基于特征值加權融合的手指靜脈圖像質量評估

余成波，胡晶晶，孔慶達，余玉潔，鄧順華

(重慶理工大學，重慶　400054)

?

基于特征值加權融合的手指靜脈圖像質量評估

余成波，胡晶晶，孔慶達，余玉潔，鄧順華

(重慶理工大學，重慶400054)

摘要：對手指靜脈圖像進行處理：首先提取了空間域梯度、對比度、圖像的二維熵、位置偏移度、信噪比等5個特征值，然后對其進行加權融合進而建立質量評估模型，最后利用模型進行分類實驗和識別對比實驗。結果表明：將提取的特征值加權融合后建立的模型不僅能夠很好地對高低質量的手指靜脈圖像進行分類，也能在一定程度上提高識別系統的識別性能。

關鍵詞：質量評估；特征值；加權融合

近年來，生物特征識別技術已經成為眾多學者研究的熱點。利用手指靜脈識別技術研究人體手指內部的靜脈信息，具有高防偽性，可廣泛用于銀行ATM機、海關、銀行、部隊以及辦公大樓等領域的門禁系統、保險系統等[1]。在手指靜脈身份識別系統等相關產品的應用過程中，首先要進行手指靜脈圖像采集。采集到的圖像質量的好壞直接影響后期的特征提取、圖像識別等相關操作。在圖像采集過程中，采集圖像容易受各種外界條件的影響，從而導致采集質量差[2]。大量實驗顯示，手指靜脈圖像采集的主要外部影響因子包括[3]曝光不均勻、手指的偏移、溫濕度、采集者血管不清晰以及采集行為不當等，將導致采集圖像模糊不清。這些低質量的圖像不能直接輸入識別系統，否則會對后期的圖像處理操作造成不良影響，甚至導致識別出錯。

為了消除采集過程中以上因素對手指靜脈識別系統產生的影響，需要將低質量圖像剔除，將高質量圖像輸入系統，將高、低質量圖像區分開來，故提出了圖像質量評估算法。

通過對現有質量評估算法的研究，本文對手指靜脈圖像提取出空間域梯度、對比度、圖像的二維熵、位置偏移度、信噪比等5個特征值。

1特征參數分析

空間域梯度：空間域梯度是一種表征靜脈圖像脊—谷方向清晰度的特征，如果局部區域的質量較好，則脊—谷方向比較清晰；如果局部區域的質量較差，則脊—谷方向不清晰[4]。

對比度：在手指靜脈識別系統采集圖像的過程中，常由于光照不足或者曝光太強導致靜脈圖像對比度下降。通過計算圖像的對比度，能夠得出曝光強弱對圖像質量的影響[5]。

圖像的二維熵：圖像的一維熵可以表示圖像灰度分布的聚集特征，即表示的是孤立像素的靜態信息，不能反映不同像素之間的靜態信息。為了表征這種特征，在一維熵的基礎上引入二維熵[6]。

位置偏移度：表示手指靜脈圖像前景區域的質心相對于整幅圖像幾何中心的偏移度，由兩個參數組成，分別是水平偏移度和垂直偏移度[7]。

信噪比：圖像信噪比是指有用信號和噪聲的比率。對于一幅圖像來說，信噪比越大，圖像質量越高；信噪比越小，圖像質量越小。

2特征參數提取

2.1空間域梯度

(1)

式(1)中：c11,c12,c21,c22分別表示協方差矩陣C的元素，C的特征值為：

(2)

并且λ1≥λ2。此處定義一個標準化相關測量值：

(3)

該標準化測量值反映了在區域塊B中局部脊—谷方向的清晰度。如果局部區域的脊—谷方向比較清晰，那么λ1>>λ2，從而得出k≈1。相反地，如果局部區域額質量較差，脊—谷的方向不清晰，則λ1≈λ2，從而得出k≈0。

假定Q1為手指靜脈圖像像素梯度評估函數，則

(4)

式(4)中：N表示圖像被分得的區域塊的總數量；ki表示被分得圖像中第i塊的標準化相關測量值，經實驗證明，其對應的權系數取wi=1時效果最好。

2.2圖像對比度

圖像對比度即圖像像素的均方差。將一幅給定的圖像分割成數個8×8的不重疊區域，對于每個區域B，其均方差可計算為

(5)

式(5)中：fM是區域B中灰度值的平均值；r是區域B中總的像素數；fi是某一個像素的灰度值。

一幅圖像的對比度是所有被分割區域對比度的平均值[9]，即

(6)

其中N代表一幅圖像分割所得區域的總數量。

2.3圖像二維熵

選擇圖像的鄰域灰度均值與圖像的像素灰度值組成特征二元組(i,j)，其中i表示像素的灰度值(0≤i≤255)，j表示鄰域像素的灰度均值(0≤j≤255)，定義：

(7)

式(7)中：pij反映某像素位置上的灰度值與其周圍像素灰度分布的綜合特征；f(i,j)表示特征二元組(i,j)出現的頻數；n為圖像的尺度，則離散的圖像二維熵可定義為

(8)

假定Q3為手指靜脈圖像信息熵評估函數，則

(9)

