高質(zhì)量手掌靜脈圖像獲取及ROI提取的研究*

陳 朋，藍(lán)曉柯，金 峰，史金專

（浙江工業(yè)大學(xué)信息工程學(xué)院，杭州 310023）

高質(zhì)量手掌靜脈圖像獲取及ROI提取的研究*

陳 朋*，藍(lán)曉柯，金 峰，史金專

（浙江工業(yè)大學(xué)信息工程學(xué)院，杭州 310023）

針對手掌靜脈圖像獲取困難，獲取的手掌靜脈圖像質(zhì)量欠佳以及手掌區(qū)域定位方法復(fù)雜的問題，提出了一種手掌靜脈采集裝置，使用該裝置進(jìn)行手掌靜脈圖像采集。采用基于圖像二維熵和局部二維熵方法來評價采集的圖像質(zhì)量，并依據(jù)反饋的評價結(jié)果作為依據(jù)，自適應(yīng)控制近紅外LED的亮度和攝像頭的參數(shù)，重新采集直到獲得高質(zhì)量的手掌靜脈圖像。并將獲得的高質(zhì)量圖像作為手掌感興趣區(qū)域（ROI）提取及后續(xù)的圖像處理算法的輸入圖像。本文的圖像質(zhì)量評價方法采用改進(jìn)型適用于現(xiàn)場可編程門陣列（FPGA）平臺的加速實現(xiàn)方法，ROI提取通過構(gòu)建局部圖像快速判別和定位。實驗結(jié)果表明，使用二維熵評價圖像的方法配合反饋控制PWM波的輸出所采集的手掌靜脈圖像，比現(xiàn)有階段方法采集的圖像在灰度特性、靜脈特征的效果方面得到提升，同時獲得的圖像減少了后處理中ROI提取算法的計算量。

手掌靜脈，圖像質(zhì)量評價，熵，反饋，感興趣區(qū)域

隨著信息時代的快速發(fā)展，人們對信息安全性提出了更高的要求。傳統(tǒng)的識別技術(shù)，例如簽名，身份證，聲音等，這些依靠身外之物或者生物特性區(qū)別的驗證方式由于其存在容易被模仿，而逐漸被生物識別技術(shù)取代。生物識別技術(shù)以其難以偽造使得越來越得到重要應(yīng)用［1］，而靜脈識別相比其他的生物識別方法具有更高的可靠性［2］。手掌靜脈是活體才具有的特征，具有唯一性和穩(wěn)定性，因此，與手指靜脈相同，世界上沒有兩個人擁有相同的手掌靜脈特征［3］，手掌靜脈識別是一種安全可靠的認(rèn)證方式。手掌靜脈和手指靜脈認(rèn)證的原理是靜脈的特征明顯區(qū)分于周邊的皮膚的灰度值［4］，正是這種特性，可以作為生物識別的依據(jù)。但是手指靜脈和手背靜脈的缺陷是所含的靜脈信息太少，而不能滿足復(fù)雜匹配下的身份區(qū)分。國內(nèi)外學(xué)者對靜脈獲取進(jìn)行了大量的研究，Lee［5］使用CCD攝像頭配合近紅外LED陣列和紅外濾光片采集了手掌靜脈圖像，Michael等人［6］設(shè)計了一種將多種紅外光源下融合的采集手掌靜脈的方法?，F(xiàn)有研究階段下，靜脈的提取和識別的完整算法僅在PC端實現(xiàn)，并沒有在小型的嵌入式平臺上應(yīng)用［7］，適用范圍比較有限，這也給了靜脈采集系統(tǒng)的研制帶來了局限性。不同人群的手掌皮膚組織的薄厚程度不同，在相同的近紅外光下，采集到的靜脈圖像質(zhì)量也不一樣［8-9］，從而影響了后續(xù)的圖像處理效果和驗證的準(zhǔn)確性。因此，必須使用一種有效快速的方法判定圖像的質(zhì)量。目前針對手掌靜脈圖像尚沒有被廣泛認(rèn)可的完整質(zhì)量評價體系，Jia等人［10］使用二維熵方法評價圖像質(zhì)量，提出了灰度均值和方差作為評價圖像亮度的標(biāo)準(zhǔn)，效果比較明顯。然而采集低質(zhì)量靜脈圖像嚴(yán)重影響識別率，因此采集系統(tǒng)的設(shè)計十分重要，使用近紅外敏感高的攝像頭，并結(jié)合圖像評價方法來獲得更好的靜脈圖像質(zhì)量［11］。

