[0005] 对于现有针对指静脉图像模糊程度判断不准确,特征提取困难,识别性能较低的问题。本发明提供一种面向模糊指静脉图像的动态识别算法。
[0006] 本发明解决其技术问题所采用的技术方案包括以下步骤:
[0007] 步骤1、采集红外指静脉图像,通过隔行隔列采样和不同参数的高斯滤波构建出图像的高斯金字塔模型。该高斯金字塔模型的图像集合可以用Gau(G,L)来表示,其中G代表尺寸组,L代表尺度层。使用双线性插值法将原图尺寸大小归一化为P×Q,并置于第一尺寸组,第一尺度层为Gau(1,1)。同一尺寸下,尺度层由一系列经过不同参数高斯滤波后的图像组成,如公式(1)所示,式中,w为高斯滤波函数,σ为滤波系数,n为滤波函数的窗口大小,k′为尺寸组序号,k为尺度层序号。
[0008] Gau(k′,k+1)=Gau(k′,k)*w[n2,(k‑1)σ] 1)
[0009] 步骤2、根据公式(1)构建高斯金字塔模型时,图像因隔行隔列采样和高斯滤波会丢失部分高频信息。为了反映这部分高频信息,引入拉普拉斯金字塔模型。该模型由高斯金字塔中同一尺寸相邻尺度层的两幅图像经过差分运算得到。用Lap(G,L)表示拉普拉斯金字塔图像:
[0010] Lap(G,L)=Gau(G,L)‑Gau(G,L+1) 2)
[0011] 步骤3、高斯滤波器模板大小t,滤波系数σ。这里提出一种加权的模糊度检测函数,如公式(3)、(4)所示,其中G为所选尺寸组,Sn为各层尺度层的高频质量分数,M为指静脉图像模糊度指标,μ1,μ2,μ3,μ4为权重系数,r和c为所选尺寸组的尺寸大小,为固定值。
[0012]
[0013] M=μ1S1+μ2S2+μ3S3+μ4S4 4)
[0014] 步骤4、对采集的手指静脉图像提取稳定的二值图特征。先对原图进行图像归一化操作,然后采用NiBlack分割静脉。根据M的大小,若M小于模糊度指标阈值,则判断为模糊图像,反之则为正常图像。根据图像的模糊程度采用动态参数的NiBlack方法,相关计算公式如公式(5)、公式(6)、公式(7)所示:
[0015]
[0016] 式(5)中,ρ为窗口大小,f(i,j)为手指静脉图像中坐标点(i,j)的灰度值,ave(i,j)为其邻域的灰度平均值。式(6)中,var(i,j)为其邻域的灰度方差。
[0017]
[0018] 式(7)中,T(i,j)为坐标点(i,j)的动态分割阈值,λ为修正系数。
[0019] T(i,j)=ave(i,j)+λ×var(i,j) 7)
[0020] 步骤5、对于不同模糊程度的指静脉图像,采用动态的分割参数,调整参数ρ和λ,使得特征提取更准确。对分割出的静脉二值化图像进行细化处理,删除多余的毛刺和伪静脉,得到最终的静脉特征细线图。
[0021] 步骤6、使用基于细线的修正豪斯多夫距离(Modified Hausdorff Distance,MHD)距离作为识别方法。根据步骤5中得到的静脉特征细线图构成两个点集X和Y,两个点集的相似度统计量计算如下,其中Dm(X,Y)表示点集X到点集Y的有向距离, 和 为点集X中的横纵坐标,m为点集X中的个数:
[0022]
[0023] 步骤7、取Dm(X,Y)和Dn(Y,X)中的最大值H(X,Y)作为2个点集间的细线距离顺序统计量:
[0024] H(X,Y)=max(Dm(X,Y),Dn(Y,X)) 9)
[0025] 步骤8、根据步骤3中计算得到的图像模糊度指标,判断识别模式是正常识别还是模糊识别,分别采用设定正常识别阈值T1和模糊识别阈值T2进行识别。若正常识别模式下,式(9)中H(X,Y)小于阈值T1或模糊识别模式下,H(X,Y)小于阈值T2,则判断识别成功,两幅红外手指经脉图像来源于同一根手指。
[0026] 本发明有益效果如下:
[0027] 1、本发明构建了图像金字塔模型,利用手指静脉图像中静脉边缘的高频信息,准确地判断图像的模糊程度。算法复杂度低,且判断准确率高。
[0028] 2、本发明对于静脉图像,根据其模糊程度不同,采用动态NiBlack计算参数提取细线特征。相比于固定参数提取特征,提取出的二值图更加光滑,毛刺和伪静脉更少。
[0029] 3、本发明在识别系统中引入了动态识别阈值设置,保证了正常手指识别率不会因模糊手指而下降。对于模糊程度不同的图像,设置不同的识别阈值,能够有效提高系统整体识别性能。
[0030] 实验表明,本发明提出的面向模糊指静脉图像的动态识别算法能够准确地判断指静脉图像的模糊程度,且对于模糊图像的识别性能有较大的提升。特别地,本发明能够根据图像的模糊程度采用动态参数的NiBlack分割算法,使得二值图特征提取更为准确。传统的识别算法都采用同一识别阈值,因模糊图像的特殊性,会使得整体识别率下降,而本发明提出的根据不同识别模式设置动态识别阈值算法,充分利用了模糊图像的特殊性,分别设置识别阈值,有效提高了识别性能。因此,面向模糊指静脉图像的动态识别算法是一种对提升模糊指静脉图像识别率十分有效的算法。