跨設備條件下手背靜脈識別方法的研究

王一丁 苗 霞

(北方工業大學信息學院 北京 100144)

0 引 言

“互聯網+”帶來的網絡化時代，使人們的生活更為便捷，但因身份識別所造成的安全問題也日益嚴峻，如何提高身份識別技術也成為各界所關注的重點。生物特征因其與生俱來的唯一性在身份識別應用上占據顯著優勢，其中虹膜、人臉、指紋和靜脈識別在日常生活中的應用較為普遍。個體所獨有生物特征使其可以區別于他人，以生物特征作為區分個體的身份信息，進而達到身份識別的目的。

手背靜脈是分布于手背皮下的靜脈結構組織，基于不同組織因紅外光的吸收率不同可以產生灰度差異，采用紅外光對手背進行圖像采集，可以突顯出靜脈的輪廓結構[1-2]。已有解剖學著作[3]證明手背靜脈在人類生長發育過程中具有獨特性和唯一性，采集過程需要保持在活體中進行，可以保證信息的安全性。所以，依據手背靜脈這一生物特征對個體身份進行識別在理論和研究方面均具有重要意義，且該技術也在不斷被推廣應用。

目前，各種基于PCA、LBP、SIFT，以及其他改進算法，例如MB2D-LDA[4]、基于紋理特征優化算法[5]等，在單一設備的識別率已經超過99%。顯然在單一設備、用戶配合較高的強約束條件下，手背靜脈識別準確度已有明顯成效。

但在接近自然應用的狀態下，往往用戶的配合度較低，基于手背靜脈識別也很難達到較高準確率。在跨設備、跨地域和跨姿態等弱約束條件下，不僅異類間的靜脈樣本存在類間變化，同類間的樣本也產生較大的類內變化。樣本圖像的變化難以預測，且變化的狀態存在沖突，使得以手背靜脈這一生物特征作為身份識別依據的難度大大增加。目前在跨設備條件下進行匹配識別的研究較少，使用經典SIFT算法在跨設備條件下進行實驗，其最高識別率僅為73.48%，結果表明，跨設備條件下的數據對識別效果造成較大影響。在改進型SIFT算法[6]中識別率達到90.8%，但錯誤識別仍然較高，有很大的提升空間。

本文選擇檢測邊緣性能的梯度閾值分割方法[7]生成的二值圖像庫進行實驗。針對跨設備條件下存在的問題，本文確定由二維小波分解提取關鍵點，并對不同方向細節特征圖像組合，最后確定在垂直+對角特征組合下，在對關鍵點的描述上引入生物視覺特性，并對描述子的結構參數進行適當調整，應用于手背靜脈識別，使關鍵點對應描述子有更強表述性能，在不同設備下采集的手背靜脈圖像庫中，識別率達到93.4%。

1 跨設備手背靜脈圖像庫

基于近紅外光對手背不同組織有不同吸收率，可以采集存在灰度差異的圖像，靜脈血管具有特定波長(實驗采用850 nm)，區別于其他手背組織，因此以紅外光采集的手背圖像，可以完整地顯示出靜脈結構。圖1所示為靜脈圖像的采集裝置。

(a) 靜脈采集設備外部裝置(b) 靜脈采集設備內部結構圖1 靜脈圖像采集裝置

由圖1所示紅外圖像采集裝置，共采集50位不同性別、年齡在20到25歲之間的手背靜脈圖像，采集過程不限制參與者的姿態，增加樣本的隨機性和多樣性，每只手背采集10幅圖片，兩個設備共計采集1 000幅靜脈圖像，構成實驗所用數據庫。

圖2為跨設備條件下采集的手背靜脈部分圖像?？梢钥闯觯o脈圖像在位置、尺度和角度等方面均存在不同程度的差異，且背景中皮膚、手柄等噪聲較多，不同設備下同類別圖像也顯現出較大差異，使得在跨設備條件下的手背靜脈識別難度大大增加。

圖2 跨設備手背靜脈圖像庫的部分圖像

灰度圖由于背景區域與靜脈的對比度不是很強烈，在識別過程中很容易因為手背其他區域的影響導致魯棒性很差，而二值分割圖的對比度最強烈，可以將靜脈走向完全突顯出來。通常二值分割需要選取合適的分割閾值T，即：

(1)

F(x)=1-f′(x)

(2)

