CN116226822B - 一种智能戒指身份数据采集方法及系统 - Google Patents

一种智能戒指身份数据采集方法及系统 Download PDF

Info

Publication number
CN116226822B
CN116226822B CN202310492985.3A CN202310492985A CN116226822B CN 116226822 B CN116226822 B CN 116226822B CN 202310492985 A CN202310492985 A CN 202310492985A CN 116226822 B CN116226822 B CN 116226822B
Authority
CN
China
Prior art keywords
bifurcation
pixel point
pixel
path
area
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
CN202310492985.3A
Other languages
English (en)
Other versions
CN116226822A (zh
Inventor
陈旭
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.)
Shenzhen Moyang Technology Co.,Ltd.
Original Assignee
Shenzhen Moyoung Technology Co ltd
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 Shenzhen Moyoung Technology Co ltd filed Critical Shenzhen Moyoung Technology Co ltd
Priority to CN202310492985.3A priority Critical patent/CN116226822B/zh
Publication of CN116226822A publication Critical patent/CN116226822A/zh
Application granted granted Critical
Publication of CN116226822B publication Critical patent/CN116226822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V40/107—Static hand or arm
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种智能戒指身份数据采集方法及系统。方法包括：根据待采集用户的指静脉灰度图像中各像素点对应的窗口内所有像素点的梯度方向，确定分叉像素点以及分叉区域；根据各分叉区域中像素点的灰度分布，得到各分叉区域的节点特征指标；根据各分叉区域中像素点的梯度幅值，确定各分叉像素点对应的各路径区域；根据各分叉像素点对应的各路径区域中像素点的灰度分布和梯度方向，得到各分叉像素点对应的各路径区域的第一评估系数；根据第一评估系数和分叉像素点的位置分布，得到各分叉像素点的第二评估系数，进而确定滤波调整参数，获得处理后的图像。本发明提高了身份数据采集结果的可信度。

