一種基于梯度相關的指靜脈認證算法

林春漪，李明忠，孫 驍

(1.華南理工大學電子與信息學院，廣州 510640；2.中山大學中山醫學院生物醫學工程系，廣州 510080)

1 概述

在信息化時代，信息的安全性和保密性越來越受到人們的重視。在生物認證領域中，指靜脈認證又因為它的圖像易于獲取和快速有效而得到更廣泛的應用。但利用近紅外光拍攝的手指靜脈圖像，由于手指肌肉厚度變化引起的不規則的陰影和噪聲，使得血管靜脈并非清晰可見。針對不夠清晰的靜脈圖像，如何通過簡單處理獲得足夠高的識別率，研制運行穩定的小型化產品成為實際應用中的迫切需求。

目前，日本的日立公司[1-2]已推出指靜脈識別產品，但價格昂貴，使用了成本較高的攝像頭，認證算法對圖像質量要求較高。國內的研究大多處于實驗室階段[3-7]。歸納起來，在這些研究中存在以下問題：(1)沒有對拍攝的圖像進行是否是手指靜脈圖的判別；(2)對圖像質量要求較高；(3)圖像預處理和特征提取過程比較繁瑣，相當耗時；(4)模板匹配前均作了二值化或三值化等分割處理，從而不可避免地帶來了分割誤差。文獻[6]雖然針對前人研究存在的問題提出了使用方向濾波方法對圖像增強，但仍要對圖像進行細化和特征提取，對噪聲較敏感和費時，拒識率達到4.8%。

針對上述存在的問題，在采用低價攝像頭以降低成本從而導致圖像質量下降的情況下，本文提出基于梯度相關的指靜脈認證算法，同時為提高產品效率，提出基于直方圖統計的判別所獲取圖像是否指靜脈圖的算法，并給予語音提示。

2 算法框架

手指靜脈圖像是經過波長約為850 nm左右的紅外光源照射人體手指獲取的，所獲取的指靜脈圖像大小為352×288像素的灰度圖，每個像素8 bit，算法框架如圖1所示。

圖1 指靜脈認證算法框架

3 手指靜脈圖像判別

3.1 判別的必要性

在一個成熟的手指靜脈認證產品上，需要一個算法來判斷采集到的圖像是否手指靜脈圖像，認證前需要根據采集圖像判別是否手指靜脈圖，以節省認證資源。因此，本文提出基于直方圖統計的判別算法，在判別前對圖像做旋轉校正和裁剪感興趣區。

3.2 圖像旋轉校正與手指靜脈感興趣區域的截取

旋轉校正目的是使手指水平放置，達到歸一化，這樣才能消除由于手指放置偏差帶來的影響。本文采用與文獻[3]相同的旋轉校正算法，最后截取指靜脈感興趣區域，以便后續處理，結果如圖2所示。

圖2 靜脈圖像感興趣區域

3.3 基于直方圖分析的指靜脈圖像判別

基于直方圖分析的指靜脈圖像判別算法根據指靜脈的實際分布設計，其基本過程如圖3所示。

圖3 直方圖分析流程

直方圖分析所使用的判定條件是根據多次實驗結果統計得出的，因此與實驗條件密切相關，其中最主要的影響因素是圖像采集器的設備環境。把圖像的256個灰階分為32小段，統計直方圖分布。直方圖分布應滿足：

(1)前6段的概率之和應在5%以內，即允許圖像有少量的黑點。

(2)在7段～18段之間必須能找到相鄰的5段，其概率之和在40%以上，該區主要反映靜脈較豐富的手指區域。

(3)第 7段～第 22段的概率和應在 80%以上，該區主要反映整個手指區域。

(4)25段以后每段的概率不高于1%，即不允許出現過亮的點。

若不滿足上述條件，即判定該圖像非手指靜脈圖像，并給予語音提示。

4 圖像去噪

在實驗過程中，采集了 40個不同手指(大拇指除外)的靜脈圖像，其中，部分手指在不同的時刻采集70次，共588幅指靜脈圖像，由此構成未經去噪的指靜脈圖像庫1(圖像樣本來源與文獻[3]相同)。為減少圖像噪聲，采用鄰域平均法對圖像作平滑處理，并通過高頻濾波對平滑后的圖像去模糊處理，以此構成經去噪處理的靜脈圖像庫2。

