CN116030503A - 一种基于掌静脉技术的闸机控制系统及方法 - Google Patents
一种基于掌静脉技术的闸机控制系统及方法 Download PDFInfo
- Publication number
- CN116030503A CN116030503A CN202310056997.1A CN202310056997A CN116030503A CN 116030503 A CN116030503 A CN 116030503A CN 202310056997 A CN202310056997 A CN 202310056997A CN 116030503 A CN116030503 A CN 116030503A
- Authority
- CN
- China
- Prior art keywords
- vein
- image
- palm vein
- palm
- features
- 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
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种基于掌静脉技术的闸机控制系统，在获得手心静脉图像和手背静脉图像后先后进行图像灰度归一化、图像增强处理、二值化处理以及细化处理，可以减少图像中含有的多种噪声，防止获得的图像中静脉纹路有较大的突起或边缘存在许多毛刺，有利于获得光滑的并且失真较小的手心静脉纹线特征和手背静脉纹线特征；而且建立的手掌静脉特征模型包含手掌的静脉宏观特征，提取静脉微观特征时，以第五掌指关节作为坐标原点分割获取长方形区域内的静脉特征，而该区域中的静脉特征为限定特征，不随手掌活动而变化，通过静脉宏观特征和静脉微观特征结合进行特征匹配，可以大大提高精确性，且为人体状态变化导致的获取误差提供适应空间。
Description
技术领域
本发明涉及掌静脉控制技术领域，特别涉及一种基于掌静脉技术的闸机控制系统及方法。
背景技术
掌静脉技术是基于近红外线感应器获取手掌静脉分布特征图，建立用户特有的手掌静脉数据库，通过再次收集用户手掌静脉分布特征图进行匹配以登录系统，达到生物识别功能的管理，通常与门禁控制器连接，以达到限制非用户进入作用，还可以配置有声音提示及显示功能，具有不易伪造、高识别率、识别速度较快、非接触特性等优点。
目前，通过掌静脉识别技术进行控制闸机启闭，只要是获取手掌的手心侧静脉分布信息即可。然而，掌静脉识别过程中，需要红外线波长穿过手掌脂肪层获取静脉信息，如果人在一定期间体重发生明显变化，有可能会导致后期登录的掌静脉信息与初始存储于数据库中的掌静脉有所差别，如人在体重比较重时候，手心的脂肪层会明显增大，从而可能导致初始录入的掌静脉信息不全面，当体重下降时，手心静脉信息全面显化，可能会出现后续掌静脉信息与初始录入掌静脉信息有所差别，从而导致系统信息不匹配，因此，有必要进一步改进优化，尝试提取更多的手掌静脉信息，使系统具有更好的静脉识别率。
发明内容
为解决上述问题，本发明提供一种基于掌静脉技术的闸机控制系统及方法。
本发明所采用的技术方案:一种基于掌静脉技术的闸机控制系统，包括闸机控制系统以及掌静脉识别系统，所述掌静脉识别系统包括以下模块：
图像采集模块，设有两组，分别用于采集手掌的手心静脉图像和手背静脉图像；
预处理模块，对手心静脉图像和手背静脉图像进行图像灰度归一化和图像增强处理，使静脉特征显化，将静脉特征显化后的图像进行图像二值化处理，使用Rosenfeld细化得到手心静脉纹线图和手背静脉纹线图；
特征提取模块，将手心静脉纹线图和手背静脉纹线图进行加权融合，建立手掌静脉特征模型，在手掌静脉特征模型正面和反面分别建立目标区域坐标系，且目标区域坐标系以第五掌指关节作为坐标原点，做水平线x轴以及纵轴线y轴，以离x轴0.5-2cm，以离y轴0-1cm截取一个固定大小为6cm×4cm的长方形区域，将该区域划分为6个正方形区域进行图像分割，分别提取每个正方形区域中的静脉微观特征；
存储模块，将手掌静脉特征模型和所述静脉微观特征存储于数据库的掌静脉数据集；