Description

一种智能戒指身份数据采集方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种智能戒指身份数据采集方法及系统。
背景技术
随着用户安全意识的不断提高，生物识别技术也随之出现并不断改进，而早就出现的指纹识别技术随着时间的增加，破解手段也越来越多，同时在日常生活中自己的指纹会大量的留在各种地方，因此基于指静脉识别的技术随之出现，但采集到的指静脉图像容易受到用户指静脉深度以及自身手指蜕皮等原因的影响，导致采集到的图像中指静脉边缘纹理特征较弱，进而可能存在指纹匹配不成功的问题，因此需要对采集到的图像进行增强，增强纹理特征。
常用的边缘增强算法如引导滤波，但是引导滤波是将图像自身作为引导图像，并根据其中已经存在的边缘特征以及梯度强弱作为增强程度进行增强，同时引导滤波的加权平均会降低图像的对比度，进而导致较弱的边缘细节丢失，因此对于本身梯度特征较弱的指静脉纹理，其增强效果并不理想，进而影响身份数据采集结果的可信度。
发明内容
为了解决现有方法对指静脉图像进行增强时存在的增强效果较差，影响身份数据采集结果的可信度的问题，本发明的目的在于提供一种智能戒指身份数据采集方法及系统，所采用的技术方案具体如下：
第一方面，本发明提供了一种智能戒指身份数据采集方法，该方法包括以下步骤：
获取待采集用户的指静脉灰度图像；
以所述指静脉灰度图像中各像素点为中心点，构建各像素点对应的窗口；根据各像素点对应的窗口内所有像素点的梯度方向，确定所述指静脉灰度图像中的分叉像素点以及分叉区域；根据各分叉区域中像素点的灰度分布，得到各分叉区域的节点特征指标；根据各分叉区域中像素点的梯度幅值，确定各分叉像素点对应的各路径区域；
根据各分叉像素点对应的各路径区域中像素点的灰度分布和梯度方向，得到各分叉像素点对应的各路径区域的第一评估系数；根据所述第一评估系数和分叉像素点的位置分布，得到各分叉像素点的第二评估系数；基于所述节点特征指标、所述第一评估系数和所述第二评估系数，确定各分叉像素点对应的各路径区域的滤波调整值；
基于所述滤波调整值获得引导滤波中的滤波调整参数，基于所述滤波调整参数对所述指静脉灰度图像进行滤波处理，获得处理后的图像。
第二方面，本发明提供了一种智能戒指身份数据采集系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种智能戒指身份数据采集方法。
优选的，所述根据各像素点对应的窗口内所有像素点的梯度方向，确定所述指静脉灰度图像中的分叉像素点以及分叉区域，包括：
对于所述指静脉灰度图像中的任一像素点：根据该像素点对应的窗口内所有像素点的梯度方向，构建该像素点对应的梯度方向直方图，对所述梯度方向直方图进行曲线拟合获得梯度方向直方图分布曲线；若所述梯度方向直方图分布曲线的波峰数量不等于2，则将该像素点确定为所述指静脉灰度图像中的分叉像素点；
对所述指静脉灰度图像中所有分叉像素点进行邻域范围内的连通获得各连通域，将所述连通域记为分叉区域。
优选的，所述根据各分叉区域中像素点的梯度幅值，确定各分叉像素点对应的各路径区域，包括：
对于任一分叉区域：
获取分叉区域的中心像素点，将中心像素点对应的窗口内梯度幅值大于预设梯度幅值的像素点作为生长点，对分叉区域进行区域生长，所述区域生长的生长条件为：判断生长点与其邻域内的像素点之间的灰度差异，判断所述灰度差异是否小于预设灰度差异阈值，若小于，则将邻域内的对应像素点作为新的生长点；
将生长完成后的所有生长点构成的连通域作为对应分叉像素点对应的路径区域。
优选的，所述根据各分叉像素点对应的各路径区域中像素点的灰度分布和梯度方向，得到各分叉像素点对应的各路径区域的第一评估系数，包括：
对于任一分叉像素点对应的任一路径区域：
将该路径区域中所有像素点的灰度均值的归一化值确定为第一指标；
将该路径区域中各像素点的梯度方向的归一化值确定为各像素点对应的第一权重；计算该路径区域中所有像素点的梯度方向的均值，将该路径区域中各像素点的梯度方向与所述梯度方向的均值之间的差值，确定为该路径区域中各像素点与所述梯度方向的均值之间的差异；将该路径区域中各像素点与所述梯度方向的均值之间的差异和对应的第一权重之间的乘积，确定为该路径区域中各像素点的第一特征值；
根据所述第一指标和该路径区域中所有像素点的第一特征值，得到该路径区域的第一评估系数，所述第一指标和所述第一特征值均与所述第一评估系数呈正相关关系。
优选的，所述根据所述第一评估系数和分叉像素点的位置分布，得到各分叉像素点的第二评估系数，包括：
对于任一分叉像素点：
计算该分叉像素点对应的所有路径区域的第一评估系数的均值，将该分叉像素点对应的各路径区域的第一评估系数与所述第一评估系数的均值之间的差值，确定为各路径区域对应的第一差异；
将该分叉像素点对应的各路径区域中的分叉像素点确定为各路径区域的第一节点；将该分叉像素点与其对应的各路径区域的第一节点之间的距离记为各路径区域对应的第一距离；
根据该分叉像素点对应的各路径区域对应的第一差异和对应的第一距离，得到该分叉像素点的第二评估系数，所述第一差异与所述第二评估系数呈正相关关系，所述第一距离与所述第二评估系数呈负相关关系。
优选的，所述根据各分叉区域中像素点的灰度分布，得到各分叉区域的节点特征指标，包括：
对于任一分叉区域：根据分叉区域中各像素点的灰度值，计算分叉区域中所有像素点的灰度均值，将所述灰度均值作为分叉区域的节点特征指标。
优选的，基于所述节点特征指标、所述第一评估系数和所述第二评估系数，确定各分叉像素点对应的各路径区域的滤波调整值，包括：
对于任一分叉像素点：
将该分叉像素点对应的分叉区域的节点特征指标与该分叉像素点的第二评估系数的乘积记为第一乘积，将该分叉像素点对应的各路径区域中所有像素点的灰度均值记为各路径区域的平均灰度值，计算该分叉像素点对应的各路径区域的第一节点的第二评估系数，将各路径区域的平均灰度值与各路径区域的第一节点的第二评估系数的乘积，记为该分叉像素点对应的各路径区域的第二指标；
