基于單尺度Retinex的可控手指靜脈圖像拼接算法

林劍，鐘舜聰,2

1.福州大學 機械工程及自動化學院 光學/太赫茲及無損檢測實驗室，福建 福州 350108；2.上海大學 機電工程及自動化學院，上海 200444

基于單尺度Retinex的可控手指靜脈圖像拼接算法

林劍1，鐘舜聰1,2

1.福州大學 機械工程及自動化學院 光學/太赫茲及無損檢測實驗室，福建 福州 350108；2.上海大學 機電工程及自動化學院，上海 200444

本文針對小型化圖像采集模塊所采集的兩幅同源且具有重疊部分的手指靜脈圖像，提出一種基于單尺度Retinex的可控手指靜脈圖像拼接算法。通過改進的單尺度Retinex算法對手指靜脈圖像進行增強，采用SIFT算法提取增強后的兩幅手指靜脈圖像特征點，使用歐式距離作為相似性度量工具對特征點進行粗匹配，用RANSAC算法估算圖像間的單應矩陣，同時結合本文的透視變換圖像輪廓頂點的約束條件控制圖像拼接結果，最后采用像素加權平均融合算法實現手指靜脈圖像的無縫拼接。實驗結果表明，該圖像拼接算法拼接可控，視覺效果良好，適用于手指靜脈圖像拼接。

手指靜脈識別；圖像拼接；尺度不變特征轉換；圖像增強；單尺度Retinex

引言

手指靜脈識別是利用人的手指靜脈特征實現身份認證的一種生物識別技術，該技術因具有活體識別、高安全性、易使用等特點，受到越來越多研究學者的關注。該技術已經逐步應用于樓宇門禁、銀行、ATM機、PC登入、汽車安全等領域[1]。國內外對于手指靜脈識別技術的研究主要包括：手指靜脈圖像采集系統[2]、手指靜脈圖像去噪和增強[3-4]、手指靜脈圖像分割[5-8]、手指靜脈特征提取與匹配[9-12]和手指靜脈與指紋結合的雙模態識別[13]等。從公開的文獻可知，為了獲得攜帶更多手指靜脈信息的手指靜脈圖像，手指靜脈圖像采集模塊尺寸一般都比較大。目前，指紋認證技術已經成功應用于手機等小型設備中，因此，手指靜脈認證模塊的小型化也將會是一個趨勢。若將手指靜脈圖像采集模塊小型化，則其只能采集到部分的手指靜脈圖像，無法獲得足夠的手指靜脈信息。

圖像拼接技術簡而言之是將存在重疊部分的圖像序列融合為一幅新圖像，其過程主要有：圖像預處理、圖像配準和圖像融合[14]。圖像拼接技術已經廣泛應用于攝影測量學、計算機視覺、遙感圖像處理、醫學圖像分析、計算機圖形等領域[15]。針對小型化手指靜脈圖像采集模塊所存在的無法獲得較為完整的手指靜脈信息的問題，本文通過圖像拼接技術來解決，一方面可以實現手指靜脈圖像采集設備小型化，另一方面保證了具有足夠的手指靜脈信息來提高識別精度及可靠性。目前的圖像拼接算法大致可分為：基于模型的方法[16]、基于變換域的方法[17]、基于灰度相關的方法[18]和基于特征的方法[19-20]。與前3類圖像拼接方法相比，基于特征的方法具有計算量小、速度快的特點，對于圖像的畸變、噪聲等具有一定的魯棒性[15]。近幾年，尺度不變特征變換算子[21]（Scale-Invariant Feature Transform，SIFT）因其具有尺度不變性、旋轉不變性而受到許多研究學者的青睞，該算子為局部特征描述算子，由David Lowe于1999年提出，并在2004年進行了完善和總結，其對于圖像的旋轉、平移、圖像形變等都具有較好的適應能力，是一種比較好的特征點提取算子[19]，因此成為了圖像配準領域的研究熱點[14]。

本文采用圖像拼接技術對兩幅同源且具有重疊部分的手指靜脈圖像進行拼接。首先，通過改進的單尺度Retinex算法對手指靜脈圖像進行增強，采用SIFT算子提取增強后的兩幅手指靜脈圖像特征點，然后使用歐式距離作為相似性度量工具對特征點進行粗匹配，接著用RANSAC算法估算圖像間的單應矩陣，同時結合本文的透視變換圖像輪廓頂點的約束條件控制圖像拼接結果，最后采用像素加權平均融合算法消除圖像拼接縫，實現手指靜脈圖像的無縫拼接。實驗結果表明，該圖像拼接算法拼接效果良好可控，適用于手指靜脈圖像拼接。

