采用旋轉校正的指靜脈圖像感興趣區(qū)域提取方法

馬慧，王科俊

(1.黑龍江大學 電子工程學院，黑龍江哈爾濱 150080;2.哈爾濱工程大學自動化學院，黑龍江哈爾濱 150001)

靜脈識別技術是通過近紅外線穿透手指后所得的靜脈紋路來進行個人身份識別，具有精度高、速度快、非接觸式等諸多優(yōu)點，作為一種高度可靠的身份鑒別方法，它的識別性能很大程度上與靜脈目標提取的質量密切相關［1-5］.通過感興趣區(qū)域(region of interest，ROI)提取方法能夠減少數(shù)據(jù)量，降低外界噪聲的影響，有效地提高識別系統(tǒng)的準確性和有效性.

目前針對非接觸采集方式獲取的手指靜脈圖像的感興趣區(qū)域確定方面的相關研究較少，文獻［6-7］較好地提取出了靜脈圖像的感興趣區(qū)域，但是這2種方法并未考慮到旋轉變換等非線性因素對圖像的影響，對這類樣本的提取效果并不理想;而對掌紋［8］、手背靜脈［9］和掌靜脈［10］圖像感興趣區(qū)域的大部分提取方法依靠引入定位輔助裝置，盡管文獻［11］提出了一種非接觸展開式掌紋樣本感興趣區(qū)域提取方法，但該方法仍需要樣本具有明顯的指璞結構信息，而手指細長平直，不具備這一特性，使得這類方法無法應用于指靜脈的感興趣區(qū)域的確定.

針對上述算法存在的問題，本文充分考慮手指靜脈圖像的特點，提出了一種基于旋轉校正的手指靜脈圖像感興趣區(qū)域提取方法.由于質心是每幅圖像均存在的性能指標，并且它的計算是全局性的，因此通過圖像前景區(qū)域的質心對圖像進行旋轉校正的方式，充分利用圖像本身的固有屬性，具有較強的抗旋轉變換的能力;再根據(jù)手指不同部位對近紅外線穿透能力的不同，由圖像中每列像素豎直方向上的投影值和手指區(qū)域的邊緣輪廓確定出感興趣區(qū)域的位置，這種感興趣區(qū)域確定方式有效地避免了平移變換對后續(xù)處理的影響.實驗結果表明，本文方法能夠準確地提取出手指靜脈圖像的感興趣區(qū)域，在此基礎上進行指靜脈圖像匹配識別具有更好的識別精度和應用價值，為非接觸式手指靜脈樣本的ROI區(qū)域定位問題提供了一種有效的新途徑.

1 手指區(qū)域提取

由于采集到的圖像受環(huán)境的影響，其背景像素點的灰度值不全為0，為了避免背景對后續(xù)特征提取和識別處理的影響，在后續(xù)處理之前需要獲取手指區(qū)域像素點的集合.本文通過Kapur熵閾值化操作來實現(xiàn)手指區(qū)域的獲取.

實驗原始圖像如圖1(a)所示，閾值化后的結果如圖1(b)所示，圖像中的白色區(qū)域為提取出的手指區(qū)域.由于閾值分割后的圖像中存在毛刺，此處采用數(shù)學形態(tài)學中的開操作對其進行處理，如圖1(c)所示，最終提取出的手指區(qū)域圖像如圖1(d)所示，本文后續(xù)的處理均在提取手指區(qū)域后的圖像進行.

圖1 手指區(qū)域圖像Fig.1 Finger region images

2 旋轉校正

指靜脈圖像采集時，由于被采集者手指擺放位置和方向是有些差別的，使得不同時間從同一手指上獲取的靜脈圖像存在不同程度的旋轉和平移現(xiàn)象，而手指沒有諸如指璞或手指關節(jié)彎曲形成的凹、凸點等輔助ROI區(qū)域提取的特征;因此，本文提出先對手指靜脈圖像進行旋轉校正，在旋轉校正的基礎上提取圖像的ROI區(qū)域，能減少后續(xù)圖像匹配的難度，增加了系統(tǒng)的魯棒性.

手指區(qū)域的質心是每幅圖像均存在的性能指標，并且質心的計算是全局性的，其抗干擾能力較強，因此本文通過圖像前景區(qū)域的質心進行旋轉校正.在提取出手指區(qū)域后，計算目標圖像即手指區(qū)域圖像的質心C(cx，cy)，其計算公式如式(1)、(2):

式中:xi表示圖像中第i個像素的橫坐標，yj表示圖像中第j個元素的縱坐標，M表示圖像的寬，N表示圖像的高，I表示圖像中屬于手指的區(qū)域.

