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

0 引言

目前，生物識(shí)別技術(shù)是一種既方便又安全可靠的身份鑒定方法。相比其它生物識(shí)別技術(shù)，如指紋識(shí)別、人臉、DNA（即基因識(shí)別）、掌紋、虹膜、聲紋［1-3］等，手指靜脈識(shí)別具有速度快、安全等級(jí)高、精度高等優(yōu)勢(shì)［4］，因此被廣泛應(yīng)用于門(mén)禁系統(tǒng)及其它安防領(lǐng)域?qū)ΡＣ苄耘c安全性要求較高的場(chǎng)合［5-7］。但是目前手指靜脈識(shí)別技術(shù)也存在一些問(wèn)題，如信息量利用不充分、抗噪性能偏弱、特征不穩(wěn)定等。

手指靜脈特征識(shí)別主要分為特征點(diǎn)匹配［8］和圖像配準(zhǔn)［9］。特征點(diǎn)匹配易受采集圖像時(shí)手指放置姿勢(shì)的影響，且手指靜脈圖像曝光對(duì)識(shí)別性能有很大影響，而圖像配準(zhǔn)相對(duì)而言利用的信息量更多、魯棒性更強(qiáng)、受光照影響更小。圖像配準(zhǔn)又分為全局特征和局部特征［10］，雙向二維費(fèi)希爾主成分分析（（2D）2FPCA）和雙向二維主成分分析（（2D）2PCA）［11-12］是典型的基于全局特征的識(shí)別方法，該方法將手指靜脈圖像變換到訓(xùn)練得到的最佳投影空間，產(chǎn)生新的特征，因而可以很好地保留圖像全局信息，但魯棒性易受訓(xùn)練樣本的影響，且指靜脈圖像在采集時(shí)容易曝光，對(duì)于投影空間訓(xùn)練會(huì)造成很大影響。局部二值模式算子（LBP）［13］是基于局部特征的算法，通過(guò)比較鄰域像素點(diǎn)值之間的大小反映局部紋理變化情況，其不受整幅圖像光照線(xiàn)性變換的影響，計(jì)算簡(jiǎn)單、高效，但計(jì)算尺度小，提取的指靜脈特征在魯棒性上有缺陷。文獻(xiàn)［14］提出的針對(duì)LBP 改進(jìn)的多塊均值近鄰二值模式（MMNPB）通過(guò)分塊、取均值操作進(jìn)一步增強(qiáng)了指靜脈特征的魯棒性，但對(duì)全局信息把握不足，靜脈結(jié)構(gòu)性不夠突出；文獻(xiàn)［15］基于手掌靜脈提出近鄰匹配積分變換（NMRT）方法，通過(guò)比較局部區(qū)域線(xiàn)性像素點(diǎn)的累加和提取主靜脈方向特征，對(duì)靜脈方向描述準(zhǔn)確，但缺乏對(duì)局部紋理細(xì)節(jié)特征的描述，且手指靜脈相較于手掌靜脈，靜脈寬度更小，更易受噪聲影響，紋理錯(cuò)綜復(fù)雜，還具有豐富的局部紋理細(xì)節(jié)特征。另外，以上幾種局部特征提取算法都是基于像素點(diǎn)提取特征，計(jì)算梯度都處于一階梯度上，在特征穩(wěn)定性上具有一定缺陷。

綜上所述，在指靜脈手指圖像采集過(guò)程中，由于受光照不均勻［16］、手指厚度差異等因素影響［17］，圖像紋理模糊、對(duì)比度低，目前基于局部特征的指靜脈識(shí)別算法的計(jì)算梯度都還處于一階梯度上，局部紋理特征提取困難，特征穩(wěn)定性不足，且目前的局部特征算法對(duì)于局部紋理特征描述單一，信息量利用不充分。針對(duì)以上問(wèn)題，本文提出一種基于多尺度局部特征融合的手指靜脈識(shí)別方法，先采用多尺度方向模板提取紋理方向響應(yīng)值，通過(guò)比較得到一階梯度上的局部靜脈方向特征，再以方向響應(yīng)值為基底計(jì)算MLBP 算子得到二階梯度上的局部紋理細(xì)節(jié)特征，最后通過(guò)最優(yōu)權(quán)值方式融合局部靜脈方向特征和局部紋理細(xì)節(jié)特征。這種多梯度特征融合方式充分利用了圖像信息，增強(qiáng)了特征穩(wěn)定性，能很好地突出手指靜脈的結(jié)構(gòu)性，而且采用多尺度模式下的計(jì)算方式還能增強(qiáng)特征對(duì)全局信息的把握。

