基于圖像的人體特征識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像識別，特別涉及一種基于圖像的人體特征識別方法。
【背景技術(shù)】
[0002] 隨著生物認證技術(shù)的發(fā)展，人臉和指紋識別已經(jīng)不能滿足日益增長的安全性需 求。近年來，基于手掌靜脈特征的身份識別在生物特征識別領(lǐng)域受到廣泛重視。手掌靜脈 圖像獲取容易，占用存儲空間小，其研究具有重要的應(yīng)用價值。手掌靜脈識別相關(guān)認證產(chǎn)品 在網(wǎng)絡(luò)安全認證方面必將發(fā)揮重要的作用?，F(xiàn)有的手掌靜脈識別系統(tǒng)只能對較好條件下的 樣本進行處理，而對于圖像偏暗，清晰度不高的手掌樣本，識別率有所降低，同時，所應(yīng)用的 算法普遍計算量較大，使識別過程難以達到實時。

【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)明提出了一種基于圖像的人體特征識別 方法，包括：
[0004] 對紅外手掌靜脈圖像進行增強處理；
[0005] 獲取圖像空間的特征向量，將手掌靜脈圖像與樣本庫圖像的特征向量進行匹配。
[0006] 優(yōu)選地，所述獲取圖像空間的特征向量，將手掌靜脈圖像與樣本庫圖像的特征向 量進行匹配，進一步包括：
[0007] 以X種光強對y種旋轉(zhuǎn)角度的z種分辨率對同一靜脈對象進行采集，因此靜脈樣 本庫中的每一個靜脈對象都由xXyXz個樣本來描述，稱為該靜脈樣本庫的一個靜脈圖像 子空間，對于采集到的表示該靜脈對象的靜脈圖像，其特征向量由該子空間中靜脈圖像的 特征向量線性組合來表示：
[0008] P' =
[0009] 式中，P'為采集圖像的特征向量，τ^jk為線性表示時基向量p^ ^的系數(shù)；
[0010] 對于第η個靜脈對象迭代執(zhí)行如下步驟：將靜脈樣本庫中所有靜脈圖像子空間中 的特征向量一一作為基向量，第η個靜脈對象的特征向量子空間為：
[0011] Φη- [Ρη, (1，1，1)，Ρη, (1，1，2)，…Pn，(x，y，z)]
[0012] 式中，P^為表示第i個靜脈對象中第j幅靜脈樣本的特征向量；
[0013] 將采集到的靜脈圖像與樣本庫中每一個靜脈對象對比，計算以第η個靜脈圖像子 空間基的系數(shù)向量μη:
[0014] μ^Φ/Φ,Ρ'
[0015] 判斷相似度ζ"與相似度閾倌e的關(guān)系：
[0016]
[0017] 如果ζηλ于閾值e則迭代結(jié)束，得到系數(shù)向量為μn;如果ζ/j、于閾值e，則η 增1，繼續(xù)上述迭代，直至后ζ/j、于閾值e;
[0018] 對于經(jīng)過有限次迭代后ζ"值小于預設(shè)閾值e的靜脈對象，選取具有最小1范數(shù) 系數(shù)向量的靜脈對象作為最終的識別結(jié)果；否則，確定為采集到的新的靜脈圖像與靜脈樣 本庫中任一靜脈對象都不匹配。
[0019] 本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點：
[0020] 本發(fā)明提出了一種基于圖像的人體特征識別方法，對于質(zhì)量較低的采集圖像，有 效提高了識別范圍，識別速度和精度。
【附圖說明】
[0021] 圖1是根據(jù)本發(fā)明實施例的基于圖像的人體特征識別方法的流程圖。
【具體實施方式】
[0022] 下文與圖示本發(fā)明原理的附圖一起提供對本發(fā)明一個或者多個實施例的詳細描 述。結(jié)合這樣的實施例描述本發(fā)明，但是本發(fā)明不限于任何實施例。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節(jié) 以便提供對本發(fā)明的透徹理解。出于示例的目的而提供這些細節(jié)，并且無這些具體細節(jié)中 的一些或者所有細節(jié)也可以根據(jù)權(quán)利要求書實現(xiàn)本發(fā)明。
[0023] 本發(fā)明的一方面提供了一種基于圖像的人體特征識別方法。圖1是根據(jù)本發(fā)明實 施例的基于圖像的人體特征識別方法流程圖。
[0024] 手掌靜脈圖像利用的是人體靜脈的血紅蛋白對近紅外光的吸收特性。手掌靜脈采 集設(shè)備中采用的是波長范圍在700-1100近紅外發(fā)光二極管作為光源，因為該波段的光容 易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，可能會造成手掌靜脈圖像中手掌邊界的梯度場小，從而導 致手掌靜脈的邊界提取不完整，影響手掌靜脈R0I區(qū)域的截取。