式中：f(x)為采集的灰度圖像；F(x)為分割后靜脈顯示為黑色的二值圖像。

目前常見的分割方法有閾值圖像法[8]、最大類間方差方法[9]、Niblack方法[10]、Sauvola方法[11]和針對手背由Wang等[12]提出的邊界特性方法。梯度計算可以檢測邊緣輪廓，所以在分割靜脈過程中采用基于檢測邊緣性能的梯度方法[7]，可以改善靜脈脈絡檢測效果。將圖像邊緣由梯度信息進行描述，以下為將梯度計算引入的分割閾值計算公式：

(3)

(4)

式中:G代表全局最大梯度(一般為255);m(x,y)為N×N局部區域內均值;g(x,y)為點f(x,y)處的梯度值;G(x,y)是以該點為中心的各鄰域的最大梯度值;k(x,y)則對應自適應系數，可以通過參數α和β來確定。

k(x,y)依據局部區域對比度調整g(x,y)值，進而調整分割閾值T(x,y)，抑制血管分割斷裂現象發生，改善分割效果。此外，不同的梯度計算方法使得該方法在圖像分割上具有良好的可擴展性。

圖3為使用該方法分割后二值手背靜脈圖像庫的部分圖像。

圖3 二值靜脈圖像庫部分圖像

相對于灰度圖像，顯然二值圖像去除皮膚背景的靜脈結構顯示較為完整，更適合用來提取圖像的關鍵點等信息。

2 關鍵點提取方法

2.1 脊線提取方法

不同的類別對應不同的靜脈網絡拓撲結構，以脊線作為手背圖像的脈絡分布結構，可以對當前圖像進行描述。其中基于寬度結構模型[13]的匹配算法提出將二值圖像轉換為距離圖像，有助于圖像脊線的提取。脊線提取的部分方法如下。

二值圖像轉換為距離圖像：對于分割后的二值靜脈圖像，選取當前像素點作為操作中心，逐步增大圓的半徑至該圓與背景相接，此時以最大內接圓半徑代替當前像素值。以該方法遍歷靜脈區域所有像素，將二值圖像轉換為距離圖像。距離圖像表現為在靜脈中心線附近的值較高，并朝著邊緣方向距離值逐漸降低。

距離圖像的脊線提?。河删嚯x圖像中心線對于像素值較高，所以提取中心線對應數值，將其他邊緣值歸為背景類。此時，當前靜脈圖像的拓撲結構將由提取的脊線來表征。

脊線提取如圖4所示，其中：圖4(b)為圖4(a)生成的距離圖像?？梢钥闯?，該圖像在中心線附近較亮，對應較高像素值。圖4(c)為提取的脊線在二值圖像中的位置分布，其完整地顯示出靜脈圖像的脈絡走向。該方法的主要特點是關鍵點全部分布在靜脈上，但其梯度運算后方向性較差，對存在旋轉問題的圖像的適應性也相對較差。

(a) 二值圖像 (b) 距離圖像 (c) 脊線分布圖4 脊線提取

2.2 SIFT關鍵點提取

相較于脊線特征對圖像結構拓撲進行描述，SIFT關鍵點檢測方法作為目前常用的關鍵點檢測方法，其在圖像的局部范圍內選取極值點作為圖像關鍵點。高斯差分(DoG)為標準SIFT算法中的關鍵點檢測算法。該方法由一組連續變換的高斯核對同一尺度的靜脈圖像進行卷積，然后縮小圖像尺寸，進行相同的卷積操作，重復操作數次形成高斯金字塔，接著將同一尺寸相鄰卷積核的卷積圖像做差，得到用于確定關鍵點DoG金字塔。極值點的搜索模板設置為3×3×3，在鄰域范圍內確定極值點作為該圖像的關鍵點。

圖5所示為SIFT特征在靜脈圖像的分布，顯然幾乎所有的關鍵點都分布在靜脈的邊緣輪廓，相比于脊線特征增強了對方向性檢測的敏感性，但是關鍵點在部分區域的分布較為稀疏，不利于對圖像的描述，且大量卷積計算在特征提取過程中消耗時間較長，效率較低。

圖5 SIFT關鍵點分布

2.3 二維小波分解關鍵點提取

以二維小波分解算法對手背靜脈圖像進行關鍵點提取，圖像對應二維函數f(x,y)，使用可分離的尺度函數φ(x,y)，在具有多分辨率的矢量空間下，可將圖像分為逼近圖像和細節圖像兩部分[14]。

Sj=[〈f(x,y),φjn(x)·φjm(y)〉]m,n∈Z

(5)

式中：Sj代表不同尺度下參考的低分辨率圖像。對應的細節圖像分別為：

D1,j=[〈f(x,y),φjn(x)·Ψjm(y)〉]m,n∈Z

D2,j=[〈f(x,y),Ψjn(x)·φjm(y)〉]m,n∈Z

(6)

