基于底層特征提取的手背靜脈識別方法研究

張馨午，劉遠遠，齊千妍，鄧可為，王 娟，2

（1.湖北工業大學太陽能高效利用及儲能運行控制湖北省重點實驗室，湖北武漢 430068；2.武漢大學-武漢華安科技公司博士后工作站，湖北武漢 430068）

由于互聯網的發展和機器視覺技術的改進，人們有了更高的身份識別要求。手背靜脈識別是活體識別，具備相對安全準確的識別特征。

國外關于靜脈識別最初的研究是MacGregor P和Welford R開發的基于靜脈識別的系統[1]。國內常見的靜脈識別方法有多分辨率濾波法[2]、代數特征法[3]和HOG 算子提取特征[4]等。雖然近幾年手背靜脈識別技術飛速發展，但此技術尚未成熟，需要解決精確采集等問題。

該文通過分析靜脈識別理論基礎，實現了靜脈識別算法設計。預處理階段作圖像處理，邊緣提取時選擇Canny 算法和Gabor 濾波器提取特征，提出了方向為8 的濾波器，有利于特征匹配識別。特征匹配時采用二次匹配法，經過實驗驗證算法的可行性。最后成功地實現了身份識別。

1 手背靜脈識別一般流程

檢測手背靜脈特征的身份識別方法能夠通過掃描手背靜脈實現，識別正確率高，識別效果好。步驟如下：使用近紅外光照射[5]手背然后對靜脈圖像進行采集；灰度和尺寸歸一化處理圖像；高斯濾波器濾除噪聲；Canny 算子對靜脈進行檢測，取得手背與靜脈血管的邊界；通過Niblack 閾值分割改善圖像的細節處理效果；運用細節細化算法提取靜脈的骨架信息；采用Gabor 濾波器提取細化處理后的靜脈特征，獲得靜脈交叉點與靜脈端點；將提取特征和數據庫數據進行匹配獲得檢測結果。

預處理的過程首先需要完成圖像采集，該文用近紅外光照射手背靜脈來采集圖像，經過二值化、歸一化、濾波算法去噪和邊緣檢測等圖像處理方法，可以增加皮膚和靜脈組織之間的對比度。通過圖像閾值分割，將靜脈組織和手背皮膚彼此分離，獲得連通的靜脈組織。再運用細化、填充等方法得到靜脈結構圖，獲得可以唯一代表這個圖像的特征值。需要在已有的算法技術上進行改進，以獲得具有唯一性的特征。

識別過程需要尋找有效代表手背靜脈特性的特征值，讓預處理后的圖像完成平移、比例放縮等幾何變換，形成一個帶有特征的數學向量。在圖像處理及軟件程序的基礎上，運用合適有效的算法讓靜脈圖像特征與手背靜脈特征庫中已有的特征匹配，按照識別規律找到特征的相應類別，從而提高識別率，手背靜脈識別流程圖如圖1 所示。

圖1 手背靜脈識別流程圖

2 手背靜脈圖像算法流程

文中主要通過運用圖像的歸一化、高斯濾波去噪和二值化算法中的Niblack 算法來進行圖像預處理，然后使用Gabor 濾波器提取出靜脈圖像的一部分血管特征，最后通過計算歐式距離來完成靜脈圖像信息的特征匹配，從而完成圖像識別，算法流程圖如圖2 所示。

圖2 手背靜脈識別的算法流程圖

2.1 主要設計方案

第一步：圖片歸一化處理，其可分為兩個步驟：1）灰度歸一化。比較靜脈圖像的灰度級，設置變換圖像的平均值M0為150～220，方差V0盡可能接近255[6]。2）尺度歸一化。由于獲取的圖像彼此有差別，因此需要統一圖像的尺寸。對不同大小的圖像進行變換，將其按一定的標準統一[7]。

第二步：進行高斯濾波器去噪，降低平滑處理中的圖像模糊程度，按照高斯函數的形狀對權重進行選擇，能夠非常有效地抑制甚至消除遵循正態分布的高斯噪聲[8]。離中心點越遠，權重就越少，從而能夠讓中心點靠近距離最近的點。該文選擇高斯低通濾波來處理邊緣的模糊性。邊緣提取時產生的噪聲，經過高斯濾波后，邊緣的細節不再模糊，變得清晰可見，這樣更有利于后面的處理。

