跨設(shè)備條件下手背靜脈識(shí)別方法的研究

王一丁 苗 霞

(北方工業(yè)大學(xué)信息學(xué)院 北京 100144)

0 引 言

“互聯(lián)網(wǎng)+”帶來(lái)的網(wǎng)絡(luò)化時(shí)代，使人們的生活更為便捷，但因身份識(shí)別所造成的安全問(wèn)題也日益嚴(yán)峻，如何提高身份識(shí)別技術(shù)也成為各界所關(guān)注的重點(diǎn)。生物特征因其與生俱來(lái)的唯一性在身份識(shí)別應(yīng)用上占據(jù)顯著優(yōu)勢(shì)，其中虹膜、人臉、指紋和靜脈識(shí)別在日常生活中的應(yīng)用較為普遍。個(gè)體所獨(dú)有生物特征使其可以區(qū)別于他人，以生物特征作為區(qū)分個(gè)體的身份信息，進(jìn)而達(dá)到身份識(shí)別的目的。

手背靜脈是分布于手背皮下的靜脈結(jié)構(gòu)組織，基于不同組織因紅外光的吸收率不同可以產(chǎn)生灰度差異，采用紅外光對(duì)手背進(jìn)行圖像采集，可以突顯出靜脈的輪廓結(jié)構(gòu)[1-2]。已有解剖學(xué)著作[3]證明手背靜脈在人類生長(zhǎng)發(fā)育過(guò)程中具有獨(dú)特性和唯一性，采集過(guò)程需要保持在活體中進(jìn)行，可以保證信息的安全性。所以，依據(jù)手背靜脈這一生物特征對(duì)個(gè)體身份進(jìn)行識(shí)別在理論和研究方面均具有重要意義，且該技術(shù)也在不斷被推廣應(yīng)用。

目前，各種基于PCA、LBP、SIFT，以及其他改進(jìn)算法，例如MB2D-LDA[4]、基于紋理特征優(yōu)化算法[5]等，在單一設(shè)備的識(shí)別率已經(jīng)超過(guò)99%。顯然在單一設(shè)備、用戶配合較高的強(qiáng)約束條件下，手背靜脈識(shí)別準(zhǔn)確度已有明顯成效。

但在接近自然應(yīng)用的狀態(tài)下，往往用戶的配合度較低，基于手背靜脈識(shí)別也很難達(dá)到較高準(zhǔn)確率。在跨設(shè)備、跨地域和跨姿態(tài)等弱約束條件下，不僅異類間的靜脈樣本存在類間變化，同類間的樣本也產(chǎn)生較大的類內(nèi)變化。樣本圖像的變化難以預(yù)測(cè)，且變化的狀態(tài)存在沖突，使得以手背靜脈這一生物特征作為身份識(shí)別依據(jù)的難度大大增加。目前在跨設(shè)備條件下進(jìn)行匹配識(shí)別的研究較少，使用經(jīng)典SIFT算法在跨設(shè)備條件下進(jìn)行實(shí)驗(yàn)，其最高識(shí)別率僅為73.48%，結(jié)果表明，跨設(shè)備條件下的數(shù)據(jù)對(duì)識(shí)別效果造成較大影響。在改進(jìn)型SIFT算法[6]中識(shí)別率達(dá)到90.8%，但錯(cuò)誤識(shí)別仍然較高，有很大的提升空間。

本文選擇檢測(cè)邊緣性能的梯度閾值分割方法[7]生成的二值圖像庫(kù)進(jìn)行實(shí)驗(yàn)。針對(duì)跨設(shè)備條件下存在的問(wèn)題，本文確定由二維小波分解提取關(guān)鍵點(diǎn)，并對(duì)不同方向細(xì)節(jié)特征圖像組合，最后確定在垂直+對(duì)角特征組合下，在對(duì)關(guān)鍵點(diǎn)的描述上引入生物視覺特性，并對(duì)描述子的結(jié)構(gòu)參數(shù)進(jìn)行適當(dāng)調(diào)整，應(yīng)用于手背靜脈識(shí)別，使關(guān)鍵點(diǎn)對(duì)應(yīng)描述子有更強(qiáng)表述性能，在不同設(shè)備下采集的手背靜脈圖像庫(kù)中，識(shí)別率達(dá)到93.4%。

