[实用新型]一种智能手掌静脉识别装置

说明书

技术领域

本实用新型涉及生物识别技术，具体涉及一种智能手掌静脉识别装置。

背景技术

生物识别技术在身份鉴定方面防伪性能好、不易伪造、且可随身“携带”与应用、具有更高的安全保密性与操作边界性。现阶段，用于生物识别的生物特征有手形、指纹、静脉、脸形、虹膜、视网膜、脉搏、耳廓等，行为特征有签字、声音、按键力度、步态等。手掌静脉识别是利用人体手掌部静脉血管的分布信息进行个人身份鉴别的生物特征识别技术。掌静脉位于皮肤表皮下，具有活体有效性，且人手平时处于半握拳状态，掌静脉信息不容易被窃取，具有较高的安全性，适用于公共安全、商业金融等对安全级别要求较高的场合。在实际应用中，图像获取是正确识别的前提，手掌摆放位置和方式直接影响着图像获取的质量；此外，后续图像处理也关系着整个识别的准确，建立完善系统的静脉图像识别方法是非常必要的。对于手掌静脉特征提取与识别方法大致分为两种：一种是基于整体的子空间学习方法，其识别率较好，但提取的特征维数较高，导致识别时间较长；另一种是基于曲线匹配的方法，需要一组与特定环境相关的实验参量，当手掌的姿态、大小和光照条件发生变化时，识别效果就会变差。

实用新型内容

本实用新型针对现有的手掌静脉识别技术方案存在的不足，提供了一种具有手掌支撑结构的智能手掌静脉识别装置，采用红外吸收原理，通过750～950nm光敏感的CMOS数字图像传感器并在前端添加窄带带通滤光器，消除其他波长光的干扰，静脉图像再经加载在工控电脑上的软件的归一化、增强、分割去噪、细化修复以及特征提取等处理获得最终输入特征变量，获得的数据可以通过无线上传至远端服务器，进行处理之后直接返回处理结果，便于系统应用于大规模的识别领域。

本实用新型是通过以下技术方案实现的：

一种具有手掌支撑结构的智能手掌静脉识别装置，包括底座、红外发射吸收模块、透明手掌支撑壳、供电模块、安装有静脉图像采集与处理软件的工控电脑、键盘输入模块和远端服务器。所述透明手掌支撑壳设置在底座上方，红外发射吸收模块设置在底座与透明手掌支撑壳之间，包括至少一个红外激光光源、CMOS传感器和CMOS传感器上方的窄带滤光片；所述静脉图像采集与处理软件安装在工控电脑内；所述供电模块为工控电脑和红外发射吸收模块供电；所述工控电脑通过有线或无线方式与远端服务器相连。

所述手掌支撑壳为聚甲基丙烯酸甲酯、聚苯乙烯、聚碳酸酯或丙烯腈-丁二烯-苯乙烯共聚物材质。

所述手掌支撑壳上方设有不透明的弧形遮光板。

所述红外发射吸收模块与工控电脑通过USB端口相连。

所述红外发射吸收模块的红外激光光源为λ＝850nm的激光二极管。

所述的CMOS传感器为对750～950nm光敏感的CMOS数字图像传感器

与现有方案相比，本实用新型结构简单、便于操作、集成度高，可实现掌静脉的快速智能识别。首先，通过手掌支撑结构解决了掌静脉图像获取过程手掌摆放位置和方式等问题，进而得到一致性的静脉图像；其次，优化电源电路设计，使得光源强度的一致性输出，减少发射光对图像的干扰，达到对静脉图像的快速采集、智能识别。

附图说明

图1是本实用新型的智能手掌静脉识别装置结构图。

具体实施方式

以下结合附图和实施例对本实用新型的技术方案作详细说明。

如图1所示，本实用新型的智能手掌静脉识别装置，包括底座、红外发射吸收模块、透明手掌支撑壳、供电模块、工控电脑、键盘输入模块、静脉图像采集与处理软件和远端服务器。透明手掌支撑壳设置在底座上方，为聚甲基丙烯酸甲酯、聚苯乙烯、聚碳酸酯或丙烯腈-丁二烯-苯乙烯共聚物材质，支撑结构平均厚度为3mm，手掌支撑壳上方设有不透明的弧形遮光板；红外发射吸收模块设置在底座与透明手掌支撑壳之间，包括多个λ＝850nm的激光二极管、对750～950nm光敏感的CMOS传感器和设置在CMOS传感器上方的窄带滤光片，红外发射吸收模块由12V开关电源结合恒流稳压芯片构建光源功率调节电路，并加入光电耦合器件实现光电隔离，确保激光二极管的稳定输出。

静脉图像采集与处理软件安装在工控电脑内，工控电脑采用12V开关电源供电，红外发射吸收模块与工控电脑通过USB端口相连，工控电脑的中央处理芯片采用英特尔低功耗芯片，并设有1个千兆网卡、多个USB接口、300M WIFI。

使用时，手掌贴合在透明手掌支撑壳上，在λ＝850nm激光光源的照射下，血液中血红蛋白对红外光的吸收能力强于其他组织，静脉血管部分对应在静脉图像中形成暗影，通过窄带带通滤光器消除其他波长光的干扰，由CMOS数字图像传感器获得手掌静脉图像。静脉图像传输至工控电脑上，由静脉图像采集与处理软件判断是否进行云端处理，如果是图像将被传输到远端服务器进行处理后直接回传结果；若直接本地处理，则继续判断图像是否作为标准数据库，如果是的话，需要进行储存在进行分析处理，否则直接处理。通过进行静脉图像的尺寸与灰度归一化、增强、分割、滤波、去噪、细化修复以及特征提取等处理获得最终输入特征变量。特征变量通过分类算法实现对类间、类内的快速识别。