第三步：進行Canny 邊緣檢測。Canny 邊緣算子可以在保持邊緣特性的同時消除邊緣噪聲。對二維高斯函數求出一階導數和圖像卷積濾波，求出梯度并進行比較得到最大值來排除非邊緣像素[9]，從而判斷出圖像邊緣。

第四步：利用Niblack 閾值分割出靜脈部分。首先確定像素點和鄰域其他像素點的均值以及標準差，然后得到相應閾值，并對高于該閾值和低于該閾值的元素進行處理。運用改進后的Sauvola 算法去除偽噪聲[10]，其灰度均值和標準差的獲取和Niblack算法一致，公式如下：

第五步：細化修復。采用細節細化算法，該算法具有細化速度快、連通性好的特點。

2.2 基于Gabor濾波器提取特征

二維Gabor 濾波器由Gabor 函數構成，它是一種線性濾波器，適用于表達和分離處理紋理。

該文特征提取采用方向為8 的濾波器來實現，從而使圖像具有更加完整的特征。

假如手背灰度值分布為I(z)，則核函數ψu,v(z)的卷積公式如下：

其中，Fu,v(z)是方向系數為u、尺度系數為v的Gabor 濾波器內核卷積后的特征。因為核函數ψu,v(z)是復數，其對應的特征函數Fu,v(z)也是復數，其幅值和相位如下：

由尺度為5、方向為8 的Gabor 濾波器組成的實驗能夠得出，濾波器具有空間尺度選擇和方向選擇的特性，當進行函數和圖像卷積運算后，可以獲取不同尺度與方向的紋理特征[11]。

2.3 二次匹配算法

該文采用二次匹配算法進行圖像匹配，可以減少對噪聲、像素點位置變化等干擾因素的影響，它還簡化了復雜的算法并提高了匹配的效率。匹配流程如圖3所示。

圖3 匹配流程

匹配過程包含兩類匹配：①細節點匹配。在建立好圖像的局部特征數據庫后，在之前特征提取的基礎上，首先進行局部特征的細節點匹配識別，細節點匹配包含端點和交叉點的匹配。從圖像A 中提取出M個特征點，數據庫里的任意一個靜脈圖像B 和圖像A 匹配，從圖像B 中提取出N個特征點，分別建立圖像A 和圖像B 的特征向量，然后一一對應匹配特征點。②歐式匹配。在沒有發生錯誤的情況下，一個人的手背靜脈圖像經過預處理后，會獲得同樣的特征點[12]，則說明是同一個人的兩張圖像提取的特征點，相互匹配的兩個特征點的歐式距離為0。計算兩個圖像的所有特征點的歐式距離，獲得最小歐式距離，如果其中的最大值D＞L，那么可以判斷兩幅圖像近似相同，L是人為設置的具體閾值。

計算出兩個n維向量之間的歐式距離，其中d表示歐式距離，d越小，則圖像越相似[13]，如式（5）所示：

歐式距離可以很好地獲得特征向量中的對應距離，但不能直觀地分辨出類別，因此可以構建最近鄰分類器來分類。具體過程如下：

1）訓練過程：將一組靜脈圖像特征樣本訓練到特征庫中，并計算圖像之間的歐式距離，以獲得一個歐幾里得距離表；然后計算類別里誤差率和誤識率的關系，當兩個距離相等時，需要提取出最優的距離閾值。

2）識別過程：對經過訓練的樣本和待測樣本都計算歐式距離；提取最小距離，如果它在閾值內，則可以讓訓練樣本的類別和待測樣本保持一致。最近鄰分類器分類效果如圖4 所示。

圖4 最近鄰分類器分類效果

2.4 識別過程

識別過程的技術平臺是由MATLAB 生成的GUI，通過軟件比對識別，將采集到的靜脈訓練樣本導入軟件形成手背靜脈對比庫，識別選擇的靜脈圖像，將靜脈圖像特征和建立的手背靜脈特征庫中已有的特征進行匹配，通過識別規律找到特征的類別，因而識別率有所提高。

3 實驗結果與分析

3.1 預處理結果

3.1.1 灰度化處理

圖像經過灰度化后，對于光線不理想的圖像，其與其他圖像的灰度相差很大，為了讓所有圖像規范化，灰度歸一化處理是必要的步驟，其可以使得待處理圖像的均值和方差與標準規范相同。

