本发明涉及生物特征识别，具体涉及一种掌靜脉识别的roi图像提取方法。
背景技术：
1、手掌静脉识别技术是目前最安全的生物识别技术，此项技术是利用人体血红蛋白通过静脉时能吸收近红外光的特性，采集手掌皮肤下的静脉影像，并提取作为生物特征。手掌静脉识别技术与其他如指纹、人脸等生物识别技术相比，有着非体表特征、极难复制伪造、活体识别等特征，因此可以极好地防范欺骗攻击。
2、在掌静脉识别中，主要有图像采集、图像预处理、特征提取以及特征匹配等环节。其中，图像预处理和特征提取是两个较为重要的环节。在图像预处理环节中，由于采集图像的灰度分布在较窄的区间，导致图像细节不够清晰。通常使用直方均衡化方法进行修正，以扩大图像的灰度间距，增大反差，使图像的细节变得更加清晰，实现增强手掌局部细小静脉纹理的目的。但使用直方均衡化对图像进行预处理，也会导致图片背景噪音增大，进而影响最终的识别准确率。在特征提取环节中，常用的特征提取方法有局部二进制模式、线性局部二进制模式以及最大曲率方法等，这些特征提取方法有一定效果，但也会不同程度上导致一部分特征的缺失。
3、发明专利cn202311362340.4公开了一种开放场景下的掌静脉roi提取方法，将预处理后的掌静脉图像输入至预设的轻量化手部关键点检测模型，输出手部关键点的特征向量；利用输出的手部关键点的特征向量进行坐标映射处理，得到手部关键点的坐标信息，再开放场景下的掌静脉roi提取。该roi提取方法没有对图像去雾，也没有对图像的角度进行校正，图像的质量不佳，从而影响识别的准确率。在坐标映射过程中绘制热图进行概率统计，会带来较高的计算负担和潜在的性能影响，特别是当处理实时应用或大规模数据集时，如果映射方式不当或存在误差，可能会导致图形的几何特性发生改变。
技术实现思路
1、针对上述技术问题，本发明提供了一种掌靜脉识别的roi图像提取方法。该方法能提高掌静脉识别算法在复杂环境中的适应性和鲁棒性，图像清晰度高。
2、一种掌靜脉识别的roi图像提取方法，包括以下步骤：
3、s1. 对获取的掌静脉图像通过坐标变换，进行手掌图片的旋转和倾斜的校正，将校正后的掌静脉图像进行裁剪、缩放和归一化，得到归一化图像；
4、s2.对所述归一化图像进行关键点检测，输出手掌关键点坐标；
5、s3.基于手掌关键点坐标，通过静脉roi选取算法对预处理后的掌静脉图像进行roi区域选取处理，得到掌静脉roi区域；
6、s4.根据手掌关键点坐标进行仿射变换，以校准掌静脉roi区域的图像；
7、s5.采用图像去雾和自适应局部均衡化动态融合，对校准后的掌静脉roi区域图像增强。
8、本发明所述s1步骤的旋转和倾斜的校正：在掌静脉图像上标记出旋转角和倾斜角，再通过坐标变换，将旋转角、倾斜角置零；
9、所述旋转角是指手掌相对于手腕所旋转的角度的余角，规定手腕和手掌水平的时候旋转角是90度，手腕和手掌垂直的时候旋转角是零度；
10、所述倾斜角是指手掌相对于手掌中轴线进行旋转，产生了手掌的倾斜，手掌旋转前后两个手掌平面之间的二面角为倾斜角。
11、本发明所述的s1步骤，校正后的掌静脉图像通过阈值检测，得出掌静脉图像中的手掌边缘。优选地，具体包括以下步骤：
12、s11、以预设中心点为起点，以初始半径建立圆形选框；
13、s12、根据所述圆形选框对掌静脉图像进行区域框选；
14、s13、对框选区域进行边缘检测，判断所述圆形选框是否从所述静脉扫描图像中框选到掌型轮廓，若是则以当前的所述圆形选框定义手掌区域，否则，根据预设步进扩大所述圆形选框，直至框选到所述掌型轮廓。
15、进一步优选地，所述的s13步骤，对框选区域边缘区域的图像线条进行边缘检测和图像识别：手掌区域是一个平面图形有四条边，对其进行边缘检测，包括识别手掌和手指的半圆形分界线、识别手掌和手腕的分界线、识别手掌和手掌两侧环境的两条分界线，由以上四条分界线，得到手掌区域；若边缘检测成功，则判断所述圆形选框从掌静脉图像中框选到掌型轮廓。
16、本发明所述的s2步骤，分别使用角点检测算法和surf算法输出关键点，再将两次输出的并集作为手掌关键点坐标。
17、优选地，所述的角点检测算法，对于图像上的一个点，计算该点在8个方向上的灰度梯度，计算结构张量t，t由灰度梯度两两之间的乘积组成；
18、根据角点响应函数计算f值：
19、角点响应函数：f=det(t)-0.05×[trace(t)]2
