一种基于加权图的手指静脉识别方法及装置

计算;推算;计数设备的制造及其应用技术1.本发明涉及生物识别的技术领域，特别是涉及一种基于加权图的手指静脉识别方法及装置。背景技术：2.利用手指静脉血管网络进行身份鉴别，一直是生物特征识别领域的热门课题。现有技术中，手指静脉识别技术大都以图像为基础，借鉴图像的纹理特征分析和提取方法来解决手指静脉识别问题，这些方法忽略了图像内容的结构关系，损失了手指静脉血管网络优越的区分；且手指静脉采集图像中存在严重的降质退化问题，无法准确可靠的提取手指静脉血管网络结构。3.同时，由于图结构具有良好的数据结构特征描述能力，因此，现有手指静脉识别技术尝试将图结构与手指静脉识别相结合，但图较倾向于描述相对确定的结构关系，而手指静脉血管网络结构具有强随机性，不同样本之间存在较大的个体差异性，现有的指静脉图模型构图方法刻板，不利于手指静脉随机性的描述，容易出现后期进行手指静脉识别时效率低下及识别准确性较低的问题。因此需要进一步研究探索，合适于手指静脉识别任务的图模型，旨在提高图模型对血管网络和图像内容的随机性的描述能力，同时，提高对手指静脉识别的效率和准确性。技术实现要素：4.本发明要解决的技术问题是：提供一种基于加权图的手指静脉识别方法，通过构建手指静脉加权图，既能够描述血管网络的结构，又能够兼顾图像内容的描述，体现图像局部随机性特征，并基于手指静脉加权图实现对手指静脉的识别，能有效提高识别效率和准确性。5.为了解决上述技术问题，本发明提供了一种基于加权图的手指静脉识别方法，包括6.获取手指静脉图像，对所述手指静脉图像进行预处理，得到手指静脉血管骨架图像；7.对所述手指静脉血管骨架图像进行图块划分，并将划分出的图块作为节点，生成节点集；8.获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边，并对所有边进行整合，形成边集；9.获取节点集中每个节点对应的节点特征，根据预设的权重计算公式，计算并基于边集权重，生成权重集；10.基于所述节点集、所述边集和所述权重集，生成并基于手指静脉加权图，得到所述手指静脉加权图的邻接矩阵；11.分别计算所述邻接矩阵与预设邻接矩阵集中的每个预设邻接矩阵的相似度，并基于相似度，对所述手指静脉加权图进行识别，得到手指静脉的识别结果。12.在一种可能实现的方式中，对所述手指静脉血管骨架图像进行图块划分，具体为：13.执行预设的基于边界重置的图块划分策略；14.其中，所述基于边界重置的图块划分策略，用于将所述手指静脉血管骨架图像划分为多个预设尺寸的图块；15.获取所述图块中的血管骨架曲线，计算所述血管骨架曲线与图块边界形成的封闭面积，并计算所述封闭面积在所述图块中的占比，基于占比结果，判断所述图块是否划分合理；16.当判断所述图块划分不合理时，获取所述血管骨架曲线与图块边界的交点坐标；对所述图块进行重新划分。17.在一种可能实现的方式中，对所述手指静脉血管骨架图像进行图块划分，具体为：18.执行所述基于调整图块中心的图块划分策略；19.其中，所述基于调整图块中心的图块划分策略，用于将所述手指静脉血管骨架图像划分为多个预设尺寸的图块，获取所述图块中的血管骨架曲线；20.选取所述血管骨架曲线上的预设点，判断所述预设点是否为血管骨架曲线的交叉点，若是，则将所述预设点作为所述图块的新中心点，并对所述图块进行重新划分。21.在一种可能实现的方式中，获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边，具体为：22.获取每个节点对应的一跳邻居节点，连接所述节点及其对应的所述一跳邻居节点，得到第一边；23.获取每个节点对应的二跳邻居节点，判断所述二跳邻居节点中是否包含手指静脉血管骨架，若否，则舍弃所述二跳邻居节点；若是，则连接所述节点及其对应的所述二跳邻居节点，得到第二边。24.在一种可能实现的方式中，获取所述节点集中每个节点的节点特征，具体的：25.基于滤波器计算所述节点集中每个节点在各个角度的方向能量，并将所述各个角度的方向能量进行合并后转换为向量，得到每个节点的方向能量分布特征向量，并基于所述方向能量分布特征向量，得到每个节点的节点特征。