CN105426843B - 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 - Google Patents
一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 Download PDFInfo
- Publication number
- CN105426843B CN105426843B CN201510801840.2A CN201510801840A CN105426843B CN 105426843 B CN105426843 B CN 105426843B CN 201510801840 A CN201510801840 A CN 201510801840A CN 105426843 B CN105426843 B CN 105426843B
- Authority
- CN
- China
- Prior art keywords
- palm
- image
- light
- camera lens
- ccd sensor
- 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
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title claims description 19
- 239000000463 material Substances 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 206010027146 Melanoderma Diseases 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 210000003491 skin Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
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
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
- G06V40/1324—Sensors therefor by using geometrical optics, e.g. using prisms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种能够同时采集手掌静脉和掌纹图像的装置,并采用上述装置获得手掌静脉和掌纹图像进行增强和分割方法。装置包括:壳体、镜头、近红外LED光源组、可见白光LED光源组、环状均光材料、可见光CCD传感器、近红外CCD传感器、第一半透半反镜片和第二半透半反镜片。本发明使用一个镜头同时采集掌静脉和掌纹图片,保障了掌静脉图片和掌纹图片的区域一致性;使用半透半反镜片,对同一个镜头下不同波长的光线进行分离,再利用近红外CCD传感器和可见光CCD传感器分别采集到掌静脉和掌纹的图片,保障了掌静脉和掌纹图片的清晰度;并且采集的掌静脉和掌纹图像进行增强和分割能够克服手掌区域的灰度值不均现象,准确的区分出掌静脉,掌纹以及皮肤区域。
Description
技术领域
本发明涉及生物特征识别领域,具体为一种使用单个镜头同时采集手掌静脉图像和掌纹图像的装置,本发明还涉及一种低对比度掌静脉和掌纹图像的增强和分割方法。
背景
当前,比较成熟和最具有应用前景的几种生物特征识别技术包括指纹识别、虹膜识别、脸像识别、语音识别、掌型识别、签名识别等。但是上述生物特征识别技术都有一些共同的缺陷:第一,受环境影响较大;第二,理论上可以被复制和盗用。
手部静脉识别技术是最近几年提出的一种新的生物特征识别技术,具有唯一性、稳定性、不可伪造性、非接触式等优点。手部静脉识别技术包括手掌静脉,手指静脉和手背静脉识别三种形式。其中手掌静脉识别技术的优点包括两点:第一,掌静脉相对于指静脉而言,其血管较粗且位于表皮下,因此容易捕获到掌静脉图像;第二,掌静脉相对于手背静脉结构而言,其几何结构较复杂,能够提高识别的准确性。但是,掌静脉结构仅仅是由几条较粗的静脉血管构成,无法满足高安全领域的应用要求。人的掌纹结构可以作为一种生物特征用于身份识别,如果融合掌静脉和掌纹的特征,无疑能够提高识别的准确性。