1 跨設(shè)備手背靜脈圖像庫(kù)

基于近紅外光對(duì)手背不同組織有不同吸收率，可以采集存在灰度差異的圖像，靜脈血管具有特定波長(zhǎng)(實(shí)驗(yàn)采用850 nm)，區(qū)別于其他手背組織，因此以紅外光采集的手背圖像，可以完整地顯示出靜脈結(jié)構(gòu)。圖1所示為靜脈圖像的采集裝置。

(a) 靜脈采集設(shè)備外部裝置(b) 靜脈采集設(shè)備內(nèi)部結(jié)構(gòu)圖1 靜脈圖像采集裝置

由圖1所示紅外圖像采集裝置，共采集50位不同性別、年齡在20到25歲之間的手背靜脈圖像，采集過(guò)程不限制參與者的姿態(tài)，增加樣本的隨機(jī)性和多樣性，每只手背采集10幅圖片，兩個(gè)設(shè)備共計(jì)采集1 000幅靜脈圖像，構(gòu)成實(shí)驗(yàn)所用數(shù)據(jù)庫(kù)。

圖2為跨設(shè)備條件下采集的手背靜脈部分圖像?？梢钥闯?，靜脈圖像在位置、尺度和角度等方面均存在不同程度的差異，且背景中皮膚、手柄等噪聲較多，不同設(shè)備下同類別圖像也顯現(xiàn)出較大差異，使得在跨設(shè)備條件下的手背靜脈識(shí)別難度大大增加。

圖2 跨設(shè)備手背靜脈圖像庫(kù)的部分圖像

灰度圖由于背景區(qū)域與靜脈的對(duì)比度不是很強(qiáng)烈，在識(shí)別過(guò)程中很容易因?yàn)槭直称渌麉^(qū)域的影響導(dǎo)致魯棒性很差，而二值分割圖的對(duì)比度最強(qiáng)烈，可以將靜脈走向完全突顯出來(lái)。通常二值分割需要選取合適的分割閾值T，即：

(1)

F(x)=1-f′(x)

(2)

式中：f(x)為采集的灰度圖像；F(x)為分割后靜脈顯示為黑色的二值圖像。

目前常見的分割方法有閾值圖像法[8]、最大類間方差方法[9]、Niblack方法[10]、Sauvola方法[11]和針對(duì)手背由Wang等[12]提出的邊界特性方法。梯度計(jì)算可以檢測(cè)邊緣輪廓，所以在分割靜脈過(guò)程中采用基于檢測(cè)邊緣性能的梯度方法[7]，可以改善靜脈脈絡(luò)檢測(cè)效果。將圖像邊緣由梯度信息進(jìn)行描述，以下為將梯度計(jì)算引入的分割閾值計(jì)算公式：

(3)

(4)

式中:G代表全局最大梯度(一般為255);m(x,y)為N×N局部區(qū)域內(nèi)均值;g(x,y)為點(diǎn)f(x,y)處的梯度值;G(x,y)是以該點(diǎn)為中心的各鄰域的最大梯度值;k(x,y)則對(duì)應(yīng)自適應(yīng)系數(shù)，可以通過(guò)參數(shù)α和β來(lái)確定。

k(x,y)依據(jù)局部區(qū)域?qū)Ρ榷日{(diào)整g(x,y)值，進(jìn)而調(diào)整分割閾值T(x,y)，抑制血管分割斷裂現(xiàn)象發(fā)生，改善分割效果。此外，不同的梯度計(jì)算方法使得該方法在圖像分割上具有良好的可擴(kuò)展性。

圖3為使用該方法分割后二值手背靜脈圖像庫(kù)的部分圖像。

圖3 二值靜脈圖像庫(kù)部分圖像

相對(duì)于灰度圖像，顯然二值圖像去除皮膚背景的靜脈結(jié)構(gòu)顯示較為完整，更適合用來(lái)提取圖像的關(guān)鍵點(diǎn)等信息。

