[发明专利]一种基于多特征阈值融合的手指静脉识别方法

说明书

本发明公开了一种基于多特征阈值融合的手指静脉识别方法。本发明先用基于多标准差的二维高斯模板计算手指静脉图像曲率提取图像的背景区域曲率灰度特征，静脉区域曲率灰度特征和曲率细线特征。用相关系数法计算背景区域曲率灰度特征和静脉区域曲率灰度特征的匹配阈值，用MHD算法计算曲率细线特征的匹配阈值，再提出一种多特征阈值融合判决算法，融合以上三种特征的单独识别阈值进行验证判决。本发明提出的基于三种特征阈值融合的算法，由于结合了背景区域曲率灰度特征包含的背景区域可用信息，对模糊的手指静脉图像识别性能下降不明显，因此在低认假率下的拒真率显著低于传统的基于单独细线特征的识别算法，能够合理且高效利用的有效的识别算法。

技术领域

本发明属于生物特征识别及信息安全技术领域，特别涉及到手指静脉识别技术领域。

背景技术

手指静脉识别技术属于生物特征识别技术，它利用手指内部静脉拓扑结构进行人体身份验证。因其识别速度快、性能好以及特征安全不易伪造而成为国内外诸多学者的研究热点。手指静脉识别系统主要包括手指静脉图像采集，图像预处理，特征提取和特征匹配识别。考虑到目前采集设备的工艺水平，存在着一些人的手指在采集过程中受到设备不稳定或者采集环境的影响，导致采集到的手指静脉图像存在静脉纹路模糊，静脉区域不稳定等问题。因此从手指静脉图像中提取出稳定的可用特征以及如何利用特征进行识别算法设计是手指静脉识别技术的关键环节。

管凤旭等人运用主成分分析改进算法提取特征，识别率较高，但其针对静脉图像特点改进的算法复杂度高，提取时间长。王科俊等人先确定静脉方向，再用该方向的模板提取细线特征。提取效率高，且抑制了其它方向模板提取的噪声。但其设计的模板对低质量图像提取效果不佳。林剑等人使用高斯模板二阶导数卷积图像得到图像的Hessian矩阵，再根据Hessian矩阵的迹和特征值得到细线特征，并通过改变高斯模板方差来针对不同粗细的静脉获得最佳的提取效果。高斯模板比方向模板对低质量图像的适应性更好，提取结果稳定。孙晓琳根据图像中垂直静脉纹路方向呈谷形分布的特点，计算多方向上离散曲率，根据曲率值提取静脉中心点。但其曲率计算采用离散算法，提取的特征存在较多噪声。NaotoMiura等人根据曲率值对静脉中心进行跟踪寻找，准确提取静脉中心点，但其跟踪算法复杂度较高。由于曲率综合了一阶导数和二阶导数信息，对图像增强效果比二阶导数好。目前的手指静脉识别算法中，大多数使用单个特征进行识别，且从静脉拓扑结构来设计算法时只提取细线特征或者端点和交叉点特征进行识别，而手指静脉纹路模糊的图像在特征提取环节如果只提取细线特征，会使特征包含的信息少且不稳定，当数据库中静脉纹路模糊图像累计到一定数量会造成不同类手指静脉图像之间相似度提高，使图像模糊的用户识别困难或者出现误识。

发明内容

对于现有的算法如基于方向滤波提取细线特征的算法和基于Hessian矩阵提取细线特征的算法对模糊图像提取特征不稳定导致的在低认假率情况下拒真率低的问题，本发明提供一种基于多特征阈值融合的手指静脉识别算法。

本发明所采用的技术方案为：

一种基于多特征阈值融合的手指静脉识别算法，包括以下步骤：

S1、构造多个标准差的二维高斯模板，高斯模板表达式如下：

式(1)中x和y取值由二维高斯函数标准差σ与高斯模板中标准差因子t共同决定，二维高斯模板正方形窗口边长为p＝2×t×σ+1。因此x和y取值均为[-p,p]。σ取值可变，并且决定着窗口的大小，不同窗口大小对应提取不同粗细的静脉。