中线的纵坐标，并根据手指中线的纵坐标以及手指关节处的手指竖直宽度确定有效区域的竖直范围；

所述有效区域的水平范围和竖直范围内组成的区域为所述有效区域。

7.根据权利要求1-6任一所述的指静脉识别方法，其特征在于，所述通过Gabor滤波器对所述有效区域进行特征提取，得到指静脉特征，之前还包括：

对所述有效区域通过如下公式进行图像增强：

其中，

为增强后的图像，k为增强后的图像的尺度范围；

I(x，y)为增强前的图像，I(x，y)＝L(x，y)×R(x，y)，L(x，y)为I(x，y)中的环境光照射分量，R(x，y)为I(x，y)中的目标物体反射分量；I(x，y)通过L(x，y)＝I(x，y)×F(x，y)估算得到，R(x，y)通过I(x，y)＝L(x，y)×R(x，y)估算得到；

d为设定的系数。

8.一种指静脉识别装置，其特征在于，所述装置包括：

指静脉图像获取模块，用于获取待检测的指静脉图像；

匹配分数确定模块，用于将最大匹配区域内的指静脉图像的指静脉特征与指静脉特征模板的相应位置的相似度作为匹配分数。

9.一种用于指静脉识别的计算机可读存储介质，其特征在于，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括权利要求1-7任一所述指静脉识别方法的步骤。

10.一种用于指静脉识别的设备，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7中任意一项所述指静脉识别方法的步骤。