李小剛，沈 雷，張嚴(yán)嚴(yán)，藍(lán)師偉

(杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018)

基于細(xì)線距離順序統(tǒng)計(jì)量指靜脈快速識(shí)別算法

李小剛，沈 雷，張嚴(yán)嚴(yán)，藍(lán)師偉

(杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018)

為了提高低質(zhì)量手指靜脈圖像的識(shí)別率，提出了一種基于細(xì)線距離順序統(tǒng)計(jì)量的手指靜脈快速識(shí)別算法.利用順序統(tǒng)計(jì)量計(jì)算部分較小細(xì)線距離的平均值，提高了存在偽靜脈手指圖像識(shí)別性能.在細(xì)線點(diǎn)集距離計(jì)算中采用鄰域搜索的方法，相比采用逐點(diǎn)匹配的MHD點(diǎn)集計(jì)算方法，縮短了大量的匹配時(shí)間.實(shí)驗(yàn)結(jié)果表明，所提算法比廣泛使用的基于特征點(diǎn)的MHD算法具有更好的性能.

手指靜脈；匹配識(shí)別；MHD算法

0 引 言

手指靜脈識(shí)別技術(shù)是依據(jù)手指內(nèi)固有的靜脈特征來(lái)識(shí)別個(gè)體，靜脈紋路具有不可復(fù)制的、唯一的活體特征.近年來(lái)手指靜脈識(shí)別技術(shù)得到了迅速的發(fā)展，具有廣闊的應(yīng)用領(lǐng)域.

Miura N.等[1]提出了一種基于模板匹配的靜脈識(shí)別方法，將采集到的靜脈圖像應(yīng)用嵌入式隱馬爾科夫模型來(lái)識(shí)別手指.該方法操作的復(fù)雜度較高，識(shí)別時(shí)間較長(zhǎng).王科俊等[2]采用一種融合小波矩和主成分分析的方法來(lái)識(shí)別靜脈.該方法識(shí)別性能較好，但需要將圖像矩陣轉(zhuǎn)化為一維向量，當(dāng)圖像矩陣較大時(shí)，主分量分析計(jì)算量較大.雙向二維主成分分析[3]和二維費(fèi)希爾主成分分析[4]等基于全局特性的方法，將手指靜脈圖像變換到最佳投影空間產(chǎn)生新的特征，很好地保留了圖像的紋路、形狀等全局特性，但因?yàn)樽罴淹队翱臻g是通過(guò)訓(xùn)練樣本確定的，系統(tǒng)魯棒性受到訓(xùn)練樣本的影響[5].

因Hausdorff距離[6](Hausdorff Distance，HD)相比于其他的識(shí)別方法，計(jì)算方便且不需要建立點(diǎn)之間的一一對(duì)應(yīng)關(guān)系，只是計(jì)算兩個(gè)點(diǎn)集之間的相似程度(最大距離)，因此HD被廣泛研究并應(yīng)用于手指靜脈識(shí)別領(lǐng)域.圖像質(zhì)量較低時(shí)，基于特征點(diǎn)HD識(shí)別方法對(duì)引起的靜脈特征點(diǎn)位置微小擾動(dòng)非常敏感，為了克服該缺點(diǎn)，文獻(xiàn)[7]在原始的Hausdorff距離算法上進(jìn)行了修改，提出了基于特征點(diǎn)平均距離值的Hausdorff距離方法(modified Hausdorff distance,MHD).利用MHD匹配手指靜脈具有良好的識(shí)別性能，但提取出的靜脈的特征點(diǎn)只是靜脈細(xì)線的一部分，特征點(diǎn)丟失了大量的靜脈信息，不能表征整個(gè)靜脈圖像，特別是對(duì)于靜脈稀疏、靜脈紋路不明顯的低質(zhì)量手指圖像，MHD算法識(shí)別性能顯著下降.