手指靜脈采集和評價系統(tǒng)［12-13］研究領(lǐng)域有一定的成果。近紅外光作為獲取手掌靜脈的手段介，直接影響著手掌在攝像頭下的成像［14］，合適的光照強(qiáng)度增強(qiáng)采集靜脈圖像的效果。同時，分析手掌組織的光學(xué)特性，利用圖像對比度對手掌靜脈區(qū)域與非靜脈區(qū)域評價灰度差［15］，能有效的獲得高質(zhì)量靜脈圖像，并將此評價方法實現(xiàn)在指紋、指節(jié)紋和指靜脈的多特征圖像上，且融合三者的多模態(tài)關(guān)聯(lián)特征實現(xiàn)身份認(rèn)證［16］。而對較為復(fù)雜的圖像質(zhì)量評價方法［17］，受到嵌入式平臺上資源的限制。與此相關(guān)的機(jī)器視覺領(lǐng)域中，利用二維最大熵原理提出了適用于圖像分割應(yīng)用的一種分析方法［18-19］。

采集到的手掌靜脈圖像下一步驟是獲得ROI區(qū)域，后續(xù)在ROI區(qū)域上提取靜脈特征，因此高質(zhì)量的靜脈圖像是ROI提取的前提。為了有效提取出手掌區(qū)域內(nèi)所含有靜脈信息區(qū)域，有利用最大內(nèi)切圓方法提取ROI［20］，該方法比較適合在圖像質(zhì)量不佳的時候，結(jié)合手掌大面積區(qū)域的靜脈信息，但是過程復(fù)雜，計算量大。Han［21］利用手指根部節(jié)點定位ROI的方法，需要在手掌靜脈圖像的清晰可辨，圖像質(zhì)量高的要求下進(jìn)行，但是要對全圖進(jìn)行遍歷，浪費(fèi)了計算時間。

本文通過硬件的形式實現(xiàn)二維熵評價方法，使用該評價計算結(jié)果，反饋控制不同占空比的PWM波信號，驅(qū)動外部光源電路，從而控制LED發(fā)光陣列的發(fā)光強(qiáng)度，產(chǎn)生不同模式的亮度級別，直到獲得滿意的手掌靜脈圖像。另外，本文還提出了一種基于二維熵和局部二維熵的方法客觀評價手掌靜脈圖像質(zhì)量，該方法使后續(xù)ROI提取算法能有效快速的執(zhí)行。

1 系統(tǒng)組成

手掌靜脈位于皮膚之下，采集系統(tǒng)要求透過皮膚脂肪層獲得高質(zhì)量的靜脈圖像數(shù)據(jù)。本文設(shè)計的采集裝置由上層光源板和下層數(shù)據(jù)處理板組成，系統(tǒng)采集的結(jié)構(gòu)示意圖如圖1所示。上層光源板使用850 nm和940 nm的混合波長的近紅外LED，其中近紅外LED陣列圓形等距離分布在裝置上層的內(nèi)環(huán)與外環(huán)，發(fā)出的近紅外光均勻地分散在手掌上，提供采集手掌靜脈的光源。上層板包含一個高分辨率的圖像傳感器來獲取掌靜脈原始圖像，圖像傳感器直接與FPGA的接口連接。圖像的大小，曝光率等參數(shù)可以通過圖像傳感器的通信協(xié)議配置。上層光源板上的LED驅(qū)動電路驅(qū)動雙環(huán)的LED陣列，可以控制近紅外LED的發(fā)光強(qiáng)度。采集裝置的前端添加了帶通濾光片，濾除可見光等其余波段的干擾雜光。為了實現(xiàn)無接觸式的靜脈采集，增加高清多媒體接口（High Definition Multimedia Interface，HDMI）外接顯示器，利用提示界面，作為被采集者放置手掌的引導(dǎo)裝置，利于手掌方向的正確定位。

