人體身份特征圖像處理方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及圖像識(shí)別，特別涉及一種人體身份特征圖像處理方法。
【背景技術(shù)】
[0002] 隨著生物認(rèn)證技術(shù)的發(fā)展，人臉和指紋識(shí)別已經(jīng)不能滿足日益增長(zhǎng)的安全性需 求。近年來，基于手掌靜脈特征的身份識(shí)別在生物特征識(shí)別領(lǐng)域受到廣泛重視。手掌靜脈圖 像獲取容易，占用存儲(chǔ)空間小，其研究具有重要的應(yīng)用價(jià)值。手掌靜脈識(shí)別相關(guān)認(rèn)證產(chǎn)品在 網(wǎng)絡(luò)安全認(rèn)證方面必將發(fā)揮重要的作用?，F(xiàn)有的手掌靜脈識(shí)別系統(tǒng)只能對(duì)較好條件下的樣 本進(jìn)行處理，而對(duì)于圖像偏暗，清晰度不高的手掌樣本，識(shí)別率有所降低，同時(shí)，所應(yīng)用的算 法普遍計(jì)算量較大，使識(shí)別過程難以達(dá)到實(shí)時(shí)。

【發(fā)明內(nèi)容】

[0003] 為解決上述現(xiàn)有技術(shù)所存在的問題，本發(fā)明提出了一種人體身份特征圖像處理方 法，包括：
[0004] 通過圖像分割將靜脈紋理進(jìn)行分離；
[0005] 將分割后的圖像進(jìn)行增強(qiáng)處理和特征提??；
[0006] 基于所提取的特征完成身份特征的識(shí)別。
[0007] 優(yōu)選地，所述通過圖像分割將靜脈紋理進(jìn)行分離，進(jìn)一步包括：
[0008] 對(duì)靜脈圖像進(jìn)行小波變換，以獲得圖像中的高頻信息，然后通過四叉樹分解將靜 脈圖像分成若干個(gè)區(qū)域，對(duì)每一局部區(qū)域分別進(jìn)行處理，對(duì)大小為L(zhǎng)XL的每個(gè)區(qū)域設(shè)置為 L 2_l個(gè)采樣角度，即投影角度為9 = kJi/L2-l;
[0009] 其中k取1，2,…，L2-l;
[0010] 構(gòu)造與LXL的區(qū)域區(qū)域同樣大小的網(wǎng)格，計(jì)算該區(qū)域在采樣角度上的正交投影：
[0011] fe(i)=-(sin9)*x(i) + (cos9)*y(i)
[0012] 式中，Θ為投影角度，x(i)，y(i)為網(wǎng)格坐標(biāo)點(diǎn)，對(duì)每一角度投影得到的彎曲系數(shù)數(shù) 組fd;
[0013] 計(jì)算指示圖像中該區(qū)域在每一點(diǎn)處的正則變化方向的向量流，對(duì)f d進(jìn)行小波變 換，得到其變換系數(shù){bk}，選擇閾值T，并對(duì)bk進(jìn)行閾值化處理：
[0014] bk (X) =0 X | < T
[0015] bk (x) =bk(x) x I >T
[0016] 閾值化處理之后，對(duì)其進(jìn)行逆小波變換獲得fd的逼近信號(hào)Rd，對(duì)于所有的投影角度 Θ，使f d與Rd差別最小的角度作為該區(qū)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為判別該區(qū)域中是否存在向量流的閾值；
[0019] 將四叉樹區(qū)域中具有相似向量流特征的相鄰區(qū)域合并在一起，構(gòu)造出新的靜脈分 害_尺01區(qū)域：
[0020] 1.計(jì)算所有分塊的最佳向量流方向θ'和重建誤差δ;
[0021] 2.計(jì)算寬度為2L的區(qū)域S的最佳向量流方向0d'與重建誤差δ'，而區(qū)域s四個(gè)子塊 Si-S4的重建誤差分別為δι，δ2，δ3，δ4,如果δ ' =δι+δ2+δ3+δ4,則合并S1-S4
[0022] 3.重復(fù)步驟1和2,直至達(dá)到最大分塊區(qū)域；
