手背靜脈識別系統(tǒng)的設(shè)計與實現(xiàn)

何振邦,徐喜榮,胡旭明,戴鑫邦

(大連理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,遼寧 大連 116024)

1 引 言

手背靜脈識別技術(shù)是近年來新興的一種生物特征識別技術(shù).醫(yī)學(xué)研究表明每個個體的手背靜脈結(jié)構(gòu)具有很好的穩(wěn)定和唯一性,即使是雙胞胎的手背靜脈結(jié)構(gòu)也是不盡相同的[1],這為手背靜脈作為生物特征來開發(fā)相應(yīng)的身份識別技術(shù)提供了理論依據(jù).相比于指紋識別、聲音識別、人臉識別等生物特征識別技術(shù),手背靜脈識技術(shù)別具有以下優(yōu)點:1)采集方便可靠,由于采集的是人體手背表皮以下的靜脈血管紅外圖像,手背出現(xiàn)污染、傷疤仍能正常采集;2)手背靜脈圖像采集通過人體手背位置采集,靜脈血管為人體內(nèi)部組織,只有活體靜脈血管才會對紅外光產(chǎn)生強烈吸收效應(yīng),并在圖像中顯現(xiàn)出來,故不易偽造[2];3)圖像采集為非接觸式采集,衛(wèi)生方便且采集迅速,容易被人們接受[2].手背靜脈識別技術(shù)由于有著上述的獨特優(yōu)點,成為了生物識別技術(shù)中的熱點與前沿[3].可以預(yù)見,手背靜脈發(fā)展成熟之后能夠廣泛應(yīng)用于軍政部門、銀行、酒店、商場、公寓等場景,有著較大的發(fā)展前景和市場潛力.

手背靜脈識別技術(shù)經(jīng)過十幾年的發(fā)展,取得了長足的進步,從一個新生事物逐漸發(fā)展成熟,無論是圖像的采集、圖像預(yù)處理和特征提取與匹配都發(fā)展出了許多成熟的方法;其中手背靜脈識別的核心問題是手背靜脈特征的提取與匹配,對此許多學(xué)者提出了一些解決方法,如Huang[4,5]等人通過研究手背靜脈圖像的局部紋理特征提出了基于質(zhì)心的同心圓關(guān)鍵點網(wǎng)格特征提取方法和基于多源關(guān)鍵點檢測子的特征提取算法;Wang[6]等人提出一種基于判別性局部二值模式的手背靜脈識別方法;劉鐵根[7]等人提出了通過小波包分解來提取手背靜脈特征;任桐慧[8]等人提出了一種基于特征點距離的手背靜脈特征融合方法;Hu[9]等人通過提取出手背靜脈骨架中的交叉點和端點并將這些點之間的拓撲關(guān)系作為特征進行匹配.上述學(xué)者從不同角度提出的手背靜脈的識別方法,具有一定的實用性、借鑒性和啟發(fā)性.然而市面上仍鮮有相關(guān)的商業(yè)化產(chǎn)品,其中原因有整套設(shè)備難以微型化、各個部件不易整合、一些設(shè)備部件非標(biāo)準通用件不易大批量生產(chǎn)等.本文通過使用一些常見、易于獲得的部件實現(xiàn)了一套簡易的手背靜脈識別系統(tǒng),能夠完成手背靜脈紅外圖像的采集、預(yù)處理、特征提取和匹配,在整套系統(tǒng)的價格較為低廉的同時也具有較好的識別效果,對手背靜脈識別系統(tǒng)的研制有一定的借鑒意義.

2 手背靜脈識別系統(tǒng)結(jié)構(gòu)

本文設(shè)計的手背靜脈識別系統(tǒng)由圖像采集設(shè)備、相應(yīng)的軟件和一臺PC機組成.圖像采集設(shè)備主要由紅外攝像頭和紅外燈組成,負責(zé)采集用戶的手背原始紅外圖像,以視頻流的形式輸出;軟件則接收圖像采集設(shè)備輸出的視頻流,自動識別視頻流中的用戶的手背靜脈原始紅外圖像并進行預(yù)處理、特征提取、分類匹配,輸出最終的匹配結(jié)果;PC機用于控制圖像采集設(shè)備和運行軟件.整個系統(tǒng)結(jié)構(gòu)如圖1所示.

