手指靜脈識別技術(shù)在軍工識別系統(tǒng)中的應(yīng)用與研究

孫倩文 謝泰 芮偉 沙琨

摘要：目的：在當(dāng)前新冠肺炎疫情下，為了進(jìn)一步提升軍隊門禁系統(tǒng)的安全性，本文采用具有活體識別和非接觸特性的手指靜脈生物特征識別技術(shù)進(jìn)行身份驗證。方法：本文首先進(jìn)行了手指靜脈分割研究，包括靜脈圖像灰度化和去噪處理，設(shè)計了一種基于有效區(qū)域位置分布的ROI提取方案，采取圖像尺寸和灰度歸一化和濾波去噪等圖像處理方法，用基于谷型的靜脈分割算法得到圖像的紋理信息，并在此基礎(chǔ)上提出了基于PCA的特征映射方法。結(jié)果：依據(jù)本文提出的方法在構(gòu)建的本地靜脈數(shù)據(jù)庫中試驗，測試識別率達(dá)到了99.87%，識別效果明顯。結(jié)論：指靜脈識別技術(shù)相比傳統(tǒng)的生物識別技術(shù)，其防偽性和準(zhǔn)確性更適合新時代軍工識別系統(tǒng)要求。

關(guān)鍵詞：手指靜脈識別;軍工識別系統(tǒng);PCA

中圖分類號：TP18? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）23-0011-03

當(dāng)前軍隊門禁系統(tǒng)身份識別主要依靠身份卡和密碼等傳統(tǒng)的身份鑒別方式[1]，但這些方式容易互相接觸，難以滿足防疫要求，并且身份卡攜帶不便，易丟失，易偽造。手指靜脈識別技術(shù)與這些傳統(tǒng)的身份鑒別方式相比，無須接觸設(shè)備，無須攜帶認(rèn)證密鑰，隱私性更高，安全性更為可靠[2]。該技術(shù)可以有效地鑒定個人的身份，能夠極大地提升軍工系統(tǒng)的防疫安全性以及對軍隊信息的保護(hù)。

本文所研究的手指靜脈識別技術(shù)，它主要是通過指內(nèi)靜脈成像來確認(rèn)用戶身份[3]，當(dāng)近紅外光照射手指時，指內(nèi)靜脈流動的血液會吸收特定波長的紅外線，從而得到指靜脈紋理圖像 （如圖1所示）[4-5]。

1資料與方法：

1.1數(shù)據(jù)來源

本文所采用的實驗數(shù)據(jù)是來自某實驗小組建立的手指靜脈數(shù)據(jù)庫。

1.2手指靜脈圖像預(yù)處理

1.2.1手指靜脈圖像的去噪

本文針對原始指靜脈圖像，首先利用均值濾波器去除高斯噪聲，再用中值濾波去除椒鹽噪聲，最后輸出去噪圖像，如圖2所示。

原始靜脈圖像經(jīng)過濾波綜合去噪后，效果如圖3所示。

1.2.3圖像定位與手指圖像截取

如圖3所示，在原始圖像采集過程中，由于外界環(huán)境影響，需要把剔除背景干擾部分，只提取靜脈最豐富的最具有實驗價值的圖像部分，因此要對其進(jìn)行ROI提取，具體操作步驟如下：

1）去除背景信息，對邊緣去噪;

2）采用sobel邊緣檢測算子得到手指的輪廓（如圖4（a）所示），在手指的邊緣檢測圖中仍然包含一些孤立的噪聲（如圖4（b）所示），此時采用連通區(qū)域計算算法，設(shè)定特定閾值來剔除該噪聲;

3） 為了方便后續(xù)處理，將圖像邊緣細(xì)化成單像素，最后反變換得出手指在水平方向的輪廓;

4）輪廓內(nèi)間距最小值計算。使用兩條水平的平行直線[l1]，[l2]對手指的輪廓進(jìn)行內(nèi)切，然后計算它們之間的最小內(nèi)切距離，其中：

公式（1）中的[c1]表示手指上輪廓線的最大縱坐標(biāo)，[c2]表示手指下輪廓線的最小縱坐標(biāo)，[d]表示截取圖像的寬度。

1.2.4歸一化處理

在采集手指靜脈圖像時，由于拍攝角度、拍攝光線以及每個人的手指存在個體差異，因此在進(jìn)行特征提取后，還應(yīng)當(dāng)進(jìn)行歸一化處理。本文采用雙線性插值法進(jìn)行歸一化處理。

歸一化處理后的靜脈圖像像素灰度值會變得集中，對后續(xù)的特征提取會造成影響，故本文對靜脈圖像進(jìn)行了灰度歸一化處理，將圖像的像素灰度值歸一化在0～255范圍內(nèi)。

在式（2）中，[p（i，j）]為變換后的灰度值，[p'（i，j）]表示原圖灰度值，[G1]表示原圖灰度最小值，[G2]表示原圖灰度最大值。

1.3手指靜脈紋路綜合提取

對歸一化的圖像進(jìn)行閾值分割和細(xì)化處理，從而提取指靜脈圖像的有效特征。由于前期圖像采集過程中有眾多環(huán)境因素的影響，這里采用圖像分割和特征提取相結(jié)合的方法來快速提取低質(zhì)量的指靜脈圖像。

最后采用NIBLACK算法對圖像進(jìn)行二次分割提取準(zhǔn)確度更高的靜脈特征。

1.3.1基于方向谷型檢測算子提取手指靜脈特征。

采用設(shè)計的八個方向上的谷型檢測算子模板在整幅圖像上滑動，使用該方法確定圖像中每一個像素點在該點走向，將八個不同區(qū)域算子與每個像素點11鄰域內(nèi)的灰度值進(jìn)行卷積運(yùn)算，然后得到這8個方向上的最大卷積值，具體效果圖如圖5所示。

1.3.2 NIBLACK算法閾值分割

以11×11的模板在靜脈圖像[G'（x，y）]中滑動，計算當(dāng)前鄰域內(nèi)所有像素點的平均值和方差，將標(biāo)準(zhǔn)方差和均值進(jìn)行權(quán)值相加，最后以此計算得到的灰度值為閾值對靜脈圖像進(jìn)行二值化處理，具體方法如以下公式（4）和（5）所示：

靜脈圖像的二值化的效果如圖6所示。

1.3.3手指靜脈圖像紋路去噪

指靜脈灰度圖像中常見有椒鹽噪聲和高斯噪聲等，本文采用尺寸大小為3?3的不設(shè)定權(quán)值的方形模板對靜脈圖像進(jìn)行濾波處理。中值濾波后的效果圖如圖7所示。

1.4基于幾何特征的匹配與識別

降噪后的指靜脈圖像經(jīng)過前期的ROI提取、圖像閾值分割以及細(xì)化處理后，得到了一幅不被背景干擾的清晰的靜脈特征圖像樣本。在后續(xù)的圖像匹配中，為了優(yōu)化匹配度，采用主成成分分析法對靜脈圖像進(jìn)行降維特征描述。

1） 基于PCA特征提取

主成分分析法是一種在數(shù)字圖像領(lǐng)域常用的壓縮方法，PCA方法在得到一個最小均方差的為基準(zhǔn)的前提下，對原始輸入圖像信號進(jìn)行投影將特征從高維度降到低維度，從而得到最優(yōu)的降維數(shù)字圖像特征。本文使用PCA算法的具體步驟如下：

（1）計算總體協(xié)方差矩陣表示：