基于C++的手背脈絡特征認證考勤技術研究

朱向彩，竇佳龍，吳魯振

(泰山學院 信息科學技術學院，山東 泰安 271021)

0 引言

手背靜脈識別是以手背靜脈識別技術為核心，是一項新興的生物識別技術，是科技攻關的高新技術.手背靜脈識別技術具有廣泛的應用，如門禁管理、考勤管理、手背靜脈識別監控管理、手背靜脈識別電腦安全防范、手背靜脈識別照片搜索、手背靜脈識別來訪登記等.

本文所研究的手背靜脈識別技術可為企事業部門的考勤平臺提供一種較好的、新穎的技術和方法.應用本技術及平臺記錄員工遲到、早退、缺席和請假等出勤情況，可實現信息管理的自動化，提高人事管理的效率.目前根據手背靜脈識別考勤技術還沒有成型的應用平臺，本課題旨在利用更加高效的識別算法提高手背靜脈識別過程的處理效率.

1 手背靜脈識別技術

手背靜脈識別，是生物識別模式的一種.首先通過靜脈識別儀器取得個人手背脈絡分布圖，運用專門的比對算法從靜脈分布圖像中獲取特征值.研究過程中使用紅外線CCD 攝像頭來獲得手背的靜脈數字圖像，并將該圖像的特征值提取后存儲于計算機系統中.進行圖像比對時，通過實時采集靜脈圖像，加以濾波、圖像二值化、圖像細化等先進手段提取圖像特征值，并與存儲在計算機系統中的靜脈圖像的特征值進行比對，然后運用專用的數字圖像匹配算法進行特征匹配來鑒定個人身份.

2 靜脈圖像采集

紅外采集原理:基于人體骨骼和肌肉組織的特點，使用波長在0.72～1.10 μm 的入射光波進行圖像采集［1］，能夠較好地穿透骨骼和肌肉組織，獲得血管的脈絡結構.從波長范圍可知，該光波屬于近紅外光線，根據中國國家醫用紅外檢測光源的有關規定，紅外光強處于峰值時波長范圍在0.80～1.50 μm 之間.所以只要擁有良好的紅外采集設備，就能夠拍攝到滿足研究要求的靜脈圖像.可以使用波長在0.90 μm 左右的近紅外CCD 攝像頭拍攝256 灰度級的人體手背靜脈圖像，即可滿足要求.

3 靜脈圖像預處理

3.1 靜脈圖像標準化

在不同的光照，手掌傾斜程度不同的情況下，由于光照不均勻即使同一個人的同一只手拍攝出的圖像，也會對計算機的識別帶來很大的困難.為盡量保證提取的特征對靜脈在圖像中的大小傾斜等的不變性，必須要在特征提取和識別之前對靜脈圖像進行一系列處理.［2］

靜脈圖像尺寸歸一化.因為拍攝的圖像中靜脈所占的比例往往不一，所以要對所得到的靜脈圖像進行大小歸一化，也就是對圖像進行縮放，其實質是一種圖像的幾何變換.但是，圖像的縮放會帶來誤差，因此可以引入灰度插值的概念來彌補，最常用的灰度插值算法有三種:最近鄰法，雙線性插值法，三次內插法.由于這里只是為了統一圖像的大小，而且靜脈圖像的灰度突變并不明顯，所以用近鄰法處理就可以滿足本文的要求［3］［4］，即選擇離它所映射到的位置最近的輸入像素的灰度值為插值結果.若幾何變換后輸出圖像上坐標為(x，y)的像素點在原圖像上的對應值坐標為(u，v)，則近鄰插值公式為:g(x，y)=f(x，y)(其中x=［u+0.5］;y=［v+0.5］).

