非接触握拳式手背静脉样本ROI区域自适应提取方法

摘要

本发明的目的在于提供非接触握拳式手背静脉样本ROI区域自适应提取方法，包括以下步骤：采用阈值分割将手部目标图像从原始静脉样本中分离出来；利用手背轮廓用四边形近似的特点求取有效轮廓点集及距离基准线，基于有效轮廓点到距离基准线的距离值分布形态获得有效轮廓关键点，并判断所获得的关键点是否符合要求，如符合要求则进行下一步骤；如不符合要求，则需进一步采用关键点修正构建方法获得最后的关键点；基于得到的关键点从手背目标图像中提取出最大稳定区域，即为ROI区域。本发明利用近似四边形和关键点来求取ROI，能够准确地提取手背静脉样本的ROI，并且具有很强的抗旋转性。

说明书

技术领域

本发明涉及的是一种生物特征识别方法。

背景技术

人体手背静脉识别具有唯一性、稳定性、活体识别、非接触性和高防伪性等优点，是模式识别领域的前沿课题，具有广泛的应用前景和经济价值。

生物特征识别技术均必须比对生物相同部位同一模式的特征才可达到预期性效果，因此，静脉特征也须取自静脉模式的相同区域，此区域就是模式识别领域所熟称的感兴趣区域(Region of Interest，ROI)，能否准确地提取出ROI，对识别系统非常重要，因为它直接影响识别系统的性能。

为了精确快速地确定ROI，通常采用定位装置来限定采集对象的位置及方向^[1-3]，这种方式能起到一定的作用，但它造成使用不便，让被采集对象产生抵触情绪。取消定位装置后，由于静脉模式的摆放姿态存在很大的不确定性，会给ROI的提取带来非常大的困难。为了解决这个问题，文献^[4]借鉴手掌掌纹^[5]基于提取指间指璞来确定ROI的方法，介绍了一种适用于非接触展开式手背静脉样本ROI提取的方法，该方法有两个非常重要的前提：其一，展开式静脉样本与手掌掌纹样本一样，要具有非常明显的指璞结构信息；其二，静脉样本图像中手背目标的中轴线需与坐标轴垂直。从这两个前提来看，该方法也适应于提取手掌静脉模式的ROI区域。虽然握拳式采集可获得更好质量的手背静脉样本，但这种方式所获取的静脉图像中无明显的指璞结构，因此这种提取ROI的方法对握拳式手背静脉样本不适用。

与发明相关的公开报道有：

[1]H.Lin，H.Guo，F.Yang，and C.Chen，Handprint Identification Using Fuzzy Inference，2000，pp.164-168.

[2]J.Chen，C.Zhang，and G.Rong，Palmprint recognition using crease，2001，pp.234-237.

[3]A.Kumar，D.Wong，H.Shen，and A.Jain，Personal verification using palmprint and hand geometry biometric，Lecture notes in computer science，2003，pp.668-678.

[4]李强，手部特征识别及特征级融合算法研究，北京交通大学，北京，2006.

[5]C.Han，H.Cheng，C.Lin，and K.Fan，Personal authentication using palm-print features，Pattern Recognition，vol.36，2003，pp.371-381.

发明内容

本发明的目的在于提供可以快速准确地确定手背ROI、并具有很强的抗水平旋转性、抗缩放性的非接触握拳式手背静脉样本ROI区域自适应提取方法。

本发明的目的是这样实现的：

本发明非接触握拳式手背静脉样本ROI区域自适应提取方法，其特征是：

(1)采用阈值分割将手部目标图像从原始静脉样本中分离出来；

(2)首先利用手背轮廓用四边形近似的特点求取有效轮廓点集及距离基准线，然后基于有效轮廓点到距离基准线的距离值分布形态获得有效轮廓关键点，并判断所获得的关键点是否符合要求，如符合要求则进行下一步骤；如不符合要求，则需进一步采用关键点修正构建方法获得最后的关键点；

(3)基于步骤(2)得到的关键点从手背目标图像中提取出最大稳定区域，即为ROI区域。

本发明还可以包括：

1、所述的阈值T的计算公式如下：

m表示样本图像中非零像素点灰度平均值。

2、所述的求取有效轮廓关键点过程是：采用局部均值法对原始距离分布曲线进行平滑处理，以得到平滑距离曲线s(i)，i表示有效轮廓点序列号，N为有效轮廓线所包含的总点数，局部平滑直径为不小于N/24的最小整数；采用阈值曲线对平滑距离曲线进行分割，平滑距离分布曲线与阈值曲线存在八个交点为第一类特征点；利用第一类特征点构建第二类特征点和第三类特征点的方法得到其他七个特征点，即总共可得到十五个特征点为关键点。

3、所述的阈值曲线的数学表达式如下：

s(i)表示平滑距离分布函数，r表示阈值半径，t(i)表示阈值函数。

4、所述的构建第二类特征点的数学表达如下：表示八个第一类特征点，分别表示四个第二类特征点；所述的构建第三类特征点的数学表达如下：表示八个第一类特征点，分别表示三个第三类特征点。

5、所述的求取有效轮廓点集及距离基准线L_d的过程如下：

(1)二直化目标图像：采用固定阈值对目标图像进行二值分割，获得二值图像B(i，j)，其中i，j分别表示图像的横纵坐标值；

(2)提取轮廓：采用二值图像轮廓提取算法，从B(i，j)中提取出目标外轮廓曲线C(i，j)；

(3)轮廓四边形拟合：采用经典Douglas-Peucker轮廓多边形拟合算法，对轮廓C(i，j)进行拟合，取拟合精度阈值为50个像素点，则可以获得一个拟合四边形，为该四边形上边L₃的长度，将L₃向下平移l/8个像素单位，得到基准线L_d；

距离基准线与手背轮廓线的交点，L_d以上的部分轮廓线即为有效轮廓，其所包含的轮廓点构成有效轮廓点集。

6、所述关键点修正构建方法为：

用P_DL、P_DR分别表示线段L_d与轮廓线的左、右两个交点，手背外部轮廓近似四变形的上边与轮廓线的左右两个交点分别用P_3L、P_3R表示，用表示P_DL和P_3L的中心点，用表示P_DR和P_3R的中心点，则由和确定的直线会与轮廓线有左右两个交点，就是所要求的左右两个第一类特征点认为其他六个第一类特征点将由确定的线段分成了七等份，则确定其他六个第一类特征点位置的公式如下：

第一类特征点确定后，确定第二类和第三类特征点，四个第二类特征点确定公式如下：

三个第三类特征点，构建方法如下式：

7、如果所述的十五个关键点未经修正，则确定ROI区域的方法为：

(1)寻找基准线段：选取由第一类关键点和构成的线段作为基准线段，记为L_RD；

(2)判断样本的左右性：用一条直线段近似食指侧的手背边缘所形成的轮廓曲线，将该线段与基准线段的夹角记为θ₁，同样用一条直线段近似小拇指侧的手背边缘所形成的轮廓曲线，将该线段与基准线段的夹角记为θ₂，分别从和作两条垂线，令两条垂线与轮廓线的交点分别为设和构成的线段长度为l_r，和构成的线段长度为l_l，如果l_r ^TMl_l，则说明手背样本来自右手，反之来自左手；

(3)寻找ROI的有效右边线段：选择矩形ROI，则ROI的有效左边线段与L_RD垂直；寻找有效左线段的方法分两种情况：第一中情况是样本来自右手，则选择从作一条与L_RD垂直的直线；第二种情况是样本来自左手，则选择从作一条与L_RD垂直的直线；无论是哪一种情况，均需要作一条与L_RD垂直的直线，该直线与线段L_RD和轮廓线相交，得到两交点，分别记为P_LR、P_CR，由P_LR和P_CR构成的线段即为ROI有效右边线段；

(4)寻找ROI的有效左边线段：如果样本来自右手，则从作一条与L_RD垂直的直线；反之，样本来自左手，则从作一条与L_RD垂直的直线；无论哪情况，所作垂线与线段L_RD和轮廓线相交，产生两个交点，分别记为P_LL、P_CL，由P_LL和P_CL构成的线段即为所求的有效左边线段；

(5)寻找ROI的上、下边线段：选取由P_LR和P_LL所组成的线段作为ROI的上边线段，而寻找ROI下边线段的方法分三种情况：令ROI有效左边线段的长度为L₁，有效右边线段的长度为L₂，如果则从点P_CR作一条直线，它与有效左边线段相交，产生一个交点，记为此时，ROI的下边线段由点P_CR和组成；如果L₁^TML₂，则从点P_CL作一条直线，它会与有效右边线段相交，产生一个交点，记为此时，ROI的下边线段由点和P_CL组成；如果此时，ROI的下边线段由点P_CR和P_CL组成；从而得到矩形ROI区域的四个顶点坐标值，即ROI的位置已经确定；

如果所述的十五个关键点经修正后得到，则利用修正后的十五个关键点采用上述方法确定ROI区域。

本发明的优势在于：本发明利用近似四边形和关键点来求取ROI，能够准确地提取手背静脉样本的ROI，并且具有很强的抗旋转性。

附图说明

图1是初始样本图像；

图2(A)是消除外围背景目标模板，图2(B)是消除外围背景的结果图；

图3是手背图像；

图4是手背轮廓及关键点；

图5是近似四边形和基准距离线L_d；

图6是原始和平滑距离分布曲线；

图7是分割曲线及特征点在距离分布曲线中的分布情况；

图8是各类特征点在有效轮廓线上的分布情况；

图9(A)和图9(B)分别是θ₁、θ₂、l_r、l_l在左右手样本中对应关系；

图10(A)和图10(B)分别是确定左右样本ROI位置的过程；

图11(A)是同一样本无旋转后的ROI提取结果，图11(B)是同一样本旋转15度后的ROI提取结果，图11(C)是同一样本旋转60度后的ROI提取结果，图11(D)是同一样本旋转-30度后的ROI提取结果；

图12(A)是同一样本无缩放后的ROI提取结果图，图12(B)同一样本保持纵横比放大到1.5倍后的ROI提取结果图，图12(C)同一样本保持纵横比缩小到0.5倍后的ROI提取结果图，图12(D)同一样本宽度放大1.2倍高度缩小0.8倍后的ROI提取结果图，图12(E)同一样本高度放大1.2倍宽度缩小0.8倍后的ROI提取结果图；

图13是三种提取ROI失败的样本类型；

图14(A)是修正方案提取ROI区域的样本图像，图14(B是修正方案提取ROI区域的构造特征点，图14(C)是修正方案提取ROI区域的ROI提取，图14(A)是修正方案提取ROI区域的提取结果；

图15是本发明流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～15，非接触握拳式手背静脉样本ROI区域自适应提取方法，包括手背目标图像区域提取、手背外部轮廓关键点提取、ROI区域位置确定，第一步，根据静脉样本图像中手部目标图像区域与背景区域像素点的分布规律，采用阈值分割将手部目标图像从原始静脉样本中分离出来；第二步，首先利用手背轮廓可用四边形近似的特点求取有效轮廓点集及距离基准线，然后基于有效轮廓点到距离基准线的距离值分布形态获得有效轮廓关键点，并判断所获得的关键点是否符合要求，如不符合，则需进一步采用关键点修正构建方法获得最后的关键点；第三步，基于第二步得到的关键点从手背目标图像中提取出最大稳定区域，即为ROI区域。

手背目标图像区域提取是：根据静脉样本图像中手部目标图像区域与背景区域像素点的分布规律，采用阈值分割将手部目标图像从原始静脉样本中分离出来，阈值T的计算公式如下：

式中，m表示样本图像中非零像素点灰度平均值。

手背外部轮廓关键点提取是：其可分为五步：第一步，求取有效轮廓点集及距离基准线；第二步，求取有效轮廓关键点；第三步，判断所获得的关键点个数是否为15，如不是则执行第四步；第四步，采用关键点修正构建方法获得关键点。

求取有效轮廓点集及距离基准线L_d的过程如下：

(1)、二直化目标图像：采用固定阈值对目标图像进行二值分割，获得二值图像B(i，j)，其中i，j分别表示图像的横纵坐标值。

(2)、提取轮廓：采用二值图像轮廓提取算法，从B(i，j)中提取出目标外轮廓曲线C(i，j)。

(3)、轮廓四边形拟合：采用经典Douglas-Peucker轮廓多边形拟合算法，对轮廓C(i，j)进行拟合，取拟合精度阈值为50个像素点，则可以获得一个拟合四边形，设l为该四边形上边L₃的长度，将L₃向下平移l/8个像素单位，即可得到基准线L_d。

距离基准线与手背轮廓线的交点，L_d以上的部分轮廓线即为有效轮廓，其所包含的轮廓点构成有效轮廓点集。

求取有效轮廓关键点过程是：首先，采用局部均值法对原始距离分布曲线进行平滑处理，以得到平滑距离曲线s(i)，表示有效轮廓点序列号(其值从右到左逐渐增大)，N为有效轮廓线所包含的总点数，局部平滑直径为不小于N/24的最小整数；然后，采用阈值曲线对平滑距离曲线进行分割，正常情况下，平滑距离分布曲线与阈值曲线将存在八个交点，并称之为第一类特征点；最后，利用第一类特征点构建第二类和第三类特征点的方法得到其他七个特征点，即正常情况总共可得到15个特征点。

阈值曲线的数学表达式如下：

式中，s(i)表示平滑距离分布函数，r表示阈值半径，i表示有效轮廓线点序列号，N表示有效轮廓所包含的总点数，t(i)表示阈值函数。r取不大于N/13的最大整数时分割效果最好。

利用第一类特征点构建第二类和第三类特征点的数学表达式分别如下：

(1)构建第二类特征点的数学表达如下：

式中，表示八个第一类特征点，分别表示四个第二类特征点。

(2)构建第三类特征点的数学表达如下：

式中，表示八个第一类特征点，分别表示三个第三类特征点。

关键点修正构建方法获得关键点是：其为解决采用正常关键点求取方法无法从手背静脉外部轮廓中提取出15个关键点的情况而设计，其具体方法描述如下：

用P_DL、P_DR分别表示线段L_d与轮廓线的左、右两个交点，手背外部轮廓近似四变形的上边与轮廓线的左右两个交点分别用P_3L、P_3R表示，用表示P_DL和P_3L的中心点，用表示P_DR和P_3R的中心点，则由和确定的直线会与轮廓线有左右两个交点，就是所要求的左右两个第一类特征点在这里近似认为其他六个第一类特征点将由确定的线段分成了七等份，则确定其他六个第一类特征点位置的公式如下：

第一类特征点确定后，就可以确定第二类和第三类特征点了，四个第二类特征点确定公式如下：

三个第三类特征点，构建方法如下式：

基于第二步得到的关键点从手背目标图像中提取出最大稳定区域是：获得第一类特征点第二类特征点和第三类特征点后，在此基础上确定ROI区域的方法描述如下：

(1)、寻找基准线段：通过基准线确定ROI的方向和基准位置，所以尤为关键。本文选取由第一类关键点和构成的线段(记为L_RD)作为基准线段。选取L_RD作为基准线段的理由是：L_RD的长度比其它任何两个关键点构建的线段的长度都要长；同时，L_RD接近轮廓线的上部边缘并被包含于轮廓线内部。

(2)、判断样本的左右性：判断样本的左右性就是判别手背静脉样本来自左手还是右手。如果用一条直线段近似食指侧的手背边缘所形成的轮廓曲线，将该线段与基准线段的夹角记为θ₁，同样用一条直线段近似小拇指侧的手背边缘所形成的轮廓曲线，将该线段与基准线段的夹角记为θ₂，正常情况下θ₂要大于θ₁。利用这一特性可判断样本的左右性，为了避免采用复杂算法求取近似直线，这里采用了一种更为简便的等效方法：分别从和作两条垂线，令两条垂线与轮廓线的交点分别为设和构成的线段长度为l_r，和构成的线段长度为l_l，如果l_r ^TMl_l，则说明手背样本来自右手，反之来自左手。

(3)、寻找ROI的有效右边线段：为了方便后续处理算法，选择矩形ROI，因此ROI的有效左边线段一定与L_RD垂直。寻找有效左线段的方法分两种情况：第一中情况是样本来自右手，则选择从作一条与L_RD垂直的直线；第二种情况是样本来自左手，则选择从作一条与L_RD垂直的直线。无论是哪一种情况，均需要作一条与L_RD垂直的直线，该直线会与线段L_RD和轮廓线相交，得到两交点，分别记为P_LR、P_CR，由P_LR和P_CR构成的线段即为所求的ROI有效右边线段。

(4)、寻找ROI的有效左边线段：寻找有效左边线段的方法与寻找有效右边线段类似，也分为两种情况：如果样本来自右手，则从作一条与L_RD垂直的直线；反之，样本来自左手，则从作一条与L_RD垂直的直线。无论哪情况，所作垂线与线段L_RD和轮廓线相交，产生两个交点，分别记为P_LL、P_CL，由P_LL和P_CL构成的线段即为所求的有效左边线段。

(5)、寻找ROI的上、下边线段：课题中选取由P_LR和P_LL所组成的线段作为ROI的上边线段，而寻找ROI下边线段的方法要分三种情况讨论，令ROI有效左边线段的长度为L₁，有效右边线段的长度为L₂，如果则从点PCR作一条直线，它会与有效左边线段相交，产生一个交点，记为此时，ROI的下边线段由点P_CR和组成；如果L₁ ^TML₂，则从点P_CL作一条直线，它会与有效右边线段相交，产生一个交点，记为此时，ROI的下边线段由点和P_CL组成；如果此时，ROI的下边线段由点P_CR和P_CL组成。

经过上述过程处理后，就能得到矩形ROI区域的四个顶点坐标值，这意味着ROI的位置已经确定。

更详细地说，本发明包括以下步骤：

1.提取手背图像

提取手部目标就是将手背图像与背景分离，图1为装置采集的初始样本，分为：外围背景区域，图1(a)部分；暗背景区域，图1(b)部分；手部图像，图1(c)部分。提取手背图像就是将手部目标区域从这三部分区域中分离出来，根据这三部分目标区域产生的机理，提取分两步来进行：消除外围背景区域；分离暗背景区域和手部目标区域。

1.1消除外围背景目标

采用屏蔽外围背景目标模板进行消除。图2(A)为屏蔽外围背景目标模板，将该模板与图像进行逻辑与操作即可得到消除外围背景区域的静脉图像，如图2(B)所示。

1.2分离暗背景区域和手背图像

采用阈值分割的方法将暗背景区域和手部目标区域分离，通过对手背静脉样本库进行实验分析发现该阈值T与样本图像的灰度平均值m有关，它们之间的关系可用式(1)表示如下：

(1)

根据式(1)计算出的阈值进行阈值分割，得到手背目标图像如图3所示。

2.提取关键点

从手背外轮廓信息中寻找参考元素。如图4所示为目标图像的外轮廓曲线，图中P₁、P₂、P₃、P₄是由手指关节弯曲形成的凸点，这四个点具有一定的稳定性和普适性，通过提取这四个点来对ROI进行定位，同时获得手背静脉目标图像的方向。结合手背轮廓曲线的特点，提出了一种是基于手背轮廓曲线分析的关键点提取方法，该方法不仅能够从轮廓曲线中提取出P₁、P₂、P₃、P₄这四个由手指关节弯曲所形成的凸点，而且还可以提取出指蹼区域的谷底点。

2.1求取距离基准线L_d

基于轮廓曲线分析关键点提取方法是将手背目标轮廓线近似为四边形，用L₁、L₂表示四边形的左右两边，L₃、L₄表示四边形的上下两边，即轮廓的两侧分别用L₁、L₂近似，轮廓的上下两部分别用L₃、L₄近似，如图4所示，所要提取的关键点集中在L₃以上的轮廓部分，称这部分轮廓线为有效轮廓线，然后通过分析有效轮廓线上的点到距离基准线L_d的距离分布情况来确定P₁、P₂、P₃、P₄，距离基准线L_d由L₃向下平移得到，求取距离基准线L_d是算法的基础。其步骤如下：

1、二值化目标图像：采用固定阈值对目标图像进行二值分割，获得二值图像B(i，j)，其中i，j分别表示图像的横纵坐标值。

2、提取轮廓：采用二值图像轮廓提取算法，从B(i，j)中提取出目标外轮廓曲线C(i，j)。

3、轮廓四边形拟合：采用经典的轮廓多边形拟合算法，对轮廓C(i，j)进行多边形拟合，取拟合精度阈值为50个像素点，则可以获得一个拟合四边形，设l为该四边形上边L₃的长度，将L₃向下平移l/8个像素单位，即可得到基准线L_d

图5所示为经上述算法处理后得到的近似四边形和距离基准线L_d图。图中P_i，P_r分别是距离基准线与手背轮廓线的交点，L_d以上部分的轮廓线为有效轮廓，如图5中深色曲线表示的轮廓部分。

2.2有效轮廓点到L_d的距离分布曲线

确定L_d之后，根据有效轮廓点到L_d的距离分布曲线特点确定关键点P₁、P₂、P₃、P₄。图6为有效轮廓点到L_d的距离分布曲线及其经平滑处理后结果，横坐标表示有效轮廓点的序列号，其值从P_r到P_l逐渐增加。本文采用局部均值法对原始距离分布曲线进行处理，平滑直径为不小于N/24的最小整数，N为有效轮廓线所包含的总点数。

平滑距离分布曲线存在四个波峰，其对应的着由指关节弯曲形成的凸包区域，确定关键点就是找出平滑距离分布曲线中波峰的位置。本发明采用阈值分割曲线对距离分布曲线进行划分，图7为平滑距离分布曲线分割情况及特征点在曲线中的分布形态。

如图7所示，平滑距离分布曲线被阈值曲线分割成了九个部分，平滑距离分布曲线处于阈值曲线上方的四个部分即为手指关节弯曲区形成的距离分布曲线，平滑距离分布曲线中间处于阈值曲线下方的三个部分即为指蹼区形成的距离分布情况，平滑距离分布曲线两侧处于阈值曲线下方的两个部分为有效轮廓左右两个边界区的距离分布情况。图7中的阈值曲线由式(2)得到。

式中，s(i)表示平滑距离分布函数，r表示阈值半径，i表示有效轮廓线点序列号，N表示有效轮廓所包含的总点数，t(i)表示阈值函数。通过对所使用的手背静脉分析发现，r取不大于N/13的最大整数时分割效果最好。

2.3求取关键点

平滑距离分布曲线与阈值曲线有八个交点，称其为第一类特征点，记为通过第一类特征点可以构建出四个第二类特征点，构建方法如下式(3)：

(3)

式中，分别表示四个第二类特征点，通过第一类特征点还可以构建三个第三类特征点，构建方法如下式(4)：

(4)

式中，分别表示三个第三类特征点，各类特征点在平滑距离分布曲线中的分布情况如图7所示，它们在手背轮廓曲线中的分布情况如图8所示。

图8中，第二类特征点用圆形图形表示，与图4比较可以看出，第二类特征点可以近似为手指关节弯曲形成的凸点，即所要求取的关键点P₁、P₂、P₃、P₄；第一类特征点和第三类特征点分别用十字图形、小矩形图形表示，第三类特征点可以近似为指蹼区的谷底点。

3.确定感兴趣区域位置

由关键点第一类特征点和第三类特征点确定ROI区域：

3.1寻找基准线段

选取由第一类关键点和构成的线段(记为L_RD)作为基准线段，理由是：L_RD的长度比其它任何两个关键点构建的线段的长度都要长；同时，L_RD接近轮廓线的上部边缘并被包含于轮廓线内部。

3.2判断样本的左右性

即判别手背静脉样本来自左手还是右手。如图9所示，分别从和作两条垂线，令两条垂线与轮廓线的交点分别为设和构成的线段长度为l_r，和构成的线段长度为l_l，如果l_r ^TMl_l，则说明手背样本来自右手，反之来自左手。

3.3寻找ROI的有效右边线段

如图10所示，选择矩形ROI，因此ROI的有效左边线段一定与L_RD垂直。寻找有效左线段的方法分两种情况：第一中情况是样本来自右手，则选择从作一条与L_RD垂直的直线；第二种情况是样本来自左手，则选择从作一条与L_RD垂直的直线，如图。无论是哪一种情况，均需要作一条与L_RD垂直的直线，该直线会与线段L_RD和轮廓线相交，得到两交点，分别记为P_LR、P_CR，由P_LR和P_CR构成的线段即为所求的ROI有效右边线段。

3.4寻找ROI的有效左边线段

寻找有效左边线段的方法与寻找有效右边线段类似，也分为两种情况：如果样本来自右手，则从作一条与L_RD垂直的直线；反之，样本来自左手，则从作一条与L_RD垂直的直线。无论哪情况，所作垂线与线段L_RD和轮廓线相交，产生两个交点，分别记为P_LL、P_CL，由P_LL和P_CL构成的线段即为所求的有效左边线段。如图10。

3.5确定ROI的上、下边线段

选取由P_LR和P_LL所组成的线段作为ROI的上边线段。确定ROI下边线段的方法要分三种情况：令ROI有效左边线段的长度为L₁，有效右边线段的长度为L₂，如果则从点P_CR作一条直线与有效左边线段相交，交点记为则ROI的下边线段由点P_CR和组成；如果L₁ ^TML₂，则从点P_CL作一条直线，与有效右边线段相交，交点记为则ROI的下边线段由点和P_CL组成；如果则ROI的下边线段由点P_CR和P_CL组成。

以上得到矩形ROI区域的四个顶点坐标值，即确定了ROI区域。图10为左右两只手手背ROI位置确定过程。

4.实验结果与分析

4.1抗旋转性分析

图11中A、B、C、D为同一样本旋转不同角度后，ROI区域的提取结果。可以看出，同一样本经过不同角度旋转后，本方法依然能够提取出适当的ROI区域，并且ROI区域在相应样本目标中的相对位置较为稳定。旋转后ROI的形状几乎不变，大小非常接近。因此，本ROI提取方法具有很强的抗旋转性。

在实际应用中，ROI提取方法的抗旋转性很重要，因为采集样本时只要求待采集手背平面与采集摄像头的轴线保持大致垂直，而没有限制手背的水平摆动，这种摆动在样本图像中的体现就是样本图像中的目标发生旋转，该实验表明，本ROI提取方法能够很大程度减小这种摆动对识别系统的影响。

4.2抗缩放性分析

比较图12(A)、图12(B)、图12(C)，可以看出，同一样本保持图像纵横比例缩放后，提取的ROI区域在相应样本目标中的相对位置较为稳定，ROI的形状不会改变，而ROI矩形区域的大小实际上发生了同比例的缩放。实际应用中，通常要对ROI区域的大小进行规一化，则这种影响很容易去掉，因此可以认为样本保持纵横比例缩放对本发明提出的ROI区域提取方法没有影响。

比较图12(A)、图12(D)、图12(E)，可以看出，同一样本不保持图像纵横比例缩放，提取的ROI区域在相应样本目标中的相对位置及其形状会发生了较大变化。三幅图中ROI矩形区域相邻两边的比值具有明显差别，ROI矩形区域形状发生了变化，这说明样本不保持纵横比例缩放，对本文中提出的ROI区域提取方法有较大影响。

因此，本发明所提出的ROI提取方法对样本保持纵横比例缩放具有鲁棒性，这在实际应用中具有很重要的意义。因为在采集样本时，手背平面与摄像头的距离并未固定，从而导致样本图像产生保持纵横比例缩放的现象。而如果样本不保持纵横比例缩放，那么课题中提出的ROI提取方法将会无法得到理想的结果。

样本不保持纵横比例缩放是由于待采集手背平面与采集摄像头的轴线没有保持大致垂直造成的，因此为了最大限度的减少这种缩放方式对识别系统造成的影响，在采集样本时，应该要求保持手背平面与采集摄像头的轴线大致垂直。

4.3普适性分析

利用本发明中所提出的ROI区域确定方法，对包含400人(每个人分左右手各5幅图像)的静脉样本库进行了处理，共处理了400λ2λ10副样本图像，最后能够成功提取ROI的比例是98.67％，说明本方法具有较高的普适性。

对不能成功提取ROI的样本进行分析可知，ROI提取失败分两种情况：第一种提取的ROI区域不正确，如图13A所示；第二种根本不能从样本中提取出ROI区域，如图13B，13C所示。这三类样本均会使ROI提取方法无法达到既定目的。这三类样本图像产生的原因各不相同：图13A是由于采集时手背平面与采集摄像头的轴线没有保持大致垂直，导致样本图像中出现了手指部分的图像，从而使得样本中手背目标图像的轮廓线是呈畸形状态，引起提取失败；图13B是由于采集手背时，手背中心偏离摄像头的中轴线太远，致使样本图像中目标的轮廓线出现截断现象，从而导致失败；图13C是由于个体手背太肥胖或指关节处的骨架太小，而导致手指关节弯曲而形的凸点在样本图像体现不出来，使得ROI提取方法无法确定轮廓曲线的特征点，从而提取失败。实验中，这三类样本占样本库中总样本的比例分别是0.476％、0.387％、0.467％。

对于第一类样本和第二类样本引起ROI提取失败的问题很容易解决：只要在采集样本时注意手背的摆放姿态，就可以避免这种样本的出现；而对于第三类样本引起的失败就无法从采集过程中解决，因为它是由个体固有特性引起。为了提高方法的普适性，对本ROI提取方法进一步完善。

5.提取ROI方法修正

正常情况下，本发明提出的ROI区域提取方法会获得八个第一类特征点，四个第二类特征点，三个第三类特征点，共15个特征点，如图8所示，如果从这15个特征点向距离基准线L_d作垂线，会得到15个交点，可以近似认为这15个交点将线段L_d分成十六等份；另外，确定感兴趣区域所需的基准线L_RD正常情况下处于距离基准线L_d和轮廓近似四边形上边L₃之间，可以近似认为是与L_RD、L₃平行且与L_RD、L₃距离相等的一条线段，基于这两点近似，本发明提出了一种特殊的特征点构造方法，描述如下：

用P_DL、P_DR分别表示线段L_d与轮廓线的左、右两个交点，L₃与轮廓线的左右两个交点分别用P_3L、P_3R表示，用表示P_DL和P_3L的中心点，用表示P_DR和P_3R的中心点，则由和确定的直线会与轮廓线有左右两个交点，就是所要求的左右两个第一类特征点在这里近似认为其他六个第一类特征点将由确定的线段分成了七等份，则确定其他六个第一类特征点位置的公式如下：

第一类特征点确定后，就可以确定第二类和第三类特征点了，四个第二类特征点确定公式如下：

(6)

三个第三类特征点，构建方法如下式：

(7)

图14B所示为利用上述方法获得的各类特征点在手背轮廓图像中的分布情况，可以看出这15个特征点，只有两个一类特征点处于轮廓线上，其他13个特征点均不在轮廓线上，而是处于由点确定的线段上，从式(5)、(6)、(7)这三个特征点构造公式中可以看出，其他13个点将确定的线段分成了14等份。图14C所示为利用这15个特征点确定ROI区域四个顶点的图像，可以看出能够得到所需的结果，并且也能利用和判断出手背静脉样本的左右性。从图14D中可以看出提取的ROI区域面积与样本图像中手背目标的区域的面积比例比较合适，说明该修正方案能够对图像中无明显凸点信息的静脉样本进行ROI提取，将该修正方案与本发明前面提出的ROI提取方法相结合，将会进一步提高ROI提取方法的普适性。