近紅外LED采用恒流驅(qū)動的方式，驅(qū)動器需要的PWM信號通過FPGA產(chǎn)生，使LED亮度規(guī)則地改變。具體的表現(xiàn)是FPGA一個32位的計數(shù)器產(chǎn)生10 kHz頻率的PWM信號，并通過FPGA內(nèi)部的AXI（Advanced eXtensible Interface）總線接口，繼而控制LED陣列的光照強(qiáng)度。改變PWM輸出的周期寄存器的值可以調(diào)整出合適的亮度用來捕獲靜脈圖像。

圖1 手掌靜脈采集系統(tǒng)示意圖

2 高質(zhì)量手掌靜脈圖像獲取

采集高分辨率的手掌靜脈圖像是提取特征點和匹配精確的前提，也是減小后續(xù)計算量和判別錯誤率的最有效方法。利用上述系統(tǒng)對手掌靜脈圖像進(jìn)行采集，再根據(jù)二維熵理論及應(yīng)用，評價圖像的質(zhì)量，多次反饋調(diào)整，從而獲取掌靜脈紋路清晰的圖像。本節(jié)主要介紹一種新型的圖像質(zhì)量評價算法，并且該算法可以利用FPGA的并行結(jié)構(gòu)特點來進(jìn)行快速實現(xiàn)。

2.1 圖像質(zhì)量評價

手掌靜脈采集的困難在于固定的光照密度不能適應(yīng)人群中不同皮膚厚度的手掌，而手掌靜脈采集系統(tǒng)需要應(yīng)對不同人群。圖像質(zhì)量評價是對圖像清晰度和信息量的判斷，尤其對不同光照環(huán)境下采集的手掌靜脈圖像來說，圖像質(zhì)量需要統(tǒng)一的鑒別標(biāo)準(zhǔn)。

對手掌靜脈圖像來說，靜脈特征需要區(qū)別于皮膚和環(huán)境，因此采用直接采集灰度圖像，也能準(zhǔn)確反映靜脈區(qū)別去皮膚的特征信息，省去了后續(xù)圖像方式轉(zhuǎn)換的計算量。

圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量，pi表示圖像中灰度值為i的像素在圖像中出現(xiàn)的概率，按照香農(nóng)信息熵理論，則定義灰度圖像的一元灰度熵為［10］：

手掌靜脈圖像的一維熵可以表示圖像灰度分布的聚集特征，卻不能反映手掌靜脈連續(xù)脈絡(luò)和分散枝干的灰度分布。因此，需要考慮周圍像素點的影響，使用圖像的二維熵表征這種特征。具體方法是：選擇手掌靜脈圖像的鄰域灰度均值作為灰度分布的空間特征量，與圖像的像素灰度組成特征二元組，記為（f（x，y），g（x，y）），計算該灰度鄰域的灰度平均值如式（2）所示。其中f（x，y）表示像素的灰度值（0≤f（x，y）≤255），g（x，y）表示鄰域灰度均值（0≤g （x，y）≤255）。

式中：（x，y）是一個像素點的坐標(biāo)，在灰度級別L，f（x,y）是每個像素點的灰度值，g（x，y）代表相鄰點的灰度平均值。D代表窗口大小。

上式能反應(yīng)靜脈圖像中某個像素位置上的灰度值與其周圍像素灰度分布的綜合特征，其中Lij為特征二元組（i=f（x，y），j=g（x，y））出現(xiàn)的頻數(shù)，Lij可以通過灰度直方圖統(tǒng)計分布獲得，m×n為圖像的尺寸大小，以像素為單位，Lij的表現(xiàn)形式為：

式中：Nij為像素位置灰度為i，其窗口大小為D的鄰域周圍像素平均值為j的像素點個數(shù)，即一個二維特征組。定義離散的圖像二維熵如式（5）［10］，［12］。概率密度函數(shù)Pij由灰度頻率Lij計算得出。

