一種基于圖像質量評價的手指靜脈感興趣區域圖像篩選方法與流程

本發明涉及接觸式生物特征身份識別技術領域，尤其是一種手指靜脈感興趣區域圖像篩選方法。

背景技術：

隨著信息技術的高速發展，人們對信息安全的需求越來越高。傳統的身份認證方式是基于標識物(鑰匙、證件)和基于知識(卡號、密碼)的身份認證，但這些身外之物容易被偽造和遺忘。相比于傳統的身份認證，生物特征具有唯一性、無需記憶、不易偽造、易于使用等優點，基于生物特征的識別方式在很大程度上解決了傳統身份認證存在的問題，并逐漸取代傳統身份認證成為當前身份認證的主要方式。手指是人類感知外部世界的重要器官之一，在手指皮膚表皮下面的手指靜脈是活體才具有的特性，實踐表明，世界上沒有2個人的手指靜脈是完全相同的。手指靜脈識別的原理是當近紅外光照射手指時，靜脈血管中的血紅蛋白能吸收近紅外光產生黑色，使得靜脈可以明顯區分于周邊的皮膚，這樣的特性，使得手指靜脈可以作為生物識別的依據。

由于不同人的手指皮膚組織厚度不同，相同強度的近紅外光下，采集到不同人的靜脈圖像質量會不一樣，而低質量的手指靜脈圖像會嚴重影響系統的認證性能。

技術實現要素：

為了克服現有的手指靜脈圖像采集方式的質量一致性較差、質量較低、導致識別精度較低的不足，本發明提供一種基于圖像質量評價的手指靜脈感興趣區域圖像篩選方法，使得后續圖像處理過程具有一致性，降低圖像質量對后續處理的影響，提高系統的識別精度。

本發明解決其技術問題所采用的技術方案是：

一種基于圖像質量評價的手指靜脈感興趣區域圖像篩選方法，所述方法包括以下步驟：

1)采集到不同PWM波占空比下的手指靜脈圖像；

2)對手指靜脈圖像做ROI提取，二值化提取出手指靜脈，進行關鍵區域定位；

3)篩選處理后得到的ROI圖像，過程如下：

首先計算每個人每個PWM波占空比下的ROI圖像的二維熵值，然后刪去二維熵值較低的2張圖像，然后計算該人所有ROI圖像的二維熵質量分數，篩選出質量分數高于設定閾值的圖像作為最后的ROI圖像；

4)采用2DFLD特征提取算法提取其特征；

5)采用最近鄰分類器進行分類。

進一步，所述步驟3)中，計算每個人每個PWM波占空比下的ROI圖像的二維熵值，然后刪去二維熵值較低的2張圖像，圖像二維熵如式(1)：

$H\left(P\right)=-\underset{x=0}{\overset{255}{\mathrm{\Σ}}}\underset{y=0}{\overset{255}{\mathrm{\Σ}}}{P}_{xy}{\log }_2\left(P_{xy}\right)---\left(1\right)$

這里P_xy為概率密度函數如式(2)：

$P_{xy}=\frac{L_{xy}}{m\×n}---\left(2\right)$

式中m×n表示圖像尺寸的大小，L_xy表示(x＝f(i,j),y＝g(i,j))出現的次數，f(i,j)表示圖像(i,j)處的像素灰度值，g(i,j)表示在圖像(i,j)處的像素灰度平均值如式如式(3)：

$g(i,j)=\frac{1}{D\×D}\underset{\mathrm{\Δ}i=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}\underset{\mathrm{\Δ}j=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}f(i+\mathrm{\Δ}i,j+\mathrm{\Δ}j)---\left(3\right)$

式中D代表窗口大小；

然后計算該人所有ROI圖像的二維熵質量分數Q如式(4)，

$Q=\left|\frac{H-H_{min}}{H_{max}-H_{min}}\right|\×100\%---\left(4\right)$

式中Q在0到1之間，H為當前ROI圖像的二維熵值，H_max和H_min分別為處理后此人所有ROI圖像中二維熵的最大值和最小值；

最后篩選出質量分數高于設定閾值的圖像作為最后的ROI圖像。

更進一步，所述步驟1)中，通過控制PWM波信號的占空比驅動外部光源電路，使得近紅外LED產生不同亮度級別的光，通過攝像頭采集到不同亮度下的手指靜脈圖像。

再進一步，所述步驟2)中，首先借助采集引導界面，直接切出包含豐富手指靜脈信息的區域，然后采用固定閾值法對切得的區域進行二值化，得到去除背景后的手指靜脈圖像。

所述步驟2)中，確定手指靜脈ROI區域，首先每一列的像素灰度值總和L如式(5)：

$L_j=\left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p(i,j)\right|,j=1,2,\mathrm{...},h\}---\left(5\right)$

