基于精選SURF特征點(diǎn)的手指靜脈識(shí)別算法

黃易豪，周穎玥*，徐 蘇，劉銀輝

(1. 西南科技大學(xué)信息工程學(xué)院，四川 綿陽(yáng)621010；2. 西南科技大學(xué)特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川 綿陽(yáng) 621010；3. 中國(guó)科學(xué)院光電技術(shù)研究所，四川 成都 610000)

1 引言

手指靜脈識(shí)別技術(shù)以其活體性、唯一性、穩(wěn)定性、普適性、難偽造以及造價(jià)成本適中的優(yōu)勢(shì)[1]，在生物特征識(shí)別領(lǐng)域得到了廣泛關(guān)注，適用于安全需求等級(jí)較高的應(yīng)用場(chǎng)合。

利用手指靜脈血管中的紅細(xì)胞能吸收近紅外光的原理進(jìn)行成像[2]，然后從靜脈圖像中提取特征并搭配合適的分類算法來(lái)進(jìn)行身份驗(yàn)證，是現(xiàn)下較為通用的手指靜脈識(shí)別方法[3-4]。為了讓采集過(guò)程中出現(xiàn)的一些質(zhì)量不佳的圖像有更多的可識(shí)別信息，通常會(huì)在特征提取之前采用一些圖像增強(qiáng)技術(shù)來(lái)改善圖像質(zhì)量，如：利用能選擇方向和尺度的Gabor濾波技術(shù)[5]，可較好的增強(qiáng)靜脈紋理信息；還有能增加圖像對(duì)比度的直方圖均衡技術(shù)[6]；以及基于數(shù)學(xué)形態(tài)學(xué)的圖像增強(qiáng)方法[7]等。

手指靜脈特征提取方法可以分為全局特征提取和局部特征提取兩類，在全局特征提取中，比較典型的一種方法便是主成分分析法(Principal Component Analysis，PCA)[8-10]，王科俊等人將PCA與小波矩相結(jié)合來(lái)減少手指靜脈信息的冗余度，同時(shí)改善了全局特征維數(shù)過(guò)高且信息量單一的不足，后又提出歸一雙向加權(quán) (2D)2PCA的方法來(lái)加快靜脈圖像特征矩陣的訓(xùn)練速度與后期識(shí)別的速度；李菲等人通過(guò)對(duì)圖像的方向梯度直方圖進(jìn)行改進(jìn)來(lái)獲取ngHOG描述符并與PCA和稀疏表示分類(Sparse Representation-based Classifier，SRC)相結(jié)合來(lái)識(shí)別圖像，該方法對(duì)光照不均等問(wèn)題有較好的魯棒性；但上述方法在圖像中靜脈區(qū)域較少的情況下有錯(cuò)誤識(shí)別的情況。局部特征包括常見(jiàn)的局部二值模式(local binary pattern， LBP)[11]、局部線性二值模式(Line Local Binary Pattern，LLBP)[12]、尺度不變特征變換(Scale-invariant feature transform，SIFT)[13]以及加速穩(wěn)健特征(Speeded Up Robust Features，SURF)[14]等提取方法，其中LEE等人利用支持向量機(jī)(Support Vector Machine， SVM)將提取到的LBP特征進(jìn)行分類，并對(duì)每類賦予不同的權(quán)重，最后以漢明距離計(jì)算相似性來(lái)完成手指靜脈識(shí)別；在LBP的基礎(chǔ)之上，劉菲等人[15]提出了一種基于細(xì)節(jié)點(diǎn)的奇異值分解法，通過(guò)將分割后的靜脈紋理細(xì)化，然后統(tǒng)計(jì)細(xì)化紋理中端點(diǎn)及交叉點(diǎn)的特征，利用較為精確的特征點(diǎn)配對(duì)方法通過(guò)匹配得分完成手指靜脈識(shí)別，但這兩種方法對(duì)旋轉(zhuǎn)偏移的魯棒性較低；文獻(xiàn)[13]中，孟憲靜等人通過(guò)提取指靜脈圖像中的SIFT特征進(jìn)行識(shí)別，能較好的解決手指靜脈在采集過(guò)程中出現(xiàn)的旋轉(zhuǎn)偏移問(wèn)題，但不能精準(zhǔn)定位靜脈上的特征點(diǎn)。此外，Cihui Xie等人[16]利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)來(lái)進(jìn)行手指靜脈的識(shí)別，其優(yōu)勢(shì)在于不需要主動(dòng)提取特征，而是通過(guò)網(wǎng)絡(luò)自適應(yīng)獲取有價(jià)值的特征信息來(lái)用于識(shí)別，但訓(xùn)練集的質(zhì)量和容量對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有較大的影響，當(dāng)訓(xùn)練集不足時(shí)，所得網(wǎng)絡(luò)識(shí)別性能不佳。總的來(lái)說(shuō)手指靜脈識(shí)別是一個(gè)有著較大研究?jī)r(jià)值的問(wèn)題，是目前生物特征識(shí)別領(lǐng)域的熱點(diǎn)。