圖1 手背靜脈識別系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of dorsal hand vein recognition system

3 圖像采集設(shè)備

3.1 圖像傳感器

醫(yī)學(xué)影像學(xué)研究表明,當(dāng)手背靜脈受到波長為700nm～1100nm的近紅外光的照射時,近紅外光能穿透厚約3mm的皮膚組織到達手背靜脈血管[10],由于靜脈中的血紅蛋白能強烈吸收此范圍波長的光波,而相比之下其他部分吸收能力較弱,使得在最終的紅外圖像中靜脈呈現(xiàn)出較為明顯的深色[11],據(jù)此可以提取出手背靜脈的骨架以便后續(xù)處理.

本文選用了一款購買自某電商平臺的100萬像素、分辨率為1280×720且?guī)в屑t外濾光片的CMOS攝像頭.該攝像頭帶有的紅外濾光片能有效濾去環(huán)境光中除850nm波長的近紅外光外的其他成分的光波.選擇850nm波長紅外光的優(yōu)點是其波長介于700nm～1100nm之間,手背靜脈對此波長的紅外光有較好的吸收效果,而且此波長的紅外光被廣泛應(yīng)用于夜間紅外監(jiān)控領(lǐng)域,市場上有大量850nm波長紅外燈和相應(yīng)的配套設(shè)備可供選擇.

3.2 圖像采集盒

為便于采集用戶的手背圖像、避免采集圖像時外界光源的干擾,設(shè)計了如圖2所示的采集盒,盒高24cm長18cm寬16cm,盒子內(nèi)壁鋪有類似鼠標(biāo)墊的橡膠薄墊吸收紅外光,使背景呈現(xiàn)出深色,突出用戶的手背圖像.攝像頭固定在盒子頂部,盒子底部裝有一個把手,采集時用戶握住把手以采集握拳狀的手背圖片,握拳可以拉伸手背皮膚使其略微變薄,紅外光能更容易地穿透皮膚被靜脈吸收從而使手背靜脈在圖像中更為明顯.

3.3 紅外燈源

目前較為常用的手背靜脈圖像的采集方法是在手掌放置位置上方放置紅外燈,照亮手背使得紅外攝像頭能夠采集到手背靜脈的紅外圖像,此種方法較為簡便,但有時紅外光的亮度不夠,手背靜脈輪廓不夠明顯或只能顯示粗大的主血管而不能顯示細小血管分支;若增加紅外光功率又會使得手背皮膚強烈反射紅外光導(dǎo)致畫面過亮、泛白而采集不到手背靜脈結(jié)構(gòu).故本文采用了一種改進的采集方法:在盒子內(nèi)部把手處安裝一個由6×10個1W紅外燈珠組成的紅外燈珠陣列來產(chǎn)生較大功率的紅外光,紅外燈珠采用的是監(jiān)控領(lǐng)域常見的850nm紅外補光燈,價格低廉且容易在市場上獲得.盒子開口處安裝有一個距離傳感器,當(dāng)用戶的手伸入盒子,距離傳感器檢測到有物體遮擋,自動開啟紅外燈珠陣列的電源.該陣列產(chǎn)生的紅外光能夠自下而上穿透整個手掌使得整個血管結(jié)構(gòu)都能完整清晰地顯示出來.由于手掌靠近腕部的腕骨較厚實,靠近手腕部分紅外光難以直接穿透,故在盒子左右兩側(cè)各安置一個功率為1W的紅外燈珠自上而下照亮手背來獲得靠近手腕部分的手背靜脈圖像,其照射角度約與手背平面呈50°角;取50°角能夠保證紅外光均勻覆蓋到整個手背使得圖像中手背靜脈紋理均一[12],避免因光照不均導(dǎo)致下一步圖像預(yù)處理時將陰影判為手背靜脈的一部分、避免角度過大紅外光反射嚴重導(dǎo)致整個畫面過亮.最終的采集效果如圖3.從圖中可以看出手背靜脈呈深色與手背皮膚對比較為明顯,符合進一步后期處理的要求.

