WO2021135533A1 - 一种指静脉超大用户量下的高速检索算法及识别设备 - Google Patents

一种指静脉超大用户量下的高速检索算法及识别设备 Download PDF

Info

Publication number
WO2021135533A1
WO2021135533A1 PCT/CN2020/122353 CN2020122353W WO2021135533A1 WO 2021135533 A1 WO2021135533 A1 WO 2021135533A1 CN 2020122353 W CN2020122353 W CN 2020122353W WO 2021135533 A1 WO2021135533 A1 WO 2021135533A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
user
finger vein
calculate
identified
Prior art date
Application number
PCT/CN2020/122353
Other languages
English (en)
French (fr)
Inventor
赵国栋
张烜
李学双
辛传贤
Original Assignee
圣点世纪科技股份有限公司
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 圣点世纪科技股份有限公司 filed Critical 圣点世纪科技股份有限公司
Publication of WO2021135533A1 publication Critical patent/WO2021135533A1/zh

Links

Images

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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Definitions

  • the invention belongs to the technical field of finger vein recognition and information security, and in particular relates to a high-speed retrieval algorithm and recognition equipment under a large number of finger vein users.
  • Finger vein recognition technology is a new biometric recognition technology. It uses the vein distribution image in the finger to perform identity recognition. It has three features: in vivo recognition, internal features, and non-contact, ensuring that the user’s finger vein features are very good. It is difficult to be forged, so the finger vein recognition system has a high security level, which is especially suitable for use in places with high security requirements. Due to its advantages such as high security level and simple and quick operation, this technology has become a research hotspot in recent years and has been more and more widely used.
  • the traditional finger vein recognition method such as the finger vein recognition method disclosed in the patent number CN 106096569B, includes the following steps: S1, collecting finger images under near-infrared light; S2, preprocessing and denoising the collected finger images , And then use OSTU Otsu method thresholding to threshold the finger image or ROI positioning to obtain the binary image of the finger; S3, judge whether the binary image of the finger has rotation distortion interference, if it exists, perform correction and transformation; S4, local adaptive threshold Carry out the vein feature extraction of the finger binary image to obtain the vein binary image; S5, calculate the matching distance between the input vein binary image and the registered vein binary image; S6, use the K nearest neighbor algorithm to calculate the recognition result.
  • finger vein recognition technology As the application range of finger vein recognition technology becomes wider and wider, the number of its recognition users is also increasing, even reaching the level of several million. This means that finger vein recognition needs to be from millions of registered users. A user is retrieved that is most similar to the user to be identified. Due to the high dimensionality of finger vein images and the large amount of data, the image retrieval of traditional finger vein recognition technology is time-consuming, which reduces the user experience. At present, the high-speed retrieval of the corresponding user among the super large user volume is a major challenge in the finger vein recognition technology.
  • the purpose of the present invention is to solve the problem of long retrieval time under super large finger vein users in the prior art, and propose a high-speed retrieval algorithm and recognition device under super large finger vein users to reduce retrieval time.
  • the present invention relates to a high-speed retrieval algorithm under super large number of finger vein users, including the following steps:
  • the image enhancement processing is implemented based on the adaptive histogram equalization that limits the contrast, and the specific steps include:
  • i the gray value
  • the pixel at the center of the rectangular block achieves image enhancement by the gray-scale mapping function m(i) of the rectangular block, and the pixels at other positions are interpolated by the gray-scale mapping function m(i) of the rectangular block around the point. Realize image enhancement.
  • step 3 the specific steps of step 3) include:
  • x represents the row coordinates of the feature points
  • y represents the column coordinates of the feature points
  • C.size is the number of feature points
  • i' is the number of the feature point
  • step 4) the specific steps of step 4) include:
  • the step 4.1) uses the following formulas to calculate the first derivative and the second derivative:
  • f (i, j) is the gray value of the image in row i and column j.
  • step 5 the specific steps of step 5) include:
  • k is the correction coefficient
  • B(i,j) represents the segmented binary image of the image in row i and column j.
  • the gray-scale image is converted into a binary image by image segmentation to obtain obvious finger vein patterns.
  • step 6 the specific steps of step 6) include:
  • step 7 the specific steps of step 7) include:
  • a recognition device adopting the high-speed retrieval algorithm under the super large number of finger vein users, which includes:
  • Finger detection sensor used to judge whether the user puts the finger on the device
  • Image sensor used to collect the finger vein images of the user to be identified and all registered users
  • the processor is used to complete the vein feature extraction and vein feature comparison and recognition of the finger vein image based on the high-speed retrieval algorithm, and output the recognition result.
  • the image sensor includes a CMOS sensor and an infrared light source.
  • the CMOS sensor and the infrared light source cooperate to collect the vein image of the user's finger.
  • the high-speed retrieval algorithm for finger vein super large users involved in the present invention normalizes the size of the original image by bilinear interpolation, and calculates the average curvature through its first and second derivatives, and is based on image segmentation. Numericalization, extracting one-dimensional binary coding features, finger vein features are small, occupying at most one-eighth of the original space, greatly reducing the amount of data retrieved and speeding up retrieval;
  • the high-speed retrieval algorithm for finger vein super large users involved in the present invention directly calculates the position difference and rotation difference between the image to be recognized and the registered user image according to the center coordinates and rotation angle of the feature point, without traversing to find the most similar The position difference and rotation difference of, greatly improve the retrieval speed;
