基于局部Gabor相位特征的手背靜脈識別方法

鄭英杰，顧曉東

0 引言

生物特征識別技術是利用人體所固有的生理特征和行為方式進行身份認證的一種技術。其中生物特征有指紋、虹膜、手形、脈搏等；行為方式特征有簽字，聲音以及按鍵力度等；生物特征以其不會消失、不會遺忘的特性在安全系統(tǒng)中發(fā)揮著重要的作用。

近年來，靜脈識別技術作為一種新興的生物特征識別技術逐漸受到學術界[1-3]和工業(yè)界[4]的重視，其中手部靜脈識別大致分為手指靜脈識別、手背靜脈識別以及手掌靜脈識別。除了經過手術入侵等改變外，每個人的皮下靜脈血管分布情況是不一樣的，而且在一定時期內，該分布情況都保持穩(wěn)定的。除此之外，由于血管在皮下，很難讓入侵者拷貝其模式，因此是理想的個人認證的特征。靜脈識別技術主要利用血液中的血紅蛋白吸收近紅外光線的特質，利用感紅外的相機獲取在近紅外光（波長在700nm到1000nm）照射下的靜脈圖片。然后通過濾波、二值化、細化等手段從靜脈圖片中提取靜脈的特征，并同存儲的靜脈特征的數(shù)據(jù)作比對，從而達到身份認證識別。

但以往的研究都是基于靜脈的局部結構，在提取靜脈骨架特征的時候往往會產生噪聲和毛刺問題，而且對靜脈圖像的幾何變化魯棒性也不夠強。因此，本文提出了一種基于全局特征和局部特征相結合的靜脈識別算法來避免了上述的兩類問題。文章組織結構如下，在第1部分給出了手背靜脈采集系統(tǒng)的描述；第2部分描述了對靜脈圖像進行預處理和感興趣區(qū)域提??；第3部分對感興趣區(qū)域做Gabor濾波，針對得到的Gabor相位信息進行編碼，并用局部異或算子和直方圖分別提取局部特征和全局特征，最后采用卡方距離進行特征匹配，算法在自制的手背靜脈圖庫上得到了很好的識別效果。

1 系統(tǒng)描述

由于到現(xiàn)在為止，沒有一個公共的手背靜脈庫來供研究者研究使用，因此我們自制了一個手背靜脈圖像采集儀。該儀器主要利用了手背靜脈血管中的血紅蛋白吸收近紅外光波的特性，當用850nm的紅外發(fā)光二極管照射手背時，由于血紅蛋白吸收此波段紅外光，所以用帶有波長為850nm的紅外濾光鏡的低照度黑白CCD攝像機可拍攝手背靜脈血管的陰影圖像，采用的是反光取圖而不是透射光取圖。然后通過視頻采集卡將采集到的圖片傳入到計算機進行處理和識別。自制的采集儀采集到的手背靜脈圖片如下圖1所示：

圖1 采集到的手背靜脈圖像

2 手背靜脈圖像預處理

為了準確的提取手背靜脈信息，并且消除其他各種因素的影響，首先對采集到的手背靜脈圖像進行預處理。本文的預處理主要包括手背靜脈感興趣區(qū)域提取，歸一化以及濾波去噪。通過文獻[5]的ROI提取算法得到了手背靜脈圖像的感興趣區(qū)域，該方法手背外側邊界接近于直線的特點進行定位，通過模板提取邊界后，利用曲線彎曲度進行目標曲線段的選擇，最后使用最小二乘法進行直線擬合，得到了手背靜脈圖像的感興趣區(qū)域。由于不同人的手背大小不一樣，而且相同人不同采集條件下也不盡相同，所以需要進行歸一化處理展開為統(tǒng)一尺寸200x200。為了去除圖像噪聲信息，采用了2D的高斯濾波器對圖像進行濾波，采用的高斯濾波器的標準偏差為3.0，最后預處理完得到的靜脈圖像結果如下圖2所示：