26.本发明还提供了一种基于加权图的手指静脉识别装置，包括：图像预处理模块、节点集生成模块、边集生成模块、权重集生成模块、加权图生成模块和识别模块；27.其中，所述图像预处理模块，用于获取手指静脉图像，对所述手指静脉图像进行预处理，得到手指静脉血管骨架图像；28.所述节点集生成模块，用于对所述手指静脉血管骨架图像进行图块划分，并将划分出的图块作为节点，生成节点集；29.所述边集生成模块，用于获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边，并对所有边进行整合，形成边集；30.所述权重集生成模块，用于获取节点集中每个节点对应的节点特征，根据预设的权重计算公式，计算并基于边集权重，生成权重集；31.所述加权图生成模块，用于基于所述节点集、所述边集和所述权重集，生成并基于手指静脉加权图，得到所述手指静脉加权图的邻接矩阵；32.所述识别模块，用于分别计算所述邻接矩阵与预设邻接矩阵集中的每个预设邻接矩阵的相似度，并基于相似度，对所述手指静脉加权图进行识别，得到手指静脉的识别结果。33.在一种可能实现的方式中，所述节点集生成模块包括基于边界重置的图块划分单元；34.其中，所述基于边界重置的图块划分策略单元，用于将所述手指静脉血管骨架图像划分为多个预设尺寸的图块；35.所述基于边界重置的图块划分策略单元，用于获取所述图块中的血管骨架曲线，计算所述血管骨架曲线与图块边界形成的封闭面积，并计算所述封闭面积在所述图块中的占比，基于占比结果，判断所述图块是否划分合理；36.所述基于边界重置的图块划分策略单元，用于当判断所述图块划分不合理时，获取所述血管骨架曲线与图块边界的交点坐标；对所述图块进行重新划分。37.在一种可能实现的方式中，所述节点集生成模块包括基于调整图块中心的图块划分单元；38.其中，所述基于调整图块中心的图块划分策略，用于将所述手指静脉血管骨架图像划分为多个预设尺寸的图块，获取所述图块中的血管骨架曲线；39.所述基于调整图块中心的图块划分策略，用于选取所述血管骨架曲线上的预设点，判断所述预设点是否为血管骨架曲线的交叉点，若是，则将所述预设点作为所述图块的新中心点，并对所述图块进行重新划分。40.在一种可能实现的方式中，所述边集生成模块，用于获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边，具体为：41.获取每个节点对应的一跳邻居节点，连接所述节点及其对应的所述一跳邻居节点，得到第一边；42.获取每个节点对应的二跳邻居节点，判断所述二跳邻居节点中是否包含手指静脉血管骨架，若否，则舍弃所述二跳邻居节点；若是，则连接所述节点及其对应的所述二跳邻居节点，得到第二边。43.在一种可能实现的方式中，所述权重集生成模块，用于获取所述节点集中每个节点的节点特征，具体的：44.基于滤波器计算所述节点集中每个节点在各个角度的方向能量，并将所述各个角度的方向能量进行合并后转换为向量，得到每个节点的方向能量分布特征向量，并基于所述方向能量分布特征向量，得到每个节点的节点特征。45.本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于加权图的手指静脉识别方法。46.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于加权图的手指静脉识别方法。47.本发明实施例一种基于加权图的手指静脉识别方法及装置，与现有技术相比，具有如下有益效果：48.通过对预处理后的手指静脉图像进行划分，生成节点集，并对节点集中每个节点对应的邻居节点进行连接，生成边集，基于边集和每个节点的节点特征，计算边集权重，生成权重集；通过结合节点集、边集和权重集，生成手指静脉加权图，从而基于手指静脉加权图对应的邻接矩阵与预设矩阵的相似度，实现对手指静脉的识别。与现有技术相比，本发明通过构建手指静脉加权图，既能够描述血管网络的结构，又能够兼顾图像内容的描述，体现图像局部随机性特征，后续仅基于计算邻接矩阵的相似性，实现对手指静脉的识别，能有效提高识别效率。附图说明49.