針對(duì)以上問(wèn)題，本文提出了一種基于細(xì)線距離順序統(tǒng)計(jì)量的手指靜脈快速識(shí)別算法，算法利用同根手指相似程度更高的靜脈紋路作為匹配對(duì)象，采用順序統(tǒng)計(jì)量計(jì)算部分較小細(xì)線距離的平均值，有效的提高了手指靜脈的識(shí)別性能；在細(xì)線點(diǎn)集距離計(jì)算中提出了鄰域搜索匹配的方法，節(jié)省了大量的運(yùn)算時(shí)間.

1 靜脈細(xì)化與特征點(diǎn)提取

用采集器采集原始手指靜脈圖像，然后對(duì)得到的原始靜脈圖像進(jìn)行濾波，尺寸灰度歸一化，再用方向?yàn)V波器對(duì)圖像進(jìn)行分割細(xì)化，得到手指靜脈的細(xì)化拓?fù)浣Y(jié)構(gòu)，靜脈相交的地方形成了交叉點(diǎn)，在兩端被截?cái)嗟牡胤叫纬啥它c(diǎn)，交叉點(diǎn)與端點(diǎn)組成了手指靜脈的特征點(diǎn).

同根手指靜脈低質(zhì)量圖像細(xì)化和特征點(diǎn)如圖1所示.可以看出，圖1(a)兩幅同根手指靜脈的低質(zhì)量細(xì)化圖相似程度要高于圖1(b)兩幅同根手指靜脈的低質(zhì)量特征點(diǎn)的相似程度，圖1(b)很難看出是來(lái)自同一根手指的特征點(diǎn)，因此若利用靜脈細(xì)化紋路匹配識(shí)別會(huì)有更高的識(shí)別率.圖1(a)的質(zhì)量較差，兩幅圖中都存在少量的偽靜脈，為了減小偽靜脈對(duì)匹配的影響，利用順序統(tǒng)計(jì)量來(lái)計(jì)算部分較小細(xì)線距離的平均值.

圖1 低質(zhì)量手指靜脈圖像細(xì)化和特征點(diǎn)圖

2 MHD算法

2.1 傳統(tǒng)的Hausdorff算法

給定2個(gè)有限點(diǎn)集合A={a1,a2,…,ap}和B={b1,b2,…,bp}，則A，B之間的Hausdorff距離定義為

(1)

其中

(2)

(3)

函數(shù)h(A,B)和h(B,A)分別稱為前向和后向HD.h(A,B)的值取決于集合A所有點(diǎn)中離B最遠(yuǎn)的那個(gè)點(diǎn).若h(A,B)=d，則表示A中所有點(diǎn)到B中點(diǎn)的距離不超過(guò)d，即A中所有點(diǎn)到B的距離都在d的范圍之內(nèi).

2.2MHD算法

為了降低特征點(diǎn)擾動(dòng)對(duì)HD算法的影響，文獻(xiàn)[7]在原始Hausdorff距離公式的基礎(chǔ)上提出了MHD公式，定義為：

(4)

MHD與HD的區(qū)別在于：h(A,B)取決于點(diǎn)集A中的所有點(diǎn)到點(diǎn)集B的距離的平均.

