基于底層特征提取的手背靜脈識(shí)別方法研究

張馨午，劉遠(yuǎn)遠(yuǎn)，齊千妍，鄧可為，王 娟，2

（1.湖北工業(yè)大學(xué)太陽能高效利用及儲(chǔ)能運(yùn)行控制湖北省重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430068；2.武漢大學(xué)-武漢華安科技公司博士后工作站，湖北武漢 430068）

由于互聯(lián)網(wǎng)的發(fā)展和機(jī)器視覺技術(shù)的改進(jìn)，人們有了更高的身份識(shí)別要求。手背靜脈識(shí)別是活體識(shí)別，具備相對(duì)安全準(zhǔn)確的識(shí)別特征。

國外關(guān)于靜脈識(shí)別最初的研究是MacGregor P和Welford R開發(fā)的基于靜脈識(shí)別的系統(tǒng)[1]。國內(nèi)常見的靜脈識(shí)別方法有多分辨率濾波法[2]、代數(shù)特征法[3]和HOG 算子提取特征[4]等。雖然近幾年手背靜脈識(shí)別技術(shù)飛速發(fā)展，但此技術(shù)尚未成熟，需要解決精確采集等問題。

該文通過分析靜脈識(shí)別理論基礎(chǔ)，實(shí)現(xiàn)了靜脈識(shí)別算法設(shè)計(jì)。預(yù)處理階段作圖像處理，邊緣提取時(shí)選擇Canny 算法和Gabor 濾波器提取特征，提出了方向?yàn)? 的濾波器，有利于特征匹配識(shí)別。特征匹配時(shí)采用二次匹配法，經(jīng)過實(shí)驗(yàn)驗(yàn)證算法的可行性。最后成功地實(shí)現(xiàn)了身份識(shí)別。

1 手背靜脈識(shí)別一般流程

檢測手背靜脈特征的身份識(shí)別方法能夠通過掃描手背靜脈實(shí)現(xiàn)，識(shí)別正確率高，識(shí)別效果好。步驟如下：使用近紅外光照射[5]手背然后對(duì)靜脈圖像進(jìn)行采集；灰度和尺寸歸一化處理圖像；高斯濾波器濾除噪聲；Canny 算子對(duì)靜脈進(jìn)行檢測，取得手背與靜脈血管的邊界；通過Niblack 閾值分割改善圖像的細(xì)節(jié)處理效果；運(yùn)用細(xì)節(jié)細(xì)化算法提取靜脈的骨架信息；采用Gabor 濾波器提取細(xì)化處理后的靜脈特征，獲得靜脈交叉點(diǎn)與靜脈端點(diǎn)；將提取特征和數(shù)據(jù)庫數(shù)據(jù)進(jìn)行匹配獲得檢測結(jié)果。

預(yù)處理的過程首先需要完成圖像采集，該文用近紅外光照射手背靜脈來采集圖像，經(jīng)過二值化、歸一化、濾波算法去噪和邊緣檢測等圖像處理方法，可以增加皮膚和靜脈組織之間的對(duì)比度。通過圖像閾值分割，將靜脈組織和手背皮膚彼此分離，獲得連通的靜脈組織。再運(yùn)用細(xì)化、填充等方法得到靜脈結(jié)構(gòu)圖，獲得可以唯一代表這個(gè)圖像的特征值。需要在已有的算法技術(shù)上進(jìn)行改進(jìn)，以獲得具有唯一性的特征。

識(shí)別過程需要尋找有效代表手背靜脈特性的特征值，讓預(yù)處理后的圖像完成平移、比例放縮等幾何變換，形成一個(gè)帶有特征的數(shù)學(xué)向量。在圖像處理及軟件程序的基礎(chǔ)上，運(yùn)用合適有效的算法讓靜脈圖像特征與手背靜脈特征庫中已有的特征匹配，按照識(shí)別規(guī)律找到特征的相應(yīng)類別，從而提高識(shí)別率，手背靜脈識(shí)別流程圖如圖1 所示。

圖1 手背靜脈識(shí)別流程圖

2 手背靜脈圖像算法流程

文中主要通過運(yùn)用圖像的歸一化、高斯濾波去噪和二值化算法中的Niblack 算法來進(jìn)行圖像預(yù)處理，然后使用Gabor 濾波器提取出靜脈圖像的一部分血管特征，最后通過計(jì)算歐式距離來完成靜脈圖像信息的特征匹配，從而完成圖像識(shí)別，算法流程圖如圖2 所示。