靜脈圖像灰度歸一化.由于進行靜脈圖像采集時的采集條件(例如:采集時間、光照強度、個體手掌厚度差異、溫度等)不同，所采集到的靜脈圖像的灰度分布會有較大的不同.如果同一個人在不同的條件下進行圖像采集，得到的灰度圖像會有明顯的差別，這就給以后的圖像處理和匹配帶來極大的困難，因此在圖像采集后一定要進行歸一化處理，將所有的圖像轉換成同一均值和方差的標準圖像.目前可使用的方法有清華的均值方差歸一化法，灰度歸一化法等.［5］［6］通過實驗可知，采用灰度歸一化法處理的效果比采用均值方差歸一化處理的效果好，因此，我們采用灰度歸一化法，對光照進行歸一化(如下式):Y=((x—min)* 255)/(max—min)，式中:x－原圖像灰度值;Y－變換后的灰度值;min－原圖像中的灰度最小值;max－原圖像中的灰度最大值.

3.2 圖像增強

圖像增強是一種基本的圖像預處理手段，對于一幅給定的圖像，經過圖像增強處理后，就可以突出圖像中的某些關鍵信息，減弱或者消除某些不需要的信息，使處理后的圖像與原始圖像相比更適合某種特定的應用［7］.但是圖像增強并不一定能夠增加原始圖像的信息，相反有的時候甚至會使圖像的部分信息丟失，但圖像增強的結果卻更有利于對特定信息進行識別.可使用均衡法對圖像進行處理.這里我們使用一種改進的均衡化圖像增強算法.均衡化處理是以累積分布函數變換法為基礎的修正法.假定變換函數為:

式中ω 是積分變量，而T(r)就是r 的累積分布函數.該累積分布函數是r 的函數，并且單調地從0 增加到1，所以該變換函數滿足T(r)在0≤r≤1 內單值單調增加.可以證明，用r 的累積分布函數作為變換函數可產生一幅灰度級分布具有均勻概率密度的圖像.其結果擴展了像素取值的動態范圍［8］.圖像處理對比結果如下圖所示:

3.3 圖像分割

圖像分割在手背靜脈識別的整個過程中占據著相當重要的位置，同時也是一個難點.假如得不到高質量的二值化圖像，就無法對圖像進行進一步的處理和識別.由于靜脈圖像的脈絡線條與背景灰度在一定范圍內存在著混疊，利用全局閾值對圖像進行分割必然會把圖像的局部細節忽略，再加上靜脈這種紋線圖像很容易丟失一些很重要的邊界信息，基于這一事實，我們可以采用基于邊界的閾值分割方法進行分割［9］.處理結果如圖2 所示:

3.4 二值圖像的濾波與去噪

圖1 圖像的均衡(原始圖像與均衡化后圖像對比)

圖2 基于邊界的閾值分割

常見的灰度數字圖像噪聲有高斯噪聲、椒鹽噪聲和顆粒噪聲等，運用圖像增強手段處理圖像無法完全清除它們.我們假設白色像素代表背景，黑色像素代表前景圖案，總的來說，二值圖像中的噪聲有以下三種:(1)白色背景中存在黑色的孤立小區域，我們稱之為斑點;(2)黑色前景中存在白色的孤立小區域，我們稱之為孔洞;(3)黑色圖案的邊緣存在微小的突起和凹陷，我們稱之為毛刺.［10］

針對a 和b，可以采取面積消除法，即計算每一塊黑色背景或者白色背景，如果背景面積小于給定的面積，則為噪聲，將其除去.針對c 可以采用中值濾波法.［10］

3.5 圖像細化

圖像的細化是指在保持原圖像拓撲結構的情況下，盡可能地抽出一個單像素寬的骨架的過程.對于靜脈圖像的細化，可以采用一般的條件細化和模版相結合的方法，細化完成后除去特殊的非單像素點即可［11］.圖3 顯示了細化處理的結果:

圖3 圖像細化處理結果

3.6 圖像細化后修復

圖像細化后，常常出現斷點和噪聲點的現象，所以要進行細化修復.修復斷點時可以將最近鄰點直接連接起來，此處可引入一個搜索判據，避免出錯.去除毛刺可以從端點開始，計算毛刺的數量，小于一定閾值的區域就看作毛刺，予以置白.

