CN110119724A - 一种指静脉识别方法 - Google Patents

一种指静脉识别方法 Download PDF

Info

Publication number
CN110119724A
CN110119724A CN201910417207.1A CN201910417207A CN110119724A CN 110119724 A CN110119724 A CN 110119724A CN 201910417207 A CN201910417207 A CN 201910417207A CN 110119724 A CN110119724 A CN 110119724A
Authority
CN
China
Prior art keywords
vein
image
finger
carried out
finger vein
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.)
Pending
Application number
CN201910417207.1A
Other languages
English (en)
Inventor
周卫斌
信振朝
胡阳阳
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.)
Tianjin University of Science and Technology
Original Assignee
Tianjin University of Science and Technology
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 Tianjin University of Science and Technology filed Critical Tianjin University of Science and Technology
Priority to CN201910417207.1A priority Critical patent/CN110119724A/zh
Publication of CN110119724A publication Critical patent/CN110119724A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/26—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
    • G06V10/30—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
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种指静脉识别方法，包括如下步骤：S1、对高清摄像头采集的图像进行ROI定位；S2、对图像不同部分进行灰度归一化处理；S3、对图像进行均值滤波、高斯滤波消除噪声；S4、使用曲率检测判断纹路中心位置；S5、通过gamma变换增强灰度图的对比度；S6、使用基于索引表的细化算法来判断边缘像素点；S7、将提取指静脉骨架进行融合、膨胀、平滑处理。通过模板匹配、Hu不变矩、改进的Zernike矩，进行指静脉识别。尤其在图像采集不清晰的条件下，该方法具有较强的抗干扰能力和较高精度的识别能力。

Description

一种指静脉识别方法
技术领域
本发明属于图像处理与生物识别技术领域，尤其涉及一种指静脉。识别方法。
背景技术
指静脉识别是运用人体的生物特征识别个人身份的一种技术。现阶段生物识别技术主要依靠指纹识别与虹膜识别，而这两种属于采集人体的体表信息特征，容易被盗取和模仿。而指静脉识别技术作为新一代人体特征识别技术，由于其活体性、唯一性，从途径上防止了个人信息特征被盗取的情况。同时也避免了因为其他环境因素所带来的影响。
指静脉识别设备在识别过程中，因核心部件(光源、滤光片、摄像头)无法精确定位导致采集到的原始指静脉图像清晰度较低；识别算法的性能容易受到图像旋转、平移以及噪声的影响。
因此，一种针对原始图像进行预处理，有效抑制图像旋转、平移给识别精度带来影响的指静脉识别算法亟待被研发。
发明内容
本发明提供了一种指静脉识别方法。
指静脉识别方法主要包括四部分，图像预处理、指静脉特征提取生成匹配模板、指静脉算法识别。
图像预处理部分由图像灰度化、ROI区域提取、线性归一化、均值滤波、高斯滤波等部分组成。采用Sobel算子提取ROI区域，通过线性滤波对灰度图进行去噪、平滑处理。
特征提取是图像预处理之后的灰度图中提取到清晰的指静脉纹路、骨架、最后生成注册模板。本发明采用曲率检测的方法，检测指静脉图像中灰度变化的极值点，从较复杂的背景中提取出指静脉纹路；之后通过Gamma变化对图像质量进行增强，使用OTSU阈值分割法，将灰度图二值化，；通过邻域检测的方法，将二值化之后的较粗的脉络进行细化，提取指静脉骨架。最后通过旋转融合、膨胀等方法对指静脉骨架进行处理，生成用于匹配的指静脉模板
指静脉算法识别部分包括模板匹配、Hu不变矩、改进的Zernike矩匹配三部分。模板匹配因其处理速度快等优点，作为匹配算法的重要组成部分。当图像采集质量较高时，可以直接进行识别，提高识别效率。当模板匹配不能准确的进行识别时，通过对比计算采集的指静脉图像与指静脉库中样本的七阶Hu矩进行识别。进一步地，通过计算指静脉图像的改进Zernike七阶矩，可以弥补Hu在高阶因旋转带来的识别困难。
当模板匹配、Hu矩、Zernike矩三种识别函数中的任意一种匹配度高于阈值则判定匹配成功。
与现有技术相比，本发明的有益效果如下：
本发明可以实现对指静脉的高精度采集，解决了识别过程中存在图像旋转、平移所带来的识别困难。采集了50个人的150个指静脉样本，在手指旋转最大为左右角度为30°的情况下。识别情况如下表。
本发明的优点在于，在指静脉识别的过程中，由于手指放入的姿势不同、光照不同。很难保证同一个体在指静脉录入时采集的模板和匹配时提取的有效信息是一致的。大多数都会发生旋转、偏移。这给高精度识别带来了不小的挑战。基于此本发明提出了一种改进的Zernike矩识别算法，以此来更好的表征指静脉纹路的全局特征，提高识别精度。
附图说明
图1为本发明指静脉图像特征提取流程图
图2为本发明指静脉识别算法流程图
具体实施方式
本发明提供了一种识别精准的人体指静脉识别方法。
下面对本发明的具体实施方式进行描述，以便本技术领域的技术人员理解本发明。
参考图1，图1为指静脉识别算法的一个实施例的特征提取流程图；如图一所示，该提取方法包括步骤S1至步骤S7。
在步骤S1中，获取当前采集的指静脉图像，通过计算灰度图水平方向的梯度，来检测垂直方向上的边缘，通过计算灰度图垂直方向的梯度，来检测水平方向上的边缘；
在步骤S2中，其有效信息的灰度值更加集中，有效区间跨度小于0-255，采用公式进行线性归一化处理；
在步骤S3中，采用公式进行均值滤波，高斯滤波采用公式
在步骤S4中，对处理后的图像的像素灰度值进行求导，确定指静脉纹路中心位置；
在步骤S5中，采用公式s＝crγ对图像的灰度值进行Gamma变换操作，对图像灰度区分增强；
在步骤S6中，通过遍历指静脉二值图的边缘，并根据索引表去判断该点的8领域的情况。若结果为1则去除；若结果为0则为图像边缘像素点，需要保留。
在步骤S7中，将一副指静脉骨架旋转多个角度，之后再对多副骨架图像进行融合。对融合之后的指静脉图像再采用计算核为正方形的结构元素进行形态学膨胀处理。生成指静脉注册模板。其中计算核为
参考图2，图2为指静脉算法识别流程。
进一步地，模板匹配公式为T＝1-∫∫s(f-t)2dx dy，其中S表表示图像t(x，y)的定义域，计算指静脉输入图像与样本图像的相似度S，1表示相似度最高，0表示无相似度。
进一步地，Hu矩的计算方式如下
φ1＝η20+η02
φ2＝(η20-η02)2+4η11 2
φ3＝(η30-3η12)2+(3η21-η03)2
φ4＝(η30+η12)2+(η21+η03)2
φ5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+
4η11(η30+η12)(η21+η03)
φ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η12-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
为Hu二三阶矩构造的七个不变矩，ηpq为(p+q)阶不变矩。
进一步地，改进的Zernike矩的计算方式如下。
一是找出指静脉脉络的形状质心O(xo，yo)，再利用欧式距离找出其脉络上距离形状质心O最远的像素点B(xb，yb)，r为两者之间的距离，从而确定其指静脉脉络的外接圆，半径为r，把所有的目标点归一化到单位圆内，这就使得得到的Zernike矩具有平移和尺度不变性；
二是计算出图像中指静脉脉络的0阶几何矩。
m00＝∫∫f(x，y)dxdy
三是计算单位圆中各阶Zernike矩
四是利用0阶几何矩归一化Zernike矩
进一步地，将指静脉图像的各项特征值与指静脉库进行比对，当模板匹配、七阶Hu矩值、与改进的Zernike矩值三者的匹配度，与阈值进行比较，其中任意一个值大于阈值则匹配成功。

