顱骨灰度特征的小波分析與身份識別

摘要：通過對活體顱骨X線圖像直方圖進行小波變換并進行多分辨率分析，多尺度地分解和表示了顱骨X線衰減特征和空間結構尺寸特征，通過設計多尺度識別準則，實現了快速實時的顱骨同一性身份認定。實驗表明，該方法也支持對非活體的顱骨進行身份識別。

關鍵詞：小波; 顱骨識別; 生物特征

中圖分類號：TP391.42文獻標志碼：A

文章編號：1001-3695(2007)12-0374-03

在信息化程度不斷提高的今天，社會成員的一切活動似乎都與認證有關。人們要想獲取信息或對自己感興趣的信息進行操作，都必須先提交能證明自己是合法用戶的相關專有信息^[1，2]。這些需要系統自己進行識別判斷的輸入信息現在更多地由能表征個體惟一性的生物特征來表示。這些特征陸續被提出并先后應用于產業化應用。例如指紋用于身份識別，現在已經普遍應用于門禁系統和安全檢查；虹膜用于身份識別^[3]，已經在國際機場投入適用；人臉和聲音用于身份識別也取得了很好的實際商業效果。還有一些能表征個體身份的專有生物特征，如耳廓、步態、掌紋、靜脈血管結構、腳掌著地力的大小、牙齒和筆跡等?，F在也有人提出用檢測體味和心電圖或腦電圖來進行身份識別。其他人體骨組織的X線圖像進行身份識別已經在牙齒上得到應用^[4，5]。

顯而易見，越是容易獲取的生物特征，遭到人為惡意攻擊的可能性就越大。事實上，到目前為止，指紋、人臉、聲音、掌紋、步態和耳廓識別方法均對人為的修飾和偽裝無能為力。因此，只好采用多模態識別^[6]來組合若干個生物特征進行識別，以提高識別的準確率。為了彌補人為修飾和偽裝生物特征帶給識別的缺陷，增大欺騙所付出的代價，這里提出將顱骨作為一種新的生物特征來進行身份識別。這種識別方法沒有光照的限制和影響，是在沒有可見光條件下有效的身份識別技術。顱骨是人腦的骨骼支撐，形成的腦腔容納各種腦組織。它的外面包裹著頭發、腦皮層和面部軟組織，形狀和結構具有相對的穩定性，被修飾和偽裝的代價較高；而且大腦內部的骨組織如蝶骨(sphenoid)的結構形態幾乎不可能被人為修飾，整個腦腔的形態和結構也不容易被刻意地擴大或縮小。顯然顱骨識別是一種內部結構識別，是常見生物特征識別失效下的補充，一般應用于使用頻率不高，但極其重要的高級別身份安全認證，如國防重點核心部位和關鍵操作權限。

本文利用顱骨的側位X線圖像來進行多尺度的特征提取和識別判定。實驗對象是隨機收集的20例顱骨X線圖像。其中：17位男性，3位女性。

1顱骨X線圖像預處理和特征提取與多分辨率分析

1．1顱骨X線圖像的特點

顱骨X線圖像是人體X線照相檢查的一個部位。普通的X線圖片由于受輻射劑量、人體組織復雜性和散射效應的影響，使對比度降低、圖像比較模糊、邊緣和細節不清晰。顱骨X線圖像直接成像面積較大，內部結構被外部高密度顱殼所包圍，正面位置獲得的圖像由于顱面和頜面骨骼，有一定的紋理信息。這些紋理信息是外部和內部骨骼的X線重疊。在兩側位所成的圖像缺少紋理信息，但得到的灰度差異區域指示了內部骨骼重疊的區域及內部大致形狀。圖1、2給出不同性別的四位樣本的顱骨灰度圖像和對應的灰度直方圖。

1．2預處理和特征表示

由于X線源的發射噪聲和接收裝備的電子噪聲，X線圖像的噪聲干擾是顯著的。對圖像進行消噪處理，這里采用維納自適應濾波去除噪聲。維納濾波的效果要明顯優于中值濾波，更好地保存了圖像的邊緣和高頻細節信息。為了突出細節，這里還使用反銳化掩模來增強細節。就圖1(c)的處理過程，對應的原始直方圖如圖2(c)所示，維納濾波后的直方圖如圖3(a)所示，反銳化掩模增強細節后的直方圖如圖3(b)所示。可以看出，中部灰度分布有所調整。

本文假定獲取的圖像尺寸大小總是相同的。所有獲取的圖像均是基于同一臺設備和同一個質量水平。因為基于X線衰減的顱骨成像，表現在顱骨上是有區域選擇性的?；叶鹊牟町悓嶋H上就是沿X線發射方向的顱骨內部信息的積分求和，所以灰度的分布本身就是一種重要信息。這個信息也在顱骨的X線圖像直方圖上表現出來。因此對直方圖的分析和比較就是間接地對顱骨及顱骨內部結構進行比較。例如蝶骨的結構大小增加了X線的衰減，其位置也在顱骨X線圖像上表現出來。

重要的是在考察顱骨的同時，選擇灰度直方圖附帶的考察了部分頸椎的結構信息。頸椎在顱骨的形狀描述中是很少考慮的。此外，對于待檢的頭顱有一些特殊的人工標記，如鑲有金屬的牙齒、耳朵上的耳環和頭部骨骼的金屬支撐物等。一般的結構分析均沒有利用這些信息。實際上這在身份識別中是很有意義的。