特征匹配模块，用于将新采集的手掌静脉特征模型和静脉微观特征分别与掌静脉数据集的手掌静脉特征模型、静脉微观特征进行重合度匹配，并向闸机控制系统输出匹配结果，当手掌静脉特征模型的重合度＜0.75时，输出结果为不匹配；当手掌静脉特征模型的重合度≥0.75，且静脉微观特征的重合度≥0.9时，输出结果为匹配；当手掌静脉特征模型的重合度＜0.75，且静脉微观特征的重合度≥0.9时，输出结果为重新匹配。
作为优选，所述图像采集模块包括采集探头和图像补偿模型，所述采集探头单次采集至少3组图像，所述图像补偿模型将采集到的图像进行加权融合后利用Graph-BasedSegmentation算法进行图像切割，再将加权融合的图像进行归一化处理，依据亮度将图像分为6层，然后根据亮度层将图像切割出来的区域块进行合并和细节提取，算出每层区域的像素占整个图像像素的比例，得到每层区域的直方图，计算相邻两层之间直方图重合区域最大位移以及对每个区域像素进行亮度映射，得到区域层组合亮度值，获得图像的S型Gamma曲线，利用该曲线对图像水平像素和垂直像素进行约束从而自动补偿图像亮度。
作为优选，所述预处理模块基于低通滤波进行图像灰度归一化和图像增强处理步骤包括：
(1)通过矩阵运算将图像尺寸缩放变换到100×100像素，矩阵运算表达为：
其中(x，y)为原图的坐标，(x’，y’)为变换后的坐标，R为矩阵，设原图的尺寸为m×n像素，则
输出图像的像素值通过反向映射R-{(x,y)}计算出输出图像坐标对应于输入图像的坐标，然后利用最近邻插值法将其插值到最近的输入像素值中，以确定输出像素的值；
(2)将图像的灰度统—到同—灰度范围[Imin，Imax]内，通过灰度归一算法将图像变换到[0,225]的范围内，得到灰度归一化图像，其中灰度归一算法为：
I’为原图，I为灰度归一化后的图，Imax为原图灰度最小值，Imin为原图灰度最大值；
(3)将灰度归一化图像分出低频区域和高频区域，分别在低频区域和高频区域选取对应的增强系数K(x，y)，K(x，y)≥1，低频区域根据局部方差将图像按照3×3窗口进行划分，局部方差公式为：
高频区域基于以下算法计算：G(x，y)＝(1+λ)f(x，y)-f(x，y)H(x，y)，其中
由以上求解，图像增强算法为：g(x，y)＝f(x，y)+k(x，y)×G(x，y)，其中，f(x,y)为输入的图像，G(x,y)为原图的细节图像或高频图像，g(x,y)为变换后的图像。
作为优选，将图像按照3×3窗口进行划分，计算区域内像素点的均值和方差，利用二值化公式进行处理：
P(x，y)＝Q(x，y)+κ×S(x，y)，P(x,y)为改点的阈值，Q(x,y)是3×3区域内像素点的均值，S(x,y)为该区域内像素点的方差，κ为修正系数，其中，
f(i，j)为点(i，j)的灰度值。
作为优选，所述特征提取模块分别获取所述手掌静脉特征模型的正面和反面各6个静脉微观特征,将静脉微观特征按s1,s2...s12进行排列，然后计算静脉微观特征s1,s2...s12中的每幅图像si(i＝1，2...12)的7个Hu不变矩η1，η2...η7，用以下步骤求得η1，η2...η7：
HMIF＝(M1,M2,...M12),其中，m+n＝2，3，...；i＝1，2...，12；j＝1，2，...7。
作为优选，建立手掌静脉特征模型方法包括：
(1)对手心静脉纹线图和手背静脉纹线图进行配准，配准的精度在一个像素以内；
(2)对手心静脉纹线图和手背静脉纹线图进行n层小波分解，形式为:
其中K1(N),和K2(N)分别表示手心静脉纹线图和手背静脉纹线图在第n分解层上的低频分量；wi(K1)和wi(K2),i＝1,2,…,n分别表示手心静脉纹线图和手背静脉纹线图在第i层下的小波系数。n取2-4个分解层；
(3)采用加权融合规则，对小波系数进行融合处理，计算得到:
(4)利用wi(F)和Gn进行小波逆变换，得到融合结果图像。
作为优选，重合度匹配方法：
(1)将新采集的手掌静脉特征模型与掌静脉数据集的手掌静脉特征模型映射到A向量空间模型，然后再计算这两个向量之间的夹角余弦值大小；
(2)将新采集的静脉微观特征与掌静脉数据集的静脉微观特征映射到B向量空间模型，然后再计算这两个向量之间的夹角余弦值大小。
