基于多角度旋轉(zhuǎn)積分圖的手背靜脈身份識別

,

(北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京 100144)

0 引言

隨著互聯(lián)網(wǎng)+經(jīng)濟模式飛速發(fā)展，個人的身份信息如何得到安全保護是目前研究的熱點。一般來說，主要身份認(rèn)證方法包括利用識別工具進行身份驗證，比如個人身份物件卡片、鑰匙等；還有利用驗證人的知識進行驗證，例如密碼和賬號等方式。這些方法有的易于遺忘或丟失，有的容易被竊取，不是本人也能利用這些信息進行身份驗證，安全性得不到保障，它們的發(fā)展遇到了瓶頸。

在個人身份認(rèn)證需要得到安全保證，各種身份驗證問題層見疊出的背景下，生物特征識別技術(shù)作為新型的、安全的、可靠的身份驗證方法應(yīng)時而生，也得到了令人驚嘆的發(fā)展進步。

生物特征識別技術(shù)就是利用個人所獨有的生物特征來達到身份驗證的目的，這些生物特征需要具備一些獨特的、穩(wěn)定的、不容易隨著年齡、外貌、環(huán)境等外在因素輕易改變的特性和優(yōu)勢。這些生物特征是個體與生俱來的、獨有的，例如虹膜、耳廓、指紋、靜脈等，不會輕易泄露出本人的身份信息，且容易利用計算機等多種設(shè)備的優(yōu)勢，共同發(fā)揮作用，便于自動化管理[1]。生物特征以其優(yōu)勢在身份驗證中處于舉足輕重的地位，在各個領(lǐng)域帶來了很大的社會效益和經(jīng)濟效益[2]。

盡管如此，并不是所有的生物特征都能擁有很好的安全性、便捷性和可靠性。例如，由于無論是否保證活體檢測都可通過的一些生物特征，例如指紋技術(shù)易于被復(fù)制和竊?。荒槻孔R別也不一定能區(qū)分面部過于相似的人們，例如雙胞胎兄弟；虹膜識別技術(shù)對于設(shè)備的要求非常高，因此價格相對比較昂貴，且這項技術(shù)需要用戶的高度配合，所以目前仍然不能在市場上大規(guī)模應(yīng)用；另外，人的步態(tài)也很容易被模仿，沒有很好地體現(xiàn)出生物特征識別的優(yōu)勢。因此，如何尋找和發(fā)展一個能保證唯一性、不易復(fù)制性、活體檢測性的識別技術(shù)便成為了當(dāng)前生物特征識別技術(shù)研究的關(guān)鍵。近年來，手背靜脈識別以它明顯的優(yōu)勢和鮮明的特征獲得了普遍的推崇和贊譽。首先，手背靜脈對每個人的唯一性和長期穩(wěn)定性已經(jīng)得到了證明，任何人就算是雙胞胎兄弟也不會完全相同，且人在成年后手背靜脈不會有明顯變化[3]。其次，由于手背靜脈是皮下組織，不會像其他表皮組織那樣輕易受到損傷，且污垢和汗水等外在條件也不會對其有很大的影響。另外，由于手背靜脈是靜脈血管檢測，必須保證檢測在活體狀態(tài)下進行，在一定程度上也進一步保證了檢測是安全性。綜上所述，手背靜脈的活體特性和內(nèi)部特性決定了它的魯棒性、安全性和不易偽造性[4]。最后，手背靜脈采集技術(shù)采用的成像方法屬于非接觸式的成像，這樣不易像指紋采集那樣留下被采集者的指紋信息，保證了信息的安全，又使得采集容易完成，且采集設(shè)備造價不高，因此在一些國家(比如日本、韓國和新加坡等)都已經(jīng)進入了實用領(lǐng)域，商業(yè)上備受關(guān)注[5]，也為一切領(lǐng)域帶來了不錯的經(jīng)濟效益和社會效益。

從信息量的角度上來說，手背靜脈圖像的信息量不比指紋圖像的信息量小。而且它類內(nèi)平均互信息熵較大，類間平均互信息熵較小的特點[6]，也使得它的識別效果會相對較好。