1 靜脈圖像預(yù)處理

圖像采集過(guò)程中由于放置姿勢(shì)不統(tǒng)一，采集圖像中的靜脈紋理會(huì)出現(xiàn)一定的縮放，并且每個(gè)人手指尺寸也不一樣［18］。為便于特征提取，本文對(duì)ROI 提取后的圖像利用雙線(xiàn)性插值進(jìn)行圖像尺寸歸一化到180×80。圖像采集易受光照影響，曝光度不均勻會(huì)導(dǎo)致手指靜脈圖像模糊［19］。為解決曝光問(wèn)題，以及更好地突出手指靜脈紋理，需要對(duì)靜脈圖像進(jìn)行增強(qiáng)。手指靜脈圖像灰度值范圍較小，但由于光線(xiàn)問(wèn)題會(huì)導(dǎo)致圖像邊緣較暗，本文采用文獻(xiàn)［20］中的自適應(yīng)直方圖均衡CLAHE 方式對(duì)靜脈圖像進(jìn)行增強(qiáng)。

2 基于多尺度局部特征融合的指靜脈圖像特征提取

在指靜脈圖像中，靜脈所處線(xiàn)狀區(qū)域灰度值較小，非靜脈的線(xiàn)狀區(qū)域灰度值較大，則過(guò)點(diǎn)作多個(gè)斜率方向上的直線(xiàn)。直線(xiàn)方向選取與像素點(diǎn)方向辨識(shí)信息是否充分有直接聯(lián)系：若選取的直線(xiàn)方向太少，則不能充分覆蓋經(jīng)過(guò)該像素點(diǎn)的靜脈線(xiàn)，提取的方向特征不足以描述該像素點(diǎn)方向；若選取的直線(xiàn)方向太多，盡管可以很好地辨識(shí)方向特征，但過(guò)多的直線(xiàn)在計(jì)算時(shí)會(huì)導(dǎo)致更多的干擾與冗余信息，使特征提取效率下降。

計(jì)算各直線(xiàn)上一定長(zhǎng)度范圍內(nèi)像素點(diǎn)的和，得到各個(gè)方向特征的響應(yīng)值。在得到圖像8 個(gè)方向的方向特征響應(yīng)圖后，對(duì)各方向的方向特征響應(yīng)圖進(jìn)行多尺度化處理，得到多尺度方向特征響應(yīng)圖。與靜脈方向重合的直線(xiàn)計(jì)算得到的多尺度方向特征響應(yīng)值可以取最小值，則最小值對(duì)應(yīng)的直線(xiàn)方向即是該點(diǎn)方向特征。對(duì)得到的多尺度方向響應(yīng)值求平均之后計(jì)算MLBP 算子得到多尺度局部方向二值編碼，即為中心像素點(diǎn)的紋理細(xì)節(jié)特征。

首先構(gòu)建方向模板，然后通過(guò)方向模板計(jì)算得到方向特征編碼矩陣。設(shè)方向模板為Y，窗口大小為N×N，表示窗口內(nèi)有N×N個(gè)像素點(diǎn)，定義：

Xk表示由方向模板Y內(nèi)一條線(xiàn)上的點(diǎn)組成的集合，（ic，jc）為模板Y的中心像素點(diǎn)，F(xiàn) 為直線(xiàn)Xk的斜率，k為直線(xiàn)代表的方向。

選擇不同的直線(xiàn)長(zhǎng)度范圍將對(duì)最終求得的方向特征有一定影響：若直線(xiàn)長(zhǎng)度范圍太大，則會(huì)增加計(jì)算量；若直線(xiàn)長(zhǎng)度范圍太小，如長(zhǎng)度小于等于靜脈線(xiàn)寬度時(shí)，過(guò)該像素點(diǎn)所有不同直線(xiàn)上的像素點(diǎn)累加和幾乎相等，導(dǎo)致方向描述不準(zhǔn)確。因此，本文選用8 個(gè)N 為15 的方向模板，如圖1 所示。

Fig.1 Direction template圖1 方向模板

設(shè)Hk(i,j) 為點(diǎn)(i,j) 在k方向模板下的方向響應(yīng)值，先計(jì)算整幅圖像8 個(gè)方向的響應(yīng)值：

其中，imgm,n為直線(xiàn)Xk上的點(diǎn)，m、n為點(diǎn)的坐標(biāo)，然后對(duì)各個(gè)圖像方向響應(yīng)值矩陣以大小為p*p的滑動(dòng)窗口計(jì)算均值，得到各個(gè)方向上的多尺度方向特征響應(yīng)值，即：