圖2 手背靜脈圖像的感興趣區(qū)域

3 手背靜脈特征提取

3.1 2D Gabor濾波器

傳統(tǒng)的靜脈識別算法都是基于手背靜脈的局部細節(jié)特征，雖然局部的細節(jié)特征能高效的表達靜脈的模式特征，但是提取局部特征的過程中產生的毛刺問題、噪聲問題以及抗幾何變化問題都會影響到最終的識別效果。基于Gabor相位編碼[5]的方法能夠很好的提取到靜脈的局部特征，但如果在匹配識別過程中靜脈圖像樣本有移位、旋轉、縮放等幾何變化，由于該算法是基于像素級的識別方法，就有可能導致最終識別會產生誤差甚至誤識誤判等。

為了讓算法對靜脈的幾何變化有較強的魯棒性，本章節(jié)引入了直方圖特征來表達靜脈圖像的全局特征，并且結合局部的Gabor相位特征來更好的表達靜脈模式，同時提高系統(tǒng)的識別率和可靠性。具體的算法如下描述：

由于靜脈圖像的紋理特征能夠表征個體靜脈特征的唯一性，本算法采用Gabor濾波器組來提取靜脈的紋理特征，Gabor濾波器組由一組不同方向和尺度的Gabor濾波器構成。

Gabor濾波器的表達式如下式（3.1）所示

其中（2n+1）2表示Gabor的濾波器大小。靜脈圖像I的Gabor濾波定義為與Gabor濾波器的卷積，具體實現(xiàn)如下式（3.3）所示：

其中x，y表示圖像當前所處的位置，符號“?”表示二維的卷積操作，圖像與Gabor濾波器卷積后的結果，f為濾波器尺度，θ為濾波器的方向。

3.2 局部異或算子（Local XOR Pattern）及流程

許多國內外現(xiàn)有研究都是利用Gabor濾波的幅值特征來進行特征提取和模式分類[8-12]，但是Gabor濾波的相位特征也含有豐富的特征信息，而且這些特征信息足以用來進行模式分類和模式識別。近來B.Zhang，S.Shan等[9]提出了利用Gabor相位特征的新的紋理特征提取方法，而且其實驗結果表明該算法相對于傳統(tǒng)算法，復雜度降低，算法效率得到顯著提高，該方法利用一個局部異或算子（LXP）來提取Gabor相位的局部變化特征。

在手背靜脈圖像的特征提取中，同樣采用了局部異或算子（LXP）來提取其紋理特征。LXP是由局部二值算子（LBP）[9]改進而來。局部異或算子提取圖像紋理的局部變化特征，在圖像的紋理特征提取和紋理分類中有著廣泛的應用，但是LBP只提取了局部特征，沒有將紋理圖像的全局特征利用起來。LXP作為LBP的改進，將紋理特征的局部變化特征和全局特征結合起來，更加有利于紋理特征的提取。LBP可以用于灰度圖像的局部變化特征提取，LXP可以對二值圖像進行局部變化特征提取。因此，LXP可以直接用于Gabor濾波相位信息的四象限編碼圖，因為四象限編碼將相位信息編碼為兩幅二值圖像。具體的算法流程如下所示：

1.首先，將靜脈圖像進行二維Gabor濾波，由于得到濾波系數(shù)是復數(shù)，利用濾波系數(shù)的實部和虛部信息，求得Gabor濾波系數(shù)的相位值，具體的相位求解方法如公式（3.4）所示，其中為Gabor濾波后得到的濾波系數(shù)：

2.隨后對Gabor濾波的相位信息進行四象限編碼，具體的編碼方式如下式所示，整個相位信息經過四象限編碼后得到兩個二值編碼圖，其中代表了Gabor相位編碼圖的一部分，暫且稱之謂相位編碼的實部，代表了Gabor相位編碼圖的另一部分，暫且稱之謂相位編碼的虛部，具體如下式（3.5）所示：