  • the high-speed retrieval algorithm under the super large number of finger vein users involved in the present invention extracts one-dimensional binary coding features, and the similarity between two binary coding features can be easily calculated by the exclusive OR operation, and the similarity measure Faster, with high efficiency, further speeding up the retrieval speed;
  • the present invention is based on the high-speed retrieval algorithm under the super large number of finger vein users. It has low requirements for the processor of the recognition device, and can be applied to embedded platforms with weak computing performance, such as mobile phones, Pads and other devices, without relying on servers, reducing The cost of installation and use is reduced.
  • FIG. 1 is a flowchart of the high-speed retrieval algorithm under the super large number of finger vein users according to the present invention
  • Figure 2 is the original image of the finger vein to be identified
  • Figure 3 is the original image of the enhanced algorithm of the present invention.
  • Figure 4 is a distribution diagram of feature points extracted from the original image of the finger vein to be identified
  • Figure 5 is a binary graph extracted by the algorithm of the present invention.
  • FIG. 6 is a functional block diagram of the identification device of the present invention.
  • the present invention relates to a high-speed retrieval algorithm under super large number of finger vein users, as shown in Figure 1, including the following steps:
  • i the gray value
  • the pixel at the center of the rectangular block achieves image enhancement by the gray-scale mapping function m(i) of the rectangular block, and the pixels in other positions are interpolated by the gray-scale mapping function m(i) of the rectangular block around the point.
  • image enhancement as shown in Figure 3 after image enhancement.
  • x represents the row coordinates of the feature points
  • y represents the column coordinates of the feature points
  • C.size is the number of feature points
  • i is the number of the feature point
  • U is the upper cluster
  • D is the lower cluster
  • f(i, j) is the gray value of the image in row i and column j;
  • k is the correction coefficient, and the value of this embodiment is -0.2;
  • the image segmentation method has the following transformations:
  • the gray image is converted into a binary image, and obvious finger vein patterns are obtained, as shown in Figure 5.
  • the finger vein images of two million registered users are collected, and the image size normalization and image enhancement are carried out according to the method of steps 1) and 2) through the high-speed retrieval algorithm under the super large number of finger vein users of the present invention.
  • For processing calculate the center coordinates and rotation angle of the feature point of the registered user image according to the method of step 3), and then calculate the first derivative and the second derivative of the enhanced image according to step 4) to obtain the average curvature of each pixel of the image, follow the steps 5) Binarize the finger vein images of all registered users and convert them into one-dimensional binary codes to establish a 640MB finger vein image retrieval database.
  • the finger vein image of the user to be recognized also passes the high-speed retrieval algorithm under the super large number of finger vein users of the present invention, and performs image size normalization and image enhancement according to the method of steps 1) and 2), and calculates according to the method of step 3) The center coordinates and rotation angles of the characteristic points of the user image to be recognized, and then follow step 4) to calculate the first derivative and second derivative of the enhanced image to obtain the average curvature of each pixel of the image, and follow step 5) the finger veins of the user to be recognized The image is binarized.
  • step 6) to perform translation and rotation calibration on the binary vein image of the user to be identified
  • step 7) to convert the binary image of the user to be identified into one-dimensional binary code, and retrieve the database with the finger vein image
  • Ming distance Traverse the Hamming distance of all registered users' binary code and the binary code of the user to be identified, and count the registered user code corresponding to the smallest Hamming distance.
  • This registered user is the one that is most similar to the user to be identified out of all registered users.
  • the entire retrieval process ends.
  • the processor of this embodiment is a 2.8 GHz Core i5-8400, and the average retrieval time is 289 ms, which is a much faster speed than the 2436 ms that was directly retrieved before.
  • the result of the embodiment shows that the high-speed retrieval algorithm under the super large number of finger vein users of the present invention improves the retrieval speed under the super large number of users, reduces the time required for finger vein recognition, and improves the user experience.
  • this embodiment relates to a recognition device using a high-speed retrieval algorithm under a super large number of finger vein users, which includes:
  • Finger detection sensor used to judge whether the user puts the finger on the device
  • Image sensor used to collect the finger vein images of the user to be identified and all registered users
  • the processor is configured to complete the vein feature extraction and vein feature comparison and recognition of the finger vein image based on the high-speed retrieval algorithm of Embodiment 1, and output the recognition result.
  • the image sensor includes a CMOS sensor and an infrared light source. After the finger detection sensor detects the user's finger, the CMOS sensor and the infrared light source cooperate to collect the user's finger vein image.
  • the module in the identification device of the present invention can be selected conventional components on the market, for example, the finger detection sensor uses the TonTouch company TTP223 sensor, the CMOS sensor uses the OmniVision company OV9740 sensor, and the processor uses the Rockchip company RK3288 chip.
  • the finger detection sensor judges whether the user puts the finger on the device
  • the processor controls the CMOS sensor and the infrared light source to cooperate to collect the user's finger vein image;
  • the processor completes the vein feature extraction and vein feature comparison and recognition of the finger vein image according to the high-speed retrieval algorithm of embodiment 1, and outputs the recognition result.
  • the identification result can be used for subsequent identification functions such as access control and attendance management.

