林春漪，李明忠，孫 驍

(1.華南理工大學(xué)電子與信息學(xué)院，廣州 510640；2.中山大學(xué)中山醫(yī)學(xué)院生物醫(yī)學(xué)工程系，廣州 510080)

1 概述

在信息化時(shí)代，信息的安全性和保密性越來越受到人們的重視。在生物認(rèn)證領(lǐng)域中，指靜脈認(rèn)證又因?yàn)樗膱D像易于獲取和快速有效而得到更廣泛的應(yīng)用。但利用近紅外光拍攝的手指靜脈圖像，由于手指肌肉厚度變化引起的不規(guī)則的陰影和噪聲，使得血管靜脈并非清晰可見。針對(duì)不夠清晰的靜脈圖像，如何通過簡(jiǎn)單處理獲得足夠高的識(shí)別率，研制運(yùn)行穩(wěn)定的小型化產(chǎn)品成為實(shí)際應(yīng)用中的迫切需求。

目前，日本的日立公司[1-2]已推出指靜脈識(shí)別產(chǎn)品，但價(jià)格昂貴，使用了成本較高的攝像頭，認(rèn)證算法對(duì)圖像質(zhì)量要求較高。國(guó)內(nèi)的研究大多處于實(shí)驗(yàn)室階段[3-7]。歸納起來，在這些研究中存在以下問題：(1)沒有對(duì)拍攝的圖像進(jìn)行是否是手指靜脈圖的判別；(2)對(duì)圖像質(zhì)量要求較高；(3)圖像預(yù)處理和特征提取過程比較繁瑣，相當(dāng)耗時(shí)；(4)模板匹配前均作了二值化或三值化等分割處理，從而不可避免地帶來了分割誤差。文獻(xiàn)[6]雖然針對(duì)前人研究存在的問題提出了使用方向?yàn)V波方法對(duì)圖像增強(qiáng)，但仍要對(duì)圖像進(jìn)行細(xì)化和特征提取，對(duì)噪聲較敏感和費(fèi)時(shí)，拒識(shí)率達(dá)到4.8%。

針對(duì)上述存在的問題，在采用低價(jià)攝像頭以降低成本從而導(dǎo)致圖像質(zhì)量下降的情況下，本文提出基于梯度相關(guān)的指靜脈認(rèn)證算法，同時(shí)為提高產(chǎn)品效率，提出基于直方圖統(tǒng)計(jì)的判別所獲取圖像是否指靜脈圖的算法，并給予語音提示。

2 算法框架

手指靜脈圖像是經(jīng)過波長(zhǎng)約為850 nm左右的紅外光源照射人體手指獲取的，所獲取的指靜脈圖像大小為352×288像素的灰度圖，每個(gè)像素8 bit，算法框架如圖1所示。

圖1 指靜脈認(rèn)證算法框架

3 手指靜脈圖像判別

3.1 判別的必要性

在一個(gè)成熟的手指靜脈認(rèn)證產(chǎn)品上，需要一個(gè)算法來判斷采集到的圖像是否手指靜脈圖像，認(rèn)證前需要根據(jù)采集圖像判別是否手指靜脈圖，以節(jié)省認(rèn)證資源。因此，本文提出基于直方圖統(tǒng)計(jì)的判別算法，在判別前對(duì)圖像做旋轉(zhuǎn)校正和裁剪感興趣區(qū)。

3.2 圖像旋轉(zhuǎn)校正與手指靜脈感興趣區(qū)域的截取

旋轉(zhuǎn)校正目的是使手指水平放置，達(dá)到歸一化，這樣才能消除由于手指放置偏差帶來的影響。本文采用與文獻(xiàn)[3]相同的旋轉(zhuǎn)校正算法，最后截取指靜脈感興趣區(qū)域，以便后續(xù)處理，結(jié)果如圖2所示。

圖2 靜脈圖像感興趣區(qū)域

3.3 基于直方圖分析的指靜脈圖像判別

基于直方圖分析的指靜脈圖像判別算法根據(jù)指靜脈的實(shí)際分布設(shè)計(jì)，其基本過程如圖3所示。

圖3 直方圖分析流程

直方圖分析所使用的判定條件是根據(jù)多次實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)得出的，因此與實(shí)驗(yàn)條件密切相關(guān)，其中最主要的影響因素是圖像采集器的設(shè)備環(huán)境。把圖像的256個(gè)灰階分為32小段，統(tǒng)計(jì)直方圖分布。直方圖分布應(yīng)滿足：