图1是本发明提供的一种基于加权图的手指静脉识别方法的一种实施例的流程示意图；50.图2是本发明提供的一种基于加权图的手指静脉识别装置的一种实施例的结构示意图；51.图3是本发明提供的一种实施例的手指静脉图像示意图；52.图4是本发明提供的一种实施例的手指静脉血管骨架图像示意图；53.图5是本发明提供的一种实施例的基于调整图块中心的图块划分策略的图块划分结果示意图；54.图6是本发明提供的一种实施例的边集的构建过程示意图；55.图7是本发明提供的一种实施例的图块的方向能量分布特征示意图；56.图8是本发明提供的一种实施例的对稀疏矩阵按行序列存储的示意图；57.图9是本发明提供的一种实施例的基于边界重置的图块划分策略的图块划分结果示意图；58.图10是本发明提供的一种实施例的血管骨架曲线与图块边界的交点示意图。具体实施方式59.下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。60.实施例161.参见图1，图1是本发明提供的一种基于加权图的手指静脉识别方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101－步骤106，具体如下：62.步骤101：获取手指静脉图像，对所述手指静脉图像进行预处理，得到手指静脉血管骨架图像。63.一实施例中，对所述手指静脉图像进行预处理，其中，图像的预处理操作包括图像增强、二值化和细化处理。64.一实施例中，对获取的手指静脉图像进行图像增强处理，得到增强图像，对增强图像进行二值化处理，得到二值化图；对二值化图进行细化处理，得到手指静脉血管骨架图像。其中，手指静脉图像如图3所示，手指静脉血管骨架图像如图4所示。65.步骤102：对所述手指静脉血管骨架图像进行图块划分，并将划分出的图块作为节点，生成节点集。66.一实施例中，执行基于调整图块中心的图块划分策略，对所述手指静脉血管骨架图像进行图块划分。67.一实施例中，基于调整图块中心的图块划分策略，用于将所述手指静脉血管骨架图像均匀划分为多个预设尺寸的图块；其中，预设尺寸为h×h。将划分出的每个图块作为一个节点，生成节点集；对节点集中的每个节点，获取节点vi中的血管骨架曲线，并对该血管骨架曲线进行跟踪，记为p＝{p1，p2，…，pn}。68.一实施例中，选取所述血管骨架曲线上的预设点pi，其中，预设点pi为血管骨架曲线上的任一点，并基于该预设点pi为中心，获取尺寸大小为3×3的邻域图块，并对邻域图块的像素，记为{pi,0，pi,1，…，pi,7}。69.一实施例中，基于预设的血管骨架细节点确定公式，判断所述预设点是否为血管骨架曲线的交叉点，若是，则将所述预设点作为所述节点的新中心点；血管骨架细节点确定公式如下所示：[0070][0071]zi＝{pi|ntrans(pi)≥6}；[0072][0073]其中，ntrans(pi)代表从pi,0到pi,7相邻像素值变化的总次数；pi,0＝pi,8；当ntrans(pi)≥6，代表pi为一交叉点；zi为ntrans(pi)的子集；ci′为更新后的节点中心。[0074]一实施例中，基于更新后的节点中心ci′，对所述节点对应的图块进行重新划分，具体的，计算更新后的节点中心ci′到图块原始边界的最大距离d，根据最大距离d更新节点vi的尺寸为2d×2d，并基于该尺寸对节点对应的图块进行重新划分，形成新的节点集，图块划分结果如图5所示，图中的虚线框部分重新划分后得到的新的图块。[0075]作为本实施例中的一种举例说明，由于ntrans(pi)的子集zi中可能包含多个元素{zk}，但是一个节点中仅需要一个中心，因此需要对zi中的元素进行筛选。[0076]对子集zi中的元素进行筛选可以为计算子集zi中各元素zk与节点vi的几何中心的距离dk，选取距离dk最小时所对应的元素zk作为图块的新中心ci，对于子集zi中的其他元素进行舍弃。[0077]对子集zi中的元素进行筛选还可以为判断3×3邻域图块中，是否有空白图块，若有，则将距离空白图块最近的元素zk分配给该空白图块，作为该空白图块vj的新中心，直至将zi中元素分配完毕，获取子集zi中没有进行分配的元素，计算子集zi中没有进行分配的元素zk与节点vi的几何中心的距离dk，选取距离dk最小时所对应的元素zk作为图块的新中心ci，对于子集zi中的其他元素进行舍弃。