5 靜脈梯度圖的提取

由于靜脈主要分布在灰度變化大的點，因此本文采用靜脈梯度相關的算法進行匹配。首先提取靜脈圖像的梯度圖，考慮到靜脈分布特點，其灰度分布符合最大曲率模型，對用于靜脈血管提取的匹配濾波算法[8]作了改進。文獻[8]中使用的12個模板運算量太大，不利于運算速度的提高。經過多次實驗證明，只需要檢測指靜脈在 0°、45°、90°、135°方向響應的最大值，即可獲得滿足梯度相關匹配的理想靜脈梯度圖像。0°、45°、90°、135°方向模板分別如下：

使用 4個方向算子分別對指靜脈圖像進行匹配濾波，得到 4個方向的梯度圖分別為 f1(x, y)、f2(x, y)、f3(x, y)、f4(x, y)，取每個點的4個方向的梯度最大值作為該點梯度構成指靜脈梯度圖G(x, y)，如圖4所示。梯度G(x, y)算式如下：

圖4 使用改進匹配濾波法獲取的指靜脈梯度圖

6 基于梯度相關的匹配算法

指靜脈的認證實際上是靜脈空間分布的匹配，受目標跟蹤算法的啟發，本文提出靜脈梯度相關的匹配算法，以梯度最大互相關作為兩指靜脈匹配的相似程度度量。算法的具體實現如下：

定義Img1為登記模板的梯度圖像，f(x, y)為其空間位置的灰度值，為其像素均值；定義 Img2為測試樣本的梯度圖像，其空間灰度值為g(x, y)，g為其像素均值。

(1)測試模板 Img2以 f(0, 0)為始點在登記模板Img1上進行x、y軸方向的漫游匹配，計算所得相關系數 γ1(u, v)為圖像漫游坐標位置 u、v的函數，如式(2)所示：(2)登記模板 Img1以 g(0, 0)為始點在測試模板Img2上進行x、y軸方向的漫游匹配。計算所得的相關系數γ2(u, v)，如式(6)所示。其中，靜脈圖像大小為M×N；(u, v)為測試靜脈模板在登記模板上漫游匹配的位置；1β與2β表示2次相互匹配程度的最大值。

經過上述2個步驟所得的98組梯度圖相關系數，基于最大互相關原理，取 β =max(β1, β2)作為評價兩指靜脈圖像的匹配程度。

圖5是某同一手指在不同時刻獲取的靜脈圖像的梯度圖，基于靜脈梯度相關算法，作為評價兩者匹配程度的β值為0.759 5，顯然2幅圖非常相似，兩靜脈圖匹配。

圖5 同一手指不同時刻的靜脈梯度圖

圖6是2幅不同手指的靜脈圖像的梯度圖，作為評價兩者匹配程度的β值為 0.183 5，顯然兩梯度圖差異較大，兩靜脈圖不匹配。

圖6 不同手指的靜脈梯度圖

7 實驗與結果分析

7.1 拒識率評估

實驗樣本為經去噪處理的圖像庫2中70個同一手指的靜脈圖像，以 1∶1的模式進行匹配，各得到4 900組數據。在不同閾值下，實驗結果如表1所示。若β≥T(T為經驗閾值)，則認定圖像識別通過，否則拒絕。

表1 本文算法的拒識率

為驗證認證算法的抗噪能力，針對未經去噪處理的靜脈庫1作相同的評估，實驗結果與表1相同。

7.2 誤識率評估

實驗樣本為經去噪處理的圖像庫2中40個不同手指的靜脈圖，以1∶1模式進行匹配，得到1 600組數據，實驗結果如表2所示。若β≤ T ，則認定圖像不匹配，否則認定圖像誤識別。