由于成像設(shè)備參數(shù)、用戶狀態(tài)、擺放位置以及采集環(huán)境條件(如光照、溫度)等因素的不同，獲取的靜脈圖像也可能存在很大的不同。本文針對手背靜脈圖像由于旋轉(zhuǎn)，亮度和尺度等因素導(dǎo)致識別率不理想的問題，提出了一種基于多角度旋轉(zhuǎn)積分圖的手背靜脈圖像特征提取的方法，再結(jié)合二維離散余弦變換(DCT)截取最佳的特征矩陣用于分類識別。該方法通過選取最佳的旋轉(zhuǎn)角度做積分運算，解決了圖像旋轉(zhuǎn)因素的影響，并在此之后進行二維離散余弦變換，保證了算法的尺度空間不變性，最后截取最佳的特征矩陣用于分類識別，使得手背靜脈圖像的識別率超過99.9%，大大提升了算法的精確度。

1 手背靜脈圖像采集和預(yù)處理

1.1 采集設(shè)備

手背靜脈的特殊性在于其存在于皮下脂肪之下，采用普通的攝像頭和可見光源很難清晰地拍攝到手背靜脈圖像。低質(zhì)量圖像會導(dǎo)致識別率降低，所以如何獲取高質(zhì)量的利于進行特征提取識別研究的手背靜脈圖像是一個關(guān)鍵性的問題。經(jīng)過大量的實驗驗證，手背靜脈與其他組織對某些特定波長近紅外光(本實驗中波長為850 nm的紅外光波)吸收程度不同，另外它很好地穿透皮膚，使血液流過的地方形成更鮮明的對比，清晰地呈現(xiàn)出靜脈結(jié)構(gòu)。根據(jù)這個原理設(shè)計圖像采集裝置的外部由放置手背的手柄和半封閉式黑盒子組成，如圖1(a)所示，特定材料的黑色盒子有效的阻擋了其他干擾光源對圖像的影響。采集裝置內(nèi)部由CCD(Charged Coupled Device)像機、光學(xué)濾光片、LED列陣和均光片組成，如圖1(b)所示。

圖1 圖像采集設(shè)備示意圖

圖2是利用上述采集裝置采集到的原始手背靜脈圖像。

圖2 手背靜脈原始圖像

1.2 圖像預(yù)處理及紋理分割

由圖2可知，相同的人在不同采集設(shè)備終端由于采集時的焦距、光照強度、手?jǐn)[放的位置不同采集到的采集到的手背靜脈圖像在亮度、手背區(qū)域尺寸大小等方面也存在很大的差異。故采用經(jīng)質(zhì)心自適應(yīng)的方法確定感興趣區(qū)域(Region OfInterest，ROI)[7],并求出ROI圖像的質(zhì)心C(x0,y0)，計算公式如下：

(1)

式中，B(x,y)是(x,y)處的灰度值大小。最大內(nèi)接圓示意圖如圖3所示。

圖3 手背圖像最大內(nèi)接圓

簡單的尺度歸一化處理得到的圖片不利于提取訓(xùn)練的特征，所以本文采用手背靜脈圖像最大內(nèi)接圓的方法進行尺度歸一化處理[13]。最大內(nèi)接圓的面積Spalm作為手背靜脈圖像尺度歸一化的標(biāo)準(zhǔn)，確定靜脈區(qū)域縮放因子后，原始手背靜脈圖像根據(jù)比例系數(shù)Rnorm可以歸一化成相同尺度，計算公式如下：

(2)

圖像歸一化成相同尺度后，截取了包含靜脈區(qū)域的ROI區(qū)域圖像，如圖4所示。

圖4 ROI手背靜脈圖像

采集的原始圖像為灰度圖，手背靜脈與手背區(qū)域的對比不是特別明顯，這個因素導(dǎo)致靜脈識別身份魯棒性很差，所以需要將尺度歸一化后的圖像進行而進行二值分割。簡單的二值分割容易造成過分割和欠分割，過分割會將不屬于靜脈的部分劃分為靜脈紋理，欠分割會把某些靜脈部分分割成背景區(qū)域。常見的分割方法有這幾種，分別是Niblack方法[8]，Sauvola方[9]，閾值圖像法[10]，最大類間方差法[11]等，然而這些方法對于某些手背圖像(例如女生志愿者，她們的靜脈血管很細(xì)，圖像靜脈和北京區(qū)域?qū)Ρ炔幻黠@)的分割效果太差，出現(xiàn)過分割和欠分割甚至出現(xiàn)幾乎全分割(接近空白)的圖像。為了獲取清晰的手背靜脈的輪廓，排除由于皮膚或者靜脈血管亮度差異帶來的影響，本文采用檢測邊緣性能的靜脈圖像梯度分割方法[12]。