1 手指靜脈圖像拼接理論及其算法

對兩幅具有重疊部分的手指靜脈圖像進行拼接，關鍵是對兩幅手指靜脈圖像進行圖像配準，尋找兩幅圖像間的最優變換矩陣，然后通過圖像融合算法，實現手指靜脈圖像的無縫拼接。近紅外光下所采集的手指靜脈圖像通常具有以下特點：① 圖像局部區域靜脈與背景的對比度低；②手指關節連接處，圖像灰度值大，關節兩側灰度值小；③手指中不同厚度的骨骼和肌肉組織，在近紅外線透射下得到的圖像會產生陰影[1]。因此，在采集手指靜脈圖像過程中，可能出現一些圖像對比度不高、圖像模糊等情況，不利于后續相應手指靜脈圖像特征點的提取。因此，本研究在手指靜脈圖像拼接之前，先對其進行圖像增強處理，以獲取更多細節信息，然后通過增強后的兩幅手指靜脈圖像尋找圖像間的最優變換矩陣，最后實現原圖像的拼接。

1.1 圖像增強

Retinex理論[22]是由Land提出，根據該理論可將一幅圖像看作是由反應環境照射光線的入射分量和攜帶物體本質特征的反射分量組成，其數學表達式為：

其中，S(x,y)為原始圖像；L(x,y)代表環境照射光線的入射分量；R(x,y)代表反映物體本質的反射分量。

根據Retinex理論，單尺度Retinex算法[23-26]是將圖像置于對數域中進行處理，即對式(1)兩邊同時取對數，其數學表達式為：

其中，R＇(x,y)為輸出圖像，E(x,y)被稱為環境函數，需具有低通特性，通過與原圖像卷積運算估計入射分量L(x,y)。由式(2)可知，Retinex理論的關鍵步驟為入射分量的估計，去除原始圖像入射分量，即可得到攜帶物體本質特征的圖像R＇(x,y)。

為了簡化計算，提高圖像處理速度，本文借鑒文獻[27]的處理方法，將式(2)、式(3)簡化為：

1.2 基于特征點的圖像配準算法

圖像配準是將不同條件下獲取的兩幅或多幅圖像進行匹配、疊加的圖像處理過程，即尋找一種最優的空間映射關系，使得圖像間相同的特征點具有一一對應的關系。其過程一般包括以下3個步驟：

（1）特征點的提取。本研究采用SIFT算子提取經圖像增強處理后的手指靜脈圖像特征點，得到兩幅圖像的SIFT特征向量。SIFT特征點提取算法[31-33]的主要思想是：①在高斯差分金字塔尺度空間提取極值點作為特征點，并確定特征點的位置和所處的尺度；② 使用特征點鄰域梯度的主方向作為該特征點的方向，以實現算子對尺度和方向的無關性；③ 用128維的歸一化SIFT特征向量來描述每個特征點。此時的SIFT特征向量已經具有尺度不變性、旋轉不變性等特性。

（2）特征點的粗匹配。通過SIFT算法提取特征點，采用特征向量的歐式距離作為相似性判定度量工具對兩幅圖像中特征點進行粗匹配。首先，取其中一幅圖像的某個特征點，然后找出另一幅圖像中與其歐式距離最近的前兩個特征點，在這兩個特征中，如果最近的距離與次近的距離的比值小于閾值，則接受這一對匹配點。該閾值越低，得到的匹配點對越少。

（3）特征點的精匹配及單應矩陣的生成。計算單應矩陣H，即求一個平面的特征點到另外一個平面的最優變換矩陣。此過程將結合RANSAC算法[28]，剔除粗匹配中存在的錯誤匹配點對，從而得到精匹配點對。對于同一視點拍攝的序列圖像，相鄰兩幅圖像間的變換關系可以采用如下的8參數模型來描述[29]：

其中，mi(i=0,1,…7)為投影變換參數，（x＇,y＇,1）和（x,y,1）分別為兩幅待拼接圖像對應點坐標。由式(5)可知，H為包含8個自由度的3×3方陣，只需由兩平面中的4對匹配點方可計算得出。

