CN116778538B - 一种基于小波分解的静脉图像识别方法及系统 - Google Patents

一种基于小波分解的静脉图像识别方法及系统 Download PDF

Info

Publication number
CN116778538B
CN116778538B CN202310905981.3A CN202310905981A CN116778538B CN 116778538 B CN116778538 B CN 116778538B CN 202310905981 A CN202310905981 A CN 202310905981A CN 116778538 B CN116778538 B CN 116778538B
Authority
CN
China
Prior art keywords
vein
image
feature
identified
target
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
CN202310905981.3A
Other languages
English (en)
Other versions
CN116778538A (zh
Inventor
关丽
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.)
Beijing Panoramic Youtu Technology Co ltd
Original Assignee
Beijing Panoramic Youtu 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 Beijing Panoramic Youtu Technology Co ltd filed Critical Beijing Panoramic Youtu Technology Co ltd
Priority to CN202310905981.3A priority Critical patent/CN116778538B/zh
Publication of CN116778538A publication Critical patent/CN116778538A/zh
Application granted granted Critical
Publication of CN116778538B publication Critical patent/CN116778538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/14—Vascular patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Vascular Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于小波分解的静脉图像识别方法及系统，方法包括：获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别。本发明降低了静脉识别过程中成像系统带来的干扰，对静脉图像的计算量小、计算效率高，实现了对图像中静脉的高效识别。

Description

一种基于小波分解的静脉图像识别方法及系统
技术领域
本发明涉及静脉识别技术领域，具体涉及一种基于小波分解的静脉图像识别方法及系统。
背景技术
静脉识别技术，是基于人体静脉血管的纹理特征进行身份识别的一种生物特征识别技术，得到了广泛研究且已经应用于金融、安检等领域。目前的静脉识别方法大致包括兴趣区定位与图像预处理、特征提取、特征匹配三个部分，其中正确提取特征是最为关键的因素。
静脉识别的研究中，比较典型的方法是2002年Miura等人通过分析手指静脉横截面的曲率特征，提出了利用静脉图像的灰度最大化曲率信息的方法提取静脉纹理；基于上述思想的方法还包括基于剖面梯度归一化和主曲率的方法。还有基于Gabor滤波器的提取方法，该方法利用静脉图像的8方向Gabor滤波器响应的局部统计量作为特征的描述子，即每个静脉图像，构建8方向、多尺度的18×10的ADD矩阵，后续通过该矩阵的分析和比对实现特征匹配。此外，局部二值模式(LBP)这种模式识别中的经典特征描述方法也被应用到静脉特征提取中。
上述方法对噪声较小的静脉图像特征提取的效果比较好，但是由于受环境光照、人体姿态以及设备噪声等影响，静脉图像常常存在很多噪声、细节变化，造成特征提取不稳定，严重影响识别效果。
发明内容
针对现有技术中的缺陷，本发明提供一种基于小波分解的静脉图像识别方法及系统。
第一方面，一种基于小波分解的静脉图像识别方法，包括：
获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；
根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；
根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别。
