本發(fā)明涉及圖像處理及模式識別領(lǐng)域，具體涉及一種基于改進局部二值模型的指靜脈識別方法及裝置。
背景技術(shù)：
：靜脈識別技術(shù)是日立在醫(yī)療領(lǐng)域研究時發(fā)現(xiàn)了靜脈血管里的失氧血紅蛋白能吸收一定波長的近紅外線，并且發(fā)現(xiàn)人的靜脈血管具有很好的唯一性。指靜脈識別作為具有高防偽性的第二代生物識別技術(shù)備受矚目。目前常見的指靜脈識別算法為使用局部信息的方法，如LBP及其衍生的LDP、LTP、EQP等方法。使用局部形狀信息的方法首先定位指靜脈圖像的特征點，之后通過特征點的形狀來匹配、識別新的指靜脈圖像。由于只使用特征點，因而該類算法得到的模板很小，易于存儲，且識別時計算量小。但是LBP類的方法對噪聲很敏感，對識別準確率的影響較大。另一方面，對特征點進行匹配時，常采用SVD及hungarian的方法進行匹配。SVD方法具有比例不變性、旋轉(zhuǎn)不變性等優(yōu)點。但是，其缺點是，SVD分解得到的奇異矢量中有負數(shù)存在，不能很好地解釋其物理意義；另一方面，SVD分解的方法很難并行化，導(dǎo)致其速度很慢。Huangrian的方法又稱匈牙利算法，該算法將匹配問題當做分配問題，但是該算法有時較難收斂，無法找到最優(yōu)解。除此之外，這兩種方法匹配特征點時，出現(xiàn)誤匹配的概率較大。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)存在的不足和缺陷，本發(fā)明提供一種基于改進局部二值模型的指靜脈識別方法及裝置。一方面，本發(fā)明實施例提出一種基于改進局部二值模型的指靜脈識別方法，包括：S1、獲取待識別的指靜脈圖像，定位指靜脈特征點位置，并基于改進的局部二值模型計算各個特征點的LmTP特征；S2、借助于融合距離和LmTP特征的相似度對所述指靜脈特征點和預(yù)設(shè)的模板圖像的指靜脈特征點進行匹配；S3、根據(jù)匹配的結(jié)果，計算匹配點對的全局相似度；S4、根據(jù)所述全局相似度對所述指靜脈圖像進行指靜脈識別。另一方面，本發(fā)明實施例提出一種基于改進局部二值模型的指靜脈識別裝置，包括：LmTP特征計算單元，用于獲取待識別的指靜脈圖像，定位指靜脈特征點位置，并基于改進的局部二值模型計算各個特征點的LmTP特征；匹配單元，用于借助于融合距離和LmTP特征的相似度對所述指靜脈特征點和預(yù)設(shè)的模板圖像的指靜脈特征點進行匹配；全局相似度計算單元，用于根據(jù)匹配的結(jié)果，計算匹配點對的全局相似度；識別單元，用于根據(jù)所述全局相似度對所述指靜脈圖像進行指靜脈識別。本發(fā)明實施例所述的基于改進局部二值模型的指靜脈識別方法及裝置，一方面，改進了局部二值模型，使其不易受噪聲的影響，另一方面，提出了LmTP特征，該LmTP特征能夠克服噪聲的影響，并且在指靜脈特征點匹配時，借助于融合距離和LmTP特征的相似度進行匹配，能夠得到最優(yōu)匹配結(jié)果，使其在匹配點較少時，不易出現(xiàn)誤匹配的情況，匹配的準確度更高且易于并行化實現(xiàn)，從而相較于現(xiàn)有技術(shù)，本發(fā)明能夠克服噪聲的影響，提高識別的準確度且易于并行化實現(xiàn)。附圖說明圖1為本發(fā)明基于改進局部二值模型的指靜脈識別方法一實施例的流程示意圖；圖2為圖1中S2一實施例的流程示意圖；圖3為本發(fā)明基于改進局部二值模型的指靜脈識別裝置一實施例的結(jié)構(gòu)示意圖。具體實施方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。