Abstract

本发明涉及一种指静脉超大用户量下的高速检索算法和识别设备，高速检索算法包括以下步骤：采集待识别用户、所有注册用户的手指静脉图像，并分别进行图像尺寸归一化、图像增强处理和特征点检测；根据图像的一阶导数和二阶导数，计算图像各像素点的平均曲率；根据图像各像素点的平均曲率，利用图像分割对待识别用户和所有注册用户的手指静脉图像进行二值化；基于特征点的中心坐标和旋转角进行图像的平移和旋转校准；利用异或运算，分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离，其中汉明距离最小的即为与待识别图像最相似的注册用户。本发明减少了检索的数据量，无需遍历多个可能的位置、旋转的差异数值，进而极大地加快了检索速度。

Description

一种指静脉超大用户量下的高速检索算法及识别设备 技术领域
本发明属于手指静脉识别及信息安全技术领域，尤其涉及一种指静脉超大用户量下的高速检索算法及识别设备。
背景技术
指静脉识别技术是一种新的生物特征识别技术，它利用手指内的静脉分布图像来进行身份识别，具有活体识别、内部特征和非接触式三个特征，确保了使用者的手指静脉特征很难被伪造，所以手指静脉识别系统安全等级高，特别适合于安全要求高的场所使用。由于其安全等级高、操作简单快捷等优点，该技术成为了近些年的研究热点，并得到越来越广泛的应用。
传统的指静脉识别方法如专利号为CN 106096569B的发明专利公开的手指静脉识别方法，包括如下步骤：S1、采集近红外光下的手指图像；S2、对采集到手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；S4、局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；S6、利用K近邻算法计算识别结果。
然而，随着指静脉识别技术的应用范围越来越广泛，其识别用户量也越来越大，甚至达到几百万的级别，这就意味着指静脉识别要从几百万个注册用户中检索出一个用户与待识别用户最相似。由于指静脉图像维度高、数据量大，传统的指静脉识别技术的图像检索很费时间，降低了用户的体验感。目前，在超大用户量中高速检索出对应的用户是指静脉识别技术中一个重大挑战。
发明内容
本发明的目的是为了解决现有技术中指静脉超大用户量下检索时间长的问题，提出一种指静脉超大用户量下的高速检索算法及识别设备，以降低检索时间。
为了达到目的，本发明提供的技术方案为：
本发明涉及的一种指静脉超大用户量下的高速检索算法，包括以下步骤：
1)采集待识别用户及所有注册用户的手指静脉图像，并进行图像尺寸归一化；
2)对尺寸归一化的图像进行图像增强处理；
3)对增强的图像进行特征点检测，计算每一张图像中所有特征点的中心坐标P和旋转角θ；
4)计算增强图像的一阶导数和二阶导数，并根据一阶导数和二阶导数计算图像各像素点的平均曲率C m；
5)根据图像各像素点的平均曲率C m，对每一张手指静脉图像进行二值化；
6)基于特征点的中心坐标P和旋转角θ，对待识别用户的二值静脉图像进行平移和旋转校准；
7)设置汉明距离阈值，利用异或运算分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离，其中汉明距离最小的即为与待识别图像最相似的注册用户，并将最小的汉明距离与汉明距离阈值比较，判断是否检索到该用户。
优选地，所述的步骤2)中，图像的增强处理是基于限制对比度的自适应直方图均衡化实现的，其具体步骤包括：
2.1)将图像均分成若干份大小为M个像素的矩形块，统计各块内的灰度直方图H ist(i)；
2.2)对灰度直方图H ist(i)进行M/N×C limit限幅剪裁，得到限幅直方图H cut(i)，其中，N表示灰度等级；
2.3)基于限幅直方图H cut(i)，计算各块限幅直方图的累积分布函数C DF(i)，
Figure PCTCN2020122353-appb-000001
其中，i表示灰度值；
2.4)基于累积分布函数C DF(i)，求取直方图均衡化的灰度映射函数m(i)，
m(i)＝N/M×C DF(i)             (2)；
2.5)位于矩形块中心的像素点的通过该矩形块的灰度映射函数m(i)实现图像增强，其他位置的像素点通过该点周边的矩形块的灰度映射函数m(i)的插值实现图像增强。
优选地，所述的步骤3)的具体步骤包括：
3.1)基于像素点周围的图像灰度值，检测该点周围一圈的像素值，若该点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该点为特征 点；