4 特征的提取與匹配

4.1 特征的選擇與提取

提取特征時要尋找圖像中容易區分的部分，比如紋線的交叉點和端點，尋找這些點的數目和相對位置.同時，紋線的曲率、長短等都可以作為圖像的特征來進行提取，然后將其同預先存入計算機系統中的數據進行比對.

4.2 特征匹配

一副典型的靜脈圖像進行細化處理后可得到大約5～10 個端點和若干個交叉點，所以，可以從這些特征點著手進行匹配.但是由于采集器的限制，所采集到的圖像的清晰度不是很高，處理后的圖像存在很多的偽特征點.為了避免其干擾，可以采用一種局部匹配與全局匹配相結合的的靜脈匹配方法［8］.其實現方法如下:

首先，利用相鄰特征點之間的結構關系為每一個特征點構造局部特征向量，根據局部特征向量對圖像匹配.進行匹配時，設置一套評分標準，對所匹配圖像的相似性來評分，能夠達到閾值分數要求的特征點則認為有可能匹配，然后根據首次匹配得到的特征點，進行第二次的全局性匹配.在局部匹配過程中，可以使用星形結構匹配方法，在全局匹配的過程中，可用相對的坐標匹配法.［5］

4.3 試驗結果和分析

首先按照固定的格式建立手背靜脈圖像數據庫，每個手背在不同的時間取5 幅圖像，共取50 幅圖像作為小型樣本庫，然后進行匹配，匹配結果(系統性能試驗結果):樣本數量:50，匹配次數:48，誤識次數:0，拒識次數:2.

識別率達到了96.0%，誤識率為0，拒識率為4.0%，從這些方面來看，該技術平臺的性能還是可以接受的，但在試驗過程中也發現了該技術及平臺需要改進的地方，主要是平臺的運行速度方面.試驗中發現，運行速度平均為2 秒/次，這個運行速度遠遠不能滿足應用的需求，主要原因是靜脈識別平臺的硬件系統和識別算法需要進一步的改進.另外，本平臺在應用過程中也存在一些問題，例如，圖像的傳遞需要人的參與，軟件無法自動完成，影響了運行效率.因此，解決上述問題需要從硬件和軟件兩方面入手.

雖然該平臺還有待于改進，但對相關技術的研究具有很強的現實和理論意義.該方面的研究在國內還未成熟，但實用用價值很高，因此對該技術及平臺的研究具有很好的發展前景.

［1］燕青宇.手背靜脈身份識別算法研究［D］.北方工業大學碩士學位論文，2012.19－20.

［2］李克峰.基于手背靜脈的身份識別［D］.北方工業大學，2011.21－24.

［3］姚吉.手背靜脈識別圖像的預處理方法研究［D］.長春理工大學，2009.

［4］何斌，馬天予.Visual C++數字圖像處理(第二版)［M］.北京:人民郵電出版社，2002.199－200.

［5］林喜榮，等.人體手背靜脈血管圖像的特征提取及匹配［J］.清華大學學報(自然科學版)，2003，43(2):164－167.

［6］韓學東.正面人臉圖像識別系統研究與實現［D］.哈爾濱工程大學碩士學位論文，2000.21－25.

［7］林曉春，王艷.一種基于圖像融合的紅外圖像增強新方法［J］.紅外技術，2004，26(2):48－50.

［8］劉璐璐.圖像增強算法研究綜述［D］.寧波工程學院論文，2010.7－9.

［9］莊大燕.人體手背靜脈識別技術研究［D］.哈爾濱工程大學碩士學位論文，2006.20－30.

［10］朱叢虎.低質量手背靜脈圖像的增強和分割［D］.安徽大學，2011.

［11］尤海云，王紹純.形態學細化算法在印制電路板中的應用［J］.自動化技術及應用，2003，22(10):18－21.