專利名稱：一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法
技術領域：
本發(fā)明涉及一種基于 結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，屬于計算機視覺中的智能監(jiān)控技術領域，特別涉及生物特征識別技術領域。
背景技術：
生物特征識別是基于計算機系統(tǒng)進行身份識別的重要技術。相對于傳統(tǒng)的認證方法如密碼、磁卡等，具有不會遺忘、不易偽造或被盜，隨身“攜帶”和隨時隨地可用等優(yōu)點，更具安全、保密和方便性，漸漸得到政府、軍隊、銀行等方面的廣泛應用。目前常見的生物特征識別方法有人臉、指紋、手形、腳形、耳形、牙齒、虹膜、聲音、筆跡、步態(tài)等。其中人臉、指紋等已開展多年，而靜脈圖像識別是近年來得到重視的一項新技術。靜脈圖像識別主要基于手掌，手指或手背，其中，基于手背靜脈的身份識別有如下特點1.所有的人手背靜脈都不同，即使雙胞胎的手背靜脈亦不同。2.手背靜脈隨年齡的增長不會有大的變化，除風濕類疾病等極少數情況外，它具有永久性。3.手背靜脈不可仿造，難以通過手術改變。4.手背靜脈識別不具侵犯性，使測試者最大限度的感覺舒適方便，不產生抵觸情緒，而且對于濕度、汗水、污物、筆痕和小損傷方面的魯棒性優(yōu)于其他生物識別系統(tǒng)。5.設備成本可以降低，采集方式為非接觸式，采集過程也簡單快捷。總之，手背靜脈識別滿足了一種優(yōu)秀的生物特征識別方法所應具備的各種要求。 這些要求包括魯棒性，唯一性，采集方便性，侵犯性和有效性。同時，手背靜脈識別有其特殊優(yōu)點。它沒有虹膜識別的侵犯性，沒有指紋識別和掌紋識別對手表面潔凈度的要求，又不會像人臉、筆跡、聲音、步態(tài)識別受各個方面干擾大。其本身的識別率非常穩(wěn)定，據相關報道， 其出錯率僅為百萬分之一。手背靜脈識別的成本也是優(yōu)勢之一，不需要昂貴的采集設備，利用常見器件即可采集可用的圖像。目前手背靜脈識別方法主要有兩大類基于結構特征的識別方法和基于紋理特征的識別方法。1、基于結構特征的手背靜脈識別方法基于結構特征的手背靜脈識別方法在經過分割、細化后的手背靜脈圖像中檢測端點及交叉點，利用這些關鍵點的數量、坐標、相對位置等信息作為特征進行識別。2、基于紋理特征的識別方法基于紋理特征的手背靜脈識別方法是指在灰度圖像上通過紋理描述算子提取靜脈特征進行識別。但是基于結構特征的手背靜脈識別方法總是存在對圖像畸變以及誤分割的魯棒性不高的問題，而基于紋理特征的手背靜脈識別方法對于圖像分辨率變化以及光照變化魯棒性不高。
發(fā)明內容
針對現有技術中存在的問題，本發(fā)明提出一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，提高手背靜脈識別系統(tǒng)的識別率。為了達到上述目的，本發(fā)明的技術解決方案提供了一套手背靜脈識別的方法，由圖像采集和圖像預處理、二值圖像下結構編碼特征提取、灰度圖像下紋理編碼特征提取、特征融合以及分類器識別組成。圖像采集指手背圖像獲取。圖像預處理指手背靜脈區(qū)域的提取、對比度約束的直方圖均衡以及邊緣保留的高斯濾波。二值圖像下結構編碼特征提取包括對手背靜脈區(qū)域 的分割、細化、特征點的檢測、結構特征的提取及二值化編碼?；叶葓D像下紋理編碼特征提取是指將手背靜脈圖像歸一化到M*M像素尺寸，將其等分成N子塊，對每個子塊提取旋轉不變一致性模式的LBP特征，將其連接起來形成1 X ION維的紋理特征向量并進行二值化編碼。特征融合是指對于提取的結構編碼特征和紋理編碼特征使用按位異或的方法進行融合。分類器識別是指使用最近鄰分類器對融合特征進行識別，得到識別結果。本發(fā)明提出的一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法， 包括以下幾個步驟步驟一圖像采集和圖像預處理；使用圖像采集設備采集手背靜脈圖像，使用質心自適應方法提取手背靜脈圖像上的手背區(qū)域，并采用對比度約束的局部直方圖均衡方法和邊緣保留的高斯濾波方法，完成對提取的手背區(qū)域的手背靜脈圖像的預處理，得到預處理的手背區(qū)域圖像。