根据该分叉像素点对应的各路径区域的第一评估系数、所述第一乘积和该分叉像素点对应的各路径区域的第二指标，得到该分叉像素点对应的各路径区域的滤波调整值，所述第一评估系数、所述第一乘积和所述第二指标均与所述滤波调整值呈正相关关系。
优选的，所述基于所述滤波调整值获得引导滤波中的滤波调整参数，包括：
对于任一分叉像素点对应的任一路径区域：
对该路径区域的滤波调整值进行归一化处理，将归一化结果记为正则化系数；
计算该路径区域中各像素点对应的窗口内所有像素点的灰度值的方差，将所述方差与对应的正则化系数的和值记为第三指标，将所述方差与所述第三指标的比值确定为对应像素点引导滤波中的滤波调整参数。
本发明至少具有如下有益效果：
本发明考虑到常规的对于手指指静脉图像进行滤波的方法，是通过引导滤波算法对其中存在的指静脉边缘进行增强，但是引导滤波对于边缘特征较为微弱的指静脉边缘反而会起到平滑作用，导致丢失大量指静脉特征，进而使得采集到的用户的身份数据的可信度较低。因此本发明通过对待采集用户的指静脉灰度图像中存在的指静脉特征进行分析，根据每个像素点对应的窗口内所有像素点的梯度方向，确定了分叉像素点以及分叉像素点之间可能存在的指静脉路径，并根据每个路径区域所表现出来的指静脉特征，自适应地赋予不同路径区域中的像素点不同的滤波调整参数，保证待采集用户的指静脉灰度图像中梯度特征较小的分叉像素点也能够根据其所呈现的指静脉区域特征获得对应的滤波调整参数，获得较好的滤波增强效果，使得增强了指静脉边缘的同时，还保证了待采集用户的指静脉灰度图像中边缘特征较弱的指静脉特征不丢失，进而提高了用户身份数据信息采集结果的可信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种智能戒指身份数据采集方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智能戒指身份数据采集方法及系统进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能戒指身份数据采集方法及系统的具体方案。
一种智能戒指身份数据采集方法实施例：
本实施例提出了一种智能戒指身份数据采集方法，如图1所示，本实施例的一种智能戒指身份数据采集方法包括以下步骤：
步骤S1，获取待采集用户的指静脉灰度图像。
本实施例所针对的具体场景为：给待采集身份数据的用户佩戴智能戒指，利用智能戒指采集用户的指静脉图像，考虑到大部分指静脉图像中的部分静脉不够清晰，需要通过引导滤波增强算法对静脉所表现出来的边缘特征进行增强，进而提取准确的静脉特征，但是因每个人的个人身体特征，会导致提取到的静脉特征微弱，这类太过微弱的血管特征会因其边缘特征太弱，通过引导滤波图像的增强效果不佳，甚至可能直接将这部分特征平滑掉，因此需要结合指静脉图像中存在的微弱边缘特征，对引导滤波过程进行优化，使得指静脉图像的图像增强效果更好，增加用户身份数据采集结果的可信度。
由于手指上的不同位置对应的指静脉密度不同，而手指的第三指节处的指静脉形态相对稳定，更加适合手指指静脉识别，因此本实施例通过智能戒指采集第三指节处的指静脉特征。通过用户手指上佩戴的智能戒指中内置的红外检测传感器，扫描待采集身份数据的用户的指静脉红外图像，并通过现有的图像灰度化处理技术对采集到的指静脉红外图像进行灰度化处理，将灰度化处理后的图像记为待采集用户的指静脉灰度图像。图像灰度化处理为现有技术，此处不再过多赘述。
至此，获取了待采集用户的指静脉灰度图像。
步骤S2，以所述指静脉灰度图像中各像素点为中心点，构建各像素点对应的窗口；根据各像素点对应的窗口内所有像素点的梯度方向，确定所述指静脉灰度图像中的分叉像素点以及分叉区域；根据各分叉区域中像素点的灰度分布，得到各分叉区域的节点特征指标；根据各分叉区域中像素点的梯度幅值，确定各分叉像素点对应的各路径区域。
在待采集用户的指静脉灰度图像中，每一条指静脉都会存在其对应的分叉点，因此每一条路径的组成部分都可以看作为路径加上两个分叉点的组合方式，本实施例将对每条指静脉路径自身符合指静脉的特征程度进行评估，再根据其对应的两个分叉像素点的特征来对其进行分析，最终得到每条指静脉路径的评估参数。
指静脉区域的灰度特征虽然普遍较低，但是通过现有的阈值分割算法并不能较好的获得指静脉区域，同时阈值也不好设定，因此需要先基于指静脉中存在的梯度特征，优先获取待采集用户的指静脉灰度图像中存在的分叉区域。接下来本实施例将对待采集用户的指静脉灰度图像进行滑窗操作，进而筛选出待采集用户的指静脉灰度图像中的分叉像素点，并确定分叉区域。
具体的，对于待采集用户的指静脉灰度图像中的任一像素点：以该像素点为中心点，构建预设大小的窗口，作为该像素点对应的窗口；虽然一个人的指静脉特征都不相同，但是在第三指节处这一局部位置中，人均指静脉粗细为0.5mm~1.0mm，为了通过窗口能够确定指静脉的分支处，本实施例中预设大小为1.5mm*1.5mm，在具体应用中，实施者可根据具体情况进行设置。采用sobel算子获取该像素点对应的窗口内每个像素点的梯度方向，sobel算子为现有技术，此处不再过多赘述。根据该像素点对应的窗口内所有像素点的梯度方向，构建该像素点对应的梯度方向直方图，梯度方向直方图的横坐标对应梯度方向0°至180°，纵坐标为梯度方向对应的像素点数量；对所述梯度方向直方图内的直方图分布进行最小二乘法曲线拟合，获得梯度方向直方图分布曲线。考虑到即使是边缘梯度特征较弱的指静脉，其在静脉边缘处仍保留边缘梯度特征，只是梯度幅值较小，无论是指静脉或是手指其余部位，除边缘外，内部的灰度较为均匀，对应的梯度幅值较小，因此当窗口中存在一条静脉时，此时无论强弱，主要存在的梯度方向都由静脉所贡献，而当窗口内只存在单条静脉时，边缘梯度方向主要为一条静脉上的对称边缘，即两个恰好相反的梯度方向。因此统计梯度方向直方图后，分布较为极端，而当窗口内存在分叉处时，静脉边缘特征便较为复杂，因此便不符合主要集中在两个梯度方向的特征。基于此，若所述梯度方向直方图分布曲线的波峰数量不等于2，则表明该像素点对应的窗口内的强边缘并不是简单的同一静脉上对应的两条对称边缘特征，也即出现了分叉点特征，将该像素点确定为所述指静脉灰度图像中的分叉像素点。