在得到圖像質心后，可以找到手指輪廓圖像的最后一列所在的直線段，并確定這條線段的中點坐標O，連接點C和點O成一條直線lCO，計算直線lCO與水平方向線lH的夾角，即旋轉角度θ(如圖2所示)，以此對圖像進行旋轉校正.θ的計算公式如式(3):

式中:(xC，yC)、(xO，yO)分別為點 C和點 O的橫縱坐標值.當θ＞0，即yO＞yC時，對圖像進行順時針旋轉;當θ＜0，即yO＜yC時，對圖像進行逆時針旋轉;當θ=0，即yO=yC時，不對圖像進行旋轉操作.

圖2 感興趣區(qū)域提取關鍵點Fig.2 The key points of region of interest

若圖像上任意點A(x，y)繞旋轉中心C(cx，cy)逆時針旋轉θ，則點A旋轉后的坐標(x'，y')為:

若圖像上任意點A(x，y)繞旋轉中心C(cx，cy)順時針旋轉θ，則點A旋轉后的坐標(x'，y')為:

旋轉校正后的圖像如圖3所示.

圖3 旋轉校正后的指靜脈圖像Fig.3 Finger vein image after rotation correction

3 確定感興趣區(qū)域位置

ROI區(qū)域應該位于所有指靜脈圖像上相同的區(qū)域，且主要靜脈信息都應在該區(qū)域中;因此，ROI應選擇指靜脈圖像的中心區(qū)域，這樣也可以減少不必要的噪聲干擾，降低匹配算法的難度，保證識別系統(tǒng)的準確性和有效性.并且為了能在匹配時進一步的配準，需要從指靜脈圖像中提取出穩(wěn)定的參考元素作為合適的基準點，來對圖像進行定位及ROI的提取，以減少采樣過程中引起的非線性因素的影響.

由于指關節(jié)部位具有軟骨組織，在基于近紅外照射獲取圖像的方式下，指關節(jié)相對于手指其他部位具有更強的穿透能力;因此，整個指靜脈圖像中手指關節(jié)部位亮度比較高，即該部分圖像的像素值較其他部分高.

從提取出的手指區(qū)域的圖像矩陣中抽取一列指關節(jié)部位的像素，再從其他部位抽取一列像素(如圖4(a)所示)，將這2列像素點的灰度值繪成曲線圖，如圖4(b)、(c)和(d)所示，圖中橫坐標為所取像素所在的行數(shù)號，縱坐標為該像素點的灰度值.從圖中可以得出，關節(jié)部位的那列像素點的灰度值相對于非關節(jié)部位要更高.因此，可以通過找出灰度值較高的列來確定出關節(jié)位置，進而實現(xiàn)圖像的定位分割.

首先，將整個圖像區(qū)域向豎直方向進行投影，即計算圖像中每列像素的灰度值的總和Li:

式中:p(i，j)為圖像的第i行第j列上的像素點灰度值，H為圖像的高度.

圖3投影后的曲線如圖5所示，在第1個指關節(jié)處，曲線有一個很好的峰值，即對應圖像中的第60～90列.而第2個指關節(jié)的峰值不如第1個明顯，這是因為第2個指關節(jié)部位肌肉的厚度相對于第1個指關節(jié)點要厚，肌肉中水分含量較高，水分對紅外線有一定的吸收作用，從而導致曲線上的峰值不明顯.因此，本文選取第1個指關節(jié)點作為感興趣區(qū)域的定位分割點.

圖5 豎直方向投影圖像Fig.5 Projection image of vertical direction

在豎直方向投影上，以長度為15的滑動窗口在Li上進行平移，在j∈［0，180］像素區(qū)間內找到平均值最大的區(qū)域，將此區(qū)域的中點p作為分割的關節(jié)點，即手指左輪廓線的最小橫坐標，則圖像感興趣區(qū)域在豎直方向左側的分割線取為

根據(jù)左側分割線l1確定出右側分割線l2為

式中:d表示2條豎直平行直線l1、l2之間的距離，即圖像感興趣區(qū)域的橫向寬度.理論上，d值選取越大，圖像的感興趣區(qū)域的面積就越大，這樣圖像中包含的信息量就越多，有利于后續(xù)圖像的匹配、識別操作.但是，通過對大量指靜脈圖像綜合分析發(fā)現(xiàn)，不同采集者的手指長度不同，即使是同一采集者，在圖像采集時，由于手指擺放的位置不同也會導致采集到的圖像中手指的長度不同，這都使得第1個指關節(jié)在圖像中的位置存在一定的差異.若d值選取過大，將會存在p+d的值超出圖像范圍的可能.因此，為了兼顧感興趣區(qū)域面積盡可能大和分割線l2不超出圖像范圍，將d值取為124.