作为优选，一种基于掌静脉技术的闸机控制方法，其特征在于：
步骤1)：采集手掌的手心静脉图像和手背静脉图像；
步骤2)：对手心静脉图像和手背静脉图像进行预处理，获取手心静脉纹线图和手背静脉纹线图，得到手心静脉纹线特征和手背静脉纹线特征；
步骤3)：将手心静脉纹线图和手背静脉纹线图进行加权融合，建立手掌静脉特征模型，通过图像切割获取手心和手背的静脉微观特征；
步骤4)：将手掌静脉特征模型、手心和手背的静脉微观特征存储于存储模块，来自同一个手掌的手掌静脉特征模型、手心和手背的静脉微观特征被编为一个掌静脉数据集；
步骤5)：采集新的手掌静脉特征模型和静脉微观特征，将其与存储模块中存储的掌静脉数据集进行匹配，将匹配结果输出至闸机控制系统进行展示，当输出结果为匹配时，闸机控制系统控制闸机开启。
作为优选，当手掌静脉特征模型的重合度＜0.75时，闸机控制系统输出结果为不匹配，闸门不开启；当手掌静脉特征模型的重合度≥0.75，且静脉微观特征的重合度≥0.9时，闸机控制系统输出结果为匹配，闸门开启；当手掌静脉特征模型的重合度＜0.75，且静脉微观特征的重合度≥0.9时，闸机控制系统输出结果为重新匹配。
本发明的有益效果：
本申请基于掌静脉技术的闸机控制系统及方法可以同时采集手心静脉图像和手背静脉图像，通过手背静脉特征拓展手掌静脉信息量，有利于提高特征匹配的精准性，允许有一定的重合度偏差，解决由于传统获得的掌静脉信息量低导致的不精准的问题。
本申请基于掌静脉技术的闸机控制系统及方法在获得手心静脉图像和手背静脉图像后先后进行图像灰度归一化、图像增强处理、二值化处理以及细化处理，可以减少图像中含有的多种噪声，防止获得的图像中静脉纹路有较大的突起或边缘存在许多毛刺，有利于获得光滑的并且失真较小的手心静脉纹线特征和手背静脉纹线特征；而且建立的手掌静脉特征模型包含手掌的静脉宏观特征，提取静脉微观特征时，以第五掌指关节作为坐标原点分割获取长方形区域内的静脉特征，而该区域中的静脉特征为限定特征，不随手掌活动而变化，通过静脉宏观特征和静脉微观特征结合进行特征匹配，可以大大提高精确性，且为人体状态变化导致的获取误差提供适应空间。
附图说明
图1为本发明一种基于掌静脉技术的闸机控制系统图像采集模块示意图；
图2为本发明一种基于掌静脉技术的闸机控制系统原理图；
图3为手掌静脉特征模型正面的目标区域坐标系示意图；
图4为手掌静脉特征模型反面的目标区域坐标系示意图；
图5为本发明一种基于掌静脉技术的闸机控制方法流程图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好地理解。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”
实施例一：
本实施例参见图1-图4，一种基于掌静脉技术的闸机控制系统，包括闸机控制系统以及掌静脉识别系统，所述掌静脉识别系统连接所述闸机控制系统，所述掌静脉识别系统包括图像采集模块、预处理模块、特征提取模块、存储模块以及特征匹配模块，所述闸机控制系统以及图像采集模块设置在闸机，所述图像采集模块，设有两组，上下对称该设置，分别用于采集手掌的手心静脉图像和手背静脉图像。
在一个实施例中，所述图像采集模块包括采集探头和图像补偿模型，所述采集探头单次采集至少3组图像，所述图像补偿模型将采集到的图像进行加权融合，使至少3组图像以重合方式融合形成特征量完整的图像，再利用Graph-Based Segmentation算法进行图像切割，再将加权融合的图像进行归一化处理，依据亮度将图像分为6层，然后根据亮度层将图像切割出来的区域块进行合并和细节提取，算出每层区域的像素占整个图像像素的比例，得到每层区域的直方图，计算相邻两层之间直方图重合区域最大位移以及对每个区域像素进行亮度映射，亮度映射公式为：
ρ＝1/(1+exp(-t)，依据此公式算法，列举全部可能的区域层亮度组合，算出每种组合的Y值，取Y值最小时候的组合，得到区域层组合亮度值，获得图像的S型Gamma曲线，利用该曲线对图像水平像素和垂直像素进行约束从而自动补偿图像亮度，Gamma值大于1可以扩展亮值区，压缩暗值区，Gamma值越大，对于亮值区的扩展越大，同时对于暗值区压缩也越大，Gamma小于1则恰好相反。