3.最后一步是利用LXP算子對Gabor相位信息的四象限編碼圖進行特征提取。假設當前要處理的圖像像素處在Gabor四象限編碼圖像的位置為（x，y），將當前像素的值（二值）與像素周圍的二值像素做異或算法，即當前像素值與比較的像素值相同則為0，反之為1。然后將當前像素周圍異或得到的值乘以一個定義好的系數(shù)，并進行相加，具體的算法如公式（3.6）所示：

其中，k=7，因此最終得到的的取值范圍為為當前像素（x，y）得到的實部Gabor相位編碼二值圖像的值，為當前像素（x，y）得到的虛部Gabor相位編碼二值圖像的值，‘⊕’為異或算子。

為了能夠更好的理解整個算法的過程，下面給出了一個具體的例子，如圖（3）所示，當前像素的值為1，依次將當前元素和周圍的二值像素做異或計算，并且將結果保存，然后每個像素的異或值乘上一個系數(shù)矩陣[1，2，4，8，16，32，64，128]，并且相加得到結果105。至于系數(shù)矩陣采用這樣的權重數(shù)值，是為了后面更好的統(tǒng)計整個LXP算子處理完后結果的直方圖統(tǒng)計。

圖3 LXP算法的例子示意圖

由于Gabor濾波可以有不同的參數(shù)來設定濾波器的方向和尺度，因此需要計算所有方向和尺度上的LXP結果，假設Nf代表Gabor濾波器的尺度數(shù)目，θ代表Gabor濾波器的方向數(shù)目，那么經過LXP計算過后的圖像結果數(shù)目為2*Nθ*Nf。

在得到各個方向和尺度上Gabor濾波相位的LXP結果后，為了比較兩個不同樣本的LXP特征的匹配情況，我們假設有兩個需要匹配樣本的LXP結果T和Q，我們對LXP特征圖進行直方圖統(tǒng)計，直方圖信息可以有效的表征圖像全局特征。這樣就可以將LXP得到的局部變化特征和全局特征有效的結合起來，具體的兩個不同樣本的LXP直方圖統(tǒng)計信息的比較就可以采用傳統(tǒng)的卡方距離算法，具體的算法如下式（3.7）所示：

其中B是直方圖統(tǒng)計信息中的元素個數(shù)，是LXP圖像T的第i個方向、第j個尺度、第m個直方圖元素的直方圖值，圖像R的第i個方向、第j個尺度、第m個直方圖元素的直方圖值。

4 實驗及結果

整個算法的實現(xiàn)平臺是用普通臺式機，臺式機的操作系統(tǒng)為windows xp，硬件配置為P4 2.8G 英特爾的CPU和1G的DDR2 RAM，軟件運行版本為MATLAB 2007。

整個實驗的數(shù)據(jù)庫為自制的手背靜脈圖像數(shù)據(jù)庫，該數(shù)據(jù)庫包括204張近紅外手背靜脈圖片，分別從68個樣本手背進行采集，每個樣本采集三張不同光照情況下的圖像。由于LXP算法需要采用Gabor濾波器不同方向和尺度得到的濾波系數(shù)，本實驗中，Gabor濾波器采用的尺度大小f的值分別設置為：0.1，0.2和0.3，濾波器的8個方向為別為：我們利用錯誤接受率（FAR）和錯誤拒絕率（FRR）來衡量算法的有效性，隨機選取相同手背個體樣本中的一副圖像作為注冊的圖像，另外兩幅作為測試圖像來測試算法，下圖4.1為LXP算法不同卡方距離閥值下的FAR和FRR曲線，其中橫坐標為錯誤率，縱坐標為不同的卡方距離。