圖2 手背靜脈識(shí)別的算法流程圖

2.1 主要設(shè)計(jì)方案

第一步：圖片歸一化處理，其可分為兩個(gè)步驟：1）灰度歸一化。比較靜脈圖像的灰度級(jí)，設(shè)置變換圖像的平均值M0為150～220，方差V0盡可能接近255[6]。2）尺度歸一化。由于獲取的圖像彼此有差別，因此需要統(tǒng)一圖像的尺寸。對(duì)不同大小的圖像進(jìn)行變換，將其按一定的標(biāo)準(zhǔn)統(tǒng)一[7]。

第二步：進(jìn)行高斯濾波器去噪，降低平滑處理中的圖像模糊程度，按照高斯函數(shù)的形狀對(duì)權(quán)重進(jìn)行選擇，能夠非常有效地抑制甚至消除遵循正態(tài)分布的高斯噪聲[8]。離中心點(diǎn)越遠(yuǎn)，權(quán)重就越少，從而能夠讓中心點(diǎn)靠近距離最近的點(diǎn)。該文選擇高斯低通濾波來處理邊緣的模糊性。邊緣提取時(shí)產(chǎn)生的噪聲，經(jīng)過高斯濾波后，邊緣的細(xì)節(jié)不再模糊，變得清晰可見，這樣更有利于后面的處理。

第三步：進(jìn)行Canny 邊緣檢測。Canny 邊緣算子可以在保持邊緣特性的同時(shí)消除邊緣噪聲。對(duì)二維高斯函數(shù)求出一階導(dǎo)數(shù)和圖像卷積濾波，求出梯度并進(jìn)行比較得到最大值來排除非邊緣像素[9]，從而判斷出圖像邊緣。

第四步：利用Niblack 閾值分割出靜脈部分。首先確定像素點(diǎn)和鄰域其他像素點(diǎn)的均值以及標(biāo)準(zhǔn)差，然后得到相應(yīng)閾值，并對(duì)高于該閾值和低于該閾值的元素進(jìn)行處理。運(yùn)用改進(jìn)后的Sauvola 算法去除偽噪聲[10]，其灰度均值和標(biāo)準(zhǔn)差的獲取和Niblack算法一致，公式如下：

第五步：細(xì)化修復(fù)。采用細(xì)節(jié)細(xì)化算法，該算法具有細(xì)化速度快、連通性好的特點(diǎn)。

2.2 基于Gabor濾波器提取特征

二維Gabor 濾波器由Gabor 函數(shù)構(gòu)成，它是一種線性濾波器，適用于表達(dá)和分離處理紋理。

該文特征提取采用方向?yàn)? 的濾波器來實(shí)現(xiàn)，從而使圖像具有更加完整的特征。

假如手背灰度值分布為I(z)，則核函數(shù)ψu(yù),v(z)的卷積公式如下：

其中，F(xiàn)u,v(z)是方向系數(shù)為u、尺度系數(shù)為v的Gabor 濾波器內(nèi)核卷積后的特征。因?yàn)楹撕瘮?shù)ψu(yù),v(z)是復(fù)數(shù)，其對(duì)應(yīng)的特征函數(shù)Fu,v(z)也是復(fù)數(shù)，其幅值和相位如下：

由尺度為5、方向?yàn)? 的Gabor 濾波器組成的實(shí)驗(yàn)?zāi)軌虻贸觯瑸V波器具有空間尺度選擇和方向選擇的特性，當(dāng)進(jìn)行函數(shù)和圖像卷積運(yùn)算后，可以獲取不同尺度與方向的紋理特征[11]。

2.3 二次匹配算法

該文采用二次匹配算法進(jìn)行圖像匹配，可以減少對(duì)噪聲、像素點(diǎn)位置變化等干擾因素的影響，它還簡化了復(fù)雜的算法并提高了匹配的效率。匹配流程如圖3所示。