2 關(guān)鍵點(diǎn)提取方法

2.1 脊線提取方法

不同的類別對(duì)應(yīng)不同的靜脈網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，以脊線作為手背圖像的脈絡(luò)分布結(jié)構(gòu)，可以對(duì)當(dāng)前圖像進(jìn)行描述。其中基于寬度結(jié)構(gòu)模型[13]的匹配算法提出將二值圖像轉(zhuǎn)換為距離圖像，有助于圖像脊線的提取。脊線提取的部分方法如下。

二值圖像轉(zhuǎn)換為距離圖像：對(duì)于分割后的二值靜脈圖像，選取當(dāng)前像素點(diǎn)作為操作中心，逐步增大圓的半徑至該圓與背景相接，此時(shí)以最大內(nèi)接圓半徑代替當(dāng)前像素值。以該方法遍歷靜脈區(qū)域所有像素，將二值圖像轉(zhuǎn)換為距離圖像。距離圖像表現(xiàn)為在靜脈中心線附近的值較高，并朝著邊緣方向距離值逐漸降低。

距離圖像的脊線提?。河删嚯x圖像中心線對(duì)于像素值較高，所以提取中心線對(duì)應(yīng)數(shù)值，將其他邊緣值歸為背景類。此時(shí)，當(dāng)前靜脈圖像的拓?fù)浣Y(jié)構(gòu)將由提取的脊線來(lái)表征。

脊線提取如圖4所示，其中：圖4(b)為圖4(a)生成的距離圖像?？梢钥闯?，該圖像在中心線附近較亮，對(duì)應(yīng)較高像素值。圖4(c)為提取的脊線在二值圖像中的位置分布，其完整地顯示出靜脈圖像的脈絡(luò)走向。該方法的主要特點(diǎn)是關(guān)鍵點(diǎn)全部分布在靜脈上，但其梯度運(yùn)算后方向性較差，對(duì)存在旋轉(zhuǎn)問(wèn)題的圖像的適應(yīng)性也相對(duì)較差。

(a) 二值圖像 (b) 距離圖像 (c) 脊線分布圖4 脊線提取

2.2 SIFT關(guān)鍵點(diǎn)提取

相較于脊線特征對(duì)圖像結(jié)構(gòu)拓?fù)溥M(jìn)行描述，SIFT關(guān)鍵點(diǎn)檢測(cè)方法作為目前常用的關(guān)鍵點(diǎn)檢測(cè)方法，其在圖像的局部范圍內(nèi)選取極值點(diǎn)作為圖像關(guān)鍵點(diǎn)。高斯差分(DoG)為標(biāo)準(zhǔn)SIFT算法中的關(guān)鍵點(diǎn)檢測(cè)算法。該方法由一組連續(xù)變換的高斯核對(duì)同一尺度的靜脈圖像進(jìn)行卷積，然后縮小圖像尺寸，進(jìn)行相同的卷積操作，重復(fù)操作數(shù)次形成高斯金字塔，接著將同一尺寸相鄰卷積核的卷積圖像做差，得到用于確定關(guān)鍵點(diǎn)DoG金字塔。極值點(diǎn)的搜索模板設(shè)置為3×3×3，在鄰域范圍內(nèi)確定極值點(diǎn)作為該圖像的關(guān)鍵點(diǎn)。

圖5所示為SIFT特征在靜脈圖像的分布，顯然幾乎所有的關(guān)鍵點(diǎn)都分布在靜脈的邊緣輪廓，相比于脊線特征增強(qiáng)了對(duì)方向性檢測(cè)的敏感性，但是關(guān)鍵點(diǎn)在部分區(qū)域的分布較為稀疏，不利于對(duì)圖像的描述，且大量卷積計(jì)算在特征提取過(guò)程中消耗時(shí)間較長(zhǎng)，效率較低。