采用上述方法，对待采集用户的指静脉灰度图像中每个像素点对应的窗口内所有像素点的梯度方向进行分析，获得多个分叉像素点，对待采集用户的指静脉灰度图像中所有分叉像素点进行邻域范围内的连通获得各连通域，将所述连通域记为分叉区域。
对于任一分叉区域：根据分叉区域中各像素点的灰度值，计算分叉区域中所有像素点的灰度均值，将所述灰度均值作为分叉区域的节点特征指标。分叉区域的节点特征指标越小，也即分叉区域内像素点的灰度值越小，说明该分叉区域中的分叉像素点为实际分叉点的概率越高。采用上述方法，能够获得待采集用户的指静脉灰度图像中每个分叉区域的节点特征指标。
获得待采集用户的指静脉灰度图像中的分叉像素点后，可以认为每一条指静脉的首尾两端分别为两个分叉像素点，每一个分叉像素点可能对应多段静脉。同一段静脉上，其形态分布较稳定，即一段静脉上粗细变化较小，整体灰度变化较小，对于不同的分叉像素点来说，可能是真正的指静脉分叉点，也可能是由于成像问题而导致的出现的伪影，实际的指静脉分叉点之间的指静脉相连，因此本实施例将结合分叉像素点之间形成的指静脉路径以及路径之间的关联程度对不同的分叉像素点进行评估。
对于任一分叉区域：将该分叉区域中心位置的像素点作为该分叉区域的中心像素点，采用sobel算子获取该分叉区域中各像素点的梯度幅值，sobel算子为现有技术，此处不再过多赘述；将中心像素点对应的窗口内梯度幅值大于预设梯度幅值的像素点作为生长点，对分叉区域进行区域生长，所述区域生长的生长条件为：判断生长点与其邻域内的像素点之间的灰度差异，判断所述灰度差异是否小于预设灰度差异阈值，若小于，则将邻域内的对应像素点作为新的生长点；生长点与其邻域内的像素点之间的灰度差异的获取方法为：计算生长点的灰度值与其邻域内的像素点的灰度值之间的差值的绝对值，将该绝对值作为生长点与其邻域内的像素点之间的灰度差异。本实施例中的预设梯度幅值为20，预设灰度差异阈值为5，在具体应用中，实施者可根据具体情况进行设置。将生长完成后的所有生长点构成的连通域作为对应分叉像素点对应的路径区域；采用上述方法，能够获得多条灰度差异相近的路径区域。区域生长算法为现有技术，此处不再过多赘述。
步骤S3，根据各分叉像素点对应的各路径区域中像素点的灰度分布和梯度方向，得到各分叉像素点对应的各路径区域的第一评估系数；根据所述第一评估系数和分叉像素点的位置分布，得到各分叉像素点的第二评估系数；基于所述节点特征指标、所述第一评估系数和所述第二评估系数，确定各分叉像素点对应的各路径区域的滤波调整值。
本实施例在步骤S2中确定了待采集用户的指静脉灰度图像中的分叉像素点、分叉区域以及分叉像素点对应的路径区域，接下来本实施例将结合每个分叉像素点对应的每个路径区域中像素点的灰度分布和梯度分布，自适应地确定每个分叉像素点对应的每个路径区域的滤波调整值。
对于第i个分叉像素点对应的第m个路径区域：将该路径区域中所有像素点的灰度均值的归一化值确定为第一指标；将该路径区域中各像素点的梯度方向的归一化值确定为各像素点对应的第一权重；计算该路径区域中所有像素点的梯度方向的均值，将该路径区域中各像素点的梯度方向与所述梯度方向的均值之间的差值，确定为该路径区域中各像素点与所述梯度方向的均值之间的差异；将该路径区域中各像素点与所述梯度方向的均值之间的差异和对应的第一权重之间的乘积，确定为该路径区域中各像素点的第一特征值；根据所述第一指标和该路径区域中所有像素点的第一特征值，得到该路径区域的第一评估系数，所述第一指标和所述第一特征值均与所述第一评估系数呈正相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定。作为一个具体实施方式，给出第一评估系数的具体计算公式，第i个分叉像素点对应的第m个路径区域的第一评估系数的具体计算公式为：
其中，
Figure SMS_2
为第i个分叉像素点对应的第m个路径区域的第一评估系数，/>
Figure SMS_3
为第i个分叉像素点对应的第m个路径区域中所有像素点的灰度均值，/>
Figure SMS_4
为第i个分叉像素点对应的第m个路径区域中像素点的数量，/>
Figure SMS_5
为第i个分叉像素点对应的第m个路径区域中第n个像素点的梯度方向，/>
Figure SMS_6
为归一化函数，/>
Figure SMS_7
为第i个分叉像素点对应的第m个路径区域中所有像素点的梯度方向的均值。
Figure SMS_8
表示第一指标，/>
Figure SMS_9
表示第i个分叉像素点对应的第m个路径区域中第n个像素点对应的第一权重，/>
Figure SMS_10
表示第i个分叉像素点对应的第m个路径区域中第n个像素点与第i个分叉像素点对应的第m个路径区域中所有像素点的梯度方向的均值之间的差异。指静脉与手指上其他区域相比，灰度值明显偏低，因此当第i个分叉像素点对应的第m个路径区域的整体灰度值越小时，说明该路径区域越符合实际的指静脉特征。第一评估系数相当于类标准差，为了防止路径内部的像素点的梯度方向干扰对整条路径边缘方向的判定，本实施例通过加入每个像素点的梯度方向到类标准差的计算过程中，将其归一化后的梯度方向作为权重值来进行调节，使得梯度方向越大，越是实际边缘，在进行计算时对应的权重越高。本实施例结合权重通过计算第m个路径区域中像素点的梯度方向的类标准差，从而表征这条路径的曲率的变化情况。当第m个路径区域的整体灰度值越低时，说明第m个路径区域越符合指静脉特征，该路径区域对应的两个分叉点越趋近实际情况，该路径区域的第一评估系数越小。
