[0044] 图1为一幅手指静脉原始灰度图像;
[0045] 图2为0°方向的模板提取出的曲率灰度图像;
[0046] 图3为45°方向的模板提取出的曲率灰度图像;
[0047] 图4为90°方向的模板提取出的曲率灰度图像;
[0048] 图5为135°方向的模板提取出的曲率灰度图像;
[0049] 图6为标准差1.5的模板提取出的曲率灰度图像;
[0050] 图7为标准差2.5的模板提取出的曲率灰度图像;
[0051] 图8为标准差1.5和2.5的模板提取的曲率灰度图像融合图像;
[0052] 图9为融合曲率灰度图像分解出的静脉区域曲率灰度特征图像;
[0053] 图10为融合曲率灰度图像分解出的背景区域曲率灰度特征图像;
[0054] 图11为融合曲率灰度图像提取出的曲率细线特征图像;
[0055] 图12为基于本发明提取的三种特征单独识别算法ROC曲线和其他论文中的基于方向滤波细线特征识别算法和基于Hessian矩阵细线特征识别算法ROC曲线对比图;
[0056] 图13为静脉曲率灰度特征和背景曲率灰度特征融合识别算法的拒真率随阈值融合权重α的变化曲线;
[0057] 图14为基于静脉曲率灰度特征融合背景曲率灰度特征识别算法的ROC曲线和基于单独静脉曲率灰度特征识别算法的ROC曲线对比图;
[0058] 图15为三种特征阈值融合识别算法的拒真率随阈值融合权重β的变化曲线;
[0059] 图16为三种特征阈值融合的识别算法ROC曲线和基于单独静脉曲率灰度特征识别算法的ROC曲线对比图;具体实施例
[0060] 下面结合附图对本发明的具体实施例作进一步的说明。
[0061] 本实施例的基于多特征阈值融合的手指静脉识别方法,包括以下步骤:
[0062] S1、式(1)中σ取1.5,t取4,模板窗口边长即为p=13,构造成一个13×13的正方形二维高斯模板。
[0063] S2、分别求出二维高斯函数x方向一阶导数h′x(x,y)、y方向的一阶导数h′y(x,y)、x方向二阶偏导数h″xx(x,y)、y方向二阶偏导数h″yy(x,y)和二阶混合偏导数h″xy(x,y)。
[0064] S3、将模板窗口坐标代入步骤S2中的各导数表达式得到模板的5个偏导数。
[0065] S4、用模板的5个偏导数卷积手指静脉原始图像,原始图像如图1所示,卷积过程中,原始图像矩阵扩充采用边界值复制法进行扩充。卷积得到的结果为图像矩阵的5个偏导数。
[0066] S5、将步骤S4得到的图像矩阵的5个偏导数代入方向导数公式(2)(3),得到图像矩阵的4个方向导数。
[0067] S6、将步骤S5得到的4个方向导数逐个代入曲率计算公式即式(4)得到图像矩阵在四个方向上的曲率特征图,如图2-5所示。
[0068] S7、将步骤S6得到的四个方向上的曲率代入式(5),求得图像矩阵的四个方向上最大曲率图,如图6所示。图6的曲率灰度图像是二维高斯模板方差为1.5时的提取结果,由图6可见,方差小时提取的曲率灰度图像中静脉细节更多,但是粗静脉轮廓并不能完整提取出来。
[0069] S8、式(1)中σ取2.5,方差因子t取4,模板窗口边长即为p=21,构造成一个21×21的正方形二维高斯模板,并重复步骤S2-S7,得到如图7所示的方差为2.5的曲率灰度图像提取结果。由图7可见,与图6相比,大方差的提取结果中粗静脉轮廓信息更加完整,但是细节静脉纹路变得不清晰。
[0070] S9、将S8与S7得到的标准差为1.5和2.5的曲率灰度特征图按照式(6)进行融合,融合结果如图8所示。图8中所提取的曲率灰度大的区域对应于手指静脉图像的静脉区域,可见融合了两个标准差的结果与单个标准差提取结果相比较,即包含了粗静脉的完整轮廓,又包含了较多的细节静脉纹路,取得了较好的融合效果。
[0071] S10、将融合的曲率灰度特征按照式(7)(8)进行分解,由式(8)得到静脉区域曲率灰度特征如图9所示,由式(7)得到背景区域曲率特征如图10所示。图9和图10中白色区域即为曲率值较大的区域,经过式(7)的归一化处理,背景区域曲率灰度特征的曲率值范围也为0-255,归一化处理是为了方便后续步骤的阈值计算和阈值融合。
[0072] S11、将融合的曲率灰度特征经过局部动态阈值分割二值化,连通区域滤波,查表细化得到曲率细线特征如图11所示。由图11可见,曲率细线特征是反映一个手指静脉图像静脉拓扑结构的最简单的特征,只包含了静脉区域的单像素主干信息。
[0073] S12、阈值计算和匹配验证。将两幅手指静脉图像均执行完步骤S1-S11得到两幅手指静脉图像的三对特征即静脉曲率灰度特征,背景曲率灰度特征和曲率细线特征。静脉曲率灰度特征和背景曲率灰度特征按照式(9)进行阈值计算得到阈值T1和T0,曲率细线特征按照式(10)(11)进行阈值计算得到阈值T2,再按照阈值融合公式即式(12)得到融合阈值T,并通过比较当前比对阈值与由图像库计算出的某个认假率下的识别阈值Ts来判断两幅手指静脉图像是否来自同一根手指。