圖5 SIFT關(guān)鍵點(diǎn)分布

2.3 二維小波分解關(guān)鍵點(diǎn)提取

以二維小波分解算法對(duì)手背靜脈圖像進(jìn)行關(guān)鍵點(diǎn)提取，圖像對(duì)應(yīng)二維函數(shù)f(x,y)，使用可分離的尺度函數(shù)φ(x,y)，在具有多分辨率的矢量空間下，可將圖像分為逼近圖像和細(xì)節(jié)圖像兩部分[14]。

Sj=[〈f(x,y),φjn(x)·φjm(y)〉]m,n∈Z

(5)

式中：Sj代表不同尺度下參考的低分辨率圖像。對(duì)應(yīng)的細(xì)節(jié)圖像分別為：

D1,j=[〈f(x,y),φjn(x)·Ψjm(y)〉]m,n∈Z

D2,j=[〈f(x,y),Ψjn(x)·φjm(y)〉]m,n∈Z

(6)

D3,j=[〈f(x,y),Ψjn(x)·Ψjm(y)〉]m,n∈Z

式中：D1j、D2j、D3j分別代表不同分辨率下不同方向的高頻細(xì)節(jié)圖像；j代表不同尺度。

在多分辨率的尺度空間中，靜脈圖像依據(jù)不同方向在不同尺度下進(jìn)行小波分解，分解后的近似圖像和細(xì)節(jié)圖像呈現(xiàn)類金字塔的排列形式，如圖6所示。

圖6 靜脈圖像二級(jí)小波分解排列圖

圖6左上角圖像是原圖像二級(jí)近似分量(尺寸為原圖1/4)，該圖像由于過(guò)度壓縮，丟失太多原圖像信息，導(dǎo)致細(xì)節(jié)圖像較為模糊，不適合作為關(guān)鍵點(diǎn)對(duì)圖像進(jìn)行表述。故本文選取一級(jí)近似分量對(duì)應(yīng)圖像(尺寸為原圖1/2)提取細(xì)節(jié)信息對(duì)圖像進(jìn)行描述，圖6右上、左下和右下分別對(duì)應(yīng)靜脈圖像的垂直、水平和對(duì)角分量細(xì)節(jié)圖像。

實(shí)驗(yàn)首先選取單一方向細(xì)節(jié)分量(即三幅細(xì)節(jié)圖像中任意一幅)作為該圖像的關(guān)鍵點(diǎn)。圖7為關(guān)鍵點(diǎn)在二值圖像上的分布情況。

(a) 水平 (b) 垂直 (c) 對(duì)角圖7 不同方向細(xì)節(jié)圖像的關(guān)鍵點(diǎn)分布

可以看出，小波分解的關(guān)鍵點(diǎn)均分布在靜脈的邊緣輪廓處，水平方向和垂直方向的關(guān)鍵點(diǎn)在靜脈的上邊緣分布較少，垂直方向的上邊緣基本沒有檢測(cè)到關(guān)鍵點(diǎn)，而對(duì)角方向的關(guān)鍵點(diǎn)在靜脈邊緣可以保持較為均勻的分布，所以實(shí)驗(yàn)效果較好，識(shí)別率可達(dá)91.2%，但是該細(xì)節(jié)特征的分布較為稀疏，尤其在縱向邊緣的關(guān)鍵點(diǎn)分布較少，所以將考慮對(duì)不同方向上的特征進(jìn)行組合以彌補(bǔ)單一特征的不足。多方向特征組合包括：水平+垂直、對(duì)角+垂直、水平+對(duì)角、對(duì)角+垂直四種組合方式。

圖8是小波分解的多方向細(xì)節(jié)圖像組合后的特征點(diǎn)在二值圖上的分布?？梢钥闯?，水平+垂直的組合特征圖并未改善上邊緣特征點(diǎn)缺失的問(wèn)題；水平+對(duì)角的組合特征圖則缺少對(duì)垂直特征的檢測(cè)，而手背靜脈的豎直紋理分布較多，所以縱向特征的缺失將會(huì)影響實(shí)驗(yàn)結(jié)果；水平+垂直+對(duì)角的組合特征圖將各方向的特征都融合在一起，雖然不存在特征缺失或稀疏的問(wèn)題，但是在水平方向的特征點(diǎn)分布過(guò)于密集，進(jìn)而會(huì)對(duì)局部特征重復(fù)的進(jìn)行描述，而這些特征也將可能增大與其他類別的誤匹配率，也會(huì)增加計(jì)算量；最后選擇垂直+對(duì)角的特征圖組合，垂直方向的特征可以檢測(cè)靜脈圖像在豎直方向的紋理，而對(duì)角特征則可以提取圖像傾斜和彎曲區(qū)域的特征，可以完整地對(duì)圖像進(jìn)行描述。