Claims (5)

1.一种指静脉识别方法，其特征在于，包括如下步骤：
S1、对高清摄像头采集的图像进行ROI定位；
S2、对图像不同部分进行灰度归一化处理；
S3、对图像进行均值滤波、高斯滤波消除噪声；
S4、使用曲率检测判断纹路中心位置；
S5、通过gamma变换增强灰度图的对比度；
S6、使用基于索引表的细化算法来判断边缘像素点；
S7、将提取指静脉骨架进行融合、膨胀、平滑处理。通过模板匹配、Hu不变矩、改进的Zernike矩，进行指静脉识别。
2.根据权利要求1所述的指静脉识别方法，其特征在于，在步骤S2中使用Sobel算子对灰度图像进行边缘检测。
3.根据权利要求1所述的指静脉识别方法，其特征在于，对指静脉特征提取过程中曲率检测、幂律变换、基于索引表的细化算法。
4.根据权利要求1所述的指静脉识别方法，其特征在于，在进行指静脉识别时改进的Zernike矩。其计算方法如下。
找出指静脉脉络的形状质心O(xo，yo)，再利用欧式距离找出其脉络上距离形状质心O最远的像素点B(xb，yb)，r为两者之间的距离，从而确定其指静脉脉络的外接圆，半径为r，把所有的目标点归一化到单位圆内，这就使得得到的Zernike矩具有平移和尺度不变性；
计算出图像中指静脉脉络的0阶几何矩。
m00＝∫∫f(x，y)dxdy
计算单位圆中各阶Zernike矩
利用0阶几何矩归一化Zernike矩
5.根据权利要求1所述的手指静脉识别方法，其特征在于：在指静脉识别的过程中，由于手指放入的姿势不同、光照不同。很难保证同一个体在指静脉录入时采集的模板和匹配时提取的有效信息是一致的。大多数都会发生旋转、偏移。这给高精度识别带来了不小的挑战。基于此本发明提出了一种改进的Zernike矩识别算法，以此来更好的表征指静脉纹路的全局特征，提高识别精度。
CN201910417207.1A 2019-05-16 2019-05-16 一种指静脉识别方法 Pending CN110119724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910417207.1A CN110119724A (zh) 2019-05-16 2019-05-16 一种指静脉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910417207.1A CN110119724A (zh) 2019-05-16 2019-05-16 一种指静脉识别方法