對于Niblack方法來說，如果將原來的負(fù)值k變?yōu)檎?，計算公式為?/p>

3×3×3

(3)

將全局最大值方差R(一般將該值設(shè)為128)替代m(x,y)則為Sauvola算法，計算公式如下：

3×3×3

(4)

如果在計算的時候引入全局最大梯度G(一般將該值設(shè)為255)，就是本文使用的基于更有效的檢測邊緣性能的梯度方法，計算公式如下：

3×3×3

(5)

(6)

式中的m(x,y)是窗口N×N中的均值，g(x,y)是N(x,y)處的梯度，k(x,y)是自適應(yīng)系數(shù)，由公式(4)來確定，G(x,y)是像素點鄰域范圍內(nèi)的最大梯度，α和β通過實驗確定的經(jīng)驗值分別為0.01和0.02。

二值分割后的手背靜脈圖像如圖5所示。

圖5 手背靜脈圖像分割結(jié)果

2 算法原理

自從summed-area tables算法被提出以后，Viola將這個將其用于人臉分析,積分圖像作為圖像的一種特征提取的中間表示方法[14]。后來很多文章也將積分圖算法運用于圖像配準(zhǔn)，求內(nèi)接圓，圖像標(biāo)注等等。本文在圖像預(yù)處理的基礎(chǔ)上，提出基于多角度旋轉(zhuǎn)積分圖并結(jié)合二維離散余弦變換的手背靜脈圖像識別方法。它進行多角度旋轉(zhuǎn)積分提取經(jīng)過預(yù)處理的靜脈圖像特征，對由于圖像旋轉(zhuǎn)角度變化，尺度等因素來說都具備優(yōu)良的魯棒性。接下來文章將從對手背靜脈圖像進行多角度旋轉(zhuǎn)積分為出發(fā)點，對積分后的圖像進行處理，對參數(shù)進行優(yōu)化選擇，使得多角度積分圖像更好地適用于特征提取。

2.1 多角度旋轉(zhuǎn)積分圖

由于不限制志愿者的手背擺放姿勢，利用采集裝置采集到的不同的手背靜脈圖片都會存在一定角度的旋轉(zhuǎn)。本文在積分圖的基礎(chǔ)上，提出旋轉(zhuǎn)積分圖，經(jīng)過多次的旋轉(zhuǎn)，使不同的圖片都能通過旋轉(zhuǎn)得到幾乎相同用于積分的積分向量，增加識別的魯棒性。

從原始位置開始，根據(jù)設(shè)定的角度間隔不斷旋轉(zhuǎn)圖片，然后對手背靜脈圖像ROI區(qū)域二值圖像進行縱軸方向積分，計算公式如下：

(7)

式中,r(θm)用于表示第m個積分向量的向量表達式，m為對其中一個位面圖進行旋轉(zhuǎn)的旋轉(zhuǎn)次數(shù)；θm用于表示第m旋轉(zhuǎn)圖像與其中一個圖像之間相差的角度間隔，Im(i,j)表示第m旋轉(zhuǎn)圖像的矩陣表達式。其中，i為第m旋轉(zhuǎn)圖像的行像素點，j為第m次旋轉(zhuǎn)的圖像的列像素點，L為總行數(shù)。

具體如下，圖像ROI區(qū)域二值圖像向逆時針方向旋轉(zhuǎn)360/m度，獲得第一旋轉(zhuǎn)圖像，并對這個旋轉(zhuǎn)圖像進行積分來獲得第一個積分向量。將第一旋轉(zhuǎn)圖像沿逆時針方向旋轉(zhuǎn)360/m度，獲得第二旋轉(zhuǎn)圖像，并對這個旋轉(zhuǎn)圖像進行積分運算獲得第二個積分向量；重復(fù)旋轉(zhuǎn)圖像和對圖像進行圖像積分處理的步驟，直至將第m-1旋轉(zhuǎn)圖像沿逆時針方向旋轉(zhuǎn)360/m度，獲得第m旋轉(zhuǎn)圖像以及第m積分向量。

