本發(fā)明涉及接觸式生物特征身份識別
技術(shù)領(lǐng)域：
，尤其是手指多模態(tài)融合的預(yù)處理方法。
背景技術(shù)：
：隨著信息技術(shù)的高速發(fā)展，人們對信息安全的需求越來越高。傳統(tǒng)的身份認(rèn)證方式是基于標(biāo)識物(鑰匙、證件)和基于知識(卡號、密碼)的身份認(rèn)證，但這些身外之物容易被偽造和遺忘。相比于傳統(tǒng)的身份認(rèn)證，生物特征具有唯一性、無需記憶、不易偽造、易于使用等優(yōu)點，基于生物特征的識別方式在很大程度上解決了傳統(tǒng)身份認(rèn)證存在的問題，并逐漸取代傳統(tǒng)身份認(rèn)證成為當(dāng)前身份認(rèn)證的主要方式。手指是人類感知外部世界的重要器官之一，在手指皮膚表皮下面的手指靜脈是活體才具有的特性，實踐表明，世界上沒有2個人的手指靜脈是完全相同的，而增加指節(jié)紋，指形，使得信息更加豐富，安全性更高。因此基于手指的多模態(tài)特征識別技術(shù)是一種安全性很高的身份識別技術(shù)。技術(shù)實現(xiàn)要素：為了克服現(xiàn)有的身份認(rèn)證方式的信息單一、安全性較低的不足，本發(fā)明提供一種信息豐富、安全性很高的基于最大外切矩陣感興趣區(qū)域提取和雙邊濾波的手指多模態(tài)預(yù)處理方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于最大外切矩陣感興趣區(qū)域提取和雙邊濾波的手指多模態(tài)預(yù)處理方法，所述方法包括以下步驟：1)采集到掌手指靜脈、手指指節(jié)紋圖像；2)對采集到的圖像做基于最大外切矩陣感興趣區(qū)域提取和雙邊濾波的手指多模態(tài)預(yù)處理，過程如下：通過二值化去除手指圖像中的背景區(qū)，然后計算圖像中每列的像素和Lj，找出2個Lj的極大值列A、B，然后將A左移n列，B右移m列分別得到l1、l2，最后通過求l1、l2之間的最大外切矩陣得到最終的手指靜脈ROI區(qū)域，通過手指靜脈ROI區(qū)域在指節(jié)紋圖像中截出指節(jié)紋的ROI區(qū)域；將ROI圖像大小歸一化，然后進(jìn)行灰度歸一化；對歸一化后的圖像進(jìn)行濾波；3)將處理后的圖像做基于小波變換和Gabor濾波的圖像層融合。進(jìn)一步，所述步驟2)中，采用otsu算法來自動選取閾值進(jìn)行二值化，設(shè)圖像二值化的閾值為T，前景點數(shù)占圖像比例為w0，平均灰度為u0；背景點數(shù)占圖像比例為w1，平均灰度為u1，則圖像的總平均灰度為式(1)：u＝w0×u0+w1×u1(1)前景和背景圖像的方差為如式(2)：Sb＝w0×w1×(u0-u1)×(u0-u1)(2)從L個灰度級遍歷T，使得T為某個值的時候，前景和背景的方差最大，則這個T值便是要求得的閾值；采用形態(tài)學(xué)圖像處理中的開操作對二值化后的圖像輪廓進(jìn)行平滑處理，開操作是采用3×3數(shù)值為1的結(jié)構(gòu)元先對圖像做腐蝕，然后再對腐蝕后的圖像做膨脹；根據(jù)二值化的圖像得到去除背景后的手指靜脈圖像，計算每一列的像素灰度值總和L如式(3)：Lj={Σi=1nf(i,j)|,j=1,2,...,h}---(3)]]>采用長度為21的滑動窗口分別去搜索第50列到250列、第250列到450列這2個范圍，計算出每21列像素和相加的值，找到最大值對應(yīng)的列為A、B，然后將A移50列得到l1、B右移50列得到l2，最后通過求l1、l2之間的最大外內(nèi)切矩陣得到最終的手指靜脈ROI區(qū)域；對獲取到的ROI圖像進(jìn)行尺寸的歸一化，保證每張ROI圖像的大小一樣，我們采用縮放的方法如式(4)：xy=a00buv---(4)]]>其中a，b分別表示延x方向和延y方向的縮放比例，u，v表示縮放后的坐標(biāo)，x，y是u，v變換到原圖的坐標(biāo)，在使用的過程中，為了避免圖像