為了確定出圖像水平方向的分割線，首先利用輪廓提取算法獲取圖像中手指區(qū)域的邊緣輪廓，得到單像素邊緣的圖像，然后分別求取手指輪廓上、下邊緣的內切線l3、l4，這2條水平方向的直線與豎直方向的直線l1、l2相交形成一個封閉的矩形區(qū)域，如圖6(a)所示.采用內切線的方式避免了外切線方式將背景區(qū)域混入感興趣區(qū)域中，提取出的手指靜脈的ROI區(qū)域如圖6(b)所示.

圖6 指靜脈ROI區(qū)域提取效果Fig.6 ROI of finger vein image

4 實驗與分析

為了驗證本文方法的有效性，采用哈爾濱工程大學模式識別與智能系統(tǒng)實驗室建立的指靜脈圖像庫中的圖像進行測試.該庫包含150個人的指靜脈圖像，每人采集食指圖像5幅，共750幅，圖像大小為320×240.實驗算法采用Visual C++6.0編寫，計算機硬件配置為CPU E5200主頻2.5 GHz，內存2 GB.

4.1 普適性分析

為了檢驗本文方法的普適性，利用上述ROI區(qū)域提取方法對靜脈樣本庫中的圖像進行處理，最后能夠成功提取ROI的比例是96.4%，這說明所提出的ROI區(qū)域提取方法具有較高的普適性.

對不能成功提取ROI的樣本進行分析可知，導致ROI提取失敗主要是因為采集的圖像質量較差，圖像曝光不均勻，如圖7所示.這些圖像的對比度較低，使得本文ROI提取方法中手指關節(jié)位置無法確定，從而導致感興趣區(qū)域提取失敗.實驗中，這類樣本占總樣本的比例為3.47%左右，它們大多數(shù)靜脈紋路不夠清晰，并且含有大量的噪聲，不利于后續(xù)的匹配識別，這類圖像可在采集環(huán)節(jié)加以改善，補充采集樣本圖像.

圖7 實驗數(shù)據(jù)庫中部分提取ROI失敗的靜脈圖像Fig.7 Images where extraction of ROI failed in the finger vein database

4.2 旋轉性分析

在實際應用中，ROI提取方法的抗旋轉性很重要，因為采集樣本時只要求待采集手指平面與采集攝像頭保持大致垂直，沒有限制手指的水平擺動，而這種擺動會導致樣本圖像中的目標發(fā)生旋轉，這對后續(xù)的匹配、識別操作帶來了很大困難，往往會造成拒識或者誤識現(xiàn)象.

圖8是同一被采集者在不同時刻采集的2幅手指靜脈圖像，這2幅圖像中被采集者的手指擺放角度存在一定的差異.采用傳統(tǒng)的基于細節(jié)特征點匹配方法對這2幅圖像進行單樣本認證實驗，認證結果為失敗;而采用本文方法提取出經過旋轉校正的感興趣區(qū)域后再進行認證，認證結果為成功.

圖8 單樣本認證的靜脈圖像示例Fig.8 Sample finger vein images under single-sampleauthentication

由此可見，對經過不同角度旋轉后的同一樣本，本文方法依然能夠有效地提取出ROI區(qū)域，具有較強的抗旋轉能力，并且很好地減小了這種非線性變換對識別系統(tǒng)的影響，克服了指靜脈識別中由于圖像受旋轉變換而造成的認證失敗現(xiàn)象.

4.3 識別比對實驗

為了驗證本文方法對系統(tǒng)識別性能的影響，采用上述基于細節(jié)特征點的匹配方法分別對原始圖像庫和提取出的ROI區(qū)域圖像庫中所有圖像進行1:1認證實驗和1:n識別實驗.實驗時從每個人的5幅靜脈圖像中，任選1幅(共150幅圖像)作為待識別樣本構成驗證庫，其余4幅(共150×4=600幅圖像)構成模板庫，實驗結果如表1～2所示.

