CN106203497A - 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法 - Google Patents

Abstract

一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，包括以下步骤：1)采集到不同PWM波占空比下的手指静脉图像；2)对手指静脉图像做ROI提取：二值化提取出手指静脉，进行关键区域定位；3)筛选处理后得到的ROI图像：计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，然后计算该人所有ROI图像的二维熵质量分数，筛选出质量分数高于设定阈值的图像作为最后的ROI图像；4)采用2DFLD特征提取算法提取其特征；5)采用最近邻分类器进行分类。本发明提供一种能获得高质量手指静脉ROI图像的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法。

Description

一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法

技术领域

本发明涉及接触式生物特征身份识别技术领域，尤其是一种手指静脉感兴趣区域图像筛选方法。

背景技术

随着信息技术的高速发展，人们对信息安全的需求越来越高。传统的身份认证方式是基于标识物(钥匙、证件)和基于知识(***、密码)的身份认证，但这些身外之物容易被伪造和遗忘。相比于传统的身份认证，生物特征具有唯一性、无需记忆、不易伪造、易于使用等优点，基于生物特征的识别方式在很大程度上解决了传统身份认证存在的问题，并逐渐取代传统身份认证成为当前身份认证的主要方式。手指是人类感知外部世界的重要器官之一，在手指皮肤表皮下面的手指静脉是活体才具有的特性，实践表明，世界上没有2个人的手指静脉是完全相同的。手指静脉识别的原理是当近红外光照射手指时，静脉血管中的血红蛋白能吸收近红外光产生黑色，使得静脉可以明显区分于周边的皮肤，这样的特性，使得手指静脉可以作为生物识别的依据。

由于不同人的手指皮肤组织厚度不同，相同强度的近红外光下，采集到不同人的静脉图像质量会不一样，而低质量的手指静脉图像会严重影响***的认证性能。

发明内容

为了克服现有的手指静脉图像采集方式的质量一致性较差、质量较低、导致识别精度较低的不足，本发明提供一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，使得后续图像处理过程具有一致性，降低图像质量对后续处理的影响，提高***的识别精度。

本发明解决其技术问题所采用的技术方案是：

一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，所述方法包括以下步骤：

1)采集到不同PWM波占空比下的手指静脉图像；

2)对手指静脉图像做ROI提取，二值化提取出手指静脉，进行关键区域定位；

3)筛选处理后得到的ROI图像，过程如下：

首先计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，然后计算该人所有ROI图像的二维熵质量分数，筛选出质量分数高于设定阈值的图像作为最后的ROI图像；

4)采用2DFLD特征提取算法提取其特征；

5)采用最近邻分类器进行分类。

进一步，所述步骤3)中，计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，图像二维熵如式(1)：

$H\left(P\right)=-\underset{x=0}{\overset{255}{\mathrm{\Σ}}}\underset{y=0}{\overset{255}{\mathrm{\Σ}}}{P}_{xy}{\log }_2\left(P_{xy}\right)---\left(1\right)$

这里P_xy为概率密度函数如式(2)：

$P_{xy}=\frac{L_{xy}}{m\×n}---\left(2\right)$

式中m×n表示图像尺寸的大小，L_xy表示(x＝f(i,j),y＝g(i,j))出现的次数，f(i,j)表示图像(i,j)处的像素灰度值，g(i,j)表示在图像(i,j)处的像素灰度平均值如式如式(3)：

$g(i,j)=\frac{1}{D\×D}\underset{\mathrm{\Δ}i=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}\underset{\mathrm{\Δ}j=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}f(i+\mathrm{\Δ}i,j+\mathrm{\Δ}j)---\left(3\right)$

式中D代表窗口大小；

然后计算该人所有ROI图像的二维熵质量分数Q如式(4)，

$Q=\left|\frac{H-H_{min}}{H_{max}-H_{min}}\right|\×100\%---\left(4\right)$

式中Q在0到1之间，H为当前ROI图像的二维熵值，H_max和H_min分别为处理后此人所有ROI图像中二维熵的最大值和最小值；

最后筛选出质量分数高于设定阈值的图像作为最后的ROI图像。

更进一步，所述步骤1)中，通过控制PWM波信号的占空比驱动外部光源电路，使得近红外LED产生不同亮度级别的光，通过摄像头采集到不同亮度下的手指静脉图像。

再进一步，所述步骤2)中，首先借助采集引导界面，直接切出包含丰富手指静脉信息的区域，然后采用固定阈值法对切得的区域进行二值化，得到去除背景后的手指静脉图像。

所述步骤2)中，确定手指静脉ROI区域，首先每一列的像素灰度值总和L如式(5)：

$L_j=\left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p(i,j)\right|,j=1,2,\mathrm{...},h\}---\left(5\right)$