式中p(i,j)是圖像的第i行、第j列像素的灰度值，n和h分別表示圖像的行數和列數；

然后采用長度為21的滑動窗口(對應列左邊10列右邊10列)分別去搜索第50列到250列、第250列到450列這2個范圍，計算出每21列像素和相加的值，找到最大值對應的列為A、B，然后將A移50列得到l₁、B右移50列得到l₂，最后通過求l₁、l₂之間的最大內切矩陣得到最終的手指靜脈ROI區域。

再進一步，所述步驟4)中，采用2DFLD特征提取算法提取其特征，過程如下：

采用2DFLD找到最佳投影方向矩陣w，使投影后的樣本具有最佳可分離性，即同類的樣本盡可能密集，不同類樣本盡可能分開；圖像矩陣X_ij為m×n維圖像矩陣c為樣本類數，n_i為第i類樣本中的樣本數，i＝1,2,···,c；j＝1,2,···,n_i；

Fisher準則函數如式(6)：

$J\left(w\right)=\frac{\left|w^T{S}_{b}w\right|}{w^T{S}_{w}w}---\left(6\right)$

式中：S_b為樣本類間散布矩陣，如式(7)：

$S_b=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})}^T(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})---\left(7\right)$

S_w為樣本類內散布矩陣，如式(8)：

$S_w=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(X_{ij}-\stackrel{\‾}{X_i})}^T(X_{ij}-\stackrel{\‾}{X_i})---\left(8\right)$

其中：為樣本類內均值，為樣本總體均值；

在類內散布矩陣S_w非奇異時，最佳投影方向滿足式(9)：

S_bw＝λS_ww (9)

即對應矩陣的最大特征值所對應的特征向量為最佳投影方向w,將特征值由大到小的順序排序，取前L個特征值對應的特征向量作為最佳的投影方向矩陣w＝[l₁,l₂,l₃,…,l_L]；

最后將每幅圖像在特征子空間上投影，即每幅圖像提取的特征矩陣C_ij如公式(10)：

C_ij＝X_ijw (10)。

更進一步，所述步驟5)中，采用最近鄰分類器進行分類，過程如下：

對于要測試的手指靜脈樣本，通過投影，得到一組特征矩陣，然后和樣本空間中各個特征矩陣進行比較，采用最近鄰分類器進行分類，即通過計算它們之間的歐式距離，距離最近的即為該測試樣本最終的識別結果，特征空間中兩個樣本的歐式距離定義如式(11)所示：

$d(C_i,C_j)=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}{\left(C_i\right(x,y)-C_j(x,y\left)\right)}^2---\left(11\right)$

其中m,n是特征矩陣的行和列，這里設訓練樣本的特征矩陣為C_ij，其中每一個樣本都有一個特定的類別ω_i，測試樣本經過投影后的特征為C，若它們滿足條件如式(12)：

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

則測試樣本屬于ω_i類。

所述步驟3)中，設定閾值為90％。當然，也可以是其他數值。

本發明的技術構思為：生物識別技術是對人體生物特征(生理或行為特征)進行自動身份識別的技術，生理特征包括DNA、耳廓、人臉、虹膜、視網膜、掌紋、手型、手上的靜脈血管等，這些生物特征擁有足夠的穩定性，不會隨著年齡的增長，時間的改變而改變。基于生物特征的身份驗證系統，提供了更大程度的安全性。手指靜脈識別技術的優點在于利用的是活體的內生理特性，不會磨損，較難偽造，具有很高安全性；具有較好的特異性與唯一性，可以提供很好的區分度；可實現非接觸或弱接觸測量；不易受手指表面傷痕或油污、汗水影響。

采用自制的手指靜脈采集裝置采集不同PWM占空比下的手指靜脈圖像；對采集到的手指靜脈進行感興趣區域提取，主要包括：二值化提取出手指靜脈，進行關鍵區域定位，根據最大內切矩陣得到感興趣區域；計算每個人每個PWM波占空比下的ROI圖像的二維熵值，然后刪去二維熵值較低的2張圖像，然后計算該人所有ROI圖像的二維熵質量分數，篩選出質量分數高于90％的圖像作為最后的ROI圖像；采用2DFLD特征提取算法提取其特征。

本發明的有益效果主要表現在：能獲得高質量的手指靜脈ROI圖像。

附圖說明

圖1為手指靜脈采集裝置示意圖；

圖2為系統流程圖；

具體實施方式

下面結合附圖對本發明作進一步描述。

參照圖1和圖2，一種基于圖像質量評價的手指靜脈感興趣區域圖像篩選方法，過程如下：

1)采集到不同PWM波占空比下的手指靜脈圖像

通過控制PWM波信號的占空比驅動外部光源電路，使得近紅外LED產生不同亮度級別的光，通過攝像頭采集到不同亮度下的手指靜脈圖像。

2)對手指靜脈圖像做ROI提取

(2.1)二值化提取出手指靜脈

借助采集引導界面，直接切出包含豐富手指靜脈信息的區域，然后采用固定閾值法對切得的區域進行二值化，得到去除背景后的手指靜脈圖像；

(2.2)進行關鍵區域定位

確定手指靜脈ROI區域，首先計算每一列的像素灰度值總和L如式(5)：

$L_j=\left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p(i,j)\right|,j=1,2,\mathrm{...},h\}---\left(5\right)$

