掌紋拍攝距離與圖像清晰度的關(guān)系研究*

苑瑋琦，馮素月

（沈陽工業(yè)大學(xué) 視覺檢測(cè)技術(shù)研究所,遼寧 沈陽 110870）

由于掌紋的信息量遠(yuǎn)大于指紋，近些年關(guān)于掌紋識(shí)別的研究成為生物特征識(shí)別領(lǐng)域的研究熱點(diǎn)之一。為了獲得高質(zhì)量掌紋圖像，通常采用定焦接觸方式,這也是目前掌紋圖像獲取的主要方式，如香港理工大學(xué)發(fā)布的PolyU掌紋圖像庫[1]。考慮到疾病傳播的可能性，一些人對(duì)于接觸方式存在一定排斥心理,為此，本文提出對(duì)定焦非接觸掌紋圖像進(jìn)行研究。圖像采集時(shí)，只要被采集者的手與采集頭的距離在景深范圍以內(nèi)，獲得的圖像可認(rèn)為是清晰圖像。由于每個(gè)人對(duì)于距離的感覺存在差異，一些人的手可能放在景深以外的位置上，這將導(dǎo)致所拍攝的掌紋圖像模糊，即部分紋理細(xì)節(jié)丟失，隨著手偏離焦平面的程度加大，掌紋圖像紋理細(xì)節(jié)信息丟失程度也加大，紋理信息的分辨力降低。由于掌紋的紋理信息豐富，即使存在一定的圖像模糊,也能夠具有較高的分辨力。

如果建立拍攝距離與圖像清晰度的對(duì)應(yīng)關(guān)系模型，就可以通過該模型來判斷圖像的清晰度；更進(jìn)一步地,如果建立圖像清晰度與錯(cuò)誤識(shí)別率之間的對(duì)應(yīng)關(guān)系,就可以根據(jù)用戶所要求的誤識(shí)率來確定系統(tǒng)能夠容許多大清晰程度的掌紋圖像，也就是說，在錯(cuò)誤識(shí)別率要求不是很高的場(chǎng)合,手與攝像機(jī)之間的距離將允許有更大的范圍。

本文首先建立了小樣本由清晰到模糊的定焦非接觸式掌紋圖庫；然后在自拍圖庫的基礎(chǔ)上進(jìn)行掌紋定位；最后在定位的掌紋有效區(qū)域上采用基于梯度算子的圖像清晰度評(píng)價(jià)方法來判定掌紋圖像的清晰程度，建立掌紋拍攝距離與清晰度之間關(guān)系的數(shù)學(xué)模型并給出誤差分析。

1 掌紋圖像采集

掌紋圖像的采集是掌紋識(shí)別的第一步，同時(shí)也是較困難的問題。本文應(yīng)用基于USB傳輸口的高精度CCD工業(yè)攝像頭進(jìn)行圖像采集。拍攝掌紋圖像時(shí)采用單一的背景，調(diào)節(jié)好攝像頭的焦距、曝光度和對(duì)比度固定不變。根據(jù)鏡頭參數(shù)計(jì)算景深范圍,確定拍攝距離為85 cm到121 cm范圍內(nèi)。在拍攝距離范圍內(nèi)每間隔4 cm拍攝一次，這樣可獲得一組由清晰到模糊的10幅手圖像。按照此過程重復(fù)拍攝10次，即每類獲得10組圖像。

2 掌紋圖像定位

掌紋識(shí)別系統(tǒng)是在截取的掌紋有效區(qū)域圖像的基礎(chǔ)上進(jìn)行特征提取與識(shí)別，因此掌紋有效區(qū)域部分質(zhì)量的好壞直接關(guān)系到識(shí)別系統(tǒng)的后續(xù)處理。然而準(zhǔn)確的區(qū)域定位又是掌紋質(zhì)量評(píng)價(jià)的基礎(chǔ)。現(xiàn)有的掌紋定位方法大都基于手掌上的指根點(diǎn)來建立坐標(biāo)系截取有效區(qū)域，本文采用點(diǎn)到直線的距離[2]來確定指根點(diǎn)。

