感兴趣区域与方向元素的手指静脉识别方法

摘要

感兴趣区域与方向元素的手指静脉识别方法 。已有的静脉识别算法可分为使用局部特征与全局特征两类，都不能同时解决耗时长、运算量大、图像质量低等问题。 本发明的方法包括 : 首先对读取的手指静脉图像利用基于旋转校正的感兴趣区域提取方法提取出感兴趣区域，然后，采用指静脉纹路上像素点的梯度大小和方向构造矢量来表征所述的感兴趣区域静脉纹路的方向特征，并将所述的方向特征与图像子块的隶属度相结合构，造出静脉图像的特征向量；最后在指静脉匹配阶段，采用互相关系数来衡量不同线性特征矢量的相似性，得出匹配结果。本发明用于手指静脉识别。

说明书

技术领域：

本发明涉及一种感兴趣区域与方向元素的手指静脉识别方法。

背景技术：

静脉识别技术是利用人体皮下静脉血管的分布情况进行身份鉴别的，除了具备唯一性、普遍性与稳定性外，还不易受到外界环境影响，具有精度高、速度快、非接触式等诸多优点，成为了身份识别的一种有效手段。已有的静脉识别算法可分为使用局部特征与全局特征两类：现有技术中采用局部特征点匹配的方法进行静脉识别，效果较好，但由于采用穷举的坐标匹配操作，耗时较长；而采用像素点比对的方法进行静脉匹配，同样存在着运算量较大的问题；有的将静脉纹路的端点作为特征点，也有人则将静脉纹路的分叉点作为特征点来进行匹配，这两种算法识别速度较快，但受图像质量影响较大。使用全局特征的方法中，有些人还将静脉图像的七个不变矩进行融合作为待识别的特征；或者使用主成分分析的方法实现了对静脉特征降维匹配的目的，为了克服了单一静脉特征识别率不高的缺点，也有将主成分分析与脊波变换相结合进行静脉识别，识别效果良好，但计算量较大。

发明内容：

本发明的目的是提供一种感兴趣区域与方向元素的手指静脉识别方法。

上述的目的通过以下的技术方案实现：

一种感兴趣区域与方向元素的手指静脉识别方法，首先对读取的手指静脉图像利用基于旋转校正的感兴趣区域提取方法提取出感兴趣区域，然后，采用指静脉纹路上像素点的梯度大小和方向构造矢量来表征所述的感兴趣区域静脉纹路的方向特征，并将所述的方向特征与图像子块的隶属度相结合构，造出静脉图像的特征向量；最后在指静脉匹配阶段，采用互相关系数来衡量不同线性特征矢量的相似性，得出匹配结果。

所述的感兴趣区域与方向元素的手指静脉识别方法，所述的基于旋转校正的感兴趣区域提取方法，在感兴趣区域提取前先对手指静脉图像进行旋转校正，在旋转校正的基础上依据手指各个部位对近红外光线穿透能力的不同提取出图像的感兴趣区域，具体方法为：

(1) 旋转校正：

通过图像前景区域的质心进行旋转校正，在取出手指区域后，计算目标图像即手指区域图像的质心，其计算公式如下：

                     

                    

                           

其中，表示图像中第个像素的横坐标，表示图像中第个元素的纵坐标，表示图像的宽，表示图像的高，表示图像中属于手指的区域；

在得到图像质心后，找到手指轮廓图像的最后一列所在直线段的中点坐标O，连接点C和点O，计算直线与水平方向线的夹角即旋转角度：

                      

其中，分别为点C和点O的横纵坐标值；当，即时，对图像进行顺时针旋转；当，即时，对图像进行逆时针旋转；当，即时，不对图像进行旋转操作；

 (2) 感兴趣区域确定：

首先，将整个图像区域向竖直方向进行投影，计算图像中每列像素的灰度值的总和：

                            