[0078]本实施例中，由于手指静脉血管骨架在交叉点的位置和交叉点附近的血管分布都展现出较大的个体差异性，但均匀划分常常会破坏这些区域的结构完整性，因此基于对手指静脉血管骨架图像进行规则划分的基础上，根据血管骨架网络的局部结构引导图块进行再划分，构建节点集，使得对手指静脉血管骨架图像的局部结构划分更加合理，在节点集中引入图像局部内容的随机性，提高节点集的随机性描述能力。[0079]步骤103：获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边，并对所有边进行整合，形成边集。[0080]一实施例中，获取每个节点对应的一跳邻居节点；根据三角剖分法，连接所述节点及其对应的所述一跳邻居节点，得到第一边。[0081]一实施例中，还对三角剖分法进行了改进，获取每个节点对应的二跳邻居节点，判断所述二跳邻居节点中是否包含手指静脉血管骨架，若否，则舍弃所述二跳邻居节点；若是，则连接所述节点及其对应的所述二跳邻居节点，得到第二边。[0082]本实施例中，通过改进三角剖分法，构建的边集既包括了节点与一跳邻居节点之间的边，还包括了节点与包含手指静脉血管骨架的二跳邻居节点之间的边，边集的构建过程如图6所示，避免了现有的三角剖分法存在未连接节点间，其所包含的血管网络却具有显著的结构关系的情况，进一步体现指静脉血管网络分布的局部差异性，在边集构建中引入结构随机性的描述，增加不同类别样本的图模型的差异性。[0083]步骤104：获取节点集中每个节点对应的节点特征，根据预设的权重计算公式，计算并基于边集权重，生成权重集。[0084]一实施例中，利用steerable滤波器提取图块的方向能量分布特征作为节点的节点特征。[0085]一实施例中，steerable滤波器的一般公式为：[0086][0087]其中，k(θ)为内插函数；f(x，y)为任意滤波函数；θ为steerable滤波器所在角度；θj为基础滤波器组中基础滤波器旋转的角度，n代表基础滤波器的个数。[0088]一实施例中，图块的方向能量在某一角度的计算公式如下所示：[0089]e（θ)＝（hθ*ii)2；[0090][0091]其中，hθ为steerable滤波器，ii图像中第i个图块，‘＊’代表卷积运算，x、y为滤波器的尺寸，且过滤器的尺寸与图块尺寸相同。[0092]一实施例中，基于图块的方向能量在某一角度的计算公式，计算图块在各角度上的方向能量，并将各个角度上的方向能量进行合并为向量，得到图块的方向能量分布特征向量，图块的方向能量分布特征示意图，如图7所示，通过示意图可以看出方向能量分布特征能够较完整准确的描述图块中的纹理曲线结构；并将该图块的方向能量分布特征向量作为节点的节点特征。其中，图块的方向能量分布特征向量如下所示：[0093]fi＝{e(1),e(2),…,e(θ),…,e(360)}。[0094]一实施例中，由于手指静脉图像划分得到的节点中所包含的图像内容彼此不同，为了衡量图像内容的局部差异性，引入图像特征w(vi)，其中，图像特征w(vi)的定义如下所示：[0095]w(vi)＝1；[0096]w(vi)＝aad(bi)；[0097][0098]其中，aad是平均绝对离差算子，bi是第i个节点所对应图块的增强结果，若w(vi)＝1代表不考虑节点所对应的局部图像的内容。[0099]一实施例中，为更可靠的描述血管网络结构和图像内容的局部差异性，通过预设的权重计算公式，计算连接节点的每个边的权重值；预设的权重计算公式，如下所示：[0100]w(vi,vj|eij∈e)＝w(vi)*s(vi,vj)；[0101][0102]其中，w(vi)代表节点vi所对应的图像特征，s(vi,vj)表征节点vi和一跳邻居节点vj对应的图像特征的相似度，s(vi,vj)也可表征节点vi和二跳邻居节点vj对应的图像特征的相似度，fi，fj代表vi、vj对应的图块特征，l为特征长度，σ为一固定值。[0103]一实施例中，计算边集中每条边对应的权重值，并将每条边对应的权重值进行集合，生成权重集。