发明公开号为CN101833647B的专利:“掌纹图像的获取设备及掌纹图像处理方法”,公开了一种采集掌纹图像的装置及识别方法,但是掌纹结构比较简单,仅仅依靠掌纹结构进行身份识别存在一定的安全隐患。
发明公开号为CN101196987B的专利:“在线掌纹、手掌静脉图像身份识别方法及其专用采集仪”。公开了一种能够采集掌纹和掌静脉的装置,但是其采集过程为交替打开可见光LED和近红外LED,从而分别获取掌纹和掌静脉图像。由于拍摄的交替性,该方法无法同时捕获到区域完全一致的掌纹和掌静脉图像;由于光源切换时摄像机成像的过程需要一定的时间,导致了识别总时间增加;另外,近红外手掌静脉图像对比度较低,该方法并未研究有效的图像增强方法。
发明内容
为了克服现有技术中存在的问题,本发明的目的是提供一种能够同时采集手掌静脉和掌纹图像的装置,并采用上述装置获得手掌静脉和掌纹图像进行增强和分割方法。
为了实现上述目的,本发明采用以下技术方案:一种单镜头下同时采集手掌静脉和掌纹图像的装置,所述装置包括:
壳体,四面封闭,前部开孔用于安装镜头;
镜头,穿过壳体,能够同时透过可见光线以及近红外光线,用于对手掌图像进行采集;
光源组,环绕镜头,光线射向镜头正前方,用于对手掌进行照明和补光;
环状均光材料,设置在光源组正前方,大小能够完全遮挡住光源组,用于形成均匀光线;
CCD传感器组,设置在壳体内,用于采集透过镜头的图像;
镜片组,设置在壳体内,用于将透过镜头的图像传送给CCD传感器组;
控制存储用PC,连接CCD传感器组,用于将接收到的手掌静脉和掌纹图像进行增强和分割处理,并进行储存。
所述光源组包括近红外LED光源组和可见白光LED光源组,所述近红外LED光源组为8个850nm近红外LED灯,可见白光LED光源组为8个可见白光LED灯。
所述CCD传感器组包括可见光CCD传感器和近红外CCD传感器;所述可见光CCD传感器设置在镜头的正后方,且二者的中心轴在一条直线上,用于采集可见白光LED光源组发射的光线经手掌反射后,透过镜头的可见光掌纹图像;所述近红外CCD传感器,设置在壳体内的上部,其正面朝向和水平面夹角为225度,用于采集近红外LED光源组发射的光线经手掌反射后,透过镜头的近红外手掌静脉图像。
所述镜片组包括两个半透半反镜片,第一半透半反镜片设置在镜头和可见光CCD传感器中间,第一半透半反镜片和水平面的夹角为67.5度,用于传递透过镜头的可见光线,同时反射透过镜头的近红外光线至第二半透半反镜片,第二半透半反镜片反射近红外光线至近红外CCD传感器。
所述装置还包括手掌放置支架和中指固定卡槽,所述手掌放置支架为设置在壳体前部、镜头外部,用于限定手掌和镜头之间的距离,中指固定卡槽设置在手掌放置支架上,用于保持采集手掌静脉和掌纹图像的一致性。
一种同时采集手掌静脉和掌纹图像的方法,包括以下步骤:
(1)将手掌放置在镜头前15cm,通过可见光CCD传感器和近红外CCD传感器获得手掌静脉和掌纹图像;
(2)对采集到的手掌静脉和掌纹图像进行分割;
(3)基于Retinex迭代滤波对手掌静脉和掌纹图像进行增强;
(4)对增强后的手掌静脉和掌纹图像进行二值化分割;
(5)对二值化后的图像中的手掌静脉和掌纹结构进行真实性判断,去除噪声和虚假结构。
所述步骤2采用删除所采集图像四周各50个像素。
所述步骤3包括以下步骤:
(1)用3*3的均值滤波器对分割后的手掌静脉和掌纹图像进行平滑滤波去噪处理,采用下式:
其中I0(x,y)是感兴趣区域分割后的手掌静脉和掌纹图像,I(x,y)是平滑滤波去噪后的图像;
(2)采用改进的Retinex算法对手掌静脉和掌纹图像进行增强:
A、采用下式计算图像每个像素点邻域像素的变化程度d(x,y):
d(x,y)=|I(x,y+1)-I(x,y-1)|+|I(x+1,y)-I(x-1,y)|
其中I(x,y)是摄像机拍摄的图像,d(x,y)是每个像素点的左右像素差值以及上下像素插值的绝对值的和;
B、采用下式计算动态滤波窗函数:
w(x,y)=(1+0.5d2(x,y))-1
C、使用动态滤波窗函数w(x,y)对图像I(x,y)的每个元素进行迭代滤波20次,计算环境光分量L(x,y):
Lt+1(x,y)=max(L′t+1(x,y),Lt(x,y))
其中:L0(x,y)=I(x,y)
其中I(x,y)是原始输入图像,L(x,y)是求得的环境光分量。上述过程为迭代过程,初始L0(x,y)=I(x,y),N(x,y)是滤波窗w(x,y)的3*3邻域的累加和;
D、采用Retinex算法,计算增强后的图像R(x,y),并归一化到[0,1];