式中p(i,j)是图像的第i行、第j列像素的灰度值，n和h分别表示图像的行数和列数；

然后采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围，计算出每21列像素和相加的值，找到最大值对应的列为A、B，然后将A移50列得到l₁、B右移50列得到l₂，最后通过求l₁、l₂之间的最大内切矩阵得到最终的手指静脉ROI区域。

再进一步，所述步骤4)中，采用2DFLD特征提取算法提取其特征，过程如下：

采用2DFLD找到最佳投影方向矩阵w，使投影后的样本具有最佳可分离性，即同类的样本尽可能密集，不同类样本尽可能分开；图像矩阵X_ij为m×n维图像矩阵c为样本类数，n_i为第i类样本中的样本数，i＝1,2,···,c；j＝1,2,···,n_i；

Fisher准则函数如式(6)：

$J\left(w\right)=\frac{\left|w^T{S}_{b}w\right|}{w^T{S}_{w}w}---\left(6\right)$

式中：S_b为样本类间散布矩阵，如式(7)：

$S_b=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})}^T(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})---\left(7\right)$

S_w为样本类内散布矩阵，如式(8)：

$S_w=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(X_{ij}-\stackrel{\‾}{X_i})}^T(X_{ij}-\stackrel{\‾}{X_i})---\left(8\right)$

其中：为样本类内均值，为样本总体均值；

在类内散布矩阵S_w非奇异时，最佳投影方向满足式(9)：

S_bw＝λS_ww (9)

即对应矩阵的最大特征值所对应的特征向量为最佳投影方向w,将特征值由大到小的顺序排序，取前L个特征值对应的特征向量作为最佳的投影方向矩阵w＝[l₁,l₂,l₃,…,l_L]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵C_ij如公式(10)：

C_ij＝X_ijw (10)。

更进一步，所述步骤5)中，采用最近邻分类器进行分类，过程如下：

对于要测试的手指静脉样本，通过投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

$d(C_i,C_j)=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}{\left(C_i\right(x,y)-C_j(x,y\left)\right)}^2---\left(11\right)$

其中m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为C_ij，其中每一个样本都有一个特定的类别ω_i，测试样本经过投影后的特征为C，若它们满足条件如式(12)：

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

则测试样本属于ω_i类。

所述步骤3)中，设定阈值为90％。当然，也可以是其他数值。

本发明的技术构思为：生物识别技术是对人体生物特征(生理或行为特征)进行自动身份识别的技术，生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等，这些生物特征拥有足够的稳定性，不会随着年龄的增长，时间的改变而改变。基于生物特征的身份验证***，提供了更大程度的安全性。手指静脉识别技术的优点在于利用的是活体的内生理特性，不会磨损，较难伪造，具有很高安全性；具有较好的特异性与唯一性，可以提供很好的区分度；可实现非接触或弱接触测量；不易受手指表面伤痕或油污、汗水影响。

采用自制的手指静脉采集装置采集不同PWM占空比下的手指静脉图像；对采集到的手指静脉进行感兴趣区域提取，主要包括：二值化提取出手指静脉，进行关键区域定位，根据最大内切矩阵得到感兴趣区域；计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，然后计算该人所有ROI图像的二维熵质量分数，筛选出质量分数高于90％的图像作为最后的ROI图像；采用2DFLD特征提取算法提取其特征。

本发明的有益效果主要表现在：能获得高质量的手指静脉ROI图像。

附图说明

图1为手指静脉采集装置示意图；

图2为***流程图；

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，过程如下：

1)采集到不同PWM波占空比下的手指静脉图像

通过控制PWM波信号的占空比驱动外部光源电路，使得近红外LED产生不同亮度级别的光，通过摄像头采集到不同亮度下的手指静脉图像。

2)对手指静脉图像做ROI提取

(2.1)二值化提取出手指静脉

借助采集引导界面，直接切出包含丰富手指静脉信息的区域，然后采用固定阈值法对切得的区域进行二值化，得到去除背景后的手指静脉图像；

(2.2)进行关键区域定位

确定手指静脉ROI区域，首先计算每一列的像素灰度值总和L如式(5)：

$L_j=\left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p(i,j)\right|,j=1,2,\mathrm{...},h\}---\left(5\right)$

