何振邦,徐喜榮,胡旭明,戴鑫邦

(大連理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,遼寧 大連 116024)

1 引 言

手背靜脈識(shí)別技術(shù)是近年來(lái)新興的一種生物特征識(shí)別技術(shù).醫(yī)學(xué)研究表明每個(gè)個(gè)體的手背靜脈結(jié)構(gòu)具有很好的穩(wěn)定和唯一性,即使是雙胞胎的手背靜脈結(jié)構(gòu)也是不盡相同的[1],這為手背靜脈作為生物特征來(lái)開發(fā)相應(yīng)的身份識(shí)別技術(shù)提供了理論依據(jù).相比于指紋識(shí)別、聲音識(shí)別、人臉識(shí)別等生物特征識(shí)別技術(shù),手背靜脈識(shí)技術(shù)別具有以下優(yōu)點(diǎn):1)采集方便可靠,由于采集的是人體手背表皮以下的靜脈血管紅外圖像,手背出現(xiàn)污染、傷疤仍能正常采集;2)手背靜脈圖像采集通過(guò)人體手背位置采集,靜脈血管為人體內(nèi)部組織,只有活體靜脈血管才會(huì)對(duì)紅外光產(chǎn)生強(qiáng)烈吸收效應(yīng),并在圖像中顯現(xiàn)出來(lái),故不易偽造[2];3)圖像采集為非接觸式采集,衛(wèi)生方便且采集迅速,容易被人們接受[2].手背靜脈識(shí)別技術(shù)由于有著上述的獨(dú)特優(yōu)點(diǎn),成為了生物識(shí)別技術(shù)中的熱點(diǎn)與前沿[3].可以預(yù)見(jiàn),手背靜脈發(fā)展成熟之后能夠廣泛應(yīng)用于軍政部門、銀行、酒店、商場(chǎng)、公寓等場(chǎng)景,有著較大的發(fā)展前景和市場(chǎng)潛力.

手背靜脈識(shí)別技術(shù)經(jīng)過(guò)十幾年的發(fā)展,取得了長(zhǎng)足的進(jìn)步,從一個(gè)新生事物逐漸發(fā)展成熟,無(wú)論是圖像的采集、圖像預(yù)處理和特征提取與匹配都發(fā)展出了許多成熟的方法;其中手背靜脈識(shí)別的核心問(wèn)題是手背靜脈特征的提取與匹配,對(duì)此許多學(xué)者提出了一些解決方法,如Huang[4,5]等人通過(guò)研究手背靜脈圖像的局部紋理特征提出了基于質(zhì)心的同心圓關(guān)鍵點(diǎn)網(wǎng)格特征提取方法和基于多源關(guān)鍵點(diǎn)檢測(cè)子的特征提取算法;Wang[6]等人提出一種基于判別性局部二值模式的手背靜脈識(shí)別方法;劉鐵根[7]等人提出了通過(guò)小波包分解來(lái)提取手背靜脈特征;任桐慧[8]等人提出了一種基于特征點(diǎn)距離的手背靜脈特征融合方法;Hu[9]等人通過(guò)提取出手背靜脈骨架中的交叉點(diǎn)和端點(diǎn)并將這些點(diǎn)之間的拓?fù)潢P(guān)系作為特征進(jìn)行匹配.上述學(xué)者從不同角度提出的手背靜脈的識(shí)別方法,具有一定的實(shí)用性、借鑒性和啟發(fā)性.然而市面上仍鮮有相關(guān)的商業(yè)化產(chǎn)品,其中原因有整套設(shè)備難以微型化、各個(gè)部件不易整合、一些設(shè)備部件非標(biāo)準(zhǔn)通用件不易大批量生產(chǎn)等.本文通過(guò)使用一些常見(jiàn)、易于獲得的部件實(shí)現(xiàn)了一套簡(jiǎn)易的手背靜脈識(shí)別系統(tǒng),能夠完成手背靜脈紅外圖像的采集、預(yù)處理、特征提取和匹配,在整套系統(tǒng)的價(jià)格較為低廉的同時(shí)也具有較好的識(shí)別效果,對(duì)手背靜脈識(shí)別系統(tǒng)的研制有一定的借鑒意義.

