低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)。系統(tǒng)采集五種光譜下的掌部圖像，充分利用多光譜圖像信息的互補性，提高系統(tǒng)識別率；同時在近紅外線光光譜下采集掌靜脈信息，使系統(tǒng)具有活體檢測能力，提高系統(tǒng)的防仿冒攻擊能力；采用基于雙立方插值的下采樣技術，提高特征提取速度及其它后處理速度，節(jié)約特征模板的存儲空間；采用多尺度多方向濾波器組進行特征提取，減少光照變化對特征提取的影響，提高系統(tǒng)魯棒性；采用哈希表對特征矩陣編碼，進一步提高系統(tǒng)匹配速度；使用獨特的分數級多光譜特征融合方法，進一步提高系統(tǒng)的識別率。本發(fā)明實現的系統(tǒng)具有：分辨率高、識別速度快、系統(tǒng)性穩(wěn)定和擴展性好、防仿冒攻擊等特點。
【專利說明】低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)
【技術領域】
[0001]本發(fā)明涉及生物特征識別的【技術領域】，特別是涉及低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)。
【背景技術】
[0002]身份識別是人類工業(yè)生產、商業(yè)活動及日常生活的重要組成部分。目前常用的識別手段包括鑰匙、智能卡和密碼等傳統(tǒng)方式。鑰匙及智能卡識別普及程度高，但容易丟失及復制；密碼易用但易于忘記及破解。傳統(tǒng)的身份識別方式無法適應人類生產、生活需要，因此，生物特征識別方法應運而生。
[0003]生物特征識別是指計算機利用人的生理或行為特征進行個人身份鑒定的技術。目前人們研究和使用的生物識別方法主要有指紋識別、人臉識別、虹膜識別、掌紋識別等。
[0004]指紋識別是最早的生物特征識別方法，其歷史悠久，容易實現。指紋識別方法存在的主要問題是:指紋是身體的外層特征，容易復制偽造、損傷。而且，指紋圖像區(qū)域小，所包含的信息量少，導致其識別率偏低，注冊數據庫小，限制其大規(guī)模應用。另外，手指過干、過濕及臟物等容易導致指紋圖像模糊而無法正常比對。
[0005]人臉識別應用廣泛，其可用于識別的特征包括眼、鼻、口、眉、人臉輪廓及位置關系等，具有“非侵犯性”的優(yōu)點，可用于公共場合下特定人士的主動搜尋，也可作為多模式生物特征特征識別的重要組成部分。其缺點是識別精度低，受環(huán)境影響大，實用性不強。
[0006]由于虹膜特征信息豐富、幾乎終生不變，所以虹膜識別是各種生物特征識別方法中錯誤率最低的，其一直是高端安全設備所采用的身份識別技術。但與其他生物識別技術相比，其設備復雜、昂貴，而且識別時需要被識別人主動配合，且固定人臉對焦瞳孔，其易接受性最差。
[0007]掌紋識別是一種相對較新的生物特征識別技術。掌紋圖像包括手掌主線、皺紋、細小紋理、脊末梢、分叉點等豐富的信息特征，這些特征清晰、穩(wěn)定。而且系統(tǒng)識別時對圖像分辨率要求不高，掌紋圖像采集也相對容易、方便快捷，是一種非侵犯性的識別方法，用戶比較容易接受。但相對于指紋圖像，掌紋圖像要大很多，這給圖像特征提取、匹配及存貯帶來許多困難，不能保證識別系統(tǒng)實時性要求，而且，單光譜掌紋識別系統(tǒng)不能防止仿冒攻擊。
[0008]掌靜脈屬于人體內部的血管特征，具有很好的唯一性、穩(wěn)定性；不易受污染、磨損、老化、傷痕等問題影響，靜脈圖像采集過程也十分友好，容易保證識別過程順利進行；而且靜脈屬人的內部特征，具有活體性，因此無法通過技術手段仿制和竊取，具有很好的安全性。但掌靜脈識別也存在一些缺點，如因靜脈位于淺層皮膚下，圖像采集較掌紋困難，對設備有特殊要求，設備相對復雜，難以小型化，制造成本相對較高，且圖像清晰度不高，因此需要更復雜圖像處理算法。
[0009]基于掌紋、掌靜脈識別各自的缺點，雖然三維掌紋掌形識別方法可用于解決其中的某些問題，但昂貴和笨重的裝置，使得它很難應用于實際應用中。解決問題的方案之一是采用多光譜掌紋掌靜脈成像，即在多種光譜條件下捕獲圖像?，F有的多光譜身份識別系統(tǒng)成像分辨率一般大于300DPI，即具有高分辨率的圖像，但高分辨率圖像特征提取又不能滿足系統(tǒng)實時性要求。