步驟二 提取結構編碼特征；(1)對從步驟一中得到的預處理的手背區(qū)域圖像使用梯度增強的圖像分割算法進行二值化，得到二值圖像；(2)在二值圖像上進行形態(tài)學濾波和細化，得到骨架化的手背靜脈圖像；(3)從骨架化的手背靜脈圖像上，采用領域信息的方法提取得到M個交叉點 Ci (xci, yci)及K個端點Ej (xeJ, yeJ)，其中(Xc;i，yj，(xeJ, yeJ)分別表示交叉點Ci以及端點Ej 的直角坐標；以圖像中心0為原點建立極坐標系，得到交叉點及端點的極坐標信息分別為 Ci (rci, ej.Ej^j, 9ej)，其中(r。i，0ci), (reJ, θ eJ)分別表示交叉點Ci以及端點Ej的極坐標，對這M+K個關鍵點按θ進行排序，得到點集P:P = [C1, C2,…，CM, E1, E2,…，Εκ] ( θ 則彡 θ ci 彡 θ ci+1 ； θ 們 ^ θ eJ ^ θ eJ+1)= [p1 P2, P +K] (Pi(ri; θ j))其中C1;C2，…，Cm表示第1至M個交叉點，E1, E2,…，Ek表示第1至K個端點， θ?！?θ eJ分別表示交叉點Ci以及端點Ej的極坐標中的極角，Pl，p2,…，pM+K表示排序后的 M+K個交叉點及端點；Pi(ri，θ J中，(ri，θ J表示關鍵點Pi的極坐標；并計算點積P中任意兩點pu、pv之間的距離duv =^jru2 +r^ -2xruxrvx cos(^a - θν) (u, ν = 1,2, ···, M+K, u ^ ν)其中(ru, θ u)，(rv, θ v)分別表示關鍵點pu、pv的極坐標；將所有交叉點及端點的極坐標信息及任意兩點之間距離按下式連接，形成結構特征向量S S = [T1 r2 ··· rM+K dl2 dl3 ··· d(M+K_l)(M+K)]Γ π ΓW (Μ + Κ)(Μ + Κ + 1)^=^1 ^2 ··· SnJNs=^-^--)其中Γι，iy"rM+K表示排序后的Μ+Κ個關鍵點的極坐標中的極徑，duv(u Φ ν)表示 Pu、Pv之間的距離，S1表示結構特征S中的元素；(4)對得到的結構特征X = h S2 ···、](乂 = (Μ + Κ)(ζ + Κ +1進行二值化 編碼 查找結構特征向量S中所有元素的最大值Ms，=mfxK) (i = 1,2,..., Ns)；設定閾值T = CiMs，其中α表示閾值系數；對結構特征向量S進行二值化編碼，得到編碼后的結構特征向量Vs:
ο S1 < T其中q=(i = 1,2,... ,Ns)； V5 = [C^1 cs2 ··· csNs ] ； [1 S1 >T其中Cs1 CSf 表示結構編碼特征Vs的元素，Si表示結構特征S中的對應元素。步驟三提取手背靜脈紋理編碼特征；從步驟一中得到的手背區(qū)域預處理結果中提取手背靜脈紋理編碼特征；(1)將從步驟一中得到的預處理后的手背區(qū)域圖像歸一化到B*B像素尺寸；(2)將歸一化后的手背區(qū)域平均分成N個子塊，從每個子塊中分別提取旋轉不變一致性模式的LBP特征H1, H2,...，Hn,再將所有子塊提取的LBP特征按照下式連接起來，形成IXNh(Nh = 10N)維的紋理特征向量H H = [H1 H2 ··· Hn]= VK K ··· KJ其中H1吐…Hn表示N個子塊的旋轉不變一致性模式的LBP特征九Iv^i表示紋理特征H的元素；(3)對紋理特征向量H進行二值化編碼查找特征向量H中所有元素的最大值Mh mh = mfx沐)(i = 1,2, ... ,Nh)設定閾值T' = αΜΗ，α表示閾值系數；對紋理特征向量K ■■■ 進行二值化編碼，得到編碼后的紋理特征向量Vff= [C^ ch2 ■■■ chNa ]
θ h < T'ch=\x h >r (i = 1,2, ... ,Nh)；其中Ch1 ctv··6、、表示紋理編碼特征Vh中的元素屯表示紋理特征H中的對應元