采用上述方法，能够获得待采集用户的指静脉灰度图像中每个分叉像素点对应的每个路径区域的第一评估系数。
通过确定分叉像素点与分叉像素点之间的路径所表现出来的符合指静脉的特征，只能表征对应两个分叉像素点之间的路径可能越符合指静脉特征，但是计算出来的特征值如果较小，也可能是属于较为模糊或本就不清晰的指静脉上，灰度较高，整体偏浅，同时也会存在与这类较弱的指静脉特征相似的伪影特征。因此还需要对每一条路径对应的分叉像素点与其余分叉像素点之间的多条路径对应的第一评估系数进行分析，来对每个分叉像素点自身参与其余分叉像素点的评估时的置信度进行表征。
对于第i个分叉像素点：计算该分叉像素点对应的所有路径区域的第一评估系数的均值，将该分叉像素点对应的各路径区域的第一评估系数与所述第一评估系数的均值之间的差值的平方，确定为各路径区域对应的第一差异；将该分叉像素点对应的各路径区域中的分叉像素点确定为各路径区域的第一节点；其中，对于第i个分叉像素点对应的第m个路径区域，该路径区域的第一节点为该路径区域中除第i个分叉像素点外的分叉像素点。将该分叉像素点与其对应的各路径区域的第一节点之间的距离记为各路径区域对应的第一距离；根据该分叉像素点对应的各路径区域对应的第一差异和对应的第一距离，得到该分叉像素点的第二评估系数，所述第一差异与所述第二评估系数呈正相关关系，所述第一距离与所述第二评估系数呈负相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定。负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实施方式，给出第二评估系数的具体计算公式，第i个分叉像素点的第二评估系数的具体计算公式为：
Figure SMS_11
其中，
Figure SMS_12
为第i个分叉像素点的第二评估系数，/>
Figure SMS_13
为第i个分叉像素点对应的路径区域的数量，/>
Figure SMS_14
为第i个分叉像素点与其对应的第m个路径区域的第一节点之间的距离，
Figure SMS_15
为第i个分叉像素点对应的第m个路径区域的第一评估系数，/>
Figure SMS_16
为第i个分叉像素点对应的所有路径区域的第一评估系数的均值，/>
Figure SMS_17
为归一化函数。
Figure SMS_18
表示第i个分叉像素点对应的第m个路径区域对应的第一距离，/>
Figure SMS_19
表示第i个分叉像素点与其对应的第m个路径区域对应的第一差异，也即第i个分叉像素点与其对应的第m个路径区域的第一评估系数与第i个分叉像素点对应的所有路径区域的第一评估系数的均值之间的差值，第一评估系数能够表征对应路径区域像素点的灰度分布信息以及梯度方向信息，本实施例结合第i个分叉像素点与其对应的每个路径区域的第一节点之间的距离，计算第i个分叉像素点对应的多个方向上的路径区域的第一评估系数的类标准差，从而能够表征第i个分叉像素点对应的多条路径之间的特征差异；正常情况下，同一个分叉像素点分支出去的指静脉之间并不会产生较大的差异，因此当计算得到的第i个分叉像素点的第二评估系数越小时，说明第i个分叉像素点越符合实际的指静脉分叉点特征。当第i个分叉像素点与其对应的第m个路径区域的第一节点之间的距离越远时，说明第m个路径区域中越可能存在轻微的弯曲、角度较小的改变等特征，对于这种情况，需要基于实际的距离对可能因梯度方向得到的误差给予一定的宽容度。当第i个分叉像素点与其对应的第m个路径区域的第一节点之间的距离越远、第i个分叉像素点与其对应的第m个路径区域的第一评估系数与第i个分叉像素点对应的所有路径区域的第一评估系数的均值之间的差异越小时，说明第i个分叉像素点自身越符合实际的指静脉分叉点特征，在后续用于参与其余分叉点的分析时所贡献的程度越高，即第i个分叉像素点的第二评估系数越小。
采用上述方法，获得待采集用户的指静脉灰度图像中每个分叉像素点的第二评估系数。
本实施例已经获得了每个分叉区域的节点特征指标、每个分叉像素点对应的每个路径区域的第一评估系数、每个分叉像素点的第二评估系数，接下来本实施例将结合获取的指标，确定每个分叉像素点对应的每个路径区域的滤波调整值。
对于第i个分叉像素点对应的第m个路径区域：将该分叉像素点对应的分叉区域的节点特征指标与该分叉像素点的第二评估系数的乘积记为第一乘积，将该分叉像素点对应的各路径区域中所有像素点的灰度均值记为各路径区域的平均灰度值，计算该分叉像素点对应的各路径区域的第一节点的第二评估系数，将各路径区域的平均灰度值与各路径区域的第一节点的第二评估系数的乘积，记为该分叉像素点对应的各路径区域的第二指标；根据该分叉像素点对应的各路径区域的第一评估系数、所述第一乘积和该分叉像素点对应的各路径区域的第二指标，得到该分叉像素点对应的各路径区域的滤波调整值，所述第一评估系数、所述第一乘积和所述第二指标均与所述滤波调整值呈正相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定。作为一个具体实施方式，给出滤波调整值的具体计算公式，第i个分叉像素点对应的第m个路径区域的滤波调整值的具体计算公式为：
Figure SMS_20
其中，
Figure SMS_21
为第i个分叉像素点对应的第m个路径区域的滤波调整值，/>
Figure SMS_22
为第i个分叉像素点对应的第m个路径区域的第一评估系数，/>
Figure SMS_23
为第i个分叉像素点对应的第m个路径区域中所有像素点的灰度均值，/>