[0023] 最終將存在向量流的區(qū)域作為靜脈圖像的R0I區(qū)域；
[0024]在分割過程中將每一個(gè)R0I區(qū)域分割為兩部分，即靜脈部分和背景部分，且分割后 靜脈部分為4連通區(qū)域；
[0025] 將熵倌定義為
[0026]
[0027] 式中，W為R0I區(qū)域中包含的灰度級(jí)數(shù)量，Pi為灰度級(jí)別i的像素在子圖像中的出現(xiàn) 概率；
[0028] 計(jì)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為分割后的區(qū)域，Nd為區(qū)域中進(jìn)行梯度計(jì)算的像素?cái)?shù)；
[0033] 通過最小化處理計(jì)算圖像分割后的靜脈信息區(qū)域:0ρ = ΒΓ8η?η[λ.ι+(1-λι)Ι?^ι+ ^2Gd1+ ( 1 -入2 ) Gf-D2 ]
[0034] 完成該區(qū)域的靜脈信息分割;其中f表示整幅靜脈圖像和，心和\2分別為上述函數(shù)W 與Gd在分割算法中的權(quán)重值。
[0035] 本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：
[0036] 本發(fā)明提出了一種人體身份特征圖像處理方法，對(duì)于質(zhì)量較低的采集圖像，有效 提高了識(shí)別范圍，識(shí)別速度和精度。
【附圖說明】
[0037] 圖1是根據(jù)本發(fā)明實(shí)施例的人體身份特征圖像處理方法的流程圖。
【具體實(shí)施方式】
[0038] 下文與圖示本發(fā)明原理的附圖一起提供對(duì)本發(fā)明一個(gè)或者多個(gè)實(shí)施例的詳細(xì)描 述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)利 要求書限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié)以 便提供對(duì)本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無這些具體細(xì)節(jié)中的 一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書實(shí)現(xiàn)本發(fā)明。
[0039] 本發(fā)明的一方面提供了一種人體身份特征圖像處理方法。圖1是根據(jù)本發(fā)明實(shí)施 例的人體身份特征圖像處理方法流程圖。
[0040]手掌靜脈圖像利用的是人體靜脈的血紅蛋白對(duì)近紅外光的吸收特性。手掌靜脈采 集設(shè)備中采用的是波長(zhǎng)范圍在700-1100近紅外發(fā)光二極管作為光源，因?yàn)樵摬ǘ蔚墓馊菀?穿透手掌骨骼和肌肉組織，然后采用高感光度的圖像傳感器。在手掌靜脈圖像的采集過程 中，如果手掌放置的位置太偏，可能會(huì)造成手掌靜脈圖像中手掌邊界的梯度場(chǎng)小，從而導(dǎo)致 手掌靜脈的邊界提取不完整，影響手掌靜脈ROI(ROI)區(qū)域的截取。
[0041 ]手掌靜脈圖像識(shí)別可選地包括如下過程：
[0042]手掌靜脈圖像分割，將靜脈圖像中的靜脈紋理從背景區(qū)域中分離出來，以提高圖 像特征提取的正確率和特征提取的速度。
[0043] 手掌靜脈圖像增強(qiáng)，用于突出圖像的靜脈紋理信息。
[0044] 特征提取，通過對(duì)預(yù)處理過的圖像進(jìn)行特征提取，得到手掌靜脈圖像的幾何特征 模板或數(shù)據(jù)特征模板。
[0045] 匹配識(shí)別，通過采集的用戶手掌靜脈圖像，獲得樣本模板，與之前數(shù)據(jù)庫中的注冊(cè) 模板進(jìn)行匹配，以識(shí)別用戶身份標(biāo)識(shí)。
[0046] 進(jìn)一步地，對(duì)于上述圖像分割，本發(fā)明采用以下過程：