2小波多分辨率分析

小波分析以其良好的時域和頻域細節表現能力在信號分析中的應用日益廣泛和深入。通過將信號投影到尺度空間和小波空間，實現了信號的一層降維分解，得到了該層細節信號和近似信號。根據分解層數要求，可以在該層尺度空間上繼續投影正交分解得到次一層尺度空間和小波空間。這樣信號就可以表示為一系列小波空間與最后一層尺度空間的正交和。原始信號被分層表示并投影到相應的空間，最后以各個空間上的投影系數來間接研究和表示原始信號。這些系數的大小本身就代表了對應層信號的能量，描述和刻畫了信號的特征^[7]。

以各層在不同空間分解的系數來表示信號，實現了信號的嵌套正交分解，代表了不同分辨率下的原始信號。對顱骨的X線圖像邊緣采樣信號進行多分辨率分析，將識別問題從二維降到一維。這里使用常見的Doubiches6小波選擇右半邊輪廓特征進行三層分解，可以得到由粗到細的多分辨率表示，如圖4所示。分解結果由分辨率最低的輪廓近似曲線和一系列表示細節信號的曲線組成。可以看出，近似曲線作為低頻分量是原輪廓曲線的一個平滑，高頻分量表示了各個指定分辨率下曲線的細節信息^[8]。

3顱骨X線圖像的識別

對一維信號的小波分解，信號能量集中于有限的幾個系數，其他的系數很小，幾乎為零。對于分解后的特征曲線，這樣就可以定義一個距離，如歐氏距離、海明距離等來快速判斷對應兩個分解層的曲線系數之間的差異。這個距離計算可以在分解的任意層次上進行。一般是先對低頻曲線進行比較，依據判定準則，再依次對各個層的高頻細節曲線的系數進行計算比較。這樣做的意義在于醫學X線圖像尺寸較大，邊緣輪廓較長，因此計算的復雜度和計算時間的要求苛刻，多尺度由粗到細的逐層判別有利于實時在線地進行判斷和識別。這里采用了歐氏距離來度量差異。

對于圖1所示的兩幅正面顱骨X線圖像(a)和(c)，視覺上比較相似。圖5為圖1(a)和(c)的分解第一層對應分量順序距離圖?？梢钥闯?，表示主要信號能量的大幅值系數集中在橫坐標的左端，其值很小，接近于零；表示細節信息的小幅系數大多在橫坐標的右側，對應系數的距離差異較大。評價這種區別的累加距離主要是由這部分作出貢獻。這里的近似分量累積距離圖5(a)為366 940，細節分量累積距離圖5(b)為11 028。

為了更好地進行分量距離的刻畫，如果有必要，還可以對灰度區間進行劃分，按灰度區間來進行漸進的比較和識別。如圖5所示，一級分解橫軸以50為單位劃分，在有效的系數長度范圍內分為三個階段，依次為0~50、50~100、100~150三個判斷區間。當然漸進識別也可以采用加權評判來進行。

4結束語

本文識別方法沒有光照的限制和影響，在沒有可見光條件下也能進行有效的身份識別。識別的對象是頭顱X線圖像，灰度的區域差異性就代表了一定的顱骨內部結構信息。因此依據顱骨X線圖像的直方圖分析進行顱骨的識別是有一定的生理和解剖學上的依據。為了精細刻畫這種平面結構和內部

重疊結構，多分辨分析有效地給出了由粗到細的表示。在統一的成像條件下，形狀和大小及內部結構完全一樣的顱骨是很少見的。同時，基于顱骨X線圖像的身份識別應用于高級別的活體快速身份認證，是補充和輔助性質的，待檢的顱骨X線圖像是有限的數量，認證的顱骨X線圖像特征也是有限的。所以，在小樣本下的活體識別是可靠的，便于嵌入到虹膜采集、人臉采集設備中。但對于非活體的顱骨身份認證與鑒別，要從顱骨X線圖像數據庫中進行檢索，僅僅依靠直方圖分析是不夠的，必須對形狀輪廓特征也同時進行考察并定量描述。將顱骨用于身份識別的下一步工作就是對顱骨正面X線圖像的紋理和按區域劃分的結構進行分析和研究。因為顱面和頜面上有許多生理特征均對個體的身份惟一性提供證據。例如眼眶的大小和相對位置、鼻孔的大小和位置、下頜骨的形狀等。

參考文獻：

[1]DELAC K， GRGIC M. A survey of biometric recognition methods[C]//Proc of the 46th International Symposiumon on ELMAR 2004. Zadar， Croatia:[s.n.]， 2004:184－193.

[2]JAIN A K， PANKANTI S. Biometrics a grand challenge[C]//Proc of the 17th International Conference on Pattern Recognition(ICPR’04). Wisconsin:[s.n.]， 2004:935-942.

[3]BOLES W W， BOASHASH B. A human identification technique using images of the iris and wavelet transform[J].IEEE Transactions on Signal Processing， 1998，46(4):1185－1188.

[4]JAIN A K， CHEN Hong. Matching dental X－ray image for human identification[J]. Pattern Recognition， 2004，37(2):1519－1532.

[5]NOMIR O， ABDEL－MOTTALEB M. A system for human identification from X－ray dental radiographs[J]. Pattern Recognition， 2005，38:1295－1305.

[6]PARK CH， CHOI T. Multi－modal human verification using face and speech[C]//Proc of the 4th IEEE International Conference on Computer Vision Systems.Washington DC: IEEE Computer Society， 2006:54-60.

[7]MANDAL M K， ABOULNASR T. Fast wavelet histogram techniques for image indexing[J]. Journal of Computer Vision and Image Understanding， 1999，75(1/2):99－110.

[8]JAIN P， MERCHANT S N. Wavelet based multiresolution histogram for fast image retrieval[J]. International Journal of Wavelets Multiresolution and Information Processing， 2004，2(1):59-74.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”