馬慧，王科俊

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

靜脈識別技術(shù)是通過近紅外線穿透手指后所得的靜脈紋路來進(jìn)行個(gè)人身份識別，具有精度高、速度快、非接觸式等諸多優(yōu)點(diǎn)，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(biāo)提取的質(zhì)量密切相關(guān)［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(zhǔn)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(guān)研究較少，文獻(xiàn)［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(zhuǎn)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(xiàn)［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(jié)構(gòu)信息，而手指細(xì)長平直，不具備這一特性，使得這類方法無法應(yīng)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(diǎn)，提出了一種基于旋轉(zhuǎn)校正的手指靜脈圖像感興趣區(qū)域提取方法.由于質(zhì)心是每幅圖像均存在的性能指標(biāo)，并且它的計(jì)算是全局性的，因此通過圖像前景區(qū)域的質(zhì)心對圖像進(jìn)行旋轉(zhuǎn)校正的方式，充分利用圖像本身的固有屬性，具有較強(qiáng)的抗旋轉(zhuǎn)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(shí)驗(yàn)結(jié)果表明，本文方法能夠準(zhǔn)確地提取出手指靜脈圖像的感興趣區(qū)域，在此基礎(chǔ)上進(jìn)行指靜脈圖像匹配識別具有更好的識別精度和應(yīng)用價(jià)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(diǎn)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(diǎn)的集合.本文通過Kapur熵閾值化操作來實(shí)現(xiàn)手指區(qū)域的獲取.

實(shí)驗(yàn)原始圖像如圖1(a)所示，閾值化后的結(jié)果如圖1(b)所示，圖像中的白色區(qū)域?yàn)樘崛〕龅氖种竻^(qū)域.由于閾值分割后的圖像中存在毛刺，此處采用數(shù)學(xué)形態(tài)學(xué)中的開操作對其進(jìn)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(jìn)行.

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

2 旋轉(zhuǎn)校正

指靜脈圖像采集時(shí)，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(shí)間從同一手指上獲取的靜脈圖像存在不同程度的旋轉(zhuǎn)和平移現(xiàn)象，而手指沒有諸如指璞或手指關(guān)節(jié)彎曲形成的凹、凸點(diǎn)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(jìn)行旋轉(zhuǎn)校正，在旋轉(zhuǎn)校正的基礎(chǔ)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(zhì)心是每幅圖像均存在的性能指標(biāo)，并且質(zhì)心的計(jì)算是全局性的，其抗干擾能力較強(qiáng)，因此本文通過圖像前景區(qū)域的質(zhì)心進(jìn)行旋轉(zhuǎn)校正.在提取出手指區(qū)域后，計(jì)算目標(biāo)圖像即手指區(qū)域圖像的質(zhì)心C(cx，cy)，其計(jì)算公式如式(1)、(2):

式中:xi表示圖像中第i個(gè)像素的橫坐標(biāo)，yj表示圖像中第j個(gè)元素的縱坐標(biāo)，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(zhì)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(diǎn)坐標(biāo)O，連接點(diǎn)C和點(diǎn)O成一條直線lCO，計(jì)算直線lCO與水平方向線lH的夾角，即旋轉(zhuǎn)角度θ(如圖2所示)，以此對圖像進(jìn)行旋轉(zhuǎn)校正.θ的計(jì)算公式如式(3):

式中:(xC，yC)、(xO，yO)分別為點(diǎn) C和點(diǎn) O的橫縱坐標(biāo)值.當(dāng)θ＞0，即yO＞yC時(shí)，對圖像進(jìn)行順時(shí)針旋轉(zhuǎn);當(dāng)θ＜0，即yO＜yC時(shí)，對圖像進(jìn)行逆時(shí)針旋轉(zhuǎn);當(dāng)θ=0，即yO=yC時(shí)，不對圖像進(jìn)行旋轉(zhuǎn)操作.

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

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

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

旋轉(zhuǎn)校正后的圖像如圖3所示.

圖3 旋轉(zhuǎn)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(yīng)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(yīng)在該區(qū)域中;因此，ROI應(yīng)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(zhǔn)確性和有效性.并且為了能在匹配時(shí)進(jìn)一步的配準(zhǔn)，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(zhǔn)點(diǎn)，來對圖像進(jìn)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(guān)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(guān)節(jié)相對于手指其他部位具有更強(qiáng)的穿透能力;因此，整個(gè)指靜脈圖像中手指關(guān)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(guān)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(diǎn)的灰度值繪成曲線圖，如圖4(b)、(c)和(d)所示，圖中橫坐標(biāo)為所取像素所在的行數(shù)號，縱坐標(biāo)為該像素點(diǎn)的灰度值.從圖中可以得出，關(guān)節(jié)部位的那列像素點(diǎn)的灰度值相對于非關(guān)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(guān)節(jié)位置，進(jìn)而實(shí)現(xiàn)圖像的定位分割.

首先，將整個(gè)圖像區(qū)域向豎直方向進(jìn)行投影，即計(jì)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(diǎn)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(gè)指關(guān)節(jié)處，曲線有一個(gè)很好的峰值，即對應(yīng)圖像中的第60～90列.而第2個(gè)指關(guān)節(jié)的峰值不如第1個(gè)明顯，這是因?yàn)榈?個(gè)指關(guān)節(jié)部位肌肉的厚度相對于第1個(gè)指關(guān)節(jié)點(diǎn)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(dǎo)致曲線上的峰值不明顯.因此，本文選取第1個(gè)指關(guān)節(jié)點(diǎn)作為感興趣區(qū)域的定位分割點(diǎn).

