一种基于动态手指姿态的手掌活体检测方法与流程

本发明涉及生物特征识别，尤其涉及的是一种基于动态手指姿态的手掌活体检测方法。

背景技术：

1、随着信息技术的快速发展，基于生物模态的身份识别技术别因其高安全性、方便易用等特性而被广泛应用，其中包括人脸、指纹、虹膜、掌纹、声纹、步态等。这些技术已广泛应用于手机解锁、移动支付、门禁考勤等场景。相比于其他生物特征识别技术，掌纹识别具有高精度、非侵入性、隐私性好的特点，因此受到了越来越多的关注。目前掌纹识别的研究大多集中在图像预处理、特征提取和匹配等内容上，并且取得了令人瞩目的效果。然而，随着掌纹识别逐渐的普及和应用，安全性问题日益凸显。攻击者可能尝试使用盗取的掌纹图像或复制的掌纹模型等静态信息来欺骗识别系统，以获取未经授权的访问或服务。这种静态攻击形式给掌纹系统带来了严重的安全挑战。

2、为了解决这一安全挑战，学术界开始关注并研究活体检测技术。在掌纹识别系统中，活体检测的任务是确保用户提交的掌纹图像源自于活体手掌，而不是静态图像。活体检测技术通过分析生物特征、动态特征分析以及多模态融合等手段，有效地提高了掌纹识别系统的安全性和可靠性。通过引入活体检测技术，我们能够在保证掌纹识别系统高精度和高防伪性的同时，有效地应对各种静态攻击。

3、目前，已经有多种用于掌纹活体检测的方法被提出。这些方法可以分为以下两类：

4、1、基于灰度变化检测方法：该方法首先对手掌图像进行二值化处理，然后检测二值图中所有连通域，根据连通域的大小判断图像是否包含手腕。若包含手腕，则根据手腕区域边缘像素点的灰度变化以及手掌中心块位置的像素变化来判断手掌是否为活体。若不包含手腕，则仅根据手掌中心块位置的像素变化判断手掌是否为活体。然而，该方法容易受到背景环境和手掌位置的影响，难以准确判断活体状态。

5、2、基于深度学习检测方法：该方法首先采集用户的手掌图像，并对其进行归一化处理，得到目标训练图像。接着构建手掌活体检测模型，将目标训练数据输入模型进行训练。最后，基于训练好的模型对手掌图像进行活体检测或判断。

6、近两年，研究重点逐渐转向基于深度学习的检测方法，基本的范式如上所述，过程中会根据不同的需求进行特征或者多模态融合，从而实现高精度的手掌活体检测任务。然而，该类方法对系统的算力要求比较高，比如检测模型使用的是vit结构(vit模型的设计主要应用于图像分类领域)，其中最小的模型vit-base包含约86百万的参数。计算成本高，不适用于边缘计算类的系统。

7、因此，现有技术还有待改进。

技术实现思路

1、本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种基于动态手指姿态的手掌活体检测方法，以解决现有的掌纹活体检测方法检测精度低及计算成本高的问题。

2、本发明解决技术问题所采用的技术方案如下：

3、第一方面，本发明提供基于动态手指姿态的手掌活体检测方法，包括：

4、获取多张手掌图像，并通过预处理得到各手掌图像对应的手指区域信息；

5、根据得到的手指区域信息获取对应的手指区域分割图，并根据掌心定位点确定手指检测圆，基于所述手指检测圆及手指区域的交线图确定各手掌图像对应的手指开闭状态；

6、根据所有的手指开闭状态动态检测多张所述手掌图像是否来自于生物活体。

7、在一种实现方式中，所述获取多张手掌图像，并通过预处理得到各手掌图像对应的手指区域信息，包括：

8、获取多张所述手掌图像；

9、对各手掌图像进行高斯滤波和阈值分割，并查找得到的手掌二值分割图中手掌区域的所有连续轮廓点，得到对应的手掌轮廓图像；

10、根据各手掌轮廓图像确定对应的手掌的参考圆及手指区域信息。

11、在一种实现方式中，所述对各手掌图像进行高斯滤波和阈值分割，并查找得到的手掌二值分割图中手掌区域的所有连续轮廓点，得到对应的手掌轮廓图像，包括：

12、通过预设高斯滤波器对各手掌图像进行平滑处理，消除由光照环境因素引起的噪点；

13、基于自适应阈值分割算法将经过平滑处理的手掌图像进行二值化处理，利用网络种子填充算法计算二值处理后的图像的非零像素连通域，并保留面积最大的连通域，将其余区域全部填充为0，获得各手掌图像对应的手掌二值分割图；

