CN114612951B - 一种手掌特征识别方法 - Google Patents
一种手掌特征识别方法 Download PDFInfo
- Publication number
- CN114612951B CN114612951B CN202210506776.5A CN202210506776A CN114612951B CN 114612951 B CN114612951 B CN 114612951B CN 202210506776 A CN202210506776 A CN 202210506776A CN 114612951 B CN114612951 B CN 114612951B
- Authority
- CN
- China
- Prior art keywords
- palm
- point
- peak
- points
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明涉及一种手掌特征识别方法，包括：将采集的用户手掌图像进行二值化处理得到手掌二值图；构建所述手掌二值图中各轮廓边缘点相对于手掌中心点的夹角‑距离波峰曲线图，所述手掌二值图各轮廓边缘点与夹角‑距离波峰曲线图上的点一一对应；据所述手掌二值图与夹角‑距离波峰曲线图获取手掌特征点，基于所述手掌特征点进行手掌区域分割,并对所述手掌区域进行手掌特征提取；将所述手掌特征与模板特征比对，若两者相匹配，则用户身份识别通过。本发明可以有效准确稳定分割出手掌区域，进而可以有效提高手掌特征识别的方法。
Description
技术领域
本发明涉及生物特征识别技术领域，尤其涉及一种手掌特征识别方法。
背景技术
用户身份认证是安全的第一道大门，是各种安全措施可以发挥作用的前提。传统的身份认证方式基于静态口令的认证，如用户名+密码易丢失，易破解；基于动态口令的认证，如动态口令牌和短信密码等需要客户端与服务器保持良好的通信；基于USBkey的认证需要在客户端安装应用程序，使用不便；基于智能IC卡的认证容易出现卡片丢失的问题；基于数字证书的认证需要依赖于第三方机构认证中心等。相对于传统的身份认证方式的诸多缺点，生物特征识别具有随身携带，不会丢失，且不容易仿冒篡改等特点，基于此生物特征识别技术发展非常迅猛，并已逐渐成为身份认证主流的方式。
手掌特征生物特征识别相比于其它生物特征识别方式，如指纹识别，手掌面积更大，包含的信息更丰富，而且不需要引进额外的硬件设备，且为非接触，用户接受度更高。对比人脸识别，手掌特征生物特征为主动识别方式，需要用户主要伸出手掌方可检测识别，更加保护用户隐私。而对比虹膜和基因识别，手掌特征识别不需要昂贵的设备，容易推广。基于以上特点，手掌特征识别受到了越来越多的关注。手掌特征识别一般包括掌静脉识别和掌纹识别，但无论何种方式，均需对手掌区域进行分割，常见的分割方法有：基于内切圆的定位分割方法和基于正方形的定位分割方法。其中前者因为需要反复搜索圆心并调整半径，预处理时间长，复杂性高，不能用于实时系统；后者的主要难点是分割定位点不易确定，导致手掌区域提取一致性和稳定性不高从而影响手掌特征识别成功率。
发明内容
本发明的目的在于提供一种手掌特征识别方法，可以有效准确稳定分割出手掌区域，进而可以有效提高手掌特征识别的方法。
为了达到目的，本发明提供的技术方案为：一种手掌特征识别方法，用于用户的身份识别，包括：采集所述用户的手掌图像，并对所述手掌图像进行二值化处理得到手掌二值图；构建所述手掌二值图中各轮廓边缘点相对于手掌中心点的夹角-距离波峰曲线图，所述手掌二值图各轮廓边缘点与夹角-距离波峰曲线图上的点一一对应；根据所述手掌二值图与夹角-距离波峰曲线图获取手掌特征点，包括获取所述夹角-距离波峰曲线图的五个指尖峰点和四个指缝谷点；获取手掌二值图的四个指缝点；获取手掌关键特征点；基于所述手掌特征点进行手掌区域分割,并对所述手掌区域进行手掌特征提取；将所述手掌特征与模板特征比对，若两者相匹配，则用户身份识别通过。
优选地，所述对所述手掌图像进行二值化处理得到手掌二值图，包括：将所述手掌图像以其几何中心为分割原点，横纵向分割成四个子手掌图像；分别计算所述四个子手掌图像的分割阈值；根据所述分割阈值计算对角阈值；利用所述对角阈值分别对所述四个子手掌图像进行二值化处理得到子手掌二值图；将所述子手掌二值图拼接成手掌二值图。
优选地，所述获取所述夹角-距离波峰曲线图的五个指尖峰点，包括：获取所述夹角-距离波峰曲线图的峰点，所述峰点在所述夹角-距离波峰曲线图的纵坐标分别大于其左右相邻四个点的纵坐标；分别计算所述峰点与其左右相邻的两个峰点距离，并根据所述距离筛选出指尖峰点，所述距离为所述峰点在所述手掌二值图中对应的点之间的连线经过白点的像素数量；若指尖峰点数量大于5，则采用聚类算法对所述指尖峰点的横坐标进行聚类，筛选出五个指尖峰点。