3 基于細(xì)線距離順序統(tǒng)計(jì)量的快速識(shí)別算法

3.1 基于細(xì)線距離順序統(tǒng)計(jì)量的識(shí)別算法

將MHD算法直接應(yīng)用于對(duì)靜脈細(xì)線的匹配識(shí)別，性能易受偽靜脈的影響.若點(diǎn)集A和點(diǎn)集B是同根手指靜脈圖像的細(xì)線點(diǎn)集合，點(diǎn)集A和點(diǎn)集B很相似，但是點(diǎn)集B中在細(xì)化的過(guò)程中出現(xiàn)了少數(shù)的偽靜脈，此時(shí)，若采用MHD算法計(jì)算這2個(gè)點(diǎn)集之間的距離，算出的MHD值就會(huì)很大.在低質(zhì)量手指圖像識(shí)別時(shí)，為了減小偽靜脈對(duì)距離值的影響，本文提出了基于細(xì)線距離順序統(tǒng)計(jì)量的識(shí)別方法.利用細(xì)線距離順序統(tǒng)計(jì)量得到細(xì)線點(diǎn)集距離較小值的平均值，從而減小了偽靜脈對(duì)識(shí)別性能的影響.其基本原理如下：同根手指的靜脈紋路走勢(shì)是一致的，只有對(duì)偽靜脈匹配時(shí)才會(huì)出現(xiàn)較大的距離值，利用順序統(tǒng)計(jì)量求得部分較小細(xì)線點(diǎn)集距離平均值，有效地減小了偽靜脈對(duì)結(jié)果的影響.不同手指靜脈紋路走勢(shì)互不相同，利用順序統(tǒng)計(jì)量求細(xì)線點(diǎn)集較小距離平均值并不能大幅度降低距離值.因此基于細(xì)線距離順序統(tǒng)計(jì)量的方法降低了同類手指之間的差異性，提升了靜脈的識(shí)別性能.

細(xì)線點(diǎn)集A到B的距離定義為：將細(xì)線點(diǎn)集A中p個(gè)點(diǎn)到細(xì)線點(diǎn)集B的距離值按升序排序，取前k個(gè)距離值的平均值作為點(diǎn)集A到點(diǎn)集B的距離值.

(5)

其中，1≤k≤p，p為點(diǎn)集A中點(diǎn)的個(gè)數(shù)，th表示升序排序.

同理，細(xì)線點(diǎn)集B到A的距離定義為：將點(diǎn)集B中q個(gè)點(diǎn)到點(diǎn)集A的距離值按升序排序，取前l(fā)個(gè)距離值的平均值作為點(diǎn)集B到點(diǎn)集A的距離值.

(6)

其中，1≤l≤q，q為點(diǎn)集B中點(diǎn)的個(gè)數(shù)，th表示升序排序.

點(diǎn)集A和點(diǎn)集B之間的距離定義為：

(7)

3.2 基于鄰域搜索細(xì)線距離快速識(shí)別算法

靜脈細(xì)化圖的點(diǎn)數(shù)要遠(yuǎn)遠(yuǎn)多與靜脈特征點(diǎn)數(shù)，如果利用逐點(diǎn)搜索的方法對(duì)靜脈細(xì)線點(diǎn)進(jìn)行匹配識(shí)別需要耗費(fèi)大量的運(yùn)算時(shí)間.本文提出了一種基于鄰域搜索細(xì)線距離快速識(shí)別算法.

4 實(shí)驗(yàn)與結(jié)果分析

為了得到實(shí)驗(yàn)的圖像數(shù)據(jù)庫(kù)，在實(shí)驗(yàn)內(nèi)采集靜脈圖像建立靜脈圖像庫(kù)，共70組，每組8幅圖像樣本，一共560幅樣本圖像，在MATLAB平臺(tái)上進(jìn)行1∶1識(shí)別驗(yàn)證，圖像大小為300×140像素，提取感興趣區(qū)域并歸一化后的圖像大小為160×64像素，鄰域搜索范圍取3，式(5)中k取0.75×p，式(6)中l(wèi)取0.75×q.在1∶1識(shí)別驗(yàn)證模式下，將每組中的1個(gè)樣本分別和其他7個(gè)樣本進(jìn)行比對(duì)，稱為合法匹配；將1組中手指靜脈樣本和其他手指中的樣本進(jìn)行比對(duì)，稱為非法匹配.