2 手背靜脈識(shí)別系統(tǒng)結(jié)構(gòu)

本文設(shè)計(jì)的手背靜脈識(shí)別系統(tǒng)由圖像采集設(shè)備、相應(yīng)的軟件和一臺(tái)PC機(jī)組成.圖像采集設(shè)備主要由紅外攝像頭和紅外燈組成,負(fù)責(zé)采集用戶的手背原始紅外圖像,以視頻流的形式輸出;軟件則接收?qǐng)D像采集設(shè)備輸出的視頻流,自動(dòng)識(shí)別視頻流中的用戶的手背靜脈原始紅外圖像并進(jìn)行預(yù)處理、特征提取、分類匹配,輸出最終的匹配結(jié)果;PC機(jī)用于控制圖像采集設(shè)備和運(yùn)行軟件.整個(gè)系統(tǒng)結(jié)構(gòu)如圖1所示.

圖1 手背靜脈識(shí)別系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of dorsal hand vein recognition system

3 圖像采集設(shè)備

3.1 圖像傳感器

醫(yī)學(xué)影像學(xué)研究表明,當(dāng)手背靜脈受到波長(zhǎng)為700nm～1100nm的近紅外光的照射時(shí),近紅外光能穿透厚約3mm的皮膚組織到達(dá)手背靜脈血管[10],由于靜脈中的血紅蛋白能強(qiáng)烈吸收此范圍波長(zhǎng)的光波,而相比之下其他部分吸收能力較弱,使得在最終的紅外圖像中靜脈呈現(xiàn)出較為明顯的深色[11],據(jù)此可以提取出手背靜脈的骨架以便后續(xù)處理.

本文選用了一款購(gòu)買自某電商平臺(tái)的100萬(wàn)像素、分辨率為1280×720且?guī)в屑t外濾光片的CMOS攝像頭.該攝像頭帶有的紅外濾光片能有效濾去環(huán)境光中除850nm波長(zhǎng)的近紅外光外的其他成分的光波.選擇850nm波長(zhǎng)紅外光的優(yōu)點(diǎn)是其波長(zhǎng)介于700nm～1100nm之間,手背靜脈對(duì)此波長(zhǎng)的紅外光有較好的吸收效果,而且此波長(zhǎng)的紅外光被廣泛應(yīng)用于夜間紅外監(jiān)控領(lǐng)域,市場(chǎng)上有大量850nm波長(zhǎng)紅外燈和相應(yīng)的配套設(shè)備可供選擇.

3.2 圖像采集盒

為便于采集用戶的手背圖像、避免采集圖像時(shí)外界光源的干擾,設(shè)計(jì)了如圖2所示的采集盒,盒高24cm長(zhǎng)18cm寬16cm,盒子內(nèi)壁鋪有類似鼠標(biāo)墊的橡膠薄墊吸收紅外光,使背景呈現(xiàn)出深色,突出用戶的手背圖像.攝像頭固定在盒子頂部,盒子底部裝有一個(gè)把手,采集時(shí)用戶握住把手以采集握拳狀的手背圖片,握拳可以拉伸手背皮膚使其略微變薄,紅外光能更容易地穿透皮膚被靜脈吸收從而使手背靜脈在圖像中更為明顯.

3.3 紅外燈源

目前較為常用的手背靜脈圖像的采集方法是在手掌放置位置上方放置紅外燈,照亮手背使得紅外攝像頭能夠采集到手背靜脈的紅外圖像,此種方法較為簡(jiǎn)便,但有時(shí)紅外光的亮度不夠,手背靜脈輪廓不夠明顯或只能顯示粗大的主血管而不能顯示細(xì)小血管分支;若增加紅外光功率又會(huì)使得手背皮膚強(qiáng)烈反射紅外光導(dǎo)致畫面過(guò)亮、泛白而采集不到手背靜脈結(jié)構(gòu).故本文采用了一種改進(jìn)的采集方法:在盒子內(nèi)部把手處安裝一個(gè)由6×10個(gè)1W紅外燈珠組成的紅外燈珠陣列來(lái)產(chǎn)生較大功率的紅外光,紅外燈珠采用的是監(jiān)控領(lǐng)域常見(jiàn)的850nm紅外補(bǔ)光燈,價(jià)格低廉且容易在市場(chǎng)上獲得.盒子開口處安裝有一個(gè)距離傳感器,當(dāng)用戶的手伸入盒子,距離傳感器檢測(cè)到有物體遮擋,自動(dòng)開啟紅外燈珠陣列的電源.該陣列產(chǎn)生的紅外光能夠自下而上穿透整個(gè)手掌使得整個(gè)血管結(jié)構(gòu)都能完整清晰地顯示出來(lái).由于手掌靠近腕部的腕骨較厚實(shí),靠近手腕部分紅外光難以直接穿透,故在盒子左右兩側(cè)各安置一個(gè)功率為1W的紅外燈珠自上而下照亮手背來(lái)獲得靠近手腕部分的手背靜脈圖像,其照射角度約與手背平面呈50°角;取50°角能夠保證紅外光均勻覆蓋到整個(gè)手背使得圖像中手背靜脈紋理均一[12],避免因光照不均導(dǎo)致下一步圖像預(yù)處理時(shí)將陰影判為手背靜脈的一部分、避免角度過(guò)大紅外光反射嚴(yán)重導(dǎo)致整個(gè)畫面過(guò)亮.最終的采集效果如圖3.從圖中可以看出手背靜脈呈深色與手背皮膚對(duì)比較為明顯,符合進(jìn)一步后期處理的要求.