其中，为图像上的第i行第j列上的像素点，H为图像的高度；

在竖直方向投影上，在的像素区间内找到平均值最大的区域，将此区域的中点作为分割的关节点，则图像感兴趣区域竖直方向左侧的分割线取为，根据左侧分割线确定出右侧分割线为式中d表示两条竖直平行直线、之间的距离，即图像感兴趣区域的横向宽度；再将手指轮廓上、下边缘的内切线、与、相交形成一个封闭的矩形区域即为提取出的手指静脉的感兴趣区域。

有益效果：

1.本发明充分利用了静脉纹路的方向信息，具有较高的识别精度，且具有一定的抗噪声与图像几何形变的能力。

本发明针对非接触方式采集的静脉图像的特点，设计基于旋转校正的感兴趣区域提取方法，减少后续图像匹配的难度；并充分利用静脉图像纹路大致向手指两端延伸，在局部区域内方向变化平缓的特性设计特征向量；再将该特征与图像子块的隶属度相结合构造出最终静脉图像的特征向量，从而避免对同一手指在不同时刻采集的图像中某些处于图像子块边界的轮廓点可能并不出现在相同的子块中，而是出现在相邻的子块中的误差情况。

附图说明：

附图1是本发明的方法流程图。

附图2是旋转校正关键点选取示意图。

附图3是旋转校正后的指静脉图像。

附图4是在手指静脉图像中选取的像素列示意图。

附图5是第a列像素的灰度值曲线图。

附图6是第b列像素的灰度值曲线图。

附图7是第c列像素的灰度值曲线图。

附图8是手指轮廓上、下边缘的内切线构成封闭的矩形区域示意图。

附图9是指静脉ROI区域图。

附图10是计算像素点方向的9×9邻域模板。

附图11是指静脉图像的方向场图像。

附图12是指静脉图像的模糊分块示意图。

附图13是指静脉图像a。

附图14是指静脉图像b。

附图15是指静脉图像c。

附图16是合法匹配与非法匹配的匹配距离分布曲线图。

附图17是模糊划分方法平移测试结果图。

附图18是模糊划分方法旋转测试结果图。

具体实施方式：

实施例1：

一种感兴趣区域与方向元素的手指静脉识别方法，首先对读取的手指静脉图像利用基于旋转校正的感兴趣区域提取方法提取出感兴趣区域，然后，采用指静脉纹路上像素点的梯度大小和方向构造矢量来表征所述的感兴趣区域静脉纹路的方向特征，并将所述的方向特征与图像子块的隶属度相结合构，造出静脉图像的特征向量；最后在指静脉匹配阶段，采用互相关系数来衡量不同线性特征矢量的相似性，得出匹配结果。

实施例2：

根据实施例1所述的感兴趣区域与方向元素的手指静脉识别方法，所述的基于旋转校正的感兴趣区域提取方法，在感兴趣区域提取前先对手指静脉图像进行旋转校正，在旋转校正的基础上依据手指各个部位对近红外光线穿透能力的不同提取出图像的感兴趣区域，具体方法为：

(1) 旋转校正：

通过图像前景区域的质心进行旋转校正，在取出手指区域后，计算目标图像即手指区域图像的质心，其计算公式如下：

                     

                    

                           

其中，表示图像中第个像素的横坐标，表示图像中第个元素的纵坐标，表示图像的宽，表示图像的高，表示图像中属于手指的区域；

在得到图像质心后，找到手指轮廓图像的最后一列所在直线段的中点坐标O，连接点C和点O，计算直线与水平方向线的夹角即旋转角度：

                      

其中，分别为点C和点O的横纵坐标值；当，即时，对图像进行顺时针旋转；当，即时，对图像进行逆时针旋转；当，即时，不对图像进行旋转操作；

 (2) 感兴趣区域确定：

首先，将整个图像区域向竖直方向进行投影，计算图像中每列像素的灰度值的总和：

                            

其中，为图像上的第i行第j列上的像素点，H为图像的高度；

在竖直方向投影上，在的像素区间内找到平均值最大的区域，将此区域的中点作为分割的关节点，则图像感兴趣区域竖直方向左侧的分割线取为，根据左侧分割线确定出右侧分割线为式中d表示两条竖直平行直线、之间的距离，即图像感兴趣区域的横向宽度；再将手指轮廓上、下边缘的内切线、与、相交形成一个封闭的矩形区域即为提取出的手指静脉的感兴趣区域。

