基于細線距離順序統(tǒng)計量指靜脈快速識別算法

李小剛，沈 雷，張嚴嚴，藍師偉

(杭州電子科技大學通信工程學院，浙江 杭州 310018)

基于細線距離順序統(tǒng)計量指靜脈快速識別算法

李小剛，沈 雷，張嚴嚴，藍師偉

(杭州電子科技大學通信工程學院，浙江 杭州 310018)

為了提高低質量手指靜脈圖像的識別率，提出了一種基于細線距離順序統(tǒng)計量的手指靜脈快速識別算法.利用順序統(tǒng)計量計算部分較小細線距離的平均值，提高了存在偽靜脈手指圖像識別性能.在細線點集距離計算中采用鄰域搜索的方法，相比采用逐點匹配的MHD點集計算方法，縮短了大量的匹配時間.實驗結果表明，所提算法比廣泛使用的基于特征點的MHD算法具有更好的性能.

手指靜脈；匹配識別；MHD算法

0 引 言

手指靜脈識別技術是依據手指內固有的靜脈特征來識別個體，靜脈紋路具有不可復制的、唯一的活體特征.近年來手指靜脈識別技術得到了迅速的發(fā)展，具有廣闊的應用領域.

Miura N.等[1]提出了一種基于模板匹配的靜脈識別方法，將采集到的靜脈圖像應用嵌入式隱馬爾科夫模型來識別手指.該方法操作的復雜度較高，識別時間較長.王科俊等[2]采用一種融合小波矩和主成分分析的方法來識別靜脈.該方法識別性能較好，但需要將圖像矩陣轉化為一維向量，當圖像矩陣較大時，主分量分析計算量較大.雙向二維主成分分析[3]和二維費希爾主成分分析[4]等基于全局特性的方法，將手指靜脈圖像變換到最佳投影空間產生新的特征，很好地保留了圖像的紋路、形狀等全局特性，但因為最佳投影空間是通過訓練樣本確定的，系統(tǒng)魯棒性受到訓練樣本的影響[5].

因Hausdorff距離[6](Hausdorff Distance，HD)相比于其他的識別方法，計算方便且不需要建立點之間的一一對應關系，只是計算兩個點集之間的相似程度(最大距離)，因此HD被廣泛研究并應用于手指靜脈識別領域.圖像質量較低時，基于特征點HD識別方法對引起的靜脈特征點位置微小擾動非常敏感，為了克服該缺點，文獻[7]在原始的Hausdorff距離算法上進行了修改，提出了基于特征點平均距離值的Hausdorff距離方法(modified Hausdorff distance,MHD).利用MHD匹配手指靜脈具有良好的識別性能，但提取出的靜脈的特征點只是靜脈細線的一部分，特征點丟失了大量的靜脈信息，不能表征整個靜脈圖像，特別是對于靜脈稀疏、靜脈紋路不明顯的低質量手指圖像，MHD算法識別性能顯著下降.

針對以上問題，本文提出了一種基于細線距離順序統(tǒng)計量的手指靜脈快速識別算法，算法利用同根手指相似程度更高的靜脈紋路作為匹配對象，采用順序統(tǒng)計量計算部分較小細線距離的平均值，有效的提高了手指靜脈的識別性能；在細線點集距離計算中提出了鄰域搜索匹配的方法，節(jié)省了大量的運算時間.

1 靜脈細化與特征點提取

用采集器采集原始手指靜脈圖像，然后對得到的原始靜脈圖像進行濾波，尺寸灰度歸一化，再用方向濾波器對圖像進行分割細化，得到手指靜脈的細化拓撲結構，靜脈相交的地方形成了交叉點，在兩端被截斷的地方形成端點，交叉點與端點組成了手指靜脈的特征點.

同根手指靜脈低質量圖像細化和特征點如圖1所示.可以看出，圖1(a)兩幅同根手指靜脈的低質量細化圖相似程度要高于圖1(b)兩幅同根手指靜脈的低質量特征點的相似程度，圖1(b)很難看出是來自同一根手指的特征點，因此若利用靜脈細化紋路匹配識別會有更高的識別率.圖1(a)的質量較差，兩幅圖中都存在少量的偽靜脈，為了減小偽靜脈對匹配的影響，利用順序統(tǒng)計量來計算部分較小細線距離的平均值.

圖1 低質量手指靜脈圖像細化和特征點圖

2 MHD算法

2.1 傳統(tǒng)的Hausdorff算法

給定2個有限點集合A={a1,a2,…,ap}和B={b1,b2,…,bp}，則A，B之間的Hausdorff距離定義為

(1)

其中

(2)

(3)

函數h(A,B)和h(B,A)分別稱為前向和后向HD.h(A,B)的值取決于集合A所有點中離B最遠的那個點.若h(A,B)=d，則表示A中所有點到B中點的距離不超過d，即A中所有點到B的距離都在d的范圍之內.