為了便于數(shù)據(jù)分析，將得到的m個積分向量進行向量堆積運算，獲得一個新的矩陣，計算公式如下：

(8)

其中:r(θm)用于表示第m積分向量的向量表達式，R(x,y)用于表示對第一積分向量至第m積分向量進行向量堆積運算之后獲得的二值積分圖像的矩陣表達式，其中x用于表示二值積分圖像的矩陣中的第x行，y用于表示二值積分圖像的矩陣中的第y列。將各個積分向量堆積在一起后，積分圖像中包括m個積分向量。

將這些積分向量運用歐氏距離(該方法將在下文詳細(xì)介紹)進行分類識別，不同旋轉(zhuǎn)角度下最高識別率也只有90%，識別效果一般。為了更好地利用該積分向量，本實驗提出在多角度旋轉(zhuǎn)積分后再利用二維離散余弦變換的方法，大大提高了識別率。

2.2 基于DCT變換的特征提取

多角度旋轉(zhuǎn)獲取的積分圖包含了手背靜脈的特征，但是存在很多的冗余信息，包括空間冗余，結(jié)構(gòu)冗余等，另外不同的旋轉(zhuǎn)角度使得每次手背靜脈圖像在積分后帶來的尺度變化，從而導(dǎo)致識別率的下降。為了維持尺度不變性和壓縮經(jīng)過旋轉(zhuǎn)積分運算的冗余信息，將經(jīng)過旋轉(zhuǎn)積分后堆積在一起的總的積分向量進行二維離散余弦變換(discrete cosine transform，二維離散余弦變換不僅可以保證高效性和實時性的，同時計算速度也很快，計算公式如下：

(9)

式中，F(xiàn)(u,ν)用于表示經(jīng)過多次旋轉(zhuǎn)積分后得到的堆積的總的積分向量進行DCT變換之后得到的表達式。其中，u和ν分別用于表示預(yù)設(shè)參數(shù)，R(x,y)表示對第一積分向量至第m積分向量進行向量堆積運算之后獲得的積分圖像的矩陣表達式；K為進行DCT變換的積分向量的總行數(shù)，L為進行DCT變換的積分向量的總列數(shù)。積分向量經(jīng)過DCT變換后如圖6所示。

圖6 DCT變換后的圖像

如圖6所示，積分向量在DCT變換后，信息能量幾乎都位于輸出矩陣的左上方位置，也就是圖像的特征幾乎存在于低頻區(qū)域[15]。為了去掉冗余信息，提取到更加有效的待識別特征，根據(jù)能量分布截取DCT變換后圖像的左上角N×N區(qū)域，公式如下：

(10)

由于獲得的低頻矩陣為二維矩陣，若將該低頻矩陣作為待識別特征進行身份認(rèn)證，則會使得認(rèn)證的計算過程較為復(fù)雜，降低認(rèn)證效率。因此，為了提高后續(xù)對身份認(rèn)證過程的認(rèn)證計算效率，將公式(10)中的低頻矩陣轉(zhuǎn)換成1×N2的一維特征矩陣，計算公式如下：

(11)

2.3 特診矩陣匹配

此時，我們已經(jīng)將手背靜脈圖像經(jīng)過預(yù)處理用于旋轉(zhuǎn)積分運算的二值圖，經(jīng)過多角度積分和二維離散余弦變化提取特征后，將圖像的特征表示為待識別一維矩陣。

(12)

找出通過公式(12)所求得的特征距離，計算特征距離的最小值d，計算公式如下：

(13)