分別采用文獻(xiàn)[7]的MHD算法和本文方法對(duì)靜脈特征點(diǎn)進(jìn)行合法匹配和非法匹配，分布情況如圖2所示.通過(guò)對(duì)比可以看出，采用本文算法對(duì)靜脈細(xì)化點(diǎn)進(jìn)行匹配識(shí)別時(shí)，其合法匹配與非法匹配之間的值交叉較少；合法匹配的值相對(duì)集中；且合法匹配與非法匹配的主峰相隔較遠(yuǎn).所以本文提出的基于細(xì)線順序統(tǒng)計(jì)量的手指靜脈快速識(shí)別算法能夠更有效地識(shí)別同類手指和區(qū)分不同類手指.

圖2 合法與非法匹配距離值分布對(duì)比圖

分別采用MHD算法對(duì)靜脈特征點(diǎn)識(shí)別和本文算法對(duì)靜脈細(xì)線點(diǎn)識(shí)別，得到拒識(shí)率(False Reject Rate，F(xiàn)RR)和誤識(shí)率(False Accept Rate，F(xiàn)AR)關(guān)系曲線，即ROC曲線，如圖3所示.從圖3中可以看出，本文提出的基于細(xì)線順序統(tǒng)計(jì)量的識(shí)別算法明顯優(yōu)于廣泛使用的基于特征點(diǎn)的MHD算法.

圖3 ROC曲線比較

為了驗(yàn)證本文算法運(yùn)算時(shí)間可行性，利用靜脈圖像庫(kù)中70組560幅圖像，在windows 10操作系統(tǒng)下(Intel i5-4590處理器，4GB運(yùn)行內(nèi)存)基于MATLAB7.10版本進(jìn)行仿真.分別對(duì)560幅圖像的特征點(diǎn)圖、細(xì)線圖統(tǒng)計(jì)得出，平均每幅靜脈圖像有45個(gè)特征點(diǎn)，706個(gè)細(xì)線點(diǎn)；利用本文提出的基于順序統(tǒng)計(jì)量的鄰域搜索方法，當(dāng)鄰域搜索范圍取3時(shí)，對(duì)70組圖像進(jìn)行同類匹配，統(tǒng)計(jì)得出在(x±3,y±3)的范圍內(nèi)平均可以搜索到3.97個(gè)點(diǎn).

由上述得出的實(shí)驗(yàn)數(shù)據(jù)可以分析得出3種靜脈識(shí)別的平均匹配次數(shù).3種靜脈識(shí)別方法是文獻(xiàn)[7]提出的MHD算法對(duì)特征點(diǎn)識(shí)別、MHD算法對(duì)細(xì)線點(diǎn)識(shí)別、本文提出的順序統(tǒng)計(jì)量的鄰域搜索方法對(duì)細(xì)線點(diǎn)識(shí)別，仿真結(jié)果如表1所示.從表1中可以看出，文獻(xiàn)[7]提出的MHD算法匹配兩幅靜脈特征點(diǎn)圖像平均需要進(jìn)行45×45×2次比對(duì)；MHD算法匹配兩幅靜脈細(xì)線圖像平均需要進(jìn)行706×706×2次比對(duì)；本文提出的順序統(tǒng)計(jì)量的鄰域搜索方法匹配兩幅靜脈細(xì)線圖像，平均需要進(jìn)行706×3.97×2次比對(duì).

完成1組8幅圖像組內(nèi)合法匹配需要進(jìn)行28次匹配，70組圖像完成組內(nèi)合法匹配需要進(jìn)行1 960次匹配.采用文獻(xiàn)[7]提出的MHD算法完成70組靜脈特征點(diǎn)圖像組內(nèi)匹配需要20.732 6 s，平均完成一次匹配的時(shí)間為0.010 6 s；采用文獻(xiàn)[7]提出的MHD算法完成70組靜脈細(xì)線圖像組內(nèi)匹配需要4 946 s，平均完成一次匹配的時(shí)間為2.523 5 s；本文提出的順序統(tǒng)計(jì)量的鄰域搜索方法完成70組靜脈細(xì)線圖像組內(nèi)匹配需要70.560 4 s，平均完成一組匹配的時(shí)間為0.036 0 s.

