一种手指静脉识别方法技术

本发明专利技术公开了一种手指静脉识别方法，能够提高识别速度。采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像，经预处理后得到样本图像；提取样本图像的静脉特征。同时，对样本图像进行主分量分析PCA运算，得到降维后向量矩阵P

Finger vein identification method

The invention discloses a finger vein identification method, which can improve the recognition speed. The finger vein image of the object was acquired by the method of multiple objects placed and collected by the same collection object, and then the sample image was obtained by preprocessing. The vein feature of the sample image was extracted. At the same time, the sample image is analyzed by principal component analysis and PCA operation, and the vector matrix P is obtained

【技术实现步骤摘要】
一种手指静脉识别方法
本专利技术涉及生物特征识别
，尤其涉及一种手指静脉识别方法。
技术介绍
手指静脉识别技术是一种新型的生物特征识别技术，由于使用者的手指静脉特征很难被伪造，所以安全等级高，特别适合于安全要求高的场所使用。手指静脉识别的过程是，红外光源产生红外光照射在采集者的手指上，经滤光片滤光和反光镜反射后由红外摄像机采集。从采集图像中提取静脉特征，继而进行特征匹配，从而实现了手指静脉识别。由于一幅静脉图像的数据量较大，在处理过程中会花费大量的时间，影响图像的识别速度和应用范围。因此，需要设计一种能够提高识别速度的手指静脉识别方法。
技术实现思路
有鉴于此，本专利技术提供了一种手指静脉识别方法，能够提高识别速度。为了解决上述技术问题，本专利技术是这样实现的：步骤一、采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像F1i，i=1,…,I，I为完成所有采集对象的采集后获得的手指静脉图像总数；步骤二、对步骤一获得的每一幅手指静脉图像进行预处理，获得样本图像F2i，i=1,…,I；步骤三、获得降维向量和聚类中心；具体为：步骤31、对于每一幅样本图像F2i，将图像元素按列连接，形成样本向量Ai；对所有样本向量进行主分量分析PCA运算，得到降维后向量矩阵P1和PCA变换矩阵P2；其中降维后向量矩阵P1由样本向量Ai经PCA运算得到降维后向量Xi组成；步骤32、将降维后向量矩阵P1中的每一列作为一个聚类样本，采用K均值聚类方法进行聚类，得到J个聚类中心向量Yj，j=1,…,J；每个聚类中心向量Yj对应多个作为归属样本的降维后向量Xi；步骤33、对应存储样本图像F2i、降维后向量Xi和聚类中心向量Yj；步骤四、提取每个样本图像F2i的静脉特征并存储；步骤三和步骤四不分先后，均执行完后，完成识别前的特征提取；步骤五、识别时，采集待识别图像，采用步骤二相同的方法对待识别图像进行预处理，获得图像F’；步骤六、计算图像F’与PCA变换矩阵P2的变换向量X’；根据变换向量X’与J个聚类中心向量Y1～YJ的相似度找到最相似的聚类中心Y’；计算归属于聚类中心Y’的各降维后向量Xi与变换向量X’的相似度值，取相似度排在前的N个降维后向量Xi进入下一步识别；步骤七、提取待识别图像的静脉特征，以及步骤六筛选出的N个降维后向量对应的静脉特征，进行静脉特征的对比，实现手指静脉识别。步骤二所述预处理为：步骤21、采用中值滤波算法和均值滤波去除图像噪声，采用Canny边缘提取算法提取手指边缘，将手指边缘以外的背景区域置为白色，得到手指边缘图像B；步骤22、在手指边缘图像B中提取手指边缘的质心和手指上下边缘的最大宽度H；步骤23、以所述质心为中心、所述最大宽度H为切割宽度、0.9倍图像B长度为切割长度，切割得到手指静脉区域图像，并进行尺寸归一化，完成预处理。