2.4位置偏移度

如果采集者手指位置放置不正確導致靜脈圖像位置偏移，那么采集到的靜脈圖像質量將不理想。通過提取位置偏移度特征來建立質量評估函數，可剔除偏移度較大的圖像[10]。

首先計算前景區域的質心坐標，然后計算整幅圖像的幾何中心，最后根據質心坐標和幾何中心的偏移量來確定位置偏移質量分數，從而建立位置偏移度函數模型來評價手指靜脈圖像的質量[11]。

首先，計算前景區域的質心坐標：

(10)

(11)

式中：x[i]表示圖像區域D中第i個像素的橫坐標；y[j]表示圖像區域中第j個像素的縱坐標；M表示圖像區域D中像素的總數。

位置偏移度質量分數由水平偏移度質量分數和垂直偏移度質量分數來綜合確定。水平偏移度質量分數和垂直偏移度質量分數分別根據前景區域的橫坐標和質心坐標來計算，計算公式如下

(12)

(13)

其中W表示前景區域的橫坐標。

在求得水平偏移度質量分數和垂直偏移度質量分數之后，得到能夠評價手指靜脈偏移度的位置偏移度質量分數，計算公式如下：

Q5=(100-QH)×(100-QV)/100

根據相關實驗證明，變頻器的使用壽命是和溫度有關的，所處環境溫度的升高會對變頻器的使用壽命有很大的損害。所以，在日常的使用時要定期對變頻器進行檢修。可以從以下方面著手：

(14)

2.5圖像信噪比

傳統意義上的信噪比由式(15)計算[9]：

(15)

(16)

Q4=SNR

(17)

3特征參數的加權融合

傳統的加權融合方法直接將提取的特征值進行加權計算，并且提取出的所有特征值所處地位是一樣的。本文考慮到不同特征值對圖像質量的影響不同，根據影響程度的高低，使提取的5個特征值在加權結果中所占比例不同，從而得到綜合評價質量函數Q：

(18)

4實驗結果及分析

4.1分類實驗

為了評估單個特征參數構成的評估函數鑒別手指靜脈圖像質量的能力，本文分別對200張高質量圖像和200張低質量圖像進行了實驗。圖1表示的是以空間域梯度作為特征參數來評價圖像質量的實驗結果，顯示了高質量圖像和低質量圖像的空間域梯度評估函數的分布情況，星狀點代表高質量圖像的空間域梯度評估函數值，圓點代表低質量圖像的空間域梯度評估函數值。從圖中可以看出：高質量圖像的評估函數值較大，主要分布在上方；低質量圖像的評估函數值較小，主要分布在下方。然而，在空間域梯度評估函數值在[0.43,0.57] 范圍內，高、低質量圖像難以區分，所以，僅使用空間域的梯度這一特征值來評價手指靜脈圖像的質量是不合理的。

圖1　空間域梯度函數分布

同理，分別對其他幾個特征參數進行單獨實驗，實驗效果和單獨空間閾梯度實驗效果類似，顯示不能很好地區分高質量和低質量的靜脈圖像。最后，使用同樣方法，對200張高質量圖像和200張低質量圖像進行實驗，特征參數不再是單個的，而是對加權之后的特征函數進行實驗，最終得出實驗結果，如圖2所示。

圖2中：星狀點代表高質量靜脈圖像的值；圓點代表低質量靜脈圖像的值。從圖中可以看出：高質量圖像的加權值主要集中在[0.48,0.65]范圍，低質量圖像的加權值主要集中在[0.35,0.48]范圍。由此說明，經過加權求和之后，高、低質量的靜脈圖像能夠很好地被區分開來。

圖2　加權之后的函數分布

4.2識別對比實驗

本實驗所用手指靜脈識別系統采用波長為850 nm的近紅外光光源模塊和型號為MT9V034的攝像頭。采集者是20～40歲年齡段的50名男性和女性，每人采集20次，一共得到50×20=1 000 張手指靜脈圖片，記為數據庫D1。通過上述算法對數據庫D1進行處理，求出最優閾值Q。閾值選取過大或者過小都會對系統識別性能產生不利的影響。閾值過大，容易將高質量的圖像誤判為低質量圖像；閾值過小，容易將低質量圖像誤判為高質量圖像，這些都會降低識別系統的準確度和識別精度。通過實驗和分析，取閾值Q=0.48，將Q大于等于0.48的圖片記為高質量圖片，存于數據庫D2中， 將Q小于0.48的圖片記為低質量圖片，舍棄，最終得到614張高質量圖片的數據庫D2。

FRR(false rejection rate)和FAR(false acceptance rate)是用來評估指紋識別算法性能的2個主要參數。FRR是拒真率的意思，可以理解為“把應該相互匹配成功的靜脈當成不能匹配的靜脈”的概率。FAR一般稱為認假率，可以理解為“把不應該匹配的靜脈當成匹配的靜脈”的概率。FRR和FAR互相矛盾，當兩者相等時的概率是等錯誤率。以FAR為橫坐標、FRR為縱坐標畫曲線，就是ROC曲線；再畫y=x的曲線，兩個曲線相交時對應的橫坐標或縱坐標就是等錯誤率，此時系統的識別性能是最好的。