[0025] 手掌靜脈圖像識別可選地包括如下過程：
[0026] 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。
[0027] 手掌靜脈圖像增強，用于突出圖像的靜脈紋理信息。
[0028] 特征提取，通過對預處理過的圖像進行特征提取，得到手掌靜脈圖像的幾何特征 模板或數(shù)據(jù)特征模板。
[0029] 匹配識別，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 模板進行匹配，以識別用戶身份標識。
[0030] 進一步地，對于上述圖像分割，本發(fā)明采用以下過程：
[0031] 對于去噪后靜脈圖像，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，只需要分析靜脈 邊界附近區(qū)域，具體步驟如下：
[0032] 采用小波對去噪后的靜脈圖像進行小波變換，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區(qū)域，對每一局部區(qū)域分別進行處理與分析。假設(shè)每一小區(qū) 域大小為LXL，這里將可采樣角度設(shè)為L2-l個，S卩投影角度為Θ=kJi/L2-l
[0033] ，其中k取 1，2，一42-1
[0034] 構(gòu)造與子區(qū)域同樣大小的LXL網(wǎng)格，計算該區(qū)域在采樣角度上的正交投影。
[0035] f ο(i)=-(sin θ)*x(i)+(cos Θ )*y(i)
[0036] 式中，Θ為投影角度，x(i)，y⑴為網(wǎng)格坐標點，對每一角度投影得到的彎曲系數(shù) 數(shù)組fd。
[0037] 計算指示圖像中該區(qū)域在每一點處的正則變化方向的向量流。對fd進行小波變 換，得到其變換系數(shù)稱為{bk}，選擇閾值T，并對1^進行閾值化處理：
[0038] bk'（X) = 0 |X| <T
[0039] bk'（X) =bk(x) |X| >T
[0040] 閾值化處理之后，對其進行逆小波變換，從而獲得fd的逼近信號Rd，對于所有的投 影角度Θ，能夠使^與Rd差別最小的角度作為該區(qū)域的最佳向量流方向。
[0041 ]Θ' =argmin| |fd_Rd ||2，δ<Η，ΘG[0,L2]
[0042]δ=min| |fd_Rd| |2
[0043] H為判別該區(qū)域中是否存在向量流的閾值。
[0044] 為簡化算法的計算復雜度，同時減少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：
[0045] 1.計算所有分塊的最佳向量流方向Θ'和重建誤差δ;
[0046] 2.計算寬度為2L的區(qū)域S的最佳向量流方向Θ/與重建誤差δ'，而區(qū)域S四 個子塊SfS4的重建誤差分別為δδ2,δ3,δ4，如果δ' =δ1+δ2+δ3+δ4,則合并SfS4
[0047] 3.重復步驟1和2,直至達到最大分塊區(qū)域。
[0048] 最終將存在向量流的區(qū)域作為靜脈圖像的R0I區(qū)域，并對其進行進一步的處理。
[0049] 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，利用 以下過程完成靜脈圖像分割：
[0050] 每一個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；
[0051] 利用熵值來表示灰度值的豐富程度，熵值定義為
[0052]
[0053] 式中，W為R0I區(qū)域中包含的灰度級數(shù)量，Pi為灰度級別i的像素在子圖像中的出 現(xiàn)概率。
[0054] 計算平均梯度Gf ;其中
[0055]
[0056]Gx(x,y) = 2f(x+2,y)+f(x+1,y)-f(x~l,y)-2f(x~2,y)
[0057]Gy(x，y) = 2f(x，y+2)+f(x，y+l)_f(x，y-l)_2f(x，y-2)
[0058]D為分割后的區(qū)域，ND為區(qū)域中進行梯度計算的像素數(shù)
[0059] 通過最小化處理計算圖像分割后的靜脈信息區(qū)域DF=argmin[AJi+CL-Ai) 1[)1+入知1+(1-入2)^ 2]，完成該區(qū)域的靜脈信息分割，而后融合所有1?01區(qū)域的分割結(jié) 果，便實現(xiàn)了對整幅近紅外靜脈圖像的分割處理。
[0060] 式中，f表示整幅靜脈圖像和，XJPλ2分別為上述函數(shù)W與GD在分割算法中的 權(quán)重值。
[0061] 獲得分割后的圖像之后，進一步地，在上述圖像增強和特征提取中，本發(fā)明采用以 下過程：