所述采集探头由装配有红外滤镜的CCD摄像头以及红外LED阵列组成，所述红外LED阵列环设在所述CCD摄像头周侧，所述红外LED阵列发出波长为750-820nm的红外光，可以深入人体组织3-5mm，获取手掌的静脉血管分布图像。
在另一实施例中，所述采集探头还可选择掌静脉传感器、红外摄像机、掌静脉识别仪、近红外线传感器、红外变像管、成像传感器硅钯摄像管、中的至少一种。
所述图像采集模块采集到手心静脉图像和手背静脉图像，并将其传输至预处理模块进行预处理。首先，预处理模块基于低通滤波分别对手心静脉图像和手背静脉图像进行图像灰度归一化和图像增强处理，处理步骤包括：
(1)通过矩阵运算将图像尺寸缩放变换到100×100像素，矩阵运算表达为：
其中(x，y)为原图的坐标，(x’，y’)为变换后的坐标，R为矩阵，设原图的尺寸为m×n像素，则
输出图像的像素值通过反向映射R-{(x,y)}计算出输出图像坐标对应于输入图像的坐标，然后利用最近邻插值法将其插值到最近的输入像素值中，以确定输出像素的值；
(2)将图像的灰度统—到同—灰度范围[Imin，Imax]内，通过灰度归一算法将图像变换到[0,225]的范围内，得到灰度归一化图像，其中灰度归一算法为：
I’为原图，I为灰度归一化后的图，Imax为原图灰度最小值，Imin为原图灰度最大值；
(3)将灰度归一化图像分出低频区域和高频区域，分别在低频区域和高频区域选取对应的增强系数K(x，y)，K(x，y)≥1，低频区域根据局部方差将图像按照3×3窗口进行划分，局部方差公式为：
高频区域基于以下算法计算：G(x，y)＝(1+λ)f(x，y)-f(x，y)H(x，y)，其中
由以上求解，图像增强算法为：g(x，y)＝f(x，y)+k(x，y)×G(x，y)，其中，f(x,y)为输入的图像，G(x,y)为原图的细节图像或高频图像，g(x,y)为变换后的图像。
由于每个人的手心、手背区域尺寸、脂肪厚度等因素均有不同，为了提高模块识别的准确性，通过预处理模块对手心静脉图像和手背静脉图像进行图像灰度归一化，将灰度统一到同一灰度范围内，再通过图像增强处理，适当的提高高频区域以提高视觉效果，使静脉特征显化更佳明显清晰。
此外，预处理模块将静脉特征显化后的图像进行图像二值化处理，将图像按照3×3窗口进行划分，计算区域内像素点的均值和方差，利用二值化公式进行处理：
P(x，y)＝Q(x，y)+κ×S(x，y)，P(x,y)为改点的阈值，Q(x,y)是3×3区域内像素点的均值，S(x,y)为该区域内像素点的方差，κ为修正系数，其中，
f(i，j)为点(i，j)的灰度值，采用二值化算法将图像转化为二值图，使用Rosenfeld细化得到手心静脉纹线图和手背静脉纹线图，可以大大提升预处理的精度以及效率，减少图像中静脉特征存在的孔洞、毛边以及边缘不流畅的问题，因此处理后的二值图像中静脉特征边缘平滑。
预处理后的手心静脉纹线图和手背静脉纹线图由特征提取模块进行加权融合，建立手掌静脉特征模型，建立手掌静脉特征模型方法包括：
(1)对手心静脉纹线图和手背静脉纹线图进行配准，配准的精度在一个像素以内；
(2)对手心静脉纹线图和手背静脉纹线图进行n层小波分解，形式为:
其中K1(N),和K2(N)分别表示手心静脉纹线图和手背静脉纹线图在第n分解层上的低频分量；wi(K1)和wi(K2),i＝1,2,…,n分别表示手心静脉纹线图和手背静脉纹线图在第i层下的小波系数。n取2-4个分解层；
(3)采用加权融合规则，对小波系数进行融合处理，计算得到:
(4)利用wi(F)和Gn进行小波逆变换，得到融合结果图像。
该手掌静脉特征模型具有手心静脉特征和手背静脉特征，在手掌静脉特征模型正面和反面分别建立目标区域坐标系，且目标区域坐标系以第五掌指关节作为坐标原点，做水平线x轴以及纵轴线y轴，以离x轴0.5-2cm，以离y轴0-1cm截取一个固定大小为6cm×4cm的长方形区域，该长方形区域内的静脉特征较为稳定，一般不随手掌张合活动而发生变化，将该区域划分为6个正方形区域进行图像分割，分别提取每个正方形区域中的静脉微观特征，所述特征提取模块分别获取所述手掌静脉特征模型的正面和反面各6个静脉微观特征,将静脉微观特征按s1,s2...s12进行排列，然后计算静脉微观特征s1,s2...s12中的每幅图像si(i＝1，2...12)的7个Hu不变矩η1，η2...η7，用以下步骤求得η1，η2...η7：