D3,j=[〈f(x,y),Ψjn(x)·Ψjm(y)〉]m,n∈Z

式中：D1j、D2j、D3j分別代表不同分辨率下不同方向的高頻細節圖像；j代表不同尺度。

在多分辨率的尺度空間中，靜脈圖像依據不同方向在不同尺度下進行小波分解，分解后的近似圖像和細節圖像呈現類金字塔的排列形式，如圖6所示。

圖6 靜脈圖像二級小波分解排列圖

圖6左上角圖像是原圖像二級近似分量(尺寸為原圖1/4)，該圖像由于過度壓縮，丟失太多原圖像信息，導致細節圖像較為模糊，不適合作為關鍵點對圖像進行表述。故本文選取一級近似分量對應圖像(尺寸為原圖1/2)提取細節信息對圖像進行描述，圖6右上、左下和右下分別對應靜脈圖像的垂直、水平和對角分量細節圖像。

實驗首先選取單一方向細節分量(即三幅細節圖像中任意一幅)作為該圖像的關鍵點。圖7為關鍵點在二值圖像上的分布情況。

(a) 水平 (b) 垂直 (c) 對角圖7 不同方向細節圖像的關鍵點分布

可以看出，小波分解的關鍵點均分布在靜脈的邊緣輪廓處，水平方向和垂直方向的關鍵點在靜脈的上邊緣分布較少，垂直方向的上邊緣基本沒有檢測到關鍵點，而對角方向的關鍵點在靜脈邊緣可以保持較為均勻的分布，所以實驗效果較好，識別率可達91.2%，但是該細節特征的分布較為稀疏，尤其在縱向邊緣的關鍵點分布較少，所以將考慮對不同方向上的特征進行組合以彌補單一特征的不足。多方向特征組合包括：水平+垂直、對角+垂直、水平+對角、對角+垂直四種組合方式。

圖8是小波分解的多方向細節圖像組合后的特征點在二值圖上的分布?？梢钥闯?，水平+垂直的組合特征圖并未改善上邊緣特征點缺失的問題；水平+對角的組合特征圖則缺少對垂直特征的檢測，而手背靜脈的豎直紋理分布較多，所以縱向特征的缺失將會影響實驗結果；水平+垂直+對角的組合特征圖將各方向的特征都融合在一起，雖然不存在特征缺失或稀疏的問題，但是在水平方向的特征點分布過于密集，進而會對局部特征重復的進行描述，而這些特征也將可能增大與其他類別的誤匹配率，也會增加計算量；最后選擇垂直+對角的特征圖組合，垂直方向的特征可以檢測靜脈圖像在豎直方向的紋理，而對角特征則可以提取圖像傾斜和彎曲區域的特征，可以完整地對圖像進行描述。

(a) 水平+垂直 (b) 水平+對角

(c) 垂直+對角 (d) 水平+垂直+對角圖8 小波分解的多方向關鍵點組合

與SIFT特征類似，二維小波分解所得特征也是位于靜脈輪廓的細節特征(高頻特征)，保留其對方向檢測的敏感性，對抗圖像旋轉具有一定優勢。并在垂直+對角的組合下，識別效果達到最佳，在跨設備條件下，最高識別率達93.4%。

3 魯棒特征描述子

3.1 生物視覺感知特性

經生物學家研究發現，視神經細胞中的P型細胞以接收視覺范圍內中心視野的信息，為大腦提供高分辨率信息，可用作對物體的識別。依據該細胞在視網膜上的分布特性以及其對外界刺激的響應機制，生成對圖像關鍵點的描述子，可具有更好的描述特性。

Rodieck[15]提出了神經節細胞受外界刺激，產生神經脈沖的響應關系，DoG建模函數如下：

(7)

式中：γc和γs分別為P型細胞在中心和周圍接受域的范圍；Hc和Hs分別為該細胞在中心和周圍的峰值靈敏度。其中H與γ成反比關系，即細胞較大的接受域范圍對應峰值靈敏度較差。所以式(7)可簡化為：

(8)

P型細胞除了與神經脈沖存在一定的響應關系外，在視網膜上的分布也存在一定特性。在P型細胞的分布范圍內，隨著細胞距視覺中心的距離增加，接受域范圍γ呈指數型增長，峰值靈敏度H相應減小，對應位置細胞所提供的空間分辨率也將降低。實驗證明神經節細胞的分布密度隨著距視覺中心距離的增長呈指數型下降，所以對外圍信息的采樣率也相應地降低。圖9(a)所示為P型細胞在視網膜上的分布圖。圖9(b)為P型細胞的近似建模分布圖，依據P型細胞的分布特性，圖中由中心向外以指數增長形式確定同心圓的半徑，對應細胞分布密度則呈指數型下降，該分布特性符合離散小波的理論[16]，可以完整地對特征進行描述。