因此，測試樣本Rt被識別為d所對應(yīng)的第t類注冊樣本Rt′。

3 參數(shù)選擇及實驗分析

在這個實驗中，為了充分反映本文提出方法實驗效果的有效性和可行性，在本實驗中收集了50名志愿者的手背靜脈圖像。 采集設(shè)備每采集一次圖像調(diào)整一遍參數(shù)，且不限制志愿者左右手的擺放位置和他們的姿勢。他們的左右手分別采集10張圖像，其中5張圖像用于進行訓(xùn)練，另外5張圖像進行測試，50名志愿者的左右手相當(dāng)于100個類別。

實驗的整個手背靜脈圖像裝置識別流程如圖7所示。

圖7 整個實驗流程圖

對經(jīng)過預(yù)處理的手背靜脈圖像從0～30°間隔的角度旋轉(zhuǎn)，每旋轉(zhuǎn)一次做一次積分運算，將多次積分運算得到的積分向量堆積在一起，然后做二維離散余弦變換并截取特征矩陣通過歐氏距離做分類識別，識別結(jié)果如圖8所示。

圖8 多種旋轉(zhuǎn)間隔和特征矩陣下的識別率

如圖8，隨著旋轉(zhuǎn)角度間隔持續(xù)增加，識別率也慢慢變大。旋轉(zhuǎn)角度間隔是15°時，識別率達到本實驗中最高。當(dāng)旋轉(zhuǎn)間隔角度過小時，不僅程序運行緩慢，而且還存在大量冗余信息。隨著旋轉(zhuǎn)間隔的增加，旋轉(zhuǎn)次數(shù)變少，圖像的特征變小。另外，旋轉(zhuǎn)角度間隔超過25°時，由于旋轉(zhuǎn)角度間隔變大了，那么旋轉(zhuǎn)次數(shù)將變少了，得到的積分向量也越少，且此時的特征較少，識別率急劇下降，所以再增大角度間隔不利于特征的提取，已經(jīng)沒有意義。

另外，積分向量經(jīng)過二維離散余弦變換后，本實驗分別截取了5×5，10×10，15×15，20×20，25×25大小的特征矩陣，經(jīng)過降維后用歐氏距離做分類識別。在旋轉(zhuǎn)角度為15度時，不同大小的特征矩陣獲得的識別率如表1所示。

表1 不同大小特征矩陣識別率

由表1所知，當(dāng)截取的特征矩陣大小為15×15時，識別率為100%。如果截取的特征矩陣太小，無法包含圖像的所有信息。從截取的特征矩陣大小來看，當(dāng)特征矩陣過大時，它將包含大量冗余，使識別效果變差。所以在旋轉(zhuǎn)間隔為15度、DCT變換后截取的特征矩陣為15×15時，識別率達到100%。

同時，本實驗選擇最佳參數(shù)來比較我們的算法與其他在手背靜脈圖像上算法的結(jié)果，結(jié)果如表2所示。

表2 不同算法下的識別率

PCA算法和LBP算法是基于局部特征的手背靜脈圖像識別方法，對參與訓(xùn)練和測試的手背靜脈輪廓的位置相當(dāng)高，所以識別率不高；SFIT算法雖然具有尺度變換、旋轉(zhuǎn)、光照的不變性，在手背靜脈圖像上的識別率也相對較高，但是耗時長；在深度學(xué)習(xí)算法需要進行訓(xùn)練的大樣本手背靜脈圖像，對本文的小樣本沒有很大的優(yōu)勢，旋轉(zhuǎn)等問題對正確識別造成很大的影響。本文算法在特征提取和識別時，時間上遠(yuǎn)遠(yuǎn)少于其它算法，經(jīng)過篩選最佳參數(shù)后，識別率大大增加。

4 結(jié)束語

針對手背靜脈圖像在亮度，旋轉(zhuǎn)角度，尺寸等方面造成的影響，本文提出了一種基于多角度旋轉(zhuǎn)積分圖的手背靜脈識別方法,并進行了參數(shù)優(yōu)化。本文結(jié)合檢測邊緣性能的靜脈圖像梯度分割方法，選取最佳角度間隔做旋轉(zhuǎn)積分運算獲取幾乎相同的積分向量，并通過二維離散余弦變換解決由于不同積分向量尺寸可能不一致所帶來的影響，并截取最佳特征矩陣用于分類識別，識別率超過99.9%。接下來，擴大樣本量并與其它算法進行融合將是進一步研究的重點工作。