參看圖1，本實施例公開一種基于改進局部二值模型的指靜脈識別方法，包括：S1、獲取待識別的指靜脈圖像，定位指靜脈特征點位置，并基于改進的局部二值模型計算各個特征點的LmTP特征；S2、借助于融合距離和LmTP特征的相似度對所述指靜脈特征點和預(yù)設(shè)的模板圖像的指靜脈特征點進行匹配；S3、根據(jù)匹配的結(jié)果，計算匹配點對的全局相似度；S4、根據(jù)所述全局相似度對所述指靜脈圖像進行指靜脈識別。本發(fā)明實施例所述的基于改進局部二值模型的指靜脈識別方法，一方面，改進了局部二值模型，使其不易受噪聲的影響，另一方面，提出了LmTP特征，該LmTP特征能夠克服噪聲的影響，并且在指靜脈特征點匹配時，借助于融合距離和LmTP特征的相似度進行匹配，能夠得到最優(yōu)匹配結(jié)果，使其在匹配點較少時，不易出現(xiàn)誤匹配的情況，匹配的準確度更高且易于并行化實現(xiàn)，從而相較于現(xiàn)有技術(shù)，本發(fā)明能夠克服噪聲的影響，提高識別的準確度且易于并行化實現(xiàn)?？蛇x地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述定位指靜脈特征點位置，包括：對所述指靜脈圖像進行預(yù)處理；使用最大曲率算法識別所述預(yù)處理得到的圖像中的指靜脈區(qū)域和背景區(qū)域，對所述預(yù)處理得到的圖像進行二值化，得到二值圖像，并對所述二值圖像進行細化，其中，所述指靜脈區(qū)域的像素值為1，所述背景區(qū)域的像素值為0；取3*3的窗口遍歷所述細化后的二值圖像的每個位置，判斷該窗口的中心點處的像素點的像素值是否為1，如果為1，則計算Ntrans，判斷Ntrans是否為2或者不小于6，若Ntrans為2，則該位置處的像素點為端點端點(EndPoint，EP)，或者若Ntrans不小于6，則該位置處的像素點為分支點(BifurcationPoint，BP)，其中，該窗口的中心點位于該位置，Ntrans的計算公式為Ntrans=Σi=18pi+1-pi,]]>式中，p1至p8依次為該窗口中從左上角位置開始，沿著窗口外圍順時針分布的像素點的像素值，p9＝p1。本發(fā)明實施例中，通過對所述指靜脈圖像進行預(yù)處理，能夠平滑噪聲的同時，增強指靜脈區(qū)域與背景區(qū)域的差異?？蛇x地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述對所述指靜脈圖像進行預(yù)處理，包括：使用偶對稱Gabor濾波器對所述指靜脈圖像進行濾波，其中，Gabor濾波器函數(shù)表示為式中，x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ，(x,y)為原始坐標，(x',y')為經(jīng)過濾波后坐標，λ為波長；θ為方向，該參數(shù)控制了Gabor函數(shù)條紋方向，取值為0-360°；為相位偏移，取值范圍為-180°-180°；γ為長寬比，決定Gabor函數(shù)的橢圓率，σ表示Gabor函數(shù)的高斯因子的標準差；使用CLAHE對濾波后的圖像進行增強。本發(fā)明實施例中，使用CLAHE對濾波后的圖像進行增強為現(xiàn)有技術(shù)，此處不再贅述，如可以采用申請?zhí)枮?01510661549.X的專利中的方法等?？