基于精選SURF特征點的手指靜脈識別算法

黃易豪，周穎玥*，徐 蘇，劉銀輝

(1. 西南科技大學信息工程學院，四川 綿陽621010；2. 西南科技大學特殊環境機器人技術四川省重點實驗室，四川 綿陽 621010；3. 中國科學院光電技術研究所，四川 成都 610000)

1 引言

手指靜脈識別技術以其活體性、唯一性、穩定性、普適性、難偽造以及造價成本適中的優勢[1]，在生物特征識別領域得到了廣泛關注，適用于安全需求等級較高的應用場合。

利用手指靜脈血管中的紅細胞能吸收近紅外光的原理進行成像[2]，然后從靜脈圖像中提取特征并搭配合適的分類算法來進行身份驗證，是現下較為通用的手指靜脈識別方法[3-4]。為了讓采集過程中出現的一些質量不佳的圖像有更多的可識別信息，通常會在特征提取之前采用一些圖像增強技術來改善圖像質量，如：利用能選擇方向和尺度的Gabor濾波技術[5]，可較好的增強靜脈紋理信息；還有能增加圖像對比度的直方圖均衡技術[6]；以及基于數學形態學的圖像增強方法[7]等。

手指靜脈特征提取方法可以分為全局特征提取和局部特征提取兩類，在全局特征提取中，比較典型的一種方法便是主成分分析法(Principal Component Analysis，PCA)[8-10]，王科俊等人將PCA與小波矩相結合來減少手指靜脈信息的冗余度，同時改善了全局特征維數過高且信息量單一的不足，后又提出歸一雙向加權 (2D)2PCA的方法來加快靜脈圖像特征矩陣的訓練速度與后期識別的速度；李菲等人通過對圖像的方向梯度直方圖進行改進來獲取ngHOG描述符并與PCA和稀疏表示分類(Sparse Representation-based Classifier，SRC)相結合來識別圖像，該方法對光照不均等問題有較好的魯棒性；但上述方法在圖像中靜脈區域較少的情況下有錯誤識別的情況。局部特征包括常見的局部二值模式(local binary pattern， LBP)[11]、局部線性二值模式(Line Local Binary Pattern，LLBP)[12]、尺度不變特征變換(Scale-invariant feature transform，SIFT)[13]以及加速穩健特征(Speeded Up Robust Features，SURF)[14]等提取方法，其中LEE等人利用支持向量機(Support Vector Machine， SVM)將提取到的LBP特征進行分類，并對每類賦予不同的權重，最后以漢明距離計算相似性來完成手指靜脈識別；在LBP的基礎之上，劉菲等人[15]提出了一種基于細節點的奇異值分解法，通過將分割后的靜脈紋理細化，然后統計細化紋理中端點及交叉點的特征，利用較為精確的特征點配對方法通過匹配得分完成手指靜脈識別，但這兩種方法對旋轉偏移的魯棒性較低；文獻[13]中，孟憲靜等人通過提取指靜脈圖像中的SIFT特征進行識別，能較好的解決手指靜脈在采集過程中出現的旋轉偏移問題，但不能精準定位靜脈上的特征點。此外，Cihui Xie等人[16]利用卷積神經網絡(Convolutional Neural Network，CNN)來進行手指靜脈的識別，其優勢在于不需要主動提取特征，而是通過網絡自適應獲取有價值的特征信息來用于識別，但訓練集的質量和容量對神經網絡的訓練有較大的影響，當訓練集不足時，所得網絡識別性能不佳。總的來說手指靜脈識別是一個有著較大研究價值的問題，是目前生物特征識別領域的熱點。

為了提高手指靜脈識別技術的精度，本文針對手指靜脈圖像中存在的旋轉、偏移及光照不均等問題，提出了一種基于精選SURF特征點的手指靜脈圖像識別方法；先利用圖像增強技術改善圖像質量，使其能被檢測出更多有用特征點，然后利用靜脈紋理的分割圖像對SUR-F特征點進行約束，此方法能有效提取圖像中與靜脈相關的特征點信息，從而提升識別精度。

2 算法實現流程

如圖1所示，本文方法分為線上和線下兩個部分：首先在線下對所錄入的手指靜脈圖像進行預處理，主要涉及感興趣區域(Region of Interest，ROI)的提取：首先利用Sobel算子檢測圖像中手指靜脈邊緣，然后根據邊緣內切線剪切出手指靜脈區域；預處理后，對圖像進行Gabor濾波與對比度受限的自適應直方圖均衡(Contrast Limited Adaptive Histogram Equ-alization，CLAHE)[17]相級聯的圖像增強操作，并利用反射率圖像進行靜脈紋理分割；然后對增強后的圖像進行SURF特征點檢測，同時根據分割圖像對特征點進行篩選；最后生成精選后的含有標簽的SURF特征點描述符集合。線上的部分則是對被測圖像進行識別的過程，首先對輸入的被測圖像進行與訓練庫中圖像相同的操作，然后將生成的SURF特征點描述符與線下保存的描述符集合進行匹配，即可得到識別結果。