圖2 采集盒示意圖Fig.2 Sketch map of image capture box

圖3 手背靜脈原始圖像Fig.3 Original dorsal hand vein image

4 圖像預(yù)處理

通過(guò)圖像采集設(shè)備可以獲得手背靜脈的原始圖像,但這些原始圖像含有一些噪聲成分和無(wú)關(guān)圖像,故需要濾去噪聲并提取ROI(Region Of Interest),除此之外還需要進(jìn)一步處理圖像使手背靜脈信息以易于計(jì)算機(jī)識(shí)別和處理的方式表示出來(lái).

4.1 圖像的截取

圖像采集設(shè)備輸出的是視頻流,故需要從視頻流中截取合適的手背靜脈圖像,本文設(shè)計(jì)了一個(gè)狀態(tài)機(jī)來(lái)完成用戶手背靜脈圖像的截取.狀態(tài)機(jī)每0.2秒從視頻流中截取一幅圖像,根據(jù)圖像來(lái)決定下一個(gè)狀態(tài).對(duì)截取的圖像先進(jìn)行全局閾值二值化,將二值化的圖像進(jìn)行長(zhǎng)寬方向各十等分分成共100塊,并將圖像最外層的塊全部賦0即全部涂黑;統(tǒng)計(jì)除最外層塊以外的塊中白色像素?cái)?shù)占該塊中全部像素?cái)?shù)的比例,若低于90%,該塊全部賦值0即全部涂黑.對(duì)處理后的二值圖像求最大連通塊的最小包圍矩形,此矩形則是手背的大致范圍.記當(dāng)前矩形與上一矩形的交集區(qū)域的塊數(shù)為N,當(dāng)前矩形與上一矩形并集區(qū)域的塊數(shù)M,N與M的比例r=N/M,根據(jù)r的值來(lái)判斷兩幅圖像截取時(shí)間間隔內(nèi)手背是否發(fā)生移動(dòng),來(lái)決定下一狀態(tài).狀態(tài)機(jī)的狀態(tài)轉(zhuǎn)換圖如圖4所示,箭頭上注明了狀態(tài)轉(zhuǎn)換的條件和轉(zhuǎn)換時(shí)進(jìn)行的操作.

圖4 狀態(tài)機(jī)狀態(tài)轉(zhuǎn)換圖Fig.4 States transformation map of the state machine

當(dāng)從狀態(tài)2轉(zhuǎn)換到狀態(tài)3時(shí),截取一張的圖像作為此次識(shí)別的樣本并進(jìn)行后續(xù)處理.

4.2 ROI提取

(1)

(2)

n為白色像素總數(shù),確定一個(gè)大致的矩形區(qū)域能將二值化之后的大部分手背白色像素框住,最后在原始區(qū)域中切割該矩形區(qū)域內(nèi)的圖像[13].通過(guò)此步驟,圖像的尺寸縮減到約500×500的大小,減少了后續(xù)操作中對(duì)多余像素的運(yùn)算.

4.3 小波閾值去噪

紅外成像系統(tǒng)因其成像波長(zhǎng)較長(zhǎng),手背靜脈圖像存在噪聲大、對(duì)比度低和畫面不均勻等問(wèn)題[14],需首先對(duì)圖像進(jìn)行去噪處理,濾去紅外圖像中常見(jiàn)的噪點(diǎn)和圖像中較為尖銳的圖像成分,使整個(gè)圖像較為均勻.本文使用小波閾值去噪法進(jìn)行圖像去噪處理.