圖4 LXP算法在不同卡方距離閥值下的FAR和FRR曲線

從實驗結果可以看出，F(xiàn)AR和FRR的等錯誤概率（EER）在卡方距離范圍處在（1900，2500）時，取得值為0.0%，也就是在這個范圍內，測試樣本在本實驗數(shù)據(jù)庫上可以被正確的驗證出來，不會錯誤的拒絕和接受。為了比較本算法的性能，我們還測試了另外的算法，比如局部二值算子（LBP），改進的局部二值算子算法。算法比較主要考慮兩方面，一方面是算法的EER，另一方面就是算法的運行時間，所有算法的具體試驗結果如表4.1所示：

表1 不同算法的EER結果以及耗時時間

5 結論

本文利用紅外技術獲取了手背靜脈的圖像，然后對采集的圖像進行預處理，運用手背靜脈圖片的局部2D Gabor相位編碼變化特征來表示手背靜脈的局部特征，用直方圖來提取全局特征信息，最后用卡方距離來進行匹配識別，對自制的手背靜脈圖片樣本庫0%的等錯誤率（EER）。該方法不僅縮小了靜脈編碼的存儲空間大小，而且提高了匹配速度。盡管算法可以達到零的等錯誤概率，但是這個取得零等錯誤概率的區(qū)間相對很小，一旦系統(tǒng)外界環(huán)境發(fā)生變化或者其他因素，都可能會產生系統(tǒng)不穩(wěn)定，隨之導致這段區(qū)間的變小而導致性能的降低。為了提高系統(tǒng)穩(wěn)定性，可以結合其他的紋理特征例如掌紋使得效果更好和穩(wěn)定性更強，另外在采集設備上盡量減小整個采集系統(tǒng)的體積，制作嵌入式的采集識別終端，開發(fā)在線的識別系統(tǒng)，能工作于較差條件環(huán)境下或者使用低分辨率質量圖片來減少系統(tǒng)成本。

[1]Wang L.Infrared imaging of hand vein patterns for biometric purposes[J].IET Computer Vision，2007，1（3-4）:113-122.

[2]Lin C L，and Fan K C.Biometric verification using thermal images of palm-dorsa vein patterns[J].IEEE Transaction Circuits System Video Technologic，2004，14（2）:199–213

[3]Miura N，Nagasaka A，and Miyatake T.Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification[J].Machine Vision Application，2004，15:194–203

[4]Fujitsu Laboratories Ltd.Fujitsu Laboratories develops technology for world’s first contact-less palm vein pattern biometric authentication system[N/OL].[Online March 2003]，available at: http://pr.fujitsu.com/en/news/2003/03/31.html

[5]呂佩卓，賴聲禮，陳佳陽，胡蓉.一種自適應的手背靜脈區(qū)域定位算法[J].微計算機信息，2008，24（2-1）:208-209，296.

[6]Daugman J G，High Confidence Visual Recognition of Persons by a Test of Statistical Independence[J]，IEEE Trans.Pattern Analysis and Machine Intelligence，1993，15（11）:1148-1161.

[7]David Zhang，Wai-Kin Kong，Jane You，Michael Wong.Online Palm-print Identification[J].IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25（9）:1041-1050.

[8]Liu C，Wechsler H.Gabor feature based classification using the enhanced fisher discriminant model for face recognition[J].IEEE Transaction on Image Processing，2002，11（4），467-477.

[9]Gabor D.Theory of communication[J]，Journal of Inst.Electronic Engineer，1946，93（26）:429-457，1946.

[10]Baochang Zhang，Shiguang Shan，Xilin Chen，Wen Gao.Histogram of Gabor Phase Patterns（HGPP）:A Novel Object Representation Approach for Face Recognition[J].PAMI IEEE.2007，61（1）:57-58.

[11]Zhang W，Shan S，Zhang H，Chen J，Chen X，Gao W，Histogram sequence of local Gabor binary pattern for face description and identification[J].Journal of Software 2006，17，2508.

[12]王風華，姚向華，韓九強.基于多通道的Gabor濾波和特征融合的虹膜識別方法[J].光電工程，2007，34（12）: 72-77.