【發(fā)明內容】

[0010]為克服現有技術所存在的問題，本發(fā)明的目的在于提供低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)，能夠滿足身份識別要求，識別性能提高的同時加快匹配速度，節(jié)約壓縮特征碼的存儲空間，同時還滿足系統(tǒng)實時性功能。
[0011]本發(fā)明采用的技術方案是:
[0012]低分辨率多光譜掌紋、掌靜脈實時身份識別方法，包括注冊階段和識別階段。
[0013]注冊階段包括:
[0014]a.采集待注冊的掌部圖像，所述掌部圖像包括在白光、紅光、綠光、藍光、近紅外線光譜下采集的五幅圖像；
[0015]b.對待注冊的掌部圖像進行ROI提取，并采用雙立方插值對所得的ROI圖像進行下采樣；
[0016]c.采用多尺度多方向濾波器對獲取的ROI圖像進行特征提取，得到五組對應不同光譜的特征矢量，并對特征矢量進行編碼，生成特征模板并存儲于特征數據庫中；
[0017]識別階段包括:
[0018]a.采集待識別的掌部圖像，所述掌部圖像包括在白光、紅光、綠光、藍光、近紅外線光譜下采集的五幅圖像；
[0019]b.對待識別的掌部圖像進行ROI提取，并采用雙立方插值對所得的ROI圖像進行下采樣；
[0020]c.采用多尺度多方向濾波器對獲取的ROI圖像進行特征提取，得到五組對應不同光譜的特征矢量，并對特征矢量進行編碼，生成輸入特征；
[0021]d.將輸入特征與存儲于特征數據庫中的特征模板一一對應地進行單光譜特征匹配，得到的五個匹配分數進行分數級權重融合，最后根據融合分數采用最近鄰算法進行決策，得到識別結果。
[0022]進一步，所述對掌部圖像進行ROI提取前還包括預處理以及參考坐標系定位，其中所述預處理包括二值化處理以及形態(tài)學處理，所述形態(tài)學處理包括圖像腐蝕、膨脹、閉運算；參考坐標系定位包括:從二值化圖像中提取出手掌和手指的輪廓曲線，并通過Harris角點檢測方法確定圖像的參考坐標系。
[0023]進一步，所述對ROI圖像進行特征提取的步驟包括:采用非下采樣帶通金字塔濾波器與下采樣圖像進行卷積，卷積后的輸出響應再與非下采樣八方向濾波器組進行卷積，最后在八個方向上采用競爭方式對濾波器輸出響應進行最大值編碼構成O或I的二進制特征矢量。
[0024]進一步，所述模板特征以哈希表形式存儲于特征數據庫中。
[0025]本發(fā)明還提供了低分辨率多光譜掌紋、掌靜脈實時身份識別系統(tǒng)，包括:
[0026]圖像采集模塊，所述圖像采集模塊包括多光譜主動光源、CXD圖像感應器，以及與多光譜主動光源連接的控制單元；
[0027]圖像預處理模塊，所述圖像預處理模塊的輸入端與CXD圖像感應器的輸出端相連，用于對CCD圖像感應器采集到的掌部圖像進行預處理、參考坐標系定位、ROI提取、下采樣處理；
[0028]特征提取模塊，所述特征提取模塊的輸入端與圖像預處理模塊的輸出端相連，用于對經過預處理后的掌部圖像進行特征提取；
[0029]存儲模塊，所述存儲模塊設有特征數據庫，與特征提取模塊的輸出端相連，用于存儲注冊階段中獲取的模板特征；
[0030]識別決策模塊，所述識別決策模塊與特征提取模塊、特征數據庫相連，用于將待識別的輸入特征與模板特征進行單光譜特征匹配，并將不同光譜的匹配結果進行分數級權重融合，最后根據融合分數采用最近鄰算法進行決策，進而得到識別結果。
[0031]進一步，所述多光譜主動光源包括圍繞CXD圖像感應器呈環(huán)形依次交替分布的白光光源、紅光光源、綠光光源、藍光光源、近紅外線光源，所述控制單元用于控制各光源的輪流亮暗。
[0032]本發(fā)明提供的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)主要具有以下有益效果:
[0033](I)采集五種光譜下的掌部圖像，基于多光譜圖像融合方法，充分利用多光譜圖像/[目息，提聞系統(tǒng)識別率；