3種靜脈識(shí)別方法的平均匹配次數(shù)和平均匹配時(shí)間的結(jié)果分析得出，本文提出的基于細(xì)線距離順序統(tǒng)計(jì)量的手指靜脈快速識(shí)別算法，匹配兩幅細(xì)線點(diǎn)圖像需要匹配的次數(shù)(5 605次)接近于MHD算法對(duì)兩幅特征點(diǎn)圖像需要的匹配次數(shù)(4 050次)，完成的時(shí)間0.036 0 s接近MHD算法完成的時(shí)間0.010 6 s，而相比于MHD算法對(duì)細(xì)線點(diǎn)匹配識(shí)別2.523 5 s，該算法大大降低了運(yùn)算時(shí)間.

表1 3種靜脈識(shí)別方法的仿真結(jié)果

5 結(jié)束語(yǔ)

本文提出了利用手指靜脈細(xì)線紋路作為匹配對(duì)象的思想.利用順序統(tǒng)計(jì)量計(jì)算細(xì)線點(diǎn)集部分較小距離求平均值的方法減小了偽靜脈對(duì)靜脈識(shí)別的影響，鄰域搜索的匹配方法降低了兩個(gè)靜脈細(xì)化圖點(diǎn)集之間的匹配時(shí)間.在計(jì)算兩個(gè)靜脈細(xì)化點(diǎn)集之間的距離值時(shí)，鄰域搜索范圍的大小受到了人工選取的制約，具有一定的局限性，需要進(jìn)一步改進(jìn)，實(shí)現(xiàn)鄰域搜索范圍的自適應(yīng)選取.

[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]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.

[3]管鳳旭,王科俊,劉靖宇,等.歸一雙向加權(quán)(2D)2PCA的手指靜脈識(shí)別方法[J].模式識(shí)別與人工智能,2011,24(3):417-424.

[4]YU C, QING H, ZHANG L. (2D)2 FPCA: An Efficient Approach for Appearance Based Object Recognition[C]//2009 3rd International Conference on Bioinformatics and Biomedical Engineering. 2009:1-4.

[5]楊穎,尹義龍,楊公平,等.融合局部特征和全局特征的手指靜脈識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(14):158-162.

[6]HUTTENLOCHER D P, KLANDERMAN G A, RUCKLIDGE W A. Comparing Images Using the Hausdorff Distance[J]. Pattern Analysis & Machine Intelligence, IEEE Transactions on, 1993,15(9):850-863.

[7]DUBUISSON M P， JAIN A K. A modified Hausdorff distance for object matching[C]//Proceedings of the 12th IAPR International Conference on Pattern Recognition， IEEE, 1994:566-568.

Fast Recognition Algorithm for Finger Vein Based on the Line Distance Order Statistics

LI Xiaogang, SHEN Lei, ZHANG Yanyan, LAN Shiwei

(SchoolofCommunicationEngineering,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

In order to improve the recognition performance of the low quality finger vein image, a fast recognition algorithm based on the line distance order statistics is proposed. The algorithm makes use of the order statistics to calculate the average of some small fine line distance, which improves the recognition performance of the finger image included fake vein. The neighborhood search algorithm based on the line distance calculation compared with the MHD point set calculation method matching point by point, which shortens the matching time largely. The experimental results show that the proposed algorithm has better performance than the widely used MHD algorithm based on feature points.

finger vein; matching recognition; MHD algorithm

10.13954/j.cnki.hdu.2017.04.005

2016-10-28

國(guó)家自然基金資助項(xiàng)目(61401133)；中國(guó)博士后科學(xué)基金資助項(xiàng)目(2014M562302)；浙江省新苗人才計(jì)劃資助項(xiàng)目(2016R407069)

李小剛(1992-)，男，安徽宣城人，碩士研究生，數(shù)字圖像處理.通信作者：沈雷副教授，E-mail：shenlei@hdu.edu.cn.

TP391.41

A

1001-9146(2017)04-0020-05