2.2MHD算法

為了降低特征點擾動對HD算法的影響，文獻[7]在原始Hausdorff距離公式的基礎上提出了MHD公式，定義為：

(4)

MHD與HD的區(qū)別在于：h(A,B)取決于點集A中的所有點到點集B的距離的平均.

3 基于細線距離順序統(tǒng)計量的快速識別算法

3.1 基于細線距離順序統(tǒng)計量的識別算法

將MHD算法直接應用于對靜脈細線的匹配識別，性能易受偽靜脈的影響.若點集A和點集B是同根手指靜脈圖像的細線點集合，點集A和點集B很相似，但是點集B中在細化的過程中出現(xiàn)了少數的偽靜脈，此時，若采用MHD算法計算這2個點集之間的距離，算出的MHD值就會很大.在低質量手指圖像識別時，為了減小偽靜脈對距離值的影響，本文提出了基于細線距離順序統(tǒng)計量的識別方法.利用細線距離順序統(tǒng)計量得到細線點集距離較小值的平均值，從而減小了偽靜脈對識別性能的影響.其基本原理如下：同根手指的靜脈紋路走勢是一致的，只有對偽靜脈匹配時才會出現(xiàn)較大的距離值，利用順序統(tǒng)計量求得部分較小細線點集距離平均值，有效地減小了偽靜脈對結果的影響.不同手指靜脈紋路走勢互不相同，利用順序統(tǒng)計量求細線點集較小距離平均值并不能大幅度降低距離值.因此基于細線距離順序統(tǒng)計量的方法降低了同類手指之間的差異性，提升了靜脈的識別性能.

細線點集A到B的距離定義為：將細線點集A中p個點到細線點集B的距離值按升序排序，取前k個距離值的平均值作為點集A到點集B的距離值.

(5)

其中，1≤k≤p，p為點集A中點的個數，th表示升序排序.

同理，細線點集B到A的距離定義為：將點集B中q個點到點集A的距離值按升序排序，取前l(fā)個距離值的平均值作為點集B到點集A的距離值.

(6)

其中，1≤l≤q，q為點集B中點的個數，th表示升序排序.

點集A和點集B之間的距離定義為：

(7)

3.2 基于鄰域搜索細線距離快速識別算法

靜脈細化圖的點數要遠遠多與靜脈特征點數，如果利用逐點搜索的方法對靜脈細線點進行匹配識別需要耗費大量的運算時間.本文提出了一種基于鄰域搜索細線距離快速識別算法.

4 實驗與結果分析

為了得到實驗的圖像數據庫，在實驗內采集靜脈圖像建立靜脈圖像庫，共70組，每組8幅圖像樣本，一共560幅樣本圖像，在MATLAB平臺上進行1∶1識別驗證，圖像大小為300×140像素，提取感興趣區(qū)域并歸一化后的圖像大小為160×64像素，鄰域搜索范圍取3，式(5)中k取0.75×p，式(6)中l(wèi)取0.75×q.在1∶1識別驗證模式下，將每組中的1個樣本分別和其他7個樣本進行比對，稱為合法匹配；將1組中手指靜脈樣本和其他手指中的樣本進行比對，稱為非法匹配.

分別采用文獻[7]的MHD算法和本文方法對靜脈特征點進行合法匹配和非法匹配，分布情況如圖2所示.通過對比可以看出，采用本文算法對靜脈細化點進行匹配識別時，其合法匹配與非法匹配之間的值交叉較少；合法匹配的值相對集中；且合法匹配與非法匹配的主峰相隔較遠.所以本文提出的基于細線順序統(tǒng)計量的手指靜脈快速識別算法能夠更有效地識別同類手指和區(qū)分不同類手指.

圖2 合法與非法匹配距離值分布對比圖

分別采用MHD算法對靜脈特征點識別和本文算法對靜脈細線點識別，得到拒識率(False Reject Rate，F(xiàn)RR)和誤識率(False Accept Rate，F(xiàn)AR)關系曲線，即ROC曲線，如圖3所示.從圖3中可以看出，本文提出的基于細線順序統(tǒng)計量的識別算法明顯優(yōu)于廣泛使用的基于特征點的MHD算法.

圖3 ROC曲線比較

為了驗證本文算法運算時間可行性，利用靜脈圖像庫中70組560幅圖像，在windows 10操作系統(tǒng)下(Intel i5-4590處理器，4GB運行內存)基于MATLAB7.10版本進行仿真.分別對560幅圖像的特征點圖、細線圖統(tǒng)計得出，平均每幅靜脈圖像有45個特征點，706個細線點；利用本文提出的基于順序統(tǒng)計量的鄰域搜索方法，當鄰域搜索范圍取3時，對70組圖像進行同類匹配，統(tǒng)計得出在(x±3,y±3)的范圍內平均可以搜索到3.97個點.