(a) P型細胞分布圖 (b) P型細胞近似建模分布圖圖9 P型細胞

將這種生物視覺感知特性應用于對手背靜脈圖像所提取關鍵點的描述上，即依據生物視覺特性的建模方法，將關鍵點設置為中心點，提取其周圍的同心圓的各圓心位置所對應像素對當前關鍵點進行描述，進而描述整幅手背靜脈圖像。

3.2 基于生物視覺感知的魯棒特征描述子

依據P型細胞在視網膜中分布特性以及對外界刺激響應機制，構建的高可分性的魯棒特征描述框架(DERF)[17]下生成描述子的部分計算過程如下：

首先，在獲取一幅圖像后，采用一定的算法來獲取圖像的局部關鍵點，以每個關鍵點為中心，截取一定大小的圖像片段以便獲取對該關鍵點的特征描述。

然后，計算該圖像片段的DoG卷積梯度方向圖，如圖10所示。

圖10 關鍵點圖像片段及方向梯度圖

圖像片段的方向梯度圖共有H個方向，圖10左半部分為以關鍵點為中心的44×44的圖像片段，右半部分為該圖像片段的8個方向的梯度圖。之后，對每一幅梯度方向圖使用不同大小的高斯核σ卷積S+1次。最后，將同一個方向兩個相鄰尺度的高斯卷積方向梯度圖相減，得到DoG卷積梯度方向圖。計算流程如圖11所示。

圖11 DoG卷積梯度方向圖計算流程

根據P型細胞的分布特性，在DoG卷積梯度方向圖上采樣來構造每個關鍵點的描述子。圖12為描述子的采樣模板結構圖。

圖12 描述子采樣模板結構圖

圖12中的每個采樣點所處同心圓半徑以及對應的DoG卷積核由中心區域向外逐漸增大，將在DoG卷積梯度方向圖上進行采樣構建新的描述子。

采樣點的選取規則為：位于內層同心圓的半徑較小時，在對應σ比較小的一組DoG卷積方向梯度圖上進行采樣；半徑較大時，則在對應σ較大的一組圖片上進行采樣。本文設置5層同心圓對應差分后5組DoG卷積方向梯度圖，同心圓的中心點與最小半徑的同心圓選擇一致。

在尺度σ下，(α0,β0)位置在DoG卷積梯度方向圖中對應特征向量為：

(9)

所以，關鍵點(ξ0,υ0)在不同半徑、不同尺度下對應的全部描述子可以表示為：

Κ(ξ0,υ0)=

[hσ1(ξ0,υ0),hσ1(l1(ξ0,υ0,r1)),hσ1(l2(ξ0,υ0,r1)),…,hσ1(lT(ξ0,υ0,r1)),

hσ2(l1(ξ0,υ0,r2)),hσ2(l2(ξ0,υ0,r2)),…,hσ2(lT(ξ0,υ0,r2)),?hσS(l1(ξ0,υ0,rS)),hσS(l2(ξ0,υ0,rS)),…,hσS(lT(ξ0,υ0,rS))]T

(10)

式中：li(ξ0,υ0,rj)表示以關鍵點(ξ0,υ0)為中心，半徑為rj的同心圓上在第i方向對應采樣點的特征向量。

圖13為描述子的特征向量圖示，以關鍵點為中心，均勻地在每層同心圓上采樣8次，5層同心圓包含中心點，共計采樣41次。圖中每個采樣點的箭頭方向分別對應8個梯度方向圖，即每個采樣點對應維度為8的特征向量，因而該關鍵點由8×(5×8+1)=328維特征向量進行描述。相比于經典SIFT描述子以8×16=128維向量對關鍵點進行描述，如圖13(a)所示，本文所述描述子將傳統的在一幅圖像局部統計8個梯度方向，改為在8幅梯度方向圖對應位置同時提取像素點，而且基于生物的視覺特性，增加了描述子特征向量的維度，顯然該描述子能更詳盡地對手背靜脈特征進行描述。

(a) 傳統SIFT描述子 (b) DERF描述子圖13 特征向量示意圖

基于生物視覺特征的描述子，本文將考察其同心圓的不同參數對特征描述子在圖像片段上分布的影響。實驗設置相鄰同心圓之間的半徑比值為22/3，由于每層同心圓分布的不同采樣點對應高斯標準差相同，而且與該同心圓的半徑相關，所以兩個相鄰的高斯標準差的比值也為22/3，即為同心圓半徑的0.25倍。