蛇x地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述使用最大曲率算法識別所述預(yù)處理得到的圖像中的指靜脈區(qū)域和背景區(qū)域，包括：計算所述預(yù)處理得到的圖像中的每一個像素點的曲率，計算公式為其中，Kf(z)表示位置為z的像素點的曲率，(x0,y0)為位置z的坐標，當i>0時，xi表示位置z處像素點右側(cè)第i個像素點的橫坐標，當i<0時，xi表示位置z處像素點左側(cè)第i個像素點的橫坐標，當i>0時，yi表示位置z處像素點正上方第i個像素點的縱坐標，當i<0時，yi表示位置z處像素點正下方第i個像素點的縱坐標，w是參數(shù)，用于計算剖面的平均值，其經(jīng)驗值為8；確定出所述曲率的極大值，并將所述極大值對應(yīng)的像素點作為可能的指靜脈中心點；給每個可能的指靜脈中心點打分，分值計算公式為S'cr＝Kf×Wr，其中，S'cr為第一分值，Kf為曲率，Wr為指靜脈中心點的局部曲率為正的區(qū)域?qū)挾?；對于所述預(yù)處理得到的圖像中的每一個像素點，對水平方向、垂直方向，以及±45°方向上的可能的指靜脈中心點的第一分值求和，并將求和結(jié)果作為該像素點的第二分值；對于所述預(yù)處理得到的圖像中的每一個像素點，分別計算水平方向、垂直方向，以及±45°方向上該像素點的Cd(x,y)，并對水平方向、垂直方向，以及±45°方向上該像素點的Cd(x,y)求最大值，得到該像素點的G(x,y)，其中，Cd(x,y)＝min{max(Scr(x-1,y),Scr(x-2,y)),max(Scr(x+1,y),Scr(x+2,y))}，(x,y)表示像素點的坐標，Scr(x-1,y)為某一方向上坐標為(x,y)的像素點前第一個像素點的第二分值，Scr(x-2,y)為某一方向上坐標為(x,y)的像素點前第二個像素點的第二分值，Scr(x+1,y)為某一方向上坐標為(x,y)的像素點后第一個像素點的第二分值，Scr(x+2,y)為某一方向上坐標為(x,y)的像素點后第二個像素點的第二分值；對于所述預(yù)處理得到的圖像中的每一個像素點，比較該像素點的G(x,y)與第一數(shù)值的大小關(guān)系，若該像素點的G(x,y)小于所述第一數(shù)值，則確定該像素點屬于背景區(qū)域，否則，則確定該像素點屬于指靜脈區(qū)域。本發(fā)明實施例中，水平方向、垂直方向上的可能的指靜脈中心點分別過該像素點的水平方向直線、垂直方向直線上的可能的指靜脈中心點，+45°方向、-45°方向上的可能的指靜脈中心點分別過該像素點且斜率為1或-1的直線上的可能的指靜脈中心點。對于第一數(shù)值，可以將G(x,y)中大于0的值按照從大到小進行排序，并取排序后的中間元素的值作為第一數(shù)值，也可以根據(jù)需要取其它值，比如所述中間元素的值附近的其它值，本發(fā)明對此不作限定?？蛇x地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述基于改進的局部二值模型計算各個特征點的LmTP特征，包括：對于每一個特征點，計算和將所述和連接起來得到該特征點的LmTP特征，其中，a0至a7依次為所述預(yù)處理得到的圖像中以該特征點為中心的3*3窗口中從左上角位置開始，沿著窗口外圍順時針分布的像素點的灰度值，b0至b15依次為所述預(yù)處理得到的圖像中以該特征點為中心的5*5窗口中從左上角位置開始，沿著窗口外圍順時針分布的像素點的灰度值，c0至c23依次為所述預(yù)處理得到的圖像中以該特征點為中心的7*7窗口中從左上角位置開始，沿著窗口外圍順時針分布的像素點的灰度值，i∈(1,2,…,7)，m為該特征點的灰度值，t為預(yù)設(shè)的數(shù)值，一般取值為5。