式中p(i,j)是图像的第i行、第j列像素的灰度值，n和h分别表示图像的行数和列数；

然后采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围，计算出每21列像素和相加的值，找到最大值对应的列为A、B，然后将A移50列得到l₁、B右移50列得到l₂，最后通过求l₁、l₂之间的最大内切矩阵得到最终的手指静脉ROI区域。

3)筛选处理后得到的ROI图像

计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，图像二维熵如式(1)：

$H\left(P\right)=-\underset{x=0}{\overset{255}{\mathrm{\Σ}}}\underset{y=0}{\overset{255}{\mathrm{\Σ}}}{P}_{xy}{\log }_2\left(P_{xy}\right)---\left(1\right)$

这里P_xy为概率密度函数如式(2)：

$P_{xy}=\frac{L_{xy}}{m\×n}---\left(2\right)$

式中m×n表示图像尺寸的大小，L_xy表示(x＝f(i,j),y＝g(i,j))出现的次数，f(i,j)表示图像(i,j)处的像素灰度值，g(i,j)表示在图像(i,j)处的像素灰度平均值如式如式(3)：

$g(i,j)=\frac{1}{D\×D}\underset{\mathrm{\Δ}i=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}\underset{\mathrm{\Δ}j=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}f(i+\mathrm{\Δ}i,j+\mathrm{\Δ}j)---\left(3\right)$

式中D代表窗口大小；

然后计算该人所有ROI图像的二维熵质量分数Q如式(4)，

$Q=\left|\frac{H-H_{min}}{H_{max}-H_{min}}\right|\×100\%---\left(4\right)$

式中Q在0到1之间，H为当前ROI图像的二维熵值，H_max和H_min分别为处理后此人所有ROI图像中二维熵的最大值和最小值；

最后筛选出质量分数高于90％的图像作为最后的ROI图像。

4)采用2DFLD特征提取算法提取其特征

采用2DFLD找到最佳投影方向矩阵w，使投影后的样本具有最佳可分离性，即同类的样本尽可能密集，不同类样本尽可能分开；图像矩阵X_ij为m×n维图像矩阵c为样本类数，n_i为第i类样本中的样本数，i＝1,2,···,c；j＝1,2,···,n_i；

Fisher准则函数如式(6)：

$J\left(w\right)=\frac{\left|w^T{S}_{b}w\right|}{w^T{S}_{w}w}---\left(6\right)$

式中：S_b为样本类间散布矩阵，如式(7)：

$S_b=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})}^T(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})---\left(7\right)$

S_w为样本类内散布矩阵，如式(8)：

$S_w=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(X_{ij}-\stackrel{\‾}{X_i})}^T(X_{ij}-\stackrel{\‾}{X_i})---\left(8\right)$

其中：为样本类内均值，为样本总体均值；

在类内散布矩阵S_w非奇异时，最佳投影方向满足式(9)：

S_bw＝λS_ww (9)

即对应矩阵的最大特征值所对应的特征向量为最佳投影方向w,将特征值由大到小的顺序排序，取前L个特征值对应的特征向量作为最佳的投影方向矩阵w＝[l₁,l₂,l₃,…,l_L]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵C_ij如公式(10)：

C_ij＝X_ijw (10)

5)采用最近邻分类器进行分类

对于要测试手指静脉样本，通过投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

$d(C_i,C_j)=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}{\left(C_i\right(x,y)-C_j(x,y\left)\right)}^2---\left(11\right)$

其中m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为C_ij，其中每一个样本都有一个特定的类别ω_i，测试样本经过投影后的特征为C，若它们满足条件如式(12)关系。

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

则测试样本属于ω_i类。

Claims (7)

1.一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述方法包括以下步骤：

1)采集到不同PWM波占空比下的手指静脉图像；

2)对手指静脉图像做ROI提取，二值化提取出手指静脉，进行关键区域定位；

3)筛选处理后得到的ROI图像，过程如下：

首先计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，然后计算该人所有ROI图像的二维熵质量分数，筛选出质量分数高于设定阈值的图像作为最后的ROI图像；

4)采用2DFLD特征提取算法提取其特征；

5)采用最近邻分类器进行分类。

2.如权利要求1所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述步骤3)中，计算每个人每个PWM波占空比下的ROI图像的二维熵值，然后删去二维熵值较低的2张图像，图像二维熵如式(1)：

$H\left(P\right)=-\underset{x=0}{\overset{255}{\Σ}}\underset{y=0}{\overset{255}{\Σ}}{P}_{xy}{\log }_2\left(P_{xy}\right)---\left(1\right)$

