CN101425134A

CN101425134A - 在线手背静脉识别方法

Info

Publication number: CN101425134A
Application number: CNA2008102026922A
Authority: CN
Inventors: 郑英杰; 顾晓东
Original assignee: Fudan University
Current assignee: Fudan University
Priority date: 2008-11-13
Filing date: 2008-11-13
Publication date: 2009-05-06

Abstract

本发明属于人体生物身份识别技术领域，具体涉及一种在线的手背静脉识别方法，本发明通过手背静脉采集仪获得手背静脉图像，然后对图像进行预处理，包括手背静脉感兴趣区域提取以及高斯滤波去噪平滑，然后对预处理的图像进行2D Gabor滤波，最后对静脉图像的2D Gabor相位特征编码，并且利用海明距离来实现特征匹配。本发明能够通过低质量的手背静脉图片来获得高质量的识别效果，在得到识别性能的同时提高了不仅匹配速度，还节约了压缩空间。

Description

在线手背静脉识别方法

技术领域

本发明属于人体生物身份识别技术领域，具体涉及一种在线的手背静脉识别方法。

背景技术

人体生物身份识别是基于人体的生物特征如人体本身固有纹理特征(如虹膜，指纹，掌纹以及脸部等)或者行为特征(如签名，键盘打字，声音以及书信等)来鉴别生物个体。基于生人体静脉识别是一项新的非接触式生物特征识别技术，它在安全保护和身份认证领域都有广泛用途。静脉识别的发展开始于2000年前后，***开发还不够成熟和完善，但是这些都不妨碍研究人员对其的浓厚兴趣。凭借着人类活体静脉独一无二、安全可靠的特性，杜绝了造假或剽窃的可能性。而且在商业化实践的过程中，我们还发现其相对于其他生物特征识别技术而言，工作稳定，使用便捷舒适的优点，所有这些都更激发了人们探索和完善这项技术的渴望。

目前静脉身份认证研究应用都比较成功的是日本，早在2000年日本日立公司中心研究实验室率先成功研制出一种可对手指静脉进行近红外成像的人员识别***，这种识别***比语音检测和脸部认识***更为精确，且不会像指纹识别、虹膜扫描和视网膜扫描那样引起传染或者产生令人不舒服的感觉。随后日本的各大公司以及新加坡，中国的公司或科研机构都纷纷投入到静脉识别这个领域来。虽然手背静脉身份认证***在国内已有很多研究，相关的算法和应用已经得到了初步的发展，但是最终的认证产品却还未能得到广泛的运用，唯一的例子就是由深圳科安信有限公司开发，试用于第十一届世界女子垒球锦标赛的手背式静脉门禁***。

发明内容。

本发明的目的在于提供一张在线手背静脉识别方法，能够满足身份识别的要求，识别性能提高的同时加快匹配速度，节约压缩特征码的存储空间。

本发明的技术方案是这样实现的：它是一种基于静脉图像2D Gabor滤波相位特征的识别方法，包括以下步骤：

(1)手背静脉图像的采集：通过手背静脉采集仪采集静脉图像并存储；

(2)手背静脉图像的预处理：对静脉图像感兴趣区域提取以及对提取到的感兴趣区域进行滤波来去除噪声；

(3)手背静脉的特征提取和编码：对手背静脉的图像进行2D Gabor滤波，对得到的2D Gabor滤波器的相位特征进行编码；

(4)静脉特征的匹配识别：运用海明距离对特征编码进行匹配和识别。

本发明通过静脉采集仪采集到手背静脉图像，对图像进行去噪平滑预处理，然后对预处后的图像进行2D Gabor滤波，将得到的2D Gabor系数相位特征进行二进制编码，运用海明距离将得到待识别图片的编码与数据库中注册的静脉图像特征的编码进行匹配和识别。

本发明的优点在于得到识别性能提高的同时加快了匹配速度，节约了压缩特征码的存储空间。

附图说明

图1是本发明使用的静脉采集仪的硬件结构框图；

图2a、2b、2c、2d、2e、2f是静脉图片预处理步骤的示意图。

具体实施方式

下面结合附图和具体实例对本发明做进一步的详细说明：

(1)手背静脉图像的采集

结合附图1，手背静脉图片的采集通过带有波长为850nm的红外滤光镜的低照度黑白CCD摄像机来拍摄850nm红外光照射下的手背静脉图片，采用的是反射光取图而不是透射光取图，然后通过视频采集卡采集到PC机。