20、如果f值大于设定的阈值，则认定该点为角点。
21、优选地，所述的surf算法检测，包括以下步骤：
22、s21.构建层数为6层的尺度空间金字塔，实际大小的图像位于最底层；
23、s22.对尺度空间金字塔中的每个点，计算hessian矩阵的行列式；
24、s23.将图像金字塔内的每个点在其每一层内进行非极大值抑制：通过比较每个像素点与其邻域内其他点的hessian矩阵行列式值，如果该点的行列式值在其3d邻域内是最大值或最小值，则初步确定为关键点，记录其位置与尺寸；否则，则将其舍弃；
25、s24.通过计算所述关键点邻域内的haar小波响应，统计所述haar小波响应来确定每个关键点的主方向；
26、s25.根据关键点的位置和主方向，生成描述子：选取一个包含关键点的区域，并将其划分为更小的子区域，在每个子区域内统计图像梯度信息，并将这些信息组合成一个向量，作为该关键点的描述子；
27、s26.使用生成的关键点描述子来进行特征匹配，相似的描述子对视为匹配的关键点对，标记该关键点对。
28、本发明所述s4步骤的仿射变换，包括以下步骤：
29、s41.选择关键点：在检测出的关键点中选择三个或更多的关键点，选择的关键点具有在变换过程中能够保持稳定和可识别的特性；
30、s42.确定对应点：在roi区域图像中确定与原始掌静脉图像中所述关键点相对应的位置；
31、s43.计算仿射变换矩阵：基于所述对应点，采用opencv的仿射变换函数计算出仿射变换矩阵，并生成校准的roi区域图像。
32、本发明的有益效果在于：
33、1、本发明对手掌图像进行旋转和倾斜的校正，提升掌静脉识别的鲁棒性。在面对不同条件和环境变化时，仍能保持稳定和可靠的性能。由于手掌姿势的变化是实际应用中常见的干扰因素之一，因此对手掌姿势的倾斜校正有助于提高掌静脉识别算法在复杂环境中的适应性和鲁棒性。
34、2、本发明通过仿射变换对掌静脉roi区域的图像校准，计算相对简单，可以在保证一定精度的同时提高处理速度。这对于实时掌静脉识别来说尤为重要，因为需要快速而准确地处理大量的图像数据。仿射变换是一种保持直线和平行性不变的几何变换，它可以通过平移、旋转、缩放、反射等方式对图形进行操作。这种变换不改变图形间的相对位置和大小关系，即保持平行性和等比例性。
35、3、本发明在关键点检测采用了角点检测和surf算法检测的并集作为手掌关键点坐标，可以更加全面地检测关键点。并对仿射变换校准后的roi区域图像，采用图像去雾和自适应局部均衡化动态融合进行了图像增强，进一步提高图像的清晰度。
1.一种掌靜脉识别的roi图像提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述掌靜脉识别的roi图像提取方法，其特征在于，所述s1步骤的旋转和倾斜的校正：在掌静脉图像上标记出旋转角和倾斜角，再通过坐标变换，将旋转角、倾斜角置零；
3.根据权利要求1所述掌靜脉识别的roi图像提取方法，其特征在于，所述的s1步骤，校正后的掌静脉图像通过阈值检测，得出掌静脉图像中的手掌边缘。
4.根据权利要求3所述掌靜脉识别的roi图像提取方法，其特征在于，包括以下步骤：
5.根据权利要求4所述掌靜脉识别的roi图像提取方法，其特征在于：所述的s13步骤，对框选区域边缘区域的图像线条进行边缘检测和图像识别：手掌区域是一个平面图形有四条边，对其进行边缘检测，包括识别手掌和手指的半圆形分界线、识别手掌和手腕的分界线、识别手掌和手掌两侧环境的两条分界线，由以上四条分界线，得到手掌区域；若边缘检测成功，则判断所述圆形选框从掌静脉图像中框选到掌型轮廓。
6.根据权利要求1所述掌靜脉识别的roi图像提取方法，其特征在于，所述的s2步骤，分别使用角点检测算法和surf算法输出关键点，再将两次输出的并集作为手掌关键点坐标。
7.根据权利要求6所述掌靜脉识别的roi图像提取方法，其特征在于，所述的角点检测算法，对于图像上的一个点，计算该点在8个方向上的灰度梯度，计算结构张量t，t由灰度梯度两两之间的乘积组成；
8.根据权利要求6所述掌靜脉识别的roi图像提取方法，其特征在于，所述的surf算法，包括以下步骤：
9.根据权利要求1所述掌靜脉识别的roi图像提取方法，其特征在于，所述s4步骤的仿射变换，包括以下步骤：