14、使用基于扫描线的轮廓检测算法，找到各二值分割图中手掌区域的所有连续轮廓点，得到对应的手掌轮廓图像。

15、在一种实现方式中，所述根据各手掌轮廓图像确定对应的手掌的参考圆及手指区域信息，包括：

16、对于各手掌轮廓图像，确定包围轮廓的最小矩形，根据所述最小矩形确定最小外接圆的直径及坐标，并计算得到最小内接圆，比较轮廓的面积和最小外接圆的面积，确定最大内接圆的半径及坐标；

17、以所述最大内接圆的圆心为原点，所述最大内接圆与所述最小内接圆的圆心连线为x轴，建立坐标系，并建立一个与手掌图像尺寸相同的手指区域二值图像，得到对应的手指区域信息。

18、在一种实现方式中，所述根据得到的手指区域信息获取对应的手指区域分割图，并根据掌心定位点确定手指检测圆，基于所述手指检测圆及手指区域的交线图确定各手掌图像对应的手指开闭状态，包括：

19、将得到的手指区域二值化图像与原手掌二值化分割图进行矩阵乘法，得到手指区域的二值化分割图像；

20、选取所述掌心定位点，并基于所述掌心定位点确定所述手指检测圆；

21、基于所述手指检测圆构建对应的二值图，根据所述二值图确定手指检测圆和手指区域的交线图，基于所述手指检测圆及手指区域的交线图确定各手掌图像对应的手指开闭状态。

22、在一种实现方式中，所述选取所述掌心定位点，并基于所述掌心定位点确定所述手指检测圆，包括：

23、将计算得到的最大内接圆的圆心定为掌心定位点，以手掌参考点为圆心，设置所述手指检测圆的半径为手掌内最大内接圆半径的4/3，并根据所述手指检测圆的半径与长度的关系，更新手指检测圆的半径。

24、在一种实现方式中，所述基于所述手指检测圆构建对应的二值图，根据所述二值图确定手指检测圆和手指区域的交线图，基于所述手指检测圆及手指区域的交线图确定各手掌图像对应的手指开闭状态，包括：

25、基于所述手指检测圆构建对应的二值图，将所述二值图与手指区域的二值化分割图进行矩阵乘法，得到所述手指检测圆和手指区域的交线图；

26、利用种子填充法计算交线图的非零像素连通域，并计算各连通域的尺寸；

27、计算手指的参考弧线长，根据所述手指的参考弧线长确定手指开闭状态的判定参数；

28、将计算的连通域的尺寸与所述手指开闭状态的判定参数进行对比；

29、根据对比结果确定对应的手掌图像的手指开闭状态。

30、第二方面，本发明提供一种基于动态手指姿态的手掌活体检测装置，包括：

31、手指区域获取模块，用于获取多张手掌图像，并通过预处理得到各手掌图像对应的手指区域信息；

32、手指状态检测模块，用于根据得到的手指区域信息获取对应的手指区域分割图，并根据掌心定位点确定手指检测圆，基于所述手指检测圆及手指区域的交线图确定各手掌图像对应的手指开闭状态；

33、手掌活体检测模块，用于根据所有的手指开闭状态动态检测多张所述手掌图像是否来自于生物活体。

34、第三方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有基于动态手指姿态的手掌活体检测程序，所述基于动态手指姿态的手掌活体检测程序被所述处理器执行时用于实现如第一方面所述的基于动态手指姿态的手掌活体检测方法的操作。

35、第四方面，本发明还提供一种介质，所述介质为计算机可读存储介质，所述介质存储有基于动态手指姿态的手掌活体检测程序，所述基于动态手指姿态的手掌活体检测程序被处理器执行时用于实现如第一方面所述的基于动态手指姿态的手掌活体检测方法的操作。

36、本发明采用上述技术方案具有以下效果：

37、本发明通过获取多张手掌图像，并通过预处理得到各手掌图像对应的手指区域信息，可根据得到的手指区域信息获取对应的手指区域分割图，并根据掌心定位点确定手指检测圆，基于手指检测圆及手指区域的交线图确定各手掌图像对应的手指开闭状态，根据所有的手指开闭状态动态检测多张手掌图像是否来自于生物活体。本发明能够在非接触式掌纹识别系统中实现高效、准确的活体检测任务，具有运行效率高的特点，能够在计算力和存储资源有限的硬件平台上实时进行手掌活体检测任务。