R(x,y)=logI(x,y)-logL(x,y)
R0(x,y)=(R(x,y)-min(R))/(max(R)-min(R))
R0(x,y)为均衡和增强后的手掌静脉和掌纹图像;
(3)对手掌静脉和掌纹图像进行对比度拉伸处理:
A、R0(x,y)=0 如果 R0(x,y)<0.6
R0(x,y)=2*R0(x,y)-1 如果 R0(x,y)≥0.6
B、使用灰度余弦变换对图像进行灰度拉伸处理,得到R1(x,y),计算公式如下:
R1(x,y)=1-cos(0.5*π*R0(x,y))
C、使用3*3的高斯平滑滤波器对R1(x,y)进行滤波去噪处理。
所述步骤4中使用全局二值化的方法对手掌纹和手掌静脉图像进行分割,手掌纹的最优分割阈值为0.45,手掌静脉图片的最优分割阈值为0.55。
所述步骤5包括以下步骤:
(1)利用形态学操作对分割后的图片进行处理,首先进行形态学膨胀消除小孔洞,同时连接小的间隙,再利用形态学腐蚀恢复原始掌静脉和掌纹的宽度;
(2)去除二值化图像中小的黑斑点噪声;
(3)去除虚假掌静脉和掌纹结构。
本发明的有益效果是:(1)本发明使用一个镜头同时采集掌静脉和掌纹图片,保障了掌静脉图片和掌纹图片的区域一致性;(2)使用半透半反镜片,对同一个镜头下不同波长的光线进行分离,再利用近红外CCD传感器和可见光CCD传感器分别采集到掌静脉和掌纹的图片,保障了掌静脉和掌纹图片的清晰度;(3)本发明的掌静脉和掌纹图像增强和分割算法能够克服手掌区域的灰度值不均现象,准确的区分出掌静脉,掌纹以及皮肤区域,且该方法的计算复杂度较小,在core i7-3770,3.4GHz,4G内存的计算机上,对160*120大小的掌静脉和掌纹图片的处理时间的平均值约0.1s,符合实时计算的要求。
附图说明
图1是实施例掌静脉和掌纹图像采集装置的剖面图。
图2是实施例掌静脉和掌纹图像采集装置的外部结构图。
图3是实施例掌静脉和掌纹图像采集,增强和分割流程图。
图4是实施例掌静脉(a)和掌纹(b)图片感兴趣区域分割结果图。
图5是实施例掌静脉(a)和掌纹(b)图片增强效果图。
图6是实施例掌静脉(a)和掌纹(b)图片对比拉伸效果图。
图7是实施例掌静脉(a)和掌纹(b)图片分割效果图。
图8是实施例掌静脉(a)和掌纹(b)图片形态学处理效果图。
图9是实施例掌静脉(a)和掌纹(b)图片去噪效果图。
图10是实施例掌静脉(a)和掌纹(b)图片去除虚假结构效果图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步的说明。
一种单个镜头下掌静脉和掌纹图像采集装置,其剖面图如图1所示,其外部结构如图2所示。
如图1所示,装置包括:壳体1、镜头2、近红外LED光源组3、可见白光LED光源组4、环状均光材料5、可见光CCD传感器6、近红外CCD传感器7、第一半透半反镜片8和第二半透半反镜片9。
如图2所示,装置还包括手掌放置支架10和中指固定卡槽11。
壳体作用是固定器件,同时避免环境中的光线影响,要求不透明即可,对材质没有特殊要求,四面封闭,前部开孔用于安装镜头。镜头为普通的可见光和近红外光通用镜头,能够同时透过可见光线以及近红外光线。850nm近红外LED组共有LED灯8个,环绕在镜头周围,光线射向镜头正前方,作为拍摄掌静脉图像的光源。可见白光LED组共有LED灯8个,环绕在近红外LED组周围,光线射向镜头正前方,作为拍摄掌纹图像的光源。环形均光材料放置在两组光源的正前方,且大小能够完全遮挡住两组光源,其作用是形成均匀的近红外以及可见光线,从而采集到均衡的掌静脉和掌纹图像。
可见光CCD传感器放置在镜头的正后方,且二者的中心轴在一条直线上,其作用是:采集可见白光LED组发射的光线经手掌反射后,透过镜头的可见光掌纹图像。近红外CCD传感器位于壳体内部的上部,其正面朝向和水平面夹角为225度,其作用是:采集第二个半透半反镜片反射的近红外光线,从而拍摄近红外手掌静脉图像。
半透半反镜片有2个,可以透过可见光线,同时反射近红外光线。第一半透半反镜片放置在镜头和可见光CCD传感器中间,镜片和水平面的夹角为67.5度,其作用是:透过镜头传递的可见光线,这样可见光LED可以捕获到掌纹图像,同时反射镜头的近红外光线至第二个半透半反镜片。第二半透半反镜片放置在左侧壳体的上部,镜片垂直于水平面,其作用是:再次反射第一个半透半反镜片反射的近红外光线至近红外CCD传感器。
可见光CCD传感器和近红外CCD传感器接收到的手掌静脉和掌纹图像传送给控制存储用PC,对图像进行增强和分割处理,并进行储存。