进一步地，所述根据所述静脉图像确定规则兴趣区，包括：
对所述静脉图像从横向、纵向以及对角线方向由外向内进行逐行逐列扫描，并计算每行每列的像素灰度均值和标准差；
根据所述像素灰度均值和标准差，将横向、纵向以及对角线方向上首次不满足像素阈值条件的像素点作为兴趣区的初始轮廓边界点；
根据所述初始轮廓边界点生成初始的不规则兴趣区；
所述像素阈值条件包括静脉图像任一行或列的像素灰度均值和标准差均小于对应设定阈值。
进一步地，还包括：逐行逐列扫描过程中，将达到初始轮廓边界点之前的所有像素作为背景像素，并将除背景像素以外的其他像素作为兴趣区像素。
进一步地，所述根据所述静脉图像确定规则兴趣区，还包括：
对所述静脉图像的不规则兴趣区从横向和纵向由外向内进行逐行逐列扫描，并判断是否扫描到背景像素；
当没有扫描到背景像素时，则将当前行或当前列作为静脉图像中兴趣区的最终轮廓边界，并停止向内扫描；
根据所述兴趣区的最终轮廓边界生成最终的规则兴趣区，以分别得到待识别静脉图像和目标静脉图像对应的规则兴趣区。
进一步地，所述基于小波分解对所述规则兴趣区进行图像预处理，具体为：
对所述待识别静脉图像和目标静脉图像对应的规则兴趣区分别进行小波分解,以建立图像金字塔；
基于所述图像金字塔运用小波金字塔较大尺度的逼近成分进行图像预处理，保留稳定的静脉特征，去除静脉图像规则兴趣区的噪声和不稳定细节特征，得到降噪后的静脉图像规则兴趣区。
进一步地，所述根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征，具体为：
分别获取预处理后所述待识别静脉图像和目标静脉图像对应规则兴趣区内像素灰度的局部曲率极大值，所述像素灰度的局部曲率极大值包括规则兴趣区内行方向、列方向和两个对角线方向上像素灰度的局部曲率极大值；
根据所述像素灰度的局部曲率极大值分别定位待识别静脉图像和目标静脉图像对应规则兴趣区内的静脉纹理位置，以提取待识别静脉特征和目标静脉特征，并分别得到待识别静脉特征图像和目标静脉特征图像。
进一步地，所述根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别，包括：
根据所述待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索，以获取第一相关系数最大值和第二相关系数最大值；
选取所述第一相关系数最大值和第二相关系数最大值中的最大值作为最大相关系数；
判断所述最大相关系数是否大于预设的相关系数阈值；
若是，则特征匹配成功，以识别出所述待识别静脉图像中的静脉与目标静脉中的静脉为同一个静脉；
若否，则特征匹配失败，以识别出所述待识别静脉图像中的静脉与目标静脉图像中的静脉为不同静脉。
进一步地，所述根据所述待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索，包括：
选取所述待识别静脉特征图像的中心区域，并根据所述待识别静脉特征基于中心区域形成第一待识别静脉特征向量；
根据所述待识别静脉特征图像的中心区域选取目标静脉特征图像的滑动窗口，并根据所述目标静脉特征基于滑动窗口形成第一目标静脉特征向量；
改变所述目标静脉特征图像的滑动窗口位置，计算所述第一待识别静脉特征向量与第一目标静脉特征向量之间的一组余弦距离，并从中获取最大的余弦距离作为第一相关系数最大值；
所述目标静脉特征图像的滑动窗口与待识别静脉特征图像的中心区域尺寸一致。
进一步地，所述根据所述待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索，包括：
选取所述目标静脉特征图像的中心区域，并根据所述目标静脉特征基于中心区域形成第二目标静脉特征向量；
根据所述目标静脉特征图像的中心区域选取待识别静脉特征图像的滑动窗口，并根据所述待识别静脉特征基于滑动窗口形成第二待识别静脉特征向量；
改变所述待识别静脉特征图像的滑动窗口位置，计算所述第二目标静脉特征向量与第二待识别静脉特征向量之间的一组余弦距离，并从中获取最大的余弦距离作为第二相关系数最大值；
所述待识别静脉特征图像的滑动窗口与目标静脉特征图像的中心区域尺寸一致。
第二方面，一种基于小波分解的静脉图像识别系统，包括：
图像预处理模块：用于获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；
特征提取模块：用于根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；
静脉识别模块：用于根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别。
本发明的有益效果体现在：根据静脉图像确定规则兴趣区，并基于小波分解对待识别静脉图像和目标静脉图像的规则兴趣区分别进行图像预处理，以去除图像中噪声和不稳定的细节特征；根据预处理后的静脉图像规则兴趣区运用像素灰度的局部曲率极大值特性，有效提取待识别静脉图像和目标静脉图像中的静脉特征；基于相关系数对待识别静脉特征和目标静脉特征进行特征匹配，以识别待识别静脉图像中的静脉与目标静脉图像中的静脉是否为同一静脉，降低了静脉识别过程中成像系统带来的干扰，对静脉图像的计算量小、计算效率高，实现了对图像中静脉的高效识别。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的流程图；