实施例3：

根据实施例1或2所述的感兴趣区域与方向元素的手指静脉识别方法，所述的感兴趣区域应位于所有指静脉图像上相同的区域，且主要的静脉信息都应该存在于这个区域，并且为了能在匹配时进一步的配准，我们需要从指静脉图像中提取出稳定的参考元素作为合适的基准点，来对图像进行定位及感兴趣区域的提取，以减少采样过程中引起的旋转、平移、扭曲等非线性因素的影响。

（1）旋转校正

由于非接触式采集方式更具友好性，因此本发明的指静脉图像库采用非接触式方式采集，由于这种采集方式下不使用定位装置，采集者手指摆放位置和方向是有些差别的，使得不同时间从同一手指上获取的静脉图像存在不同程度的旋转和平移现象，而手指没有诸如指璞或手指关节弯曲形成的凹、凸点等辅助ROI区域提取的特征，因此，本发明提出在ROI区域提取前先对手指静脉图像进行旋转校正，在旋转校正的基础上提取图像的ROI区域，能减少后续图像匹配的难度，增加了系统的鲁棒性。

手指区域的质心是每幅图像均存在的性能指标，并且质心的计算是全局性的，其抗干扰能力较强，因此本发明通过图像前景区域的质心进行旋转校正。在取出手指区域后，计算目标图像即手指区域图像的质心，其计算公式如下：

                   (1)

                   (2)

                           (3)

其中，表示图像中第个像素的横坐标，表示图像中第个元素的纵坐标，表示图像的宽，表示图像的高，表示图像中属于手指的区域。

在得到图像质心后，我们找到手指轮廓图像的最后一列所在的直线段，并确定这条线段的中点坐标O，连接点C和点O成一条直线，计算直线与水平方向线的夹角即旋转角度，(如图2所示)以此对图像进行旋转校正。的计算公式如下：

                       (4)

其中，分别为点C和点O的横纵坐标值。当，即时，对图像进行顺时针旋转；当，即时，对图像进行逆时针旋转；当，即时，不对图像进行旋转操作。旋转校正后的图像如图3所示。

（2）感兴趣区域确定

由于指关节部位具有软骨组织，在基于近红外照射获取图像的方式下，指关节相对于手指其它部位具有更强的穿透能力，因此，整个指静脉图像中手指关节部位亮度比较大，即该部分图像的像素值较其它部分高。

我们从提取出手指区域的图像矩阵中抽取一列指关节部位的像素，再从其它部位抽取两列像素，将这三列像素点的灰度值绘成曲线图如图4所示，图中横坐标为所取像素所在的行数，纵坐标为该像素点的灰度值。从图中可以得出，关节部位的那列像素点的灰度值相对于非关节部位的要高。因此，我们可以通过找出灰度值较高的列确定出关节位置进而实现图像的定位分割。

首先，将整个图像区域向竖直方向进行投影，计算图像中每列像素的灰度值的总和：

                             (5)

其中，为图像上的第i行第j列上的像素点，H为图像的高度。

在竖直方向投影上，在的像素区间内找到平均值最大的区域，将此区域的中点作为分割的关节点，则图像感兴趣区域竖直方向左侧的分割线取为，根据左侧分割线确定出右侧分割线为式中d表示两条竖直平行直线、之间的距离，即图像感兴趣区域的横向宽度；再将手指轮廓上、下边缘的内切线、与、相交形成一个封闭的矩形区域如图5所示，从而提取出手指静脉的感兴趣区域如图6所示。

实施例4：

根据实施例1或2或3所述的感兴趣区域与方向元素的手指静脉识别方法，基于方向的指静脉特征描述：

（1）静脉纹路的方向性

从手指静脉的拓扑结构可知，其静脉纹路朝着特定方向延伸，具有明显的方向性，这种方向性可通过图像中每个像素点的方向来表示，而像素点的方向是指其灰度值保持连续的方向，可以根据像素点邻域中的灰度分布来判断。