由上述得出的實驗數據可以分析得出3種靜脈識別的平均匹配次數.3種靜脈識別方法是文獻[7]提出的MHD算法對特征點識別、MHD算法對細線點識別、本文提出的順序統(tǒng)計量的鄰域搜索方法對細線點識別，仿真結果如表1所示.從表1中可以看出，文獻[7]提出的MHD算法匹配兩幅靜脈特征點圖像平均需要進行45×45×2次比對；MHD算法匹配兩幅靜脈細線圖像平均需要進行706×706×2次比對；本文提出的順序統(tǒng)計量的鄰域搜索方法匹配兩幅靜脈細線圖像，平均需要進行706×3.97×2次比對.

完成1組8幅圖像組內合法匹配需要進行28次匹配，70組圖像完成組內合法匹配需要進行1 960次匹配.采用文獻[7]提出的MHD算法完成70組靜脈特征點圖像組內匹配需要20.732 6 s，平均完成一次匹配的時間為0.010 6 s；采用文獻[7]提出的MHD算法完成70組靜脈細線圖像組內匹配需要4 946 s，平均完成一次匹配的時間為2.523 5 s；本文提出的順序統(tǒng)計量的鄰域搜索方法完成70組靜脈細線圖像組內匹配需要70.560 4 s，平均完成一組匹配的時間為0.036 0 s.

3種靜脈識別方法的平均匹配次數和平均匹配時間的結果分析得出，本文提出的基于細線距離順序統(tǒng)計量的手指靜脈快速識別算法，匹配兩幅細線點圖像需要匹配的次數(5 605次)接近于MHD算法對兩幅特征點圖像需要的匹配次數(4 050次)，完成的時間0.036 0 s接近MHD算法完成的時間0.010 6 s，而相比于MHD算法對細線點匹配識別2.523 5 s，該算法大大降低了運算時間.

表1 3種靜脈識別方法的仿真結果

5 結束語

本文提出了利用手指靜脈細線紋路作為匹配對象的思想.利用順序統(tǒng)計量計算細線點集部分較小距離求平均值的方法減小了偽靜脈對靜脈識別的影響，鄰域搜索的匹配方法降低了兩個靜脈細化圖點集之間的匹配時間.在計算兩個靜脈細化點集之間的距離值時，鄰域搜索范圍的大小受到了人工選取的制約，具有一定的局限性，需要進一步改進，實現(xiàn)鄰域搜索范圍的自適應選取.

[1]MIURA N, NAGASAKA A, MIYATAKE T. Feature Extraction of Finger-vein Patterns Based on Repeated Line Tracking and its Application to Personal Identification[J]. Machine Vision and Applications, 2004,15(4):194-203.

[2]王科俊,袁智.基于小波矩融合PCA變換的手指靜脈識別[J].模式識別與人工智能,2007,20(5):692-697.

[3]管鳳旭,王科俊,劉靖宇,等.歸一雙向加權(2D)2PCA的手指靜脈識別方法[J].模式識別與人工智能,2011,24(3):417-424.

[4]YU C, QING H, ZHANG L. (2D)2 FPCA: An Efficient Approach for Appearance Based Object Recognition[C]//2009 3rd International Conference on Bioinformatics and Biomedical Engineering. 2009:1-4.

[5]楊穎,尹義龍,楊公平,等.融合局部特征和全局特征的手指靜脈識別方法[J].計算機工程與應用,2012,48(14):158-162.

[6]HUTTENLOCHER D P, KLANDERMAN G A, RUCKLIDGE W A. Comparing Images Using the Hausdorff Distance[J]. Pattern Analysis & Machine Intelligence, IEEE Transactions on, 1993,15(9):850-863.

[7]DUBUISSON M P， JAIN A K. A modified Hausdorff distance for object matching[C]//Proceedings of the 12th IAPR International Conference on Pattern Recognition， IEEE, 1994:566-568.

Fast Recognition Algorithm for Finger Vein Based on the Line Distance Order Statistics

LI Xiaogang, SHEN Lei, ZHANG Yanyan, LAN Shiwei

(SchoolofCommunicationEngineering,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

In order to improve the recognition performance of the low quality finger vein image, a fast recognition algorithm based on the line distance order statistics is proposed. The algorithm makes use of the order statistics to calculate the average of some small fine line distance, which improves the recognition performance of the finger image included fake vein. The neighborhood search algorithm based on the line distance calculation compared with the MHD point set calculation method matching point by point, which shortens the matching time largely. The experimental results show that the proposed algorithm has better performance than the widely used MHD algorithm based on feature points.

finger vein; matching recognition; MHD algorithm

10.13954/j.cnki.hdu.2017.04.005

2016-10-28

國家自然基金資助項目(61401133)；中國博士后科學基金資助項目(2014M562302)；浙江省新苗人才計劃資助項目(2016R407069)

李小剛(1992-)，男，安徽宣城人，碩士研究生，數字圖像處理.通信作者：沈雷副教授，E-mail：shenlei@hdu.edu.cn.

TP391.41

A

1001-9146(2017)04-0020-05