手掌放置支架为设置在壳体前部、镜头外部,用于限定手掌和镜头之间的距离,高度15厘米。中指固定卡槽设置在手掌放置支架上,作用是固定中指和手掌交界处的位置,用于保持采集手掌静脉和掌纹图像的一致性。
掌静脉和掌纹图像采集,增强和分割流程图见图3,采用手掌静脉和掌纹图像采集装置拍摄到的掌纹和掌静脉图片对比度较低,如果直接用来进行识别,难以得到较高的识别率,因此需要进行图像增强和分割处理,步骤如下:
步骤1:将手掌放置在镜头前15cm,通过可见光CCD传感器和近红外CCD传感器获得手掌静脉和掌纹图像。
步骤2:对拍摄到的原始图像进行“感兴趣区域分割”,得到“标准掌纹和掌静脉图像”。
具体实施方式为:删除所采集的原始掌静脉和掌纹图像四周各50个像素,其作用是去除手部边缘掌静脉和掌纹结构较少的区域,从而获取结构信息丰富的关键区域,获取的感兴趣区域图像如图4。
步骤3:基于Retinex迭代滤波的掌静脉和掌纹图像增强。
具体实施方式为:
1、平滑滤波去噪。
用3*3的均值滤波器对采集到的掌静脉和掌纹图像进行平滑滤波处理。由于拍摄到的原始掌静脉和掌纹图像含有一定的噪声,因此首先使用一个3*3的平滑滤波器对图像进行平滑滤波,如下式:
其中I0(x,y)是感兴趣区域分割后的掌静脉和掌纹图像,I(x,y)是平滑滤波去噪的图像。
2、改进的Retinex算法对掌静脉和掌纹图像进行增强。
尽管采集装置使用了环形均光材料分散光线,形成了比较均匀的光线,但是所采集到的图像的灰度值还是不太均匀;另外,由于所采集到的图片对比度较低,因此需要研究光照均衡和结构增强算法。
Retinex理论是Edwin Land提出的一套色彩理论,经过近些年的研究可以应用在图像处理领域。Retinex理论的核心思想是:人眼对一个物体颜色的感知,在环境光线变化或物体表面光照不均的情况下仍然能准确判断,是因为人类的视觉***能够进行某种处理,去除了光源强度等干扰因素。通过Retinex理论可以从拍摄到的图像中去除照射光线,从而获得物体所具有的反射性质。虽然近红外图像没有色彩,同样可以应用Retinex理论来消除掌静脉和掌纹图像的灰度不均现象。
Retinex理论的定义如下:
R(x,y)=logI(x,y)-logL(x,y)
其中I(x,y)是摄像机拍摄的图像,L(x,y)是环境光分量,R(x,y)是灰度均衡和增强后的图像;标准Retinex理论中通过对原图进行高斯滤波来模拟环境光分量L(x,y),本发明的环境光分量L(x,y)计算过程如下所示:
(1)计算图像的每个像素点邻域像素的变化程度d(x,y),如下式:
d(x,y)=|I(x,y+1)-I(x,y-1)|+|I(x+1,y)-I(x-1,y)|
从公式中容易发现,d(x,y)代表每个像素点的左右像素差值以及上下像素插值的绝对值的和,能够代表该点局部邻域变化的剧烈程度。
(2)计算动态滤波窗函数w(x,y)是一个随某像素素点梯度增加而递减的函数,如下式:
w(x,y)=(1+0.5d2(x,y))-1
从公式容易发现,像素点邻域变化程度越高,该滤波窗函数的值越小。即:当d(x,y)较大(灰度变化较大,可能是边缘)时,平滑减弱,反之增强平滑效果。这样,在平滑图像平坦区域的同时,保留了边缘信息。
(3)使用动态滤波窗函数w(x,y)对图像I(x,y)的每个元素进行迭代滤波20次,计算环境光分量L(x,y):
Lt+1(x,y)=max(L′t+1(x,y),Lt(x,y))
其中:
L0(x,y)=I(x,y)
其中I(x,y)是原始输入图像,L(x,y)是求得的环境光分量。上述过程为迭代过程,初始L0(x,y)=I(x,y),N(x,y)是滤波窗w(x,y)的3*3邻域的累加和,其作用是保障迭代前后像素的区间值的一致性。求解迭代前后的像素的较大值的实际效果是,增加了皮肤区域的整体亮度,加大图片的对比度。
(4)求解增强后的图像,并归一化到[0,1]。
求解出环境光分量后,可以利用Retinex算法的公式,直接计算出均衡并增强后的掌静脉和掌纹图片;
R(x,y)=logI(x,y)-logL(x,y)
此时像素值不在[0,1]区间,因此需要利用下式把像素值归一化到[0,1]范围。
R0(x,y)=(R(x,y)-min(R))/(max(R)-min(R))
至此,可以得到增强后的掌静脉和掌纹图片R0(x,y),如图5所示。
3、对比度拉伸处理。
上述计算后图片的灰度值一般较高,对比度较低,因此需要进一步做对比度拉伸处理,具体过程为:
(1)R0(x,y)=0 如果 R0(x,y)<0.6
R0(x,y)=2*R0(x,y)-1 如果 R0(x,y)≥0.6
增强后的掌静脉和掌纹图片R0(x,y)的灰度值主要集中在[0.6,1]的范围内,因此利用该变换,可以拉伸其灰度区间,增加对比度。
(2)再使用灰度余弦变换对图像进行灰度拉伸处理,得到R1(x,y),进一步增加掌静脉、掌纹和皮肤的灰度值差异,计算公式如下:
R1(x,y)=1-cos(0.5*π*R0(x,y))
(3)最后使用3*3的高斯平滑滤波器对R1(x,y)进行滤波去噪处理,增强后的掌静脉和掌纹图像如图6所示。
步骤4:对增强后的掌静脉和掌纹图像进行二值化分割。
经过步骤2处理后的掌静脉和掌纹图片的灰度值较均衡,且掌静脉、掌纹与皮肤之间的对比度较大,因此可以使用全局二值化的方法对掌纹和掌静脉图像进行分割,掌纹的最优分割阈值为0.45,掌静脉图片的最优分割阈值为0.55,处理效果如图7。
步骤5:对二值化后的图像中的掌静脉和掌纹结构进行真实性判断,去除噪声和虚假结构。
具体实施方式如下:
(1)利用形态学操作对分割后的图片进行处理,首先进行形态学膨胀消除小孔洞,同时连接小的间隙,再利用形态学腐蚀恢复原始掌静脉和掌纹的宽度;处理效果如图8。
(2)去除二值化图像中小的黑块噪声,即如果在一个像素的5×5邻域内有五个或更多的像素灰度值为0,则设置为0,否则设置为1;处理效果如图9。
(3)去除虚假掌静脉和掌纹结构,方法如下:对二值化图像中黑色块进行标记、计算每块面积(像素数)、确定每块的外接矩形的长度和宽度(图像大小160*120),然后按照以下情况进行处理:
●如果黑块面积小于150,则删除此黑块。掌纹和掌静脉结构具有连贯性,具有的象素个数较多,小区域的黑块一般是噪声、污点或小阴影。
●如果黑块面积在150到600之间,判断其长宽的差异倍数D,如果D小于5,则删除此黑块。分析如下:对于面积在150-600范围的黑块,一般是单条掌静脉或掌纹,具有单一的方向,此时黑块的长和宽的差异一般较大,经过大量统计实验,单条掌静脉和掌纹结构的长宽差异值大于5。这种较大的虚假黑块一般产生在图像的四个拐角的阴影处。
●如果黑块面积大于600,保留此黑块,为真实掌静脉和掌纹结构。
经过以上步骤,可以准确的从对比度不高,灰度值不太均匀的掌静脉和掌纹图片中提取出真实的结构,如图10。可见:原本不太明显的掌静脉和掌纹结构此时非常清晰的显示出来。
以上所述,仅是本发明的较佳实施例而已,并非对本发明做任何形式的限制。凡是依据本发明的技术和方法实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明的技术和方法方案的范围内。
Claims (3)
1.一种单镜头下同时采集手掌静脉和掌纹图像的装置,其特征在于;所述装置包括:
壳体,四面封闭,前部开孔用于安装镜头;
镜头,穿过壳体,能够同时透过可见光线以及近红外光线,用于对手掌图像进行采集;
光源组,环绕镜头,光线射向镜头正前方,用于对手掌进行照明和补光;
环状均光材料,设置在光源组正前方,大小能够完全遮挡住光源组,用于形成均匀光线;
CCD传感器组,设置在壳体内,用于采集透过镜头的图像;
镜片组,设置在壳体内,用于将透过镜头的图像传送给CCD传感器组;
控制存储用PC,连接CCD传感器组,用于将接收到的手掌静脉和掌纹图像进行增强和分割处理,并进行储存;
所述光源组包括近红外LED光源组和可见白光LED光源组,所述近红外LED光源组为8个850nm近红外LED灯,环绕在镜头周围,光线射向镜头正前方,可见白光LED光源组为8个可见白光LED灯,环绕在近红外LED组周围,光线射向镜头正前方;
所述CCD传感器组包括可见光CCD传感器和近红外CCD传感器;所述可见光CCD传感器设置在镜头的正后方,且二者的中心轴在一条直线上,用于采集可见白光LED光源组发射的光线经手掌反射后,透过镜头的可见光掌纹图像;所述近红外CCD传感器,设置在壳体内的上部,其正面朝向和水平面夹角为225度,用于采集近红外LED光源组发射的光线经手掌反射后,透过镜头的近红外手掌静脉图像;
所述镜片组包括两个半透半反镜片,第一半透半反镜片设置在镜头和可见光CCD传感器中间,第一半透半反镜片和水平面的夹角为67.5度,用于传递透过镜头的可见光线,同时反射透过镜头的近红外光线至第二半透半反镜片,第二半透半反镜片反射近红外光线至近红外CCD传感器。