(a) 水平+垂直 (b) 水平+對(duì)角

(c) 垂直+對(duì)角 (d) 水平+垂直+對(duì)角圖8 小波分解的多方向關(guān)鍵點(diǎn)組合

與SIFT特征類似，二維小波分解所得特征也是位于靜脈輪廓的細(xì)節(jié)特征(高頻特征)，保留其對(duì)方向檢測(cè)的敏感性，對(duì)抗圖像旋轉(zhuǎn)具有一定優(yōu)勢(shì)。并在垂直+對(duì)角的組合下，識(shí)別效果達(dá)到最佳，在跨設(shè)備條件下，最高識(shí)別率達(dá)93.4%。

3 魯棒特征描述子

3.1 生物視覺感知特性

經(jīng)生物學(xué)家研究發(fā)現(xiàn)，視神經(jīng)細(xì)胞中的P型細(xì)胞以接收視覺范圍內(nèi)中心視野的信息，為大腦提供高分辨率信息，可用作對(duì)物體的識(shí)別。依據(jù)該細(xì)胞在視網(wǎng)膜上的分布特性以及其對(duì)外界刺激的響應(yīng)機(jī)制，生成對(duì)圖像關(guān)鍵點(diǎn)的描述子，可具有更好的描述特性。

Rodieck[15]提出了神經(jīng)節(jié)細(xì)胞受外界刺激，產(chǎn)生神經(jīng)脈沖的響應(yīng)關(guān)系，DoG建模函數(shù)如下：

(7)

式中：γc和γs分別為P型細(xì)胞在中心和周圍接受域的范圍；Hc和Hs分別為該細(xì)胞在中心和周圍的峰值靈敏度。其中H與γ成反比關(guān)系，即細(xì)胞較大的接受域范圍對(duì)應(yīng)峰值靈敏度較差。所以式(7)可簡(jiǎn)化為：

(8)

P型細(xì)胞除了與神經(jīng)脈沖存在一定的響應(yīng)關(guān)系外，在視網(wǎng)膜上的分布也存在一定特性。在P型細(xì)胞的分布范圍內(nèi)，隨著細(xì)胞距視覺中心的距離增加，接受域范圍γ呈指數(shù)型增長(zhǎng)，峰值靈敏度H相應(yīng)減小，對(duì)應(yīng)位置細(xì)胞所提供的空間分辨率也將降低。實(shí)驗(yàn)證明神經(jīng)節(jié)細(xì)胞的分布密度隨著距視覺中心距離的增長(zhǎng)呈指數(shù)型下降，所以對(duì)外圍信息的采樣率也相應(yīng)地降低。圖9(a)所示為P型細(xì)胞在視網(wǎng)膜上的分布圖。圖9(b)為P型細(xì)胞的近似建模分布圖，依據(jù)P型細(xì)胞的分布特性，圖中由中心向外以指數(shù)增長(zhǎng)形式確定同心圓的半徑，對(duì)應(yīng)細(xì)胞分布密度則呈指數(shù)型下降，該分布特性符合離散小波的理論[16]，可以完整地對(duì)特征進(jìn)行描述。

(a) P型細(xì)胞分布圖 (b) P型細(xì)胞近似建模分布圖圖9 P型細(xì)胞

將這種生物視覺感知特性應(yīng)用于對(duì)手背靜脈圖像所提取關(guān)鍵點(diǎn)的描述上，即依據(jù)生物視覺特性的建模方法，將關(guān)鍵點(diǎn)設(shè)置為中心點(diǎn)，提取其周圍的同心圓的各圓心位置所對(duì)應(yīng)像素對(duì)當(dāng)前關(guān)鍵點(diǎn)進(jìn)行描述，進(jìn)而描述整幅手背靜脈圖像。