[0034](2)采用基于雙立方插值的下采樣技術，提高特征提取速度、匹配速度，節(jié)約特征模板存儲空間，使識別速度加快，保證系統(tǒng)實時性要求，降低系統(tǒng)成本；
[0035](3)采用多尺度多方向濾波器進行特征提取，減少光照變化對特征提取的影響；
[0036](4)在近紅外線光光譜下采集到手掌的掌靜脈信息，使系統(tǒng)具有活體檢測能力，提高系統(tǒng)的防仿冒攻擊能力。
【專利附圖】

【附圖說明】
[0037]以下結合附圖和實例對本發(fā)明做進一步說明。
[0038]圖1是本發(fā)明的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)實施主要流程；
[0039]圖2是本發(fā)明的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)的主要組成模塊；
[0040]圖3是本發(fā)明的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)的掌部圖像預處理流程；
[0041]圖4是本發(fā)明的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)的多尺度多方向濾波器組特征提取過程；
[0042]圖5是本發(fā)明的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)的識別過程詳細流程。
【具體實施方式】
[0043]下面結合附圖和具體實例對本發(fā)明做進一步詳細說明:
[0044]參照圖1，本發(fā)明低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)實施的主要流程包括:(I)在多光譜主動光源下采集包含掌紋以及掌靜脈信息的圖像；(2)對掌部圖像的二值化、形態(tài)學處理、ROI提取以及雙立方插值下采樣；(3)對多種光譜圖像ROI進行多尺度多方向濾波器組進行特征提取，分別得到相應特征，并用哈希表對提取的特征進行編碼；(4)分別對不同光譜圖像下得到的特征進行匹配，得到匹配分數，采取分數級融合方法融合；(5)依據融合分數，采用最近鄰決策方法得到識別結果。
[0045]具體地，本發(fā)明的身份識別方法包括注冊階段和識別階段。
[0046]其中注冊階段包括:
[0047]a.采集待注冊的掌部圖像，所述掌部圖像包括在白光、紅光、綠光、藍光、近紅外線光譜下采集的五幅圖像；
[0048]b.對待注冊的掌部圖像進行ROI提取，并采用雙立方插值對所得的ROI圖像進行下采樣；
[0049]c.采用多尺度多方向濾波器組對獲取的ROI圖像進行特征提取，得到五組對應不同光譜的特征矢量，并對特征矢量進行編碼，生成特征模板并存儲于特征數據庫中；
[0050]識別階段包括:
[0051]a.采集待識別的掌部圖像，所述掌部圖像包括在白光、紅光、綠光、藍光、近紅外線光譜下采集的五幅圖像；
[0052]b.對待識別的掌部圖像進行ROI提取，并采用雙立方插值對所得的ROI圖像進行下采樣；
[0053]c.采用多尺度多方向濾波器組對獲取的ROI圖像進行特征提取，得到五組對應不同光譜的特征矢量，并對特征矢量進行編碼，生成輸入特征；
[0054]d.將輸入特征與存儲于特征數據庫中的特征模板一一對應地進行單光譜特征匹配，得到的五個匹配分數進行分數級權重融合，最后根據融合分數采用最近鄰算法進行決策，得到識別結果。
[0055]參照附圖2，本發(fā)明的系統(tǒng)主要由圖像采集模塊、圖像預處理模塊、特征提取模塊、存儲模塊、識別決策模塊等組成。
[0056](I)圖像采集模塊