优选地，若所述峰点与其左右相邻的两个峰点的距离均大于10个像素，则所述峰点为无效峰点，反之所述峰点为指尖峰点。
优选地，所述获取所述夹角-距离波峰曲线图的四个指缝谷点，包括：计算五个指尖峰点两两横坐标的差值，选取差值最大的两个指尖峰点分别作为起点和终点将五个指尖峰点进行顺序排序；在夹角-距离波峰曲线图上寻找相邻的两个指尖峰点之间纵坐标最小的点，即指缝谷点；所述获取手掌二值图的四个指缝点包括：获取所述手掌二值图上与指缝谷点相对应的点，即为指缝点Fs1、Fs2、Fs3、Fs4。
优选地，所述获取手掌关键特征点，包括：分别计算指缝点Fs1到Fs2和Fs3的距离之和DFs1，Fs4到Fs2和Fs3的距离之和DFs4，若DFs1大于DFs4，则指缝点Fs1为第一手掌关键特征点Fsvail1，反之若DFs1小于DFs4，则Fs4为第一手掌关键特征点Fsvail1。
优选地，所述基于所述手掌特征点进行手掌区域分割之前，还包括：以Fs2和Fs3的连线与水平轴的夹角为矫正角度对所述手掌二值图进行旋转矫正，使得Fs2和Fs3的连线与水平轴平行。
优选地，所述基于所述手掌特征点进行手掌区域分割,包括：以所述第一手掌关键特征点Fsvail1为起点，横向移动到所述手掌二值图的边界点，得到第二手掌关键特征点Fsvail2；以所述第一手掌关键特征点Fsvail1和第二手掌关键特征点Fsvail2的连线纵向线上移动到所述手掌二值图的边界，保持纵向长度和横向宽度相同进行手掌区域分割。
优选地，所述手掌图像为掌静脉图像，所述手掌特征为掌静脉特征，所述模板特征为掌静脉模板特征。
优选地，所述手掌图像为掌纹图像，所述手掌特征为掌纹特征，所述模板特征为掌纹模板特征。
采用本发明提供的技术方案，通过夹角-距离波峰曲线图与掌静脉二值图相互映射计算出手掌特征点，并根据手掌特征点进行手掌区域分割，分割出的手掌区域方向性和一致性效果更好，有效提高了手掌特征识别的成功率。
附图说明
图1为本发明涉及的手掌特征识别方法的流程图；
图2为本发明涉及的手掌特征点获取流程图。
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。
参照附图1，本发明涉及一种手掌特征识别方法，包括：
1）采集用户的手掌图像img，并对手掌图像img进行二值化处理得到手掌二值图，需要说明的是，采集用户的手掌图像img可以为在近红外光照下采集用户的掌静脉图像，也可以在普通光照下采集用户的掌纹图像，二值化的具体步骤为：
1.1）将手掌图像img以其几何中心为分割原点，横纵向分割成四个子手掌图像img1、img2、img3、img4，四个子手掌图像img1、img2、img3、img4长、宽均相等；其中img1和img3是对角图像，img2和img4是对角图像；
1.2）分别计算四个子手掌图像的分割阈值，计算图像分割阈值的算法有三角阈值、雷尼熵阈值等，在实际处理，可根据图像情况采用合适的阈值分割方法，本实施例中采用最大类间方差算法分别求出上述四个子图像的阈值：
式中，
为第i个子手掌图像的分割阈值，
为最大类间方差算法；
1.3）根据分割阈值计算对角阈值：
1.4）利用对角阈值
对img1和img3进行二值化、利用对角阈值
对img2和img4进行二值化，总计得到四个子手掌二值图，然后将四个子手掌二值图拼接成手掌二值图。
本实施例中通过将手掌图像分割成四个子手掌图像，分别将每个子手掌图像二值化，然后拼接成手掌二值图，可以有效避免在获取手掌图像时，手掌表面照射的光照不均匀而导致的二值化效果不好的问题。
2）获取手掌中心点坐标和手掌二值图中各轮廓边缘点坐标，以手掌二值图中各轮廓边缘点到手掌中心点的角度为横坐标，距离为纵坐标，构建手掌二值图中各轮廓边缘点相对于手掌中心点的夹角-距离波峰曲线图，手掌二值图各轮廓边缘点与夹角-距离波峰曲线图上的点一一对应。手掌中心点以及各轮廓边缘点到手掌中心点的角度、距离的计算方法可参考公开号为CN113936307A的专利中公开的技术方案。
3）根据手掌二值图与夹角-距离波峰曲线图获取手掌特征点，可参照附图2，包括：
3.1）获取夹角-距离波峰曲线图的五个指尖峰点，具体步骤为：
3.1.1）获取夹角-距离波峰曲线图的所有峰点，其中峰点在夹角-距离波峰曲线图的纵坐标分别大于其左右相邻四个点的纵坐标；因相较于指尖周边的其它手掌轮廓边缘点，指尖到手掌中心点的距离更长，本实施例中，通过遍历的方式，寻找纵坐标分别大于左右相邻四点的点为峰点，即为待确认的指尖点。
3.1.2）分别计算峰点与其左右相邻的两个峰点距离，并根据距离筛选出指尖峰点，距离为峰点在手掌二值图中对应的点之间的连线经过白点的像素数量，若峰点与其左右相邻的两个峰点的距离均大于10个像素，则峰点为无效峰点，反之峰点为指尖峰点。