[0074] 以下是基于图像数据库对本发明所提算法的实验数据分析,确定阈值权重α与β。并将本发明所提算法的性能与其他手指静脉识别算法的性能进行比较的实验结果。
[0075] 本次算法仿真图像是本实验室研发的静脉采集设备采集的500类指静脉图像,每类图像有3幅图,图像原始尺寸为500×220,为了节约图像处理时间,先将图像采用双线性插值归一化为160×64。采集时被采集人员正常使用设备,一根手指使用三次,设备自动保存三幅图像。采集过程时间跨度长,采集环境变化复杂,被采集人员数量多,符合目前大部分的实际应用场景,因此该图像库所得结论具有实际应用意义。算法程序在MATLAB R2014a上编写和运行,仿真电脑内存4G,主频率3.4GHZ,操作系统为64位Windows7。认假率(False Acceptance Rate,FAR)为不同手指分别采集的指静脉图像,在进行1:1匹配时被判定为同一手指所占的比例;拒真率(False Rejection Rate,FRR)为同一手指分别采集的指静脉图像,在进行1:1匹配时被判定为不同手指所占的比例。本次仿真实验1:1计算的不同手指类间图像匹配次数为1122750次,同一手指类内图像匹配次数为1500次。
[0076] 通过比较不同特征的FAR-FRR曲线即ROC(receiver operator characteristic curve,ROC)曲线来进行识别性能的比较,ROC曲线靠近坐标轴,性能越好。本发明对所提出的基于多特征阈值融合的静脉识别算法做了仿真,同时为了比较,对基于方向滤波的细线特征识别算法和基于Hessian矩阵的细线特征识别算法做了仿真。
[0077] 图12是本文所提取三种特征单独识别算法和其他的识别算法ROC曲线。由图12可知,本发明提出的基于静脉曲率灰度特征识别算法和基于曲率细线特征识别算法比基于方向滤波细线特征识别算法和基于Hessian矩阵细线特征识别算法具有更好的性能。这是由于用二维高斯模板计算曲率对图像有更好的增强作用。由于静脉曲率灰度特征包含的有用信息比单像素曲率细线特征多,所以静脉曲率灰度特征性能略高于曲率细线特征。由于背景曲率灰度特征只包含了少量的静脉图像可用信息,所以背景曲率灰度特征性能低于静脉曲率灰度特征和曲率细线特征,在融合识别算法中起辅助作用。
[0078] 按照式(12),先进行两区域曲率灰度特征的阈值融合,图13是在FAR为10-6时两区域曲率灰度特征阈值融合后识别曲线。由图13可知α在20%-30%内FRR提升幅度最大。结合其它FAR时的性能情况,权重α选取为23%,在FAR为10-6时FRR从24.19%降低至19.73%,可见融合识别性能提高了,在低认假率下两区域曲率灰度特征阈值融合后拒真率明显降低。图14是两区域曲率灰度特征阈值融合识别算法的ROC曲线,由图14可见,经过23%的背景曲率灰度特征阈值加权后,两区域曲率灰度特征融合识别算法的ROC曲线更贴近坐标轴,说明融合后识别性能提升了。融合后的新阈值称为两曲率灰度特征融合阈值。
[0079] 再将两曲率灰度特征融合阈值与曲率细线特征阈值进行融合,确定权重β。图15是FAR为10-6时的最终融合FRR随权重β的变化曲线,由图15可见,β在40%左右FRR最低,结合其他FAR时的性能情况,选择β为40%。在FAR为10-6时三种特征阈值融合的FRR从19.73%降低到了8.13%。图16是三种特征阈值融合识别算法的ROC曲线与静脉曲率灰度特征单独识别算法的ROC曲线对比。由图16可知阈值融合后识别性能提升显著,特别是在认假率为10-6时,拒真率从单静脉曲率灰度特征识别算法的24.19%提升到基于多特征阈值融合识别算法的8.13%,说明低认假率下识别性能提升明显。最终的融合阈值为T=T0×0.138+T1×0.462+T2×0.4,各阈值融合权重符合理论分析。这是因为静脉曲率灰度特征和曲率细线特征包含了静脉图像的主要信息,在阈值融合识别算法中起到主要作用,所以阈值T1,T2在T中所占比例高达46.2%和40%;而背景曲率灰度特征一般只有静脉图像的少量信息,只有在静脉区域模糊的低质量图像中才会起主要识别作用,而在基于整个图像库计算性能的融合识别时只起辅助用,所以阈值T0在T中所占比例只有13.8%。本发明实验所采用的图像库是模拟了采集设备实际使用环境采集而来的,因此该权重对基于本实验室研发的指静脉采集设备的手指静脉识别系统具有适用性。
[0080] 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。