这里P_xy为概率密度函数如式(2)：

$P_{xy}=\frac{L_{xy}}{m\×n}---\left(2\right)$

式中m×n表示图像尺寸的大小，L_xy表示(x＝f(i,j),y＝g(i,j))出现的次数，f(i,j)表示图像(i,j)处的像素灰度值，g(i,j)表示在图像(i,j)处的像素灰度平均值如式如式(3)：

$g\left(i,j\right)=\frac{1}{D\×D}\underset{\mathrm{\Δ}i=-\left(D-1\right)/2}{\overset{\left(D-1\right)/2}{\mathrm{\Σ}}}\underset{\mathrm{\Δ}j=-\left(D-1\right)/2}{\overset{\left(D-1\right)/2}{\mathrm{\Σ}}}f\left(i+\mathrm{\Δ}i,j+\mathrm{\Δ}j\right)---\left(3\right)$

式中D代表窗口大小；

然后计算该人所有ROI图像的二维熵质量分数Q如式(4)，

$Q=\left|\frac{H-H_{min}}{H_{max}-H_{min}}\right|\×100\%---\left(4\right)$

式中Q在0到1之间，H为当前ROI图像的二维熵值，H_max和H_min分别为处理后此人所有ROI图像中二维熵的最大值和最小值；

最后筛选出质量分数高于设定阈值的图像作为最后的ROI图像。

3.如权利要求1或2所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述步骤1)中，通过控制PWM波信号的占空比驱动外部光源电路，使得近红外LED产生不同亮度级别的光，通过摄像头采集到不同亮度下的手指静脉图像。

4.如权利要求1或2所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述步骤2)中，首先借助采集引导界面，直接切出包含丰富手指静脉信息的区域，然后采用固定阈值法对切得的区域进行二值化，得到去除背景后的手指静脉图像。

5.如权利要求4所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述步骤2)中，确定手指静脉ROI区域，首先计算每一列的像素灰度值总和L如式(5)：

$L_j=\left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p(i,j)\right|j=1,2,...,h\}---\left(5\right)$

式中p(i,j)是图像的第i行、第j列像素的灰度值，n和h分别表示图像的行数和列数；

然后采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围，计算出每21列像素和相加的值，找到最大值对应的列为A、B，然后将A移50列得到l₁、B右移50列得到l₂，最后通过求l₁、l₂之间的最大内切矩阵得到最终的手指静脉ROI区域。

6.如权利要求1所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述步骤4)中，

采用2DFLD找到最佳投影方向矩阵w，使投影后的样本具有最佳可分离性，即同类的样本尽可能密集，不同类样本尽可能分开；图像矩阵X_ij为m×n维图像矩阵c为样本类数，n_i为第i类样本中的样本数，i＝1,2,…,c；j＝1,2,…,n_i；

Fisher准则函数如式(6)：

$J\left(w\right)=\frac{\left|w^T{S}_{b}w\right|}{w^T{S}_{w}w}---\left(6\right)$

式中：S_b为样本类间散布矩阵，如式(7)：

$S_b=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})}^T(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})---\left(7\right)$

S_w为样本类内散布矩阵，如式(8)：

$S_w=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(X_{ij}-\stackrel{\‾}{X_i})}^T(X_{ij}-\stackrel{\‾}{X_i})---\left(8\right)$

其中：为样本类内均值，为样本总体均值；

在类内散布矩阵S_w非奇异时，最佳投影方向满足式(9)：

S_bw＝λS_ww (9)

即对应矩阵的最大特征值所对应的特征向量为最佳投影方向w,将特征值由大到小的顺序排序，取前L个特征值对应的特征向量作为最佳的投影方向矩阵w＝[l₁,l₂,l₃,…,l_L]；

最后将每幅图像在特征子空间上投影，即每幅图像提取的特征矩阵C_ij如公式(10)：

C_ij＝X_ijw (10)。

7.如权利要求1所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法，其特征在于：所述步骤5)中，对于要测试静脉样本，通过投影，得到一组特征矩阵，然后和样本空间中各个特征矩阵进行比较，采用最近邻分类器进行分类，即通过计算它们之间的欧式距离，距离最近的即为该测试样本最终的识别结果，特征空间中两个样本的欧式距离定义如式(11)所示：

$d(C_i,C_j)=\underset{x=1}{\overset{m}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{\left(C_i\right(x,y)-C_j(x,y\left)\right)}^2---\left(11\right)$

其中m,n是特征矩阵的行和列，这里设训练样本的特征矩阵为C_ij，其中每一个样本都有一个特定的类别ω_i，测试样本经过投影后的特征为C，若它们满足条件如式(12)关系。

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

则测试样本属于ω_i类。