HMIF＝(M1,M2,...M12),其中，m+n＝2，3，...；i＝1，2...，12；j＝1，2，...7。
获取得到的静脉微观特征中包含了每个正方形区域中的静脉的分布情况，有利于后续进行微观特征匹配，提高掌静脉识别的精准性。
所述存储模块将手掌静脉特征模型和所述静脉微观特征存储于数据库的掌静脉数据集，作为录入模板，来自同一个手掌的手掌静脉特征模型、手心和手背的静脉微观特征被编为一个掌静脉数据集，后期只需通过所述特征匹配模块将新采集的掌静脉信息与存储模块中对应的掌静脉数据集中的掌静脉信息比对即可。
所述特征匹配模块，用于将新采集的手掌静脉特征模型和静脉微观特征分别与掌静脉数据集的手掌静脉特征模型、静脉微观特征进行重合度匹配，并向闸机控制系统输出匹配结果。所述重合度匹配方法：
(1)将新采集的手掌静脉特征模型与掌静脉数据集的手掌静脉特征模型映射到A向量空间模型，然后再计算这两个向量之间的夹角余弦值大小；
(2)将新采集的静脉微观特征与掌静脉数据集的静脉微观特征映射到B向量空间模型，然后再计算这两个向量之间的夹角余弦值大小。
夹角余弦值越大则代表两个向量越相似，夹角余弦值计算公式为：
分子就是两个向量的内积,两个向量之间的夹角的余弦值，向量之间的夹角越大，余弦值越小，最后计算出来的相似度也越小。
当手掌静脉特征模型的重合度＜0.75时，输出结果为不匹配；当手掌静脉特征模型的重合度≥0.75，且静脉微观特征的重合度≥0.9时，输出结果为匹配；当手掌静脉特征模型的重合度＜0.75，且静脉微观特征的重合度≥0.9时，输出结果为重新匹配。
实施例二：
参考图5，本实施例提供一种基于掌静脉技术的闸机控制方法，其基于上述的一种基于掌静脉技术的闸机控制系统进行控制闸机启闭，具体步骤如下：
步骤1)：采集手掌的手心静脉图像和手背静脉图像；
步骤2)：对手心静脉图像和手背静脉图像进行预处理，获取手心静脉纹线图和手背静脉纹线图，得到手心静脉纹线特征和手背静脉纹线特征；
步骤3)：将手心静脉纹线图和手背静脉纹线图进行加权融合，建立手掌静脉特征模型，通过图像切割获取手心和手背的静脉微观特征；
步骤4)：将手掌静脉特征模型、手心和手背的静脉微观特征存储于存储模块，来自同一个手掌的手掌静脉特征模型、手心和手背的静脉微观特征被编为一个掌静脉数据集；
步骤5)：采集新的手掌静脉特征模型和静脉微观特征，将其与存储模块中存储的掌静脉数据集进行匹配，将匹配结果输出至闸机控制系统进行展示，当输出结果为匹配时，闸机控制系统控制闸机开启。
具体的判断过程为，当手掌静脉特征模型的重合度＜0.75时，闸机控制系统输出结果为不匹配，闸门不开启；当手掌静脉特征模型的重合度≥0.75，且静脉微观特征的重合度≥0.9时，闸机控制系统输出结果为匹配，闸门开启；当手掌静脉特征模型的重合度＜0.75，且静脉微观特征的重合度≥0.9时，闸机控制系统输出结果为重新匹配。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于掌静脉技术的闸机控制系统，包括闸机控制系统以及掌静脉识别系统，其特征在于，所述掌静脉识别系统包括以下模块：
图像采集模块，设有两组，分别用于采集手掌的手心静脉图像和手背静脉图像；
预处理模块，对手心静脉图像和手背静脉图像进行图像灰度归一化和图像增强处理，使静脉特征显化，将静脉特征显化后的图像进行图像二值化处理，使用Rosenfeld细化得到手心静脉纹线图和手背静脉纹线图；
特征提取模块，将手心静脉纹线图和手背静脉纹线图进行加权融合，建立手掌静脉特征模型，在手掌静脉特征模型正面和反面分别建立目标区域坐标系，且目标区域坐标系以第五掌指关节作为坐标原点，做水平线x轴以及纵轴线y轴，以离x轴0.5-2cm，以离y轴0-1cm截取一个固定大小为6cm×4cm的长方形区域，将该区域划分为6个正方形区域进行图像分割，分别提取每个正方形区域中的静脉微观特征；