3.2)根据这些特征点的坐标，计算所有特征点的中心坐标P，
P的坐标为
Figure PCTCN2020122353-appb-000002
其中，x表示特征点的行坐标，y表示特征点的列坐标，C.size为特征点个数，i’为特征点的编号；
3.3)根据中心点坐标P，把所有特征点分为上下两簇，分族的算法为：
Figure PCTCN2020122353-appb-000003
若C i’.y<P.y，则C i’∈U      (4)，
Figure PCTCN2020122353-appb-000004
若C i’.y≥P.y，则C i’∈D        (5)；
计算上下簇的中心P U、P D坐标，其中，U为上簇，D为下簇；
3.4)根据上下族中心坐标P U、P D计算图像的角度θ，
Figure PCTCN2020122353-appb-000005
优选地，所述的步骤4)的具体步骤包括：
4.1)对图像增强后的指静脉图像计算其各像素点各方向的一阶导数和二阶导数；
4.2)根据一阶导数和二阶导数计算图像各像素点的平均曲率C m，
Figure PCTCN2020122353-appb-000006
优选地，所述的步骤4.1)采用以下公式计算一阶导数和二阶导数：
Figure PCTCN2020122353-appb-000007
Figure PCTCN2020122353-appb-000008
Figure PCTCN2020122353-appb-000009
Figure PCTCN2020122353-appb-000010
Figure PCTCN2020122353-appb-000011
式中f(i，j)为图像在i行j列的灰度值。
优选地，所述的步骤5)的具体步骤包括：
5.1)计算各像素点邻域内的平均曲率C m的均值m和标准差s；
5.2)根据平均曲率C m的均值m和标准差s，求取二值化的阈值T Niblack，
T Niblack＝m+k×s             (13)，
其中，k为修正系数；
5.3)若该像素点的平均曲率C m大于阈值T Niblack，则置为1，否则置为0，即
Figure PCTCN2020122353-appb-000012
B(i,j)表示图像在i行j列的分割后的二值图，利用图像分割将灰度图像转变为二值图像，得到明显的手指静脉纹路。
优选地，所述的步骤6)的具体步骤包括：
6.1)计算待识别用户图像和注册用户图像之间特征点的中心坐标的差值，并将待识别用户图像平移该差值大小的像素；
6.2)计算待识别用户图像和注册用户图像之间特征点的旋转角的差值，并将待识别用户图像旋转该差值大小的角度。
优选地，所述的步骤7)的具体步骤包括：
7.1)分别将经过平移和旋转校准的待识别用户二值图和每一个注册用户二值图转化为一维编码；
7.2)设定一个汉明距离阈值d threshold，利用异或运算操作，计算待识别用户编码和每一个注册用户编码的汉明距离d；
7.3)在汉明距离d中选取最小值d min，并将其与汉明距离阈值d threshold比较，判断待识别用户是否为与此最小汉明距离d min对应的注册用户。
一种采用所述指静脉超大用户量下的高速检索算法的识别设备，其包括：
手指检测传感器，用于判断用户是否将手指放置于设备上；
图像传感器，用于采集待识别用户及所有注册用户的手指静脉图像；
处理器，用于基于高速检索算法完成手指静脉图像的静脉特征提取和静脉特征比对识别，并将识别结果输出。
优选地，所述的图像传感器包括CMOS传感器和红外光源，手指检测传感器检测到用户手指后，CMOS传感器和红外光源配合采集用户手指静脉图像。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
1、本发明涉及的指静脉超大用户量下的高速检索算法对原图进行了双线性插值的尺寸归一化，且通过其一阶导数、二阶导数计算平均曲率，并基于图像分 割二值化，提取出一维的二值编码特征，指静脉特征较小，占用空间至多占原来的八分之一，极大减少了检索的数据量，加快了检索的速度；
2、本发明涉及的指静脉超大用户量下的高速检索算法是根据特征点的中心坐标和旋转角直接计算出待识别图像和注册用户图像之间的位置差异和旋转差异，无需遍历寻找最相似的位置差异和旋转差异，极大地提高了检索速度；
3、本发明涉及的指静脉超大用户量下的高速检索算法提取到的是一维的二值编码特征，利用异或运算即可轻松计算出两二值编码特征间的相似度，相似度度量较快，具有很高的效率，进一步加快了检索的速度；
