基于CS的高質量掌靜脈圖像獲取方法*

陶靜靜， 姚善化， 孫熊偉， 曾新華， 朱澤德

(1.安徽理工大學 電氣與信息工程學院，安徽 淮南 232000； 2.中國科學院合肥技術創新工程院，安徽 合肥 230000)

0 引 言

隨著信息化科技的發展，傳統的身份識別不再滿足人們對信息安全性和保密性的需求，生物特征識別技術應運而生。手掌靜脈識別利用活體靜脈特征作為驗證信息，信息隱藏于手掌皮膚內部，具有很好的防盜特性[1]。在掌靜脈識別中，獲取信息量大、清晰度高的高質量靜脈圖像是圖像處理的首要問題[2]。由于每個人身體組織的差異(如不同人手掌脂肪的厚度、皮膚表面的反光率、蛋白質含量等)會影響近紅外光對皮膚的穿透程度，造成部分手掌條件差的人群拍攝出來的靜脈圖像質量差的情況。所以，需要設計可實時調節的光源以針對每個人都能獲得滿足后續處理條件的高質量靜脈圖像。

在國內，華中科技大學的李強采用了850 nm的近紅外光作為靜脈采集光源；張大鵬教授等人選取了890 nm的近紅外發光二極管(light-emitting diode,LED)陣列作為靜脈采集光源；文獻[3]對四種單波長及兩兩波長混合共10種光源照射進行研究，實驗得出760 nm波長效果最好，但考慮到脂肪對960 nm波長吸收較好，最終選取760 nm和960 nm波長混合近紅外光作為光源[3]；目前對靜脈識別采集近紅外光的波長選取還沒有統一的標準。然而上述文獻仍存在不足：光源波長單一，當用戶數量龐大時，采集裝置很難采集到大量高質量的掌靜脈圖像；光強自適應度差，不能根據不同個體的手掌條件自適應調整光強配比。

本文重點研究三種光源組合和光強配比的問題，提出一種多光譜自適應手掌靜脈圖像快速采集系統，該系統可以針對數量巨大的用戶快速采集到大量高質量的手掌靜脈圖像，解決手掌靜脈采集近紅外波段選擇的問題，提高光源配比調節的效率。

1 采集系統硬件設計

本文設計的手掌靜脈采集裝置主要由近紅外LED光源組、互補金屬氧化物半導體(complementary metal oxide semiconductor,CMOS)成像模塊組和光源控制電路幾部分構成。

1.1 近紅外光源組

多光譜掌靜脈成像的基本思想來源于:不同個體對近紅外光的吸收不同，將多種波長光組合，根據不同人群手掌條件及時調整光強配比,可以更精準地采集。人體醫學研究顯示:波長760～940 nm的近紅外光對生物組織具有最強的穿透能力，本文選用760,850 nm和940 nm三種近紅外光，每種光分為4個亮度等級，共64種光強配比組合。

1.2 攝像機選型

圖像傳感器是靜脈圖像攝像裝置的重要構件之一。電荷耦合器件(charge coupled device,CCD)傳感器成像質量高，但功耗高,制造工藝復雜,價格昂貴，而CMOS傳感器功耗低,體積小,價格低廉，且在750～1 000 nm近紅外波段的感光靈敏度比CCD傳感器要高，符合本文要求，因此本文選取CMOS圖像傳感器。

采用OV(OminiVision)公司生產的OV7620CMOS傳感器芯片，專業用于安全監控領域，它體積為1/3 in(1 in=2.54 cm)，分辨率為640×480，傳輸速率高達30幀，在成像質量方面接近CCD傳感器，功耗小，非常適用作手掌靜脈圖像采集的感光芯片。