图2为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的静脉原始图像；
图3为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的静脉图像兴趣区；
图4为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的小波分解原理示意图；
图5为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的静脉图像兴趣区像素点A所在行和所在列的示意图；
图5a为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的静脉图像规则兴趣区像素点A所在行的像素灰度分布情况；
图5b为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的静脉图像规则兴趣区像素点A所在列的像素灰度分布情况；
图6为本发明实施例一提供的一种基于小波分解的静脉图像识别方法的静脉图像的特征提取结果；
图7为本发明实施例二提供的一种基于小波分解的静脉图像识别系统的模块框图。
附图中，A-静脉图像规则兴趣区内任一像素点，B-静脉图像规则兴趣区内静脉纹理与像素点A所在行的交点，C-静脉图像规则兴趣区内静脉纹理与像素点A所在列的交点。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例一
如图1所示，一种基于小波分解的静脉图像识别方法，包括：
S1：获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；
具体地，获取静脉图像，所述静脉图像包括待识别静脉图像和目标静脉图像。本实施例中，可采用以下方法获取静脉图像：当用特定波长的近红外光(波长一般为700～1000m)照射人体时，近红外光被静脉血液中的脱氧血红蛋白大量吸收，在图像传感器成像时呈现出深色阴影，从而得到红外静脉图像，在静脉图像中，静脉纹理丰富、较粗壮，特征明显稳定，是图像的强特征。
在兴趣区的提取中，本实施例基于背景区域的灰度变化远小于兴趣区域这一假设，所述灰度变化用灰度均值和标准差来度量。具体地，对所获取的静脉图像从横向、纵向以及对角线方向上由外向内进行逐行逐列扫描，并计算每行每列的像素灰度均值和标准差。如果某行或某列的像素灰度均值和标准差都小于设定阈值，则视之为背景区域，否则视之为兴趣区域，以此作为背景区域和兴趣区域的划分标准。根据像素灰度均值和标准差，将横向、纵向以及对角线方向上首次不满足像素阈值条件的像素点作为兴趣区的初始轮廓边界点，并将初始轮廓边界点所围区域作为初始的不规则兴趣区。优选地，所述像素阈值条件包括静脉图像中任一行或列的像素灰度均值和标准差均小于对应的设定阈值。
进一步地，在进行逐行逐列扫描时，将达到初始轮廓边界点之前的所有像素作为背景像素，并将除背景像素以外的其他所有像素作为兴趣区像素。
进一步地，在找到初始轮廓边界后，对静脉图像的不规则兴趣区从横向和纵向上由外向内进行逐行逐列扫描，并判断是否扫描到背景像素。在扫描过程中，如果扫描到有背景像素，说明当前行或当前列含有背景区，则继续向内扫描，直到没有扫描到背景像素时，则将当前行或当前列作为静脉图像中兴趣区的最终轮廓边界，并停止向内扫描，将兴趣区最终轮廓边界所围的区域作为最终的规则兴趣区。为方便理解静脉图像兴趣区，可参考图2和图3所示，图2为静脉原始图像，图3则为静脉图像的兴趣区。
需要说明的是，本实施例对待识别静脉图像和目标静脉图像均采用上述方法进行兴趣区提取，进而得到待识别静脉图像的规则兴趣区和目标静脉图像的规则兴趣区。
由于受环境光照、人体内部组织以及设备噪声等影响，静脉图像中存在很多噪声，通过小波分解进行图像分层能有效地分离出图像的低频信号和高频细节信息，通过滤除图像的高频部分能够有效的抑制噪声和不稳定的细节特征。
为方便理解，小波分解原理如下：
设一个二维尺度函数φ(x,y)可分离为一维尺度函数φ(x)和φ(y)，相应的小波函数是ψ(x)和ψ(y)，可得到三个基本二维小波函数：
在二维尺度下，一幅红外静脉图像f(x,y)从尺度空间2j-1到2j的分解可写成：
式中，x、y表示原始静脉图像中像素位置，m、n表示分解后的图像像素位置。由于尺度函数和小波函数都是可分离的，可构建低通滤波器H和高通滤波器G，则红外静脉图像f(x,y)的分解可从上式改写为下式：
式中，fj、dj,h、dj,v、dj,d分别为图像的低通逼近成分、横向高频成分、纵向高频成分和对角线高频成分，下标r和c表示沿行和列方向进行滤波运算，分解示意图如图4所示。