2.根据权利要求1所述的装置,其特征在于:所述装置还包括手掌放置支架和中指固定卡槽,所述手掌放置支架为设置在壳体前部、镜头外部,用于限定手掌和镜头之间的距离,中指固定卡槽设置在手掌放置支架上,用于保持采集手掌静脉和掌纹图像的一致性。
3.一种根据权利要求1至2任一所述装置同时采集手掌静脉和掌纹图像的方法,其特征在于包括以下步骤:
(1)将手掌放置在镜头前15cm,通过可见光CCD传感器和近红外CCD传感器获得手掌静脉和掌纹图像;
(2)对采集到的手掌静脉和掌纹图像进行分割;
(3)基于Retinex迭代滤波对手掌静脉和掌纹图像进行增强;
(4)对增强后的手掌静脉和掌纹图像进行二值化分割;
(5)对二值化后的图像中的手掌静脉和掌纹结构进行真实性判断,去除噪声和虚假结构;所述步骤2采用删除所采集图像四周各50个像素;
所述步骤3包括以下步骤:
(1)用3*3的均值滤波器对分割后的手掌静脉和掌纹图像进行平滑滤波去噪处理,采用下式:
其中I0(x,y)是感兴趣区域分割后的手掌静脉和掌纹图像,I(x,y)是平滑滤波去噪后的图像;
(2)采用改进的Retinex算法对手掌静脉和掌纹图像进行增强:
A、采用下式计算图像每个像素点邻域像素的变化程度d(x,y):
d(x,y)=|I(x,y+1)-I(x,y-1)|+|I(x+1,y)-I(x-1,y)|
其中I(x,y)是摄像机拍摄的图像,d(x,y)是每个像素点的左右像素差值以及上下像素插值的绝对值的和;
B、采用下式计算动态滤波窗函数:
w(x,y)=(1+0.5d2(x,y))-1
C、使用动态滤波窗函数w(x,y)对图像I(x,y)的每个元素进行迭代滤波20次,计算环境光分量L(x,y):
Lt+1(x,y)=max(L′t+1(x,y),Lt(x,y))
其中:L0(x,y)=I(x,y)
其中I(x,y)是原始输入图像,L(x,y)是求得的环境光分量; 上述过程为迭代过程,初始L0(x,y)=I(x,y),N(x,y)是滤波窗w(x,y)的3*3邻域的累加和;
D、采用Retinex算法,计算增强后的图像R(x,y),并归一化到[0,1];
R(x,y)=logI(x,y)-logL(x,y)
R0(x,y)=(R(x,y)-min(R))/(max(R)-min(R))
R0(x,y)为均衡和增强后的手掌静脉和掌纹图像;
(3)对手掌静脉和掌纹图像进行对比度拉伸处理:
A、R0(x,y)=0如果R0(x,y)<0.6
R0(x,y)=2*R0(x,y)-1如果R0(x,y)≥0.6
B、使用灰度余弦变换对图像进行灰度拉伸处理,得到R1(x,y),计算公式如下:
R1(x,y)=1-cos(0.5*π*R0(x,y))
C、使用3*3的高斯平滑滤波器对R1(x,y)进行滤波去噪处理;
所述步骤4中使用全局二值化的方法对手掌纹和手掌静脉图像进行分割,手掌纹的最优分割阈值为0.45,手掌静脉图片的最优分割阈值为0.55;
所述步骤5包括以下步骤:
(1)利用形态学操作对分割后的图片进行处理,首先进行形态学膨胀消除小孔洞,同时连接小的间隙,再利用形态学腐蚀恢复原始掌静脉和掌纹的宽度;
(2)去除二值化图像中小的黑斑点噪声;
(3)去除虚假掌静脉和掌纹结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510801840.2A CN105426843B (zh) | 2015-11-19 | 2015-11-19 | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510801840.2A CN105426843B (zh) | 2015-11-19 | 2015-11-19 | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426843A CN105426843A (zh) | 2016-03-23 |
CN105426843B true CN105426843B (zh) | 2019-02-22 |
Family
ID=55505043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510801840.2A Active CN105426843B (zh) | 2015-11-19 | 2015-11-19 | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426843B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106236016B (zh) * | 2016-08-18 | 2019-02-26 | 皖江新兴产业技术发展中心 | 一种用于静脉显像的原位投影方法 |
