手指靜脈識別技術

任李

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

關鍵詞 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，憑借其獨特的優勢受到了高度關注。手指靜脈識別是對現有生物特征識別技術的有益補充，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，有著廣闊的應用前景。

1圖像預處理

手指靜脈圖像預處理的質量，影響著后續工作的開展。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對圖像進行灰度增強，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練和識別兩個步驟（如圖2）。

訓練步驟如下：

（1）讀取手指靜脈圖庫中的樣本，并選定訓練樣本。

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

（3）利用主成分分析法構建特征子空間，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）將訓練樣本數據歸一化。

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

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）將測試樣本數據歸一化。

（4）將特征向量輸入至SVM分類器進行分類識別。

3仿真結果分析

實驗選取了經過預處理的600張手指靜脈圖像，共有60類，每類樣本10張。其中訓練樣本360張（606），測試樣本240張（604），所有樣本大小都已經歸一化到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，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、徑向基核函數下的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。

通過對兩種核函數下的SVM對手指靜脈圖像識別的識別效果進行對比發現，線性核函數下的SVM最高識別率大于徑向基核函數下的SVM，并且識別速率方面，線性核函數下的SVM要優于徑向基下的SVM，所以綜合識別率和識別時間兩個因素得出結論：對于基于Gabor+PCA+SVM的手指靜脈識別，當選擇線性核函數，特征維數選取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結束語

本文選取了線性核函數和徑向基核函數進行比較分析，發現兩種情況下最優識別率差別并不是很大，但線性核函數相對來說效果更好一些。但是實驗中發現，當選取徑向基核函數時，對于參數的選擇要求特別高，如果與網格搜索產生的最優參數出現一定的偏差實驗結果會很不理想，而線性核函數對參數的要求并不是很高。并且，當選擇徑向基核函數時，隨著特征維數的增加，識別率并不能趨于一個穩定的值，而且識別率穩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