基于盒維的手掌靜脈識別算法

郭秀梅,王成義

山東農業大學 信息科學與工程學院,山東 泰安 271018

生物識別技術是利用人的唯一性、可測量性和穩定性的生理特征或行為特征進行身份鑒別的技術。靜脈血管除了常見生物特征所具有的普遍性、唯一性、可采集性和穩定性外，還具有自身的優勢：相比指紋、掌紋識別，靜脈血管位于手掌皮膚底下，單憑肉眼無法看到，因此難偽造或是手術改變；相比DNA、虹膜識別，手掌靜脈采用非接觸式采集裝置，采集過程十分友好，使用手掌也較為自然，用戶容易接受。這些特點使得靜脈識別技術近年來成為國內外研究者的研究熱點之一。

現有的靜脈識別算法大致分為基于幾何特征和基于子空間兩類[1]。基于子空間的方法是將高維特征投影到維數較低的子空間，在低維空間進行識別地方法，主要的方法有：利用主成分分析（Principal component analysis，PCA）[2]、線性判別分析（linear discriminant analysis，LDA）[3]、fisher線性判別分析（Fisher linear discriminant，FLD）[4]、LPP(Locality preserving projection)[5]和LDP方法(Local derivative pattern)[6]。基于幾何特征的方法是主要根據靜脈的幾何特征如曲線分布形狀等，提取時域或變換域的特征，典型的方法有：基于gabor變換的掌靜脈特征提取方法[7]和提取靜脈的紋理特征方法[8-11]。

靜脈血管的分布具有相對穩定性，并且結構上具有自相似性，具有很好地分形特征。分形理論是20世紀數學科學的最有價值的發現之一，它將圖像建模問題轉化為簡單的幾何問題，為描述圖像的幾何特性提供了新的途徑和方法。自然界中物理表面的粗糙程度不同，反映在分形理論中則表現為具有不同的分形維數。因此物體如果具有很好地自相似性，并且具有很好的紋理特征，就可以用分形維數表征。盒維是分形維數中最為直觀的一種，在各個研究領域具有廣泛的應用。因此本文將分形思想引入到手掌靜脈識別中，首先驗證手掌靜脈具有分形特性，提出了基于盒維的手掌靜脈識別算法，實驗表明盒維可以很好的提取手掌靜脈紋理特征，取得比較理想的識別效果。

1 基于盒維的手掌靜脈特征提取

1.1 盒維

盒維的經驗估計和數學計算相對簡單易懂，是分形維數中比較直觀的一種，因此盒維廣泛的應用于圖像處理等各個領域。

設F是Rn上的任意非空的有界子集，Nδ(F)是直徑最大為δ，則F的上、下盒維數分別定義為：

當上下盒維數值相等時，這個共同的值即為F的盒維數，記為

實際計算時，該方法非常困難。在計算圖像的盒維時，一般采用采用Sarkar和Chaudhuri提出的差分盒維(Differential Box Counting)[13]近似估計。該方法將圖像理解為三維空間的曲面（x，y為三維空間的橫縱坐標，灰度值看成z坐標），把該曲面用大小為s×s×s的盒子進行分割成網格。對于每個網格中的像素，最大的灰度值用GMAX表示，最小的灰度值GMIN用表示，則該網格所需要覆蓋的盒子數為：

所有網格所需盒子數之和，即為靜脈圖形的盒子數：

盒維為：

針對不同的r，我們可以獲得不同的Dr，然后使用最小二乘法計算圖像的盒維。

1.2 提取

手部靜脈血管部分屬于皮下組織，如果用可見光照射時，不能獲取清晰的靜脈血管的紋路圖像，經驗證，血液中的血紅蛋白可以吸收波長為760 nm和850 nm的近紅外光，這是血紅蛋白所特有的性質，人體其他組織沒有這樣的特性。要想采集靜脈血管的分布圖，光源一般采用波長為0.72～1.10 μm范圍的光照射手掌。近紅外光可以透過人體骨骼和肌肉，只有血液中的血紅蛋白可以吸收該范圍波段的光，在CCD或CMOS傳感器采集的圖像中呈現陰影，該陰影的形狀即為靜脈血管的分布。香港理工大學多光譜掌紋數據庫，包括四種波長的圖像，其中近紅外圖像采用的是880 nm波長的近紅外光，可以很好的采集到手掌靜脈圖像，采用文獻[14]中的分割辦法，可以得到靜脈圖像的有效區域部分，大小為128*128。圖1給出了四個手掌的手背靜脈圖像的有效區域部分。

圖1 數據庫中4個不同手掌的靜脈有效區域的樣本圖像Fig.1 The ROI images of four different palm veins from database

在手掌靜脈盒維特征提取時，為了更好的反應手掌靜脈的局部特征，可以用網格對圖像進行劃分成若干子區域，設靜脈有效區域的大小為128*128，用I(x,y)表示，網格的大小設為S×S。在該網格的劃分下，靜脈圖像可以劃分為m*m（m=128/S）個子區域。對每個子區域計算出對應的盒維。如果每個網格的大小為4*4，則每個手掌有效區域得到的盒維為：32*32。圖1中手掌靜脈對應的盒維特征分別如圖2所示。

圖2 靜脈圖像有效區域的盒維特征Fig.2 Characteristics of box dimension in effective regions of the vein images

從圖2可以看出，四個靜脈樣本所得到的盒維特征各不相同，由此可以得出靜脈圖像具有很好的分形維特性。

1.3 分類器

設靜脈盒維特征用BD表示，如果兩個盒維特征來自同一個手掌，定義為正確匹配，否則為錯誤匹配。訓練樣本的盒維特征用BDd1表示，待測樣本的盒維特征用BDd2表示，本文采用的分類器是相關分類器，其計算公式為：