具體步驟如下：首先將原圖像進(jìn)行二值化，采用輪廓跟蹤的方法提取出手輪廓并將輪廓點(diǎn)的橫縱坐標(biāo)存入到一個(gè)數(shù)組中；然后將手輪廓每隔15列進(jìn)行掃描并把每次掃描到輪廓點(diǎn)的次數(shù)進(jìn)行記錄，當(dāng)記錄次數(shù)為8時(shí)停止掃描，根據(jù)該列輪廓線上的點(diǎn)確定一條直線；最后在手指內(nèi)側(cè)找輪廓上的到該直線距離最遠(yuǎn)的點(diǎn)，該點(diǎn)便為指根點(diǎn)。根據(jù)食指與中指之間指根點(diǎn)以及無名指與小指之間指根點(diǎn)建立坐標(biāo)系，截取掌紋有效區(qū)域。具體實(shí)現(xiàn)過程如圖1所示。

3 掌紋圖像清晰度評(píng)價(jià)函數(shù)介紹

Wang Zhou[3,4]等人認(rèn)為,人眼在觀察一幅圖像時(shí),首先提取圖像的結(jié)構(gòu)信息,因?yàn)閳D像像素之間的信息是相關(guān)的,人眼判斷一幅降質(zhì)圖像質(zhì)量的好壞,更多地是審視該圖像的結(jié)構(gòu)信息與原圖像的結(jié)構(gòu)信息是否相近。鑒于人眼對(duì)圖像邊緣紋理結(jié)構(gòu)信息的極高敏感度,而梯度能較好地反應(yīng)圖像的邊緣紋理信息,一些基于梯度算子的清晰度評(píng)價(jià)方法被提了出來，如圖像灰度梯度向量模方和、Roberts梯度、Sobel梯度、拉普拉斯梯度等[5-7]。

對(duì)于數(shù)字圖像序列的第K幅圖像f(x,y)，其各點(diǎn)灰度梯度、Roberts梯度、Laplacian梯度（八鄰域）幅值計(jì)算公式如下：

運(yùn)用以上三種基于梯度的清晰度評(píng)價(jià)函數(shù)計(jì)算掌紋圖像的清晰度評(píng)價(jià)值。

4 建立拍攝距離與圖像清晰度之間的關(guān)系曲線

4.1 圖庫的介紹

根據(jù)第一節(jié)的介紹進(jìn)行圖庫的采集，建立自拍圖庫。自拍圖庫大小為 30×10×10，即共有 30個(gè)類，每類 10個(gè)采集位置，每個(gè)位置采集10組圖片。以下實(shí)驗(yàn)均基于自拍圖庫的基礎(chǔ)上進(jìn)行。

4.2 實(shí)驗(yàn)的建立及模型的分析

圖2所示是在自拍圖庫中任意選擇一類掌紋圖片進(jìn)行定位后得到的序列圖像，對(duì)該類樣本的10組圖片分別用三種不同的基于梯度算子的清晰度評(píng)價(jià)方法進(jìn)行實(shí)驗(yàn)。計(jì)算三種方法下的掌紋序列圖像清晰度評(píng)價(jià)值。以拍攝距離為橫坐標(biāo)，清晰度評(píng)價(jià)函數(shù)值為縱坐標(biāo)畫出所有樣本在平面所對(duì)應(yīng)的點(diǎn)。