4、本发明基于指静脉超大用户量下的高速检索算法对于识别设备的处理器要求低，可应用于计算性能较弱的嵌入式平台中，如手机、Pad等设备中，无需依赖服务器，降低了部置和使用成本。
附图说明
图1为本发明的指静脉超大用户量下的高速检索算法的流程图；
图2为待识别指静脉原图；
图3为本发明算法增强后的原图；
图4为待识别指静脉原图提取出来的特征点分布图；
图5为本发明算法提取的二值图；
图6为本发明识别设备的原理框图。
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。
实施例1
本发明涉及一种指静脉超大用户量下的高速检索算法，如图1所示，包括以下步骤：
1)采集待识别用户及所有注册用户的手指静脉图像，并进行图像尺寸归一化，如图2所示。
2)基于限制对比度的自适应直方图均衡化对尺寸归一化的图像进行图像增强处理，其具体步骤包括：
2.1)将图像均分成40份大小为2500个像素的矩形块，统计各块内的灰度 直方图H ist(i)；
2.2)设对比度限幅C limit＝0.196，对灰度直方图H ist(i)进行M/N×C limit限幅剪裁，得到限幅直方图H cut(i)，其中，N为灰度等级，本实施例中N为255；
2.3)基于限幅直方图H cut(i)，计算各块限幅直方图的累积分布函数C DF(i)，
Figure PCTCN2020122353-appb-000013
其中，i表示灰度值；
2.4)基于累积分布函数C DF(i)，求取直方图均衡化的灰度映射函数m(i)，
m(i)＝N/M×C DF(i)           (2)；
2.5)位于矩形块中心的像素点的通过该矩形块的灰度映射函数m(i)实现图像增强，其他位置的像素点通过该点周边的矩形块的灰度映射函数m(i)的插值实现图像增强，图像增强后如图3所示。
3)对增强的图像进行特征点检测，计算每一张图像中所有特征点的中心坐标P和旋转角θ，其具体步骤包括：
3.1)基于像素点周围的图像灰度值，检测该点周围一圈的像素值，若该点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该点为特征点；图4是提取出来的特征点分布图。
3.2)根据这些特征点的坐标，计算所有特征点的中心坐标，设所有特征点的集合为C，计算所有特征点的中心坐标P，
P的坐标为
Figure PCTCN2020122353-appb-000014
其中，x表示特征点的行坐标，y表示特征点的列坐标，C.size为特征点个数，i为特征点的编号；
3.3)根据中心点坐标P，把所有特征点分为上下两簇，分族的算法为：
Figure PCTCN2020122353-appb-000015
若C i’.y<P.y，则C i’∈U        (4)，
Figure PCTCN2020122353-appb-000016
若C i’.y≥P.y，则C i’∈D        (5)；
其中，U为上簇，D为下簇，然后按照公式(3)计算上下簇的中心P U、P D坐标；
3.4)根据上下族中心坐标P U、P D计算图像的角度θ，
Figure PCTCN2020122353-appb-000017
4)计算增强图像的一阶导数和二阶导数，并根据一阶导数和二阶导数计算图像各像素点的平均曲率C m，其具体计算方式如下：
4.1)对图像增强后的指静脉图像计算其各像素点各方向的一阶导数和二阶导数：
Figure PCTCN2020122353-appb-000018
Figure PCTCN2020122353-appb-000019
Figure PCTCN2020122353-appb-000020
Figure PCTCN2020122353-appb-000021
Figure PCTCN2020122353-appb-000022
式中f(i，j)为图像在i行j列的灰度值；
4.2)根据一阶导数和二阶导数计算图像各像素点的平均曲率C m，
Figure PCTCN2020122353-appb-000023
5)根据图像各像素点的平均曲率C m，对每一张手指静脉图像进行二值化，进而得到明显的手指静脉纹路，其具体步骤为：
5.1)计算各像素点邻域内的平均曲率C m的均值m和标准差s；
5.2)根据平均曲率C m的均值m和标准差s，求取二值化的阈值T Niblack，
T Niblack＝m+k×s           (13)，