為了提高手指靜脈識(shí)別技術(shù)的精度，本文針對(duì)手指靜脈圖像中存在的旋轉(zhuǎn)、偏移及光照不均等問(wèn)題，提出了一種基于精選SURF特征點(diǎn)的手指靜脈圖像識(shí)別方法；先利用圖像增強(qiáng)技術(shù)改善圖像質(zhì)量，使其能被檢測(cè)出更多有用特征點(diǎn)，然后利用靜脈紋理的分割圖像對(duì)SUR-F特征點(diǎn)進(jìn)行約束，此方法能有效提取圖像中與靜脈相關(guān)的特征點(diǎn)信息，從而提升識(shí)別精度。

2 算法實(shí)現(xiàn)流程

如圖1所示，本文方法分為線上和線下兩個(gè)部分：首先在線下對(duì)所錄入的手指靜脈圖像進(jìn)行預(yù)處理，主要涉及感興趣區(qū)域(Region of Interest，ROI)的提?。菏紫壤肧obel算子檢測(cè)圖像中手指靜脈邊緣，然后根據(jù)邊緣內(nèi)切線剪切出手指靜脈區(qū)域；預(yù)處理后，對(duì)圖像進(jìn)行Gabor濾波與對(duì)比度受限的自適應(yīng)直方圖均衡(Contrast Limited Adaptive Histogram Equ-alization，CLAHE)[17]相級(jí)聯(lián)的圖像增強(qiáng)操作，并利用反射率圖像進(jìn)行靜脈紋理分割；然后對(duì)增強(qiáng)后的圖像進(jìn)行SURF特征點(diǎn)檢測(cè)，同時(shí)根據(jù)分割圖像對(duì)特征點(diǎn)進(jìn)行篩選；最后生成精選后的含有標(biāo)簽的SURF特征點(diǎn)描述符集合。線上的部分則是對(duì)被測(cè)圖像進(jìn)行識(shí)別的過(guò)程，首先對(duì)輸入的被測(cè)圖像進(jìn)行與訓(xùn)練庫(kù)中圖像相同的操作，然后將生成的SURF特征點(diǎn)描述符與線下保存的描述符集合進(jìn)行匹配，即可得到識(shí)別結(jié)果。

圖1 手指靜脈識(shí)別算法框架示意圖

3 基于Gabor濾波與CLAHE級(jí)聯(lián)的圖像增強(qiáng)模型

如文獻(xiàn)[18]中所述，Gabor濾波器可通過(guò)調(diào)節(jié)其頻率帶寬w、波長(zhǎng)λ、空間縱橫比γ、角度θ對(duì)圖像進(jìn)行不同方向及尺度上的增強(qiáng)，但濾波后圖像的灰度值仍處于一個(gè)較小的范圍；為了在拉伸灰度范圍時(shí)抑制噪聲信息的放大，本文采用Gabor濾波與CLAHE相級(jí)聯(lián)的濾波器對(duì)指靜脈圖像I進(jìn)行增強(qiáng)，I的大小為M×N。

一個(gè)二維Gabor濾波器的核函數(shù)為

(1)

其中

(2)