(1)前6段的概率之和應(yīng)在5%以內(nèi)，即允許圖像有少量的黑點(diǎn)。

(2)在7段～18段之間必須能找到相鄰的5段，其概率之和在40%以上，該區(qū)主要反映靜脈較豐富的手指區(qū)域。

(3)第 7段～第 22段的概率和應(yīng)在 80%以上，該區(qū)主要反映整個(gè)手指區(qū)域。

(4)25段以后每段的概率不高于1%，即不允許出現(xiàn)過亮的點(diǎn)。

若不滿足上述條件，即判定該圖像非手指靜脈圖像，并給予語音提示。

4 圖像去噪

在實(shí)驗(yàn)過程中，采集了 40個(gè)不同手指(大拇指除外)的靜脈圖像，其中，部分手指在不同的時(shí)刻采集70次，共588幅指靜脈圖像，由此構(gòu)成未經(jīng)去噪的指靜脈圖像庫(kù)1(圖像樣本來源與文獻(xiàn)[3]相同)。為減少圖像噪聲，采用鄰域平均法對(duì)圖像作平滑處理，并通過高頻濾波對(duì)平滑后的圖像去模糊處理，以此構(gòu)成經(jīng)去噪處理的靜脈圖像庫(kù)2。

5 靜脈梯度圖的提取

由于靜脈主要分布在灰度變化大的點(diǎn)，因此本文采用靜脈梯度相關(guān)的算法進(jìn)行匹配。首先提取靜脈圖像的梯度圖，考慮到靜脈分布特點(diǎn)，其灰度分布符合最大曲率模型，對(duì)用于靜脈血管提取的匹配濾波算法[8]作了改進(jìn)。文獻(xiàn)[8]中使用的12個(gè)模板運(yùn)算量太大，不利于運(yùn)算速度的提高。經(jīng)過多次實(shí)驗(yàn)證明，只需要檢測(cè)指靜脈在 0°、45°、90°、135°方向響應(yīng)的最大值，即可獲得滿足梯度相關(guān)匹配的理想靜脈梯度圖像。0°、45°、90°、135°方向模板分別如下：

使用 4個(gè)方向算子分別對(duì)指靜脈圖像進(jìn)行匹配濾波，得到 4個(gè)方向的梯度圖分別為 f1(x, y)、f2(x, y)、f3(x, y)、f4(x, y)，取每個(gè)點(diǎn)的4個(gè)方向的梯度最大值作為該點(diǎn)梯度構(gòu)成指靜脈梯度圖G(x, y)，如圖4所示。梯度G(x, y)算式如下：

圖4 使用改進(jìn)匹配濾波法獲取的指靜脈梯度圖

6 基于梯度相關(guān)的匹配算法

指靜脈的認(rèn)證實(shí)際上是靜脈空間分布的匹配，受目標(biāo)跟蹤算法的啟發(fā)，本文提出靜脈梯度相關(guān)的匹配算法，以梯度最大互相關(guān)作為兩指靜脈匹配的相似程度度量。算法的具體實(shí)現(xiàn)如下：

定義Img1為登記模板的梯度圖像，f(x, y)為其空間位置的灰度值，為其像素均值；定義 Img2為測(cè)試樣本的梯度圖像，其空間灰度值為g(x, y)，g為其像素均值。

(1)測(cè)試模板 Img2以 f(0, 0)為始點(diǎn)在登記模板Img1上進(jìn)行x、y軸方向的漫游匹配，計(jì)算所得相關(guān)系數(shù) γ1(u, v)為圖像漫游坐標(biāo)位置 u、v的函數(shù)，如式(2)所示：(2)登記模板 Img1以 g(0, 0)為始點(diǎn)在測(cè)試模板Img2上進(jìn)行x、y軸方向的漫游匹配。計(jì)算所得的相關(guān)系數(shù)γ2(u, v)，如式(6)所示。其中，靜脈圖像大小為M×N；(u, v)為測(cè)試靜脈模板在登記模板上漫游匹配的位置；1β與2β表示2次相互匹配程度的最大值。

經(jīng)過上述2個(gè)步驟所得的98組梯度圖相關(guān)系數(shù)，基于最大互相關(guān)原理，取 β =max(β1, β2)作為評(píng)價(jià)兩指靜脈圖像的匹配程度。