优选地，所述步骤七具体包括：步骤71、从所述N个降维后向量对应的N个样本图像提取一个设定大小的包含手指的区域，记为Z1～ZN；从图像F’中提取大于Z1～ZN大小的区域Zx；针对每个区域Zn，n=1,…,N，执行如下操作：将Zn的图像在Zx中进行遍历，计算每个遍历位置的相似度，获得最大相似度记为Sn；最大相似度对应的区域中心记为dn；提取S1～SN中的最大值记为Smax，对应的区域中心记为dmax；如果相似度最大值Smax大于设定的阈值，则继续执行后续步骤，否则退出本流程；步骤72、对待识别图像采用步骤二的方法进行处理，得到切割宽度H’，以dmax为中心，以H’为切割宽度、以0.9倍待识别图像长度为切割长度，切割待识别图像，并进行归一化，得到图像G；步骤73、提取图像G的静脉特征；步骤74、按照相似度Sn从大到小，取相似度在前的3个样本图像F2i对应的已存储静脉特征，与步骤73提取的静脉特征进行比对，得到静脉识别结果。所述提取的静脉特征包括灰度特征、细化图像特征和作为二值化图像特征的7阶不变矩；则本步骤74中，静脉特征的比对过程包括：第一步筛选：比较三个样本图像与待识别图像的7阶不变矩，筛选出大于7阶不变矩阈值且最相似的前2个样本图像，进入第二步筛选；找不到则识别失败，退出本流程；第二步筛选：比较2个样本图像与待识别图像的细化图像特征，取相似度值大于相似度阈值且最相似的样本图像用于下一步的最终识别；找不到则识别失败，退出本流程；最终识别：计算待识别图像的灰度特征，与第二步筛选出的最相似样本图像对应的灰度特征进行比较，得到识别结果。优选地，从图像中提取的静脉特征包括灰度特征、细化图像特征和二值化图像特征；灰度特征的提取方式为：将待提取图像分割成上下相等的两个区域a、b，分割成左、右相等的两个区域c、d，再从待提取图像中心分割出与a～d面积相同的一个区域e，计算a～e中每个区域的均值、方差和待提取图像的Gabor小波变换值作为待提取图像的灰度特征；所述细化图像特征和二值化图像特征的提取方式为：①采用8方向低通滤波器对一副待提取图像进行滤波，得到8副图像；比较得到的8副图像每个对应位置的相关值，取最大值作为此位置相关值，经归一化至[0,255]，得到相关处理后的图像E1；设置分割阈值分割图像E1，得到二值化图像E2；②采用形态学算法填充图像的空洞和去除图像静脉边缘毛刺，得到图像E3；采用面积阈值法去除图像E3中的块状噪声和填充空洞，得到图像E4；接着采用图像形态学细化算法得到细化后静脉图像E5；③采用设定大小的窗口在细化后静脉图像E5中进行遍历，当窗口内两个静脉端点的距离小于设定值时，将两个端点连接起来，以连接静脉纹理；④计算步骤③处理后图像的端点数、环数、三分叉点、四分叉点和五分叉点数量和各个端点及分叉点的几何距离得到所述细化图像特征；并且，求取图像E4的7阶不变矩特征，得到所述二值化图像特征。有益效果：（1）由于一幅静脉图像的数据量较大，在处理过程中会花费大量的时间，影响图像的识别速度和应用范围，采用PCA技术可以有效的降低图像的维数，除去图像数据之间的相关性，只采用相关性较高参与待识别图像的特征对比，从而提高了静脉特征的识别速度。（2）单纯使用PCA技术虽然可以降低图像的维数，减少样本之间的计算时间，但是由于很多样本之间的相似度较大，有些样本之间的相似度较小，为进一步提高计算速度，对降维后的样本K均值聚类，形成几个聚类中心，在识别时待识别样本首先与PCA变换矩阵计算，得到降维后向量，采用降维后向量与聚类中心计算得到最相近聚类中心，再与此聚类中心归属的样本计算得到前几个最相似样本，方便进一步识别，可以有效解决大样本计算过程中待识别样本与存储样本逐一比较的问题，提高识别速度；（3）在图像特征提取过程中，采用灰度和二值化细化图像联合特征提取的方法，可以同时得到图像纹理变化特征和亮度变化特征，此特征即体现出了静脉纹理走势的特性，也反映了不同手指在不同红外光强下的亮度特性。因此，本专利技术在进行特征对比时，不是采用单一类型的特征，而是采用三种特征进行对比，提高了识别准确性。（4）在图像识别过程中采取分层识别的方法逐层去除虚假样本，得到识别结果，此方法既可以提高识别效率，也可以较少误识率和拒识率。附图说明图1为本专利技术手指静脉特征提取过程的流程图。图2为本专利技术灰度特征的提取方式时分本文档来自技高网...