1.3 濾光片選型

IR700系列濾光片，專業用于人臉識別、指紋識別、紅外傳感等體感互動和紅外通信領域，紅外線700 nm以上波段高透過, 可見光(400～700 nm)不通過。本文選擇 IR700系列的750 nm透紅外濾光片，可以保證高于750 nm波長的近90 %以上的近紅外光通過，還可以有效屏蔽紫外線和可見光的干擾[4]。

1.4 光源控制電路

本文采用MAXIM公司生產的恒流驅動芯片MAX7315作為二極管的驅動電路核心。MAX7315擁有8個GPIO端口，每個端口可配置為具有最大吸收電流50 mA和額定輸出電壓5.5 V的漏極開路輸出；內部集成8位脈寬調制(pulse width modulation,PWM)電流控制，4位全局輸出控制LED電流粗調，共14個亮度級，每個輸出具有各自的4位控制，將全局電流細分16個等級。通過控制輸入端PWM的占空比來調節通過LED的電流，進而控制LED光亮度，實現了光源子系統亮度調節和光譜自動轉換。PWM還具有的優點是使電路中有源器件工作在開關狀態，功耗較小，電路效率高。這樣的光源控制電路具有良好的穩定性和可控性。

2 圖像質量評價方法指標

采用文獻[5]的根據均勻度和清晰度兩個指標的綜合分數作為最終的圖像質量分數。

2.1 基于均勻度的質量評價[5]

將感興趣區域(region of interest,ROI)圖像平均劃分若干小方格，計算每一小方格的灰度均值，將均值中的最大值和最小值之差作為衡量光照均勻度的標準。分割小方格的尺寸由實驗結果確定，計算公式

(1)

式中M[n]為存放各小方格的灰度均值，k為小方格的尺寸，Fn(i,j)為第n塊小方格在坐標(i,j)處的灰度值。

光照均勻度評價分數Qm定義為

(2)

式中Mmax和Mmin為M[n]中的最大值和最小值，M{F}為整個掌靜脈ROI圖像的灰度均值。

2.2 基于清晰度的質量評價[5]

輸入待評價的掌靜脈ROI圖像F，然后使用高斯低通濾波器處理輸入圖像得到二次模糊圖片H

H=F?G

(3)

式中G為高斯低通濾波器，高斯核額的參數定為31×31的尺寸，標準差σ= 5.0；?代表卷積運算。分別在原圖F和模糊圖H中計算相鄰像素灰度差異，得到相應的鄰域灰度差異矩陣T和T′。定量衡量圖像清晰度的公式為

(4)

綜上指標，質量分數的公式定義如下

score=w1(1-Qm)+w2Qd

w1+w2=1

(5)

式中w1和w2為對應指標的權重值，確定w1=0.23,w2=0.77時該方法可以給出相當可靠的評價結果。

3 基于CS算法的靜脈圖像采集實現

3.1 CS算法[6,7]的工作流程如下：

1)定義目標函數f(X)=w1(1-Qm)+w2Qd，X=(x1,…,xd)T，隨機初始化n個鳥巢位置Xi(i=1,2,3,…,n)，設置參數種群規模N為64,問題維數為3,最大發現概率Pa為0.25,最大迭代次數t為1 000等。

2)計算所有鳥巢的目標函數值,得出當前最優函數值。

3)記錄上一代最優函數值和鳥巢位置，利用Levy飛行式(6)對其他鳥巢進行位置更新

(6)

式中α為步長控制量，其值服從正態分布；⊕表示點對點乘法。L(λ)表示布谷鳥的隨機搜索路徑，其與時間t的關系服從Levy分布

Levy(β):μ=t-λ,1<λ≤3

(7)

4)用新鳥巢的函數值與上一代最優函數值比較，若較好則保留，結果得到一組較好的鳥巢位置。

6)找到步驟(5)最優的鳥巢位置，判斷算法的終止條件：若迭代次數t達到迭代上限或誤差ε達到精度要求，則停止搜索；反之，返回步驟(2)繼續尋找最優鳥巢位置[8]。

3.2 自適應光源采集系統流程

1)令近紅外LED在預設值上工作；2)CMOS攝像機采集靜脈特征圖像，并傳給上位機，上位機對原始圖像進行處理并給出質量評價分數；3)利用CS算法搜索符合高質量需求的手掌靜脈圖像；4)輸出高質量光源配比數據，或者調整光源繼續搜索直到采集到符合精度的高質量的手掌靜脈圖像。