圖3 匹配流程

匹配過程包含兩類匹配：①細(xì)節(jié)點(diǎn)匹配。在建立好圖像的局部特征數(shù)據(jù)庫后，在之前特征提取的基礎(chǔ)上，首先進(jìn)行局部特征的細(xì)節(jié)點(diǎn)匹配識(shí)別，細(xì)節(jié)點(diǎn)匹配包含端點(diǎn)和交叉點(diǎn)的匹配。從圖像A 中提取出M個(gè)特征點(diǎn)，數(shù)據(jù)庫里的任意一個(gè)靜脈圖像B 和圖像A 匹配，從圖像B 中提取出N個(gè)特征點(diǎn)，分別建立圖像A 和圖像B 的特征向量，然后一一對(duì)應(yīng)匹配特征點(diǎn)。②歐式匹配。在沒有發(fā)生錯(cuò)誤的情況下，一個(gè)人的手背靜脈圖像經(jīng)過預(yù)處理后，會(huì)獲得同樣的特征點(diǎn)[12]，則說明是同一個(gè)人的兩張圖像提取的特征點(diǎn)，相互匹配的兩個(gè)特征點(diǎn)的歐式距離為0。計(jì)算兩個(gè)圖像的所有特征點(diǎn)的歐式距離，獲得最小歐式距離，如果其中的最大值D＞L，那么可以判斷兩幅圖像近似相同，L是人為設(shè)置的具體閾值。

計(jì)算出兩個(gè)n維向量之間的歐式距離，其中d表示歐式距離，d越小，則圖像越相似[13]，如式（5）所示：

歐式距離可以很好地獲得特征向量中的對(duì)應(yīng)距離，但不能直觀地分辨出類別，因此可以構(gòu)建最近鄰分類器來分類。具體過程如下：

1）訓(xùn)練過程：將一組靜脈圖像特征樣本訓(xùn)練到特征庫中，并計(jì)算圖像之間的歐式距離，以獲得一個(gè)歐幾里得距離表；然后計(jì)算類別里誤差率和誤識(shí)率的關(guān)系，當(dāng)兩個(gè)距離相等時(shí)，需要提取出最優(yōu)的距離閾值。

2）識(shí)別過程：對(duì)經(jīng)過訓(xùn)練的樣本和待測樣本都計(jì)算歐式距離；提取最小距離，如果它在閾值內(nèi)，則可以讓訓(xùn)練樣本的類別和待測樣本保持一致。最近鄰分類器分類效果如圖4 所示。

圖4 最近鄰分類器分類效果

2.4 識(shí)別過程

識(shí)別過程的技術(shù)平臺(tái)是由MATLAB 生成的GUI，通過軟件比對(duì)識(shí)別，將采集到的靜脈訓(xùn)練樣本導(dǎo)入軟件形成手背靜脈對(duì)比庫，識(shí)別選擇的靜脈圖像，將靜脈圖像特征和建立的手背靜脈特征庫中已有的特征進(jìn)行匹配，通過識(shí)別規(guī)律找到特征的類別，因而識(shí)別率有所提高。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 預(yù)處理結(jié)果

3.1.1 灰度化處理

圖像經(jīng)過灰度化后，對(duì)于光線不理想的圖像，其與其他圖像的灰度相差很大，為了讓所有圖像規(guī)范化，灰度歸一化處理是必要的步驟，其可以使得待處理圖像的均值和方差與標(biāo)準(zhǔn)規(guī)范相同。

3.1.2 圖像二值化

圖像在進(jìn)行了灰度歸一化后，需要進(jìn)行圖像二值化處理，從而可以得到清晰的輪廓圖，即將圖像處理為黑和白兩種視覺效果。

3.1.3 邊緣檢測對(duì)比

該文對(duì)每個(gè)算法都進(jìn)行了具體的實(shí)驗(yàn)，通過最終的輪廓結(jié)果進(jìn)行比照，選擇最適合的一種算法。

由Sobel 邊緣檢測法、Prewitt 邊緣檢測法、Log 邊緣檢測法、Canny 邊緣檢測法對(duì)同一圖像的結(jié)果對(duì)比可以得出：Canny 邊緣檢測法不易受到噪聲干擾，并且可以檢測到邊緣的細(xì)節(jié)。此外，Canny 邊緣算子不會(huì)把邊緣點(diǎn)誤認(rèn)成非邊緣點(diǎn)，并且還會(huì)抑制假邊緣，比起其他的邊緣檢測方法，Canny 邊緣檢測法獲得的邊緣輪廓最清晰、最完整，而且沒有噪聲干擾。

3.1.4 閾值分割

該文使用MATLAB 處理軟件對(duì)圖像進(jìn)行分割。Niblack算法可以較好地存留圖像的細(xì)節(jié)信息，較其他算法而言，更簡單易行而且分割效果更好[14]。

3.1.5 中值濾波

通過Niblack 分割后，圖像的信息不是特別明顯，會(huì)有一些無用信息在圖像中，這就是噪聲的影響。該文選擇中值濾波去除額外的部分。

3.1.6 細(xì)化修復(fù)