3.2 基于生物視覺感知的魯棒特征描述子

依據(jù)P型細(xì)胞在視網(wǎng)膜中分布特性以及對(duì)外界刺激響應(yīng)機(jī)制，構(gòu)建的高可分性的魯棒特征描述框架(DERF)[17]下生成描述子的部分計(jì)算過(guò)程如下：

首先，在獲取一幅圖像后，采用一定的算法來(lái)獲取圖像的局部關(guān)鍵點(diǎn)，以每個(gè)關(guān)鍵點(diǎn)為中心，截取一定大小的圖像片段以便獲取對(duì)該關(guān)鍵點(diǎn)的特征描述。

然后，計(jì)算該圖像片段的DoG卷積梯度方向圖，如圖10所示。

圖10 關(guān)鍵點(diǎn)圖像片段及方向梯度圖

圖像片段的方向梯度圖共有H個(gè)方向，圖10左半部分為以關(guān)鍵點(diǎn)為中心的44×44的圖像片段，右半部分為該圖像片段的8個(gè)方向的梯度圖。之后，對(duì)每一幅梯度方向圖使用不同大小的高斯核σ卷積S+1次。最后，將同一個(gè)方向兩個(gè)相鄰尺度的高斯卷積方向梯度圖相減，得到DoG卷積梯度方向圖。計(jì)算流程如圖11所示。

圖11 DoG卷積梯度方向圖計(jì)算流程

根據(jù)P型細(xì)胞的分布特性，在DoG卷積梯度方向圖上采樣來(lái)構(gòu)造每個(gè)關(guān)鍵點(diǎn)的描述子。圖12為描述子的采樣模板結(jié)構(gòu)圖。

圖12 描述子采樣模板結(jié)構(gòu)圖

圖12中的每個(gè)采樣點(diǎn)所處同心圓半徑以及對(duì)應(yīng)的DoG卷積核由中心區(qū)域向外逐漸增大，將在DoG卷積梯度方向圖上進(jìn)行采樣構(gòu)建新的描述子。

采樣點(diǎn)的選取規(guī)則為：位于內(nèi)層同心圓的半徑較小時(shí)，在對(duì)應(yīng)σ比較小的一組DoG卷積方向梯度圖上進(jìn)行采樣；半徑較大時(shí)，則在對(duì)應(yīng)σ較大的一組圖片上進(jìn)行采樣。本文設(shè)置5層同心圓對(duì)應(yīng)差分后5組DoG卷積方向梯度圖，同心圓的中心點(diǎn)與最小半徑的同心圓選擇一致。

在尺度σ下，(α0,β0)位置在DoG卷積梯度方向圖中對(duì)應(yīng)特征向量為：

(9)

所以，關(guān)鍵點(diǎn)(ξ0,υ0)在不同半徑、不同尺度下對(duì)應(yīng)的全部描述子可以表示為：

Κ(ξ0,υ0)=

[hσ1(ξ0,υ0),hσ1(l1(ξ0,υ0,r1)),hσ1(l2(ξ0,υ0,r1)),…,hσ1(lT(ξ0,υ0,r1)),

hσ2(l1(ξ0,υ0,r2)),hσ2(l2(ξ0,υ0,r2)),…,hσ2(lT(ξ0,υ0,r2)),?hσS(l1(ξ0,υ0,rS)),hσS(l2(ξ0,υ0,rS)),…,hσS(lT(ξ0,υ0,rS))]T

(10)

式中：li(ξ0,υ0,rj)表示以關(guān)鍵點(diǎn)(ξ0,υ0)為中心，半徑為rj的同心圓上在第i方向?qū)?yīng)采樣點(diǎn)的特征向量。

