(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211243982.8 (22)申请日 2022.10.12 (71)申请人 山东圣点世纪科技有限公司 地址 266100 山东省青岛市崂山区松岭路 169号青岛国际创新园二期D2栋千山 大厦1602室 (72)发明人 赵国栋　李学双　朱晓芳　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 徐超 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/25(2022.01) G06V 10/30(2022.01) G06V 10/32(2022.01)G06V 10/36(2022.01) G06V 10/46(2022.01) G06V 10/54(2022.01) G06V 10/74(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于腕部静脉和腕部纹理的联合识别 方法 (57)摘要 本发明公开了一种基于腕部静脉和腕部纹 理的联合识别方法， 属于生物识别技术领域， 该 方法从采集到的腕部静脉图像中截取ROI图像， 依次进行归一化处理和去噪处理； 从ROI图像中 分离出多尺度的纹理区域图像和多尺度的静脉 区域图像， 分别对多尺度纹理区域图像和多尺度 静脉区域图像进行融合； 对纹理区域融合图像进 行纹理增长， 对静脉区域融合图像进行静脉增 长； 从纹理增长后的纹理区域融合图像中提取腕 部纹理特征， 从静脉增长后的静脉区域融合图中 提取腕部静脉特征及信息熵； 基于信息熵构建二 叉树的大顶 堆结构， 基于二叉树的大顶堆结构 对 腕部纹理特征和腕部静脉特征进行联合识别。 本 发明的安全度更高， 识别率高， 识别过程快速且 准确。 权利要求书3页 说明书6页 附图1页 CN 115311691 A 2022.11.08 CN 115311691 A 1.一种基于腕部静脉和腕部纹 理的联合识别方法， 其特 征在于： 其包括以下步骤： S1.从采集到的腕部静脉图像中截取ROI图像， 依次进行归一 化处理和去噪处 理； S2.采用不同半径的均值滤波从去噪后的ROI图像中分离出多尺度的纹理区域 图像和 多尺度的静脉区域图像， 分别对多尺度纹理区域图像和多尺度静脉区域图像进行融合， 得 到纹理区域融合图像和静脉区域融合图像； S3.对纹理区域融合图像进行纹 理增长， 对静脉区域融合图像进行静脉增长； S4.从纹理增长后的纹理区域融合图像中提取腕部纹理特征， 从静脉增长后的静脉区 域融合图中提取腕部静脉 特征及信息熵； S5.基于信息熵构建二叉树的大顶堆结构， 基于二叉树的大顶堆结构对腕部纹理特征 和腕部静脉 特征进行联合识别。 2.根据权利要求1所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S2中分别采用半径 为4、 5、 6的均值滤波核对去噪后的ROI图像连续进 行多次滤波， 分 离出多尺度的纹 理区域图像和静脉区域图像， 具体步骤为： S2.1.采用半径为4的均值滤波核对去噪后的ROI图像进行3次滤波， 得到第一静脉图 像， 用去噪后的ROI图像减去第一静脉图像得到第一纹 理图像； S2.2.采用半径为5的均值滤波核对去噪后的ROI图像进行3次滤波， 得到第二静脉图 像， 用去噪后的ROI图像减去第二静脉图像得到第二纹 理图像； S2.3采用半径为6的均 值滤波核对去噪后的ROI图像进行3次滤波， 得到第三静脉图像， 用去噪后的ROI图像减去第三静脉图像得到第三纹 理图像。 3.根据权利要求2所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S2中多尺度纹 理区域图像的融合公式为： TextMap= a1*Ts1+a2*Ts2+ a3*Ts3   （1） 公式中， TextMap为纹理区域融合图像， Ts1为第一纹理图像， Ts2为第二纹理图像， Ts3为 第三纹理图像， a1~a3分别为第一纹理图像、 第二纹理图像和第三纹理图像加权系数， a1~a3 的取值范围均为[0,1]。 4.根据权利要求2所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S2中多尺度静脉区域图像的融合公式为： VeinMap= b1* Ves1+b2* Ves2+ b3* Ves3     （2） 公式中， VeinMap为静脉区域融合图像， Ves1为第一静脉图像， Ves2为第二静脉图像， Ves3为第三静脉图像， b1~b3分别为第一静脉图像、 第二静脉图像和第三静脉图像加权系数， b1~b3的取值范围均为[0,1]。 