小波變換作為一種發(fā)展迅速的變換分析方法,近年來(lái)在許多領(lǐng)域被廣泛應(yīng)用.信號(hào)f(t)的連續(xù)小波變換定義為：

(3)

式中：

(4)

為小波基函數(shù),a為尺度因子,b為平移因子.

(5)

式中常取a0=2,b0=1.則信號(hào)離散小波變換式為：

(6)

小波閾值去噪其主要理論依據(jù)是小波變換具有很強(qiáng)的去數(shù)據(jù)相關(guān)性[15],圖像經(jīng)過(guò)小波變換之后有用信號(hào)的小波系數(shù)幅值要大于噪聲的小波系數(shù)幅值[15],故可以用閾值處理的方法將大部分噪聲的系數(shù)置零,從而保留有用信號(hào)減小噪聲信號(hào),再經(jīng)過(guò)小波逆變換重建圖像得到去噪圖像,基本流程圖如圖5所示.

圖5 小波去噪基本流程Fig.5 Wavelet denoising flow chart

本文小波閾值去噪的具體步驟是:

1)對(duì)原始圖像在各個(gè)尺度上進(jìn)行小波分解,本文使用db3小波基對(duì)圖像進(jìn)行3層二維小波分解.

(7)

3)將閾值處理后的小波系數(shù)進(jìn)行小波逆變換,重構(gòu)手背靜脈圖像,得到的圖像即是小波閾值去噪的結(jié)果.

一張樣本圖片的原圖與其小波去噪結(jié)果如圖6所示.

從圖6中可以看出兩幅圖大致相同,但經(jīng)過(guò)去噪處理后的圖片較為均勻、純凈、噪點(diǎn)有一定程度的減少.兩者在二值化之后有更明顯的區(qū)別,如圖7所示.

圖6 小波去噪效果對(duì)比圖Fig.6 Results of wavelet denoising

小波閾值去噪處理后的圖像中手背靜脈的輪廓更清晰、分離出了手背靜脈的脈絡(luò)結(jié)構(gòu)、減少了與無(wú)關(guān)部分的粘連,而原圖中手背靜脈邊緣的較不規(guī)則、二值化雜斑較多.另一張均值濾波后的二值化圖像中的手背靜脈邊緣不規(guī)則程度有所改善,但存在較多粘連的無(wú)關(guān)雜斑、圖像不夠純凈.

圖7 不同去噪處理后二值化結(jié)果對(duì)比圖Fig.7 Binarization results of different denoising operations

4.4 圖像直方圖均衡化

由于圖像傳感器的性能限制,圖像的灰度范圍較窄,經(jīng)小波閾值去噪處理后圖像中靜脈與手背皮膚對(duì)比度仍不夠大,在后續(xù)較為關(guān)鍵的一步二值化中部分手背靜脈可能會(huì)被誤判為背景而剔除掉,故可對(duì)圖像進(jìn)行直方圖均衡化,將圖像中灰度較為集中的范圍拉伸到整個(gè)灰階范圍,提高對(duì)比度.從圖8可以看到,直方圖均衡化后整個(gè)圖像的對(duì)比度明顯變大了,皮膚部分明顯變白,手背靜脈變得易于分辨.

圖8 直方圖均衡化效果對(duì)比圖Fig.8 Results of histogram equalization

4.5 圖像二值化處理

手背靜脈圖像細(xì)節(jié)多、分叉多、圖像亮度不均勻,采用全局閾值的二值化算法常常將不明顯的手背靜脈部分判為背景造成手背靜脈圖像的缺失.使用動(dòng)態(tài)局部閾值法來(lái)進(jìn)行二值化能較好地克服這個(gè)問(wèn)題,本文使用NiBlack算法對(duì)圖像進(jìn)行二值化.

NiBlack算法是由Charl Coetzee提出的一種局部閾值算法,能克服全局閾值法在處理目標(biāo)和背景灰度相差不大的圖像時(shí)難以提取圖像細(xì)節(jié)的缺點(diǎn).其閾值的選取公式為:

T(x,y)=m(x,y)+k·s(x,y)

(8)

對(duì)于像素點(diǎn)p(x,y),T(x,y)為該點(diǎn)的閾值,m(x,y)是以該點(diǎn)為中心的R×R窗口內(nèi)所有像素值的均值,s(x,y) 是以該點(diǎn)為中心的R×R窗口內(nèi)所有像素值的標(biāo)準(zhǔn)方差,k為修正系數(shù),根據(jù)經(jīng)驗(yàn)和圖像質(zhì)量選取,通常取|k|<1.