表1 2種圖像庫在1:1模式下的認證結果Table 1 Results of two image databases under 1:1 matching

表2 2種圖像庫在1:n模式下的認證結果Table 2 Results of two image databases under 1:n recognition

從實驗結果可以得出，采用傳統(tǒng)的基于細節(jié)特征點的指靜脈識別算法能夠對大多數(shù)圖像實現(xiàn)匹配、識別，但對少數(shù)圖像質量過差的圖像，其識別效果并不理想.這是因為，對受旋轉或平移因素影響較大的靜脈圖像進行特征提取，會造成提取出的特征點間的相對位移較大，嚴重地影響后續(xù)的匹配、識別.而采用基于旋轉校正的ROI區(qū)域提取方法不僅提高了系統(tǒng)的識別率，并且降低了拒識率與誤識率，系統(tǒng)性能得到明顯改善，從而證明了本文方法的有效性.

5 結束語

使用本文基于旋轉校正的感興趣區(qū)域提取方法能夠準確地提取出靜脈圖像的ROI區(qū)域，有效地克服了圖像采樣過程中存在的旋轉、平移等非線性因素對圖像質量的影響，并且方法的普適性較好，為解決非接觸式手指靜脈樣本ROI區(qū)域定位困難的問題提供了一種有效的途徑.在提取出ROI區(qū)域的基礎上進行靜脈圖像的匹配識別，能有效地改善采集圖像質量不理想所帶來的影響，使識別結果更加可靠.為了進一步地優(yōu)化和改進本文方法，在今后的研究中，將擴大樣本庫，尋求更有效、更具普適性的手指靜脈感興趣區(qū)域提取方法.

［1］賈旭，薛定宇，崔建江，等.基于Contourlet子帶能量特征多HMM融合的靜脈識別［J］.電子與信息學報，2011，33(8):1377-1382.

JIA Xu，XUE Dingyu，CUI Jianjiang，et al.Vein recognition based on fusing multi HMMs with Contourlet subband energy observations［J］.Journal of Electronics ＆ Information Technology，2011，33(8):1377-1382.

［2］KUMAR A，PRATHYUSHA K V.Personal authentication using hand vein triangulation and knuckle shape［J］.IEEE Transactions on Image Processing，2010，9(18):2127-2136.

［3］康文雄，李華嵩，鄧飛其.靜脈灰度圖像拓撲特征提取方法［J］.中國科學:信息科學，2011，41(3):324-337.

KANG Wenxiong，LI Huasong，DENG Feiqi.Direct grayscale extraction of topographic features for vein recognition［J］.Scientia Sinica:Informationis，2011，41(3):324-337.

［4］王科俊，劉靖宇，馬慧，等.手指靜脈圖像質量評價［J］.智能系統(tǒng)學報，2011，6(4):324-327.

WANG Kejun，LIU Jingyu，MA Hui，et al.A finger vein image quality assessment method［J］.CAAI Transactions on Intelligent Systems，2011，6(4):324-327.

［5］陳立偉，倪杰.基于多閾值模糊增強的手指靜脈圖像分割［J］.應用科技，2011，38(4):14-18.

CHEN Liwei，NI Jie.Method for finger vein feature segmentation based on multi-threshold fuzzy enhancement［J］.Applied Science and Technology，2011，38(4):14-18.

［6］余成波，秦華鋒.生物特征識別技術:手指靜脈識別技術［M］.北京:清華大學出版社，2009:117-119.

［7］宋尚玲.鼻部毛囊識別和手指靜脈識別［D］.濟南:山東大學，2009:62-64.

SONG Shangling.Nose pore recognition and finger vein recognition［D］.Ji’nan:Shandong University，2009:62-64.

［8］KUMAR A，WONG D C M，SHEN H C，et al.Personal verification using palmprint and hand geometry biometric［C］//Proceedings of the 4th International Conference on Audio-and Video-Based Biometric Person Authentication.Berlin/Heidelberg:Springer-Verlag，2003:668-678.

［9］李秀艷，劉鐵根，鄧仕超，等.基于SURF算子的快速手背靜脈識別［J］.儀器儀表學報，2011，32(4):831-836.

LI Xiuyan，LIU Tiegen，DENG Shichao，et al.Fast recognition of hand vein with SURF descriptors［J］.Chinese Journal of Scientific Instrument，2011，32(4):831-836.

［10］WANG J G，YAU W Y，SUWANDY A，et al.Person recognition by fusing palmprint and palm vein images based on“Laplacianpalm”representation［J］.Pattern Recognition，2008，41(5):1514-1527.

［11］李強.手部特征識別及特征級融合算法研究［D］.北京:北京交通大學，2006:22-24.

LI Qiang.Research on hand feature recognition and feature level fusion［D］.Beijing:Beijing Jiaotong University，2006:22-24.