式中θa表示所需濾波的方向，(i，j)為核函數(shù)的大小，σ為Gabor核中高斯因子的標(biāo)準(zhǔn)差，由λ、w、γ三個(gè)參數(shù)表示

(3)

將Gabor核函數(shù)與手指靜脈圖像I卷積來(lái)完成濾波，得到增強(qiáng)后的圖像I′(由歐拉公式可知該核函數(shù)包含實(shí)部和虛部?jī)蓚€(gè)部分，在計(jì)算時(shí)需先分開(kāi)計(jì)算再融合)

(4)

圖2展示了當(dāng)θa=a×22.5(a=0，1，2…7)時(shí)對(duì)圖像濾波的效果。

圖2 指定方向Gabor濾波示意圖

圖3 手指靜脈圖像增強(qiáng)示意圖

4 靜脈紋路SURF特征點(diǎn)提取與約束

SURF特征提取算法建立在SIFT特征提取算法之上，同樣擁有旋轉(zhuǎn)、偏移不變性，且擁有比SIFT特征點(diǎn)維數(shù)低、提取速度快以及對(duì)噪聲的魯棒性更高的特點(diǎn)。

4.1 SURF特征點(diǎn)提取算法簡(jiǎn)述

SURF特征提取算法可分為特征點(diǎn)的提取與描述符的生成兩個(gè)部分。首先利用高斯模板對(duì)圖像進(jìn)行卷積，可以在像素點(diǎn)(x，y)處得到一個(gè)帶有尺度信息的Hessian矩陣，表達(dá)式為

(5)

式中L(x，y，σ′)代表著圖像與高斯函數(shù)二階微分在點(diǎn)(x，y)處的卷積，σ′為尺度信息。為了降低運(yùn)算復(fù)雜度，SURF算法采用Box Filter模板(Dxx、Dyy、Dxy)近似代替二階高斯濾波模板來(lái)求得Hessian矩陣的判別式：

Det(Happrox)=DxxDyy-(0.9Dxy)2

(6)

此時(shí)需設(shè)置閾值S，若Det(Happrox)>S，則認(rèn)為是感興趣點(diǎn)。然后利用差分尺度空間對(duì)感興趣點(diǎn)進(jìn)行3×3×3鄰域的非極大值抑制，以去除其中的非極值點(diǎn)，并采用線性插值法尋找極值點(diǎn)鄰域內(nèi)的精確位置。

特征點(diǎn)提取完成后，根據(jù)特征點(diǎn)的Harr特征來(lái)確定特征點(diǎn)的主方向，然后以特征點(diǎn)為中心，將其以主方向?yàn)榛鶞?zhǔn)的正方形鄰域劃分為一個(gè)4×4的區(qū)塊，統(tǒng)計(jì)每個(gè)子區(qū)域內(nèi)與主方向垂直、水平的Harr小波響應(yīng)(并用高斯函數(shù)加權(quán))，從而得到垂直方向與水平方向小波響應(yīng)的加權(quán)和及響應(yīng)絕對(duì)值的加權(quán)和：∑dx、∑dy、∑|dx|、∑|dy|，所以每個(gè)特征點(diǎn)可以得到一個(gè)4×4×4的描述向量。最后再對(duì)這個(gè)64維向量進(jìn)行歸一化就得到了最后的SURF特征點(diǎn)描述符。

圖4顯示了同一手指靜脈圖像在不同增強(qiáng)算法下的SURF特征點(diǎn)提取狀況。圖中圓圈示意著特征點(diǎn)的位置及個(gè)數(shù)，由于原始指靜脈圖像的對(duì)比度較低，所以圖4(a)沒(méi)有檢測(cè)出特征點(diǎn)。在經(jīng)過(guò)一系列圖像增強(qiáng)算法后，圖像中能被檢測(cè)出的特征點(diǎn)開(kāi)始增多，數(shù)量關(guān)系為：圖(d)>圖(c)>圖(b)；特征點(diǎn)數(shù)量的增加意味著特征信息更加豐富，但過(guò)多的特征點(diǎn)將增加計(jì)算復(fù)雜度，同時(shí)因圖像背景、光照不均等因素而檢測(cè)出的特征點(diǎn)將影響圖像的識(shí)別準(zhǔn)確度。因此，本文提出了利用靜脈分割圖像來(lái)約束特征點(diǎn)的方法，去除掉冗余的特征點(diǎn)，篩選出僅與靜脈相關(guān)的關(guān)鍵特征點(diǎn)，以此提升識(shí)別精度和效率。