圖13為描述子的特征向量圖示，以關(guān)鍵點(diǎn)為中心，均勻地在每層同心圓上采樣8次，5層同心圓包含中心點(diǎn)，共計(jì)采樣41次。圖中每個(gè)采樣點(diǎn)的箭頭方向分別對(duì)應(yīng)8個(gè)梯度方向圖，即每個(gè)采樣點(diǎn)對(duì)應(yīng)維度為8的特征向量，因而該關(guān)鍵點(diǎn)由8×(5×8+1)=328維特征向量進(jìn)行描述。相比于經(jīng)典SIFT描述子以8×16=128維向量對(duì)關(guān)鍵點(diǎn)進(jìn)行描述，如圖13(a)所示，本文所述描述子將傳統(tǒng)的在一幅圖像局部統(tǒng)計(jì)8個(gè)梯度方向，改為在8幅梯度方向圖對(duì)應(yīng)位置同時(shí)提取像素點(diǎn)，而且基于生物的視覺特性，增加了描述子特征向量的維度，顯然該描述子能更詳盡地對(duì)手背靜脈特征進(jìn)行描述。

(a) 傳統(tǒng)SIFT描述子 (b) DERF描述子圖13 特征向量示意圖

基于生物視覺特征的描述子，本文將考察其同心圓的不同參數(shù)對(duì)特征描述子在圖像片段上分布的影響。實(shí)驗(yàn)設(shè)置相鄰?fù)膱A之間的半徑比值為22/3，由于每層同心圓分布的不同采樣點(diǎn)對(duì)應(yīng)高斯標(biāo)準(zhǔn)差相同，而且與該同心圓的半徑相關(guān)，所以兩個(gè)相鄰的高斯標(biāo)準(zhǔn)差的比值也為22/3，即為同心圓半徑的0.25倍。

由于圖像片段大小受最外層同心圓半徑影響，限制了同心圓最大層數(shù)，且層數(shù)太低實(shí)驗(yàn)結(jié)果較差，改變同心圓層數(shù)對(duì)描述子數(shù)量也具有較大影響，所以綜合各種因素選定同心圓的層數(shù)為5。本文將主要驗(yàn)證同心圓初始半徑r0對(duì)描述子分布以及最終識(shí)別率的影響。

4 實(shí) 驗(yàn)

4.1 手背靜脈魯棒特征提取

本文將二維小波分解關(guān)鍵點(diǎn)提取算法與魯棒特征描述子結(jié)合，用于跨設(shè)備手背靜脈識(shí)別中，圖14為具體的識(shí)別流程。以1號(hào)設(shè)備為訓(xùn)練集，2號(hào)設(shè)備為測(cè)試集，首先對(duì)靜脈圖像做小波變換，提取細(xì)節(jié)靜脈的圖像，然后選取垂直+對(duì)角的組合作為圖像的特征點(diǎn)；以每個(gè)關(guān)鍵點(diǎn)為中心，在大小為120×160的原圖像上截取周圍44×44的圖像片段；構(gòu)建每個(gè)圖像片段的DoG梯度方向圖，最后采用圖12所示的結(jié)構(gòu)在梯度方向圖中進(jìn)行采樣，得到每個(gè)關(guān)鍵點(diǎn)的描述子。

圖14 跨設(shè)備條件下手背靜脈識(shí)別流程圖

4.2 實(shí)驗(yàn)結(jié)果分析

基于生物視覺特性的描述子，實(shí)驗(yàn)過(guò)程中選取能使描述子最緊的參數(shù)，即DoG梯度方向圖中，選取8方向的梯度圖，計(jì)算梯度采用的是DAISY算法[18]，實(shí)驗(yàn)設(shè)置最初的初始半徑r0為5。實(shí)驗(yàn)首先基于SIFT算法，將特征描述子更換為DERF描述子，對(duì)比實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同描述子對(duì)比結(jié)果

可以看出，DERF特征描述子對(duì)跨設(shè)備條件下手背靜脈識(shí)別中更具優(yōu)勢(shì)。所以選取基于生物視覺的DERF描述子對(duì)關(guān)鍵點(diǎn)進(jìn)行描述，然后實(shí)驗(yàn)驗(yàn)證不同關(guān)鍵點(diǎn)提取方法在跨設(shè)備條件下對(duì)手背靜脈的識(shí)別效果，實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同關(guān)鍵點(diǎn)提取算法對(duì)比結(jié)果