傳統的單應矩陣生成的具體過程為：① 從粗匹配點對中隨機抽取4對，將其作為初始內點計算單應矩陣；② 用剩下的點對擬合初始單應矩陣，并計算匹配點對間的幾何距離之和，若距離之和小于設定的閾值，則添加到內點集中，否則作為外點舍棄；③ 重復步驟①、②，直至達到迭代次數，內點集不再擴充，選取內點數最多的點集作為正確的匹配點對，此時對應的單應矩陣就是圖像間的最優變換矩陣。

1.3 改進的手指靜脈圖像配準算法

通過1.2節步驟（3）中的一組RANSAC算法估算最優變換矩陣，經過多次迭代，通常來說已經可以得到比較準確的圖像間變換矩陣，圖像拼接效果也比較好。但是，若用于手指靜脈圖像拼接，仍需做一些改進。從手指靜脈圖像構圖來看，圖像可分為手指靜脈區域和圖像背景區域，手指靜脈圖像內容較為簡單。雖然經過圖像增強后，提取的SIFT特征點會增多，但是圖像間匹配點對依舊很少，且匹配點對可能會出現相對集中的情況。若經過一組RANSAC算法估算最優變換矩陣，雖然此時變換矩陣最優，但是由于RANSAC算法的隨機性，手指靜脈圖像的拼接效果可能不會達到預期效果。另外，本文的同源手指靜脈圖像（即出自于同一根手指）是將手指沿著手指方向水平平移得到，水平平移的最大距離為12 cm，由圖像采集模塊上的限位槽自動控制，將得到的兩幅待拼接手指靜脈圖像分別稱為源圖像和參考圖像。由手指靜脈圖像特點及其采集方式可知，參考圖像經過單應矩陣透視變換到源圖像所在平面后，透視變換圖像的輪廓變化不會很大。

本研究在傳統的圖像配準算法基礎上進行改進，在計算單應矩陣時添加約束條件，本研究把該約束條件稱為透視變換圖像輪廓頂點約束條件，其數學表達式為式(6)。首先，將參考圖像經最優變換矩陣得到透視變換后的圖像，然后提取4個圖像輪廓頂點坐標，若坐標不符合式(6)，則進行下一組最優變換矩陣的估算。該算法既保證了單應矩陣最優，同時也能讓手指靜脈圖像拼接效果更好。

其中，t為自適應修正系數，初始值設為0.3，t×thresh為自適應閾值，m21為透視變換圖像的高度，若在初始閾值條件下，經單應矩陣透視變換后的圖像輪廓頂點不滿足約束條件式(6)的次數達到20次，即經過20次最優矩陣估算，則通過式(8)調整修正系數來放大閾值，直至滿足約束條件；ri,ci(i=1,2,3,4)分別為升序排列后的透視變換圖像輪廓頂點的橫、縱坐標。經改進后的手指靜脈圖像配準算法流程圖，見圖1。

圖1 改進的手指靜脈圖像配準算法流程圖

1.4 手指靜脈圖像融合算法

將待融合的參考圖像通過最優變換矩陣H將參考圖像變換到源圖像所在平面，并對兩幅圖像的重疊區域進行圖像融合，完成手指靜脈圖像拼接。由于拍攝時照度不均勻引起的兩圖像重疊區灰度不一致，在拼接后的圖像中會出現明顯的拼接縫。當前對于拼接縫的處理方法有很多，如小波變換、拉普拉斯金字塔變換等[30]，本文使用像素加權平均融合算法[31-32]來對圖像拼接縫進行平滑處理，其數學表達式為：

其中，w1和w2為可調因子，且w1+w2=1，w1由1漸變為0，w2由0漸變為1。

2 實驗驗證及分析

2.1 實驗環境

自研制的手指靜脈采集模塊用于手指靜脈的圖像采集，見圖2，包括紅外線LED光源和攝像頭等。手指靜脈采集模塊采用透射式的方法，即紅外光透射過手指在攝像頭成像。將食指或者中指放入指槽水平移動采集待拼接手指靜脈圖像。中間指槽的兩邊是對稱分布的手指托板，用于放置非采集中的手指，同時，對稱分布的手指托板也可防止采集中的手指旋轉。

圖2 手指靜脈圖像采集模塊

本文算法是在MATLAB 2013平臺上編程實現，所有實驗結果均在1.86 GHz CPU，4 G內存的計算機上運行得到。

2.2 手指靜脈圖像拼接效果

選取同源的且具有重疊部分的兩幅手指靜脈圖像，每幅手指靜脈圖像分辨率為320 pix×240 pix，經過ROI提取得到圖像img1（圖3a）和img2（圖3b），圖中暗色紋路即為手指靜脈，亮度區域稱之為背景區域。