5.根据权利要求1所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S3中对纹 理区域融合图像进行纹 理增长的具体步骤为： S3.1.将纹 理区域融合图像均分成四块纹 理区域融合图像的纹 理图像子区域； S3.2.从各块纹 理图像子区域中选取一个点作为相应纹 理图像子区域的初始种子点； S3.3.计算初始种 子点8邻域内8个方 向上的梯度特征和像素均值mean1， 选取梯度变化 最大的方向作为纹 理的生长方向， 将该 方向上的像素值设置为mean1并记为标的点； S3.4.依次选取该生长方向上的标的点， 计算该标的点8邻域内8个方向上的梯度特征 和像素均值mean2， 选取梯度 变化最大的方向作为纹理的生长方向， 将该方向上的像素值设权　利　要　求　书 1/3 页 2 CN 115311691 A 2置为mean2并记为新的标的点； S3.5.重复步骤S3.3~S3.4， 进行循环迭代， 完成纹 理增长； 所述的步骤S3中对静脉区域融合图像进行静脉增长的具体步骤为： S3.6.将静脉区域融合图像均分成四块静脉区域融合图像的静脉图像子区域； S3.7.从各块静脉图像子区域中选取一个点作为相应静脉图像子区域的初始种子点； S3.8.计算初始种 子点8邻域内8个方 向上的梯度特征和像素均值mean1， 选取梯度变化 最大的方向作为静脉的生长方向， 将该 方向上的像素值设置为mean1并记为标的点； S3.9.依次选取该生长方向上的标的点， 计算该标的点8邻域内8个方向上的梯度特征 和像素均值mean2， 选取梯度 变化最大的方向作为静脉的生长方向， 将该方向上的像素值设 置为mean2并记为新的标的点； S3.10.重复步骤S3.8~S3.9， 进行循环迭代， 完成静脉增长 。 6.根据权利要求5所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S3.5中纹理增长迭代结束的条件为： 所有步骤S3.3~S3.4获得的标的点的重心坐标 和相应的纹 理图像子区域的重心坐标平均误差小于8个 像素； 所述的步骤S3.10中静脉增长迭代结束的条件为： 所有步骤S3.8~S3.9中获得的标的点 的重心坐标和相应的静脉图像子区域的重心坐标平均误差小于15个 像素。 7.根据权利要求5所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S3.2从各块纹理图像子区域中选取一个点作为相应纹理图像子区域的初始种子点 的具体步骤为： S3.2.1.对于纹理图像子区域， 以8个像素为单位， 均分为n个单元块， 计算每个单元块 的信息熵， 选择信息熵最大 单元块的中心点作为对应的纹 理图像子区域的初始种子点； 所述的步骤S3.7从各块静脉图像子区域中选取一个点作为相应静脉图像子区域的初 始种子点的具体步骤为： S3.7.1.对于第一块静脉 图像子区域， 以8个像素为单位， 均分为n个单元块， 计算每个 单元块的信息熵， 选择信息熵最大单元块的中心 点作为对应的静脉图像子区域的初始种子 点。 8.根据权利要求1所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S4中从纹理增长后的纹理区域融合图像中提取腕部纹理特征， 从静脉增长后的静脉 区域融合图中提取腕部静脉 特征及信息熵的具体步骤为： S4.1.提取纹 理区域融合图像的LBP特 征作为纹 理特征； S4.2.提取静脉区域融合图像的4方向的梯度特 征作为静脉 特征1； S4.3.提取静脉区域融合图像的8方向的梯度特 征作为静脉 特征2； S4.4.计算静脉区域融合图像的信息熵。 9.根据权利要求8所述的基于腕部静脉和腕部纹理 的联合识别方法， 其特征在于： 所述 的步骤S5基于信息熵构建二叉树的大顶堆结构， 基于二叉树的大顶堆结构对腕部纹理特征 和腕部静脉 特征进行联合识别的具体步骤为： S5.1.根据静脉 区域融合图像的信息熵大小， 对本地的N个腕部静脉图像模板构 建基于 完全二叉树的大顶堆结构； S5.2.计算腕部静脉图像模板二叉树所有层的模板节点的信息熵 平均值；权　利　要　求　书 2/3 页 3 CN 115311691 A 3