式（5）突出反映圖像中像素位置的灰度信息和像素鄰域內(nèi)灰度分布的綜合特征。將式（5）進(jìn)行改進(jìn)，適用于FPGA平臺的嵌入式算法。

一種改進(jìn)型的靜脈圖像質(zhì)量評價方法使用二維熵評價最終表達(dá)式如式（6）。在本文使用的采集裝置中，圖像傳感器型號OV2640采集的圖像尺寸為1 600×1 200分辨率。其中，m=1 600，n=1 200，0≤i，j≤255。

手掌靜脈圖像的質(zhì)量主要取決于靜脈圖像中靜脈特征的密集程度和對比度。手掌靜脈所需要的信息主要在手掌的中心區(qū)域。對于實際的手掌靜脈圖像，二維熵的計算體現(xiàn)在全圖上，熵的值更多地體現(xiàn)在手掌邊緣與背景界限中，熵的值越大，手掌與背景的界限越分明。為了描述手掌靜脈的脈絡(luò)特點，以圖像的中心原點為核心，確定一定的圖像尺寸，計算出局部特征的熵值H2D（part），構(gòu)建的區(qū)域如圖2所示，長方形約束條件為長和高都在約束的像素區(qū)域［nmin，nmax］，［mmin，mmax］得到下式：

圖2 局部二維熵質(zhì)量評價手掌靜脈區(qū)域

對于一幅完整的手掌靜脈圖像，根據(jù)采集的灰度圖像各個像素點的灰度值進(jìn)行實際的運(yùn)算，再相應(yīng)地統(tǒng)計Nij。完整手掌靜脈圖像在FPGA平臺實現(xiàn)質(zhì)量評價中，表現(xiàn)形式為最終統(tǒng)計了二維特征量（i，j）的數(shù)目，或者限制計算的范圍，只對部分圖像計算局部特征的熵值，節(jié)約處理時間。利用上述判定方法獲取的手掌靜脈圖像，符合后續(xù)處理的要求，獲得的圖像的信息量可以快速進(jìn)行局部圖像查找ROI，也就是限制圖像的高度，將像素1 600×1 200的大小的圖像，遍歷部分的手掌邊緣輪廓，例如設(shè)置m=1 000，甚至m=800或者更低。

2.2 回路反饋控制

圖像質(zhì)量評價是為了快速獲得符合標(biāo)準(zhǔn)的滿意圖像和提高獲取圖像的質(zhì)量。本節(jié)提出了一種通過圖像評價自適應(yīng)反饋控制PWM周期［9-10］，從而獲得更多的靜脈信息。圖像的后續(xù)處理效果取決于采集到的手掌靜脈圖像的質(zhì)量。圖像獲取后前處理，平滑與降噪等方法［2］［6］，算法比較成熟，但是提高圖像質(zhì)量的方法比較單一。

利用圖像質(zhì)量評價的方法，同時計算全圖二維熵和局部的二維熵值，通過內(nèi)部自適應(yīng)調(diào)整，來控制PWM占空比的輸出以及部分?jǐn)z像頭的參數(shù)配置，反復(fù)重新調(diào)整獲取圖像，從而形成一個閉環(huán)的控制系統(tǒng)，最終獲得高質(zhì)量圖像。圖像沒有達(dá)到標(biāo)準(zhǔn)的效果，PWM占空比需要進(jìn)行補(bǔ)償，若圖像的局部二維熵值低于下限，說明靜脈特征細(xì)節(jié)模糊，需要降低近紅外的亮度和攝像頭的對比度，若一幅圖像的全局二維熵值過低，說明手掌靜脈圖像的輪廓或者靜脈的特征模糊，則需要調(diào)高亮度，進(jìn)而繼續(xù)改變PWM占空比，一旦圖像達(dá)到質(zhì)量要求，則停止PWM占空比改變，手掌靜脈采集的控制系統(tǒng)如圖3所示。輸出滿意的近紅外圖像后，保存當(dāng)前的配置值作為下一次的參考。