圖5是某同一手指在不同時(shí)刻獲取的靜脈圖像的梯度圖，基于靜脈梯度相關(guān)算法，作為評(píng)價(jià)兩者匹配程度的β值為0.759 5，顯然2幅圖非常相似，兩靜脈圖匹配。

圖5 同一手指不同時(shí)刻的靜脈梯度圖

圖6是2幅不同手指的靜脈圖像的梯度圖，作為評(píng)價(jià)兩者匹配程度的β值為 0.183 5，顯然兩梯度圖差異較大，兩靜脈圖不匹配。

圖6 不同手指的靜脈梯度圖

7 實(shí)驗(yàn)與結(jié)果分析

7.1 拒識(shí)率評(píng)估

實(shí)驗(yàn)樣本為經(jīng)去噪處理的圖像庫(kù)2中70個(gè)同一手指的靜脈圖像，以 1∶1的模式進(jìn)行匹配，各得到4 900組數(shù)據(jù)。在不同閾值下，實(shí)驗(yàn)結(jié)果如表1所示。若β≥T(T為經(jīng)驗(yàn)閾值)，則認(rèn)定圖像識(shí)別通過，否則拒絕。

表1 本文算法的拒識(shí)率

為驗(yàn)證認(rèn)證算法的抗噪能力，針對(duì)未經(jīng)去噪處理的靜脈庫(kù)1作相同的評(píng)估，實(shí)驗(yàn)結(jié)果與表1相同。

7.2 誤識(shí)率評(píng)估

實(shí)驗(yàn)樣本為經(jīng)去噪處理的圖像庫(kù)2中40個(gè)不同手指的靜脈圖，以1∶1模式進(jìn)行匹配，得到1 600組數(shù)據(jù)，實(shí)驗(yàn)結(jié)果如表2所示。若β≤ T ，則認(rèn)定圖像不匹配，否則認(rèn)定圖像誤識(shí)別。

表2 本文算法的誤識(shí)率

為驗(yàn)證認(rèn)證算法的抗噪能力，針對(duì)未經(jīng)去噪處理的靜脈庫(kù)1作了相同的評(píng)估，實(shí)驗(yàn)結(jié)果與表2相同。從上述結(jié)果可見，本文算法對(duì)圖像的噪聲并不敏感。

根據(jù)拒識(shí)率與誤識(shí)率評(píng)估所得表格數(shù)據(jù)，ROC曲線作為匹配算法的測(cè)試指標(biāo)，給出隨著閾值的不同拒識(shí)率和誤識(shí)率FAR之間的關(guān)系，如圖7所示。

圖7 識(shí)別算法的ROC曲線

由ROC曲線可見，閾值T設(shè)定為0.40比較合理，在此閾值下，能獲得較好的識(shí)別率。

在與本文使用同樣的實(shí)驗(yàn)樣本條件下，文獻(xiàn)[4]算法的拒識(shí)率評(píng)估結(jié)果如表3所示，誤識(shí)率評(píng)估結(jié)果如表4所示。

表3 文獻(xiàn)[4]算法的拒識(shí)率

表4 文獻(xiàn)[4]算法的誤識(shí)率

從上述實(shí)驗(yàn)結(jié)果可見，在特定的匹配閾值區(qū)間，采取相同測(cè)試樣本，基于梯度相關(guān)的匹配認(rèn)證算法在拒識(shí)率和誤識(shí)率評(píng)估所達(dá)到的實(shí)質(zhì)效果較文獻(xiàn)[4]算法更好。另一方面，文獻(xiàn)[4]算法過程復(fù)雜，丟失靜脈信息較多。

文獻(xiàn)[3]算法得到的識(shí)別率接近100%，但對(duì)圖像質(zhì)量要求較高，處理步驟多，實(shí)驗(yàn)中發(fā)現(xiàn)該算法對(duì)噪聲敏感，而本文的算法處理簡(jiǎn)單，由于采用了梯度相關(guān)算法而對(duì)噪聲不敏感，且得到令人滿意的識(shí)別效果，更適合于低成本攝像頭拍攝靜脈的認(rèn)證產(chǎn)品。