其中，k为修正系数，本实施例取值为-0.2；
5.3)若分割后的二值图为B，该像素点的平均曲率C m大于阈值T Niblack，则置为1，否则置为0，则图像分割法有如下变换：
Figure PCTCN2020122353-appb-000024
利用上述图像分割法将灰度图像转变为二值图像，得到明显的手指静脉纹路，如图5所示。
6)基于特征点的中心坐标P和旋转角θ，对待识别用户的二值静脉图像进行平移和旋转校准，其具体步骤包括：
6.1)计算待识别用户图像和注册用户图像之间特征点的中心坐标的差值， 并将待识别用户图像平移该差值大小的像素；
6.2)计算待识别用户图像和注册用户图像之间特征点的旋转角的差值，并将待识别用户图像旋转该差值大小的角度。
7)设置汉明距离阈值，利用异或运算分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离，其中汉明距离最小的即为与待识别图像最相似的注册用户，并将最小的汉明距离与汉明距离阈值比较，判断是否检索到该用户，其具体步骤包括：
7.1)分别将经过平移和旋转校准的待识别用户二值图和每一个注册用户二值图转化为一维编码；
7.2)设定一个汉明距离阈值d threshold，利用异或运算操作，计算待识别用户编码和每一个注册用户编码的汉明距离d；
7.3)在汉明距离d中选取最小值d min，并将其与汉明距离阈值d threshold比较，判断待识别用户是否为与此最小汉明距离d min对应的注册用户。
本实施例中，采集两百万个注册用户的手指静脉图像，通过本发明的指静脉超大用户量下的高速检索算法，按照步骤1)和2)的方法进行图像尺寸归一化和图像增强处理，按照步骤3)的方法计算注册用户图像的特征点中心坐标和旋转角，接着按照步骤4)计算增强图像的一阶导数和二阶导数，求取图像各像素点的平均曲率，按照步骤5)对所有注册用户的手指静脉图像进行二值化，并转化为一维二值编码，建立大小为640MB的手指静脉图像检索数据库。
待识别的用户手指静脉图像也通过本发明的指静脉超大用户量下的高速检索算法，按照步骤1)、2)的方法进行图像尺寸归一化和图像增强处理，按照步骤3)的方法计算待识别用户图像的特征点中心坐标和旋转角，接着按照步骤4)计算增强图像的一阶导数和二阶导数，求取图像各像素点的平均曲率，按照步骤5)对待识别用户的手指静脉图像进行二值化，按照步骤6)对待识别用户的二值静脉图进行平移和旋转校准，然后按照步骤7)将待识别用户二值图转化为一维二值编码，与手指静脉图像检索数据库的每一个注册用户的一维二值编码进行异或运算操作，统计获得的新编码中值为1的字码个数，即为待识别用户二值编码和每一个注册用户二值编码的汉明距离。遍历所有注册用户二值编码与待识别用户二值编码的汉明距离，统计最小的汉明距离所对应的注册用户编码，该注册 用户即为所有注册用户中检索出来与待识别用户最相似的，整个检索流程结束。本实施例的处理器为2.8GHz的Core i5-8400，平均一次检索时间为289ms，相较于之前直接检索的2436ms，速度有较大的提升。
实施例结果表明，本发明的指静脉超大用户量下的高速检索算法提高了超大用户量下的检索速度，减少了指静脉识别所需时间，改善了用户的体验。
实施例2
参照图6，本实施例涉及一种采用指静脉超大用户量下的高速检索算法的识别设备，其包括：
手指检测传感器，用于判断用户是否将手指放置于设备上；
图像传感器，用于采集待识别用户及所有注册用户的手指静脉图像；
处理器，用于基于实施例1的高速检索算法完成手指静脉图像的静脉特征提取和静脉特征比对识别，并将识别结果输出。
所述的图像传感器包括CMOS传感器和红外光源，手指检测传感器检测到用户手指后，CMOS传感器和红外光源配合采集用户手指静脉图像。
本发明识别设备中的模块可以选用市面上的常规元器件，比如手指检测传感器采用TonTouch公司TTP223传感器，CMOS传感器选用OmniVision公司OV9740传感器，处理器选用Rockchip公司RK3288芯片。
本识别设备的工作原理是：
1)手指检测传感器判断用户是否将手指放置于设备上；
2)当检测到手指后，处理器控制CMOS传感器和红外光源配合采集用户指静脉图像；
3)处理器根据实施例1的高速检索算法完成手指静脉图像的静脉特征提取和静脉特征比对识别，并将识别结果输出。识别结果可以用于后续的门禁控制、考勤管理等身份识别功能。
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 (10)