每張圖片經(jīng)清晰度評(píng)價(jià)函數(shù)計(jì)算后得到一個(gè)清晰度評(píng)價(jià)值，每個(gè)拍攝位置對(duì)應(yīng)10組圖片，即每個(gè)拍攝位置就有10個(gè)清晰度評(píng)價(jià)值。理論上同一位置的不同次拍攝的圖片用同一種清晰度評(píng)價(jià)函數(shù)所計(jì)算得到的清晰度評(píng)價(jià)值應(yīng)該相同，但實(shí)際上由于每次拍攝手?jǐn)[放的姿勢(shì)不同,導(dǎo)致定位有效區(qū)域的偏差或拍攝過程的光照、噪聲影響都對(duì)評(píng)價(jià)值產(chǎn)生影響，同一位置的不同次采集的圖片清晰度存在一定的偏差。為了盡量減小以上問題給后續(xù)建立清晰度評(píng)價(jià)函數(shù)與拍攝距離關(guān)系數(shù)學(xué)模型所帶來的誤差，求取每個(gè)拍攝位置的不同次拍攝圖片所對(duì)應(yīng)清晰度評(píng)價(jià)值的平均值作為該位置的清晰度評(píng)價(jià)值，得到三種基于梯度算子的清晰度評(píng)價(jià)函數(shù)與拍攝距離之間的關(guān)系曲線模型,如圖3所示。

從圖3可以看出，三種清晰度評(píng)價(jià)值與物距均成單調(diào)單值非線性關(guān)系且曲線靠近。以此可以推論，各種梯度清晰度評(píng)價(jià)函數(shù)在與物距的關(guān)系表述上沒有明顯差異。

4.3 誤差分析

計(jì)算樣本模型中第k個(gè)位置圖片的清晰度評(píng)價(jià)值的最大相對(duì)誤差公式如下：

其中n為該位置的樣本數(shù)，pk為該位置的平均評(píng)價(jià)值。

取各個(gè)位置相對(duì)誤差的最大值作為該模型的最大偏差，其公式如下：

經(jīng)上述公式計(jì)算得到三種清晰度評(píng)價(jià)函數(shù)模型的最大偏差如表1所示。

表1 三種模型的最大偏差列表

通過表1可以看出，三種模型的最大偏差都很小，在系統(tǒng)允許的誤差范圍內(nèi)三種模型均能反映圖像的清晰度。但相比之下，基于Laplacian算子的關(guān)系曲線模型的建立稍優(yōu)于其他兩種方法。

本文在建立了小樣本離焦非接觸式掌紋庫的基礎(chǔ)上，建立了物距與成像清晰度之間的關(guān)系數(shù)學(xué)模型，實(shí)驗(yàn)結(jié)果表明各種梯度清晰度評(píng)價(jià)函數(shù)在與物距的關(guān)系表述上沒有明顯差異。但研究仍有不足之處，一方面應(yīng)加大圖庫樣本；另一方面應(yīng)考慮前景深范圍內(nèi)采集的圖像，使模型更具廣泛性。

[1]Poly U Palmprint Database[Z].(2003-03-02).http://www4.comppolyu.edu.hk/～biometrics/.

[2]閆琳,史彥龍.基于手指輪廓的手形驗(yàn)證算法[J].計(jì)算機(jī)安全,2009,01(25):74-75.

[3]Wang Zhou,BOVIK A C,SHEIKH H R,et al.Image quality assessment:from error visibility to structural similarity[J].IEEE Trans on Image Processing,2004,13(4):600-612.

[4]Wang Zhou,BOVIK A C,Lu Ligang.Why is image quality assessment so difficult[C].Proc of IEEE International Conference of acoustics,Speech,and Signal Processing,2002:3313-3316.

[5]曹茂永,孫農(nóng)亮,郁道銀.基于灰度梯度的數(shù)字圖像評(píng)價(jià)函數(shù)[J].光電工程,2003,30(4):70-71.

[6]高贊,姜威,朱孔鳳.基于最大梯度和閾值的自動(dòng)聚焦算法[J].電子測(cè)量與儀器報(bào),2007,10(21):50-51.

[7]蔣婷,譚躍剛,劉泉.基于Sobel算子的圖像清晰度評(píng)價(jià)函數(shù)研究[J].計(jì)算機(jī)與數(shù)字工程，2008，8（36）:129-131.