任李

摘 要 手指靜脈識別是一種新興的生物識別技術(shù)，本文提出了有效的預(yù)處理、特征提取以及分類識別算法，通過Matlab軟件仿真，發(fā)現(xiàn)通過Gabor濾波，利用PCA構(gòu)建特征空間，使用SVM分類器時，選取線性核函數(shù)有較好的識別效果。

關(guān)鍵詞 靜脈識別 Gabor PCA SVM Matlab

中圖分類號：TP391 文獻標識碼：A

0引入

手指靜脈識別是利用每個人手指血管分布的不同來進行身份的認證，憑借其獨特的優(yōu)勢受到了高度關(guān)注。手指靜脈識別是對現(xiàn)有生物特征識別技術(shù)的有益補充，能夠有效保證認證安全，作為一種新興的人體生物特征識別技術(shù)，有著廣闊的應(yīng)用前景。

1圖像預(yù)處理

手指靜脈圖像預(yù)處理的質(zhì)量，影響著后續(xù)工作的開展。因此首先要對手指靜脈圖像進行一系列處理，去除不相干信息，提取出靜脈骨架（如圖1）。

首先對圖像進行高斯濾波，降低圖像采集過程中的噪聲干擾。而后在空間域和頻域?qū)D像進行灰度增強，以此凸顯靜脈輪廓。運用Niblack算法對圖像二值化，再通過中值濾波、去除小面積噪聲的操作去除二值化后產(chǎn)生的塊狀噪聲。再通過膨脹與腐蝕操作增強靜脈血管的連通性，最后進行細化與去毛刺就得到了較為清晰的手指靜脈骨架圖像。

2基于PCA+Gabor+SVM的手指靜脈識別

基于Gabor+PCA+SVM的手指靜脈識別可以分為訓(xùn)練和識別兩個步驟（如圖2）。

訓(xùn)練步驟如下：

（1）讀取手指靜脈圖庫中的樣本，并選定訓(xùn)練樣本。

（2）利用Gabor濾波器對手指靜脈圖像進行特征提取，并輸出經(jīng)過濾波的圖像。

（3）利用主成分分析法構(gòu)建特征子空間，將特征提取后的圖像投影到子空間中，生成該圖像的特征向量。

（4）將訓(xùn)練樣本數(shù)據(jù)歸一化。

（5）選取SVM核函數(shù)，利用網(wǎng)格搜索法得到合適的參數(shù)，并用訓(xùn)練樣本的特征對SVM分類器進行訓(xùn)練。

識別步驟如下：

（1）讀入手指靜脈測試樣本。

（2）利用Gabor濾波器對測試樣本進行特征提取，而后把測試圖像投影到子空間中，得到特征向量。

（3）將測試樣本數(shù)據(jù)歸一化。

（4）將特征向量輸入至SVM分類器進行分類識別。

3仿真結(jié)果分析

實驗選取了經(jīng)過預(yù)處理的600張手指靜脈圖像，共有60類，每類樣本10張。其中訓(xùn)練樣本360張（606），測試樣本240張（604），所有樣本大小都已經(jīng)歸一化到17090。進行實驗平臺為Intel Core（TM）i3-3240，CPU 3.40GHz，RAM 4.00GB，Windows7 32位操作系統(tǒng)，Matlab R2010b軟件。本文使用的是LIBSVM工具箱中的SVM一種變形算法C-SVM，主要對線性核函數(shù)、徑向基核函數(shù)下的SVM分類器對手指靜脈的識別率和識別速率進行了比較分析。實驗結(jié)果如圖3，圖4所示，其中識別時間單位為毫秒。

通過對兩種核函數(shù)下的SVM對手指靜脈圖像識別的識別效果進行對比發(fā)現(xiàn)，線性核函數(shù)下的SVM最高識別率大于徑向基核函數(shù)下的SVM，并且識別速率方面，線性核函數(shù)下的SVM要優(yōu)于徑向基下的SVM，所以綜合識別率和識別時間兩個因素得出結(jié)論：對于基于Gabor+PCA+SVM的手指靜脈識別，當選擇線性核函數(shù)，特征維數(shù)選取24時，識別率最高為98.75%，平均每幅圖像識別時間為2.990毫秒。

4結(jié)束語

本文選取了線性核函數(shù)和徑向基核函數(shù)進行比較分析，發(fā)現(xiàn)兩種情況下最優(yōu)識別率差別并不是很大，但線性核函數(shù)相對來說效果更好一些。但是實驗中發(fā)現(xiàn)，當選取徑向基核函數(shù)時，對于參數(shù)的選擇要求特別高，如果與網(wǎng)格搜索產(chǎn)生的最優(yōu)參數(shù)出現(xiàn)一定的偏差實驗結(jié)果會很不理想，而線性核函數(shù)對參數(shù)的要求并不是很高。并且，當選擇徑向基核函數(shù)時，隨著特征維數(shù)的增加，識別率并不能趨于一個穩(wěn)定的值，而且識別率穩(wěn)定的范圍也不是很大，所以本文認為當使用LIBSVM工具箱時，選取線性核函數(shù)更適合處理手指靜脈識別分類問題。

參考文獻

[1] Gonzalez-Jimenez，D.&F.Perez-Gonzalez&P.Comesana-Alfaro&L.Perez-Freire& J.L.Alba-Castro.Modeling Gabor coefficients via generalized Gaussian distributions for face recognition[J].In：Proc.of IEEE Conf. on Image Processing，2007：485-488.

[2] Deb，K&D.K.Saxena.On finding pareto-optimal solutions through dimensionality reduction for certain large-dimensional multi-objective optimization problems[R].KanGal Report Number 2005011，2005.

[3] Osuna，E.&R.Freund&F.Girosi. Support vector machines： training and applications[R]. Tech. Report，AI Lab， MIT，1997.endprint