圖1 手指靜脈識別算法框架示意圖

3 基于Gabor濾波與CLAHE級聯的圖像增強模型

如文獻[18]中所述，Gabor濾波器可通過調節其頻率帶寬w、波長λ、空間縱橫比γ、角度θ對圖像進行不同方向及尺度上的增強，但濾波后圖像的灰度值仍處于一個較小的范圍；為了在拉伸灰度范圍時抑制噪聲信息的放大，本文采用Gabor濾波與CLAHE相級聯的濾波器對指靜脈圖像I進行增強，I的大小為M×N。

一個二維Gabor濾波器的核函數為

(1)

其中

(2)

式中θa表示所需濾波的方向，(i，j)為核函數的大小，σ為Gabor核中高斯因子的標準差，由λ、w、γ三個參數表示

(3)

將Gabor核函數與手指靜脈圖像I卷積來完成濾波，得到增強后的圖像I′(由歐拉公式可知該核函數包含實部和虛部兩個部分，在計算時需先分開計算再融合)

(4)

圖2展示了當θa=a×22.5(a=0，1，2…7)時對圖像濾波的效果。

圖2 指定方向Gabor濾波示意圖

圖3 手指靜脈圖像增強示意圖

4 靜脈紋路SURF特征點提取與約束

SURF特征提取算法建立在SIFT特征提取算法之上，同樣擁有旋轉、偏移不變性，且擁有比SIFT特征點維數低、提取速度快以及對噪聲的魯棒性更高的特點。

4.1 SURF特征點提取算法簡述

SURF特征提取算法可分為特征點的提取與描述符的生成兩個部分。首先利用高斯模板對圖像進行卷積，可以在像素點(x，y)處得到一個帶有尺度信息的Hessian矩陣，表達式為

(5)

式中L(x，y，σ′)代表著圖像與高斯函數二階微分在點(x，y)處的卷積，σ′為尺度信息。為了降低運算復雜度，SURF算法采用Box Filter模板(Dxx、Dyy、Dxy)近似代替二階高斯濾波模板來求得Hessian矩陣的判別式：

Det(Happrox)=DxxDyy-(0.9Dxy)2

(6)

此時需設置閾值S，若Det(Happrox)>S，則認為是感興趣點。然后利用差分尺度空間對感興趣點進行3×3×3鄰域的非極大值抑制，以去除其中的非極值點，并采用線性插值法尋找極值點鄰域內的精確位置。

特征點提取完成后，根據特征點的Harr特征來確定特征點的主方向，然后以特征點為中心，將其以主方向為基準的正方形鄰域劃分為一個4×4的區塊，統計每個子區域內與主方向垂直、水平的Harr小波響應(并用高斯函數加權)，從而得到垂直方向與水平方向小波響應的加權和及響應絕對值的加權和：∑dx、∑dy、∑|dx|、∑|dy|，所以每個特征點可以得到一個4×4×4的描述向量。最后再對這個64維向量進行歸一化就得到了最后的SURF特征點描述符。

圖4顯示了同一手指靜脈圖像在不同增強算法下的SURF特征點提取狀況。圖中圓圈示意著特征點的位置及個數，由于原始指靜脈圖像的對比度較低，所以圖4(a)沒有檢測出特征點。在經過一系列圖像增強算法后，圖像中能被檢測出的特征點開始增多，數量關系為：圖(d)>圖(c)>圖(b)；特征點數量的增加意味著特征信息更加豐富，但過多的特征點將增加計算復雜度，同時因圖像背景、光照不均等因素而檢測出的特征點將影響圖像的識別準確度。因此，本文提出了利用靜脈分割圖像來約束特征點的方法，去除掉冗余的特征點，篩選出僅與靜脈相關的關鍵特征點，以此提升識別精度和效率。

圖4 SURF特征點分布圖

4.2 靜脈圖像分割與特征點約束

由于手指靜脈圖像的強度Y可以通過圖像的光照度Ic與反射率r相乘獲得

Y=Ic×r

(7)

此處的Y即為上文中的I′，而Ic可由I′與高斯核函數gs卷積來預估，則可得圖像反射率為：

r=I′/(I′*gs)

(8)