首先将像素点的方向进行离散化，设计出计算像素点的方向模板，从而计算出每个像素点的方向。图10所示的模板表示以像素点为中心将其离散化为8个方向，模板大小为81个像素。

由于静脉纹路上的像素点与同一纹路垂直方向上的灰度差别最大，而与同一纹路同一方向上的点之间的灰度差别最小，根据这一原理求出像素点方向的步骤如下：

1)          首先，求出每个像素点在以该点为中心的8个方向上的像素灰度平均值；

2)          再将按两两垂直的方向分成4组，分别计算每组中两个平均值差的绝对值，值最大的方向组中的两个垂直方向和+4为像素点可能的静脉纹路方向；

3)          最后将和+4中灰度平均值与的灰度值接近的方向为的纹路方向，即：

                (6)

    得到平滑后的静脉方向图如图11所示，图中不同的灰度颜色代表像素点不同的离散方向，从图中可以看出，静脉图像的方向性十分明显。

（2）静脉图像的方向特征描述

尽管上述方向场图像能够反映出指静脉纹路的方向性，但这种方法抗干扰能力较差，并且由于像素点的方向角度可以为之间的任何值，因此，需要一种确定连续方向的方式来表征。像素点的梯度描述了静脉图像灰度变化的大小和方向，因此可以通过计算像素点的梯度检测出像素点的方向。

设I是大小为的指静脉图像，首先利用导数算子求出图像像素点灰度沿水平与垂直两个方向的偏导数与，然后利用Canny算子计算它的梯度幅值和角度幅值如下：

                           (7)

                             (8)

其中，，，。

按照Canny算子提取图像轮廓的原理，对在的方向上进行极大值压缩，并将梯度幅值小于某个阈值的极大值点置为零。这样，中就只剩下静脉纹路轮廓像素点的幅值了。我们将静脉纹路的像素点的方向定义为垂直于该点的梯度方向，即：

                           (9)

其中，为点的梯度方向角度，显然。

因为静脉纹路轮廓点的梯度方向可以为[-90° , +90°]之间的任何值，所以静脉纹路的方向元素也可取[0° , 180°]区间内的任何值，这样很难描述静脉纹路像素点的方向性质，同时为了避免直接对方向进行量化，我们通过定义模糊集合来解决这个问题，在图像中所有方向元素的论域中定义0°、45°、90°及135°四个模糊方向元素集合，上述四个模糊方向的半开型隶属度函数定义如下：

       (10)

                (11)

      (12)

              (13)

对于每个轮廓点将其带入上述四个隶属度函数中，至少有两个值为0，并且上述四个隶属度函数的平方和为1。由此我们可定义出每个像素点对应的特征矢量为：

                (14)

该特征矢量不但含有指静脉纹路上的方向信息，而且还含有这些纹路的强度信息。将上述得到的轮廓点图像分成个子块，记为，至此，我们定义基于方向元素的指静脉特征描述如下：

                  (15)

实施例5：

根据实施例1或2或3或4所述的感兴趣区域与方向元素的手指静脉识别方法，基于方向元素与模糊分块的指静脉特征描述：上述将指静脉轮廓图像等分成互不重叠的子块的方法中，由于图像采集过程中可能会产生平移和旋转，因此，对同一手指在不同时刻采集的指静脉图像，某些处于子块边界的轮廓点可能并不出现在相同的子块中，而是出现在相邻的子块中，从而产生误差影响系统的识别精度。

为了解决这一问题，我们对指静脉轮廓图像进行模糊划分，即在分块时使每个图像子块与其相邻的块有重叠的像素点，重叠点的个数与模糊块的边长有关，这样模糊块之间就不存在明确的边界，避免了明确分块存在的问题，从而对图像的平移与旋转具有一定的鲁棒性。上述模糊划分思想如图12所示，图中虚线圆圈内的像素点为一个模糊块中的像素点。

根据每个像素点到模糊子块中心的距离大小来确定该像素点属于该子块的隶属度。隶属度计算准则如下：

                       (16)

                          (17)