【技术保护点】
一种手指静脉识别方法，其特征在于，包括：步骤一、采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像F1

【技术特征摘要】
1.一种手指静脉识别方法，其特征在于，包括：步骤一、采用同一采集对象多个手指多次放置和采集的方法，获得采集对象的手指静脉图像F1i，i＝1,…,I，I为完成所有采集对象的采集后获得的手指静脉图像总数；步骤二、对步骤一获得的每一幅手指静脉图像进行预处理，获得样本图像F2i，i＝1,…,I；步骤三、获得降维向量和聚类中心；具体为：步骤31、对于每一幅样本图像F2i，将图像元素按列连接，形成样本向量Ai；对所有样本向量进行主分量分析PCA运算，得到降维后向量矩阵P1和PCA变换矩阵P2；其中降维后向量矩阵P1由样本向量Ai经PCA运算得到降维后向量Xi组成；步骤32、将降维后向量矩阵P1中的每一列作为一个聚类样本，采用K均值聚类方法进行聚类，得到J个聚类中心向量Yj，j＝1,…,J；每个聚类中心向量Yj对应多个作为归属样本的降维后向量Xi；步骤33、对应存储样本图像F2i、降维后向量Xi和聚类中心向量Yj；步骤四、提取每个样本图像F2i的静脉特征并存储；步骤三和步骤四不分先后，均执行完后，完成识别前的特征提取；步骤五、识别时，采集待识别图像，采用步骤二相同的方法对待识别图像进行预处理，获得图像F’；步骤六、计算图像F’与PCA变换矩阵P2的变换向量X’；根据变换向量X’与J个聚类中心向量Y1～YJ的相似度找到最相似的聚类中心Y’；计算归属于聚类中心Y’的各降维后向量Xi与变换向量X’的相似度值，取相似度排在前的N个降维后向量Xi进入下一步识别；步骤七、提取待识别图像的静脉特征，以及步骤六筛选出的N个降维后向量对应的静脉特征，进行静脉特征的对比，实现手指静脉识别。2.如权利要求1所述的方法，其特征在于，步骤二所述预处理为：步骤21、采用中值滤波算法和均值滤波去除图像噪声，采用Canny边缘提取算法提取手指边缘，将手指边缘以外的背景区域置为白色，得到手指边缘图像B；步骤22、在手指边缘图像B中提取手指边缘的质心和手指上下边缘的最大宽度H；步骤23、以所述质心为中心、所述最大宽度H为切割宽度、0.9倍图像B长度为切割长度，切割得到手指静脉区域图像，并进行尺寸归一化，完成预处理。3.如权利要求2所述的方法，其特征在于，所述步骤七具体包括：步骤71、从所述N个降维后向量对应的N个样本图像提取一个设定大小的包含手指的区域，记为Z1～ZN；从图像F’中提取大于Z1～ZN大小的区域Zx；针对每个区域Zn，n＝1,…,N，执行如下操作：将Zn的图像在Zx中进行遍历，计算每个遍历位置的相似度，获得最大相似度记为Sn；最大相似度对应的区域中心记为dn；提...

【专利技术属性】
技术研发人员：郭庆昌，汤露，胡国兵，
申请(专利权)人：中国船舶重工集团公司第七一〇研究所，
类型：发明
国别省市：湖北,42