NiBlack二值化算法處理后的圖像結(jié)果如圖9(a)圖所示,通過(guò)與全局閾值法的結(jié)果對(duì)比可以發(fā)現(xiàn)NiBlack算法較好地保留了大部分手背靜脈結(jié)構(gòu).

NiBlack算法處理后手掌的輪廓也被二值化為白色,這并不屬于手背靜脈,因此有必要去除手掌的輪廓線.具體的操作是首先對(duì)NiBlack算法處理前的圖像進(jìn)行全局閾值二值化處理,得到如圖9(b)所示的圖片,由于二值化后的圖像可看成一個(gè)布爾值矩陣,將該圖片與NiBlack算法處理后的圖像進(jìn)行邏輯與運(yùn)算可以保留手背部分的圖像而刪去手掌輪廓線和輪廓線以外的圖像,結(jié)果如圖9(c)圖所示.

圖9 手掌輪廓線的去除Fig.9 Removal of hand contour

二值化過(guò)程中NiBlack算法過(guò)分強(qiáng)調(diào)了圖像中的細(xì)節(jié),導(dǎo)致處理后的圖像中含有較多的雜點(diǎn)與雜斑,這些雜點(diǎn)和雜斑類似于椒鹽噪聲.為了使圖像純凈,對(duì)NiBlack算法處理后的圖像進(jìn)行中值濾波,濾波窗口大小為10×10,通過(guò)中值濾波濾去較為雜碎的孤立像素點(diǎn),將較為靠近的一群像素點(diǎn)濾為一塊小斑.對(duì)于無(wú)法通過(guò)濾波去除的雜斑,可以通過(guò)孔洞填充來(lái)消除.根據(jù)試驗(yàn),本文在圖像大小為500×500時(shí)填充的孔洞面積大小取200,能將手背靜脈結(jié)構(gòu)較好地提取出來(lái).

4.6 二值圖像細(xì)化

即使是同一用戶,每次采集的圖像中靜脈的寬度也不盡相同,靜脈的拓?fù)浣Y(jié)構(gòu)則比較穩(wěn)定,故有必要將二值化之后的圖像進(jìn)行細(xì)化操作來(lái)提取靜脈骨架.細(xì)化的主要操作是不斷刪去連通區(qū)域外層像素點(diǎn),直到整個(gè)圖像被“腐蝕”為一個(gè)像素大小的骨架.細(xì)化結(jié)果如圖10所示.

通過(guò)細(xì)化后的手背靜脈骨架圖像可以較為方便地提取手背靜脈的交叉點(diǎn)、端點(diǎn)、長(zhǎng)度等感興趣的特征,用于后續(xù)匹配.

5 特征提取與分類器

5.1 隨機(jī)投影法特征提取

手背靜脈識(shí)別技術(shù)經(jīng)過(guò)多年的發(fā)展,發(fā)展出了較多的特征提取的方法,較為常用的有Hu矩、Zernike矩、靜脈拓?fù)浣Y(jié)構(gòu)特征點(diǎn)、PCA(Principal Component Analysis)等;其中PCA方法能顯著降低圖像特征的維數(shù)的同時(shí)保留信息.PCA方法廣泛應(yīng)用于數(shù)據(jù)壓縮、圖像特征提取等領(lǐng)域,但PCA算法需要根據(jù)所有樣本數(shù)據(jù)計(jì)算出投影矩陣,計(jì)算量較大.基于特征提取性能和計(jì)算速度二者平衡的考慮,本文選用的是隨機(jī)投影法來(lái)提取手背靜脈圖像的特征.隨機(jī)投影法用于數(shù)據(jù)降維的理論依據(jù)是Johnson-Lindenstrauss定理[17],該定理表明一些數(shù)據(jù)點(diǎn)組成的高維歐氏空間可以通過(guò)一個(gè)映射變換到低維子空間,而且在映射后各數(shù)據(jù)點(diǎn)之間的距離保持近似不變,且這個(gè)映射關(guān)系可以是隨機(jī)構(gòu)造的,不需要隨著樣本的變化重新訓(xùn)練算法來(lái)更新投影矩陣[18].相比PCA等傳統(tǒng)代數(shù)降維方法,隨機(jī)投影法計(jì)算量小,運(yùn)算速度快,并具有和PCA同等性能的降維效果[18].