CN107038445B (zh) * | 2017-02-13 | 2021-01-12 | 上海大学 | 一种针对中文字符验证码的二值化和分割方法 |
CN107977935A (zh) * | 2017-11-15 | 2018-05-01 | 合肥中科奔巴科技有限公司 | 一种掌静脉图像纹理滤波增强方法 |
CN109447052A (zh) * | 2019-01-09 | 2019-03-08 | 东浓智能科技(上海)有限公司 | 一种可精确定位手掌位置的掌静脉识别装置及其实现方法 |
CN111738076A (zh) * | 2020-05-18 | 2020-10-02 | 山东大学 | 一种非接触式的掌纹掌静脉识别方法及装置 |
TWI781459B (zh) * | 2020-10-08 | 2022-10-21 | 國立中興大學 | 手掌靜脈特徵辨識系統及其方法 |
CN112241720A (zh) * | 2020-10-27 | 2021-01-19 | 上海掌腾信息科技有限公司 | 针对手掌倾斜情形实现掌静脉识别装置进行掌静脉图像自适应提取处理的方法 |
CN112241721B (zh) * | 2020-10-27 | 2022-07-05 | 上海掌腾信息科技有限公司 | 基于不同波长光照射条件下实现完整掌静脉图像获取的方法 |
CN114155296A (zh) * | 2021-11-19 | 2022-03-08 | 宁波芯然科技有限公司 | 一种确定手掌图像中心区域的方法 |
CN117593341B (zh) * | 2024-01-19 | 2024-05-07 | 深圳市超诺科技有限公司 | 一种基于打猎相机目标物监控数据的处理***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116741A (zh) * | 2013-01-28 | 2013-05-22 | 天津理工大学 | 手掌静脉与手掌纹融合图像的采集识别*** |
US20140019489A1 (en) * | 2012-07-10 | 2014-01-16 | Jinjun Wang | Constructing Incremental Tree Model for Vein Image Recognition and Authentication |
CN104217195A (zh) * | 2014-08-07 | 2014-12-17 | 中国矿业大学 | 手部静脉立体成像与识别*** |
-
2015
- 2015-11-19 CN CN201510801840.2A patent/CN105426843B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140019489A1 (en) * | 2012-07-10 | 2014-01-16 | Jinjun Wang | Constructing Incremental Tree Model for Vein Image Recognition and Authentication |
CN103116741A (zh) * | 2013-01-28 | 2013-05-22 | 天津理工大学 | 手掌静脉与手掌纹融合图像的采集识别*** |
CN104217195A (zh) * | 2014-08-07 | 2014-12-17 | 中国矿业大学 | 手部静脉立体成像与识别*** |
Non-Patent Citations (3)
Title |
---|
基于Retinex和小波分解的手背静脉识别方法;王华彬等;《***工程理论与实践》;20140225;第34卷(第2期);第428-431页 * |
基于近红外成像的手背静脉识别***研究与实现;陈芳;《中国优秀硕士学位论文全文数据库》;20131115(第11期);正文第5-26页 * |