圖3 手掌靜脈圖像采集閉環(huán)控制系統(tǒng)

圖4顯示了在不同PWM占空比下的手掌靜脈圖像效果，借助于本文的手掌靜脈采集裝置，將復(fù)雜的掌靜脈圖像質(zhì)量評價算法需要的計算資源移植在FPGA平臺上實現(xiàn)，利用硬件加速功能來保證實時評價和反饋決策。

圖4 手掌靜脈圖像在不同PWM波占空比下的效果圖

圖4（a）～4（d）分別是不同光照密度下所采集的靜脈圖像，按照PWM周期從5%到50%，以15%的梯度增加時的部分圖像效果圖，反映了靜脈圖像在不同近紅外的光照密度下的結(jié)果。如圖4（d）就是圖像過亮的表現(xiàn)，雖然手掌與背景界限分明，但是手掌的靜脈特征已經(jīng)模糊，不適合圖像處理。圖4（c）的效果對后續(xù)的處理更加合適，圖像的邊緣特征，靜脈特征等信息都比較豐富，在提高圖像分割，特征提取算法的執(zhí)行效率上有很大幫助。

3 ROI快速提取

采集手掌靜脈圖像時，使用本文的無接觸式采集裝置，采集到的圖像中會存在手掌的位置和角度的差異問題。因此，提取ROI的前提是調(diào)節(jié)圖像的位置和角度一致。

3.1 邊界點查找

手掌需要從背景中分離出來，因此前期高質(zhì)量的手掌靜脈圖像更加方便于手掌從背景中分割，可以利用查找邊界的方法，按照手掌邊界的灰度變化的特征，逐次提取出手掌輪廓。

圖5顯示了圖4（c）中的手掌靜脈圖像的灰度分布。x軸表示圖像高度，y軸表示圖像的寬度。因此，在手掌靜脈輪廓上的邊界坐標(biāo)可以得到確定，在圖像的a、b、c中出現(xiàn)了“低谷”，說明在手掌周圍附近擁有比較特殊的分界點，這些特征點的像素值與周圍像素點的坐標(biāo)有明顯的差別，將其標(biāo)定為區(qū)別手掌與周圍環(huán)境的特殊點。

圖5 手掌圖像灰度分布圖

3.2 感興趣區(qū)域提取

高質(zhì)量的圖像的獲得，使ROI提取更加可靠。本節(jié)采用矩形圖像塊的方法［20］，從原始圖像中分割出ROI。為了提高系統(tǒng)的快速性，在文獻(xiàn)［20］方法上改進(jìn)，利用圖像質(zhì)量評價方法反饋采集到的較佳圖像，提出了局部圖像查找邊界區(qū)域的方法，從而模糊手掌以外如手掌底部和手指等非相關(guān)信息。ROI提取在本文提出的采集系統(tǒng)上實現(xiàn)，借助于采集系統(tǒng)的引導(dǎo)界面，確定手掌的手指所朝方向，手掌靜脈中的像素點坐標(biāo)也加以確定。

在得到邊界的灰度分布特征后，將原始圖像圖6（a）中的背景和手掌區(qū)域分離，得到部分圖像，即截取圖像上部分的近2/3區(qū)域，利用固定閾值的方法分割出的二值化圖像如圖6（b）所示，這就比文獻(xiàn)［20］中的全局遍歷速度快，因為我們只關(guān)心邊界特征點，在單純的邊界點查找中，邊界的特征點在圖像的上部，而不需要考慮圖像的冗余下部分。在圖6（b）中，雖然只有部分手掌的輪廓，但是可以清晰辨別手指根部的輪廓走向。圖7中顯示了圖6（b）中的手掌輪廓縱向坐標(biāo)分布規(guī)則，在小拇指、無名指、中指和食指中擁有三個“極小值”坐標(biāo)點a、b、c，這3個點正是手掌輪廓邊界旋轉(zhuǎn)校正的特征點。因此，采用兩點一線的方式找出圖像的傾斜角度，并鎖定ROI。兩點是小拇指和無名指之間的點與中指和食指之間的點，一線指圖像的水平線，再根據(jù)兩點間的距離，按比例截取手掌中的矩形區(qū)域為ROI區(qū)域。