  1. 一种指静脉超大用户量下的高速检索算法，其特征在于：其包括以下步骤：
    1)采集待识别用户及所有注册用户的手指静脉图像，并进行图像尺寸归一化；
    2)对尺寸归一化的图像进行图像增强处理；
    3)对增强的图像进行特征点检测，计算每一张图像中所有特征点的中心坐标P和旋转角θ；
    4)计算增强图像的一阶导数和二阶导数，并根据一阶导数和二阶导数计算图像各像素点的平均曲率C m；
    5)根据图像各像素点的平均曲率C m，对每一张手指静脉图像进行二值化；
    6)基于特征点的中心坐标P和旋转角θ，对待识别用户的二值静脉图像进行平移和旋转校准；
    7)设置汉明距离阈值，利用异或运算分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离，其中汉明距离最小的即为与待识别图像最相似的注册用户，并将最小的汉明距离与汉明距离阈值比较，判断是否检索到该用户。
  2. 根据权利要求1所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤2)中，图像的增强处理是基于限制对比度的自适应直方图均衡化实现的，其具体步骤包括：
    2.1)将图像均分成若干份大小为M个像素的矩形块，统计各块内的灰度直方图H ist(i)；
    2.2)对灰度直方图H ist(i)进行M/N×C limit限幅剪裁，得到限幅直方图H cut(i)，其中，N表示灰度等级；
    2.3)基于限幅直方图H cut(i)，计算各块限幅直方图的累积分布函数C DF(i)，
    Figure PCTCN2020122353-appb-100001
    其中，i表示灰度值；
    2.4)基于累积分布函数C DF(i)，求取直方图均衡化的灰度映射函数m(i)，
    m(i)＝N/M×C DF(i)  (2)；
    2.5)位于矩形块中心的像素点的通过该矩形块的灰度映射函数m(i)实现图像增强，其他位置的像素点通过该点周边的矩形块的灰度映射函数m(i)的插值实现图像增强。
  3. 根据权利要求1所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤3)的具体步骤包括：
    3.1)基于像素点周围的图像灰度值，检测该点周围一圈的像素值，若该点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该点为特征点；
    3.2)根据这些特征点的坐标，计算所有特征点的中心坐标P，
    P的坐标为
    Figure PCTCN2020122353-appb-100002
    其中，x表示特征点的行坐标，y表示特征点的列坐标，C.size为特征点个数，i’为特征点的编号；
    3.3)根据中心点坐标P，把所有特征点分为上下两簇，分族的算法为：
    Figure PCTCN2020122353-appb-100003
    若C i’.y<P.y，则C i’∈U  (4)，
    Figure PCTCN2020122353-appb-100004
    若C i’.y≥P.y，则C i’∈D  (5)；
    计算上下簇的中心P U、P D坐标，其中，U为上簇，D为下簇；
    3.4)根据上下族中心坐标P U、P D计算图像的角度θ，
    Figure PCTCN2020122353-appb-100005
  4. 根据权利要求1所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤4)的具体步骤包括：
    4.1)对图像增强后的指静脉图像计算其各像素点各方向的一阶导数和二阶导数；
    4.2)根据一阶导数和二阶导数计算图像各像素点的平均曲率C m，
    Figure PCTCN2020122353-appb-100006
  5. 根据权利要求4所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤4.1)采用以下公式计算一阶导数和二阶导数：
    Figure PCTCN2020122353-appb-100007
    Figure PCTCN2020122353-appb-100008
    Figure PCTCN2020122353-appb-100009
    Figure PCTCN2020122353-appb-100010
    Figure PCTCN2020122353-appb-100011
    式中f(i，j)为图像在i行j列的灰度值。
  6. 根据权利要求1所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤5)的具体步骤包括：
    5.1)计算各像素点邻域内的平均曲率C m的均值m和标准差s；
    5.2)根据平均曲率C m的均值m和标准差s，求取二值化的阈值T Niblack，
    T Niblack＝m+k×s  (13)，
    其中，k为修正系数；
    5.3)若该像素点的平均曲率C m大于阈值T Niblack，则置为1，否则置为0，即
    Figure PCTCN2020122353-appb-100012
    B(i,j)表示图像在i行j列的分割后的二值图，利用图像分割将灰度图像转变为二值图像，得到明显的手指静脉纹路。
  7. 根据权利要求1所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤6)的具体步骤包括：
    6.1)计算待识别用户图像和注册用户图像之间特征点的中心坐标的差值，并将待识别用户图像平移该差值大小的像素；
    6.2)计算待识别用户图像和注册用户图像之间特征点的旋转角的差值，并将待识别用户图像旋转该差值大小的角度。
  8. 根据权利要求1所述的指静脉超大用户量下的高速检索算法，其特征在于：所述的步骤7)的具体步骤包括：
    7.1)分别将经过平移和旋转校准的待识别用户二值图和每一个注册用户二值图转化为一维编码；
    7.2)设定一个汉明距离阈值d threshold，利用异或运算操作，计算待识别用户编码和每一个注册用户编码的汉明距离d；
    7.3)在汉明距离d中选取最小值d min，并将其与汉明距离阈值d threshold比较，判断待识别用户是否为与此最小汉明距离d min对应的注册用户。
  9. 一种采用权利要求1所述指静脉超大用户量下的高速检索算法的识别设备，其特征在于：其包括：
    手指检测传感器，用于判断用户是否将手指放置于设备上；
    图像传感器，用于采集待识别用户及所有注册用户的手指静脉图像；
    处理器，用于基于权利要求1的高速检索算法完成手指静脉图像的静脉特征提取和静脉特征比对识别，并将识别结果输出。
  10. 根据权利要求9所述指静脉超大用户量下的高速检索算法的识别设备，其特征在于：所述的图像传感器包括CMOS传感器和红外光源，手指检测传感器检测到用户手指后，CMOS传感器和红外光源配合采集用户手指静脉图像。
PCT/CN2020/122353 2020-01-04 2020-10-21 一种指静脉超大用户量下的高速检索算法及识别设备 WO2021135533A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010007636.4 2020-01-04
CN202010007636.4A CN111222456B (zh) 2020-01-04 2020-01-04 一种指静脉超大用户量下的高速检索算法