[0047] 對(duì)于去噪后靜脈圖像，其高頻信息體現(xiàn)在靜脈曲線的邊界上，而靜脈曲線的延伸 方向與靜脈曲線邊界的方向保持一致，因此，在分割圖像中的靜脈信息時(shí)，只需要分析靜脈 邊界附近區(qū)域，具體步驟如下：
[0048] 采用小波對(duì)去噪后的靜脈圖像進(jìn)行小波變換，獲得圖像中的高頻信息。通過四叉 樹分解將靜脈圖像分成若干個(gè)區(qū)域，對(duì)每一局部區(qū)域分別進(jìn)行處理與分析。假設(shè)每一小區(qū) 域大小為L(zhǎng) X L，這里將可采樣角度設(shè)為L(zhǎng)2-l個(gè)，即投影角度為Θ = kJi/L2-l
[0049] ，其中k取1，2,…，L2-1。
[0050] 構(gòu)造與子區(qū)域同樣大小的LXL網(wǎng)格，計(jì)算該區(qū)域在采樣角度上的正交投影。
[0051 ] fe(i)=-(sin9)*x(i) + (cos9)*y(i)
[0052] 式中，Θ為投影角度，x(i)，y(i)為網(wǎng)格坐標(biāo)點(diǎn)，對(duì)每一角度投影得到的彎曲系數(shù)數(shù) 組fd。
[0053] 計(jì)算指示圖像中該區(qū)域在每一點(diǎn)處的正則變化方向的向量流。對(duì)f d進(jìn)行小波變 換，得到其變換系數(shù)稱為{bk}，選擇閾值T，并對(duì)bk進(jìn)行閾值化處理：
[0054] bk'（x)=0 x| <T
[0055] bk (x) =bk(x) x | >T
[0056] 閾值化處理之后，對(duì)其進(jìn)行逆小波變換，從而獲得fd的逼近信號(hào)Rd，對(duì)于所有的投 影角度Θ，能夠使fd與Rd差別最小的角度作為該區(qū)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為判別該區(qū)域中是否存在向量流的閾值。
[0060] 為簡(jiǎn)化算法的計(jì)算復(fù)雜度，同時(shí)減少R0I區(qū)域的數(shù)量，將四叉樹區(qū)域中具有相似向 量流特征的相鄰區(qū)域合并在一起，構(gòu)造出新的靜脈分割的R0I區(qū)域：
[0061] 1.計(jì)算所有分塊的最佳向量流方向θ'和重建誤差δ;
[0062] 2.計(jì)算寬度為2L的區(qū)域S的最佳向量流方向0d'與重建誤差δ'，而區(qū)域S四個(gè)子塊 Si -S4的重建誤差分別為δι，δ2，δ3，δ4,如果δ ' =δι+δ2+δ3+δ4,則合并S1-S4
[0063] 3.重復(fù)步驟1和2,直至達(dá)到最大分塊區(qū)域。
[0064]最終將存在向量流的區(qū)域作為靜脈圖像的R0I區(qū)域，并對(duì)其進(jìn)行進(jìn)一步的處理。 [0065] R0I區(qū)域中靜脈信息區(qū)域像素不是孤立存在的，而是連通的。鑒于上述特點(diǎn)，利用 以下過程完成靜脈圖像分割：
[0066]每一個(gè)R0I區(qū)域被分割為兩部分，即靜脈部分和背景部分，且分割后靜脈部分為4 連通區(qū)域；
[0067] 利用熵值來表示灰度值的豐富程度，熵值定義為
[0068]
[0069] 式中，W為R0I區(qū)域中包含的灰度級(jí)數(shù)量，Pi為灰度級(jí)別i的像素在子圖像中的出現(xiàn)
概率。
[0070] 計(jì)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為分割后的區(qū)域，ND為區(qū)域中進(jìn)行梯度計(jì)算的像素?cái)?shù)
[0075] 通過最小化處理計(jì)算圖像分割后的靜脈信息區(qū)域0ρ = ΒΓ8π?η[λ.ι+(1-λι)Ι?^ι+ A2GD1+(l-A2)Gf-D2]，完成該區(qū)域的靜脈信息分割，而后融合所有R0I區(qū)域的分割結(jié)果，便實(shí)現(xiàn) 了對(duì)整幅近紅外靜脈圖像的分割處理。
[0076] 式中，f表示整幅靜脈圖像和，人:和"分