[0104]步骤105：基于所述节点集、所述边集和所述权重集，生成并基于手指静脉加权图，得到所述手指静脉加权图的邻接矩阵；[0105]一实施例中，结合上述步骤中生成的节点集、边集和权重集，手指静脉加权图g(v，e，w)，其中v，e，w分别代表节点集、边集和权重集。v＝{v1，v2，v3，…，vn}，e＝[eij]n×n，w＝[wij]n×n，其中i≠j。w中元素为非负实数，当满足wi,j＝wj,i时，权值函数是对称的，图为无向图，反之则为有向图。[0106]一实施例中，邻接矩阵不仅要描述手指静脉加权图中节点的连接关系，还需要描述边的权值，生成的手指静脉加权图的邻接矩阵如下：[0107][0108]其中，其中，aw为手指静脉加权图的邻接矩阵，wi,j表示边的权重值。加权邻接矩阵的行、列数与手指静血管骨架图的节点数量相同，若节点vi与节点vj有边连接，则aw的第i行j列处的值wi,j不为0，而是边的权重值，即权重集w中的wi,j。[0109]一实施例中，由于生成的手指静脉加权图中，仅相邻的节点之间存在连接关系，因此，邻接矩阵中大部分元素为0，则邻接矩阵为稀疏矩阵。[0110]步骤106：分别计算所述邻接矩阵与预设邻接矩阵集中的每个预设邻接矩阵的相似度，并基于相似度，对所述手指静脉加权图进行识别，得到手指静脉的识别结果。[0111]一实施例中，预设邻接矩阵集由已经分类好的手指静脉加权图对应的邻接矩阵构成，其中，对于预设邻接矩阵集中的每个预设邻接矩阵都包含固定的手指静脉类别标签。[0112]一实施例中，基于对手指静脉加权图g(v，e，w)的识别是复杂且耗时的，因此采用邻接矩阵的相似性来简化加权图的匹配问题：[0113][0114]其中，代表手指静脉加权图和的邻接矩阵aw的均值，代表单个分类好的手指静脉加权图bw对应的邻接矩阵的均值，n为手指静脉加权图的节点数量。[0115]一实施例中，由于手指静脉加权图的邻接矩阵为稀疏矩阵，为了在计算邻接矩阵的相似性时，更注重邻接矩阵的非零元素，提高后续对手指静脉识别的精度。本实施例中，采用按行序列存储(compress row storage，crs)对稀疏矩阵进行压缩处理，其中，对稀疏矩阵按行序列存储的示意图，如图8所示，图中向量a中存储矩阵的非零元素，向量i和j分别存储非零元素对应的行序和列序。[0116]一实施例中，基于采用crs方法对邻接矩阵进行压缩，由于构图方式的限定，所以对于邻接矩阵aw而言，其需要关注的非零元素的位置是确定且已知，因此在应用时可以省略向量i和j，在识别中利用存储矩阵的非零元素的向量a代替邻接矩阵aw求取邻接矩阵与预设邻接矩阵集中的每个预设邻接矩阵的相似度ms，能够有效的提高识别的效率和精度。[0117]一实施例中，在计算出所述邻接矩阵与预设邻接矩阵集中的每个预设邻接矩阵的相似度后，生成相似度结果数据集，获取相似度结果数据集中的最大值，判断该最大值是否大于预设阈值，若是，则将该最大值对应的预设邻接矩阵的手指静脉类别标签设置为当前邻接矩阵的手指静脉类别标签，输出对手指静脉的识别结果，实现对手指静脉的识别；若否，则对该邻接矩阵自定义新的手指静脉类别标签。[0118]实施例2[0119]对于实施例1，步骤102的不同点在于，对所述手指静脉血管骨架图像进行图块划分的方式不同。[0120]步骤102：对所述手指静脉血管骨架图像进行图块划分，并将划分出的图块作为节点，生成节点集。[0121]一实施例中，执行基于边界重置的图块划分策略，对所述手指静脉血管骨架图像进行图块划分。[0122]一实施例中，基于边界重置的图块划分策略，用于将所述手指静脉血管骨架图像均匀划分为多个预设尺寸的图块，并将划分出的图块作为节点，生成节点集，其中，预设尺寸为h×h。[0123]一实施例中，获取所述图块中的血管骨架曲线，即获取节点中的血管骨架曲线，并对节点中的血管骨架曲线进行跟踪记为{l1，…，li，…，ln}，以节点中心为原点，对li进行曲线积分，计算所述血管骨架曲线与图块边界形成的封闭面积，并计算所述封闭面积在所述图块中的占比。