圖6 手掌靜脈ROI提取方法

將圖7中的a點、c點分別定義為圖6（c）中的P1和P2，將P1與P2連接為直線P1P2，線段P1P2與圖像水平線的夾角為θ，將手掌按照θ角度逆時針旋轉(zhuǎn)校正為水平角度，擺正后的圖像以點P1和點P2為參考點向下偏移50個像素點，調(diào)整合適的方框高度和寬度，構(gòu)造出圖6（d）中的長方形區(qū)域，該區(qū)域包含了手掌靜脈的大部分信息，也是手掌靜脈網(wǎng)絡(luò)較為豐富的一塊區(qū)域。

圖7 圖像的手掌輪廓坐標(biāo)

4 實現(xiàn)與結(jié)論

本文的改進(jìn)型二維熵評價算法實現(xiàn)在Xilinx XC7Z020的FPGA平臺上。FPGA的并行處理優(yōu)勢可以加速實現(xiàn)二維熵評價，并反饋調(diào)節(jié)近紅外光的亮度。XC7Z020的FPGA型號集成了ARM處理器和FPGA的雙重功能，工作主頻工作設(shè)置為在800 MHZ。PWM占空比值的設(shè)置使用ARM寄存器配置方式，更加地，利用FPGA內(nèi)部的VDMA（Video Direct Memory Access）對采集的靜脈圖像從內(nèi)存空間里經(jīng)過高性能的HP（High Performance）接口進(jìn)行搬運(yùn)到自定義的二維熵IP核中。

FPGA并行計算的優(yōu)勢加速了二維熵計算，制約算法速度的是像素點如何快速的在處理單元和內(nèi)存中進(jìn)行傳輸，因此，可以利用VDMA搬運(yùn)圖像數(shù)據(jù)。如圖8所示，VDMA可以隔行隔列對圖像進(jìn)行快速的從內(nèi)存空間到緩存去內(nèi)處理。針對于二維熵評價，將圖像中需要計算熵值的像素點通過內(nèi)存地址映射通過VDMA從內(nèi)存到FPGA的中自定義的處理IP核邏輯單元，自定義IP核內(nèi)可以并行統(tǒng)計Nij的值。VDMA進(jìn)行X1，X2，X3，X4……Xn中的多列和Y1，Y2，Y3，Y4……Yn中多行的搬運(yùn)，計算二維熵的值需要周圍的灰度均值，利用多路并行計算方式同步計算各個點的二維向量組及其周圍的像素點像素均值。例如，需要計算X6列像素符合Nij的數(shù)量在窗口大小5×5時，X1至X11列會通過VDMA直接快速搬運(yùn)，并在IP核內(nèi)一次統(tǒng)計。并行計算再配合VDMA的數(shù)據(jù)快速搬運(yùn)，系統(tǒng)進(jìn)行了快速計算和判定，在計算出不符合手掌處理要求的圖像時，迅速反應(yīng)，調(diào)整亮度和攝像頭參數(shù)，重新獲取新的圖像，重復(fù)計算過程，直到出現(xiàn)滿意的圖像結(jié)果。完成該算法的FPGA資源消耗如表1所示。

圖8 手掌圖像灰度分布圖

表1FPGA內(nèi)資源消耗部分列表

表2列出了圖4中四幅圖像的一維熵與二維熵值，通過值的對比，一維熵值在四幅圖中都比較接近，明顯地，二維熵更能反應(yīng)手掌靜脈圖像中灰度變化的程度，圖4（d）中二維熵值主要體現(xiàn)在手掌和背景邊緣的，局部的靜脈細(xì)節(jié)模糊，不能夠體現(xiàn)，表2中圖像d的局部二維熵值過小也證明了這一點，因此采用全圖二維熵結(jié)合局部二維熵的綜合判定，比較合適。通過對40人的采集中發(fā)現(xiàn)，采用窗口D為大小5×5的像素大小，二維熵值在大于9時，圖像質(zhì)量較佳，局部二維熵6～7之間的為靜脈比較清晰。