存储模块，将手掌静脉特征模型和所述静脉微观特征存储于数据库的掌静脉数据集；
特征匹配模块，用于将新采集的手掌静脉特征模型和静脉微观特征分别与掌静脉数据集的手掌静脉特征模型、静脉微观特征进行重合度匹配，并向闸机控制系统输出匹配结果，当手掌静脉特征模型的重合度＜0.75时，输出结果为不匹配；当手掌静脉特征模型的重合度≥0.75，且静脉微观特征的重合度≥0.9时，输出结果为匹配；当手掌静脉特征模型的重合度＜0.75，且静脉微观特征的重合度≥0.9时，输出结果为重新匹配。
2.根据权利要求1所述的一种基于掌静脉技术的闸机控制系统，其特征在于：所述图像采集模块包括采集探头和图像补偿模型，所述采集探头单次采集至少3组图像，所述图像补偿模型将采集到的图像进行加权融合后利用Graph-Based Segmentation算法进行图像切割，再将加权融合的图像进行归一化处理，依据亮度将图像分为6层，然后根据亮度层将图像切割出来的区域块进行合并和细节提取，算出每层区域的像素占整个图像像素的比例，得到每层区域的直方图，计算相邻两层之间直方图重合区域最大位移以及对每个区域像素进行亮度映射，得到区域层组合亮度值，获得图像的S型Gamma曲线，利用该曲线对图像水平像素和垂直像素进行约束从而自动补偿图像亮度。
3.根据权利要求1所述的基于掌静脉技术的闸机控制系统，其特征在于：所述预处理模块基于低通滤波进行图像灰度归一化和图像增强处理步骤包括：
(1)通过矩阵运算将图像尺寸缩放变换到100×100像素，矩阵运算表达为：
其中(x，y)为原图的坐标，(x’，y’)为变换后的坐标，R为矩阵，设原图的尺寸为m×n像素，则
输出图像的像素值通过反向映射R-{(x,y)}计算出输出图像坐标对应于输入图像的坐标，然后利用最近邻插值法将其插值到最近的输入像素值中，以确定输出像素的值；
(2)将图像的灰度统—到同—灰度范围[Imin，Imax]内，通过灰度归一算法将图像变换到[0,225]的范围内，得到灰度归一化图像，其中灰度归一算法为：
I’为原图，I为灰度归一化后的图，Imax为原图灰度最小值，Imin为原图灰度最大值；
(3)将灰度归一化图像分出低频区域和高频区域，分别在低频区域和高频区域选取对应的增强系数K(x，y)，K(x，y)≥1，低频区域根据局部方差将图像按照3×3窗口进行划分，局部方差公式为：
高频区域基于以下算法计算：
G(x，y)＝(1+λ)f(x，y)-f(x，y)H(x，y)，其中
由以上求解，图像增强算法为：g(x，y)＝f(x，y)+k(x，y)×G(x，y)，其中，
f(x,y)为输入的图像，G(x,y)为原图的细节图像或高频图像，g(x,y)为变换后的图像。
4.根据权利要求1所述的一种基于掌静脉技术的闸机控制系统，其特征在于：将图像按照3×3窗口进行划分，计算区域内像素点的均值和方差，利用二值化公式进行处理：P(x，y)＝Q(x，y)+κ×S(x，y)，P(x,y)为改点的阈值，Q(x,y)是3×3区域内像素点的均值，S(x,y)为该区域内像素点的方差，κ为修正系数，其中，
f(i，j)为点(i，j)的灰度值。
5.根据权利要求1所述的一种基于掌静脉技术的闸机控制系统，其特征在于：所述特征提取模块分别获取所述手掌静脉特征模型的正面和反面各6个静脉微观特征,将静脉微观特征按s1,s2...s12进行排列，然后计算静脉微观特征s1,s2...s12中的每幅图像si(i＝1，2...12)的7个Hu不变矩η1，η2...η7，用以下步骤求得η1，η2...η7：
HMIF＝(M1,M2,...M12),其中，m+n＝2，3，...；i＝1，2...，12；j＝1，2，...7。
6.根据权利要求1所述的一种基于掌静脉技术的闸机控制系统，其特征在于：建立手掌静脉特征模型方法包括：
(1)对手心静脉纹线图和手背静脉纹线图进行配准，配准的精度在一个像素以内；
(2)对手心静脉纹线图和手背静脉纹线图进行n层小波分解，形式为:
其中K1(N),和K2(N)分别表示手心静脉纹线图和手背静脉纹线图在第n分解层上的低频分量；wi(K1)和wi(K2),i＝1,2,…,n分别表示手心静脉纹线图和手背静脉纹线图在第i层下的小波系数。n取2-4个分解层；