的扭曲，a和b的數(shù)值趨于相等；采用灰度歸一化的方法對圖像進(jìn)行處理，使圖像具有相同的灰度均值與灰度方差，設(shè)f(x,y)為圖像中像素點(x,y)的灰度值，則圖像的平均灰度Mf、方差V表示為式(5)：Mf=1m×nΣx=1mΣy=1nf(i,j)V=1m×nΣx=1mΣy=1n[f(i,j)-Mf]2---(5)]]>其中m，n為圖像的長和寬，那么灰度歸一化后點(x,y)的灰度值表示為I(i,j)如式(6)：I(i,j)={M0+V0[f(i,j)-Mf]2V;f(i,j)≥MfM0-V0[f(i,j)-Mf]2V;f(i,j)<Mf---(6)]]>其中Mf為歸一化之前的均值，M0是預(yù)置歸一化之后的均值，V0是歸一化之前的方差，V為預(yù)置歸一化之后的方差；對于歸一化后的圖像，采用雙邊濾波器進(jìn)行濾波，假設(shè)圖像I在坐標(biāo)點p＝(x,y)的灰度值為Ip,經(jīng)過雙邊濾波后得到的圖像BI在坐標(biāo)點p＝(x,y)的灰度值為BIp，則雙邊濾波公式如式(7)所示：BIp=1kpΣq∈SGσs(||p-q||)Gσr(||Ip-Iq||)Iqkp=Σq∈SGσs(||p-q||)Gσr(||Ip-Iq||)Iq---(7)]]>其中，kp為歸一化因子，q＝(u,v)為中心像素點p的領(lǐng)域像素點，S為領(lǐng)域像素點的合集，為空間鄰近度因子，為灰度相似度因子如式(8)：Gσs=e-|(x-u)2+(y-v)2|/2σs2Gσr=e-[Ip-Iq]2/2σr2---(8)]]>其中σs是基于高斯函數(shù)的距離標(biāo)準(zhǔn)差，控制空間域高斯濾波核函數(shù)的作用范圍，表示σr是基于高斯函數(shù)的灰度標(biāo)準(zhǔn)差，控制灰度域高斯濾波核函數(shù)的作用范圍。更進(jìn)一步，所述步驟1)中，通過850nm近紅外LED、白色LED光源和高清CCD的前端采集裝置分別采集手指靜脈、指節(jié)紋圖像。再進(jìn)一步，所述步驟3)中，采用二維Mallat算法進(jìn)行小波分解，設(shè)高通濾波器H和低通濾波器G是兩個一維鏡像濾波算子，它們的下標(biāo)r和c分別表示行和列，那么在j-1的尺度上Mallat分解公式表示為如式(9)：Cj=HrHcCj-1Dj1=GcHrCj-1Dj2=GcGrCj-1Dj3=GcGrCj-1---(9)]]>這里，Cj,分別對應(yīng)于圖像Cj-1的低頻分量，以及豎直方向、水平方向和對角線上的高頻分量，Hr,Hc,Gr,Gc表示的是濾波算子分別對圖像的行和列進(jìn)行卷積；得到手指靜脈和指節(jié)紋圖像的低頻分量、水平邊緣、豎直邊緣和對角線的高頻分量后，采用二維Gabor濾波器進(jìn)行增強，二維Gabor濾波器由高斯包絡(luò)和復(fù)平面波兩個部分組成，函數(shù)形式如式(10)所示：G(x,y)=12πσxσyexp(-x22σx-y22σy)exp(j2πfx)---(10)]]>其中σx,σy表示沿x軸和y軸高斯包絡(luò)的標(biāo)準(zhǔn)差，f表示濾波器的中心頻率；采用如下融合規(guī)則：a)圖像的低頻融合系數(shù)采用兩幅圖像低頻分量絕對值較大的一個；b)圖像的水平和豎直方向高頻融合系數(shù)采用指靜脈和指節(jié)紋的加權(quán)平均；最后采用二維Mallat快速算法對圖像進(jìn)行重構(gòu)，如式(11)：I(x,y)＝ω-1(φ(G(ω(I1(x,y),ω(I2(x,y)))))(11)其中ω表示小波變換，ω-1表示小波逆變換，φ是融合規(guī)則，I1和I2分別表示指靜脈和指節(jié)紋圖像，G代表Gabor濾波器變換；融合后的圖像中即包含手指靜脈信息和指節(jié)紋信息，也包含了指形的信息，實現(xiàn)了3個模態(tài)的融合。