表2 圖像的熵值

利用所得的熵值判定參數(shù)，結(jié)合本文的裝置進(jìn)行采集圖像，驗證算法對大多數(shù)人的正確性，對實驗室內(nèi)的15人進(jìn)行采樣實驗。表3列出了部分實驗人員一次放置手掌時，輸出滿意的靜脈圖像所需要的時間。系統(tǒng)根據(jù)不同人的手掌圖像質(zhì)量采集的次數(shù)，其中統(tǒng)計次數(shù)的最后一次為滿意圖像的輸出。圖像采集時間的大小主要受到幀數(shù)和攝像頭對光源變化的敏感程度約束，在實驗平臺上的圖像15 frame/s，攝像頭穩(wěn)定采集的適應(yīng)需要一定的時間。

表3 計算時間比較

采集分辨率為1 600×1 200的手掌靜脈圖像，分別對文獻(xiàn)的算法和本文的算法做比較。計算的結(jié)果表4中給出，在FPGA的ARM Co tex-A9處理器的移植的OpenCV的平臺上執(zhí)行。時間的減少主要由于手掌靜脈的圖像的質(zhì)量和分辨率提高，而且ROI提取重點在于手指根部定位，可以準(zhǔn)確的進(jìn)行局部搜索邊界而不需要全局遍歷圖像。

表 4ROI提取時間比較 單位：ms

實驗結(jié)果表明，本文的圖像評價算法和ROI提取的效果是有成效的。利用本系統(tǒng)的圖像質(zhì)量評價有效提高了手掌靜脈圖像獲取的質(zhì)量，基于此方法獲得的圖像對ROI提取時，從處理時間上相比現(xiàn)有的處理算法也有較大優(yōu)勢。并且該方法適用于有限的處理能力的嵌入式平臺上，對后續(xù)的手掌靜脈圖像處理效果有很大的改善。

［1］ Bailey Kyle O，Okolica James S，Peterson Gilbert L.User Identification and Authentication Using Multimodal Behavioral Biomet-rics［J］.Computers and Security，2014，43：77-89.

［2］ Yan X K，Kang W X，Deng F Q，et al.Palm Vein Recognition Based on Multi-Sampling and Feature-Level Fusion［J］.Neurocomputing，2015，151（2）：798-807.

［3］ Lee E C，Park K R.Image Restoration of Skin Scattering and Optical Blurring for Finger Vein Recognition［J］.Optics and Lasers in Engineering，2011，7（49）：816-828.

［4］ Wu K S，Lee J C，Lo T M， et al.A Secure Palm Vein Recognition System［J］.Journal of Systems and Software，2013，11（86）：2870-2876.

［5］ Lee J C.A Novel Biometric System Based on Palm Vein Omage ［J］，Pattern Recognition Letters，2012，12（33）：1520-1528.

［6］ Michael G K O，Connie T，Jin A T B.A Contactless Biometric System Using Multiple Hand Features［J］.Journal of Visual Communication and Image Representation，2012，7（23）：1068-1084.

［7］ Yang J F，Shi Y H，Yang J L.Personal Identification Based on Finger-Vein Features［J］.Computers in Human Behavior，2011，5 （27）：1565-1570.

［8］ Cui J J，Li Q，Jia X.An Image Quality Assessment Algorithm for Palm-Dorsa Vein Based on Multi-Feature Fusion［J］.Advanced Materials Research，2012，508：96-99.

［9］ Sheng M Y，Zhao Y，Zhang D W，et al.Quantitative Assessment of HandVeinImageQualitywithDoubleSpatialIndicators［C］//InternationalConferenceonMultimediaTechnology，IEEE，2011，642-645.

［10］Jia X，Cui J J，Xue D Y，et al.Near Infrared Vein Image Acquisition System Based on Image Quality Assessment［C］//IEEE International Conference on Electronics，Communications and Control， IEEE，2011：922-925.

［11］桑慶兵，李朝鋒，吳小俊.基于灰度共生矩陣的無參考模糊圖像質(zhì)量評價方法［J］.模式識別與人工智能，2013，26（5）：492-497.