可選地，參看圖2，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述S2，包括：S20、判斷當前循環(huán)次數(shù)是否達到第二數(shù)值；S21、若達到所述第二數(shù)值，則保存最佳匹配點對以及最佳仿射變換參數(shù)S、T，執(zhí)行步驟S32，否則，則執(zhí)行步驟S22；S22、根據(jù)所述指靜脈圖像的端點和所述模板圖像的端點確定出從所述指靜脈圖像到所述模板圖像的的仿射變換參數(shù)；S23、判斷所述仿射變換參數(shù)是否在預(yù)設(shè)的范圍內(nèi)，若在所述范圍內(nèi)，則執(zhí)行步驟S24，否則，則執(zhí)行步驟S20；S24、通過仿射變換參數(shù)，對所述指靜脈圖像的特征點進行仿射變換，變換后的特征點的位置記為(fxi',fyi')，i＝1,…,n1，n1為所述指靜脈圖像的特征點數(shù)量；S25、使用距離信息計算(fxi',fyi')和(gxj,gyj)的最佳匹配點對，其中，(gxj,gyj)為所述模板圖像的特征點位置，j＝1,…,n2，n2為所述模板圖像的特征點數(shù)量；S26、計算當前匹配點對的基于距離的局部相似度S1；S27、判斷所述基于距離的局部相似度S1是否小于第三數(shù)值；S28、若小于所述第三數(shù)值，則更新S為所述仿射變換參數(shù)，更新最佳匹配點對為所述最佳匹配點對，更新所述第三數(shù)值為S1，并執(zhí)行步驟S29，否則，直接執(zhí)行步驟S29，dl為第l個最佳匹配點對的歐氏距離，M為最佳匹配點對的數(shù)量；S29、計算當前匹配點對的基于LmTP特征的局部相似度SimilarityL；S30、判斷所述基于LmTP特征的局部相似度SimilarityL是否大于第四數(shù)值；S31、若大于所述第四數(shù)值，則更新T為所述仿射變換參數(shù)，更新最佳匹配點對為所述最佳匹配點對，更新所述第四數(shù)值為SimilarityL，并執(zhí)行步驟S20，否則，直接執(zhí)行步驟S20；S32、利用計算到的最佳仿射變換參數(shù)S、T分別對所述指靜脈圖像的分支點進行仿射變換，并將每一次變換后的分支點和所述模板圖像的分支點進行匹配，得到匹配點對本發(fā)明實施例中，第二數(shù)值可以根據(jù)需要設(shè)置，比如可以設(shè)置為50、60等。對于指靜脈圖像平移、旋轉(zhuǎn)、縮放均存在的情況，可以使用如下的齊次坐標形式的公式計算仿射變換參數(shù)p1-p6：p1p2p3p4p5p6001x1x2x3y1y2y3111=x1′x2′x3′y1′y2′y3′111,]]>其中{(xi,yi)|i＝1,2,3}為指靜脈圖像的三個端點的坐標，{(xi',yi')|i＝1,2,3}為模板圖像的三個端點的位置，其中，(xi,yi)對應(yīng)(xi',yi')。通過三組對應(yīng)的坐標信息，便可以求得一組仿射變換參數(shù)p1-p6。此時預(yù)設(shè)的范圍內(nèi)指：0.5≤p1≤1.5，-0.5≤p2≤0.5，-40≤p3≤40，-0.5≤p4≤0.5，0.5≤p5≤1.5，-40≤p6≤40。對于平移、旋轉(zhuǎn)、縮放部分存在的情況，仿射變換參數(shù)為p1-p6中的部分參數(shù)，此處不再贅述。對特征點計算最優(yōu)仿射變換參數(shù)時，使用的是端點，因為端點比分支點更多，計算到的仿射變換參數(shù)更準確。第三數(shù)值的初始值可以為一較大的數(shù)值，比如為104、1.7×10308等。第四數(shù)值的初始值一般為0?？