Figure SMS_24
为第i个分叉像素点对应的分叉区域的节点特征指标，/>
Figure SMS_25
为第i个分叉像素点的第二评估系数，/>
Figure SMS_26
为第i个分叉像素点对应的第m个路径区域的第一节点的第二评估系数，/>
Figure SMS_27
为归一化函数。
Figure SMS_28
表示第m个路径区域的平均灰度值，/>
Figure SMS_29
表示第一乘积，/>
Figure SMS_30
表示第二指标，第二指标表征第i个分叉像素点在其对应的第m个路径区域上的第一节点符合指静脉分叉点的程度。当第i个分叉像素点对应的第m个路径区域的第一评估系数越小、第i个分叉像素点对应的分叉区域的节点特征指标越小、第i个分叉像素点及其对应的第m个路径区域的第一节点的第二评估系数均越小、第i个分叉像素点对应的第m个路径区域中所有像素点的灰度均值越小时，说明第i个分叉像素点及其对应的第m个路径区域越符合指静脉特征，即第i个分叉像素点对应的第m个路径区域的滤波调整值越小，在滤波增强中对应增强的程度应当越大。
采用上述方法，能够获得待采集用户的指静脉灰度图像中每个分叉像素点对应的每个路径区域的滤波调整值。
步骤S4，基于所述滤波调整值获得引导滤波中的滤波调整参数，基于所述滤波调整参数对所述指静脉灰度图像进行滤波处理，获得处理后的图像。
本实施例在步骤S3中获得了待采集用户的指静脉灰度图像中每个分叉像素点对应的每个路径区域的滤波调整值，接下来将基于滤波调整值对待采集用户的指静脉灰度图像进行引导滤波处理。
具体的，对于待采集用户的指静脉灰度图像中第i个分叉像素点对应的第m个路径区域：对该路径区域的滤波调整值进行归一化处理，将归一化结果记为正则化系数；计算该路径区域内各像素点对应的窗口内所有像素点的灰度值的方差，将所述方差与对应的正则化系数的和值记为第三指标，将所述方差与所述第三指标的比值确定为对应像素点引导滤波中的滤波调整参数；待采集用户的指静脉灰度图像中第i个分叉像素点对应的第m个路径区域中第n个像素点引导滤波中的滤波调整参数的具体表达式为：
Figure SMS_31
其中，
Figure SMS_32
为待采集用户的指静脉灰度图像中第i个分叉像素点对应的第m个路径区域中第n个像素点引导滤波中的滤波调整参数，/>
Figure SMS_33
为待采集用户的指静脉灰度图像中第i个分叉像素点对应的第m个路径区域中第n个像素点对应的窗口内所有像素点的灰度值的方差，/>
Figure SMS_34
为引导图像中第i个分叉像素点对应的第m个路径区域中第n个像素点对应的窗口内所有像素点的灰度值的方差，/>
Figure SMS_35
为第i个分叉像素点对应的第m个路径区域的滤波调整值，/>
Figure SMS_36
为第i个分叉像素点对应的第m个路径区域的滤波调整值的归一化值。
本实施例以原始图像作为引导图像，因此
Figure SMS_37
和/>
Figure SMS_38
相同，均表示待采集用户的指静脉灰度图像中第i个分叉像素点对应的第m个路径区域中第n个像素点对应的窗口内所有像素点的灰度值的方差。/>
Figure SMS_39
表示正则化系数，/>
Figure SMS_40
表示第三指标。当正则化系数越小时，引导滤波中的滤波调整参数越接近1，对应的滤波增强程度越强，在进行滤波处理时保持该像素点自身的边缘梯度特征越完整。当正则化系数越小大时，引导滤波中的滤波调整参数越小，对应的滤波增强程度越弱。
采用上述方法，能够获得待采集用户的指静脉灰度图像中每个分叉像素点对应的每个路径区域中每个像素点引导滤波中的滤波调整参数，路径区域中的像素点为特征显著的像素点，因此本实施例更关注路径区域中的像素点，根据每个路径区域中每个像素点引导滤波中的滤波调整参数对其进行滤波处理。需要说明的是：待采集用户的指静脉灰度图像中可能存在部分像素点不为路径区域中的像素点，对于这类像素点，将直接根据经验人为设置正则化系数，并对其进行引导滤波处理，不再计算滤波调整参数。引导滤波为现有技术，此处不再过多赘述。将滤波处理完成后的图像记为处理后的图像。
本实施例基于像素点对应的滤波调整参数对待采集用户的指静脉灰度图像进行图像增强，获得了处理后的图像，通过预先训练好的神经网络，对处理后的图像中的指静脉特征进行提取分割，并上传至系统中进行存储。基于神经网络对图像进行分割为现有技术，此处不再过多赘述。至此，完成对待采集用户的身份数据的采集。
本实施例考虑到常规的对于手指指静脉图像进行滤波的方法，是通过引导滤波算法对其中存在的指静脉边缘进行增强，但是引导滤波对于边缘特征较为微弱的指静脉边缘反而会起到平滑作用，导致丢失大量指静脉特征，进而使得采集到的用户的身份数据的可信度较低。因此本实施例通过对待采集用户的指静脉灰度图像中存在的指静脉特征进行分析，根据每个像素点对应的窗口内所有像素点的梯度方向，确定了分叉像素点以及分叉像素点之间可能存在的指静脉路径，并根据每个路径区域所表现出来的指静脉特征，自适应地赋予不同路径区域中的像素点不同的滤波调整参数，保证待采集用户的指静脉灰度图像中梯度特征较小的分叉像素点也能够根据其所呈现的指静脉区域特征获得对应的滤波调整参数，获得较好的滤波增强效果，使得增强了指静脉边缘的同时，还保证了待采集用户的指静脉灰度图像中边缘特征较弱的指静脉特征不丢失，进而提高了用户身份数据信息采集结果的可信度。
一种智能戒指身份数据采集系统实施例：
本实施例一种智能戒指身份数据采集系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种智能戒指身份数据采集方法。
由于一种智能戒指身份数据采集方法已经在一种智能戒指身份数据采集方法实施例中进行了说明，所以本实施例不再对一种智能戒指身份数据采集方法进行赘述。

