[0050] 下面结合附图对本发明的具体实施例作进一步说明。
[0051] 本实施例的手指静脉快速识别方法,包括以下步骤:
[0052] S1、将采集到的手指静脉图像进行像素变换,使其大小为160ⅹ64的大小。得到的如图1所示。
[0053] S2、将0~255灰阶分成32等份,每个等份有8个灰度;
[0054] S3、利用直方图方法,计算S1步骤出后的图像处于前2等份(像素范围0~15)的像素点个数和处于后8等份(像素范围192-255)的像素点个数,计算结果为前2等份的个数为0,后8等份的个数为0,则判决为非曝光过度图像;
[0055] S4、取出S1步骤得到的图1处于第30行,70行,100行,130行的像素点的像素值,每一行为64个像素值,存入大小为4ⅹ64的矩阵M1中,选取方式如图2所示,得到的4个截面的像素变化曲线如图3所示;
[0056] S5、去掉S4步骤得到矩阵M1的每行前10像素点和后10像素点,以去除两端的畸变点,从而得到大小为4ⅹ34的矩阵M2;
[0057] S6、计算步骤S6得到的M2每行像素值变化的斜率,存入大小为4ⅹ34的矩阵M3中;
[0058] S7、计算步骤S7得到的M3的每行斜率值的方差,并将得到的方差值除以1000,结果为[3.87,8.51,6.76,8.77],其平均值大于2.50,因此判决为非模糊图像;
[0059] S8、构造8个如图4所示大小为9×9模板算子T,将0°到180°按逆时针方向等间隔的分成8个方向,每个方向差22.5°,方向模板算子只有在一个方向上存在非零数。
[0060] S9、将步骤S8构造的8个模板算子分别与S1得出的静脉图像做卷积运算(模板的大小与静脉图像选取出的邻域大小相同),卷积值作为该邻域中心处的像素值;
[0061] S10、将8个模板算子窗口分别遍历整个手指静脉图像,得到8个不同方向上的手指静脉图像的灰度矩阵Gi(i=1,2,3,4,5,6,7,8分别表示0°,22.5°,45°,67.5°,90°,112.5°,135.5°,157.5°);
[0062] S11、将Gi进行Niblack分割得到8个方向手指静脉纹路走势图,其矩阵记为Ii,处理得出的8个方向上的静脉纹路图如图5所示。
[0063] S12、利用公式(1)加权8个方向手指静脉纹路矩阵,然后通过门限阈值T=2将得到的ISUM再次进行二值化,即:
[0064]
[0065] 得到的主静脉图像如图6所示;
[0066] S13、计算主静脉(非0像素点)占有率,图5由461个非0像素点组成,其静脉占有率为45‰,因此判决为非静脉稀疏图像;
[0067] 针对静脉图像曝光程度判别,王科俊等人提出的通过计算图像的对比度的方法并不能有效的区分曝光问题图像与正常图像,本发明提出灰度等级直方图法可以有效的区分。两者的区分对比试验如下。图8(a)显示了本发明方法统计正常质量与曝光过度的手指静脉图像处于后8等份的像素点个数分布图,8(b)显示了本发明方法统计正常质量与曝光不足的手指静脉图像处于前2等份的像素点个数分布图。图8(c)和(d)分别显示了利用计算图像对比度的方法,得出的正常质量与曝光过度的手指静脉图像的对比度分布图,正常质量与曝光不足的手指静脉图像对比度分布图。对比图(a)和(c)可以看出:图(a)中的曝光过度图像与正常图像的后8等份的像素点个数区分较明显,曝光过度的手指处于后8等份的像素点个数比较大,大部分处于图像的上方,而正常质量手指静脉图像处于前8等份的像素点个数相对较小,大部分处于图像的下方,两者像素点个数的区分介于[500,700]范围内。对比图(b)和(d)可以看出:图(b)中的曝光不足图像与正常图像的前2等份的像素点个数区分相当明显,当前2等份的像素点个数超过420时,则可以判别该静脉图像为曝光不足图像,而采用对比度方法,得出的曝光不足图像与正常图像的区分度不明显,分布重叠较多。
[0068] 针对静脉图像模糊程度判别,王科俊等人提出的通过计算图像的信息熵的方法并不能有效的区分曝光问题图像与正常图像,本发明提出计算横截面各点灰度斜率的方差可以有效的区分。图8(a)显示了100张正常质量的手指静脉图像和100张手指静脉模糊的图像,4个截面所有灰度变化曲线斜率的方差的平均值分布图,图8(b)显示了信息熵的方法的区分分布图。从图中可以看出:静脉模糊的图像的4个截面灰度变化曲线斜率的方差的平均值相对较小,大部分处于图10的下方;而正常质量手指静脉图像的4个截面灰度变化曲线斜率的方差的平均值相对较大,大部分处于图10上方。两者方差值的区分介于[2,3]之间。而静脉模糊图像和正常图像的信息熵分布杂乱无章,重叠较多,并不能有效的区分两者图像。
[0069] 采集实验室50根手指,每根手指采集20个手指静脉图像样本,共1000幅原始静脉图像,记为数据库D1。此设备采用波长为850nm的近红外光源和型号为MT9V034的摄像头。
[0070] 将D1数据库中的静脉图像进行静脉稀疏程度判别。提取出每幅图像的主静脉(式2中T=2)并计算出主静脉占有率,取阈值Q1=0.042,将主静脉占有率小于Q1的静脉图像滤除,保留主静脉占有率大于Q1的静脉图像,最终得到947幅图像记为数据库D2。
[0071] 将D1数据库中的静脉图像进行图像模糊程度判别。计算每幅图像4个截面灰度变化曲线斜率的方差的平均值,取阈值Q2=2.5,将方差的平均值小于Q2的静脉图像滤除,保留方差平均值大于Q2的静脉图像,最终得到693幅图像记为数据库D3。
[0072] 将D1数据库中的静脉图像进行图像曝光程度判别。利用灰度等级直方图的方法,统计处于前2等份的像素点个数,阈值Q3=420,将个数大于Q3的静脉图像滤除;统计处于后8等份的像素点个数,阈值Q4=600,将个数小于Q4的静脉图像滤除,最终得到812幅图像记为数据库D4。
[0073] 将D1数据库中的静脉图像先后进行图像曝光程度判别,稀疏程度判别,模糊程度判别(如图1框图所示的顺序),每步滤除的阈值与上述保持不变,最终得到672幅图像记为数据库D5。
[0074] 在1:1的验证模式下,将一根手指的静脉样本图像和该手指的其他的静脉样本图像进行组内匹配识别,称为合法匹配;将一根手指静脉样本图像和不同手指静脉样本图像进行组间匹配识别,称为非法匹配。采用MHD(Modify Hausdorff Distance)算法对静脉的细化纹路图进行组内和组间匹配识别,得到合法匹配与非法匹配的数据。通过修改阈值得出拒识率(False Reject Rate,FRR)和误识率(False Accept Rate,FAR)之间的关系曲线,即ROC曲线。图9显示了采用MHD算法对数据库D1、D2、D3和D4的静脉纹路识别的ROC曲线。从图中可以看出,相比于D1数据库的ROC曲线,拒识率一定时滤除静脉稀疏图像后和滤除曝光图像的误识率有所降低;误识率一定时滤除模糊图像后的拒识率有所下降。通过三步滤除得到的数据库D5,相比于D1数据库的ROC,在提高识别率方面和控制误识率方面有着明显效果。
[0075] 上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出得各种变化,也应视为本发明的保护范围。