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(jìn)行平移，在j∈［0，180］像素區(qū)間內(nèi)找到平均值最大的區(qū)域，將此區(qū)域的中點(diǎn)p作為分割的關(guān)節(jié)點(diǎn)，即手指左輪廓線的最小橫坐標(biāo)，則圖像感興趣區(qū)域在豎直方向左側(cè)的分割線取為

根據(jù)左側(cè)分割線l1確定出右側(cè)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?qū)挾?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(shí)，由于手指擺放的位置不同也會導(dǎo)致采集到的圖像中手指的長度不同，這都使得第1個(gè)指關(guān)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(nèi)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(gè)封閉的矩形區(qū)域，如圖6(a)所示.采用內(nèi)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(shí)驗(yàn)與分析

為了驗(yàn)證本文方法的有效性，采用哈爾濱工程大學(xué)模式識別與智能系統(tǒng)實(shí)驗(yàn)室建立的指靜脈圖像庫中的圖像進(jìn)行測試.該庫包含150個(gè)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(shí)驗(yàn)算法采用Visual C++6.0編寫，計(jì)算機(jī)硬件配置為CPU E5200主頻2.5 GHz，內(nèi)存2 GB.

4.1 普適性分析

為了檢驗(yàn)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(jìn)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(jìn)行分析可知，導(dǎo)致ROI提取失敗主要是因?yàn)椴杉膱D像質(zhì)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(guān)節(jié)位置無法確定，從而導(dǎo)致感興趣區(qū)域提取失敗.實(shí)驗(yàn)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(bǔ)充采集樣本圖像.

圖7 實(shí)驗(yàn)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(zhuǎn)性分析

在實(shí)際應(yīng)用中，ROI提取方法的抗旋轉(zhuǎn)性很重要，因?yàn)椴杉瘶颖緯r(shí)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(dǎo)致樣本圖像中的目標(biāo)發(fā)生旋轉(zhuǎn)，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(shí)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(xì)節(jié)特征點(diǎn)匹配方法對這2幅圖像進(jìn)行單樣本認(rèn)證實(shí)驗(yàn)，認(rèn)證結(jié)果為失敗;而采用本文方法提取出經(jīng)過旋轉(zhuǎn)校正的感興趣區(qū)域后再進(jìn)行認(rèn)證，認(rèn)證結(jié)果為成功.

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

由此可見，對經(jīng)過不同角度旋轉(zhuǎn)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(qiáng)的抗旋轉(zhuǎn)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(zhuǎn)變換而造成的認(rèn)證失敗現(xiàn)象.

4.3 識別比對實(shí)驗(yàn)

為了驗(yàn)證本文方法對系統(tǒng)識別性能的影響，采用上述基于細(xì)節(jié)特征點(diǎn)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(jìn)行1:1認(rèn)證實(shí)驗(yàn)和1:n識別實(shí)驗(yàn).實(shí)驗(yàn)時(shí)從每個(gè)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(gòu)成驗(yàn)證庫，其余4幅(共150×4=600幅圖像)構(gòu)成模板庫，實(shí)驗(yàn)結(jié)果如表1～2所示.

表1 2種圖像庫在1:1模式下的認(rèn)證結(jié)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(rèn)證結(jié)果Table 2 Results of two image databases under 1:n recognition

從實(shí)驗(yàn)結(jié)果可以得出，采用傳統(tǒng)的基于細(xì)節(jié)特征點(diǎn)的指靜脈識別算法能夠?qū)Υ蠖鄶?shù)圖像實(shí)現(xiàn)匹配、識別，但對少數(shù)圖像質(zhì)量過差的圖像，其識別效果并不理想.這是因?yàn)?，對受旋轉(zhuǎn)或平移因素影響較大的靜脈圖像進(jìn)行特征提取，會造成提取出的特征點(diǎn)間的相對位移較大，嚴(yán)重地影響后續(xù)的匹配、識別.而采用基于旋轉(zhuǎn)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(jié)束語

使用本文基于旋轉(zhuǎn)校正的感興趣區(qū)域提取方法能夠準(zhǔn)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(zhuǎn)、平移等非線性因素對圖像質(zhì)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(chǔ)上進(jìn)行靜脈圖像的匹配識別，能有效地改善采集圖像質(zhì)量不理想所帶來的影響，使識別結(jié)果更加可靠.為了進(jìn)一步地優(yōu)化和改進(jìn)本文方法，在今后的研究中，將擴(kuò)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(xué)報(bào)，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?fù)涮卣魈崛》椒ǎ跩］.中國科學(xué):信息科學(xué)，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(zhì)量評價(jià)［J］.智能系統(tǒng)學(xué)報(bào)，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(qiáng)的手指靜脈圖像分割［J］.應(yīng)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(shù):手指靜脈識別技術(shù)［M］.北京:清華大學(xué)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(jì)南:山東大學(xué)，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(xué)報(bào)，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(qiáng).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(xué)，2006:22-24.

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