[0057]所述圖像采集模塊包括多光譜主動光源、CXD圖像感應器，以及與多光譜主動光源連接的控制單元。所述多光譜主動光源包括藍光光源(470nm)、綠光光源(525nm)、紅光光源(660nm)、白光光源以及近紅外線光源(850nm)，各光源圍繞CXD攝像機呈環(huán)形依次交替分布。由于人的皮膚對不同波長的光譜的吸收率不同，也就是說在不同的光譜下將獲得有差別的圖像；同時人的表皮有一定的厚度，而某些光譜可以穿透人的表皮從而獲取皮下組織的紋理特征，而這些特征是不易偽造的，可以提高識別系統(tǒng)的抗欺騙性。于是本發(fā)明使用了五種光源，其中包含四種可見光源和一種近紅外光源。在前四種可見光源照射下得到四幅包含掌紋信息的掌部圖像；采用近紅外光源照射可以穿透表皮獲取皮下組織的紋理特征，即靜脈血管特征，由此可得到包含掌靜脈信息的掌部圖像。本發(fā)明中使用的掌部圖像采集專用裝置采用基于CCD的圖像感應器，這種采集方式的優(yōu)點是獲取圖像速度快、系統(tǒng)集成度高、實時性好。本發(fā)明采用五種LED陣列作為光源環(huán)繞在CCD圖像感應器四周，并在光源前加濾光片以確保均勻而穩(wěn)定的光照條件。
[0058](2)圖像預處理模塊
[0059]所述圖像預處理模塊的輸入端與CXD圖像感應器的輸出端相連，用于對CXD圖像感應器采集到的掌部圖像進行預處理、參考坐標系定位、ROI提取、下采樣處理。
[0060]結合附圖3所示，本發(fā)明中的圖像預處理步驟如下:
[0061]首先進行圖像二值化，并采用腐蝕、膨脹等形態(tài)學運算完善圖像二值化結果。
[0062]接著由上步所得出的二值圖像提取出手掌和手指的輪廓曲線，再由Harris角點檢測方法提取兩點，食指與中指間的谷底點Pl及無名指與小指間的谷底點P2。實現方法是:取一個以目標像素點為中心的窗口(5X5)，并將窗口沿著目標點上下左右移動，同時計算出移動過程中4個方向上窗口內部的灰度變化，把4個灰度變化的差值中最小的設定為該目標像素點的角點相應函數值，當這個數值大于閾值時，便作為角點。于是把Pl和P2的連線確定為Y軸，以Pl到P2線段的中點且垂直于Y軸直線作為X軸，與此同時因為系統(tǒng)在很短時間內完成五幅掌部圖像采集，不存在圖像配準問題，所以在白光照射下掌部圖像參考坐標系確定后，其他四種光照下的掌部坐標系也相應確定。此步驟以前的圖像預處理只針對白光譜圖像進行，以提高圖像處理速度。
[0063]然后，依據確定的參考坐標系分別對五幅掌部圖像進行ROI提取，提取手掌的中心區(qū)域作為感興趣區(qū)域(R0I)，R0I區(qū)域為正方形區(qū)域，其邊長約為手掌寬度70%。由于ROI圖像包含了掌部圖像中最主要的特征和信息，ROI的提取減少了噪聲干擾，同時又可提高系統(tǒng)的運算速度。因本發(fā)明中使用了有效的圖像預處理方法，減小了由于ROI提取實時的平移、旋轉等因素的干擾，提高了系統(tǒng)的識別率。
[0064]最后對五種光照下的ROI掌部分別進行雙立方插值下采樣處理。雙立方插值利用16個點的灰度值三次插值，不僅考慮到4個直接相鄰點的灰度影響，而且考慮到12個相鄰點間灰度值變化率的影響，所以得到的一個下采樣像素點綜合了 4X4區(qū)域內像素的信息，既保證了識別精度，更提高了識別速度。本發(fā)明采用下采樣率是4:1，例如源圖像大小為128X128，下采樣后的圖像大小為32X32，顯然圖像處理速度將提高16倍。
[0065](3)特征提取模塊
[0066]所述特征提取模塊的輸入端與圖像預處理模塊的輸出端相連，用于對經過預處理后的掌部圖像進行特征提取。
[0067]結合圖4，特征提取的處理步驟如下:
[0068]多尺度多方向濾波器組允許每個尺度上具有不同方向分解，其基支撐區(qū)間隨尺度變化而長寬比呈現“各向異性”特性，能夠實現對圖像的稀疏表示。本發(fā)明中使用的特征提取方法是多尺度多方向濾波器組，其結構分為:無下采樣金字塔(Non-subsampledPyramid, NSP)分解和無下米樣方向濾波器組(Non-subsampled Directional FilterBank, NSDFB)分解兩部分，首先利用NSP對圖像進行多尺度分解，通過NSP分解可有效“捕獲”圖像中的奇異點；然后采用NSDFB對高頻分量進行方向分解，從而得到不同尺度、不同方向的子帶圖像(系數)。與輪廓波變換不同的是在圖像的分解和重構過程中，多尺度多方向濾波器組沒有對NSP以及NSDFB分解后的信號分量進行分解濾波后的下采樣(抽取)以及綜合濾波器的上采樣(插值)，使得其具有多尺度、良好的空域和頻域局部特性以及多方向特性。