圖2 采集盒示意圖Fig.2 Sketch map of image capture box

圖3 手背靜脈原始圖像Fig.3 Original dorsal hand vein image

4 圖像預(yù)處理

通過圖像采集設(shè)備可以獲得手背靜脈的原始圖像,但這些原始圖像含有一些噪聲成分和無關(guān)圖像,故需要濾去噪聲并提取ROI(Region Of Interest),除此之外還需要進一步處理圖像使手背靜脈信息以易于計算機識別和處理的方式表示出來.

4.1 圖像的截取

圖像采集設(shè)備輸出的是視頻流,故需要從視頻流中截取合適的手背靜脈圖像,本文設(shè)計了一個狀態(tài)機來完成用戶手背靜脈圖像的截取.狀態(tài)機每0.2秒從視頻流中截取一幅圖像,根據(jù)圖像來決定下一個狀態(tài).對截取的圖像先進行全局閾值二值化,將二值化的圖像進行長寬方向各十等分分成共100塊,并將圖像最外層的塊全部賦0即全部涂黑;統(tǒng)計除最外層塊以外的塊中白色像素數(shù)占該塊中全部像素數(shù)的比例,若低于90%,該塊全部賦值0即全部涂黑.對處理后的二值圖像求最大連通塊的最小包圍矩形,此矩形則是手背的大致范圍.記當(dāng)前矩形與上一矩形的交集區(qū)域的塊數(shù)為N,當(dāng)前矩形與上一矩形并集區(qū)域的塊數(shù)M,N與M的比例r=N/M,根據(jù)r的值來判斷兩幅圖像截取時間間隔內(nèi)手背是否發(fā)生移動,來決定下一狀態(tài).狀態(tài)機的狀態(tài)轉(zhuǎn)換圖如圖4所示,箭頭上注明了狀態(tài)轉(zhuǎn)換的條件和轉(zhuǎn)換時進行的操作.

圖4 狀態(tài)機狀態(tài)轉(zhuǎn)換圖Fig.4 States transformation map of the state machine

當(dāng)從狀態(tài)2轉(zhuǎn)換到狀態(tài)3時,截取一張的圖像作為此次識別的樣本并進行后續(xù)處理.

4.2 ROI提取

(1)

(2)

n為白色像素總數(shù),確定一個大致的矩形區(qū)域能將二值化之后的大部分手背白色像素框住,最后在原始區(qū)域中切割該矩形區(qū)域內(nèi)的圖像[13].通過此步驟,圖像的尺寸縮減到約500×500的大小,減少了后續(xù)操作中對多余像素的運算.

4.3 小波閾值去噪

紅外成像系統(tǒng)因其成像波長較長,手背靜脈圖像存在噪聲大、對比度低和畫面不均勻等問題[14],需首先對圖像進行去噪處理,濾去紅外圖像中常見的噪點和圖像中較為尖銳的圖像成分,使整個圖像較為均勻.本文使用小波閾值去噪法進行圖像去噪處理.

小波變換作為一種發(fā)展迅速的變換分析方法,近年來在許多領(lǐng)域被廣泛應(yīng)用.信號f(t)的連續(xù)小波變換定義為：

(3)

式中：

(4)

為小波基函數(shù),a為尺度因子,b為平移因子.

(5)

式中常取a0=2,b0=1.則信號離散小波變換式為：

(6)

小波閾值去噪其主要理論依據(jù)是小波變換具有很強的去數(shù)據(jù)相關(guān)性[15],圖像經(jīng)過小波變換之后有用信號的小波系數(shù)幅值要大于噪聲的小波系數(shù)幅值[15],故可以用閾值處理的方法將大部分噪聲的系數(shù)置零,從而保留有用信號減小噪聲信號,再經(jīng)過小波逆變換重建圖像得到去噪圖像,基本流程圖如圖5所示.

圖5 小波去噪基本流程Fig.5 Wavelet denoising flow chart

本文小波閾值去噪的具體步驟是:

1)對原始圖像在各個尺度上進行小波分解,本文使用db3小波基對圖像進行3層二維小波分解.

(7)

3)將閾值處理后的小波系數(shù)進行小波逆變換,重構(gòu)手背靜脈圖像,得到的圖像即是小波閾值去噪的結(jié)果.

一張樣本圖片的原圖與其小波去噪結(jié)果如圖6所示.

從圖6中可以看出兩幅圖大致相同,但經(jīng)過去噪處理后的圖片較為均勻、純凈、噪點有一定程度的減少.兩者在二值化之后有更明顯的區(qū)別,如圖7所示.