其中，H'k(i,j)為k方向的多尺度方向特征響應(yīng)值，通過(guò)比較取最小方向作為點(diǎn)(i,j)的方向特征，有：

得到多尺度局部方向特征Dire(i,j)，由Dire(i,j)構(gòu)成的多尺度局部方向特征構(gòu)建的矩陣為：

式中，m=R-(N-1)-(p-1)，n=C-(N-1)-(p-1)，其中圖像尺寸大小為R×C，N為方向模板窗口大小，p 為多尺度滑動(dòng)窗口大小。然后對(duì)圖像像素點(diǎn)中心區(qū)域求得原圖像像素點(diǎn)均值為：

定義：

再對(duì)多尺度方向特征響應(yīng)值均值與中心點(diǎn)均值作比較，得到中心像素點(diǎn)的紋理細(xì)節(jié)特征，算子定義為：

其中，Deta(i,j) 為多尺度局部特征的紋理細(xì)節(jié)特征，則最終由多尺度局部紋理細(xì)節(jié)特征構(gòu)建的特征矩陣為：

式中m=R-(N-1)-(p-1)，n=C-(N-1)-(p-1)，其中圖像尺寸大小為R×C，N為方向模板窗口大小，p為多尺度窗口大小。

手指靜脈圖像采集設(shè)備的鏡面上容易堆積粉塵，從而產(chǎn)生噪聲，給指靜脈識(shí)別造成很大困擾。圖2 給出了包含粉塵噪聲情況下的圖像原圖、CLAHE 增強(qiáng)圖、LBP、MMN?BP、NMRT 以及對(duì)應(yīng)多尺度局部特征的方向特征圖和局部紋理細(xì)節(jié)特征圖。

從圖2（c）中可以看到，在LBP 圖像中相對(duì)原圖的噪聲點(diǎn)位置有許多凸點(diǎn)，說(shuō)明了傳統(tǒng)LBP 對(duì)于噪聲的敏感程度，并且圖2（d）相比圖2（c）噪聲斑點(diǎn)明顯減少，特征更穩(wěn)定，但靜脈結(jié)構(gòu)性不夠突出；圖2（e）中的紋理特征不連續(xù)程度強(qiáng)烈，說(shuō)明NMRT 在抗噪性能上有一定缺陷；圖2（f）中的紋理特征連續(xù)，紋理邊緣平滑，說(shuō)明了多尺度在抗噪性能上的優(yōu)勢(shì)；圖2（g）中的靜脈紋理結(jié)構(gòu)突出，紋理輪廓清晰，說(shuō)明相比一階梯度上的局部特征算子，在二階梯度上提取局部特征更準(zhǔn)確，且特征更穩(wěn)定。

Fig.2 Image effect with dust and noise圖2 包含粉塵噪聲情況下圖像效果

3 基于漢明距離的最優(yōu)特征權(quán)值融合手指靜脈匹配算法

本文用加權(quán)方式對(duì)兩種不同特征值進(jìn)行匹配，對(duì)提取特征后得到的局部方向特征和局部紋理細(xì)節(jié)計(jì)算漢明距離，并通過(guò)最優(yōu)權(quán)值加權(quán)方式進(jìn)行融合得到最終匹配值。對(duì)每次得到的匹配值進(jìn)行歸一化，取最小值作為最終匹配值。兩個(gè)特征匹配值越小，說(shuō)明相似程度越高。在識(shí)別過(guò)程中，當(dāng)Dis(P,Q)＜t（閾值t由多次類(lèi)間比對(duì)得到，根據(jù)選定的誤識(shí)率進(jìn)行設(shè)置）時(shí)，說(shuō)明圖像配對(duì)成功。具體計(jì)算公式如下：

其中，P為手指靜脈模板圖像數(shù)據(jù)庫(kù)中某個(gè)用戶(hù)的多尺度局部融合特征編碼矩陣，Q為未知用戶(hù)的多尺度局部融合特征編碼矩陣，PN、PL分別代表矩陣P的局部紋理細(xì)節(jié)特征二進(jìn)制編碼矩陣和局部方向特征二進(jìn)制編碼矩陣，QN、QL分別代表矩陣Q的局部紋理細(xì)節(jié)特征二進(jìn)制編碼矩陣和局部方向特征二進(jìn)制編碼矩陣，P?Q為矩陣P和矩陣Q的重疊區(qū)域，‖ ‖表示計(jì)算重疊區(qū)域內(nèi)的像素點(diǎn)數(shù)量，hamdist表示計(jì)算兩個(gè)編碼矩陣重疊區(qū)域的漢明距離，α為特征值匹配融合最優(yōu)權(quán)值，也即在低誤識(shí)率（False Accept Rate，F(xiàn)AR）情況下拒識(shí)率（False Rejection Rate，F(xiàn)RR）更小。