[0069]本發(fā)明特征提取過程如下:首先采用非下采樣帶通金字塔濾波器Pf與下采樣圖像Ix,y進行卷積，得到帶通濾波后的子圖像fx，y
[0070]fx’y=Ix’y*Pf[0071]Pf濾波器只允許具有一定魯棒的紋理信息保留下來以便后續(xù)特征提??；然后，卷積后的輸出響應與非下采樣多方向濾波器組Df卷積，得到多個方向子圖像i/i,,
[0072]
【權利要求】
1.低分辨率多光譜掌紋、掌靜脈實時身份識別方法，主要包括注冊階段和識別階段，其特征在于， 注冊階段包括: a.采集待注冊的掌部圖像，所述掌部圖像包括在白光、紅光、綠光、藍光、近紅外線光譜下采集的五幅圖像； b.對待注冊的掌部圖像進行ROI提取，并采用雙立方插值對所得的ROI圖像進行下采樣； c.采用多尺度多方向濾波器組對獲取的ROI圖像進行特征提取，得到五組對應不同光譜的特征矢量，并對特征矢量進行編碼，生成特征模板并存儲于特征數據庫中； 識別階段包括: a.采集待識別的掌部圖像，所述掌部圖像包括在白光、紅光、綠光、藍光、近紅外線光譜下采集的五幅圖像； b.對待識別的掌部圖像進行ROI提取，并采用雙立方插值對所得的ROI圖像進行下采樣； c.采用多尺度多方向濾波器組對獲取的ROI圖像進行特征提取，得到五組對應不同光譜的特征矢量，并對特征矢量進行編碼，生成輸入特征； d.將輸入特征與存儲于特征數據庫中的特征模板一一對應地進行單光譜特征匹配，得到的五個匹配分數進行分數級權重融合，最后根據融合分數采用最近鄰算法進行決策，得到識別結果。
2.根據權利要求1所述的低分辨率多光譜掌紋、掌靜脈實時身份識別方法，其特征在于，所述對掌部圖像進行ROI提取前還包括預處理以及參考坐標系定位，其中所述預處理包括二值化處理以及形態(tài)學處理，所述形態(tài)學處理包括圖像腐蝕、膨脹、閉運算； 所述參考坐標系定位包括:從二值化圖像中提取出手掌和手指的輪廓曲線，并通過Harris角點檢測方法確定圖像的參考坐標系。
3.根據權利要求1所述的低分辨率多光譜掌紋、掌靜脈實時身份識別方法與系統(tǒng)，其特征在于，所述對ROI圖像進行特征提取的步驟包括:采用非下采樣帶通金字塔濾波器與下采樣圖像進行卷積，卷積后的輸出響應再與非下采樣八方向濾波器組進行卷積，最后在八個方向上采用競爭方式對濾波器輸出響應進行最大值編碼構成O或I的二進制特征矢量。
4.根據權利要求1所述的低分辨率多光譜掌紋、掌靜脈實時身份識別方法，其特征在于，所述模板特征以哈希表形式存儲于掌部特征數據庫中。
5.低分辨率多光譜掌紋、掌靜脈實時身份識別系統(tǒng)，其特征在于，包括: 圖像采集模塊，所述圖像采集模塊包括多光譜主動光源、CCD圖像感應器，以及與多光譜主動光源連接的控制單元； 圖像預處理模塊，所述圖像預處理模塊的輸入端與CCD圖像感應器的輸出端相連，用于對CCD圖像感應器采集到的掌部圖像進行預處理、參考坐標系定位、ROI提取、下采樣處理； 特征提取模塊，所述特征提取模塊的輸入端與圖像預處理模塊的輸出端相連，用于對經過預處理后的掌部圖像進行特征提取；存儲模塊，所述存儲模塊設有特征數據庫，與特征提取模塊的輸出端相連，用于存儲注冊階段中獲取的模板特征； 識別決策模塊，所述識別決策模塊與特征提取模塊、特征數據庫相連，用于將待識別的輸入特征與模板特征進行單光譜特征匹配，并將不同光譜的匹配結果進行分數級權重融合，最后根據融合分數采用最近鄰算法進行決策，進而得到識別結果。
6.根據權利要求1所述的低分辨率多光譜掌紋、掌靜脈實時身份識別系統(tǒng)，其特征在于:所述多光譜主動光源包括圍繞CCD圖像感應器呈環(huán)形依次交替分布的白光光源、紅光光源、綠光光源 、藍光光源、近紅外線光源，所述控制單元用于控制各光源的輪流亮暗。
【文檔編號】G06K9/00GK103793692SQ201410043629
【公開日】2014年5月14日 申請日期:2014年1月29日 優(yōu)先權日:2014年1月29日
【發(fā)明者】余義斌, 唐遙芳, 甘俊英, 曾軍英 申請人:五邑大學