圖6 小波去噪效果對比圖Fig.6 Results of wavelet denoising

小波閾值去噪處理后的圖像中手背靜脈的輪廓更清晰、分離出了手背靜脈的脈絡(luò)結(jié)構(gòu)、減少了與無關(guān)部分的粘連,而原圖中手背靜脈邊緣的較不規(guī)則、二值化雜斑較多.另一張均值濾波后的二值化圖像中的手背靜脈邊緣不規(guī)則程度有所改善,但存在較多粘連的無關(guān)雜斑、圖像不夠純凈.

圖7 不同去噪處理后二值化結(jié)果對比圖Fig.7 Binarization results of different denoising operations

4.4 圖像直方圖均衡化

由于圖像傳感器的性能限制,圖像的灰度范圍較窄,經(jīng)小波閾值去噪處理后圖像中靜脈與手背皮膚對比度仍不夠大,在后續(xù)較為關(guān)鍵的一步二值化中部分手背靜脈可能會被誤判為背景而剔除掉,故可對圖像進行直方圖均衡化,將圖像中灰度較為集中的范圍拉伸到整個灰階范圍,提高對比度.從圖8可以看到,直方圖均衡化后整個圖像的對比度明顯變大了,皮膚部分明顯變白,手背靜脈變得易于分辨.

圖8 直方圖均衡化效果對比圖Fig.8 Results of histogram equalization

4.5 圖像二值化處理

手背靜脈圖像細節(jié)多、分叉多、圖像亮度不均勻,采用全局閾值的二值化算法常常將不明顯的手背靜脈部分判為背景造成手背靜脈圖像的缺失.使用動態(tài)局部閾值法來進行二值化能較好地克服這個問題,本文使用NiBlack算法對圖像進行二值化.

NiBlack算法是由Charl Coetzee提出的一種局部閾值算法,能克服全局閾值法在處理目標(biāo)和背景灰度相差不大的圖像時難以提取圖像細節(jié)的缺點.其閾值的選取公式為:

T(x,y)=m(x,y)+k·s(x,y)

(8)

對于像素點p(x,y),T(x,y)為該點的閾值,m(x,y)是以該點為中心的R×R窗口內(nèi)所有像素值的均值,s(x,y) 是以該點為中心的R×R窗口內(nèi)所有像素值的標(biāo)準方差,k為修正系數(shù),根據(jù)經(jīng)驗和圖像質(zhì)量選取,通常取|k|<1.

NiBlack二值化算法處理后的圖像結(jié)果如圖9(a)圖所示,通過與全局閾值法的結(jié)果對比可以發(fā)現(xiàn)NiBlack算法較好地保留了大部分手背靜脈結(jié)構(gòu).

NiBlack算法處理后手掌的輪廓也被二值化為白色,這并不屬于手背靜脈,因此有必要去除手掌的輪廓線.具體的操作是首先對NiBlack算法處理前的圖像進行全局閾值二值化處理,得到如圖9(b)所示的圖片,由于二值化后的圖像可看成一個布爾值矩陣,將該圖片與NiBlack算法處理后的圖像進行邏輯與運算可以保留手背部分的圖像而刪去手掌輪廓線和輪廓線以外的圖像,結(jié)果如圖9(c)圖所示.

圖9 手掌輪廓線的去除Fig.9 Removal of hand contour

二值化過程中NiBlack算法過分強調(diào)了圖像中的細節(jié),導(dǎo)致處理后的圖像中含有較多的雜點與雜斑,這些雜點和雜斑類似于椒鹽噪聲.為了使圖像純凈,對NiBlack算法處理后的圖像進行中值濾波,濾波窗口大小為10×10,通過中值濾波濾去較為雜碎的孤立像素點,將較為靠近的一群像素點濾為一塊小斑.對于無法通過濾波去除的雜斑,可以通過孔洞填充來消除.根據(jù)試驗,本文在圖像大小為500×500時填充的孔洞面積大小取200,能將手背靜脈結(jié)構(gòu)較好地提取出來.