[0124][0125][0126][0127]其中，n1、n2分别为血管骨架曲线li与图块边界的交点，坐标记为(x1，y1)、(x2，y2)，血管骨架曲线与图块边界的交点示意图，如图10所示；以血管骨架曲线与图块边界形成的封闭区域中的图块顶点为坐标原点，l1为坐标原点在x轴到血管骨架曲线的距离，l2为坐标原点在y轴到血管骨架曲线的距离；si为血管骨架曲线li与图块边界形成的封闭面积，ri为封闭面积在所述图块中的占比。[0128]一实施例中，对占比ri取一个经验值，将占比ri与经验值进行判断，当占比ri小于经验值时，判定血管骨架曲线li分割不合理，继而判断ti是否大于1，即坐标原点在x轴到血管骨架曲线的距离l1是否大于坐标原点在y轴到血管骨架曲线的距离l2，若是，则将该血管骨架曲线li划分到与该当前图块的x轴连接的另一图块中；若否，则将高该血管骨架曲线li划分到与该当前图块的y轴连接的另一图块中，实现对图块的重新划分，生成新的节点集，如图9所示，图中虚线框部分为重新划分后得到的新的图块。[0129]本实施例中，由于手指静脉血管网络的分布和走向具有不确定性，均匀划分时，节点集中存在血管网络划分不合理现象，采用基于边界重置的图块划分策略，依据节点包含的网络骨架曲线重新界定图块边界，使血管网络的局部划分趋于合理，由于网络结构具有随机性，对应构建的节点集也具有随机性。[0130]综上，实施例1和实施例2提供的一种基于加权图的手指静脉识别方法，首先将预处理后得到的手指静脉血管骨架图像根据血管骨架网络的局部结构引导图块进行再划分，构建节点集；根据节点内涵以及节点位置关系，生成边集；根据局部图像内容变化和相邻图块的特征相似度来共同衡量边的权值。加权图通过节点的生成、边的连接以及相邻图块特征的相似性度量，来共同描述手指静脉血管网络的结构随机性；通过图块再划分、局部图块内容变化的度量，来描述图像内容的差异性变化。与现有技术相比，本发明的方法改变了节点集、边集以及权值函数的构建方法，能够更好的描述手指静脉血管网络和图像内容中所包含的随机性。[0131]实施例3[0132]参见图2，图2是本发明提供的一种基于加权图的手指静脉识别方法的一种实施例的流程示意图，如图2所示，该装置包括图像预处理模块201、节点集生成模块202、边集生成模块203、权重集生成模块204、加权图生成模块205和识别模块206，具体如下：[0133]图像预处理模块201，用于获取手指静脉图像，对所述手指静脉图像进行预处理，得到手指静脉血管骨架图像；[0134]节点集生成模块202，用于对所述手指静脉血管骨架图像进行图块划分，并将划分出的图块作为节点，生成节点集；[0135]边集生成模块203，用于获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边，并对所有边进行整合，形成边集；[0136]权重集生成模块204，用于获取节点集中每个节点对应的节点特征，根据预设的权重计算公式，计算并基于边集权重，生成权重集；[0137]加权图生成模块205，用于基于所述节点集、所述边集和所述权重集，生成并基于手指静脉加权图，得到所述手指静脉加权图的邻接矩阵；[0138]识别模块206，用于分别计算所述邻接矩阵与预设邻接矩阵集中的每个预设邻接矩阵的相似度，并基于相似度，对所述手指静脉加权图进行识别，得到手指静脉的识别结果。[0139]一实施例中，所述节点集生成模块包括基于调整图块中心的图块划分单元；其中，所述基于调整图块中心的图块划分策略，用于将所述手指静脉血管骨架图像划分为多个预设尺寸的图块，获取所述图块中的血管骨架曲线；所述基于调整图块中心的图块划分策略，用于选取所述血管骨架曲线上的预设点，判断所述预设点是否为血管骨架曲线的交叉点，若是，则将所述预设点作为所述图块的新中心点，并对所述图块进行重新划分。[0140]一实施例中，边集生成模块203，用于获取每个节点对应的邻居节点，连接所述节点及其对应的邻居节点，得到边。具体的，获取每个节点对应的一跳邻居节点，连接所述节点及其对应的所述一跳邻居节点，得到第一边；获取每个节点对应的二跳邻居节点，判断所述二跳邻居节点中是否包含手指静脉血管骨架，若否，则舍弃所述二跳邻居节点；若是，则连接所述节点及其对应的所述二跳邻居节点，得到第二边。