首先，對于環境函數E(x,y)有多種選擇，本文將環境函數定義為均值濾波算子，采用改進Retinex圖像增強算法對待拼接手指靜脈圖像img1、img2進行增強（圖3c～d）。從圖中可知，手指靜脈紋路通過圖像增強變得十分清晰，非手指靜脈區域同時也被增強，圖像細節更加突出，可以進行下一步特征點提取。接著采用SIFT算子對增強處理后的手指靜脈圖像提取特征點，并對特征點進行粗匹配（圖3e），從圖3e可知，此處存在明顯的1對錯誤匹配點。采用RANSAC算法濾除錯誤匹配點，得到精匹配點對（圖3f），并結合透視變換圖像輪廓頂點約束條件，此時由式(5)計算得到的最優、可控的單應矩陣為：

然后將圖像img2經單應矩陣H透視變換到圖像img1所在平面，圖像img2透視變換后的結果（圖3g），與圖像img1疊加得到手指靜脈拼接圖像（圖3h）。圖3h中箭頭所指為圖像拼接縫，這是因為兩幅圖像重疊區域灰度差異導致。因此，采用像素加權平均融合算法消除圖像拼接縫，得到手指靜脈圖像的無縫拼接圖（圖3i），圖中虛線框內區域為像素加權平均融合后的重疊區域，由圖可知，圖像拼接縫已被完全消除，重疊區域平滑過渡，同時手指靜脈信息也能夠較完整地保留。

2.3 手指靜脈圖像拼接過程實驗數據

經過多次仿真實驗，不難發現，圖像的尺寸越大，所提取的圖像特征點也越多，圖像拼接過程所花的時間也相應的增多。在本文中，待拼接圖像高度統一為80 pixel，手指靜脈圖像img1、img2拼接過程實驗數據，見表1。從表中可知，未進行圖像增強前，圖像img1和圖像img2幾乎提取不到SIFT特征點，經過本文的圖像增強算法之后，其SIFT特征點明顯增加，兩幅圖像所提取的SIFT特征點分別為177個、175個，兩幅圖像間粗匹配點對共有37對，經RANSAC算法提純后，得到24對正確匹配點（圖3f），圖中每條線代表一對匹配點。雖然單應矩陣具有隨機性，但添加約束條件后，使得透視變換后的圖像輪廓變化可控，可以達到預期的圖像拼接效果。在圖像img1、img2拼接過程中，自適應修正系數初始值為0.3，當前自適應修正系數為0.5，說明自適應修正系數經過調整1次，調整步長為0.2，來放大當前閾值，然后完成有效的手指靜脈圖像拼接。

圖3 手指靜脈圖像拼接過程

表1 手指靜脈圖像img1和img2拼接過程數據

另外，在手指靜脈圖像拼接實驗過程中，也存在圖像拼接失敗的情況，通過分析這些圖像拼接過程中的相關數據，圖像拼接失敗的原因可歸結為：① 不滿足本文所設置的透視變換輪廓約束條件；② 經過RANSAC提純后，當精匹配點對數小于6對時，若精匹配點對分布較為集中，手指靜脈圖像的效果則非常差，此時可加大兩幅手指圖像間的重疊度。

2.4 透視變換圖像輪廓頂點約束條件有無的比較

為了說明透視變換圖像輪廓頂點約束條件的有效性，本文對未添加透視變換圖像輪廓頂點約束條件的圖像拼接算法進行了實驗，對兩幅手指靜脈圖像img1、img2經過多次拼接，圖img2經透視變換的結果，見圖4。圖中只是選出了幾種可能出現的情況，每幅圖像的透視變換輪廓各不相同。從圖4中可以看出，經過透視變換后的圖像輪廓有時可能變化太大，如圖4第一行；也有滿足透視變換圖像輪廓頂點約束條件的，如圖4第二行，這是由于RANSAN算法的隨機性導致了單應矩陣也具有隨機性。由這兩行圖像的比較可知，圖中第二行透視變換圖像更符合預期的效果。因此，添加透視變換圖像輪廓頂點約束條件是有效的，使得圖像拼接效果在可控的預期范圍內。