Publications (1)

Publication Number Publication Date
CN110119724A true CN110119724A (zh) 2019-08-13

Family

ID=67522905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910417207.1A Pending CN110119724A (zh) 2019-05-16 2019-05-16 一种指静脉识别方法

Country Status (1)

Country Link
CN (1) CN110119724A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852213A (zh) * 2019-10-30 2020-02-28 天津大学 基于模版匹配的指针式仪表多情况自动化读数方法
CN111639560A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置
CN111639555A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置
CN111639557A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 一种指静脉图像智能注册反馈方法
CN112287147A (zh) * 2020-10-30 2021-01-29 华盛通(无锡)影像科技有限公司 一种基于冒泡排序的多模板指静脉特征搜索算法
CN113128378A (zh) * 2021-04-06 2021-07-16 浙江精宏智能科技有限公司 一种指静脉快速识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101730905A (zh) * 2007-07-11 2010-06-09 索尼公司 登记装置、核对装置、数据结构和存储介质
CN102622587A (zh) * 2012-03-08 2012-08-01 哈尔滨工程大学 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法
CN103077459A (zh) * 2012-12-18 2013-05-01 天津科技大学 一种融合用户多生物特征进行活体认证支付的方法
CN107368792A (zh) * 2017-06-29 2017-11-21 广州智慧城市发展研究院 一种基于滤波器以及主干边缘的指静脉识别方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101730905A (zh) * 2007-07-11 2010-06-09 索尼公司 登记装置、核对装置、数据结构和存储介质
CN102622587A (zh) * 2012-03-08 2012-08-01 哈尔滨工程大学 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法
CN103077459A (zh) * 2012-12-18 2013-05-01 天津科技大学 一种融合用户多生物特征进行活体认证支付的方法
CN107368792A (zh) * 2017-06-29 2017-11-21 广州智慧城市发展研究院 一种基于滤波器以及主干边缘的指静脉识别方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡阳阳: ""基于嵌入式的指静脉识别***的研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852213A (zh) * 2019-10-30 2020-02-28 天津大学 基于模版匹配的指针式仪表多情况自动化读数方法
CN110852213B (zh) * 2019-10-30 2023-12-12 天津大学 基于模版匹配的指针式仪表多情况自动化读数方法
CN111639560A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置
CN111639555A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置
CN111639557A (zh) * 2020-05-15 2020-09-08 圣点世纪科技股份有限公司 一种指静脉图像智能注册反馈方法
CN111639557B (zh) * 2020-05-15 2023-06-20 圣点世纪科技股份有限公司 一种指静脉图像智能注册反馈方法
CN112287147A (zh) * 2020-10-30 2021-01-29 华盛通(无锡)影像科技有限公司 一种基于冒泡排序的多模板指静脉特征搜索算法
CN113128378A (zh) * 2021-04-06 2021-07-16 浙江精宏智能科技有限公司 一种指静脉快速识别方法
CN113128378B (zh) * 2021-04-06 2022-07-19 浙江精宏智能科技有限公司 一种指静脉快速识别方法

Similar Documents

Publication Publication Date Title
CN110119724A (zh) 一种指静脉识别方法
Peng et al. Finger-vein verification using Gabor filter and SIFT feature matching
Puhan et al. Efficient segmentation technique for noisy frontal view iris images using Fourier spectral density
TWI434220B (zh) 利用手掌靜脈之生物特徵辨識使用者之方法
Thalji et al. Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding
CN103955674B (zh) 掌纹图像采集装置及掌纹图像定位与分割方法
CN104239769A (zh) 基于手指静脉特征的身份识别方法及***
CN106096569A (zh) 一种手指静脉识别方法
CN105760841A (zh) 一种身份识别方法及***
CN105225216A (zh) 基于空间距圆标记边缘检测的虹膜预处理算法
Li An Iris recognition algorithm based on coarse and fine location
CN110348289A (zh) 一种基于二值图的手指静脉识别方法
CN110147769B (zh) 一种手指静脉图像匹配方法
Uriarte-Antonio et al. Vascular biometrics based on a minutiae extraction approach
Chen et al. Band selection for improvement of dorsal hand recognition
CN105975960B (zh) 基于纹理方向能量特征的虹膜识别方法
CN109523484B (zh) 一种基于分形特征的手指静脉血管网络修复方法
Peng et al. An effective preprocessing method for finger vein recognition
Lin et al. Feature level fusion of fingerprint and finger vein biometrics
Al-Shehri A simple and novel method for skin detection and face locating and tracking
Singh et al. Iris segmentation along with noise detection using hough transform
Sontakke et al. Automatic ROI extraction and vein pattern imaging of dorsal hand vein images
Chihaoui et al. Personal verification system based on retina and SURF descriptors
CN116778538B (zh) 一种基于小波分解的静脉图像识别方法及***
Dehghani et al. Retinal identification based on rotation invariant moments

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190813

WD01 Invention patent application deemed withdrawn after publication