从小波多尺度分析的性质可知，随j的取值从0、1到N，分辨率从1到1/2N，当尺度越大时，局部的细节特征逐渐消失，而图像的主要特征被很好的保留下来。这样，通过在图像金字塔的低通逼近层进行图像特征提取，既保留了图像的主要特征，又剔除了不稳定的细节特征，抑制了噪声，同时，图像的逼近成分fj按照2的指数方式变小，有利于减小计算量。
多分辨率的小波分解在低分辨率的图像中，仍保留了原始图像的重要特征，能突出原始数据中的强特征，同时还可以抑制或消弱高分辨率下较弱的特征(通常为噪声)，而且速度很快。
基于上述原理，本实施例通过小波分解对待识别静脉图像和目标静脉图像对应的规则兴趣区建立图像金字塔，基于图像金字塔运用小波金字塔较大尺度的逼近成分fj进行图像预处理，保留稳定的静脉特征，得到降噪后的图像，进而达到对待识别静脉图像和目标静脉图像对应规则兴趣区进行去噪的目的，并去除了图像中不稳定的细节特征。
优选地，本实施例选择滤波器长度较短的Haar小波来建立图像金字塔，尽管Haar小波为不连续的阶梯函数，但由于其简单性和其在小波分解时的快速和无误差性，在图像分解中具有良好的表现。
需要说明的是，本实施例对待识别静脉图像和目标静脉图像对应规则兴趣区均采用上述小波分解方法进行图像预处理，进而分别得到预处理后的待识别静脉图像和目标静脉图像对应的规则兴趣区。
S2：根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；
进一步地，由于静脉和人体其他组织对红外波段光的透射率不同，静脉区域在每行和每列都表现为图像像素灰度的局部曲率极大值。本实施例利用各行各列的图像灰度的局部曲率极大值进行静脉特征检测，需要说明的是，本实施例中规定像素灰度曲线中凹曲线的曲率为正值，凸曲线的曲率为负值。分别获取待识别静脉图像和目标静脉图像对应规则兴趣区域内像素灰度的局部曲率极大值，所述像素灰度的局部曲率极大值包括规则兴趣区内行方向、列方向和两个对角线方向上的像素灰度的局部曲率极大值。
如图5、图5a以及图5b所示，图5为一静脉图像兴趣区，静脉为暗的纹理，在图5兴趣区中任选一像素点A，横线表示像素点A所在行，竖线表示像素点A所在列，图5中B点和C点分别为静脉纹理与像素点A所在行和列的交点，图5a则为A点所在行的像素灰度分布情况，图5a中的B点对应图5中B点的位置，图5b为A点所在列的像素灰度分布情况，图5b中的C点对应图5中C点的位置，图5a和图5b中纵坐标表示像素的灰度值，横坐标分别代表像素所在行和列的位置，对比图5、图5a和图5b可知静脉基本位于图像灰度的局部曲率极大值附近。因此根据局部曲率极大值分别定位待识别静脉图像和目标静脉图像中的静脉纹理位置，将所有静脉纹理位置连接在一起，即形成静脉的纹理，进而实现对待识别静脉特征和目标静脉特征的提取，并分别得到待识别静脉图像和目标静脉图像的特征图像。
S3：根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别；
具体地，在提取静脉图像的静脉特征后，根据待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索。
其中，对于待识别静脉特征图像，选取待识别静脉特征图像的中心区域，并根据中心区域内的待识别静脉特征形成第一待识别静脉特征向量；根据待识别静脉特征图像的中心区域选取目标静脉特征图像的滑动窗口，并根据滑动窗口内的目标静脉特征形成第一目标静脉图像特征向量，该滑动窗口的尺寸与待识别静脉特征图像中心区域的尺寸一致；改变目标静脉特征图像的滑动窗口位置，计算第一待识别静脉特征向量与第一目标静脉特征向量之间的一组余弦距离，以获取待识别静脉特征图像与目标静脉特征图像之间的一组相关系数，并从中获取最大的余弦距离作为第一相关系数最大值。
同样地，对于目标静脉特征图像，选取目标静脉特征图像的中心区域，并根据中心区域内的目标静脉特征形成第二目标静脉特征向量；根据目标静脉特征图像的中心区域选取待识别静脉特征图像的滑动窗口，并根据滑动窗口内的待识别静脉特征形成第二待识别静脉特征向量，该滑动窗口的尺寸与目标静脉特征图像中心区域的尺寸一致；改变待识别静脉特征图像的滑动窗口位置，计算第二目标静脉特征向量与第二待识别静脉特征向量之间的一组余弦距离，以获取目标静脉特征图像与待识别静脉特征图像之间的一组相关系数，并从中获取最大的余弦距离作为第二相关系数最大值。
进一步地，选取所述第一相关系数最大值和第二相关系数最大值中的最大值作为最大相关系数，判断该最大相关系数是否大于预设的相关系数阈值，若是，则特征匹配成功，进而识别出待识别静脉图像中的静脉与目标静脉图像中的静脉为同一个静脉；否则特征匹配失败，进而识别出待识别静脉图像中的静脉与目标静脉图像中的静脉为两个不同的静脉。
优选地，本实施例采用数学(余弦)距离作为相关系数ρ，以衡量两个特征向量之间的相似程度，为方便理解，对相关系数的计算原理作如下说明：
设X'为由目标静脉特征图像组成的特征向量，Y'为待识别静脉特征图像组成的特征向量，则两个特征向量之间的相关系数ρ表示为：