圖4 無約束條件時透視變換結果

2.5 手指靜脈圖像拼接算法適用性

為了說明本文手指靜脈圖像拼接算法的適用性，本文選取了另外6組手指靜脈圖像（圖5）。每組兩幅待拼接圖像，由實驗室自制的手指靜脈圖像采集模塊采集得到，每一組手指靜脈圖像間的重疊度（等于手指水平平移距離）都不一樣，清晰度也不一樣，每幅手指靜脈圖像高度為80 pix，如圖5第一列、第二列所示。經過本文算法拼接得到的裁剪后的手指靜脈無縫拼接圖如圖5第三列所示，圖像中虛線框內為圖像重疊區域的像素加權平均融合效果。每一組的兩幅圖像配準后的精匹配平均誤差距離Dist，見表2，其值都小于本文所設置的閾值4，圖像間配準精度較高。

由圖5中可知，模糊的圖像只要滿足條件也能夠較好地完成拼接，手指靜脈圖像重疊區域平滑過渡，圖像拼接視覺效果良好，圖像拼接縫已被消除，因此，該算法適用于手指靜脈圖像。

圖5 不同組手指靜脈圖像拼接算法適用性驗證

表2 圖像配準數據

3 結論

本文針對手指靜脈圖像拼接算法展開研究，采用改進的Retinex圖像增強算法增強手指靜脈圖像，增加了提取的SIFT特征點數目。通過RANSAC算法提純匹配點對，同時設定透視變換圖像輪廓頂點約束條件，得到最優、可控的透視變換矩陣。使用像素加權平均融合方法來消除拼接縫，使得手指靜脈圖像重疊區域平滑過渡。結果證明，本文算法可以有效、穩定地控制手指靜脈圖像拼接，拼接后的圖像具有良好的視覺效果。后續工作將主要圍繞手指靜脈識別相關內容展開。另外，本文算法還只是對兩幅同源手指靜脈圖像拼接進行初步探索，實現了手指靜脈圖像的無縫拼接，仍有進一步改善和拓展的空間，如：① 對重疊度更小的手指靜脈圖像拼接算法進行研究；② 手指靜脈錯誤拼接類型歸類；③ 對手指靜脈圖像序列拼接算法進行研究。

[1] 楊穎,楊公平.手指靜脈識別技術[J].計算機科學與探索,2012,6(4):343-354.

[2] 管鳳旭,王科俊.基于自動調光功能的手指靜脈圖像采集系統[J].電子技術應用,2010,(10):120-123.

[3] 劉洋,郭樹旭,張鳳春,等.基于稀疏分解的指靜脈圖像去噪[J].信號處理,2012,28(2):179-185.

[4] Yang J,Shi Y.Finger-vein ROI localization and vein ridge enhancement[J].Pattern Recogn Lett,2012,33(12):1569-1579.

[5] 余成波,秦華鋒.手指靜脈圖像特征提取算法的研究[J].計算機工程與應用,2008,44(24):175-177.

[6] 王科俊,馬慧,李雪峰,等.使用方向濾波技術的手指靜脈紋路提取方法[J].中國圖象圖形學報,2011,16(7):1206-1212.

[7] Miura N,Nagasaka A,Miyatake T.Feature extraction of fingervein patterns based on repeated line tracking and its application to personal identification[J].Mach Vision amp; Appl,2004,15(4):194-203.

[8] Miura N,Nagasaka A,Miyatake T.Extraction of finger-vein patterns using maximum curvature points in image profiles[J].Ieice T Inf Syst,2005,90(8):347-350.

[9] Lee EC,Park KR.Restoration method of skin scattering blurred vein image for finger vein recognition[J].Electron Lett,2009,45(21):1074-1076.

[10] 江虹,郭樹旭.紅外光指靜脈圖像采集及其特征提取技術的研究[J].光電子:激光,2011,(9):1431-1434.

[11] 余成波,秦華鋒.手指靜脈圖像特征提取算法的研究[J].計算機工程與應用,2008,44(24):175-177.

[12] 林喜榮,莊波,蘇曉生,等.人體手背血管圖像的特征提取及匹配[J].清華大學學報:自然科學版,2003,43(2):164-167.

[13] 王科俊,馬慧,李雪峰.指紋及指靜脈雙模態識別的二級分類融合法研究[J].控制與決策,2011,26(8):1131-1135.

[14] 王娟,師軍,吳憲祥.圖像拼接技術綜述[J].計算機應用研究,2008,25(7):1940-1943.

[15] 嚴璐.圖像拼接算法研究[D].西安:西安理工大學,2009.

