手指靜脈特征提取分析與對比

梁雪慧 趙 菲 程云澤 張瑞杰

（天津理工大學a.天津市復雜系統控制理論與應用重點實驗室；b.電氣電子工程學院）

手指靜脈識別在現代生物識別領域中具有重要的地位［1］，相比其他生物識別（如人臉、指紋、虹膜及語音等），手指靜脈識別具有不易俘獲、識別數據小及安全性高等特點。

靜脈識別首先要從近紅外圖像中獲得較為完整的靜脈結構， 然后提取靜脈完成身份識別。因此，從近紅外圖像中獲得較為完整的靜脈線結構成為至關重要的工作，靜脈提取算法的優劣直接關系到匹配識別的效果，甚至對整個靜脈識別系統的性能產生重大影響。 因此，筆者深入研究了靜脈提取的方法，以提高識別系統的性能。

現有的靜脈特征提取方法中一類是基于機器學習的方法，另一類是通過研究圖像的靜脈紋路。 基于機器學習的方法其主要思想是從原始灰度圖像中直接提取特征，已有的研究有：通過減少維數，獲得靜脈圖像主要成分分量特征的主成分分析法（PCA）［2］；利用HOL特征提取獲得靜脈的線性響應和方向的基于2DHOL 特征與2D_2FPCA的方法［3］；通過重新定義類間離散度矩陣的雙邊二維線性判別分析（MB2D-LDA）方法［4］；利用流形學習的基本思想進行降維的正交鄰域保持投影（ONPP）方法［5］；還有一些利用稀疏表達等方法來對靜脈特征進行提取的方法［6］。 研究圖像的靜脈紋路這類方法是將圖像中靜脈紋路分割出來進行特征提取，有Gabor濾波器［7］、重復線性追蹤［8］及最大曲率［9］等方法。 筆者主要是針對第2類的靜脈特征提取方法進行研究分析。

1 圖像預處理

1.1 圖像歸一化

通過采集設備獲取的原始手指靜脈圖像中由于包含了大量的背景信息，例如平移、旋轉、縮放和不均勻照明，這些信息對于圖像的分析完全沒有意義，且會增加算法的處理時間，所以首先應提取出采集圖像的感興趣區域（ROI），再進行尺度和灰度的歸一化，提供更加準確的特征區域給后續的操作，從而提高靜脈識別系統的性能。

1.2 圖像增強

成像設備通常采用近紅外（NIR）透射照明，采集過程中多種光散射占主導地位，因此手指靜脈圖像的質量始終很差，因為散射會大幅降低靜脈和非靜脈區域之間的對比度，直接對靜脈紋理進行提取，會導致一部分靜脈信息丟失，也可能會誤識背景信息，產生偽靜脈，這對之后的匹配和識別造成巨大的影響，因此在特征提取前要對靜脈圖像進行增強處理。

對比度受限自適應直方圖均衡化［10］（Contrast Limited Adaptive Histogram Equalization，CLAHE）方法，最初是為醫學成像而開發的，并已被證明可以成功地增強低對比度圖像，例如射野驗證片（Portal Film，PF）。 它實際上是改進的插值自適應直方圖均衡方法， 其基本思想是對比度限幅，即限制局部直方圖的高度，用以限制過分放大的噪聲和過度增強的局部對比度。 算法步驟如下：

a. 將原始圖像分成互不重疊且大小相等的M×N個子區域，并計算每一個子區域的像素個數Numi和直方圖Hi（l）。

b. 求子區域的裁剪極限βi，βi=［1+α（s-1）］·Numi/li。 其中，α為截斷系數，α∈［0，1］；s為裁剪斜率；li為第i個子區域的灰度級數。

c. 按照特定的步長對Hi（l）進行循環搜索，如果某一個灰度級的像素個數大于其βi， 則將它裁剪到βi以內， 并將剩余的像素個數分配給像素個數小于βi的灰度級，遍歷所有灰度級。

d. 對每個子區域對比度進行限制后，將其直方圖進行均衡化處理。

e. 利用雙線性插值求每個像素點的灰度值。將每個子區域中心位置像素點的灰度值作為參考點。

從圖1可以看出， 處理后的圖像暗色區域內的模糊效果得到很好的增強， 使得圖像更加清晰，對比度更高。

圖1 高低質量圖像增強后效果

2 靜脈特征提取

2.1 Gabor濾波器

Gabor濾波器已被廣泛用于模式分析，因為它可以有效地捕獲圖像中具有不同頻率和方向的有用特征。 Gabor濾波器的實部稱為偶數對稱Gabor濾波器，通常用于從生物特征圖像中提取特征：

其中，xθ=xcosθ+ysinθ，yθ=-xsinθ+ycosθ，θ表示法線相對于Gabor函數的平行條紋的方向，λ是正弦因子的波長，ψ是相位偏移，σ是高斯包絡的標準偏差，γ是空間長寬比。