手部三模态图像采集***的设计与实现;苑玮琦等;《传感器与微***》;20130528;第32卷(第5期);第78-81, 85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105426843A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426843B (zh) | 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法 | |
US9317761B2 (en) | Method and an apparatus for determining vein patterns from a colour image | |
CN101999900B (zh) | 一种应用于人脸识别的活体检测方法及*** | |
CN106446872A (zh) | 一种低照度下的视频人脸检测识别方法 | |
WO2010129074A1 (en) | System and method for identifying a person with reference to a sclera image | |
CN108416291B (zh) | 人脸检测识别方法、装置和*** | |
JP2018106720A (ja) | 画像処理装置及びその方法 | |
Das et al. | Multi-angle based lively sclera biometrics at a distance | |
Das et al. | Fuzzy logic based selera recognition | |
Das et al. | A new method for sclera vessel recognition using OLBP | |
Yang et al. | Finger-vein recognition based on Gabor features | |
Du et al. | A one-dimensional approach for iris identification | |
Szczepański et al. | Pupil and iris detection algorithm for near-infrared capture devices | |
CN114565531A (zh) | 一种图像修复方法、装置、设备和介质 | |
Li et al. | Iris recognition on mobile devices using near-infrared images | |
Sharma et al. | Improved human identification using finger vein images | |
Singla et al. | Challenges at different stages of an iris based biometric system. | |
CN116982093A (zh) | 呈现攻击检测 | |
Crihalmeanu et al. | Multispectral ocular biometrics | |
Memar Zadeh et al. | Iris localization by means of adaptive thresholding and Circular Hough Transform | |
Mariappan et al. | A labVIEW design for frontal and non-frontal human face detection system in complex background | |
Al-Hameed et al. | Face detection based on skin color segmentation and eyes detection in the human face | |
Marcon et al. | Sclera segmentation for gaze estimation and iris localization in unconstrained images. | |
Pathak et al. | Sclera Segmentation and Sclera Vessel Enhancement | |
CN113901423B (zh) | 一种基于人脸识别的智能安防设备控制方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |