人体身份特征图像处理方法
人体身份特征图像处理方法
【技术领域】
[0001 ]本发明涉及图像识别，特别涉及一种人体身份特征图像处理方法。
【背景技术】
[0002] 随着生物认证技术的发展，人脸和指纹识别已经不能满足日益增长的安全性需 求。近年来，基于手掌静脉特征的身份识别在生物特征识别领域受到广泛重视。手掌静脉图 像获取容易，占用存储空间小，其研究具有重要的应用价值。手掌静脉识别相关认证产品在 网络安全认证方面必将发挥重要的作用。现有的手掌静脉识别系统只能对较好条件下的样 本进行处理，而对于图像偏暗，清晰度不高的手掌样本，识别率有所降低，同时，所应用的算 法普遍计算量较大，使识别过程难以达到实时。
【发明内容】
[0003] 为解决上述现有技术所存在的问题，本发明提出了一种人体身份特征图像处理方 法，包括：
[0004] 通过图像分割将静脉纹理进行分离；
[0005] 将分割后的图像进行增强处理和特征提取；
[0006] 基于所提取的特征完成身份特征的识别。
[0007] 优选地，所述通过图像分割将静脉纹理进行分离，进一步包括：
[0008] 对静脉图像进行小波变换，以获得图像中的高频信息，然后通过四叉树分解将静 脉图像分成若干个区域，对每一局部区域分别进行处理，对大小为LXL的每个区域设置为 L 2_l个采样角度，即投影角度为9 = kJi/L2-l;
[0009] 其中k取1，2,…，L2-l;
[0010] 构造与LXL的区域区域同样大小的网格，计算该区域在采样角度上的正交投影：
[0011] fe(i)=-(sin9)*x(i) + (cos9)*y(i)
[0012] 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数 组fd;
[0013] 计算指示图像中该区域在每一点处的正则变化方向的向量流，对f d进行小波变 换，得到其变换系数{bk}，选择阈值T，并对bk进行阈值化处理：
[0014] bk (X) =0 X | < T
[0015] bk (x) =bk(x) x I >T
[0016] 阈值化处理之后，对其进行逆小波变换获得fd的逼近信号Rd，对于所有的投影角度 Θ，使f d与Rd差别最小的角度作为该区域的最佳向量流方向：
[0017] Θ ' =argmin | | fd-Rd | |2，δ〈Η，θ E [0，L2]
[0018] δ=π?η| |fd-Rd| |2，H为判别该区域中是否存在向量流的阈值；
[0019] 将四叉树区域中具有相似向量流特征的相邻区域合并在一起，构造出新的静脉分 害_尺01区域：
[0020] 1.计算所有分块的最佳向量流方向θ'和重建误差δ;
[0021] 2.计算宽度为2L的区域S的最佳向量流方向0d'与重建误差δ'，而区域s四个子块 Si-S4的重建误差分别为δι，δ2，δ3，δ4,如果δ ' =δι+δ2+δ3+δ4,则合并S1-S4
[0022] 3.重复步骤1和2,直至达到最大分块区域；
[0023] 最终将存在向量流的区域作为静脉图像的R0I区域；
[0024]在分割过程中将每一个R0I区域分割为两部分，即静脉部分和背景部分，且分割后 静脉部分为4连通区域；
[0025] 将熵倌定义为
[0026]
[0027] 式中，W为R0I区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出现 概率；
[0028] 计算平均梯度^ Σ G ;其中
[0029]
[0030] Gx(x,y)=2f(x+2,y)+f(x+1,y)-f(χ-l,y)-2f(x-2,y)
[0031 ] Gy(x,y) = 2f(x,y+2)+f(x,y+l)-f(x,y-l)-2f(x,y-2)
[0032] D为分割后的区域，Nd为区域中进行梯度计算的像素数；
[0033] 通过最小化处理计算图像分割后的静脉信息区域:0ρ = ΒΓ8η?η[λ.ι+(1-λι)Ι?^ι+ ^2Gd1+ ( 1 -入2 ) Gf-D2 ]
[0034] 完成该区域的静脉信息分割;其中f表示整幅静脉图像和，心和\2分别为上述函数W 与Gd在分割算法中的权重值。
[0035] 本发明相比现有技术，具有以下优点：
[0036] 本发明提出了一种人体身份特征图像处理方法，对于质量较低的采集图像，有效 提高了识别范围，识别速度和精度。
【附图说明】
[0037] 图1是根据本发明实施例的人体身份特征图像处理方法的流程图。
【具体实施方式】
[0038] 下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描 述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利 要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以 便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的 一些或者所有细节也可以根据权利要求书实现本发明。
[0039] 本发明的一方面提供了一种人体身份特征图像处理方法。图1是根据本发明实施 例的人体身份特征图像处理方法流程图。
[0040]手掌静脉图像利用的是人体静脉的血红蛋白对近红外光的吸收特性。手掌静脉采 集设备中采用的是波长范围在700-1100近红外发光二极管作为光源，因为该波段的光容易 穿透手掌骨骼和肌肉组织，然后采用高感光度的图像传感器。在手掌静脉图像的采集过程 中，如果手掌放置的位置太偏，可能会造成手掌静脉图像中手掌边界的梯度场小，从而导致 手掌静脉的边界提取不完整，影响手掌静脉ROI(ROI)区域的截取。
[0041 ]手掌静脉图像识别可选地包括如下过程：
[0042]手掌静脉图像分割，将静脉图像中的静脉纹理从背景区域中分离出来，以提高图 像特征提取的正确率和特征提取的速度。
[0043] 手掌静脉图像增强，用于突出图像的静脉纹理信息。
[0044] 特征提取，通过对预处理过的图像进行特征提取，得到手掌静脉图像的几何特征 模板或数据特征模板。
[0045] 匹配识别，通过采集的用户手掌静脉图像，获得样本模板，与之前数据库中的注册 模板进行匹配，以识别用户身份标识。
[0046] 进一步地，对于上述图像分割，本发明采用以下过程：
[0047] 对于去噪后静脉图像，其高频信息体现在静脉曲线的边界上，而静脉曲线的延伸 方向与静脉曲线边界的方向保持一致，因此，在分割图像中的静脉信息时，只需要分析静脉 边界附近区域，具体步骤如下：
[0048] 采用小波对去噪后的静脉图像进行小波变换，获得图像中的高频信息。通过四叉 树分解将静脉图像分成若干个区域，对每一局部区域分别进行处理与分析。假设每一小区 域大小为L X L，这里将可采样角度设为L2-l个，即投影角度为Θ = kJi/L2-l
[0049] ，其中k取1，2,…，L2-1。
[0050] 构造与子区域同样大小的LXL网格，计算该区域在采样角度上的正交投影。
[0051 ] fe(i)=-(sin9)*x(i) + (cos9)*y(i)
[0052] 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数 组fd。
[0053] 计算指示图像中该区域在每一点处的正则变化方向的向量流。对f d进行小波变 换，得到其变换系数称为{bk}，选择阈值T，并对bk进行阈值化处理：
[0054] bk'（x)=0 x| <T
[0055] bk (x) =bk(x) x | >T
[0056] 阈值化处理之后，对其进行逆小波变换，从而获得fd的逼近信号Rd，对于所有的投 影角度Θ，能够使fd与Rd差别最小的角度作为该区域的最佳向量流方向。
[0057] θ'=argmin| |fd-Rd| |2,3〈H，9e[0，L2]
[0058] 5=min | | fd~Rd | |2
[0059 ] H为判别该区域中是否存在向量流的阈值。
[0060] 为简化算法的计算复杂度，同时减少R0I区域的数量，将四叉树区域中具有相似向 量流特征的相邻区域合并在一起，构造出新的静脉分割的R0I区域：
[0061] 1.计算所有分块的最佳向量流方向θ'和重建误差δ;
[0062] 2.计算宽度为2L的区域S的最佳向量流方向0d'与重建误差δ'，而区域S四个子块 Si -S4的重建误差分别为δι，δ2，δ3，δ4,如果δ ' =δι+δ2+δ3+δ4,则合并S1-S4
[0063] 3.重复步骤1和2,直至达到最大分块区域。
[0064]最终将存在向量流的区域作为静脉图像的R0I区域，并对其进行进一步的处理。 [0065] R0I区域中静脉信息区域像素不是孤立存在的，而是连通的。鉴于上述特点，利用 以下过程完成静脉图像分割：
[0066]每一个R0I区域被分割为两部分，即静脉部分和背景部分，且分割后静脉部分为4 连通区域；
[0067] 利用熵值来表示灰度值的丰富程度，熵值定义为
[0068]
[0069] 式中，W为R0I区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出现
概率。
[0070] 计算平均梯5 ;其中
[0071]
[0072] Gx(x,y) = 2f (x+2,y)+f (x+1 ,y)-f (χ-l ,y)-2f (x-2,y)
[0073] Gy(x,y)=2f(x,y+2)+f(x,y+l)-f(x,y-l)-2f(x,y-2)
[0074] D为分割后的区域，ND为区域中进行梯度计算的像素数
[0075] 通过最小化处理计算图像分割后的静脉信息区域0ρ = ΒΓ8π?η[λ.ι+(1-λι)Ι?^ι+ A2GD1+(l-A2)Gf-D2]，完成该区域的静脉信息分割，而后融合所有R0I区域的分割结果，便实现 了对整幅近红外静脉图像的分割处理。
[0076] 式中，f表示整幅静脉图像和，人:和"分 别为上述函数W与Gd在分割算法中的权重 值。
[0077] 获得分割后的图像之后，进一步地，在上述图像增强和特征提取中，本发明采用以 下过程：
[0078] 计算每个像素点8个方向上的像素灰度平均值Gl(L取1-8)。
[0079] 将Gl按两两垂直的方向分成4组，其中Gk与Gk+4为一组，K取1_4。求解各组方向灰度 均值与中心点像素的灰度值的灰度变化值Τκ和Τκ+4，其中G是中心点的灰度值，
[0080] Tk= |G-Gk
[0081] Tk+4=|G-Gk+4
[0082] 求Τκ和Τκ+4两个灰度变化值之比TKR;TKR越大，说明称为脊线方向的概率越大。
[0083] 通过计算绝对值Δ Τκ= | 1-TKR |判断灰度均值GK与Gk+4和与中心像素点灰度值接近 的那个灰度均值，然后取△ Τκ的最大值，即找到两个最可能的脊线方向；
[0084] 如果TKR2 1，中心像素点的方向取argmax( ΔΤκ)+4;当TKR<1，中心像素点的方向取 argmax(Δ Τκ) 〇
[0085] 为了减少噪声的影响，将图像分成wXw大小的块，对块中的每个点进行平滑处理， 计算的块区域中的灰度直方图中的峰值并将它设为中心点的方向，得到点方向修正后的块 方向。得到修正后的块方向图后，为增强静脉纹理和背景的对比度，根据每幅手掌静脉图像 的方向图，用对应的方向滤波模板对手掌静脉图像进行方向滤波。首先设置水平方向模板 如下：
[0086]
[0087] 其中各系数满足如下关系:U>x>y>0，z>0，u+2x+2y-2z = 0，
[0088]在得到水平方向模板之后，为了得到其他7个方向的滤波模板，可由水平方向的滤 波模板通过三角函数旋转相应的角度得到。水平模板旋转Φ后，得到的旋转之后的滤波模 板上的坐标位置(i *，j *)与水平方向滤波模板上的坐标位置(i，j)之间有如下关系：
[0089：
[0090]其中，Φ =(m-l)V8为滤波器旋转的角度，m取2-7。
[0091]在新的方向滤波模板上，（i，j)位置的系数g<t>( i*，j*)相等于水平滤波器上go( i， j)位置的系数。所以点（i，j)上的系数g4>(i*，j*)用其周围点系数进行插值得到，设水平方 向滤波模板上（i，j)周围4个坐标的系数分别为go(iL，j_l)，go(iL，ju)，go(iu，j_l)，go(iu，ju)， 此处iL〈i〈iu，jL〈j〈ju、则插值表达为
[0092] g4)(i*，j*) = ( ju-j)(iu_i)go(iL，j.l) + ( ju-j)(i_iL)go(iL，ju) + (iu_i)( j_jL)go(iu， jL) + (i-iL)( j-jL)go(iu，ju)
[0093 ]通过上式可得到其余7个方向滤波模板的系数。
[0094] 以当前像素点为中心，将周围的8个点的灰度值与对应的方向滤波模板做卷积运 算，然后将卷积值赋给当前像素点，作为滤波过程的最终灰度值。
[0095] 手掌静脉图像经过滤波处理之后，成为一幅质量较高的静脉特征二值化图像。但 是所提取的手掌静脉纹理的粗细不一，对匹配过程中的识别率的准确性影响较大，因此对 手掌静脉图像进行细化，提取的手掌静脉图像的单像素宽度的中央走向部分：
[0096] 对于图像中像素值为1的点X，记录X为中心的周围的8个点满足的灰度顺序，这一 顺序一共有28 = 256种，以8位二进制表示的顺序值查询细化表中的对应的值，若查询的值 为1，则删掉该点，否则保留该点。当对整幅手掌静脉图像进行细化时，遍历水平方向上的像 素点，然后遍历垂直方向的像素点，直到所有点都已判断。
[0097] 经过细化的手掌静脉图像中有两种特征点，一个是交点，另一个是端点。为了提取 这些特征点，本发明定义一个3X3的区域。细化图像上每个像素点的8邻域，在顺时针遍历8 个像素点的过程中，计算像素值〇和1的累积变换次数Ντ;若Ντ=1，则当前像素点为端点；若 Ντ2 3,则为分叉点。
[0098] 获得手掌静脉图像特征之后，进一步地，在上述图像特征进行匹配识别的过程中， 本发明采用以下过程：
[0099] 以X种光强对y种旋转角度的ζ种分辨率对同一静脉对象进行采集，因此静脉样本 库中的每一个静脉对象都由xXyXz个样本来描述，称为该静脉样本库的一个静脉图像子 空间，对于采集到的表示该静脉对象的静脉图像，其特征向量可以由该子空间中静脉图像 的特征向量线性组合来表示。
[01 00] P -丁1,1, lPl, 1, l + Tl, 1,2Pl, 1,2 + · · ·+Τχ, y, zPx, y, z
[0101 ]式中，P'为米集图像的特征向量，Ti, j,k为线性表不时基向量Pi,j,k的系数。
[0102]对于第η个静脉对象迭代执行如下步骤，将静脉样本库中所有静脉图像子空间中 的特征向量一一作为基向量，第η个静脉对象的特征向量子空间为：
[01 03] Φ η- [Pn,(l,l,l)，Pn,(l,l,2)，...Pn,(x,y,z)]
[0104] 式中，为表示第i个静脉对象中第j幅静脉样本的特征向量。
[0105] 将采集到的静脉图像与样本库中每一个静脉对象对比，计算以第η个静脉图像子 空间基的系数向量μη
[0106] μη=Φη-WnV
[0107] 判断相似度ζη与相似度阈值e的关系：
[0108]
[0109] 如果("大于阈值e则迭代结束，得到系数向量为μη;如果ζη*于阈值e，则η增1，继续 上述迭代，直至后于阈值e。对于经过有限次迭代后ζ n值小于预设阈值e的静脉对象，选 取具有最小1范数系数向量的静脉对象作为最终的识别结果;否则，可认为采集到的新的静 脉图像与静脉样本库中任一静脉对象都不匹配。
[0110] 综上所述，本发明提出了一种人体身份特征图像处理方法，对于质量较低的采集 图像，有效提高了识别范围，识别速度和精度。
[0111]显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用 的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成 的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储 在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。 [0112]应当理解的是，本发明的上述【具体实施方式】仅仅用于示例性说明或解释本发明的 原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何 修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨 在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修 改例。
【主权项】
1. 一种人体身份特征图像处理方法，用于对所采集的手掌静脉图像进行匹配识别，其 特征在于，包括：。 通过图像分割将静脉纹理进行分离； 将分割后的图像进行增强处理和特征提取； 基于所提取的特征完成身份特征的识别。2. 根据权利要求1所述的方法，其特征在于，所述通过图像分割将静脉纹理进行分离， 进一步包括： 对静脉图像进行小波变换，以获得图像中的高频信息，然后通过四叉树分解将静脉图 像分成若干个区域，对每一局部区域分别进行处理，对大小为LXL的每个区域设置为L2-I 个采样角度，即投影角度为 9 = kVL2-l; 其中k取1，2,…，L2-I; 构造与LXL的区域区域同样大小的网格，计算该区域在采样角度上的正交投影： fe(i)=-(sin9)*x(i) + (cos9)*y(i) 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数组fd; 计算指示图像中该区域在每一点处的正则变化方向的向量流，对f d进行小波变换，得到 其变换系数{bk}，选择阈值T，并对bk进行阈值化处理： bk'（X) =O X I < T bk'（x)=bk(x) x I >T 阈值化处理之后，对其进行逆小波变换获得fd的逼近信号Rd，对于所有的投影角度Θ，使 fd与Rd差别最小的角度作为该区域的最佳向量流方向： 0，=argmin| |fd-Rd| |2, δ<Η, Θ e [〇 ,L2] δ=π?η I Ifd-Rdl 12，H为判别该区域中是否存在向量流的阈值； 将四叉树区域中具有相似向量流特征的相邻区域合并在一起，构造出新的静脉分割的 ROI区域：1. 计算所有分块的最佳向量流方向Θ '和重建误差S;2. 计算宽度为2L的区域S的最佳向量流方向0d'与重建误差δ'，而区域S四个子块31-34 的重建误差分别为心，δ 2，δ3，δ4,如果δ ' = δ1+δ2+δ3+δ4，则合并S1-S 43. 重复步骤1和2,直至达到最大分块区域； 最终将存在向量流的区域作为静脉图像的ROI区域； 在分割过程中将每一个ROI区域分割为两部分，即静脉部分和背景部分，且分割后静脉 部分为4连通区域； 将熵值定义为式中，W为ROI区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出现概率； 计算平均梯度其中D为分割后的区域，Nd为区域中进行梯度计算的像素数； 通过最小化处理计算图像分割后的静脉信息区域:Df = argmin [ A1Wdi+ (l-λι )Wf-Di+X2GDi + ( U2)Gf-D2] 完成该区域的静脉信息分割;其中f表示整幅静脉图像和，心和人2分别为上述函数W与Gd 在分割算法中的权重值。
【专利摘要】本发明提供了一种人体身份特征图像处理方法，该方法包括：通过图像分割将静脉纹理进行分离；将分割后的图像进行增强处理和特征提取；基于所提取的特征完成身份特征的识别。本发明提出了一种人体身份特征图像处理方法，对于质量较低的手掌静脉采集图像，有效提高了识别范围，识别速度和精度。
【IPC分类】G06T7/40, G06K9/00, G06T7/00
【公开号】CN105488786
【申请号】CN201510822504
【发明人】赖真霖, 文君
【申请人】成都四象联创科技有限公司
【公开日】2016年4月13日
【申请日】2015年11月24日
【技术领域】
[0001 ]本发明涉及图像识别，特别涉及一种人体身份特征图像处理方法。
【背景技术】
[0002] 随着生物认证技术的发展，人脸和指纹识别已经不能满足日益增长的安全性需 求。近年来，基于手掌静脉特征的身份识别在生物特征识别领域受到广泛重视。手掌静脉图 像获取容易，占用存储空间小，其研究具有重要的应用价值。手掌静脉识别相关认证产品在 网络安全认证方面必将发挥重要的作用。现有的手掌静脉识别系统只能对较好条件下的样 本进行处理，而对于图像偏暗，清晰度不高的手掌样本，识别率有所降低，同时，所应用的算 法普遍计算量较大，使识别过程难以达到实时。
【发明内容】
[0003] 为解决上述现有技术所存在的问题，本发明提出了一种人体身份特征图像处理方 法，包括：
[0004] 通过图像分割将静脉纹理进行分离；
[0005] 将分割后的图像进行增强处理和特征提取；
[0006] 基于所提取的特征完成身份特征的识别。
[0007] 优选地，所述通过图像分割将静脉纹理进行分离，进一步包括：
[0008] 对静脉图像进行小波变换，以获得图像中的高频信息，然后通过四叉树分解将静 脉图像分成若干个区域，对每一局部区域分别进行处理，对大小为LXL的每个区域设置为 L 2_l个采样角度，即投影角度为9 = kJi/L2-l;
[0009] 其中k取1，2,…，L2-l;
[0010] 构造与LXL的区域区域同样大小的网格，计算该区域在采样角度上的正交投影：
[0011] fe(i)=-(sin9)*x(i) + (cos9)*y(i)
[0012] 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数 组fd;
[0013] 计算指示图像中该区域在每一点处的正则变化方向的向量流，对f d进行小波变 换，得到其变换系数{bk}，选择阈值T，并对bk进行阈值化处理：
[0014] bk (X) =0 X | < T
[0015] bk (x) =bk(x) x I >T
[0016] 阈值化处理之后，对其进行逆小波变换获得fd的逼近信号Rd，对于所有的投影角度 Θ，使f d与Rd差别最小的角度作为该区域的最佳向量流方向：
[0017] Θ ' =argmin | | fd-Rd | |2，δ〈Η，θ E [0，L2]
[0018] δ=π?η| |fd-Rd| |2，H为判别该区域中是否存在向量流的阈值；
[0019] 将四叉树区域中具有相似向量流特征的相邻区域合并在一起，构造出新的静脉分 害_尺01区域：
[0020] 1.计算所有分块的最佳向量流方向θ'和重建误差δ;
[0021] 2.计算宽度为2L的区域S的最佳向量流方向0d'与重建误差δ'，而区域s四个子块 Si-S4的重建误差分别为δι，δ2，δ3，δ4,如果δ ' =δι+δ2+δ3+δ4,则合并S1-S4
[0022] 3.重复步骤1和2,直至达到最大分块区域；
[0023] 最终将存在向量流的区域作为静脉图像的R0I区域；
[0024]在分割过程中将每一个R0I区域分割为两部分，即静脉部分和背景部分，且分割后 静脉部分为4连通区域；
[0025] 将熵倌定义为
[0026]
[0027] 式中，W为R0I区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出现 概率；
[0028] 计算平均梯度^ Σ G ;其中
[0029]
[0030] Gx(x,y)=2f(x+2,y)+f(x+1,y)-f(χ-l,y)-2f(x-2,y)
[0031 ] Gy(x,y) = 2f(x,y+2)+f(x,y+l)-f(x,y-l)-2f(x,y-2)
[0032] D为分割后的区域，Nd为区域中进行梯度计算的像素数；
[0033] 通过最小化处理计算图像分割后的静脉信息区域:0ρ = ΒΓ8η?η[λ.ι+(1-λι)Ι?^ι+ ^2Gd1+ ( 1 -入2 ) Gf-D2 ]
[0034] 完成该区域的静脉信息分割;其中f表示整幅静脉图像和，心和\2分别为上述函数W 与Gd在分割算法中的权重值。
[0035] 本发明相比现有技术，具有以下优点：
[0036] 本发明提出了一种人体身份特征图像处理方法，对于质量较低的采集图像，有效 提高了识别范围，识别速度和精度。
【附图说明】
[0037] 图1是根据本发明实施例的人体身份特征图像处理方法的流程图。
【具体实施方式】
[0038] 下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描 述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利 要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以 便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的 一些或者所有细节也可以根据权利要求书实现本发明。
[0039] 本发明的一方面提供了一种人体身份特征图像处理方法。图1是根据本发明实施 例的人体身份特征图像处理方法流程图。
[0040]手掌静脉图像利用的是人体静脉的血红蛋白对近红外光的吸收特性。手掌静脉采 集设备中采用的是波长范围在700-1100近红外发光二极管作为光源，因为该波段的光容易 穿透手掌骨骼和肌肉组织，然后采用高感光度的图像传感器。在手掌静脉图像的采集过程 中，如果手掌放置的位置太偏，可能会造成手掌静脉图像中手掌边界的梯度场小，从而导致 手掌静脉的边界提取不完整，影响手掌静脉ROI(ROI)区域的截取。
[0041 ]手掌静脉图像识别可选地包括如下过程：
[0042]手掌静脉图像分割，将静脉图像中的静脉纹理从背景区域中分离出来，以提高图 像特征提取的正确率和特征提取的速度。
[0043] 手掌静脉图像增强，用于突出图像的静脉纹理信息。
[0044] 特征提取，通过对预处理过的图像进行特征提取，得到手掌静脉图像的几何特征 模板或数据特征模板。
[0045] 匹配识别，通过采集的用户手掌静脉图像，获得样本模板，与之前数据库中的注册 模板进行匹配，以识别用户身份标识。
[0046] 进一步地，对于上述图像分割，本发明采用以下过程：
[0047] 对于去噪后静脉图像，其高频信息体现在静脉曲线的边界上，而静脉曲线的延伸 方向与静脉曲线边界的方向保持一致，因此，在分割图像中的静脉信息时，只需要分析静脉 边界附近区域，具体步骤如下：
[0048] 采用小波对去噪后的静脉图像进行小波变换，获得图像中的高频信息。通过四叉 树分解将静脉图像分成若干个区域，对每一局部区域分别进行处理与分析。假设每一小区 域大小为L X L，这里将可采样角度设为L2-l个，即投影角度为Θ = kJi/L2-l
[0049] ，其中k取1，2,…，L2-1。
[0050] 构造与子区域同样大小的LXL网格，计算该区域在采样角度上的正交投影。
[0051 ] fe(i)=-(sin9)*x(i) + (cos9)*y(i)
[0052] 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数 组fd。
[0053] 计算指示图像中该区域在每一点处的正则变化方向的向量流。对f d进行小波变 换，得到其变换系数称为{bk}，选择阈值T，并对bk进行阈值化处理：
[0054] bk'（x)=0 x| <T
[0055] bk (x) =bk(x) x | >T
[0056] 阈值化处理之后，对其进行逆小波变换，从而获得fd的逼近信号Rd，对于所有的投 影角度Θ，能够使fd与Rd差别最小的角度作为该区域的最佳向量流方向。
[0057] θ'=argmin| |fd-Rd| |2,3〈H，9e[0，L2]
[0058] 5=min | | fd~Rd | |2
[0059 ] H为判别该区域中是否存在向量流的阈值。
[0060] 为简化算法的计算复杂度，同时减少R0I区域的数量，将四叉树区域中具有相似向 量流特征的相邻区域合并在一起，构造出新的静脉分割的R0I区域：
[0061] 1.计算所有分块的最佳向量流方向θ'和重建误差δ;
[0062] 2.计算宽度为2L的区域S的最佳向量流方向0d'与重建误差δ'，而区域S四个子块 Si -S4的重建误差分别为δι，δ2，δ3，δ4,如果δ ' =δι+δ2+δ3+δ4,则合并S1-S4
[0063] 3.重复步骤1和2,直至达到最大分块区域。
[0064]最终将存在向量流的区域作为静脉图像的R0I区域，并对其进行进一步的处理。 [0065] R0I区域中静脉信息区域像素不是孤立存在的，而是连通的。鉴于上述特点，利用 以下过程完成静脉图像分割：
[0066]每一个R0I区域被分割为两部分，即静脉部分和背景部分，且分割后静脉部分为4 连通区域；
[0067] 利用熵值来表示灰度值的丰富程度，熵值定义为
[0068]
[0069] 式中，W为R0I区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出现
概率。
[0070] 计算平均梯5 ;其中
[0071]
[0072] Gx(x,y) = 2f (x+2,y)+f (x+1 ,y)-f (χ-l ,y)-2f (x-2,y)
[0073] Gy(x,y)=2f(x,y+2)+f(x,y+l)-f(x,y-l)-2f(x,y-2)
[0074] D为分割后的区域，ND为区域中进行梯度计算的像素数
[0075] 通过最小化处理计算图像分割后的静脉信息区域0ρ = ΒΓ8π?η[λ.ι+(1-λι)Ι?^ι+ A2GD1+(l-A2)Gf-D2]，完成该区域的静脉信息分割，而后融合所有R0I区域的分割结果，便实现 了对整幅近红外静脉图像的分割处理。
[0076] 式中，f表示整幅静脉图像和，人:和"分 别为上述函数W与Gd在分割算法中的权重 值。
[0077] 获得分割后的图像之后，进一步地，在上述图像增强和特征提取中，本发明采用以 下过程：
[0078] 计算每个像素点8个方向上的像素灰度平均值Gl(L取1-8)。
[0079] 将Gl按两两垂直的方向分成4组，其中Gk与Gk+4为一组，K取1_4。求解各组方向灰度 均值与中心点像素的灰度值的灰度变化值Τκ和Τκ+4，其中G是中心点的灰度值，
[0080] Tk= |G-Gk
[0081] Tk+4=|G-Gk+4
[0082] 求Τκ和Τκ+4两个灰度变化值之比TKR;TKR越大，说明称为脊线方向的概率越大。
[0083] 通过计算绝对值Δ Τκ= | 1-TKR |判断灰度均值GK与Gk+4和与中心像素点灰度值接近 的那个灰度均值，然后取△ Τκ的最大值，即找到两个最可能的脊线方向；
[0084] 如果TKR2 1，中心像素点的方向取argmax( ΔΤκ)+4;当TKR<1，中心像素点的方向取 argmax(Δ Τκ) 〇
[0085] 为了减少噪声的影响，将图像分成wXw大小的块，对块中的每个点进行平滑处理， 计算的块区域中的灰度直方图中的峰值并将它设为中心点的方向，得到点方向修正后的块 方向。得到修正后的块方向图后，为增强静脉纹理和背景的对比度，根据每幅手掌静脉图像 的方向图，用对应的方向滤波模板对手掌静脉图像进行方向滤波。首先设置水平方向模板 如下：
[0086]
[0087] 其中各系数满足如下关系:U>x>y>0，z>0，u+2x+2y-2z = 0，
[0088]在得到水平方向模板之后，为了得到其他7个方向的滤波模板，可由水平方向的滤 波模板通过三角函数旋转相应的角度得到。水平模板旋转Φ后，得到的旋转之后的滤波模 板上的坐标位置(i *，j *)与水平方向滤波模板上的坐标位置(i，j)之间有如下关系：
[0089：
[0090]其中，Φ =(m-l)V8为滤波器旋转的角度，m取2-7。
[0091]在新的方向滤波模板上，（i，j)位置的系数g<t>( i*，j*)相等于水平滤波器上go( i， j)位置的系数。所以点（i，j)上的系数g4>(i*，j*)用其周围点系数进行插值得到，设水平方 向滤波模板上（i，j)周围4个坐标的系数分别为go(iL，j_l)，go(iL，ju)，go(iu，j_l)，go(iu，ju)， 此处iL〈i〈iu，jL〈j〈ju、则插值表达为
[0092] g4)(i*，j*) = ( ju-j)(iu_i)go(iL，j.l) + ( ju-j)(i_iL)go(iL，ju) + (iu_i)( j_jL)go(iu， jL) + (i-iL)( j-jL)go(iu，ju)
[0093 ]通过上式可得到其余7个方向滤波模板的系数。
[0094] 以当前像素点为中心，将周围的8个点的灰度值与对应的方向滤波模板做卷积运 算，然后将卷积值赋给当前像素点，作为滤波过程的最终灰度值。
[0095] 手掌静脉图像经过滤波处理之后，成为一幅质量较高的静脉特征二值化图像。但 是所提取的手掌静脉纹理的粗细不一，对匹配过程中的识别率的准确性影响较大，因此对 手掌静脉图像进行细化，提取的手掌静脉图像的单像素宽度的中央走向部分：
[0096] 对于图像中像素值为1的点X，记录X为中心的周围的8个点满足的灰度顺序，这一 顺序一共有28 = 256种，以8位二进制表示的顺序值查询细化表中的对应的值，若查询的值 为1，则删掉该点，否则保留该点。当对整幅手掌静脉图像进行细化时，遍历水平方向上的像 素点，然后遍历垂直方向的像素点，直到所有点都已判断。
[0097] 经过细化的手掌静脉图像中有两种特征点，一个是交点，另一个是端点。为了提取 这些特征点，本发明定义一个3X3的区域。细化图像上每个像素点的8邻域，在顺时针遍历8 个像素点的过程中，计算像素值〇和1的累积变换次数Ντ;若Ντ=1，则当前像素点为端点；若 Ντ2 3,则为分叉点。
[0098] 获得手掌静脉图像特征之后，进一步地，在上述图像特征进行匹配识别的过程中， 本发明采用以下过程：
[0099] 以X种光强对y种旋转角度的ζ种分辨率对同一静脉对象进行采集，因此静脉样本 库中的每一个静脉对象都由xXyXz个样本来描述，称为该静脉样本库的一个静脉图像子 空间，对于采集到的表示该静脉对象的静脉图像，其特征向量可以由该子空间中静脉图像 的特征向量线性组合来表示。
[01 00] P -丁1,1, lPl, 1, l + Tl, 1,2Pl, 1,2 + · · ·+Τχ, y, zPx, y, z
[0101 ]式中，P'为米集图像的特征向量，Ti, j,k为线性表不时基向量Pi,j,k的系数。
[0102]对于第η个静脉对象迭代执行如下步骤，将静脉样本库中所有静脉图像子空间中 的特征向量一一作为基向量，第η个静脉对象的特征向量子空间为：
[01 03] Φ η- [Pn,(l,l,l)，Pn,(l,l,2)，...Pn,(x,y,z)]
[0104] 式中，为表示第i个静脉对象中第j幅静脉样本的特征向量。
[0105] 将采集到的静脉图像与样本库中每一个静脉对象对比，计算以第η个静脉图像子 空间基的系数向量μη
[0106] μη=Φη-WnV
[0107] 判断相似度ζη与相似度阈值e的关系：
[0108]
[0109] 如果("大于阈值e则迭代结束，得到系数向量为μη;如果ζη*于阈值e，则η增1，继续 上述迭代，直至后于阈值e。对于经过有限次迭代后ζ n值小于预设阈值e的静脉对象，选 取具有最小1范数系数向量的静脉对象作为最终的识别结果;否则，可认为采集到的新的静 脉图像与静脉样本库中任一静脉对象都不匹配。
[0110] 综上所述，本发明提出了一种人体身份特征图像处理方法，对于质量较低的采集 图像，有效提高了识别范围，识别速度和精度。
[0111]显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用 的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成 的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储 在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。 [0112]应当理解的是，本发明的上述【具体实施方式】仅仅用于示例性说明或解释本发明的 原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何 修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨 在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修 改例。
【主权项】
1. 一种人体身份特征图像处理方法，用于对所采集的手掌静脉图像进行匹配识别，其 特征在于，包括：。 通过图像分割将静脉纹理进行分离； 将分割后的图像进行增强处理和特征提取； 基于所提取的特征完成身份特征的识别。2. 根据权利要求1所述的方法，其特征在于，所述通过图像分割将静脉纹理进行分离， 进一步包括： 对静脉图像进行小波变换，以获得图像中的高频信息，然后通过四叉树分解将静脉图 像分成若干个区域，对每一局部区域分别进行处理，对大小为LXL的每个区域设置为L2-I 个采样角度，即投影角度为 9 = kVL2-l; 其中k取1，2,…，L2-I; 构造与LXL的区域区域同样大小的网格，计算该区域在采样角度上的正交投影： fe(i)=-(sin9)*x(i) + (cos9)*y(i) 式中，Θ为投影角度，x(i)，y(i)为网格坐标点，对每一角度投影得到的弯曲系数数组fd; 计算指示图像中该区域在每一点处的正则变化方向的向量流，对f d进行小波变换，得到 其变换系数{bk}，选择阈值T，并对bk进行阈值化处理： bk'（X) =O X I < T bk'（x)=bk(x) x I >T 阈值化处理之后，对其进行逆小波变换获得fd的逼近信号Rd，对于所有的投影角度Θ，使 fd与Rd差别最小的角度作为该区域的最佳向量流方向： 0，=argmin| |fd-Rd| |2, δ<Η, Θ e [〇 ,L2] δ=π?η I Ifd-Rdl 12，H为判别该区域中是否存在向量流的阈值； 将四叉树区域中具有相似向量流特征的相邻区域合并在一起，构造出新的静脉分割的 ROI区域：1. 计算所有分块的最佳向量流方向Θ '和重建误差S;2. 计算宽度为2L的区域S的最佳向量流方向0d'与重建误差δ'，而区域S四个子块31-34 的重建误差分别为心，δ 2，δ3，δ4,如果δ ' = δ1+δ2+δ3+δ4，则合并S1-S 43. 重复步骤1和2,直至达到最大分块区域； 最终将存在向量流的区域作为静脉图像的ROI区域； 在分割过程中将每一个ROI区域分割为两部分，即静脉部分和背景部分，且分割后静脉 部分为4连通区域； 将熵值定义为式中，W为ROI区域中包含的灰度级数量，Pi为灰度级别i的像素在子图像中的出现概率； 计算平均梯度其中D为分割后的区域，Nd为区域中进行梯度计算的像素数； 通过最小化处理计算图像分割后的静脉信息区域:Df = argmin [ A1Wdi+ (l-λι )Wf-Di+X2GDi + ( U2)Gf-D2] 完成该区域的静脉信息分割;其中f表示整幅静脉图像和，心和人2分别为上述函数W与Gd 在分割算法中的权重值。
【专利摘要】本发明提供了一种人体身份特征图像处理方法，该方法包括：通过图像分割将静脉纹理进行分离；将分割后的图像进行增强处理和特征提取；基于所提取的特征完成身份特征的识别。本发明提出了一种人体身份特征图像处理方法，对于质量较低的手掌静脉采集图像，有效提高了识别范围，识别速度和精度。
【IPC分类】G06T7/40, G06K9/00, G06T7/00
【公开号】CN105488786
【申请号】CN201510822504
【发明人】赖真霖, 文君
【申请人】成都四象联创科技有限公司
【公开日】2016年4月13日
【申请日】2015年11月24日
最新回复(0)