假設I（x，y）是輸入圖像，Fk（x，y）表示方向索引處對應的Gabor濾波圖像之一。 Fk（x，y）可以這樣獲得：

其中，k=1，2，3，…，n；*表示卷積運算符。

2.2 重復線性跟蹤

重復線性跟蹤的思想是根據水平和垂直方向上的預定義概率按照選定的方向跟蹤圖像中的靜脈，并隨機選擇起始種子，整個過程重復執行一定次數。

該方法基于在各個位置開始的線性跟蹤。 首先識別出局部暗線，并通過沿線逐像素移動來執行線性跟蹤。 當無法檢測到黑線時，新的跟蹤操作將從另一個位置開始。 通過重復執行這樣的局部線性跟蹤操作， 可以跟蹤圖像中的所有暗線。最終，線的位置重疊并且統計獲得手指靜脈的圖案。

首先確定線性跟蹤的起點和移動方向。

線性跟蹤的起點是（xs，ys），即當前跟蹤點（xc，yc）的初始值為（xs，ys），這是從手指輪廓內像素點的集合Rf中選擇的一對均勻隨機數。此后，確定移動方向屬性Dlr、Dud。 Dlr和Dud是防止跟蹤點跟隨曲率過大的路徑參數。 Dlr和Dud分別確定如下：

其中Rnd（n）是0～n之間的隨機數。

其次檢測暗線的方向和移動跟蹤點：

a. 軌跡位置表Tc的初始化。 跟蹤點移動到的位置存儲在軌跡位置表Tc中。

b. 確定當前跟蹤點可以移動到的像素組Nc，Nc=Tc∩Rf∩Nr（xc，yc），其中Nr（xc，yc）是（xc，yc）的相鄰像素的集合。

c. 檢測當前跟蹤點附近的暗線方向，為了確定當前跟蹤點（xc，yc）應該移動到的像素，需要計算線性評估函數，該函數反映了當前跟蹤點周圍的橫截面輪廓中的谷底深度。

d. 在軌跡位置表Tc中記錄軌跡并移動跟蹤點，當前跟蹤點（xc，yc）被添加到軌跡位置表Tc中。之后，如果Vl為正，則將（xc，yc）更新為Vl最大的（xi，yi）。

最后重復執行步驟b～d。

步驟d中的線性評估函數為：

其中，W是輪廓的寬度，r是（xc，yc）與橫截面之間的距離，θi是線段（xc，yc）-（xc+1，yc）和（xc，yc）-（xi，yi）之間的角度。

2.3 最大曲率法

最大曲率法主要通過搜索靜脈圖像橫截面輪廓的曲率局部最大位置來檢測中心線。

首先，提取具有各種寬度和亮度的靜脈中心線，檢查手指靜脈圖像的橫截面輪廓。 因為靜脈比周圍區域暗，所以靜脈的橫截面輪廓看起來像是凹痕。 這些凹曲線具有較大的曲率，因此可以通過計算橫截面輪廓中的局部最大曲率來獲得靜脈的中心位置。

假設F為手指靜脈圖像，F（x，y）為對應像素點（x，y）的灰度值，將F（x，y）在位置z處的剖面圖定義為Pf（z），則曲率kz可以表示為：

其次， 為了連接靜脈中心點并消除噪聲，檢查中心點像素右側的兩個相鄰像素和左側的兩個相鄰像素。 如果（x，y）與兩側的像素值都較大，則水平繪制一條線；如果（x，y）的值較小且兩側的像素值較大，在（x，y）處會產生間隙，因此應增加（x，y）的值以連接線路；當（x，y）具有較大的值而兩側的像素具有較小的值時， 噪聲點位于（x，y），因此應減小（x，y）的值以消除噪聲。以相同的方式對4個方向均進行該操作。

最后，使用閾值對靜脈圖案G（x，y）進行二值化。 值小于閾值的像素被標記為背景，值大于或等于閾值的像素被標記為靜脈區域。 假設G（x，y）中值的直方圖在形式上是兩相的，因此確定閾值以使G（x，y）中值的組之間的離散最大。

3 實驗對比

將采用Gabor濾波器、重復線性跟蹤和最大曲率法3種特征方法提取的靜脈圖像進行對比，結果如圖2所示。

圖2 不同特征提取方法的效果

由圖2可以看出，3種特征方法表現都較為優良，其中重復線性跟蹤法受預先設置的參數和迭代次數影響較大，在實驗中迭代的次數為200 000次，仍有部分細小的靜脈特征被遺漏，且運算效率低，不適用于實時靜脈識別系統中。 最大曲率法的靜脈結構得到了增強，但是背景噪聲也被突出顯示了，這可能會從生成的靜脈結構中產生虛假匹配。 Gabor濾波器提取出來的靜脈較為完整，提取的靜脈結構非常適合原始圖像的血管拓撲結構，并且很好地抑制了伴隨的噪聲。

4 結束語

特征提取是靜脈識別最重要的一環，提取出的特征好壞直接影響到識別效果。 筆者通過對3種不同特征提取方法提取的圖像進行對比，結果表明使用Gabor濾波器進行特征提取，提取出的靜脈線具有更高的完整性，但沒有對運算效率進行研究，今后可以將提高特征提取算法的效率作為一個新的研究方向。