其中，为每个模糊子块的中心点的横纵坐标，为子块的边长。

对每个模糊子块，定义一个四维向量，是该块中所有点的总能量：

                 (18)

其中，为指静脉图像大小，为像素点的梯度幅值，为点方向隶属度函数，其中，为模糊块的隶属度函数。则图像中所有的块对应的向量组成一个维的特征向量。

这里为了减少光照变化的影响，对进行如下的归一化处理：

                           (19)

由上式可知，特征向量能反映指静脉纹路在静脉图像各个区域四个不同方向上的强度，即同时包含了静脉纹路的强度信息和结构信息。

实施例6：

根据实施例1或2或3或4或5所述的感兴趣区域与方向元素的手指静脉识别方法，采用各个特征向量间的互相关系数作为匹配度来衡量对应指静脉图像的相似程度。设和是两个指静脉图像所对应的特征向量，则它们的互相关系数为：

                         (20)

其中，和，分别是向量和各自分量的均值和方差，的值是在区间[-1, +1]中变化的。

显然，若两幅图像和来自于同一个人，则的值较大，否则的值远小于1。图13、图14、图15所示的三幅静脉图像中，前两幅为同一人不同时刻采集的静脉图像，第三幅图像为另一人的静脉图像，他们之间的相关系数值如表1所示，其中非同源图像之间的相关系数值较小，同源不同图像之间的相关系数值较大，而同一幅图像之间的相关系数值为1。

表 1

实施例7：

根据实施例1或2或3或4或5或6所述的感兴趣区域与方向元素的手指静脉识别方法，实验结果分析：本发明提供了三组实验来验证上述方法的有效性，实验数据库采集了300个样本的食指静脉图像，其中每个样本采集图像5幅，原始图像大小为320×240，经本发明提出的感兴趣区域提取方法处理后，图像大小归一化为124×64像素。

（1）匹配性能分析实验

为了分析本发明方法的匹配性能，首先对图像库中所有的指静脉图像样本进行单样本匹配操作，共进行1500×1499=224850次匹配，其中300×5×4=6000次为合法匹配，其余为非法匹配，这两种匹配距离分布曲线如图16所示。其中，横轴表示两幅图像的互相关系数值，纵轴为对应互相关系数值的样本所占百分比，实、虚曲线分别表示非法匹配与合法匹配，从图中可以看出，这两条曲线相交不多，都具有一个明显的波峰并且这两个波峰具有一定的距离，表明本方法能有效地区分不同样本的静脉图像。

（2）不同方法识别比对实验

为了验证本发明方法的识别性能并与文献[1]（方法一）、文献[2]（方法二）采用的方法进行比较，从数据库中每个样本的5幅指静脉图像随机选出一幅待识别图像构成验证图像库，库中共300幅图像，每个样本剩余的4幅图像构成模板图像库，库中共300×4=1200幅图像，利用上述图像库分别对这三种方法进行1:1认证实验及1:n识别实验，实验结果如表2及表3所示。

表 2 

表3

（3）旋转平移分析实验

虽然经过上述感兴趣区域提取方法处理后的图像，受平移及旋转等变换的影响较小，但是不能完全消除这种影响，因此，我们将数据库中的图像分别在1~5个像素范围内进行均匀平移，在1°~+5°的角度范围内进行均匀旋转，组成平移测试库和旋转测试库对方法的平移及旋转敏感性进行测试分析。对平移及旋转图像库中的图像使用本发明方法进行测试的实验结果如图17及图18所示，图中横坐标为旋转的像素个数，纵坐标为旋转不同像素数时对应的识别率。

从实验结果可以看出，指静脉图像平移像素数在1~5之间时，平移后的图像的拒识率与原始图像相差不是很大，平移像素数为4时，识别率仍可达到90%，表明本发明方法的抗平移能力为4个像素；而图像旋转角度在1~+3°之间时，旋转后的图像的拒识率与原始图像相差不大，将图像旋转4个像素时，系统的识别率从90%变为86%，变化较大，而将图像旋转5个像素时，系统的识别率已经小于80%，识别率大幅下降，表明本发明方法的抗旋转能力为3个像素。