Claims (7)

1.一种智能戒指身份数据采集方法，其特征在于，该方法包括以下步骤：
给待采集身份数据的用户佩戴智能戒指，利用智能戒指获取待采集用户的指静脉灰度图像；
以所述指静脉灰度图像中各像素点为中心点，构建各像素点对应的窗口；根据各像素点对应的窗口内所有像素点的梯度方向，确定所述指静脉灰度图像中的分叉像素点以及分叉区域；根据各分叉区域中像素点的灰度分布，得到各分叉区域的节点特征指标；根据各分叉区域中像素点的梯度幅值，确定各分叉像素点对应的各路径区域；
根据各分叉像素点对应的各路径区域中像素点的灰度分布和梯度方向，得到各分叉像素点对应的各路径区域的第一评估系数；根据所述第一评估系数和分叉像素点的位置分布，得到各分叉像素点的第二评估系数；基于所述节点特征指标、所述第一评估系数和所述第二评估系数，确定各分叉像素点对应的各路径区域的滤波调整值；
基于所述滤波调整值获得引导滤波中的滤波调整参数，基于所述滤波调整参数对所述指静脉灰度图像进行滤波处理，获得处理后的图像；
所述根据各像素点对应的窗口内所有像素点的梯度方向，确定所述指静脉灰度图像中的分叉像素点以及分叉区域，包括：
对于所述指静脉灰度图像中的任一像素点：根据该像素点对应的窗口内所有像素点的梯度方向，构建该像素点对应的梯度方向直方图，对所述梯度方向直方图进行曲线拟合获得梯度方向直方图分布曲线；若所述梯度方向直方图分布曲线的波峰数量不等于2，则将该像素点确定为所述指静脉灰度图像中的分叉像素点；
对所述指静脉灰度图像中所有分叉像素点进行邻域范围内的连通获得各连通域，将所述连通域记为分叉区域；
所述根据各分叉区域中像素点的梯度幅值，确定各分叉像素点对应的各路径区域，包括：
对于任一分叉区域：
获取分叉区域的中心像素点，将中心像素点对应的窗口内梯度幅值大于预设梯度幅值的像素点作为生长点，对分叉区域进行区域生长，所述区域生长的生长条件为：判断生长点与其邻域内的像素点之间的灰度差异，判断所述灰度差异是否小于预设灰度差异阈值，若小于，则将邻域内的对应像素点作为新的生长点；
将生长完成后的所有生长点构成的连通域作为对应分叉像素点对应的路径区域。
2.根据权利要求1所述的一种智能戒指身份数据采集方法，其特征在于，所述根据各分叉像素点对应的各路径区域中像素点的灰度分布和梯度方向，得到各分叉像素点对应的各路径区域的第一评估系数，包括：
对于任一分叉像素点对应的任一路径区域：
将该路径区域中所有像素点的灰度均值的归一化值确定为第一指标；
将该路径区域中各像素点的梯度方向的归一化值确定为各像素点对应的第一权重；计算该路径区域中所有像素点的梯度方向的均值，将该路径区域中各像素点的梯度方向与所述梯度方向的均值之间的差值，确定为该路径区域中各像素点与所述梯度方向的均值之间的差异；将该路径区域中各像素点与所述梯度方向的均值之间的差异和对应的第一权重之间的乘积，确定为该路径区域中各像素点的第一特征值；
根据所述第一指标和该路径区域中所有像素点的第一特征值，得到该路径区域的第一评估系数，所述第一指标和所述第一特征值均与所述第一评估系数呈正相关关系。
3.根据权利要求1所述的一种智能戒指身份数据采集方法，其特征在于，所述根据所述第一评估系数和分叉像素点的位置分布，得到各分叉像素点的第二评估系数，包括：
对于任一分叉像素点：
计算该分叉像素点对应的所有路径区域的第一评估系数的均值，将该分叉像素点对应的各路径区域的第一评估系数与所述第一评估系数的均值之间的差值，确定为各路径区域对应的第一差异；
将该分叉像素点对应的各路径区域中的分叉像素点确定为各路径区域的第一节点；将该分叉像素点与其对应的各路径区域的第一节点之间的距离记为各路径区域对应的第一距离；
根据该分叉像素点对应的各路径区域对应的第一差异和对应的第一距离，得到该分叉像素点的第二评估系数，所述第一差异与所述第二评估系数呈正相关关系，所述第一距离与所述第二评估系数呈负相关关系。
4.根据权利要求1所述的一种智能戒指身份数据采集方法，其特征在于，所述根据各分叉区域中像素点的灰度分布，得到各分叉区域的节点特征指标，包括：
对于任一分叉区域：根据分叉区域中各像素点的灰度值，计算分叉区域中所有像素点的灰度均值，将所述灰度均值作为分叉区域的节点特征指标。
5.根据权利要求3所述的一种智能戒指身份数据采集方法，其特征在于，基于所述节点特征指标、所述第一评估系数和所述第二评估系数，确定各分叉像素点对应的各路径区域的滤波调整值，包括：
对于任一分叉像素点：
将该分叉像素点对应的分叉区域的节点特征指标与该分叉像素点的第二评估系数的乘积记为第一乘积，将该分叉像素点对应的各路径区域中所有像素点的灰度均值记为各路径区域的平均灰度值，计算该分叉像素点对应的各路径区域的第一节点的第二评估系数，将各路径区域的平均灰度值与各路径区域的第一节点的第二评估系数的乘积，记为该分叉像素点对应的各路径区域的第二指标；
根据该分叉像素点对应的各路径区域的第一评估系数、所述第一乘积和该分叉像素点对应的各路径区域的第二指标，得到该分叉像素点对应的各路径区域的滤波调整值，所述第一评估系数、所述第一乘积和所述第二指标均与所述滤波调整值呈正相关关系。
6.根据权利要求1所述的一种智能戒指身份数据采集方法，其特征在于，所述基于所述滤波调整值获得引导滤波中的滤波调整参数，包括：
对于任一分叉像素点对应的任一路径区域：
对该路径区域的滤波调整值进行归一化处理，将归一化结果记为正则化系数；
计算该路径区域中各像素点对应的窗口内所有像素点的灰度值的方差，将所述方差与对应的正则化系数的和值记为第三指标，将所述方差与所述第三指标的比值确定为对应像素点引导滤波中的滤波调整参数。
7.一种智能戒指身份数据采集系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的一种智能戒指身份数据采集方法。
CN202310492985.3A 2023-05-05 2023-05-05 一种智能戒指身份数据采集方法及系统 Active CN116226822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310492985.3A CN116226822B (zh) 2023-05-05 2023-05-05 一种智能戒指身份数据采集方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310492985.3A CN116226822B (zh) 2023-05-05 2023-05-05 一种智能戒指身份数据采集方法及系统