圖4 SURF特征點(diǎn)分布圖

4.2 靜脈圖像分割與特征點(diǎn)約束

由于手指靜脈圖像的強(qiáng)度Y可以通過(guò)圖像的光照度Ic與反射率r相乘獲得

Y=Ic×r

(7)

此處的Y即為上文中的I′，而Ic可由I′與高斯核函數(shù)gs卷積來(lái)預(yù)估，則可得圖像反射率為：

r=I′/(I′*gs)

(8)

然后對(duì)r采用OTSU[19](最大類間法)分割出手指靜脈紋理的二值圖像(區(qū)間為[0，1])，如圖5所示，由于Ic是在gs的基礎(chǔ)上預(yù)估得到的，所以選用具有恰當(dāng)尺寸的gs核將得到準(zhǔn)確的靜脈分割圖像。

圖5 不同gs尺寸對(duì)應(yīng)的二值圖像

表1 靜脈特征點(diǎn)屬性

由于光照變化的影響，在SURF感興趣點(diǎn)檢測(cè)過(guò)程中，會(huì)檢測(cè)出一部分邊緣點(diǎn)，這部分特征點(diǎn)可能導(dǎo)致錯(cuò)誤的識(shí)別結(jié)果；當(dāng)t=6時(shí)，所篩選的特征點(diǎn)更適合用于識(shí)別，但其數(shù)量不足以用來(lái)完成大范圍內(nèi)的識(shí)別，所以本文采用t≥6來(lái)完成識(shí)別，能得到較好的結(jié)果。

5 識(shí)別與匹配

6 實(shí)驗(yàn)結(jié)果與分析

6.1 實(shí)驗(yàn)環(huán)境、數(shù)據(jù)庫(kù)及指標(biāo)說(shuō)明

在Windows 10系統(tǒng)的MatlabR2016a平臺(tái)上，根據(jù)本文方法分別對(duì)公共手指靜脈數(shù)據(jù)庫(kù)SDUMLA[20]及PolyU[21]進(jìn)行了實(shí)驗(yàn)，并通過(guò)分析實(shí)驗(yàn)結(jié)果來(lái)驗(yàn)證本文方法的有效性：

在SDUMLA手指靜脈數(shù)據(jù)庫(kù)中，有636類不同源的手指靜脈，其中每類包含6張指靜脈圖像，共計(jì)3816張圖像，每類選取3張圖像作為訓(xùn)練集，另外3張作為測(cè)試集，每張圖像的尺寸大小為320×240。PolyU庫(kù)則分為PolyU1和PolyU2，PolyU1和PolyU2中圖像尺寸大小同為513×256，PolyU1中含有210類不同源的手指靜脈，每類采集了13張手指靜脈圖像，共計(jì)2520張圖像；PolyU2中含有102類不同源的手指靜脈，每類采集了6張指靜脈圖像，共612張圖像；PolyU1和PolyU2中每類手指靜脈分別提供提供7和3張圖像作為訓(xùn)練集，分別剩下的5和3張圖像作為測(cè)試集。

本文以計(jì)算識(shí)別率作為測(cè)試算法性能的測(cè)試指標(biāo)

(9)

識(shí)別率越高，則說(shuō)明該算法能從訓(xùn)練庫(kù)中找出正確同源圖像的成功率越大。

6.2 不同算法識(shí)別率對(duì)比測(cè)試實(shí)驗(yàn)