圖10 手背靜脈骨架圖像Fig.10 Skeleton image of dorsal hand vein

由于在預(yù)處理中得到的最終結(jié)果是單個(gè)像素大小的手背靜脈骨架圖像,其骨架信息較為單薄,故在特征提取之前對(duì)圖像進(jìn)行膨脹處理,將骨架的單個(gè)像素膨脹10倍以增加白色像素占圖像像素總數(shù)的比例.經(jīng)過(guò)膨脹處理后,其紋理信息更為豐富、不同圖像的特征更有區(qū)分度.

本文的隨機(jī)投影法特征提取過(guò)程如下:

分別將樣本庫(kù)中的M幅圖像由500×500的二維矩陣以行順序展開排成一個(gè)1×250000的一維向量,記為xi=(xi1,xi2,xi3,xi4,…,xi250000),i∈[1,M].

X為庫(kù)中M個(gè)1×250000的一維向量組成的M×250000維矩陣,X=(x1,x2,x3,x4,…,xM)T.

構(gòu)造一個(gè)250000×d(d?250000)的隨機(jī)矩陣R,R的構(gòu)造方法使用Brigham提出的一種快速生成隨機(jī)投影矩陣的算法,矩陣R的元素只取-1、0、1三者之一,且矩陣R的元素ri,j是服從下列分布的獨(dú)立隨機(jī)變量：

(9)

設(shè)Y為投影后的結(jié)果,Y通過(guò)以下公式得到：

(10)

易知Y是M×d維矩陣,則Y是降維后的樣本矩陣,每個(gè)樣本由250000維降到d維.本文取d=220?250000,可見(jiàn)計(jì)算得到的特征大大降低了數(shù)據(jù)的維數(shù),數(shù)據(jù)庫(kù)中僅僅需要儲(chǔ)存樣本維數(shù)為1×220的特征yi而不必儲(chǔ)存圖像原圖,減小了數(shù)據(jù)庫(kù)規(guī)模,提高了檢索速度.

5.2 分類器

特征提取后的關(guān)鍵問(wèn)題是設(shè)計(jì)優(yōu)良的分類器[7],倘若沒(méi)有設(shè)計(jì)良好的分類器便無(wú)法匹配到正確的目標(biāo)對(duì)象.本文采用了一種簡(jiǎn)便實(shí)用且易于維護(hù)的分類器——最鄰近距離分類器.

定義輸入樣本S到對(duì)象Oi的距離為：

(11)

分類規(guī)則:

若Dj(S)=min{Di(S)},i∈[1,M],則S∈Oj.

該算法的直觀解釋是,輸入樣本到某一類對(duì)象的距離等于該輸入樣本到某一類對(duì)象中所有樣本的歐幾里得距離的最小值,該輸入樣本屬于該輸入樣本到所有對(duì)象距離最小的對(duì)象[2].

在實(shí)際應(yīng)用中還要考慮拒識(shí)的問(wèn)題,即當(dāng)輸入樣本與庫(kù)中所有的對(duì)象的距離都大于某一值Δ時(shí),認(rèn)為庫(kù)中未收錄對(duì)象,判定識(shí)別失敗.Δ的選值需要在實(shí)際測(cè)試中選定.

此分類器簡(jiǎn)單易于實(shí)現(xiàn)而無(wú)需訓(xùn)練,當(dāng)分類失敗時(shí)可要求用戶再次進(jìn)行樣本采集來(lái)擴(kuò)充樣本集,從而提高分類精度.

6 實(shí)驗(yàn)結(jié)果與分析

利用實(shí)現(xiàn)的手背靜脈識(shí)別系統(tǒng)進(jìn)行測(cè)試.由于目前并沒(méi)有開放的手背靜脈圖像庫(kù)可供測(cè)試,本文自行建立了一個(gè)小規(guī)模的手背靜脈圖像庫(kù)進(jìn)行測(cè)試.圖像庫(kù)采集了25位用戶的圖像,每位用戶采集10張作為庫(kù)中的樣本,另采集4張作為測(cè)試輸入.所有測(cè)試均在8GB內(nèi)存、2.7GHz雙核CPU的硬件環(huán)境下進(jìn)行.