(3)采用加权融合规则，对小波系数进行融合处理，计算得到:
(4)利用wi(F)和Gn进行小波逆变换，得到融合结果图像。
7.根据权利要求1所述的一种基于掌静脉技术的闸机控制系统，其特征在于：重合度匹配方法：
(1)将新采集的手掌静脉特征模型与掌静脉数据集的手掌静脉特征模型映射到A向量空间模型，然后再计算这两个向量之间的夹角余弦值大小；
(2)将新采集的静脉微观特征与掌静脉数据集的静脉微观特征映射到B向量空间模型，然后再计算这两个向量之间的夹角余弦值大小。
8.一种基于掌静脉技术的闸机控制方法，其特征在于：
步骤1)：采集手掌的手心静脉图像和手背静脉图像；
步骤2)：对手心静脉图像和手背静脉图像进行预处理，获取手心静脉纹线图和手背静脉纹线图，得到手心静脉纹线特征和手背静脉纹线特征；
步骤3)：将手心静脉纹线图和手背静脉纹线图进行加权融合，建立手掌静脉特征模型，通过图像切割获取手心和手背的静脉微观特征；
步骤4)：将手掌静脉特征模型、手心和手背的静脉微观特征存储于存储模块，来自同一个手掌的手掌静脉特征模型、手心和手背的静脉微观特征被编为一个掌静脉数据集；
步骤5)：采集新的手掌静脉特征模型和静脉微观特征，将其与存储模块中存储的掌静脉数据集进行匹配，将匹配结果输出至闸机控制系统进行展示，当输出结果为匹配时，闸机控制系统控制闸机开启。
9.根据权利要求8所述的一种基于掌静脉技术的闸机控制方法，其特征在于：当手掌静脉特征模型的重合度＜0.75时，闸机控制系统输出结果为不匹配，闸门不开启；当手掌静脉特征模型的重合度≥0.75，且静脉微观特征的重合度≥0.9时，闸机控制系统输出结果为匹配，闸门开启；当手掌静脉特征模型的重合度＜0.75，且静脉微观特征的重合度≥0.9时，闸机控制系统输出结果为重新匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310056997.1A CN116030503A (zh) | 2023-01-20 | 2023-01-20 | 一种基于掌静脉技术的闸机控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310056997.1A CN116030503A (zh) | 2023-01-20 | 2023-01-20 | 一种基于掌静脉技术的闸机控制系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116030503A true CN116030503A (zh) | 2023-04-28 |
Family
ID=86073721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310056997.1A Pending CN116030503A (zh) | 2023-01-20 | 2023-01-20 | 一种基于掌静脉技术的闸机控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030503A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117133027A (zh) * | 2023-10-26 | 2023-11-28 | 江苏圣点世纪科技有限公司 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
-
2023
- 2023-01-20 CN CN202310056997.1A patent/CN116030503A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117133027A (zh) * | 2023-10-26 | 2023-11-28 | 江苏圣点世纪科技有限公司 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
| CN117133027B (zh) * | 2023-10-26 | 2024-02-09 | 江苏圣点世纪科技有限公司 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