然后對r采用OTSU[19](最大類間法)分割出手指靜脈紋理的二值圖像(區間為[0，1])，如圖5所示，由于Ic是在gs的基礎上預估得到的，所以選用具有恰當尺寸的gs核將得到準確的靜脈分割圖像。

圖5 不同gs尺寸對應的二值圖像

表1 靜脈特征點屬性

由于光照變化的影響，在SURF感興趣點檢測過程中，會檢測出一部分邊緣點，這部分特征點可能導致錯誤的識別結果；當t=6時，所篩選的特征點更適合用于識別，但其數量不足以用來完成大范圍內的識別，所以本文采用t≥6來完成識別，能得到較好的結果。

5 識別與匹配

6 實驗結果與分析

6.1 實驗環境、數據庫及指標說明

在Windows 10系統的MatlabR2016a平臺上，根據本文方法分別對公共手指靜脈數據庫SDUMLA[20]及PolyU[21]進行了實驗，并通過分析實驗結果來驗證本文方法的有效性：

在SDUMLA手指靜脈數據庫中，有636類不同源的手指靜脈，其中每類包含6張指靜脈圖像，共計3816張圖像，每類選取3張圖像作為訓練集，另外3張作為測試集，每張圖像的尺寸大小為320×240。PolyU庫則分為PolyU1和PolyU2，PolyU1和PolyU2中圖像尺寸大小同為513×256，PolyU1中含有210類不同源的手指靜脈，每類采集了13張手指靜脈圖像，共計2520張圖像；PolyU2中含有102類不同源的手指靜脈，每類采集了6張指靜脈圖像，共612張圖像；PolyU1和PolyU2中每類手指靜脈分別提供提供7和3張圖像作為訓練集，分別剩下的5和3張圖像作為測試集。

本文以計算識別率作為測試算法性能的測試指標

(9)

識別率越高，則說明該算法能從訓練庫中找出正確同源圖像的成功率越大。

6.2 不同算法識別率對比測試實驗

在提取圖像的ROI區域后，利用幾個經典的靜脈識別算法在所選數據庫上進行實驗，并與本文方法相比較，來驗證本文方法的有效性：①(2D)2PCA+SRC：利用文獻[9]所提出的(2D)2PCA對圖像進行快速降維，以SRC作為分類器識別圖像；②ngHOG+PCA+SRC：利用文獻[10]所提方法提取圖像的ngHOG特征，然后利用PCA對特征進行降維，最后利用SRC識別圖像；③和④則是對圖像進行CLAHE增強后，根據文獻[13]和[14]所述，分別提取圖像中的SIFT和SURF特征，采用本文分類算法識別圖像；⑤本文方法。

表2 不同方法在公共庫中的識別率統計

由表2可以看出基于精選SURF特征點的手指靜脈識別算法在所選數據庫中的識別性能優于其它幾種經典的手指靜脈識別算法，并且在SDUMLA、PloyU1、PloyU2這三個數據庫上比原SURF算法分別高出了1.83%、2.76%、1.31%的識別率。

6.3 算法抗干擾測試實驗

該部分實驗通過選取PloyU數據庫中旋轉、偏移及光照不均的圖像進行性能測試，以驗證算法在這些干擾狀態下的魯棒性。其中選取位置明顯發生偏移圖像23類，共276張；旋轉圖像29類，共348張；亮度不均的圖像18類，共216張；每類圖像中包含12張圖像，以其中3張作為訓練集，剩余9張為測試集的比例在每個算法中進行實驗，結果如下：

表3 算法抗干擾能力測試結果統計表

由表3可以看出，相較于PCA+SRC的算法，具有旋轉偏移不變性的SIFT、SURF特征能較好的解決手指靜脈圖像在采集過程中出現的旋轉偏移問題；而在利用本文的圖像增強方法對圖像光照不均的問題進行改善，又通過對增強圖像中檢測出的特征點進行約束后，本文方法在旋轉、偏移及光照不均的情況下所表現出的識別性能均優于其它幾種方法。

所以，根據對以上兩種實驗結果的分析可知，本文方法能夠通過對圖像進行增強以及對SURF特征點進行約束，來達到提升識別精度的目的，且能在旋轉、偏移及光照不均這些干擾環境下表現出較穩定的識別性能。

7 結束語

本文算法主要對如何有效利用SURF特征點進行指靜脈識別進行了改進，算法不僅克服了傳統SURF對低質量圖像無法檢測出特征點的缺陷，而且使得檢測出的特征點更為準確。實驗表明本文算法能有效改善圖像采集時旋轉、偏移以及光照不均的問題，并且相比于傳統的SURF特征提取算法能更有效的進行手指靜脈的識別。今后除了繼續對手指靜脈識別的關鍵特征提取進行研究外，還將致力于手指靜脈快速識別的研究。