在提取圖像的ROI區(qū)域后，利用幾個(gè)經(jīng)典的靜脈識(shí)別算法在所選數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)，并與本文方法相比較，來(lái)驗(yàn)證本文方法的有效性：①(2D)2PCA+SRC：利用文獻(xiàn)[9]所提出的(2D)2PCA對(duì)圖像進(jìn)行快速降維，以SRC作為分類器識(shí)別圖像；②ngHOG+PCA+SRC：利用文獻(xiàn)[10]所提方法提取圖像的ngHOG特征，然后利用PCA對(duì)特征進(jìn)行降維，最后利用SRC識(shí)別圖像；③和④則是對(duì)圖像進(jìn)行CLAHE增強(qiáng)后，根據(jù)文獻(xiàn)[13]和[14]所述，分別提取圖像中的SIFT和SURF特征，采用本文分類算法識(shí)別圖像；⑤本文方法。

表2 不同方法在公共庫(kù)中的識(shí)別率統(tǒng)計(jì)

由表2可以看出基于精選SURF特征點(diǎn)的手指靜脈識(shí)別算法在所選數(shù)據(jù)庫(kù)中的識(shí)別性能優(yōu)于其它幾種經(jīng)典的手指靜脈識(shí)別算法，并且在SDUMLA、PloyU1、PloyU2這三個(gè)數(shù)據(jù)庫(kù)上比原SURF算法分別高出了1.83%、2.76%、1.31%的識(shí)別率。

6.3 算法抗干擾測(cè)試實(shí)驗(yàn)

該部分實(shí)驗(yàn)通過(guò)選取PloyU數(shù)據(jù)庫(kù)中旋轉(zhuǎn)、偏移及光照不均的圖像進(jìn)行性能測(cè)試，以驗(yàn)證算法在這些干擾狀態(tài)下的魯棒性。其中選取位置明顯發(fā)生偏移圖像23類，共276張；旋轉(zhuǎn)圖像29類，共348張；亮度不均的圖像18類，共216張；每類圖像中包含12張圖像，以其中3張作為訓(xùn)練集，剩余9張為測(cè)試集的比例在每個(gè)算法中進(jìn)行實(shí)驗(yàn)，結(jié)果如下：

表3 算法抗干擾能力測(cè)試結(jié)果統(tǒng)計(jì)表

由表3可以看出，相較于PCA+SRC的算法，具有旋轉(zhuǎn)偏移不變性的SIFT、SURF特征能較好的解決手指靜脈圖像在采集過(guò)程中出現(xiàn)的旋轉(zhuǎn)偏移問(wèn)題；而在利用本文的圖像增強(qiáng)方法對(duì)圖像光照不均的問(wèn)題進(jìn)行改善，又通過(guò)對(duì)增強(qiáng)圖像中檢測(cè)出的特征點(diǎn)進(jìn)行約束后，本文方法在旋轉(zhuǎn)、偏移及光照不均的情況下所表現(xiàn)出的識(shí)別性能均優(yōu)于其它幾種方法。

所以，根據(jù)對(duì)以上兩種實(shí)驗(yàn)結(jié)果的分析可知，本文方法能夠通過(guò)對(duì)圖像進(jìn)行增強(qiáng)以及對(duì)SURF特征點(diǎn)進(jìn)行約束，來(lái)達(dá)到提升識(shí)別精度的目的，且能在旋轉(zhuǎn)、偏移及光照不均這些干擾環(huán)境下表現(xiàn)出較穩(wěn)定的識(shí)別性能。

7 結(jié)束語(yǔ)

本文算法主要對(duì)如何有效利用SURF特征點(diǎn)進(jìn)行指靜脈識(shí)別進(jìn)行了改進(jìn)，算法不僅克服了傳統(tǒng)SURF對(duì)低質(zhì)量圖像無(wú)法檢測(cè)出特征點(diǎn)的缺陷，而且使得檢測(cè)出的特征點(diǎn)更為準(zhǔn)確。實(shí)驗(yàn)表明本文算法能有效改善圖像采集時(shí)旋轉(zhuǎn)、偏移以及光照不均的問(wèn)題，并且相比于傳統(tǒng)的SURF特征提取算法能更有效的進(jìn)行手指靜脈的識(shí)別。今后除了繼續(xù)對(duì)手指靜脈識(shí)別的關(guān)鍵特征提取進(jìn)行研究外，還將致力于手指靜脈快速識(shí)別的研究。