| CN110021025B (zh) | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 | |
| US9480439B2 (en) | Segmentation and fracture detection in CT images | |
| CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| CN108268850B (zh) | 一种基于图像的大数据处理方法 | |
| US20110170751A1 (en) | Systems and methods for detecting retinal abnormalities | |
| Harangi et al. | Automatic detection of the optic disc using majority voting in a collection of optic disc detectors | |
| CN110287926B (zh) | 输液监测报警方法、用户设备、存储介质及装置 | |
| Morales et al. | Automatic detection of optic disc based on PCA and stochastic watershed | |
| CN116030503A (zh) | 一种基于掌静脉技术的闸机控制系统及方法 | |
| EP2497052A1 (en) | Method for illumination normalization on a digital image for performing face recognition | |
| CN110246150A (zh) | 金属检测方法、装置、设备及存储介质 | |
| CN116128814A (zh) | 舌诊图像的标准化采集方法及相关装置 | |
| CN110009664A (zh) | 一种基于响应图融合的红外目标跟踪方法及装置 | |
| Widynski et al. | A contrario edge detection with edgelets | |
| JP5740403B2 (ja) | 網膜の異常を検出するためのシステムおよび方法 | |
| CN116092170A (zh) | 一种基于大数据技术的专利价值分析系统 | |
| Zabihi et al. | Vessel extraction of conjunctival images using LBPs and ANFIS | |
| CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
| CN108985302A (zh) | 一种皮肤镜图像处理方法、装置及设备 | |
| Banumathi et al. | Performance analysis of various techniques applied in human identification using dental X-rays | |
| Sathya et al. | Contourlet transform and morphological reconstruction based retinal blood vessel segmentation | |
| CN114170221A (zh) | 一种基于图像确认脑部疾病方法与系统 | |
| CN113963427A (zh) | 一种快速活体检测的方法与系统 | |
| Shrichandran et al. | A hybrid glow-worm swarm optimization with bat algorithm based retinal blood vessel segmentation |
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 |