如果两个特征向量之间的夹角α为0°(即ρ＝1)，说明两者之间完全相似，如果夹角α为90°(即ρ＝0)，说明两者之间完全不相似，如果夹角α为180°(即ρ＝-1)，则两者之间完全相反。因此，关于待识别静脉图像和目标静脉图像之间相似度计算的几何意义是求得两个图像特征向量夹角的最小值，即：
由公式可知，相关系数仅与特征向量之间的夹角相关，因此，相关系数对图像的灰度线性变换不敏感，采用余弦距离作为相关系数有助于降低成像系统的干扰，计算结果更可靠、准确。
实施例二
如图7所示，一种基于小波分解的静脉图像识别系统，包括：
图像预处理模块：用于获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；
特征提取模块：用于根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；
静脉识别模块：用于根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别。
需要说明的是，关于一种基于小波分解的静脉图像识别系统更为具体的工作流程，请参考前述方法实施例部分，在此不再赘述。
本发明根据静脉图像确定规则兴趣区，并基于小波分解对待识别静脉图像和目标静脉图像的规则兴趣区分别进行图像预处理，以去除图像中噪声和不稳定的细节特征；根据预处理后的静脉图像规则兴趣区运用像素灰度的局部曲率极大值特性，有效提取待识别静脉图像和目标静脉图像中的静脉特征；基于相关系数对待识别静脉特征和目标静脉特征进行特征匹配，以识别待识别静脉图像中的静脉与目标静脉图像中的静脉是否为同一静脉，降低了静脉识别过程中成像系统带来的干扰，对静脉图像的计算量小、计算效率高，实现了对图像中静脉的高效识别。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (4)

1.一种基于小波分解的静脉图像识别方法，其特征在于，包括：
获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；
根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；
根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别，所述相关系数采用余弦距离；
所述根据所述静脉图像确定规则兴趣区，包括：
对所述静脉图像从横向、纵向以及对角线方向由外向内进行逐行逐列扫描，并计算每行每列的像素灰度均值和标准差；
根据所述像素灰度均值和标准差，将横向、纵向以及对角线方向上首次不满足像素阈值条件的像素点作为兴趣区的初始轮廓边界点；
根据所述初始轮廓边界点生成初始的不规则兴趣区；
所述像素阈值条件包括静脉图像任一行或列的像素灰度均值和标准差均小于对应设定阈值；
还包括：逐行逐列扫描过程中，将达到初始轮廓边界点之前的所有像素作为背景像素，并将除背景像素以外的其他像素作为兴趣区像素；
所述根据所述静脉图像确定规则兴趣区，还包括：
对所述静脉图像的不规则兴趣区从横向和纵向由外向内进行逐行逐列扫描，并判断是否扫描到背景像素；
当没有扫描到背景像素时，则将当前行或当前列作为静脉图像中兴趣区的最终轮廓边界，并停止向内扫描；
根据所述兴趣区的最终轮廓边界生成最终的规则兴趣区，以分别得到待识别静脉图像和目标静脉图像对应的规则兴趣区；
所述基于小波分解对所述规则兴趣区进行图像预处理，具体为：
对所述待识别静脉图像和目标静脉图像对应的规则兴趣区分别进行小波分解,以建立图像金字塔；
基于所述图像金字塔运用小波金字塔较大尺度的逼近成分进行图像预处理，保留稳定的静脉特征，去除静脉图像规则兴趣区的噪声和不稳定细节特征，得到降噪后的静脉图像规则兴趣区；
所述根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征，具体为：
分别获取预处理后所述待识别静脉图像和目标静脉图像对应规则兴趣区内像素灰度的局部曲率极大值，所述像素灰度的局部曲率极大值包括规则兴趣区内行方向、列方向和两个对角线方向上像素灰度的局部曲率极大值；
根据所述像素灰度的局部曲率极大值分别定位待识别静脉图像和目标静脉图像对应规则兴趣区内的静脉纹理位置，以提取待识别静脉特征和目标静脉特征，并分别得到待识别静脉特征图像和目标静脉特征图像；
所述根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别，包括：
根据所述待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索，以获取第一相关系数最大值和第二相关系数最大值；
选取所述第一相关系数最大值和第二相关系数最大值中的最大值作为最大相关系数；
判断所述最大相关系数是否大于预设的相关系数阈值；
若是，则特征匹配成功，以识别出所述待识别静脉图像中的静脉与目标静脉中的静脉为同一个静脉；
若否，则特征匹配失败，以识别出所述待识别静脉图像中的静脉与目标静脉图像中的静脉为不同静脉。
2.根据权利要求1所述的一种基于小波分解的静脉图像识别方法，其特征在于，所述根据所述待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索，包括：