6.1 特征維數(shù)對(duì)識(shí)別效果的影響

特征的維數(shù)對(duì)匹配效果有著直接影響,特征維數(shù)過(guò)小,特征的區(qū)分度差、信息丟失程度高;特征維數(shù)過(guò)大,冗余數(shù)據(jù)多、匹配時(shí)運(yùn)算量大.本文使用100例樣本測(cè)試了隨機(jī)投影法中不同特征維數(shù)對(duì)匹配效果的的影響(本測(cè)試中不考慮拒識(shí)的情況),測(cè)試結(jié)果如圖11所示,當(dāng)特征維數(shù)過(guò)小時(shí)雖然速度較快,但識(shí)別率較低,顯然無(wú)法滿足實(shí)際使用的要求;隨著特征維數(shù)增大,識(shí)別率開始提高,在特征維數(shù)為200維時(shí)開始收斂,超過(guò)300維之后耗時(shí)大幅增加,正確率卻未有較大提高.選擇220維特征能在正確率和耗時(shí)之間取得較好的平衡,故本文選擇對(duì)手背靜脈圖像提取220維特征.

圖11 特征維數(shù)對(duì)匹配正確率和耗時(shí)的影響Fig.11 Impact on matching correctness and elapsed time results on different feature dimension

6.2 分類器的距離閾值對(duì)識(shí)別效果的影響

如前文所述,分類器在實(shí)際使用時(shí)還需要考慮拒識(shí)的問(wèn)題,因?yàn)樽钹徑嚯x分類器匹配出的結(jié)果僅僅是樣本庫(kù)中最接近輸入測(cè)試樣本的結(jié)果,并不一定屬于該匹配結(jié)果所屬的對(duì)象.因此確定一個(gè)最佳的距離閾值Δ是很有必要的,當(dāng)輸入樣本與分類器所給出的匹配結(jié)果的歐幾里得距離大于Δ時(shí)認(rèn)為庫(kù)中沒(méi)有任何匹配的對(duì)象,拒絕通過(guò).

為了尋找到合適的閾值Δ,本文使用了100例測(cè)試樣本進(jìn)行匹配測(cè)試,測(cè)試不同閾值Δ下匹配的正確率、誤識(shí)率與拒識(shí)率,測(cè)試中使用隨機(jī)投影法進(jìn)行特征提取、最鄰近距離分類器進(jìn)行分類,部分典型的結(jié)果如表1所示.

表1 手背靜脈識(shí)別系統(tǒng)在不同距離閾值下測(cè)試結(jié)果
Table 1 Test result of dorsal hand vein recognition system under different Euclidean distance thresholds

閾值Δ通過(guò)次數(shù)拒識(shí)次數(shù)誤識(shí)次數(shù)通過(guò)正確率/%誤識(shí)率/%拒識(shí)率/%101000001005663401000341081190100019159010198.8911017946297.872618982297.952219991396.9621201000496403010004964050100049640

本文使用通過(guò)正確率來(lái)衡量被分類器接受通過(guò)的樣本中匹配結(jié)果的正確率,通過(guò)正確率的計(jì)算式為:

(12)

其中C為通過(guò)正確率,P為通過(guò)次數(shù),E為誤識(shí)次數(shù).

從表1中數(shù)據(jù)可知當(dāng)閾值較低時(shí),雖然保證了較高的通過(guò)正確率,誤識(shí)率較低,但整體的拒識(shí)率較高,識(shí)別效率較低,用戶可能需要反復(fù)匹配才能通過(guò),這在實(shí)際使用中是難以接受的;當(dāng)閾值取值較高時(shí),拒識(shí)率較低,但由于閾值的“寬容度”較高導(dǎo)致容易誤識(shí).故在所測(cè)試的閾值中取值18是較為合適的,能在通過(guò)正確率、誤識(shí)率和拒識(shí)率中取得較好的平衡.

6.3 不同特征提取算法的比較

除了隨機(jī)投影法,本文還實(shí)現(xiàn)了Hu矩特征提取算法和PCA特征提取算法,用于對(duì)比參照.測(cè)試中PCA算法與隨機(jī)投影算法均取220維特征,Hu矩由于其算法局限僅取7維特征;各特征提取算法的分類器距離閾值Δ取測(cè)試所得的最優(yōu)值:Hu矩Δ取0.9,PCA算法Δ取5,隨機(jī)投影法Δ取18.樣本總數(shù)為250,進(jìn)行100次匹配.測(cè)試的結(jié)果如表2所示.

從表2中可知,雖然Hu矩運(yùn)算速度較快,但PCA算法和隨機(jī)投影法的正確率明顯較優(yōu).PCA算法匹配100次耗時(shí)5890ms,隨機(jī)投影法匹配100次耗時(shí)4442ms,對(duì)比之下隨機(jī)投影法的識(shí)別率達(dá)96%,隨機(jī)投影法在具有比PCA算法更好的識(shí)別正確率的同時(shí),速度上也占優(yōu),證明本文使用的隨機(jī)投影算法是較為理想的特征提取算法.