Publications (2)

Publication Number Publication Date
CN116226822A CN116226822A (zh) 2023-06-06
CN116226822B true CN116226822B (zh) 2023-07-14

Family

ID=86573523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310492985.3A Active CN116226822B (zh) 2023-05-05 2023-05-05 一种智能戒指身份数据采集方法及系统

Country Status (1)

Country Link
CN (1) CN116226822B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188614A (zh) * 2019-04-30 2019-08-30 杭州电子科技大学 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
WO2021027364A1 (zh) * 2019-08-13 2021-02-18 平安科技（深圳）有限公司 基于指静脉识别的身份验证方法和装置
CN113256670A (zh) * 2021-05-24 2021-08-13 推想医疗科技股份有限公司 图像处理方法及装置、网络模型的训练方法及装置
CN115409745A (zh) * 2022-10-31 2022-11-29 深圳市亿康医疗技术有限公司 一种应用于放疗准备的ct图像的增强方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11531743B2 (en) * 2011-01-14 2022-12-20 Flash Seats, Llc Systems and methods for enhancing biometric matching accuracy
US10303916B2 (en) * 2015-07-31 2019-05-28 Fotonation Limited Image processing apparatus
FR3127602A1 (fr) * 2021-09-27 2023-03-31 Idemia Identity & Security France procédé de génération d’une image augmentée et dispositif associé

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188614A (zh) * 2019-04-30 2019-08-30 杭州电子科技大学 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
WO2021027364A1 (zh) * 2019-08-13 2021-02-18 平安科技（深圳）有限公司 基于指静脉识别的身份验证方法和装置
CN113256670A (zh) * 2021-05-24 2021-08-13 推想医疗科技股份有限公司 图像处理方法及装置、网络模型的训练方法及装置
CN115409745A (zh) * 2022-10-31 2022-11-29 深圳市亿康医疗技术有限公司 一种应用于放疗准备的ct图像的增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Novel Finger Vein Pattern Extraction Method Using Oriented Filtering Technology;Kejun Wang;《IEEE》;6240-6244 *
Enhanced Approach for Finger-Vein Extraction;Byung-Hoon Lee;《ACM》;236-241 *
一种新的肝脏CT 序列图像区域生长算法;陈彦达;《计算机工程与应用》;188-190 *
基于边缘检测加权引导滤波的指静脉图像增强算法;曹伟 等;《激光与光电子学进展》;1-9 *

Also Published As

Publication number Publication date
CN116226822A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
CN106548176B (zh) 基于自适应引导滤波的指静脉图像增强方法
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
Hansen et al. Color contributes to object-contour perception in natural scenes
CN116309599B (zh) 基于污水前置处理的水质视觉监测方法
Krishnan et al. Glaucoma detection from retinal fundus images
CN117522719B (zh) 基于机器学习的支气管镜图像辅助优化系统
CN114582003B (zh) 一种基于云计算服务的睡眠健康管理系统
CN108280448B (zh) 指静脉按压图的判别方法及装置、指静脉识别方法
CN117830308B (zh) 一种介入手术前后血管造影智能对比分析方法
CN115456967A (zh) 一种动静脉内瘘血栓检测方法及装置
CN115953824A (zh) 一种人脸皮肤图像处理方法及系统
JP7355434B2 (ja) 眼底画像認識方法及び装置並びに設備
CN116226822B (zh) 一种智能戒指身份数据采集方法及系统
CN109919050B (zh) 身份识别方法和装置
CN115862121B (zh) 基于多媒体资源库的人脸快速匹配方法
CN109145925A (zh) 一种医疗图像信息识别系统
CN110223294A (zh) 一种基于多层卷积神经网络的人体左/右眼图像判断方法
Hashim et al. Fast Iris localization based on image algebra and morphological operations
CN114973307A (zh) 生成对抗和余弦三元损失函数的指静脉识别方法及系统
CN114582008A (zh) 一种基于双波段的活体虹膜检测方法
CN117557587B (zh) 一种内窥镜冷光源亮度自动调节系统
CN111640126A (zh) 基于医学影像的人工智能诊断辅助方法
CN117975513B (zh) 医用物流站点身份智能识别系统
UPASANI et al. Cardiovascular abnormalities detection through Iris using thresholding algorithm

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518000 1st, 2nd, 4th, 5th and 6th floors of Qiufen (10A) Building, Taihua wutong Industrial Park, Sanwei Community, Hangcheng Street, Bao'an District, Shenzhen, Guangdong

Patentee after: Shenzhen Moyang Technology Co.,Ltd.

Country or region after: China

Address before: 518000 8th and 9th floors of Guizhu (15 #) Building, Taihua wutong Industrial Park, Sanwei Community, Hangcheng Street, Bao'an District, Shenzhen, Guangdong

Patentee before: SHENZHEN MOYOUNG TECHNOLOGY CO.,LTD.

Country or region before: China