选取所述待识别静脉特征图像的中心区域，并根据所述待识别静脉特征基于中心区域形成第一待识别静脉特征向量；
根据所述待识别静脉特征图像的中心区域选取目标静脉特征图像的滑动窗口，并根据所述目标静脉特征基于滑动窗口形成第一目标静脉特征向量；
改变所述目标静脉特征图像的滑动窗口位置，计算所述第一待识别静脉特征向量与第一目标静脉特征向量之间的一组余弦距离，并从中获取最大的余弦距离作为第一相关系数最大值；
所述目标静脉特征图像的滑动窗口与待识别静脉特征图像的中心区域尺寸一致。
3.根据权利要求1所述的一种基于小波分解的静脉图像识别方法，其特征在于，所述根据所述待识别静脉特征和目标静脉特征，将待识别静脉特征图像和目标静脉特征图像分别以自身图像作为目标、以对方图像作为搜索范围进行特征搜索，包括：
选取所述目标静脉特征图像的中心区域，并根据所述目标静脉特征基于中心区域形成第二目标静脉特征向量；
根据所述目标静脉特征图像的中心区域选取待识别静脉特征图像的滑动窗口，并根据所述待识别静脉特征基于滑动窗口形成第二待识别静脉特征向量；
改变所述待识别静脉特征图像的滑动窗口位置，计算所述第二目标静脉特征向量与第二待识别静脉特征向量之间的一组余弦距离，并从中获取最大的余弦距离作为第二相关系数最大值；
所述待识别静脉特征图像的滑动窗口与目标静脉特征图像的中心区域尺寸一致。
4.一种基于小波分解的静脉图像识别系统，其特征在于，所述系统应用于权利要求1-3中任一权利要求所述方法，包括：
图像预处理模块：用于获取静脉图像，根据所述静脉图像确定规则兴趣区，并基于小波分解对所述规则兴趣区进行图像预处理，所述静脉图像包括待识别静脉图像和目标静脉图像；
特征提取模块：用于根据预处理后的所述静脉图像规则兴趣区，基于像素灰度的局部曲率极大值分别进行特征提取，以获取待识别静脉特征和目标静脉特征；
静脉识别模块：用于根据所述待识别静脉特征和目标静脉特征基于相关系数进行特征匹配，以对待识别静脉图像进行静脉识别。
CN202310905981.3A 2023-07-24 2023-07-24 一种基于小波分解的静脉图像识别方法及系统 Active CN116778538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310905981.3A CN116778538B (zh) 2023-07-24 2023-07-24 一种基于小波分解的静脉图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310905981.3A CN116778538B (zh) 2023-07-24 2023-07-24 一种基于小波分解的静脉图像识别方法及系统

Publications (2)

Publication Number Publication Date
CN116778538A CN116778538A (zh) 2023-09-19
CN116778538B true CN116778538B (zh) 2024-01-30

Family

ID=87991378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310905981.3A Active CN116778538B (zh) 2023-07-24 2023-07-24 一种基于小波分解的静脉图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN116778538B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093539A (zh) * 2007-07-27 2007-12-26 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
CN104102913A (zh) * 2014-07-15 2014-10-15 无锡优辰电子信息科技有限公司 腕部静脉认证系统
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
CN110751029A (zh) * 2019-09-12 2020-02-04 南京邮电大学 基于最大曲率自适应指静脉纹路提取方法
CN113420690A (zh) * 2021-06-30 2021-09-21 平安科技（深圳）有限公司 基于感兴趣区域的静脉识别方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093539A (zh) * 2007-07-27 2007-12-26 哈尔滨工程大学 手指静脉特征提取与匹配识别方法
CN104102913A (zh) * 2014-07-15 2014-10-15 无锡优辰电子信息科技有限公司 腕部静脉认证系统
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