表2 手背靜脈識(shí)別系統(tǒng)在不同特征提取算法下測(cè)試結(jié)果
Table 2 Test result of dorsal hand vein recognition system under different feature extraction algorithm

特征提取算法通過(guò)次數(shù)拒識(shí)次數(shù)誤識(shí)次數(shù)正確率/%耗時(shí)/msHu矩42058424101PCA9316935890隨機(jī)投影9822964442

6.4 小波去噪對(duì)識(shí)別效果的影響

為了驗(yàn)證本文使用的小波去噪算法的有效性,本文進(jìn)行了與三種常用去噪算法均值濾波、中值濾波和高斯濾波的比較測(cè)試;測(cè)試中特征提取算法均使用隨機(jī)投影法,提取220維特征,分類器使用最鄰近距離分類器,距離閾值Δ取18;不同之處僅在于預(yù)處理中的去噪算法,測(cè)試的結(jié)果如表3所示.

表3 手背靜脈識(shí)別系統(tǒng)在不同去噪算法下測(cè)試結(jié)果
Table 3 Test result of dorsal hand vein recognition system under different denoising algorithms

去噪算法通過(guò)次數(shù)拒識(shí)次數(shù)誤識(shí)次數(shù)正確率/%小波去噪982296中值濾波937390均值濾波946292高斯濾波946292

由表3可看出,本文使用的小波去噪方法優(yōu)于其他三種常用的去噪方法,無(wú)論是在處理后圖片的感官上還是在最終的匹配效果上,對(duì)其原因作簡(jiǎn)要分析:小波變換在去除噪聲時(shí)可提取并保存邊緣信息,具有低熵性、多分辨率性、去相關(guān)性,其二值化圖像手背靜脈結(jié)構(gòu)較為清晰、與背景能夠較好分離;而經(jīng)均值濾波、高斯濾波會(huì)將圖像模糊化,圖像二值化之后手背靜脈結(jié)構(gòu)易與噪聲、雜斑粘連在一起從而改變靜脈結(jié)構(gòu);中值濾波雖然能保持邊緣結(jié)構(gòu),但其對(duì)椒鹽噪聲這類噪聲較為有效,難以應(yīng)對(duì)紅外圖像中噪聲成分復(fù)雜的場(chǎng)景;因此小波去噪應(yīng)用于手背靜脈紅外圖像去噪的效果是較為理想的.

7 結(jié) 語(yǔ)

本文實(shí)現(xiàn)了一套簡(jiǎn)易的手背靜脈識(shí)別系統(tǒng).首先通過(guò)使用一個(gè)100萬(wàn)像素的紅外攝像頭作為采集系統(tǒng)的核心,該采集系統(tǒng)能夠采集到質(zhì)量較好的手背靜脈圖片,再對(duì)手背靜脈圖片進(jìn)行預(yù)處理得到了手背靜脈骨架圖像,通過(guò)隨機(jī)投影算法來(lái)提取出手背靜脈骨架圖像的特征向量,最后使用最鄰近距離分類器進(jìn)行匹配.經(jīng)實(shí)驗(yàn)測(cè)試本系統(tǒng)識(shí)別正確率為96%,系統(tǒng)所用器材單價(jià)均較為低廉且易于獲得,系統(tǒng)總造價(jià)僅三百元人民幣,具有較好的實(shí)際應(yīng)用價(jià)值、便于普及,對(duì)手背靜脈識(shí)別系統(tǒng)的研制有一定參考價(jià)值.實(shí)際測(cè)試使用中還發(fā)現(xiàn),在不同的時(shí)間段、不同溫度環(huán)境下人體手背靜脈血管的收縮程度不同,也會(huì)影響到匹配的效果;在進(jìn)一步的研究中,圖像采集設(shè)備對(duì)此情況應(yīng)加以改進(jìn),使之能提取到穩(wěn)定、完整的手背靜脈結(jié)構(gòu)圖像;在特征提取方面,還可以根據(jù)手背靜脈網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)的特點(diǎn)來(lái)設(shè)計(jì)一種穩(wěn)定的生物特征提取方法,相比各種不變矩特征提取方法和圖像代數(shù)特征提取方法,此方面的手背靜脈特征提取方法的研究還較少,具有較大的研究空間.