4 實驗仿真

4.1 基于CS算法的光源亮度自適應調整

為研究高質量手掌靜脈圖像所適應的三種近紅外光強度配比范圍，自建50人的小型手掌靜脈數據庫進行實驗，數據來源為校內學生志愿者，其中男性、女性比例為1∶1。采集步驟如下：

1)首先在760，850 nm和940 nm波長的近紅外光混合照射下，拍攝50名志愿者的靜脈圖像，每位志愿者拍攝64張不同光強配比靜脈圖像準備對比實驗。

2)利用圖像質量評價系統給出每張靜脈圖像的一個質量評價分數，將單個志愿者的64個質量評價數據連成一條曲線，觀察規律。以下是實際測試任選2名志愿者的質量分數曲線圖如圖1。

圖1 靜脈圖像質量分數

其中，“均值”曲線是50名志愿者的64個圖像質量評價分數分別對應相加取均值得到的質量分數。觀察圖可得，不同光強配比之下圖像質量的分數總體上呈現出相似的波動規律。

3)利用MATLAB軟件將圖1中“均值”曲線上各點繪制成一個彩色三維散點圖，如圖2所示：坐標軸x，y，z分別代表760，850 nm和940 nm波長的近紅外光線，每種波長的光分為4個強度，圖中的64個點代表64張手掌靜脈圖像，從紅色到藍色分數逐漸降低，分數越低質量越好。

圖2 圖像質量三維散點

由圖2可觀察出:藍色點區域內靜脈圖像質量較高，對應的光強配比好，經大量實驗證明：圖片質量評價分數在0.3以下可以得到清晰的高質量掌靜脈圖像。

4.2 自適應光源采集實驗結果分析

為了驗證模型選擇的正確性，將本文CS算法與典型的窮舉法、隨機選擇法作對比實驗。

1)窮舉策略:通過調控紅外光源的光強,依次窮舉760，850 nm和940 nm波長近紅外線的4個等級光強嘗試。50名志愿者依次嘗試，直到遇到質量分數滿足需求停止，記錄光源配比嘗試的次數。

2)隨機分配策略:50名志愿者依次嘗試隨機獲取的光源強度配比，直到遇到質量分數滿足需求停止，記錄光源配比嘗試的次數。

3)CS算法:利用CS算法在Cube圖中質量分數0.3以下的藍色點區域搜索優秀光源配比上的優勢，通過不斷地搜索優秀光源配置，針對每個志愿者進行光源配比搜索嘗試，直到搜索出優秀的光源配比滿足靜脈采集對圖片質量的要求則結束，整個過程記錄CS算法的搜索次數。

4)最后，統計整個50名志愿者實驗過程中調節光源配比嘗試的次數，統計如圖3。

圖3 三種方法識別性能對比

從圖中可以看出:窮舉法性能最差，迭代次數遠高于另外兩種算法，性能數據依賴性強、穩定性較差，不適于實際使用；隨機搜索法相對于窮舉法性能略有提升，但是仍存在搜索性能不穩定的問題；從圖3可明顯看出:CS算法的搜索能力遠高于窮舉法和隨機搜索法，其穩定和快速的搜索表現更利于實際的在線靜脈質量檢測需求。

5 結 論

本文算法有效提高了在線靜脈圖像識別應用中快速篩選高質量靜脈圖片的能力，同時改善了不同用戶對靜脈采集時光源配比的差異化需求，為后續基于靜脈圖像的認證識別處理提供了更好的基礎和鋪墊。