CN110751029A (zh) * 2019-09-12 2020-02-04 南京邮电大学 基于最大曲率自适应指静脉纹路提取方法
CN113420690A (zh) * 2021-06-30 2021-09-21 平安科技（深圳）有限公司 基于感兴趣区域的静脉识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116778538A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
Matsuda et al. Finger-vein authentication based on deformation-tolerant feature-point matching
Zhang et al. Fingerprint classification based on extraction and analysis of singularities and pseudo ridges
TWI434220B (zh) 利用手掌靜脈之生物特徵辨識使用者之方法
CN107729820B (zh) 一种基于多尺度hog的手指静脉识别方法
CN110188614A (zh) 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
Llano et al. Optimized robust multi-sensor scheme for simultaneous video and image iris recognition
Zhong et al. Towards application of dorsal hand vein recognition under uncontrolled environment based on biometric graph matching
CN110119724A (zh) 一种指静脉识别方法
CN111223063A (zh) 基于纹理特征和双核函数的手指静脉图像nlm去噪方法
CN108182399B (zh) 指静脉特征比对方法、装置、存储介质和处理器
Chen et al. Band selection for improvement of dorsal hand recognition
CN113763274A (zh) 一种联合局部相位锐度定向描述的多源图像匹配方法
Latha et al. A robust person authentication system based on score level fusion of left and right irises and retinal features
CN116778538B (zh) 一种基于小波分解的静脉图像识别方法及系统
Fang et al. A new fingerprint thinning algorithm
CN115984906A (zh) 掌纹图像识别方法、装置、设备及存储介质
Nezhadian et al. Palmprint verification based on textural features by using Gabor filters based GLCM and wavelet
CN108564031A (zh) 基于多模态融合的单幅近红外手掌图像识别方法
Khoirunnisaa et al. The biometrics system based on iris image processing: a review
Zang et al. Evaluation of minutia cylinder-code on fingerprint cross-matching and its improvement with scale
Yazdani et al. Verification based on palm vein by estimating wavelet coefficient with autoregressive model
Leo et al. Highly usable and accurate iris segmentation
Xiong et al. Finger vein recognition method based on center-symmetric local binary pattern
Biradar Personal identification using palmprint biometrics based on principal line approach
Rajput et al. Iris biometric technique for person authentication based on fusion of radon and 2D multi-wavelet transform

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