(2)手背静脉图像的预处理和ROI提取

结合附图2，本步骤方法分为以下几步：第一步将手背静脉图像如附图2a进行二值化处理得到附图2b；第二步利用形态学方法对其进行边界提取得到附图2c；第三步依次计算手背轮廓的点到手腕中心点的距离，结果如附图2d所示，可以得到如图手背小指和无名指以及中指和食指之间的凹点P1，P2；第四步如附图2e利用上述两个凹点P1，P2确定的线段取200x200像素大小的块，即得到了本文所需的感兴趣区域。为了去除图像噪声信息，采用了2D的高斯滤波器对图像进行滤波，采用的高斯滤波器的标准偏差为3.0，最后预处理完得到的静脉图像样本如附图2f所示。

(3)对得到的手背静脉图片的ROI做2D Gabor滤波

在得到的手背静脉图片后，对其进行2D Gabor滤波，具体的滤波器公式如下所示：G(x，y，θ，f)＝g(x′，y′)exp[2πif(x′cosθ+y′sinθ)]

其中式x′＝xcosθ+ysinθ，y′＝ycosθ-xsinθ

i = \sqrt{- 1}

g(x′，y′)＝(1/2πσ²)exp(-(x²+y²)/2σ²)，σ为高斯函数标准偏差，θ控制滤波器的方向，为了保证Gabor特征对光强具有鲁棒性，本文通过下式调整Gabor滤波器的实部以去除直流分量(DC)：

\tilde{G} (x, y, θ, f) = G (x, y, θ, f) - \frac{Σ_{i = - n}^{n} Σ_{i = - n}^{n} G (x, y, θ, f)}{{(2 n + 1)}^{2}}

其中(2n+1)²是滤波器的大小。

由于2D Gabor的相位编码的效果取决于Gabor滤波器的参数θ，σ和u。本文采用的优化后的滤波器参数为，θ＝π/4，u＝0.1和

σ = \sqrt{σ_{x}^{2} + σ_{y}^{2}} = \sqrt{2^{2} + 3^{2}} .

(4)对得到的2D Gabor滤波器的相位特征进行编码。

2DGabor滤波器的相位信息由如下公式求得：

P_{ij} (x, y) = \arctan (\frac{i \overset{&OverBar;}{F_{ij} (x, y)} - F_{ij} (x, y)}{i \overset{&OverBar;}{F_{ij} (x, y)} + F_{ij} (x, y)})

其中”＿表示取共轭。然后利用得到的相位信息进行编码，对每一个特征的相位信息用两位二进制码(h_r，h_i)表示，h_r和h_i分别是实部编码和虚部编码。具体实现如下公式所示：

(h_r，h_i)＝(1，1)，如果0<＝P_ij(x，y)<π/2；(h_r，h_i)＝(0，1)，如果π/2<＝P_ij(x，y)<π；

(h_r，h_i)＝(0，0)，如果π<＝P_ij(x，y)<3π/2；(h_r，h_i)＝(1，0)，如果3π/2<＝P_ij(x，y)<2π

(4)运用海明距离对特征编码进行匹配和识别

假设P为待识别的手背静脉特征码和Q为数据库中的任一手背静脉特征码，运用海明距离进行匹配，具体计算公式如下所示

D = \frac{Σ_{i = 1}^{N} Σ_{j = 1}^{N} P (i, j) \cap Q (i, j) \cap (P (i, j) &CircleTimes; Q (i, j))}{Σ_{i = 1}^{N} Σ_{j = 1}^{N} P (i, j) \cap Q (i, j)}

其中表示“与”运算，

表示“异或”运算。然后根据设定的海明距离值来判定是否匹配。

通过上述步骤就可以构成一个在线的静脉识别***。

Claims

1、一种在线手背静脉识别方法，其特征在于，该方法含有以下步骤：

(2)手背静脉图像的预处理：对手背静脉图像的感兴趣区域提取以及对提取到的感兴趣区域进行平滑去噪；

2、根据权利要求1所述的在线静脉识别方法，其特征在于：所述步骤(2)的平滑去噪采用高斯滤波器。

3、根据权利要求1所述的在线静脉识别方法，其特征在于：所述步骤(3)利用2D Gabor滤波器滤波后，得到2D Gabor滤波器滤波后的系数。

4、根据权利要求1所述的在线静脉识别方法，其特征在于：所述步骤(3)对得到的2D Gabor滤波器的相位特征进行编码时首先根据滤波器系数求得2D Gabor滤波器的相位值，然后根据相位值进行编码，编码方式采用两位二进制码表示。

5、根据权利要求1所述的在线静脉识别方法，其特征在于：所述步骤(4)是在得到需要认证的静脉图片的的2D Gabor滤波器相位特征编码后，运用海明距离与数据库中的注册相位特征码进行匹配及识别。