本發(fā)明的技術(shù)構(gòu)思為：生物識別技術(shù)是對人體生物特征(生理或行為特征)進(jìn)行自動身份識別的技術(shù)，生理特征包括DNA、耳廓、人臉、虹膜、視網(wǎng)膜、掌紋、手型、手上的靜脈血管等，這些生物特征擁有足夠的穩(wěn)定性，不會隨著年齡的增長，時間的改變而改變?；谏锾卣鞯纳矸蒡炞C系統(tǒng)，提供了更大程度的安全性?；谑种傅亩嗄B(tài)識別技術(shù)的優(yōu)點在于利用的是活體的內(nèi)生理特性，較難偽造，具有很高安全性；具有較好的特異性與唯一性，可以提供很好的區(qū)分度。采用自制的手指靜脈采集裝置采集手指靜脈和指節(jié)紋圖像；對采集到的圖像做基于最大外切矩陣感興趣區(qū)域提取和雙邊濾波的手指多模態(tài)預(yù)處理，主要包括：二值化提取出手指靜脈，進(jìn)行關(guān)鍵區(qū)域定位，根據(jù)最大外切矩陣得到手指靜脈感興趣區(qū)域，根據(jù)指靜脈的感興趣區(qū)域切出指節(jié)紋ROI,然后歸一化ROI圖像，對歸一化后的圖像采用雙邊濾波器濾波；將處理后的圖像做基于小波變換和Gabor濾波的圖像層融合。本發(fā)明的有益效果主要表現(xiàn)在：能獲得高質(zhì)量的手指多模態(tài)融合圖像。附圖說明圖1為手指多模態(tài)采集裝置示意圖，其中，1為850nmLED，2為白燈，3為CCD攝像頭，4為Zynq處理器，5為顯示接口；圖2為系統(tǒng)流程圖。具體實施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。參照圖1和圖2，一種基于最大外切矩陣感興趣區(qū)域提取和雙邊濾波的手指多模態(tài)預(yù)處理方法，包括以下步驟：1)采集到掌手指靜脈、手指指節(jié)紋圖像通過850nm近紅外LED、白色LED光源和高清CCD的前端采集裝置分別采集手指靜脈、指節(jié)紋圖像。2)對采集到的圖像做基于最大外切矩陣感興趣區(qū)域提取和雙邊濾波的手指多模態(tài)預(yù)處理(2.1)二值化提取出手指靜脈采用otsu算法來自動選取閾值進(jìn)行二值化，設(shè)圖像二值化的閾值為T，前景點數(shù)占圖像比例為w0，平均灰度為u0；背景點數(shù)占圖像比例為w1，平均灰度為u1，則圖像的總平均灰度為式(1)：u＝w0×u0+w1×u1(1)前景和背景圖像的方差為如式(2)：Sb＝w0×w1×(u0-u1)×(u0-u1)(2)從L個灰度級遍歷T，使得T為某個值的時候，前景和背景的方差最大，則這個T值便是我們要求得的閾值；二值化的圖像中會包含毛刺，為了使圖像邊緣更加平滑，采用形態(tài)學(xué)圖像處理中的開操作對二值化后的圖像輪廓進(jìn)行平滑處理，開操作是采用3×3數(shù)值為1的結(jié)構(gòu)元先對圖像做腐蝕，然后再對腐蝕后的圖像做膨脹；根據(jù)二值化的圖像得到去除背景后的手指靜脈圖像；(2.2)進(jìn)行關(guān)鍵區(qū)域定位計算每一列的像素灰度值總和L如式(3)：Lj={Σi=1nf(i,j)|,j=1,2,...,h}---(3)]]>采用長度為21的滑動窗口(對應(yīng)列左邊10列右邊10列)分別去搜索第50列到250列、第250列到450列這2個范圍，計算出每21列像素和相加的值，找到最大值對應(yīng)的列為A、B，然后將A移50(N取50)列得到l1、B右移50(M取50)列得到l2，最后通過求l1、l2之間的最大外內(nèi)切矩陣得到最終的手指靜脈ROI區(qū)域；由于指節(jié)紋和指靜脈是同時采集，所以我們直接根據(jù)手指靜脈的ROI區(qū)域提取出指節(jié)紋的ROI區(qū)域，這樣，圖像的信息中即包含了手指靜脈和指節(jié)紋區(qū)域，也包含了感興趣區(qū)域所對應(yīng)的手指形狀；(2.3)圖像的尺寸灰度歸一化對獲取到的ROI圖像進(jìn)行尺寸的歸一化，保證每張ROI圖像的大小一樣，我們采用縮放的方法如式(4)：xy=a00buv---(4)]]>其中a，b分別表示延x方向和延y方向的縮放比例，u，v表示縮放后的坐標(biāo)，x，y是u，v變換到原圖的坐標(biāo)，在使用的過程中，為了避免圖像的扭曲，a和b的數(shù)值趨于相等；采用灰度歸一化的方法對圖像進(jìn)行處理，使圖像具有相同的灰度均值與灰度方差，設(shè)f(x,y)為圖像中像素點(x,y)的灰度值，則圖像的平均灰度Mf、方差V表示為式(5)：Mf=1m×nΣx=1mΣy=1nf(i,j)V=1m×nΣx=1mΣy=1n[f(i,j)-Mf]2---(5)]]>其中m，n為圖像的長和寬，那么灰度歸一化后點(x,y)的灰度值表示為I(i,j)如式(6)：I(i,j)={M0+V0[f(i,j)-Mf]2V;f(i,j)≥MfM0-V0[f(i,j)-Mf]2V;f(i,j)<Mf---(6)]]>其中Mf為歸一化之前的均值，M0是預(yù)置的歸一化之后的均值，V0是歸一化之前的方差，V為預(yù)置歸一化之后的方差；(2.4)對歸一化后的圖像進(jìn)行雙邊濾波假設(shè)圖像I在坐標(biāo)點p＝(x,y)的灰度值為Ip,經(jīng)過雙邊濾波后得到的圖像BI在坐標(biāo)點p＝(x,y)的灰度值為BIp，則雙邊濾波公式如式(7)所示：BIp=1kpΣq∈SGσs(||p-q||)Gσr(||Ip-Iq||)Iqkp=Σq∈SGσs(||p-q||)Gσr(||Ip-Iq||)Iq---(7)]]>其中kp為歸一化因子，q＝(u,v)為中心像素點p的領(lǐng)域像素點，S為領(lǐng)域像素點的合集，為空間鄰近度因子，為灰度相似度因子如式(8)：Gσs=e-|(x-u)2+(y-v)2|/2σs2Gσr=e-[Ip-Iq]2/2σr2---(8)]]>其中σs是基于高斯函數(shù)的距離標(biāo)準(zhǔn)差，控制空間域高斯濾波核函數(shù)的作用范圍，表示σr是基于高斯函數(shù)的灰度標(biāo)準(zhǔn)差，控制灰度域高斯濾波核函數(shù)的作用范圍。3)將處理后的圖像做基于小波變換和Gabor濾波的圖像層融合采用二維Mallat算法進(jìn)行小波分解，設(shè)高通濾波器H和低通濾波器G是兩個一維鏡像濾波算子，它們的下標(biāo)r和c分別表示行和列，那么在j-1的尺度上Mallat分解公式可以表示為如式(9)：Cj=HrHcCj-1Dj1=GcHrCj-1Dj2=GcGrCj-1Dj3=GcGrCj-1---(9)]]>這里，Cj,分別對應(yīng)于圖像Cj-1的低頻分量，以及豎直方向、水平方向和對角線上的高頻分量，Hr,Hc,Gr,Gc表示的是濾波算子分別對圖像的行和列進(jìn)行卷積；得到手指靜脈和指節(jié)紋圖像的低頻分量、水平邊緣、豎直邊緣和對角線的高頻分量后，采用二維Gabor濾波器進(jìn)行增強，二維Gabor濾波器由高斯包絡(luò)和復(fù)平面波兩個部分組成，函數(shù)形式如式(10)所示：G(x,y)=12πσxσyexp(-x22σx-y22σy)exp(j2πfx)---(10)]]>其中σx,σy表示沿x軸和y軸高斯包絡(luò)的標(biāo)準(zhǔn)差，f表示濾波器的中心頻率；指節(jié)紋和指靜脈的低頻分量都具有很好的區(qū)分度，在水平方向和垂直方向的高頻分量信息較明顯，其他方向上的高頻分量不明顯，采用如下融合規(guī)則：a)圖像的低頻融合系數(shù)采用兩幅圖像低頻分量絕對值較大的一個；b)圖像的水平和豎直方向高頻融合系數(shù)采用指靜脈和指節(jié)紋的加權(quán)平均；最后采用二維Mallat快速算法對圖像進(jìn)行重構(gòu)，如式(11)：I(x,y)＝ω-1(φ(G(ω(I1(x,y),ω(I2(x,y)))))(11)其中ω表示小波變換，ω-1表示小波逆變換，φ是融合規(guī)則，I1和I2分別表示指靜脈和指節(jié)紋圖像，G代表Gabor濾波器變換；這樣，融合后的圖像中即包含手指靜脈信息和指節(jié)紋信息，也包含了指形的信息，實現(xiàn)了3個模態(tài)的融合。當(dāng)前第1頁1 2 3