式中p(i,j)是圖像的第i行、第j列像素的灰度值，n和h分別表示圖像的行數和列數；

然后采用長度為21的滑動窗口(對應列左邊10列右邊10列)分別去搜索第50列到250列、第250列到450列這2個范圍，計算出每21列像素和相加的值，找到最大值對應的列為A、B，然后將A移50列得到l₁、B右移50列得到l₂，最后通過求l₁、l₂之間的最大內切矩陣得到最終的手指靜脈ROI區域。

3)篩選處理后得到的ROI圖像

計算每個人每個PWM波占空比下的ROI圖像的二維熵值，然后刪去二維熵值較低的2張圖像，圖像二維熵如式(1)：

$H\left(P\right)=-\underset{x=0}{\overset{255}{\mathrm{\Σ}}}\underset{y=0}{\overset{255}{\mathrm{\Σ}}}{P}_{xy}{\log }_2\left(P_{xy}\right)---\left(1\right)$

這里P_xy為概率密度函數如式(2)：

$P_{xy}=\frac{L_{xy}}{m\×n}---\left(2\right)$

式中m×n表示圖像尺寸的大小，L_xy表示(x＝f(i,j),y＝g(i,j))出現的次數，f(i,j)表示圖像(i,j)處的像素灰度值，g(i,j)表示在圖像(i,j)處的像素灰度平均值如式如式(3)：

$g(i,j)=\frac{1}{D\×D}\underset{\mathrm{\Δ}i=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}\underset{\mathrm{\Δ}j=-(D-1)/2}{\overset{(D-1)/2}{\mathrm{\Σ}}}f(i+\mathrm{\Δ}i,j+\mathrm{\Δ}j)---\left(3\right)$

式中D代表窗口大小；

然后計算該人所有ROI圖像的二維熵質量分數Q如式(4)，

$Q=\left|\frac{H-H_{min}}{H_{max}-H_{min}}\right|\×100\%---\left(4\right)$

式中Q在0到1之間，H為當前ROI圖像的二維熵值，H_max和H_min分別為處理后此人所有ROI圖像中二維熵的最大值和最小值；

最后篩選出質量分數高于90％的圖像作為最后的ROI圖像。

4)采用2DFLD特征提取算法提取其特征

采用2DFLD找到最佳投影方向矩陣w，使投影后的樣本具有最佳可分離性，即同類的樣本盡可能密集，不同類樣本盡可能分開；圖像矩陣X_ij為m×n維圖像矩陣c為樣本類數，n_i為第i類樣本中的樣本數，i＝1,2,···,c；j＝1,2,···,n_i；

Fisher準則函數如式(6)：

$J\left(w\right)=\frac{\left|w^T{S}_{b}w\right|}{w^T{S}_{w}w}---\left(6\right)$

式中：S_b為樣本類間散布矩陣，如式(7)：

$S_b=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})}^T(\stackrel{\‾}{X_i}-\stackrel{\‾}{X})---\left(7\right)$

S_w為樣本類內散布矩陣，如式(8)：

$S_w=\frac{1}{m\×n}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{(X_{ij}-\stackrel{\‾}{X_i})}^T(X_{ij}-\stackrel{\‾}{X_i})---\left(8\right)$

其中：為樣本類內均值，為樣本總體均值；

在類內散布矩陣S_w非奇異時，最佳投影方向滿足式(9)：

S_bw＝λS_ww (9)

即對應矩陣的最大特征值所對應的特征向量為最佳投影方向w,將特征值由大到小的順序排序，取前L個特征值對應的特征向量作為最佳的投影方向矩陣w＝[l₁,l₂,l₃,…,l_L]；

最后將每幅圖像在特征子空間上投影，即每幅圖像提取的特征矩陣C_ij如公式(10)：

C_ij＝X_ijw (10)

5)采用最近鄰分類器進行分類

對于要測試手指靜脈樣本，通過投影，得到一組特征矩陣，然后和樣本空間中各個特征矩陣進行比較，采用最近鄰分類器進行分類，即通過計算它們之間的歐式距離，距離最近的即為該測試樣本最終的識別結果，特征空間中兩個樣本的歐式距離定義如式(11)所示：

$d(C_i,C_j)=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}{\left(C_i\right(x,y)-C_j(x,y\left)\right)}^2---\left(11\right)$

其中m,n是特征矩陣的行和列，這里設訓練樣本的特征矩陣為C_ij，其中每一個樣本都有一個特定的類別ω_i，測試樣本經過投影后的特征為C，若它們滿足條件如式(12)關系。

d(C,C_ij)＝mind(C,C_ij)；C_ij∈ω_i (12)

則測試樣本屬于ω_i類。