4 基于多尺度局部特征融合的手指靜脈識(shí)別流程

本文算法可分為以下幾個(gè)步驟：①將讀取的指靜脈圖像歸一化到180*80，通過(guò)自適應(yīng)直方圖均衡對(duì)圖像進(jìn)行增強(qiáng)；②構(gòu)建多個(gè)方向模板，首先提取多個(gè)方向的多尺度方向特征響應(yīng)值，最小響應(yīng)值對(duì)應(yīng)方向即為多尺度局部方向特征值，再對(duì)多尺度方向特征響應(yīng)值取平均計(jì)算MLBP 算子，得到多尺度局部紋理細(xì)節(jié)特征編碼矩陣；③對(duì)不同圖像的多尺度局部方向特征編碼矩陣和多尺度局部紋理細(xì)節(jié)特征編碼矩陣同時(shí)進(jìn)行多平移重疊區(qū)域比對(duì)，對(duì)特征匹配值以基于漢明距離的最優(yōu)特征權(quán)值進(jìn)行加權(quán)，取最相似的匹配值作為最終特征匹配值；④比較閾值與最終特征匹配值，判斷是否為同一用戶(hù)。

算法具體流程如圖3 所示。

Fig.3 The flow of finger vein recognition algorithm based on multi-scale local feature fusion圖3 基于多尺度局部特征融合的手指靜脈識(shí)別算法流程

5 實(shí)驗(yàn)結(jié)果及分析

5.1 實(shí)驗(yàn)環(huán)境

采用自主研發(fā)的近紅外圖像采集設(shè)備采集200 類(lèi)正常圖像，60 類(lèi)噪聲圖像，每類(lèi)圖像有10 幅圖，圖像尺寸為440×200。利用Matlab R2014a 軟件進(jìn)行仿真，電腦配置為：Windows7 64 位操作系統(tǒng)，Intel（R）Core（TM）i5-6500主頻3.20 GHz，內(nèi)存為4 GB。

5.2 特征融合權(quán)重系數(shù)α 測(cè)試

由于在提取的多尺度局部融合特征編碼矩陣中，多尺度局部方向特征與多尺度局部細(xì)節(jié)特征有一定關(guān)聯(lián)性，并且對(duì)不同靜脈圖像的局部紋理信息提取能力不同，因此本文最終匹配值如式（10）所示。需要確定一個(gè)最優(yōu)權(quán)值系數(shù)α，使得類(lèi)間特征相似度更低，類(lèi)內(nèi)特征相似度更高，從而得到更好的識(shí)別性能。

識(shí)別率高低是用于評(píng)判權(quán)重系數(shù)α的標(biāo)準(zhǔn)，為消除圖像在正常情況以及在粉塵噪聲情況下的誤差，本文通過(guò)訓(xùn)練200 類(lèi)正常圖像P1和60 類(lèi)噪聲圖像P2確定最優(yōu)權(quán)重系數(shù)α。在正常圖像庫(kù)P1中，每次權(quán)重測(cè)試的類(lèi)間匹配次數(shù)為1 990 000，類(lèi)內(nèi)匹配次數(shù)為9 000，誤識(shí)率固定為0。圖4 為在固定誤識(shí)率下，訓(xùn)練正常圖像庫(kù)中識(shí)別率隨α變化情況的曲線(xiàn)。由圖4 可知，首先在正常圖像庫(kù)中，當(dāng)權(quán)重系數(shù)在70%～90% 之間時(shí)，得到最高識(shí)別率為89.53%。在綜合不同誤識(shí)率的基礎(chǔ)上，本文選取權(quán)重系數(shù)為81.25%。其次評(píng)判噪聲圖像庫(kù)中的最優(yōu)權(quán)重系數(shù)，給定誤識(shí)率為0，最優(yōu)權(quán)重測(cè)試的類(lèi)間匹配次數(shù)為177 000，類(lèi)內(nèi)匹配次數(shù)為2 700。圖5 為在固定誤識(shí)率下，訓(xùn)練噪聲圖像庫(kù)中識(shí)別率隨權(quán)重系數(shù)變化情況的曲線(xiàn)，通過(guò)觀(guān)察可以看到，當(dāng)權(quán)重系數(shù)為81.25% 時(shí)，得到最高識(shí)別率52.04%，同時(shí)證明了將權(quán)重系數(shù)設(shè)置為81.25% 較為合理。