［12］Lee Y H，Khalil-Hani M，Bakhteri R.FPGA-Based Finger Vein Biometric System with Adaptive Illumination for Better Image Acquisition［C］//IEEE Symposium on Computer Applications and Industrial Electronics，IEEE，2012，107-112.

［13］王科俊，劉靖宇，馬慧，等.手指靜脈圖像質(zhì)量評價［J］.智能系統(tǒng)學(xué)報，2011，6（4）：324-327.

［14］Lee E C，Park K R.Uniform Illumination Design by Configuration of LED Array and Diffuse Reflection Surface for Color Vision Application［J］.Journal of Display Technology，2011，2（7）：84-89.

［15］吳微，苑瑋琦.手掌靜脈圖像識別技術(shù)綜述［J］.中國圖象圖形學(xué)報，2013，10（18）：1215-1222.

［16］梁愛華，袁家政，和青芳，等.基于指部關(guān)聯(lián)特征的多模態(tài)圖像采集系統(tǒng)［J］.傳感技術(shù)學(xué)報，2014，27（2）：204-207.

［17］聶凱，劉文耀，王晉疆.基于圖像矩函數(shù)的圖像清晰度評價方法［J］.傳感技術(shù)學(xué)報，2013，26（10）：1401-1404.

［18］吳一全，吳詩婳，張曉杰.利用混沌pso或分解的二維tsallis灰度熵閾值分割［J］.中國圖象圖形學(xué)報，2012，8（17）：902-910.

［19］魏雪峰，劉曉.基于二維最大熵最佳閾值算法的圖像分割研究［J］.激光技術(shù)，2013，37（4）：519-522.

［20］吳薇，苑瑋琦，林森，等.手掌靜脈識別中感興趣區(qū)域的選擇與定位研究［J］.光電子：激光，2013，24（1）：152-160.

［21］Han W Y，Lee J C.Palm Vein Recognition Using Adaptive Gabor Filter［J］.Expert Systems with Applications，2012，39（18）：13225-13234.

陳 朋（1981-），男，副教授，碩士生導(dǎo)師，研究方向為嵌入式系統(tǒng)設(shè)計、信號處理和圖像處理，chenpeng@zjut.edu.cn；

金 峰（1991-），男，碩士研究生，主要研究方向為圖像處理，信號處理。

藍(lán)曉柯（1989-），男，碩士研究生，主要研究方向為模式識別，圖像處理；

Research of High Quality Palm Vein Image Acquisition and ROI Extraction*

CHEN Peng*，LAN Xiaoke，JIN Feng，SHI Jinzhuan

（College of Information Engineering，Zhejiang University of Technology，Hangzhou 310023，China）

To avoid the difficulty of obtaining the palm vein images，and low quality of the images along with the complex palm region locating methods，this paper proposes a device for acquiring palm vein images.The quality of acquired images is assessed by 2D image entropy and local 2D entropy.Based on the feedback image quality，the brightness of near infrared light emitting diodes（LEDs）is controlled and some parameters of the camera are set，then the image is recaptured until high quality palm vein is achieved.Those images acquired are used for fast extraction of the palm region of interest（ROI），and the following image processing algorithms.The images are assessed by the accelerating implementation method applying to Field Programmable Gate Array（FPGA）platform，and ROI extraction uses local image fast discrimination method.In conclusion，this study provides a method to acquire the palm vein images using 2D entropy assessment，coordinated with feedback control Pulse Width Modulation （PWM）output.The efficacy gets improved compared to the method of present stage，such as acquiring images'gradation characteristics，vein characteristics，in the meantime，the sharp images reduce the computation cost of extraction ROI and increase the performance of processing.

Palm vein；image quality assessment；entropy；feedback；ROI EEACC：7230

TP391.4

A

1004-1699（2015）07-1016-07

10.3969/j.issn.1004-1699.2015.07.013

項目來源：國家自然基金項目（61303139）；浙江省公益技術(shù)項目（2013C31039）

2015-01-26 修改日期：2015-04-14