4.6 二值圖像細化

即使是同一用戶,每次采集的圖像中靜脈的寬度也不盡相同,靜脈的拓撲結(jié)構(gòu)則比較穩(wěn)定,故有必要將二值化之后的圖像進行細化操作來提取靜脈骨架.細化的主要操作是不斷刪去連通區(qū)域外層像素點,直到整個圖像被“腐蝕”為一個像素大小的骨架.細化結(jié)果如圖10所示.

通過細化后的手背靜脈骨架圖像可以較為方便地提取手背靜脈的交叉點、端點、長度等感興趣的特征,用于后續(xù)匹配.

5 特征提取與分類器

5.1 隨機投影法特征提取

手背靜脈識別技術(shù)經(jīng)過多年的發(fā)展,發(fā)展出了較多的特征提取的方法,較為常用的有Hu矩、Zernike矩、靜脈拓撲結(jié)構(gòu)特征點、PCA(Principal Component Analysis)等;其中PCA方法能顯著降低圖像特征的維數(shù)的同時保留信息.PCA方法廣泛應(yīng)用于數(shù)據(jù)壓縮、圖像特征提取等領(lǐng)域,但PCA算法需要根據(jù)所有樣本數(shù)據(jù)計算出投影矩陣,計算量較大.基于特征提取性能和計算速度二者平衡的考慮,本文選用的是隨機投影法來提取手背靜脈圖像的特征.隨機投影法用于數(shù)據(jù)降維的理論依據(jù)是Johnson-Lindenstrauss定理[17],該定理表明一些數(shù)據(jù)點組成的高維歐氏空間可以通過一個映射變換到低維子空間,而且在映射后各數(shù)據(jù)點之間的距離保持近似不變,且這個映射關(guān)系可以是隨機構(gòu)造的,不需要隨著樣本的變化重新訓(xùn)練算法來更新投影矩陣[18].相比PCA等傳統(tǒng)代數(shù)降維方法,隨機投影法計算量小,運算速度快,并具有和PCA同等性能的降維效果[18].

圖10 手背靜脈骨架圖像Fig.10 Skeleton image of dorsal hand vein

由于在預(yù)處理中得到的最終結(jié)果是單個像素大小的手背靜脈骨架圖像,其骨架信息較為單薄,故在特征提取之前對圖像進行膨脹處理,將骨架的單個像素膨脹10倍以增加白色像素占圖像像素總數(shù)的比例.經(jīng)過膨脹處理后,其紋理信息更為豐富、不同圖像的特征更有區(qū)分度.

本文的隨機投影法特征提取過程如下:

分別將樣本庫中的M幅圖像由500×500的二維矩陣以行順序展開排成一個1×250000的一維向量,記為xi=(xi1,xi2,xi3,xi4,…,xi250000),i∈[1,M].

X為庫中M個1×250000的一維向量組成的M×250000維矩陣,X=(x1,x2,x3,x4,…,xM)T.

構(gòu)造一個250000×d(d?250000)的隨機矩陣R,R的構(gòu)造方法使用Brigham提出的一種快速生成隨機投影矩陣的算法,矩陣R的元素只取-1、0、1三者之一,且矩陣R的元素ri,j是服從下列分布的獨立隨機變量：

(9)

設(shè)Y為投影后的結(jié)果,Y通過以下公式得到：

(10)

易知Y是M×d維矩陣,則Y是降維后的樣本矩陣,每個樣本由250000維降到d維.本文取d=220?250000,可見計算得到的特征大大降低了數(shù)據(jù)的維數(shù),數(shù)據(jù)庫中僅僅需要儲存樣本維數(shù)為1×220的特征yi而不必儲存圖像原圖,減小了數(shù)據(jù)庫規(guī)模,提高了檢索速度.

5.2 分類器

特征提取后的關(guān)鍵問題是設(shè)計優(yōu)良的分類器[7],倘若沒有設(shè)計良好的分類器便無法匹配到正確的目標(biāo)對象.本文采用了一種簡便實用且易于維護的分類器——最鄰近距離分類器.

定義輸入樣本S到對象Oi的距離為：

(11)

分類規(guī)則:

若Dj(S)=min{Di(S)},i∈[1,M],則S∈Oj.

該算法的直觀解釋是,輸入樣本到某一類對象的距離等于該輸入樣本到某一類對象中所有樣本的歐幾里得距離的最小值,該輸入樣本屬于該輸入樣本到所有對象距離最小的對象[2].