靜脈類內和類間盒維特征的相關性分布情況如圖3所示，從圖中我們可以看出，類內和類間的盒維特征相關性都出現了峰值，類內為0.7左右，類間為0.196左右。兩者相差較大，具有明顯的差異性。利用相關分類器可以很好地區分類內靜脈盒維特征和類間靜脈盒維特征。

2 結果與分析

香港理工大學多光譜掌紋數據庫[15]，該掌紋庫里共有來自250個志愿者，其中195人為男性，年齡分布20～60之間，分兩次采集多光譜掌紋圖像，平均間隔時間為9 d。每次采集每個志愿者的左右手，每只手采集6幅圖像，共6000幅掌紋圖像。該系統裝置可以同時采集四個光譜的圖像，波長為660 nm的紅色，波長為525 nm的綠色，波長為470 nm的藍色和波長為880 nm的近紅外光。其中880 nm的近紅外光可以很好的采集到手掌靜脈紋路圖像，因此近紅外光采集的圖像也就是掌紋靜脈圖像。本文提出的算法就是在多光譜掌紋數據庫近紅外光采集的圖像上進行的實驗。我們使用每個靜脈第一次采集的圖像作為訓練樣本，第二次采集的樣本作為測試樣本。實驗驗證了網格大小對識別率的影響，并且與常用算法進行了比較。

盒維特征的大小受網格大小的影響，不同大小的盒維特征對識別率又有影響，為了驗證該結論，本實驗對靜脈圖像采,4種大小的網格進行劃分，網格大小分別為4*4,8*8,16*16和32*32，對應的靜脈圖像被劃分成32*32,16*16,8*8和4*4個子圖像。這4中劃分情況下的特征提取時間、匹配時間和識別結果見表1。從表中可以看出，網格越大，盒維的特征維數越低，提取時間就越短，但等錯誤率卻越大。雖然靜脈識別速度也非常重要，但是正確的識別率是識別系統最重要的因素。因此本文選擇了耗時最長，但等錯誤率最低的4*4的網格劃分。

表1 不同網格特征提取時間、匹配時間和識別結果比較Table 1 Comparison of extraction time,matching time and recognition results from different grid sizes

表2給出了幾種典型的手掌靜脈識別算法的對比結果，從該表中可以看出，本文的具有更好的識別效果。

表2 與常見算法的比較Table 2 Comparison between the proposed algorithm and popular algorithm

圖3 靜脈盒維特征類內和類間相關性分布圖Fig.3 Statistical distribution of box

圖4 本文算法的FRR和FAR曲線分布圖Fig.4 FRR and FAR curve distribution of the proposed algorithm

圖4 給出了di盒me維ns識ion別 no的rm錯al誤ize拒d c絕orr率ela(FtioRnR)和錯誤接受率(FAR)。從圖中可以看出，系統的等錯誤率為0.7%，此時閾值為0.425。

3 結論

手掌靜脈識別是生物特征識別技術非常熱門的方向，而分形理論也是近年來圖像處理中比較熱門的研究方向，本文首次將兩者有效的結合起來，提出了基于盒維的手掌靜脈識別算法，獲得的等錯誤率最低。

[1]Zhou YB,Kumar A.Human identification using palm vein images[J].IEEE Transactions on Information Forensics and Security,2011,6(4):1259-1274

[2]Liu J,Xue D,Cui J,et al.Palm-dorsa vein recognition based on kernel principal component analysis and locality preserving projection methods[J].Journal of Northeastern University,2012,33(5):613-617

[3]LeeYP.Palmveinrecognitionbasedonamodified(2D)(2)LDA[J].SignalImage&VideoProcessing,2015,9(1):229-242

[4]Liu J,Zhang Y.Palm-dorsa vein recognition based on two-dimensional Fisher linear discriminant[J].Journal of Computer Applications,2010,30(3):550-552

[5]Liu J,Xue DY,Cui JJ.Palm-dorsa vein recognition based on locality preserving projection[J].Journal of Information and Computational Science,2011,8(6):3911-3919

[6]Mirmohamadsadeghi L,Drygajlo A.Palm vein recognition with local binary patterns and local derivative patterns[C].2011 International Joint Conference on Biometrics,2011:1-6

[7]Ma X,Jing X,Huang H,et al.Palm vein recognition scheme based on an adaptive Gabor filter[J].Iet Biometrics,2017,6(5):325-333

[8]Han D,Guo ZH,Zhang D.Multispectral palmprint recognition using wavelet-based image fusion[J].International conference on signal processing,2008,12(4):2074-2077

[9]Lee JC.Anovel biometric system based on palm vein image[J].Pattern Recognition Letters,2012,33(12):1520-1528

[10]HanWY,LeeJC.PalmveinrecognitionusingadaptiveGaborfilters[J].ExpertSystemwithApplications,2012,39(18):13225-13234

[11]Zhang DP,Guo ZH,Lu GM.Online joint palmprint and palm vein verification[J].Expert Systems with Applications,2011,38(3):2621-2631

[12]苑瑋琦,李 威.基于特征參量空間的掌脈識別方法研究[J].儀器儀表學報,2013,34(4):853-859

[13]Sarkar N,Chaudhuri BB.An Efficient Approach to Estimate Fractal Dimension of Textural Images[J].Pattern Recognition,1992,25(9):1035-1041

[14]KongWK,ZhangD,LiW.Palmprintfeatureextractionusing2-DGaborfilters[J].PatternRecognition,2003,36(10):2339-2347

[15]PolyU palmprint database[Online],available:http://www.comp.polyu.edu.hk/biometrics/,October 20,2009