ο步驟四結構編碼特征與紋理編碼特征進行融合；(1)將二值化編碼后的結構特征向量Vs的維數Ns和二值化編碼后的紋理編碼特征Vh的維數Nh進行歸一化，歸一化后特征維數Nf為Nf = NhNf是歸一化后特征維數，與二值化編碼后的紋理編碼特征的維數Nh相同；如果二值化編碼后的結構特征向量Vs的維數Ns小于歸一化后特征維數Nf，在二值化編碼后的結構特征向量Vs后面補充Nf-Ns個0 ；如果二值化編碼后的結構特征向量Vs的維數大于等于歸一化特征維數Nf，則截取Vs的前Nf個維特征，得到歸一化后的結構編碼特征V' 3和紋理編碼特征V' H分別為
權利要求
1. 一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，其特征在于包括以下幾個步驟步驟一圖像采集和圖像預處理；通過圖像采集設備采集手背靜脈圖像，采用質心自適應方法提取手背靜脈圖像上的手背區(qū)域，并采用對比度約束的局部直方圖均衡方法和邊緣保留的高斯濾波方法，完成對提取的手背區(qū)域的手背靜脈圖像的預處理，得到預處理的手背區(qū)域圖像；步驟二 提取結構編碼特征；(1)對從步驟一中得到的預處理的手背區(qū)域圖像使用梯度增強的圖像分割算法進行二值化，得到二值圖像；(2)在二值圖像上進行形態(tài)學濾波和細化，得到骨架化的手背靜脈圖像；(3)從骨架化的手背靜脈圖像上，采用領域信息的方法提取得到M個交叉ACiUc^yJ 及K個端點Ej(xej，yej)，其中(x。i，yci)，(xeJ, yeJ)分別表示交叉點Ci以及端點Ej的直角坐標；以圖像中心O為原點建立極坐標系，得到交叉點及端點的極坐標信息分別為CiO^i, θ ci) >Ej(reJ, θ ，其中(r。i; θ ci)，(reJ, θ eJ)分別表示交叉點Ci以及端點Ej的極坐標，對這M+K個關鍵點按θ進行排序，得到點集P:
2.根據權利要求1所述的一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識/ X別方法，其特征在于所述的步驟一中的質心自適應方法具體為根據公式&Tni少。獲取手背靜脈圖像的質心0(Χ(ι，yci)；其中mi表示坐標為(Xi，yi)的像素的灰度
3.根據權利要求1所述的一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，其特征在于所述的步驟二(4)和步驟三(3)中的閾值系數α滿足0.3 < α < 0. 6。
4.根據權利要求1所述的一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，其特征在于所述的步驟三(1)中的像素尺寸Β*Β滿足128 < BS 256。
5.根據權利要求1所述的一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，其特征在于所述的步驟三(2)中的歸一化后的手背區(qū)域平均分成N個子塊中N滿足32彡N彡64。
全文摘要
本發(fā)明提出的一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，屬于計算機視覺中的智能監(jiān)控技術領域，包括步驟一圖像采集和圖像預處理；步驟二提取結構編碼特征；步驟三提取手背靜脈紋理編碼特征；步驟四結構編碼特征與紋理編碼特征進行融合；步驟五通過分類器識別，得到結果。本發(fā)明提出一種基于結構編碼特征和紋理編碼特征融合的手背靜脈識別方法，對提取的結構特征和紋理特征進行了二值化編碼，有利于特征融合中信息的保留；融合特征所得到的結果遠遠優(yōu)于僅使用結構編碼特征的識別結果和使用紋理編碼特征的識別結果，對圖像畸變及誤分割的魯棒性很高，可以在存在一定圖像畸變以及誤分割的情況下正確識別手背靜脈。
文檔編號G06K9/00GK102254165SQ20111023119
公開日2011年11月23日 申請日期2011年8月12日 優(yōu)先權日2011年8月12日
發(fā)明者李克峰, 王一丁 申請人:北方工業(yè)大學