表2 本文算法的誤識率

為驗證認證算法的抗噪能力，針對未經去噪處理的靜脈庫1作了相同的評估，實驗結果與表2相同。從上述結果可見，本文算法對圖像的噪聲并不敏感。

根據拒識率與誤識率評估所得表格數據，ROC曲線作為匹配算法的測試指標，給出隨著閾值的不同拒識率和誤識率FAR之間的關系，如圖7所示。

圖7 識別算法的ROC曲線

由ROC曲線可見，閾值T設定為0.40比較合理，在此閾值下，能獲得較好的識別率。

在與本文使用同樣的實驗樣本條件下，文獻[4]算法的拒識率評估結果如表3所示，誤識率評估結果如表4所示。

表3 文獻[4]算法的拒識率

表4 文獻[4]算法的誤識率

從上述實驗結果可見，在特定的匹配閾值區間，采取相同測試樣本，基于梯度相關的匹配認證算法在拒識率和誤識率評估所達到的實質效果較文獻[4]算法更好。另一方面，文獻[4]算法過程復雜，丟失靜脈信息較多。

文獻[3]算法得到的識別率接近100%，但對圖像質量要求較高，處理步驟多，實驗中發現該算法對噪聲敏感，而本文的算法處理簡單，由于采用了梯度相關算法而對噪聲不敏感，且得到令人滿意的識別效果，更適合于低成本攝像頭拍攝靜脈的認證產品。

與文獻[6]算法比較，使用該文改進的方向濾波增強，能得到紋路光滑、清晰的靜脈圖，從文中實驗結果看，本文算法更簡單、識別效果更好。

與文獻[5]算法比較，基于小波矩融合 PCA變換的手指靜脈識別得到的誤識率為 0.7%，比本文算法得到的誤識率 0.375%高出接近 2倍，而其拒識率為1.05%，比本文算法所得的 1.20%僅高出 0.15%。但這2個實驗結果使用了不同于本文的實驗樣本，可比性不大。綜合考慮識別率和處理算法，基于梯度相關匹配的手指靜脈認證算法更簡單，省去了特征提取處理，在拒識率接近的精度下誤識率更低，對噪聲不敏感，更能滿足實際應用的要求。

8 結束語

本文提出一套針對紅外手指靜脈圖像的圖像處理以及模板匹配的算法。基于直方圖分析的方法判別是否指靜脈圖，針對指靜脈的特點采用改進的匹配濾波進行靜脈梯度的提取，并基于梯度相關的匹配算法，避免以往對靜脈圖進行分割所帶來的分割誤差，從而提高識別率。與以往的算法相比，該算法由于預處理簡單，不需要做二值化處理，也不必做為使用SVM或神經網絡識別圖像[9-10]所需的圖像特征提取。實驗結果表明，該算法識別率高，對噪聲不敏感，由于處理過程簡單而易于保證軟件系統的穩定性，特別適合于小型指靜脈認證系統。下一步研究工作是在保證識別率的前提下，進一步減小圖像尺寸，提高處理速度。

[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]Miura N, Nagasaka A, Miyatake T.Extraction of Fingervein Patterns Using Maximum Curvature Points in Image Profiles[J].IEICE Transactions on Information and Systems, 2007, E90-D(8): 1185-1194.

[3]林春漪, 周宇健, 陳慶武.手指靜脈認證系統的算法研究[J].光電工程, 2011, 38(2): 90-96.

[4]Sun Xiao, Lin Chunyi, Li Mingzhong.A DSP-based Finger Vein Authentication System[C]//Proc.of International Conference on Intelligent Computation Technology and Automation.Shenzhen, China: [s.n.], 2011: 333-336.

[5]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.

[6]王科俊, 馬 慧.使用改進的方向濾波與修正的Hausdorff距離的指靜脈識別方法[J].計算機輔助設計與圖形學學報, 2011, 23(3): 385-391.

[7]Yang Jinfeng, Li Xu.Efficient Finger Vein Localization and Recognition[C]//Proc.of International Conference on Pattern Recognition.Istanbul, Turkey: [s.n.], 2010:1148-1151.

[8]Chaudhuri S, Chatterjee S, Katz N.Detection of Blood Vessels in Retinal Images Using Two-dimensional Matched Filters[J].IEEE Transactions on Medical Imaging,1989, 8(3): 263-269.

[9]Wu Jianda, Liu Chiung-Tsiung.Finger-vein Pattern Identification Using SVM and Neural Network Technique[J].Expert Systems with Applications, 2011, 38(11):14284-14289.

[10]Hoshyar A N, Sulaiman R.Review on Finger Vein Authentication System by Applying Neural Network[C]//Proc.of 2010 International Symposium on Information Technology.[S.l.]: IEEE Press, 2010: 1020-1023.