實(shí)驗(yàn)結(jié)果顯示，二維小波分解在對(duì)角方向的細(xì)節(jié)圖像特征達(dá)到的識(shí)別率最高，說(shuō)明小波分解的關(guān)鍵點(diǎn)提取方法更適合于手背靜脈的識(shí)別。但其提升幅度很小，僅有0.4個(gè)百分點(diǎn)，所以提出將小波分解后不同方向的細(xì)節(jié)分量進(jìn)行組合，以彌補(bǔ)單一特征的不足。不同方向特征圖在不同組合下的實(shí)驗(yàn)結(jié)果如表3所示。

表3 特征圖不同組合對(duì)比結(jié)果

可以看出，特征圖在組合形式下進(jìn)一步提升了識(shí)別率，證明了不同方向特征圖組合的有效性，其中垂直+對(duì)角和水平+垂直+對(duì)角的細(xì)節(jié)特征圖組合下，識(shí)別率相差較小，但是后者的計(jì)算量增加較大，所以本文選擇垂直+對(duì)角的特征組合進(jìn)行實(shí)驗(yàn)。

確定了關(guān)鍵點(diǎn)的提取方式，實(shí)驗(yàn)進(jìn)一步考察同心圓初始半徑r0對(duì)描述子有效性的影響。對(duì)不同同心圓初始半徑r0在1-2庫(kù)中的靜脈圖像進(jìn)行實(shí)驗(yàn)，算法統(tǒng)計(jì)得到兩庫(kù)之間同心圓初始半徑與識(shí)別率關(guān)系如圖15所示。

圖15 同心圓初始半徑與識(shí)別率關(guān)系圖

可以看出，手背靜脈識(shí)別率受同心圓初始半徑影響，半徑選為4時(shí)，在跨設(shè)備條件下手背靜脈的識(shí)別率可以達(dá)到93.4%。

為了證明本文方法可以有效提高跨設(shè)備條件下手背靜脈的識(shí)別率，采用了四種算法進(jìn)行比較，即PCA、LBP、SIFT和改進(jìn)SIFT關(guān)鍵點(diǎn)的提取算法。將兩個(gè)不同設(shè)備下采集的手背靜脈圖像集，分別作為測(cè)試集和訓(xùn)練集，每種算法分別進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表4所示。

表4 不同算法手背靜脈識(shí)別對(duì)比結(jié)果

對(duì)比結(jié)果顯示，本文在魯棒特征描述子與二維小波分解在垂直+對(duì)角的細(xì)節(jié)特征組合下使得跨設(shè)備條件下的識(shí)別率有了進(jìn)一步的提高，可達(dá)到93.4%，證明本文方法有良好的可行性和有效性。

5 結(jié) 語(yǔ)

在分割后形成的二值手背靜脈圖像庫(kù)中進(jìn)行實(shí)驗(yàn)，本文通過(guò)對(duì)比不同的關(guān)鍵點(diǎn)提取方法，最終確定以二維小波分解算法進(jìn)行關(guān)鍵點(diǎn)提取，并確定垂直+對(duì)角的細(xì)節(jié)分量為關(guān)鍵點(diǎn)的最優(yōu)組合。垂直+對(duì)角的特征圖組合不僅可以檢測(cè)到靜脈圖像在豎直方向的紋理，而且也可以提取圖像傾斜和彎曲區(qū)域的特征。依據(jù)視神經(jīng)細(xì)胞中P型細(xì)胞在視網(wǎng)膜上的分布特性以及其對(duì)外界刺激的響應(yīng)機(jī)制，形成了基于生物視覺特性的關(guān)鍵點(diǎn)描述算法，本文對(duì)該算法的結(jié)構(gòu)參數(shù)進(jìn)行調(diào)整，形成更適用于手背靜脈圖像的具有高可分性和魯棒性的特征描述子。在由不同設(shè)備采集的手背靜脈圖像庫(kù)中，該方法識(shí)別率達(dá)到93.4%，表明其具有較高可行性。