Publications (1)

Publication Number Publication Date
WO2021135533A1 true WO2021135533A1 (zh) 2021-07-08

Family

ID=70830984

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/122353 WO2021135533A1 (zh) 2020-01-04 2020-10-21 一种指静脉超大用户量下的高速检索算法及识别设备

Country Status (2)

Country Link
CN (1) CN111222456B (zh)
WO (1) WO2021135533A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578760A (zh) * 2022-11-15 2023-01-06 山东圣点世纪科技有限公司 一种基于地形起伏度静脉识别的控制系统及控制方法
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

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222456B (zh) * 2020-01-04 2023-06-23 圣点世纪科技股份有限公司 一种指静脉超大用户量下的高速检索算法
CN114023249A (zh) * 2021-10-29 2022-02-08 卡莱特云科技股份有限公司 Led显示屏图像的灯点提取方法、装置及led显示屏校正方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228118A (zh) * 2016-07-13 2016-12-14 山西圣点世纪科技股份有限公司 一种特征点和二值图像结合的手指静脉识别方法
CN109583279A (zh) * 2017-09-29 2019-04-05 山西圣点世纪科技股份有限公司 一种指纹和指静脉联合识别算法
CN111222456A (zh) * 2020-01-04 2020-06-02 圣点世纪科技股份有限公司 一种指静脉超大用户量下的高速检索算法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853378A (zh) * 2010-05-24 2010-10-06 哈尔滨工程大学 基于相对距离的手指静脉识别方法
JP5729029B2 (ja) * 2011-03-10 2015-06-03 セイコーエプソン株式会社 識別装置及び識別方法
CN103400134B (zh) * 2013-06-28 2016-08-10 哈尔滨工程大学 非接触式手指静脉样本感兴趣区域提取方法
CN106127151B (zh) * 2016-06-23 2019-04-19 北京海鑫科金高科技股份有限公司 基于改进局部二值模型的指静脉识别方法及装置
CN108171188B (zh) * 2018-01-04 2021-11-23 天津大学 用于快速匹配识别手指静脉的mcm方法
CN110348289B (zh) * 2019-05-27 2023-04-07 广州中国科学院先进技术研究所 一种基于二值图的手指静脉识别方法
CN110443128B (zh) * 2019-06-28 2022-12-27 广州中国科学院先进技术研究所 一种基于surf特征点精确匹配的指静脉识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228118A (zh) * 2016-07-13 2016-12-14 山西圣点世纪科技股份有限公司 一种特征点和二值图像结合的手指静脉识别方法
CN109583279A (zh) * 2017-09-29 2019-04-05 山西圣点世纪科技股份有限公司 一种指纹和指静脉联合识别算法
CN111222456A (zh) * 2020-01-04 2020-06-02 圣点世纪科技股份有限公司 一种指静脉超大用户量下的高速检索算法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578760A (zh) * 2022-11-15 2023-01-06 山东圣点世纪科技有限公司 一种基于地形起伏度静脉识别的控制系统及控制方法
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

Also Published As

Publication number Publication date
CN111222456A (zh) 2020-06-02
CN111222456B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
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
CN107748877B (zh) 一种基于细节点和纹理特征的指纹图像识别方法
Fei et al. Local apparent and latent direction extraction for palmprint recognition
Kang et al. Contactless palm vein recognition using a mutual foreground-based local binary pattern
Kang et al. Contact-free palm-vein recognition based on local invariant features
Lee et al. Partial fingerprint matching using minutiae and ridge shape features for small fingerprint scanners
Wu et al. A secure palm vein recognition system
Syarif et al. Enhanced maximum curvature descriptors for finger vein verification
Zhang et al. Robust palmprint verification using 2D and 3D features
TWI434220B (zh) 利用手掌靜脈之生物特徵辨識使用者之方法
Nigam et al. Designing an accurate hand biometric based authentication system fusing finger knuckleprint and palmprint
WO2021227331A1 (zh) 一种基于地形凹凸特性的指静脉机器学习识别方法及装置
Min et al. Eyelid and eyelash detection method in the normalized iris image using the parabolic Hough model and Otsu’s thresholding method
Bakshi et al. A novel phase-intensive local pattern for periocular recognition under visible spectrum
Wang et al. Personal identification based on multiple keypoint sets of dorsal hand vein images
WO2017161636A1 (zh) 一种基于指纹的终端支付方法及装置
CN111429359B (zh) 小面积指纹图像拼接方法、装置、设备及存储介质
Savithiri et al. Performance analysis on half iris feature extraction using GW, LBP and HOG
Patel et al. An improved approach in fingerprint recognition algorithm
Bahaa-Eldin A medium resolution fingerprint matching system
Cao et al. Automatic latent value determination
Maltoni et al. Fingerprint matching
Putra et al. Hand geometry verification based on chain code and dynamic time warping
Xie et al. Ridge-based fingerprint recognition
Jin et al. Finger vein recognition algorithm under reduced field of view

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20911138

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20911138

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20911138

Country of ref document: EP

Kind code of ref document: A1