需要说明的是，因为若存在手臂较长或者存在其它复杂背景的情况下，则胳膊点或者其它杂点也有可能被识别为峰点，因此需要进行进一步筛选。如果上述峰点对应的为指尖点而不是胳膊点或者其它杂点，则与其相邻的峰点在手掌二值图中对应的点的连线距离不会过大。本实施中，将峰点与其左右相邻的两个峰点的距离均大于10个像素，判为无效峰点。
3.1.3）理论上，因为一个手掌的指尖数量为5，因此峰点的数量也应该是5个，经过以上筛选，若指尖峰点数量仍然大于5，说明仍然存在噪点，因此根据手掌的特性，采用聚类算法对指尖峰点的横坐标
进行聚类筛出五个指尖峰点，其中，kvail为经过筛选的指尖峰点的数量，
为指尖峰点的横坐标即角度，本实施中，聚类步骤为：
（1）选择两个类别，中心点
；
（2）对于每个样本，将其标记为距离类别中心最近的类别，如式（4）：
（3）将每个类别中心更新为隶属该类别的所有样本均值；
（4）重复步骤（2）和（3），直到两个类别中心的变化都小于10分类完成；
（5）选取其中类别中点数多的类作为筛选结果。
3.2）获取夹角-距离波峰曲线图的四个指缝谷点，具体步骤为：
3.2.1）计算五个指尖峰点两两横坐标的差值，选取差值最大的两个指尖峰点分别作为起点和终点将五个指尖峰点进行顺序排序。需要说明的是，五个指尖峰点两两横坐标的差值即为两个手指之间的角度，因为大拇指和小拇指指尖之间的角度一定最大，所以差值最大的两个点一定为大拇指指尖峰点和小拇指指尖峰点。然后将大拇指指尖峰点或小拇指指尖峰点分别作为起点和终点，可以对五个指尖峰点进行顺序排序，得到排序结果为：大拇指指尖峰点-食指指尖峰点-中指指尖峰点-无名指指尖峰点-小拇指指尖峰点，或小拇指指尖峰点-无名指指尖峰点-中指指尖峰点-食指指尖峰点-大拇指指尖峰点。
3.2.2）在夹角-距离波峰曲线图上寻找相邻的两个指尖峰点之间纵坐标最小的点，即指缝谷点。
3.3）获取手掌二值图的四个指缝点，具体步骤为：获取手掌二值图上与指缝谷点相对应的点，即为指缝点Fs1、Fs2、Fs3、Fs4。
3.4）获取手掌关键特征点，包括：分别计算指缝点Fs1到Fs2和Fs3的距离之和DFs1，Fs4到Fs2和Fs3的距离之和DFs4，若DFs1大于DFs4，则指缝点Fs1为第一手掌关键特征点Fsvail1，反之若DFs1小于DFs4，则Fs4为第一手掌关键特征点Fsvail1。
需要说明的是，因为手掌本身的特性，大拇指-食指指缝点到食指-中指指缝点的距离与大拇指-食指指缝点到中指-无名指指缝点的距离之和大于无名指-小拇指指缝点到食指-中指指缝点的距离与无名指-小拇指缝点到中指-无名指指缝点的距离之和，所以比较其距离之和，可以确认哪一个指缝点为大拇指-食指指缝点，并把其当做第一手掌关键特征点。
4）手掌二值图旋转矫正，包括：以Fs2和Fs3的连线与水平轴的夹角为矫正角度对手掌二值图进行旋转矫正，使得Fs2和Fs3的连线与水平轴平行。
5）基于手掌特征点进行手掌区域分割,包括：以第一手掌关键特征点Fsvail1为起点，横向移动到手掌二值图的边界点，得到第二手掌关键特征点Fsvail2；以第一手掌关键特征点Fsvail1和第二手掌关键特征点Fsvail2的连线纵向线上移动到手掌二值图的边界，保持纵向长度和横向宽度相同进行手掌区域分割。因为第一手掌关键特征点Fsvail1，即大拇指-食指指缝点均有天然的稳定性，以其当做分割手掌区域的关键点，均有天然的稳定性，可以有效提高手掌区域提取的一致性和稳定性。
6）对手掌区域进行手掌特征提取，需要说明的是，若采集的为掌静脉图像，则提取的特征为掌静脉特征，若采集的为掌纹图像，则提取的特征为掌纹特征。
7）将掌静脉特征或掌纹特征与模板特征比对，若两者相匹配，则用户身份识别通过。
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 (5)
1.一种手掌特征识别方法，其特征在于，用于用户的身份识别，包括：
采集所述用户的手掌图像，并对所述手掌图像进行二值化处理得到手掌二值图；
构建所述手掌二值图中各轮廓边缘点相对于手掌中心点的夹角-距离波峰曲线图，所述手掌二值图各轮廓边缘点与夹角-距离波峰曲线图上的点一一对应；
根据所述手掌二值图与夹角-距离波峰曲线图获取手掌特征点，具体步骤为：
（1）获取所述夹角-距离波峰曲线图的五个指尖峰点，包括：获取所述夹角-距离波峰曲线图的峰点，所述峰点在所述夹角-距离波峰曲线图的纵坐标分别大于其左右相邻四个点的纵坐标；分别计算所述峰点与其左右相邻的两个峰点距离，所述距离为所述峰点在所述手掌二值图中对应的点之间的连线经过白点的像素数量，若所述峰点与其左右相邻的两个峰点的距离均大于10个像素，则所述峰点为无效峰点，反之所述峰点为指尖峰点；若指尖峰点数量大于5，则采用聚类算法对所述指尖峰点的横坐标进行聚类，筛选出五个指尖峰点；