3.1.2 圖像二值化

圖像在進行了灰度歸一化后，需要進行圖像二值化處理，從而可以得到清晰的輪廓圖，即將圖像處理為黑和白兩種視覺效果。

3.1.3 邊緣檢測對比

該文對每個算法都進行了具體的實驗，通過最終的輪廓結果進行比照，選擇最適合的一種算法。

由Sobel 邊緣檢測法、Prewitt 邊緣檢測法、Log 邊緣檢測法、Canny 邊緣檢測法對同一圖像的結果對比可以得出：Canny 邊緣檢測法不易受到噪聲干擾，并且可以檢測到邊緣的細節。此外，Canny 邊緣算子不會把邊緣點誤認成非邊緣點，并且還會抑制假邊緣，比起其他的邊緣檢測方法，Canny 邊緣檢測法獲得的邊緣輪廓最清晰、最完整，而且沒有噪聲干擾。

3.1.4 閾值分割

該文使用MATLAB 處理軟件對圖像進行分割。Niblack算法可以較好地存留圖像的細節信息，較其他算法而言，更簡單易行而且分割效果更好[14]。

3.1.5 中值濾波

通過Niblack 分割后，圖像的信息不是特別明顯，會有一些無用信息在圖像中，這就是噪聲的影響。該文選擇中值濾波去除額外的部分。

3.1.6 細化修復

靜脈圖像在閾值分割后各個地方粗細不同，其像素點分布不均，將會導致提取的難度增加，影響算法的計算效率，因此，對圖像進行細化處理操作是必要的[15]。

3.2 特征匹配識別結果

3.2.1 特征提取

利用不同方向和尺度的Gabor 濾波器來提取具備更高精度的特征，因為圖像的幅值特征比相位特征相對穩定，而且幅值的特征信息可以表現出圖像的能量表，并且能明顯地展示手背上靜脈血管的特征信息[16]，因此該文主要采用的是圖像的幅值特征。

3.2.2 特征匹配

在手背圖像庫中尋找同一個人同一只手的兩張圖片進行匹配，經過二次匹配后可以獲得是否匹配成功的信息。然后匹配不同人的左手的手背圖像，經過二次匹配可以獲得相關信息。

同一手背匹配結果：

匹配時間:時間已過0.399 036 s。

匹配成功＞＞

不同手背匹配結果：

匹配時間:時間已過0.931 827 s。

匹配失敗＞＞

由此可知，該文運用的二次匹配的效果還不錯，可以區分出圖像是否來自同一個手背，不同圖像的匹配耗費的時間也不一樣。

3.2.3 特征識別

運用收集到的手背靜脈圖像進行實驗，來驗證算法的識別能力。選擇了8 個人，每個人有8 組左右手的圖像，總共128 個圖像，在8 個人的樣本中，從每個人每只手的圖像中隨機抽取3 組圖像作為訓練樣本，除此之外的5 組圖像用作測試樣本。通過最近鄰方法分類，一共有80×48 次匹配，然后進行識別率和誤識率的計算。

在特征提取的過程中，該文對Gabor 濾波器進行了一些改良，增加了空間域的方向。方向為4 與方向為8 上濾波器的識別率和誤識率如表1 所示，其中時間是識別過程中的平均時間。

表1 對比識別結果

表中的數據表明，雖然改進前后的識別率沒有很大差別，而且時間還有一定的延長，但是改進后的誤識率降低了11%，從而可以真正地識別出特征信息，完成個人身份的驗證。

識別過程中識別率和誤識率的曲線如圖5所示。

圖5 識別相關曲線

由此可見，這個算法的識別率還是挺高的，適宜用作識別手背的靜脈圖像。隨著識別數量的增加，誤識率逐漸降低，識別率也有輕微的降低。

該文的識別技術平臺是MATLAB 生成的GUI，首先需要將采集到的靜脈訓練樣本導入軟件形成手背靜脈對比庫，此后再選擇具體的靜脈圖像進行識別。

如果圖像和對比庫中的相同，則會顯示這個手背靜脈的編號；如果是對比庫中沒有的圖像，則會顯示沒有相似圖像，并且選擇其他圖像。

4 結論

為了達到安全識別的目的，該文具體介紹了手背靜脈識別的預處理技術和匹配識別算法，經過對圖像數據進行相關濾波去噪、邊緣提取、閾值分割等預處理技術操作，提高了圖像質量；通過增加Gabor濾波器空間域的方向，降低了誤識率。通過二次匹配方法來匹配和識別圖像，提升了圖像識別率。但在采集過程中，圖像數據占比空間較大，后續工作將針對此情況加以改善。