[发明专利]一种基于手部掌纹掌脉特征融合的非接触式生物识别方法

说明书

本发明公开了一种基于手部掌纹掌脉特征融合的非接触式生物识别方法，包括以下步骤：S01，使用两个成像单元来分别捕获手掌的可见光图像和红外图像；S02，采用指尖点和指缝交叉点定位手部特征感兴趣区域，提取手部特征的掌纹、指纹、掌静脉和指静脉，并采用聚类分析结合信息显著度进行提取，建立受试者采集的手部图像数据样本集和测试集；S03，对获取的测试集中的手部特征与样本集中的手部特征进行匹配；S04，进行简单的DSmT证据融合，设定决策阈值进行判别。本发明提供的一种基于手部掌纹掌脉特征融合的非接触式生物识别方法，将手的掌纹和手掌静脉两种特征进行融合，能够提高复杂情况下的识别率。

技术领域

本发明具体涉及一种基于手部掌纹掌脉特征融合的非接触式生物识别方法，属于视觉检测技术领域。

背景技术

目前，基于接触式的生物识别设计相关问题有很多。第一，卫生问题，同一个传感器会有很多人触摸。这一问题在流行病暴发期间尤其严重。第二，残留在传感器表面的潜在手印可能被非法复制。第三，如果使用不当，设备表面很容易受到污染。第四，一些国家的宗教可能会拒绝与异性使用者共同使用触碰传感器。非接触式的生物识别可以很好的克服上述问题。用来识别的各种生物特征中，用手部特征进行识别是相对方便可行的。尤其是掌纹和掌静脉特征在一生中保持相对稳定。这些手部特征都可以从成像传感器获取的图像中提取。单独采用掌纹或掌静脉的生物识别技术应用越来越广泛。然而在某些复杂的应用场景常常会出现识别错误的情况。如因个体差异，皮肤的健康状况不同，掌脉图像可能会出现不清晰的情况(如厚脂肪组织阻塞皮下血管)；因应用场景照明环境，个体对手掌纹的磨损等原因会导致获取的掌纹图像出现不清晰的情况。

发明内容

本发明要解决的技术问题是，克服现有技术中的缺陷，提供一种将手的掌纹和手掌静脉两种特征进行融合，能够提高复杂情况下的识别率的非接触式生物识别方法。

为解决上述技术问题，本发明采用的技术方案为：

一种基于手部掌纹掌脉特征融合的非接触式生物识别方法，包括以下步骤：

S01，使用两个成像单元来分别捕获手掌的可见光图像和红外图像，并将检测到的图像以位图格式进行储存；

S02，采用指尖点和指缝交叉点定位手部特征感兴趣区域，提取可见光图像中手部特征的掌纹和指纹，提取红外图像中手部特征的掌静脉和指静脉，并采用聚类分析结合信息显著度进行提取，建立受试者采集的手部图像数据样本集和测试集；

S03，对获取的测试集中的手部特征与样本集中的手部特征进行匹配，掌纹、掌静脉、指纹和指静脉均使用标准化的汉明距离来计算两个特征集之间的匹配度，将匹配度作为基本信度分配函数；

S04，将可见光图像中获取到的掌纹证据、指纹证据和红外图像中获取到的掌静脉证据、指静脉证据进行简单的DSmT证据融合，设定决策阈值进行判别。

S01中，捕获可见光图像的成像单元采用网络摄像头，捕获红外图像的成像单元采用网络摄像头加装红外滤光片改造成的红外相机。

S02中，手部特征感兴趣区域主要包括手掌和手指；所述掌纹包括手掌部分的主纹和细纹；所述掌静脉为手掌部分中包含血管网络的手静脉；所述指纹为手指部分的主纹和细纹；所述指静脉为手指部分中重包含血管网络的静脉。

S02中，采用聚类分析结合信息显著度进行提取具体为：采用聚类分析获得掌纹、掌静脉、指纹、指静脉的显著点，并计算显著点的投票强度，显著点的投票强度可以通过显著性衰减函数计算，计算公式如下：

式中为曲率，为弧长，控制着衰减速度，σ为投票域范围。DF(s,k,σ)代表显著点的投票强度，θ代表显著点切线和水平方向之间的夹角，l代表弧长S对应的弦长。S03中，匹配度的取值范围为[0,1]，