靜脈圖像在閾值分割后各個(gè)地方粗細(xì)不同，其像素點(diǎn)分布不均，將會(huì)導(dǎo)致提取的難度增加，影響算法的計(jì)算效率，因此，對(duì)圖像進(jìn)行細(xì)化處理操作是必要的[15]。

3.2 特征匹配識(shí)別結(jié)果

3.2.1 特征提取

利用不同方向和尺度的Gabor 濾波器來提取具備更高精度的特征，因?yàn)閳D像的幅值特征比相位特征相對(duì)穩(wěn)定，而且幅值的特征信息可以表現(xiàn)出圖像的能量表，并且能明顯地展示手背上靜脈血管的特征信息[16]，因此該文主要采用的是圖像的幅值特征。

3.2.2 特征匹配

在手背圖像庫中尋找同一個(gè)人同一只手的兩張圖片進(jìn)行匹配，經(jīng)過二次匹配后可以獲得是否匹配成功的信息。然后匹配不同人的左手的手背圖像，經(jīng)過二次匹配可以獲得相關(guān)信息。

同一手背匹配結(jié)果：

匹配時(shí)間:時(shí)間已過0.399 036 s。

匹配成功＞＞

不同手背匹配結(jié)果：

匹配時(shí)間:時(shí)間已過0.931 827 s。

匹配失?。荆?/p>

由此可知，該文運(yùn)用的二次匹配的效果還不錯(cuò)，可以區(qū)分出圖像是否來自同一個(gè)手背，不同圖像的匹配耗費(fèi)的時(shí)間也不一樣。

3.2.3 特征識(shí)別

運(yùn)用收集到的手背靜脈圖像進(jìn)行實(shí)驗(yàn)，來驗(yàn)證算法的識(shí)別能力。選擇了8 個(gè)人，每個(gè)人有8 組左右手的圖像，總共128 個(gè)圖像，在8 個(gè)人的樣本中，從每個(gè)人每只手的圖像中隨機(jī)抽取3 組圖像作為訓(xùn)練樣本，除此之外的5 組圖像用作測試樣本。通過最近鄰方法分類，一共有80×48 次匹配，然后進(jìn)行識(shí)別率和誤識(shí)率的計(jì)算。

在特征提取的過程中，該文對(duì)Gabor 濾波器進(jìn)行了一些改良，增加了空間域的方向。方向?yàn)? 與方向?yàn)? 上濾波器的識(shí)別率和誤識(shí)率如表1 所示，其中時(shí)間是識(shí)別過程中的平均時(shí)間。

表1 對(duì)比識(shí)別結(jié)果

表中的數(shù)據(jù)表明，雖然改進(jìn)前后的識(shí)別率沒有很大差別，而且時(shí)間還有一定的延長，但是改進(jìn)后的誤識(shí)率降低了11%，從而可以真正地識(shí)別出特征信息，完成個(gè)人身份的驗(yàn)證。

識(shí)別過程中識(shí)別率和誤識(shí)率的曲線如圖5所示。

圖5 識(shí)別相關(guān)曲線

由此可見，這個(gè)算法的識(shí)別率還是挺高的，適宜用作識(shí)別手背的靜脈圖像。隨著識(shí)別數(shù)量的增加，誤識(shí)率逐漸降低，識(shí)別率也有輕微的降低。

該文的識(shí)別技術(shù)平臺(tái)是MATLAB 生成的GUI，首先需要將采集到的靜脈訓(xùn)練樣本導(dǎo)入軟件形成手背靜脈對(duì)比庫，此后再選擇具體的靜脈圖像進(jìn)行識(shí)別。

如果圖像和對(duì)比庫中的相同，則會(huì)顯示這個(gè)手背靜脈的編號(hào)；如果是對(duì)比庫中沒有的圖像，則會(huì)顯示沒有相似圖像，并且選擇其他圖像。

4 結(jié)論

為了達(dá)到安全識(shí)別的目的，該文具體介紹了手背靜脈識(shí)別的預(yù)處理技術(shù)和匹配識(shí)別算法，經(jīng)過對(duì)圖像數(shù)據(jù)進(jìn)行相關(guān)濾波去噪、邊緣提取、閾值分割等預(yù)處理技術(shù)操作，提高了圖像質(zhì)量；通過增加Gabor濾波器空間域的方向，降低了誤識(shí)率。通過二次匹配方法來匹配和識(shí)別圖像，提升了圖像識(shí)別率。但在采集過程中，圖像數(shù)據(jù)占比空間較大，后續(xù)工作將針對(duì)此情況加以改善。