[发明专利]人体指静脉识别方法

说明书

本发明公开了一种人体指静脉识别方法，其包括将目标图像缩小至设定比例，并对目标图像中的所有像素按其灰度值进行初次聚类；删除初次聚类的最大中心值和最小中心值所对应的聚类集，并分别对余下聚类集中的灰度值进行再次聚类；删除再次聚类中中心值最大的类，并将每个类别中余下类合并成灰度集，根据每个类别中最大灰度值和最小灰度值，对灰度集中的灰度值进行更新得到特征图数据；提取特征图数据中大于零的像素值，并针对每个特征图数据分别形成一个空间点集合；采用ICP算法计算目标图像与指纹图像模板的总配准效果值；当所有总配准效果值中最小值小于设定阈值时，则目标图像与生成最小配准效果值的指纹图像模板所对应的采集者为同一人员。

技术领域

本发明涉及指纹识别技术，具体涉及一种人体指静脉识别方法。

背景技术

在指纹识别过程中，因指静脉图像的获取需要感光芯片工作于高ISO(高感光)模式下，图像的高感光特性会使获取的图像上叠加较强的散粒噪声，导致基于平滑图像假设的众多数字图像处理算法难以或无法工作；同时，在识别时间、准确度的严格约束下，也难以使用常规的噪声去除、图像匹配等大计算量算法。

因此，一种针对散粒噪声、光照不敏感，且适应于低功耗低性能的运算平台的指静脉识别算法亟待被研发。

发明内容

针对现有技术中的上述不足，本发明提供了一种识别精准的人体指静脉识别方法。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种人体指静脉识别方法，其包括：

获取当前采集者的指纹图像，并截取指纹所在区域作为目标图像；

将目标图像缩小至设定比例，并采用k-means聚类算法对目标图像中的所有像素按其灰度值进行初次聚类，并生成至少五个类别；

删除初次聚类的最大中心值和最小中心值所对应的聚类集，并采用k-means聚类算法分别对余下聚类集中的灰度值进行至少三个类的再次聚类；

删除再次聚类中中心值最大的类，并将每个类别中余下类合并成灰度集，同时标记保留的初次聚类中两个最大中心值所对应的灰度集，将余下灰度集合并成一个灰度集；

根据每个类别中最大灰度值和最小灰度值，对灰度集中的灰度值进行更新得到特征图数据；

提取特征图数据中大于零的像素值，并针对每个特征图数据分别形成一个空间点集合；

根据目标图像的空间点集合与数据库中指纹图像模板的模板空间点集合，采用ICP算法计算目标图像与指纹图像模板的总配准效果值；

当所有总配准效果值中最小值小于设定阈值时，则目标图像与生成最小配准效果值的指纹图像模板所对应的采集者为同一人员。

进一步地，该人体指静脉识别方法还包括当所有总配准效果值中最小值大于等于设定阈值时，则计算所有总配准效果值的平均值；

若所有总配准效果值中最小值小于平均值的设定倍数，则目标图像与生成最小配准效果值的指纹图像模板所对应的采集者为同一人员，否则当前采集者不能通过指纹识别。

进一步地，设定倍数大于零且小于一。

进一步地，根据每个类别中最大灰度值和最小灰度值，对灰度集中的灰度值进行更新的具体公式为：

new_v＝(v-min_v)/max_v*255

其中，new_v为更新后的灰度值；v为灰度集中的灰度值；min_v为最大灰度值；max_v为最小灰度值。

进一步地，根据目标图像的空间点集合与数据库中指纹图像模板的模板空间点集合，采用ICP算法计算目标图像与指纹图像模板的总配准效果值进一步包括：