[16] 于振華,金波,陳璐藝,等.基于馬爾科夫和HHT的圖像拼接盲檢測[J].信息安全與通信保密,2010,(1):107-108.

[17] De Castro E,Morandi C.Registration of translated and rotated images using finite Fourier transforms[J].IEEE T Pattern Anal,1987,9(5):700-703.

[18] 胡社教,涂桂林,江萍.基于灰度相關圖像拼接的改進算法[J].合肥工業大學學報:自然科學版,2008,31(6):863-865.

[19] 李柏林.基于特征點圖像拼接的配準算法研究[D].天津:天津大學,2008.

[20] 李曉娟,郭寶龍.一種基于興趣點方向特征的圖像拼接方法[J].計算機工程與應用,2007,43(12):26-28.

[21] Lowe DG.Distinctive image feature form scale-invariant key points[J].IJCV,2004,60(2):91-110.

[22] Land EH,Mccann JJ.Lightness and retinex theory[J].J Opt Soc of Am,1971,61(1):1-11.

[23] 任斌.基于Retinex圖像增強算法研究與實現[D].南京:南京理工大學,2009.

[24] 儲昭輝,汪榮貴,方帥.基于Retinex理論的小波域霧天圖像增強方法[J].計算機工程與應用,2011,47(15):175-179.

[25] 宋凱,沈紅.多尺度Retinex灰度圖像增強算法[J].遼寧大學學報自然科學版,2008,35(1):46-48.

[26] 王華彬,陶亮.基于Retinex和小波分解的手背靜脈識別方法[J].系統工程理論與實踐,2014,34(2):428-436.

[27] Kim HG,Lee EJ,Yoon GJ,et al.Illumination normalization for SIFT based finger vein authentication[A].International Symposium on Visual Computing[C].Berlin:Springer,2012:21-30.

[28] 陸園園,張明.基于SIFT算法的紅外圖像拼接方法改進[J].計算機系統應用,2015,24(8):165-170.

[29] 李曉娟.圖像拼接技術研究[D].西安:西安電子科技大學,2007.

[30] 曹楠,王萍.基于SIFT特征匹配的圖像無縫拼接算法[J].計算機與應用化學,2011,28(2):242-244.

[31] 孔剛,戴道清,鄒魯民.多尺度X射線透視人體自動融合拼接[J].中國醫療設備,2008,23(7):12-15.

[32] 王嬌穎,陳衛東,李良福.一種基于特征不變描述的圖像無縫拼接算法[J].應用光學,2011,32(1):59-64.

Controllable Finger Vein Images Mosaic Algorithm Based on Single-Scale Retinex

LIN Jian1, ZHONG Shuncong1,2
1.Laboratory of Optics, Terahertz and Non-destructive Testing amp; Evaluation, School of Mechanical Engineering and Automation,Fuzhou University, Fuzhou Fujian 350108, China;2.School of Mechatronic Engineering and Automation, Shanghai University, Shanghai 200444, China

A controllable mosaic algorithm based on single-scale Retinex was proposed for two partially overlapping finger vein images from small image acquisition module. Firstly, finger vein images were enhanced by a modified single-scale Retinex.Subsequently, the feature points from two finger vein images were extracted and descripted by SIFT algorithm. Rough matched feature points were obtained by similarity measure with Euclidean distance. RANSAC algorithm was employed to eliminate error matched points and the homography matrix between two finger vein images was estimated. Meanwhile, constraints of the perspectively transformed image contour vertices were set to control the results of the image mosaic. Two finger vein images were stitched together and a weighted average fusion algorithm was used for seam elimination. The result of finger vein images mosaic can be controlled through constraints of the perspectively transformed image contour vertices. Experimental results demostrate that this algorithm is controllable, and suitable for finger vein images mosaic.

finger vein recognition; images mosaic; scale-invariant feature transform (SIFT); image enhancement; single-scale Retinex

TP391.4；TN911.7

A

10.3969/j.issn.1674-1633.2017.11.014

1674-1633(2017)11-0055-06

2017-02-23

2017-03-07

國家自然科學基金資助項目（51005077）；國家衛生和計劃生育委員會科研基金（WKJ-FJ-27）；教育部高等學校博士學科點科研基金（20133514110008）；福建省杰出青年基金（2014J07007）；福建省自然科學基金項目（2015J01234）。

鐘舜聰，教授，主要研究方向為光學、太赫茲及無損檢測。

通訊作者郵箱：zhongshuncong@hotmail.com

本文編輯 王靜