由于圖像片段大小受最外層同心圓半徑影響，限制了同心圓最大層數，且層數太低實驗結果較差，改變同心圓層數對描述子數量也具有較大影響，所以綜合各種因素選定同心圓的層數為5。本文將主要驗證同心圓初始半徑r0對描述子分布以及最終識別率的影響。

4 實 驗

4.1 手背靜脈魯棒特征提取

本文將二維小波分解關鍵點提取算法與魯棒特征描述子結合，用于跨設備手背靜脈識別中，圖14為具體的識別流程。以1號設備為訓練集，2號設備為測試集，首先對靜脈圖像做小波變換，提取細節靜脈的圖像，然后選取垂直+對角的組合作為圖像的特征點；以每個關鍵點為中心，在大小為120×160的原圖像上截取周圍44×44的圖像片段；構建每個圖像片段的DoG梯度方向圖，最后采用圖12所示的結構在梯度方向圖中進行采樣，得到每個關鍵點的描述子。

圖14 跨設備條件下手背靜脈識別流程圖

4.2 實驗結果分析

基于生物視覺特性的描述子，實驗過程中選取能使描述子最緊的參數，即DoG梯度方向圖中，選取8方向的梯度圖，計算梯度采用的是DAISY算法[18]，實驗設置最初的初始半徑r0為5。實驗首先基于SIFT算法，將特征描述子更換為DERF描述子，對比實驗結果如表1所示。

表1 不同描述子對比結果

可以看出，DERF特征描述子對跨設備條件下手背靜脈識別中更具優勢。所以選取基于生物視覺的DERF描述子對關鍵點進行描述，然后實驗驗證不同關鍵點提取方法在跨設備條件下對手背靜脈的識別效果，實驗結果如表2所示。

表2 不同關鍵點提取算法對比結果

實驗結果顯示，二維小波分解在對角方向的細節圖像特征達到的識別率最高，說明小波分解的關鍵點提取方法更適合于手背靜脈的識別。但其提升幅度很小，僅有0.4個百分點，所以提出將小波分解后不同方向的細節分量進行組合，以彌補單一特征的不足。不同方向特征圖在不同組合下的實驗結果如表3所示。

表3 特征圖不同組合對比結果

可以看出，特征圖在組合形式下進一步提升了識別率，證明了不同方向特征圖組合的有效性，其中垂直+對角和水平+垂直+對角的細節特征圖組合下，識別率相差較小，但是后者的計算量增加較大，所以本文選擇垂直+對角的特征組合進行實驗。

確定了關鍵點的提取方式，實驗進一步考察同心圓初始半徑r0對描述子有效性的影響。對不同同心圓初始半徑r0在1-2庫中的靜脈圖像進行實驗，算法統計得到兩庫之間同心圓初始半徑與識別率關系如圖15所示。

圖15 同心圓初始半徑與識別率關系圖

可以看出，手背靜脈識別率受同心圓初始半徑影響，半徑選為4時，在跨設備條件下手背靜脈的識別率可以達到93.4%。

為了證明本文方法可以有效提高跨設備條件下手背靜脈的識別率，采用了四種算法進行比較，即PCA、LBP、SIFT和改進SIFT關鍵點的提取算法。將兩個不同設備下采集的手背靜脈圖像集，分別作為測試集和訓練集，每種算法分別進行對比實驗，結果如表4所示。

表4 不同算法手背靜脈識別對比結果

對比結果顯示，本文在魯棒特征描述子與二維小波分解在垂直+對角的細節特征組合下使得跨設備條件下的識別率有了進一步的提高，可達到93.4%，證明本文方法有良好的可行性和有效性。

5 結 語

在分割后形成的二值手背靜脈圖像庫中進行實驗，本文通過對比不同的關鍵點提取方法，最終確定以二維小波分解算法進行關鍵點提取，并確定垂直+對角的細節分量為關鍵點的最優組合。垂直+對角的特征圖組合不僅可以檢測到靜脈圖像在豎直方向的紋理，而且也可以提取圖像傾斜和彎曲區域的特征。依據視神經細胞中P型細胞在視網膜上的分布特性以及其對外界刺激的響應機制，形成了基于生物視覺特性的關鍵點描述算法，本文對該算法的結構參數進行調整，形成更適用于手背靜脈圖像的具有高可分性和魯棒性的特征描述子。在由不同設備采集的手背靜脈圖像庫中，該方法識別率達到93.4%，表明其具有較高可行性。