蛇x地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述計算當前匹配點對的基于LmTP特征的局部相似度SimilarityL，包括：計算變換后的第i個特征點和所述模板圖像的第j個特征點的歐式距離dij，計算公式為dij＝((fxi'-gxj)2+(fyi'-gyj)2)0.5；計算距離矩陣D，其中，其中，Dij＝exp(-dij)；將D中在所屬的行和所屬的列中均最大的元素值對應(yīng)的特征點對確定為匹配的特征點對，此時匹配的特征點對簡計為M1＝{(fn',gn)}，n＝1,…,N，N為匹配點對的總數(shù)；計算SimilarityL，計算公式為其中，Ln1(k)和Ln2(k)分別為第n個匹配點對中兩個特征點的LmTP特征的第k位，Len為64。對于一對LmTP特征Li1和Li2，長度均為64，由于LmTP特征包含-1，無法使用漢明距離計算相似度，因而本發(fā)明通過下式計算這對特征的相似度SimG(i)：SimG(i)=12LenΣj=1Len|Li1(j)-Li2(j)|,]]>如果匹配到N個特征點，匹配點對的相似度SimilarityG可通過下式計算：SimilarityG=1NΣi=1NSimG(i),]]>相似度SimilarityG越小，代表這兩個模板越相似。但是該相似度會造成誤匹配，如當匹配到的特征點很少時，全局相似度值可能很小，會導(dǎo)致匹配錯誤。因而，上述相似度稱為全局相似度。同時，本發(fā)明對全局相似度進行了修改，Li1和Li2這對特征的局部相似度通過下式計算：SimL(i)=12LenΣj=1Len(1-|Li1(j)-Li2(j)|),]]>匹配點對的局部相似度SimilarityL便可通過下式計算：SimilarityL=Σi=1NSimL(i),]]>局部相似度越大，這兩個模板越相似。使用局部相似度后，當匹配到的特征點對較少時，局部相似度不會太大，從而避免出現(xiàn)誤匹配。可選地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述S3，包括：計算最佳匹配點對的全局相似度以及的全局相似度并選取較小者作為所述匹配點對的全局相似度?？蛇x地，在本發(fā)明基于改進局部二值模型的指靜脈識別方法的另一實施例中，所述S4，包括：將所述全局相似度與第五數(shù)值進行比較，若所述全局相似度大于第五數(shù)值，則確定為不同手指，否則，則確定為相同手指。本發(fā)明實施例中，第五數(shù)值一般閾值取0.25。參看圖3，本實施例公開一種基于改進局部二值模型的指靜脈識別裝置，包括：LmTP特征計算單元1，用于獲取待識別的指靜脈圖像，定位指靜脈特征點位置，并基于改進的局部二值模型計算各個特征點的LmTP特征；匹配單元2，用于借助于融合距離和LmTP特征的相似度對所述指靜脈特征點和預(yù)設(shè)的模板圖像的指靜脈特征點進行匹配；全局相似度計算單元3，用于根據(jù)匹配的結(jié)果，計算匹配點對的全局相似度；識別單元4，用于根據(jù)所述全局相似度對所述指靜脈圖像進行指靜脈識別。本發(fā)明實施例所述的基于改進局部二值模型的指靜脈識別裝置，一方面，改進了局部二值模型，使其不易受噪聲的影響，另一方面，提出了LmTP特征，該LmTP特征能夠克服噪聲的影響，并且在指靜脈特征點匹配時，借助于融合距離和LmTP特征的相似度進行匹配，能夠得到最優(yōu)匹配結(jié)果，使其在匹配點較少時，不易出現(xiàn)誤匹配的情況，匹配的準確度更高且易于并行化實現(xiàn)，從而相較于現(xiàn)有技術(shù)，本發(fā)明能夠克服噪聲的影響，提高識別的準確度且易于并行化實現(xiàn)。雖然結(jié)合附圖描述了本發(fā)明的實施方式，但是本領(lǐng)域技術(shù)人員可以在不脫離本發(fā)明的精神和范圍的情況下做出各種修改和變型，這樣的修改和變型均落入由所附權(quán)利要求所限定的范圍之內(nèi)。當前第1頁1 2 3