（2）将所述五个指尖峰点进行排序，包括：计算五个指尖峰点两两横坐标的差值，选取差值最大的两个指尖峰点分别作为起点和终点将五个指尖峰点进行顺序排序；
（3）获取所述夹角-距离波峰曲线图的四个指缝谷点，包括：在夹角-距离波峰曲线图上寻找相邻的两个指尖峰点之间纵坐标最小的点，即指缝谷点；
（4）获取手掌二值图的四个指缝点，包括：获取所述手掌二值图上与所述指缝谷点相对应的点，即为指缝点Fs1、Fs2、Fs3、Fs4；
（5）获取手掌关键特征点，包括：分别计算所述指缝点Fs1到Fs2和Fs3的距离之和DFs1，Fs4到Fs2和Fs3的距离之和DFs4，若DFs1大于DFs4，则所述指缝点Fs1为第一手掌关键特征点Fsvail1，反之若DFs1小于DFs4，则Fs4为第一手掌关键特征点Fsvail1；
基于所述手掌特征点进行手掌区域分割,包括：以所述第一手掌关键特征点Fsvail1为起点，横向移动到所述手掌二值图的边界点，得到第二手掌关键特征点Fsvail2；以所述第一手掌关键特征点Fsvail1和第二手掌关键特征点Fsvail2的连线纵向线上移动到所述手掌二值图的边界，保持纵向长度和横向宽度相同进行手掌区域分割；
对所述手掌区域进行手掌特征提取；
将所述手掌特征与模板特征比对，若两者相匹配，则用户身份识别通过。
2.根据权利要求1所述的手掌特征识别方法，其特征在于，所述对所述手掌图像进行二值化处理得到手掌二值图，包括：将所述手掌图像以其几何中心为分割原点，横纵向分割成四个子手掌图像；分别计算所述四个子手掌图像的分割阈值；根据所述分割阈值计算对角阈值；利用所述对角阈值分别对所述四个子手掌图像进行二值化处理得到子手掌二值图；将所述子手掌二值图拼接成手掌二值图。
3.根据权利要求1所述的手掌特征识别方法，其特征在于，所述基于所述手掌特征点进行手掌区域分割之前，还包括：以Fs2和Fs3的连线与水平轴的夹角为矫正角度对所述手掌二值图进行旋转矫正，使得Fs2和Fs3的连线与水平轴平行。
4.根据权利要求1所述的手掌特征识别方法，其特征在于，所述手掌图像为掌静脉图像，所述手掌特征为掌静脉特征，所述模板特征为掌静脉模板特征。
5.根据权利要求1所述的手掌特征识别方法，其特征在于，所述手掌图像为掌纹图像，所述手掌特征为掌纹特征，所述模板特征为掌纹模板特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210506776.5A CN114612951B (zh) | 2022-05-11 | 2022-05-11 | 一种手掌特征识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210506776.5A CN114612951B (zh) | 2022-05-11 | 2022-05-11 | 一种手掌特征识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114612951A CN114612951A (zh) | 2022-06-10 |
| CN114612951B true CN114612951B (zh) | 2022-12-23 |
Family
ID=81870615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210506776.5A Active CN114612951B (zh) | 2022-05-11 | 2022-05-11 | 一种手掌特征识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612951B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114792431A (zh) * | 2022-06-22 | 2022-07-26 | 北京圣点云信息技术有限公司 | 一种静脉图像识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722701B (zh) * | 2012-05-24 | 2014-03-26 | 清华大学 | 指纹采集过程中的视觉监控方法及其设备 |
| CN103559489B (zh) * | 2013-11-19 | 2017-11-07 | 沈阳工业大学 | 一种非接触成像方式下手掌特征提取方法 |
| CN110097006A (zh) * | 2019-04-30 | 2019-08-06 | 河海大学常州校区 | 一种基于手部掌纹掌脉特征融合的非接触式生物识别方法 |
| CN113936307B (zh) * | 2021-12-17 | 2022-03-15 | 北京圣点云信息技术有限公司 | 一种基于薄膜传感器的静脉图像识别方法及装置 |
-
2022