與文獻(xiàn)[6]算法比較，使用該文改進(jìn)的方向?yàn)V波增強(qiáng)，能得到紋路光滑、清晰的靜脈圖，從文中實(shí)驗(yàn)結(jié)果看，本文算法更簡(jiǎn)單、識(shí)別效果更好。

與文獻(xiàn)[5]算法比較，基于小波矩融合 PCA變換的手指靜脈識(shí)別得到的誤識(shí)率為 0.7%，比本文算法得到的誤識(shí)率 0.375%高出接近 2倍，而其拒識(shí)率為1.05%，比本文算法所得的 1.20%僅高出 0.15%。但這2個(gè)實(shí)驗(yàn)結(jié)果使用了不同于本文的實(shí)驗(yàn)樣本，可比性不大。綜合考慮識(shí)別率和處理算法，基于梯度相關(guān)匹配的手指靜脈認(rèn)證算法更簡(jiǎn)單，省去了特征提取處理，在拒識(shí)率接近的精度下誤識(shí)率更低，對(duì)噪聲不敏感，更能滿足實(shí)際應(yīng)用的要求。

8 結(jié)束語

本文提出一套針對(duì)紅外手指靜脈圖像的圖像處理以及模板匹配的算法。基于直方圖分析的方法判別是否指靜脈圖，針對(duì)指靜脈的特點(diǎn)采用改進(jìn)的匹配濾波進(jìn)行靜脈梯度的提取，并基于梯度相關(guān)的匹配算法，避免以往對(duì)靜脈圖進(jìn)行分割所帶來的分割誤差，從而提高識(shí)別率。與以往的算法相比，該算法由于預(yù)處理簡(jiǎn)單，不需要做二值化處理，也不必做為使用SVM或神經(jīng)網(wǎng)絡(luò)識(shí)別圖像[9-10]所需的圖像特征提取。實(shí)驗(yàn)結(jié)果表明，該算法識(shí)別率高，對(duì)噪聲不敏感，由于處理過程簡(jiǎn)單而易于保證軟件系統(tǒng)的穩(wěn)定性，特別適合于小型指靜脈認(rèn)證系統(tǒng)。下一步研究工作是在保證識(shí)別率的前提下，進(jìn)一步減小圖像尺寸，提高處理速度。

[1]Miura N, Nagasaka A, Miyatake T.Feature Extraction of Finger Vein Patterns Based on Repeated Line Tracking and Its Application to Personal Identification[J].Machine Vision and Applications, 2004, 15(4): 194-203.

[2]Miura N, Nagasaka A, Miyatake T.Extraction of Fingervein Patterns Using Maximum Curvature Points in Image Profiles[J].IEICE Transactions on Information and Systems, 2007, E90-D(8): 1185-1194.

[3]林春漪, 周宇健, 陳慶武.手指靜脈認(rèn)證系統(tǒng)的算法研究[J].光電工程, 2011, 38(2): 90-96.

[4]Sun Xiao, Lin Chunyi, Li Mingzhong.A DSP-based Finger Vein Authentication System[C]//Proc.of International Conference on Intelligent Computation Technology and Automation.Shenzhen, China: [s.n.], 2011: 333-336.

[5]王科俊, 袁 智.基于小波矩融合PCA變換的手指靜脈識(shí)別[J].模式識(shí)別與人工智能, 2007, 20(5): 692-697.

[6]王科俊, 馬 慧.使用改進(jìn)的方向?yàn)V波與修正的Hausdorff距離的指靜脈識(shí)別方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2011, 23(3): 385-391.

[7]Yang Jinfeng, Li Xu.Efficient Finger Vein Localization and Recognition[C]//Proc.of International Conference on Pattern Recognition.Istanbul, Turkey: [s.n.], 2010:1148-1151.

[8]Chaudhuri S, Chatterjee S, Katz N.Detection of Blood Vessels in Retinal Images Using Two-dimensional Matched Filters[J].IEEE Transactions on Medical Imaging,1989, 8(3): 263-269.

[9]Wu Jianda, Liu Chiung-Tsiung.Finger-vein Pattern Identification Using SVM and Neural Network Technique[J].Expert Systems with Applications, 2011, 38(11):14284-14289.

[10]Hoshyar A N, Sulaiman R.Review on Finger Vein Authentication System by Applying Neural Network[C]//Proc.of 2010 International Symposium on Information Technology.[S.l.]: IEEE Press, 2010: 1020-1023.