Fig.4 Relation curve between recognition rate and weight α in image database P1圖4 圖像庫(kù)P1 中識(shí)別率與權(quán)值α 關(guān)系曲線(xiàn)

Fig.5 Relation curve between recognition rate and weight α in image database P2圖5 圖像庫(kù)P2 中識(shí)別率與權(quán)值α 關(guān)系曲線(xiàn)

5.3 粉塵噪聲圖像庫(kù)與正常圖像庫(kù)實(shí)驗(yàn)結(jié)果

采用自主研發(fā)的指靜脈圖像采集設(shè)備分別采集粉塵噪聲圖像庫(kù)和正常圖像庫(kù)，粉塵噪聲圖像庫(kù)中共有60 個(gè)不同用戶(hù)，每個(gè)用戶(hù)10 幅圖像，一共600 幅圖像；正常圖像庫(kù)中共有200 個(gè)不同用戶(hù)，每個(gè)用戶(hù)10 幅圖像，一共2 000 幅圖像。每張圖像尺寸大小為440×200。在MAT?LAB 2014a 平臺(tái)上進(jìn)行識(shí)別驗(yàn)證，以下分別為采用傳統(tǒng)LBP［10］、MMNBP［11］、NMRT［12］、多尺度局部特征融合識(shí)別算法得到的對(duì)應(yīng)ROC 曲線(xiàn)。其中，圖6 表示粉塵噪聲圖像庫(kù)的ROC 曲線(xiàn)，圖7 表示正常圖像庫(kù)的ROC 曲線(xiàn)。

由圖6 可以看出，在粉塵噪聲圖像庫(kù)中，相比LBP 算法，MMNBP 算法的識(shí)別性能有明顯提升，說(shuō)明MMNBP 的抗噪聲能力更強(qiáng)；相比MMNBP 和NMRT 兩種局部特征提取算法，當(dāng)FAR=0% 時(shí)，本文提出的多尺度局部特征融合算法的 FRR 分別從 MMNBP 的 59.01% 與 NMRT 的60.78% 下降至48.96%，且整體ROC 曲線(xiàn)位于MMNBP 和NMRT 之下，說(shuō)明本文算法對(duì)于噪聲圖像庫(kù)有更好的識(shí)別性能，特征的穩(wěn)定性及抗噪聲能力更強(qiáng)。

由圖7 可以看出，在正常圖像庫(kù)中，相比LBP 算法、NMRT 算法與MMNBP 算法，本文提出的多尺度局部特征融合識(shí)別算法性能有明顯提升。其中，MMNBP 的識(shí)別率低于LBP，說(shuō)明MMNBP 比LBP 的特征更穩(wěn)定；當(dāng)FAR=0% 時(shí)，本文算法的FRR 分別從MMNBP 的17.21% 與NMRT 的15.34% 下降至10.47%，且整體ROC 曲線(xiàn)完全在NMRT 和MMNBP 之下，證明在正常圖像庫(kù)中，本文算法的特征穩(wěn)定性更強(qiáng)，對(duì)信息量的利用更充分，相比其它局部特征提取算法識(shí)別率有一定程度提高。

Fig.6 ROC curve of dust noise image database圖6 粉塵噪聲圖像庫(kù)ROC 曲線(xiàn)

Fig.7 ROC curve of normal image database圖7 正常圖像庫(kù)ROC 曲線(xiàn)

6 結(jié)語(yǔ)

本文提出一種基于多尺度局部特征融合的手指靜脈識(shí)別算法，通過(guò)提取圖像的一階局部方向特征和二階局部紋理細(xì)節(jié)特征，將兩者加權(quán)融合進(jìn)行識(shí)別。多梯度融合的特性在很大程度上可增強(qiáng)特征的穩(wěn)定性，并突出手指靜脈紋理結(jié)構(gòu)。傳統(tǒng)局部特征提取算法的計(jì)算梯度都處于一階梯度上，相比之下，本文提出的算法拒識(shí)率更低，因此具有一定優(yōu)勢(shì)。后期將針對(duì)算法運(yùn)算效率，從時(shí)間性能上對(duì)算法作進(jìn)一步優(yōu)化。