[0141]一实施例中，权重集生成模块204，用于获取所述节点集中每个节点的节点特征，具体的，基于滤波器计算所述节点集中每个节点在各个角度的方向能量，并将所述各个角度的方向能量进行合并后转换为向量，得到每个节点的方向能量分布特征向量，并基于所述方向能量分布特征向量，得到每个节点的节点特征。[0142]所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。[0143]实施例4[0144]对于实施例3，对于节点集生成模块202的不同点在于，节点集生成模块202的结构不同。[0145]本实施例中，所述节点集生成模块包括基于边界重置的图块划分单元；其中，所述基于边界重置的图块划分策略单元，用于将所述手指静脉血管骨架图像划分为多个预设尺寸的图块；[0146]所述基于边界重置的图块划分策略单元，用于获取所述图块中的血管骨架曲线，计算所述血管骨架曲线与图块边界形成的封闭面积，并计算所述封闭面积在所述图块中的占比，基于占比结果，判断所述图块是否划分合理；[0147]所述基于边界重置的图块划分策略单元，用于当判断所述图块划分不合理时，获取所述血管骨架曲线与图块边界的交点坐标；对所述图块进行重新划分。[0148]所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。[0149]需要说明的是，上述基于加权图的手指静脉识别装置的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0150]在上述的基于加权图的手指静脉识别方法的实施例的基础上，本发明另一实施例提供了一种基于加权图的手指静脉识别终端设备，该基于加权图的手指静脉识别终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的基于加权图的手指静脉识别方法。[0151]示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于加权图的手指静脉识别终端设备中的执行过程。[0152]所述基于加权图的手指静脉识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于加权图的手指静脉识别终端设备可包括，但不仅限于，处理器、存储器。[0153]所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于加权图的手指静脉识别终端设备的控制中心，利用各种接口和线路连接整个基于加权图的手指静脉识别终端设备的各个部分。[0154]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于加权图的手指静脉识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。[0155]在上述基于加权图的手指静脉识别方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的基于加权图的手指静脉识别方法。[0156]在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。[0157]综上，本发明一种基于加权图的手指静脉识别方法及装置，通过对预处理后的手指静脉血管骨架图像进行图块划分，生成节点集；并将节点集中每个节点及其对应的邻居节点进行连接，形成边集；基于边集和获取的节点对应的节点特征，计算边集权重，生成权重集；将生成的节点集、边集和权重集，构建手指静脉加权图，基于计算手指静脉加权图的邻接矩阵与预设邻接矩阵的相似度，实现对手指静脉进行识别，得到手指静脉的识别结果。与现有技术相比，本发明提供的技术方案通过构建手指静脉加权图，既能够描述血管网络的结构，又能够兼顾图像内容的描述，体现图像局部随机性特征，后续仅基于计算邻接矩阵的相似性，实现对手指静脉的识别，能有效提高识别效率。[0158]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!