在實際應(yīng)用中還要考慮拒識的問題,即當(dāng)輸入樣本與庫中所有的對象的距離都大于某一值Δ時,認為庫中未收錄對象,判定識別失敗.Δ的選值需要在實際測試中選定.

此分類器簡單易于實現(xiàn)而無需訓(xùn)練,當(dāng)分類失敗時可要求用戶再次進行樣本采集來擴充樣本集,從而提高分類精度.

6 實驗結(jié)果與分析

利用實現(xiàn)的手背靜脈識別系統(tǒng)進行測試.由于目前并沒有開放的手背靜脈圖像庫可供測試,本文自行建立了一個小規(guī)模的手背靜脈圖像庫進行測試.圖像庫采集了25位用戶的圖像,每位用戶采集10張作為庫中的樣本,另采集4張作為測試輸入.所有測試均在8GB內(nèi)存、2.7GHz雙核CPU的硬件環(huán)境下進行.

6.1 特征維數(shù)對識別效果的影響

特征的維數(shù)對匹配效果有著直接影響,特征維數(shù)過小,特征的區(qū)分度差、信息丟失程度高;特征維數(shù)過大,冗余數(shù)據(jù)多、匹配時運算量大.本文使用100例樣本測試了隨機投影法中不同特征維數(shù)對匹配效果的的影響(本測試中不考慮拒識的情況),測試結(jié)果如圖11所示,當(dāng)特征維數(shù)過小時雖然速度較快,但識別率較低,顯然無法滿足實際使用的要求;隨著特征維數(shù)增大,識別率開始提高,在特征維數(shù)為200維時開始收斂,超過300維之后耗時大幅增加,正確率卻未有較大提高.選擇220維特征能在正確率和耗時之間取得較好的平衡,故本文選擇對手背靜脈圖像提取220維特征.

圖11 特征維數(shù)對匹配正確率和耗時的影響Fig.11 Impact on matching correctness and elapsed time results on different feature dimension

6.2 分類器的距離閾值對識別效果的影響

如前文所述,分類器在實際使用時還需要考慮拒識的問題,因為最鄰近距離分類器匹配出的結(jié)果僅僅是樣本庫中最接近輸入測試樣本的結(jié)果,并不一定屬于該匹配結(jié)果所屬的對象.因此確定一個最佳的距離閾值Δ是很有必要的,當(dāng)輸入樣本與分類器所給出的匹配結(jié)果的歐幾里得距離大于Δ時認為庫中沒有任何匹配的對象,拒絕通過.

為了尋找到合適的閾值Δ,本文使用了100例測試樣本進行匹配測試,測試不同閾值Δ下匹配的正確率、誤識率與拒識率,測試中使用隨機投影法進行特征提取、最鄰近距離分類器進行分類,部分典型的結(jié)果如表1所示.

表1 手背靜脈識別系統(tǒng)在不同距離閾值下測試結(jié)果
Table 1 Test result of dorsal hand vein recognition system under different Euclidean distance thresholds

閾值Δ通過次數(shù)拒識次數(shù)誤識次數(shù)通過正確率/%誤識率/%拒識率/%101000001005663401000341081190100019159010198.8911017946297.872618982297.952219991396.9621201000496403010004964050100049640

本文使用通過正確率來衡量被分類器接受通過的樣本中匹配結(jié)果的正確率,通過正確率的計算式為:

(12)

其中C為通過正確率,P為通過次數(shù),E為誤識次數(shù).

從表1中數(shù)據(jù)可知當(dāng)閾值較低時,雖然保證了較高的通過正確率,誤識率較低,但整體的拒識率較高,識別效率較低,用戶可能需要反復(fù)匹配才能通過,這在實際使用中是難以接受的;當(dāng)閾值取值較高時,拒識率較低,但由于閾值的“寬容度”較高導(dǎo)致容易誤識.故在所測試的閾值中取值18是較為合適的,能在通過正確率、誤識率和拒識率中取得較好的平衡.

6.3 不同特征提取算法的比較

除了隨機投影法,本文還實現(xiàn)了Hu矩特征提取算法和PCA特征提取算法,用于對比參照.測試中PCA算法與隨機投影算法均取220維特征,Hu矩由于其算法局限僅取7維特征;各特征提取算法的分類器距離閾值Δ取測試所得的最優(yōu)值:Hu矩Δ取0.9,PCA算法Δ取5,隨機投影法Δ取18.樣本總數(shù)為250,進行100次匹配.測試的結(jié)果如表2所示.