分別將數據庫D1和D2作為測試數據庫，對系統進行識別性能的測試。運用相同的識別算法，對測試數據庫中的圖像數據進行識別匹配。

通過以上分析可知：在識別過程中，閾值過大或者過小都會使得系統識別率降低。在不同的閾值下，分別計算出拒真率FRR和認假率FAR，然后分別以FAR為橫坐標，FRR為縱坐標，畫出ROC曲線。

圖4　D2數據庫的ROC曲線

圖3和圖4中，直線表示的是y=x，曲線表示FRR和FAR互相矛盾，呈現負相關的趨勢，直線和曲線的交點表示FRR=FAR，表示等錯誤率，此時的閾值為最優值0.48，系統的識別性能最好。

從圖3和圖4可以看出：D1的等錯誤率為9.253%，D2的等錯誤率為6.852%，顯然小于使用數據庫D1時的等錯誤率，故此時系統的識別性能較好。

5結束語

本文通過對手指靜脈采集圖像進行特征提取，提取出空間域梯度、對比度、信息熵、信噪比、位置偏移度等5個特征，然后將其進行加權融合，從而建立起手指靜脈圖像質量評估模型。通過實驗證明模型能夠將高、低質量圖像進行分類，并且能在一定程度上提高手指靜脈識別系統的識別性能。但是加權融合算法在對高、低質量圖像進行分類的過程中，閾值的確定比較復雜，有待進一步研究和改善。

參考文獻：

[1]趙秀萍.生物特征識別技術發展綜述[J].刑事技術,2011,6(4):1008-3650.

[2]秦華峰.手指靜脈圖像質量評估與特征識別算法研究[D].重慶:重慶大學,2012.

[3]王科俊,劉靖宇,馬慧，等.手指靜脈圖像質量評價[J].智能系統學報,2011,6(4):324-327.

[4]豐明坤,趙生妹,邢超.基于視覺顯著失真度的圖像質量自適應評價方法[J].電子與信息學報,2015,37(9):2062-2068.

[5]王科俊,馬慧,管鳳旭，等.基于圖像采集質量評價的指紋與指靜脈雙模態識別決策級融合方法[J].模式識別與人工智能,2012,25(4):669-675.

[6]羅學剛,呂俊瑞,王華軍，等.基于局部結構張量的SSIM圖像質量評價[J].微電子學與計算機,2014,31(9):109-112.

[7]李朝鋒,唐國鳳,吳小俊，等.學習相位一致特征的無參考圖像質量評價[J].電子與信息學報,2013,35(2):484-488.

[8]黃忠主,穆春迪,謝劍斌，等.用于特征提取的靜脈圖像質量評價方法[J].計算機科學與工程,2013,35(10):186-190.

[9]李寰宇,畢篤彥,楊源,等.基于深度特征表達與學習的視覺跟蹤算法研究[J].電子與信息學報,2015,37(9):2033-2039.

[10]陸建華.指紋識別系統圖像質量評估及預處理研究[D].長沙:中南大學,2010.

[11]陳勇,樊強,帥鋒.基于小波分析的圖像稀疏保真度評價[J].電子與信息學報,2015,37(9):2055-2061.

(責任編輯楊黎麗)

Finger Vein Image Quality Evaluation Based on Eigenvalues Weighting and Fusing

YU Cheng-bo, HU Jing-jing, KONG Qing-da, YU Yu-jie, DENG Shun-hua

(Chongqing University of Technology, Chongqing 400054, China)

Abstract:According to processing the finger vein image, firstly, this article extracted five characteristics, which including the gradient in the spatial domain, contrast, the two-dimensional entropy of image, position deviation and signal-to-noise ratio. Secondly, the five eigenvalues were weighted and fused to set up a quality evaluation model. Finally, the classification and identification-contrast experiments were done using the model. The results show that using the model to set up after characteristics weighting and fusing, not only the high and low quality finger vein images can be well classified, but also the recognition performance of recognition system can be improved to some extent.

Key words:quality evaluation; eigenvalues; weighting and fusing

文章編號：1674-8425(2016)02-0084-05

中圖分類號：TP391.4

文獻標識碼：A

doi:10.3969/j.issn.1674-8425(z).2016.02.015

作者簡介：余成波(1965—)，男，江西人，博士，教授，主要從事信號與信息處理研究。

基金項目：國家自然科學基金資助項目(61402063);重慶市科技人才培養計劃(新產品研發團隊)項目(CSJC2013KJRC-TDJS40012);重慶高校優秀成果轉化資助項目(KJZH14213)

收稿日期：2015-10-18

引用格式：余成波，胡晶晶，孔慶達，等.基于特征值加權融合的手指靜脈圖像質量評估[J].重慶理工大學學報(自然科學版)，2016(2):84-88.

Citation format：YU Cheng-bo, HU Jing-jing, KONG Qing-da, et al.Finger Vein Image Quality Evaluation Based on Eigenvalues Weighting and Fusing[J].Journal of Chongqing University of Technology(Natural Science)，2016(2):84-88.