手指靜脈識別技術在軍工識別系統中的應用與研究

孫倩文 謝泰 芮偉 沙琨

摘要：目的：在當前新冠肺炎疫情下，為了進一步提升軍隊門禁系統的安全性，本文采用具有活體識別和非接觸特性的手指靜脈生物特征識別技術進行身份驗證。方法：本文首先進行了手指靜脈分割研究，包括靜脈圖像灰度化和去噪處理，設計了一種基于有效區域位置分布的ROI提取方案，采取圖像尺寸和灰度歸一化和濾波去噪等圖像處理方法，用基于谷型的靜脈分割算法得到圖像的紋理信息，并在此基礎上提出了基于PCA的特征映射方法。結果：依據本文提出的方法在構建的本地靜脈數據庫中試驗，測試識別率達到了99.87%，識別效果明顯。結論：指靜脈識別技術相比傳統的生物識別技術，其防偽性和準確性更適合新時代軍工識別系統要求。

關鍵詞：手指靜脈識別;軍工識別系統;PCA

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）23-0011-03

當前軍隊門禁系統身份識別主要依靠身份卡和密碼等傳統的身份鑒別方式[1]，但這些方式容易互相接觸，難以滿足防疫要求，并且身份卡攜帶不便，易丟失，易偽造。手指靜脈識別技術與這些傳統的身份鑒別方式相比，無須接觸設備，無須攜帶認證密鑰，隱私性更高，安全性更為可靠[2]。該技術可以有效地鑒定個人的身份，能夠極大地提升軍工系統的防疫安全性以及對軍隊信息的保護。

本文所研究的手指靜脈識別技術，它主要是通過指內靜脈成像來確認用戶身份[3]，當近紅外光照射手指時，指內靜脈流動的血液會吸收特定波長的紅外線，從而得到指靜脈紋理圖像 （如圖1所示）[4-5]。

1資料與方法：

1.1數據來源

本文所采用的實驗數據是來自某實驗小組建立的手指靜脈數據庫。

1.2手指靜脈圖像預處理

1.2.1手指靜脈圖像的去噪

本文針對原始指靜脈圖像，首先利用均值濾波器去除高斯噪聲，再用中值濾波去除椒鹽噪聲，最后輸出去噪圖像，如圖2所示。

原始靜脈圖像經過濾波綜合去噪后，效果如圖3所示。

1.2.3圖像定位與手指圖像截取

如圖3所示，在原始圖像采集過程中，由于外界環境影響，需要把剔除背景干擾部分，只提取靜脈最豐富的最具有實驗價值的圖像部分，因此要對其進行ROI提取，具體操作步驟如下：

1）去除背景信息，對邊緣去噪;

2）采用sobel邊緣檢測算子得到手指的輪廓（如圖4（a）所示），在手指的邊緣檢測圖中仍然包含一些孤立的噪聲（如圖4（b）所示），此時采用連通區域計算算法，設定特定閾值來剔除該噪聲;

3） 為了方便后續處理，將圖像邊緣細化成單像素，最后反變換得出手指在水平方向的輪廓;

4）輪廓內間距最小值計算。使用兩條水平的平行直線[l1]，[l2]對手指的輪廓進行內切，然后計算它們之間的最小內切距離，其中：

公式（1）中的[c1]表示手指上輪廓線的最大縱坐標，[c2]表示手指下輪廓線的最小縱坐標，[d]表示截取圖像的寬度。

1.2.4歸一化處理

在采集手指靜脈圖像時，由于拍攝角度、拍攝光線以及每個人的手指存在個體差異，因此在進行特征提取后，還應當進行歸一化處理。本文采用雙線性插值法進行歸一化處理。

歸一化處理后的靜脈圖像像素灰度值會變得集中，對后續的特征提取會造成影響，故本文對靜脈圖像進行了灰度歸一化處理，將圖像的像素灰度值歸一化在0～255范圍內。

在式（2）中，[p（i，j）]為變換后的灰度值，[p'（i，j）]表示原圖灰度值，[G1]表示原圖灰度最小值，[G2]表示原圖灰度最大值。

1.3手指靜脈紋路綜合提取

對歸一化的圖像進行閾值分割和細化處理，從而提取指靜脈圖像的有效特征。由于前期圖像采集過程中有眾多環境因素的影響，這里采用圖像分割和特征提取相結合的方法來快速提取低質量的指靜脈圖像。

最后采用NIBLACK算法對圖像進行二次分割提取準確度更高的靜脈特征。

1.3.1基于方向谷型檢測算子提取手指靜脈特征。

采用設計的八個方向上的谷型檢測算子模板在整幅圖像上滑動，使用該方法確定圖像中每一個像素點在該點走向，將八個不同區域算子與每個像素點11鄰域內的灰度值進行卷積運算，然后得到這8個方向上的最大卷積值，具體效果圖如圖5所示。

1.3.2 NIBLACK算法閾值分割

以11×11的模板在靜脈圖像[G'（x，y）]中滑動，計算當前鄰域內所有像素點的平均值和方差，將標準方差和均值進行權值相加，最后以此計算得到的灰度值為閾值對靜脈圖像進行二值化處理，具體方法如以下公式（4）和（5）所示：

靜脈圖像的二值化的效果如圖6所示。

1.3.3手指靜脈圖像紋路去噪

指靜脈灰度圖像中常見有椒鹽噪聲和高斯噪聲等，本文采用尺寸大小為3?3的不設定權值的方形模板對靜脈圖像進行濾波處理。中值濾波后的效果圖如圖7所示。

1.4基于幾何特征的匹配與識別

降噪后的指靜脈圖像經過前期的ROI提取、圖像閾值分割以及細化處理后，得到了一幅不被背景干擾的清晰的靜脈特征圖像樣本。在后續的圖像匹配中，為了優化匹配度，采用主成成分分析法對靜脈圖像進行降維特征描述。

1） 基于PCA特征提取

主成分分析法是一種在數字圖像領域常用的壓縮方法，PCA方法在得到一個最小均方差的為基準的前提下，對原始輸入圖像信號進行投影將特征從高維度降到低維度，從而得到最優的降維數字圖像特征。本文使用PCA算法的具體步驟如下：

（1）計算總體協方差矩陣表示：