- 2022-05-11 CN CN202210506776.5A patent/CN114612951B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114612951A (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6072895A (en) | System and method using minutiae pruning for fingerprint image processing | |
| US6876757B2 (en) | Fingerprint recognition system | |
| US7359532B2 (en) | Fingerprint minutiae matching using scoring techniques | |
| Hemalatha | A systematic review on Fingerprint based Biometric Authentication System | |
| CN101114335A (zh) | 全角度快速指纹识别方法 | |
| Yang et al. | Personal authentication using finger vein pattern and finger-dorsa texture fusion | |
| CN1421815A (zh) | 基于知识的指纹图像增强方法 | |
| WO2021135533A1 (zh) | 一种指静脉超大用户量下的高速检索算法及识别设备 | |
| CN114612941B (zh) | 一种基于掌静脉特征的多模式身份认证方法、装置及系统 | |
| CN114612951B (zh) | 一种手掌特征识别方法 | |
| Fei et al. | Enhanced minutiae extraction for high-resolution palmprint recognition | |
| Li et al. | Palmprint identification using Hausdorff distance | |
| Tukur | Fingerprint recognition and matching using Matlab | |
| CN113936303A (zh) | 一种手部图像最大内接矩形确定方法及图像识别方法 | |
| Shin et al. | Detecting fingerprint minutiae by run length encoding scheme | |
| Wirayuda | Palm vein recognition based-on minutiae feature and feature matching | |
| KR100374695B1 (ko) | 직접 융선 추출을 이용한 자동 지문 인식 시스템 | |
| Bharadi et al. | Multi-modal biometric recognition using human iris and dynamic pressure variation of handwritten signatures | |
| Kanjan et al. | A comparative study of fingerprint matching algorithms | |
| Mali et al. | Fingerprint recognition using global and local structures | |
| Xie et al. | Ridge-based fingerprint recognition | |
| Szymkowski et al. | A novel approach to fingerprint identification using method of sectorization | |
| Bhowmick et al. | Determination of minutiae scores for fingerprint image applications | |
| Zheng et al. | Joint Multiple-type Features Encoding for Palmprint Recognition | |
| Wang et al. | An improved square-based palmprint segmentation method |
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 |