從表2中可知,雖然Hu矩運算速度較快,但PCA算法和隨機投影法的正確率明顯較優(yōu).PCA算法匹配100次耗時5890ms,隨機投影法匹配100次耗時4442ms,對比之下隨機投影法的識別率達96%,隨機投影法在具有比PCA算法更好的識別正確率的同時,速度上也占優(yōu),證明本文使用的隨機投影算法是較為理想的特征提取算法.

表2 手背靜脈識別系統(tǒng)在不同特征提取算法下測試結(jié)果
Table 2 Test result of dorsal hand vein recognition system under different feature extraction algorithm

特征提取算法通過次數(shù)拒識次數(shù)誤識次數(shù)正確率/%耗時/msHu矩42058424101PCA9316935890隨機投影9822964442

6.4 小波去噪對識別效果的影響

為了驗證本文使用的小波去噪算法的有效性,本文進行了與三種常用去噪算法均值濾波、中值濾波和高斯濾波的比較測試;測試中特征提取算法均使用隨機投影法,提取220維特征,分類器使用最鄰近距離分類器,距離閾值Δ取18;不同之處僅在于預(yù)處理中的去噪算法,測試的結(jié)果如表3所示.

表3 手背靜脈識別系統(tǒng)在不同去噪算法下測試結(jié)果
Table 3 Test result of dorsal hand vein recognition system under different denoising algorithms

去噪算法通過次數(shù)拒識次數(shù)誤識次數(shù)正確率/%小波去噪982296中值濾波937390均值濾波946292高斯濾波946292

由表3可看出,本文使用的小波去噪方法優(yōu)于其他三種常用的去噪方法,無論是在處理后圖片的感官上還是在最終的匹配效果上,對其原因作簡要分析:小波變換在去除噪聲時可提取并保存邊緣信息,具有低熵性、多分辨率性、去相關(guān)性,其二值化圖像手背靜脈結(jié)構(gòu)較為清晰、與背景能夠較好分離;而經(jīng)均值濾波、高斯濾波會將圖像模糊化,圖像二值化之后手背靜脈結(jié)構(gòu)易與噪聲、雜斑粘連在一起從而改變靜脈結(jié)構(gòu);中值濾波雖然能保持邊緣結(jié)構(gòu),但其對椒鹽噪聲這類噪聲較為有效,難以應(yīng)對紅外圖像中噪聲成分復(fù)雜的場景;因此小波去噪應(yīng)用于手背靜脈紅外圖像去噪的效果是較為理想的.

7 結(jié) 語

本文實現(xiàn)了一套簡易的手背靜脈識別系統(tǒng).首先通過使用一個100萬像素的紅外攝像頭作為采集系統(tǒng)的核心,該采集系統(tǒng)能夠采集到質(zhì)量較好的手背靜脈圖片,再對手背靜脈圖片進行預(yù)處理得到了手背靜脈骨架圖像,通過隨機投影算法來提取出手背靜脈骨架圖像的特征向量,最后使用最鄰近距離分類器進行匹配.經(jīng)實驗測試本系統(tǒng)識別正確率為96%,系統(tǒng)所用器材單價均較為低廉且易于獲得,系統(tǒng)總造價僅三百元人民幣,具有較好的實際應(yīng)用價值、便于普及,對手背靜脈識別系統(tǒng)的研制有一定參考價值.實際測試使用中還發(fā)現(xiàn),在不同的時間段、不同溫度環(huán)境下人體手背靜脈血管的收縮程度不同,也會影響到匹配的效果;在進一步的研究中,圖像采集設(shè)備對此情況應(yīng)加以改進,使之能提取到穩(wěn)定、完整的手背靜脈結(jié)構(gòu)圖像;在特征提取方面,還可以根據(jù)手背靜脈網(wǎng)絡(luò)的拓撲結(jié)構(gòu)的特點來設(shè)計一種穩(wěn)定的生物特征提取方法,相比各種不變矩特征提取方法和圖像代數(shù)特征提取方法,此方面的手背靜脈特征提取方法的研究還較少,具有較大的研究空間.