弱約束條件下多特征融合的手背靜脈識別關鍵算法研究*

宋星月

（遼寧金融職業學院，遼寧 沈陽 010122）

1 弱約束條件下的手背靜脈識別的研究背景

弱約束條件下采集靜脈圖像，就是降低對靜脈采集過程中光照、環境溫度、環境相對濕度，手背汗漬、油漬、污漬，采集時間以及采集過程中手背的旋轉、位移變換等姿勢的要求，研究低質量的靜脈圖像增強和靜脈圖像分割算法，研究穩健性更高、更穩定的靜脈特征提取和靜脈特征匹配算法[1]。靜脈圖像分割是手背靜脈圖像處理過程中非常重要的環節，靜脈圖像分割的精度會影響靜脈端點和靜脈交叉點特征的提取，目前常見的靜脈圖像分割方法有：基于閾值的、基于區域的、基于邊緣檢測的和基于特定理論的圖像分割方法，以上方法存在對噪聲敏感、沒有考慮像素點空間特征、邊緣提取的不連續性和不封閉性等問題[2]。本文針對在弱約束條件下采集的靜脈圖像，經過圖像的感興趣（Region of Interest，ROI）區域提取，采用中值濾波除去泊松噪聲、高斯噪聲、乘性噪聲和椒鹽噪聲后，對圖像尺寸和灰度進行歸一化處理，增強對比度后，采用最大曲率算法進行靜脈圖像分割，以獲得有效的靜脈端點、靜脈交叉點信息。然而，僅憑靜脈端點和靜脈交叉點信息作為靜脈特征是不夠的，這是因為受弱約束條件下的限制，部分靜脈圖像分割出的靜脈端點和靜脈交叉點信息較少，因此，需要對手背靜脈圖像提取另一種特征點，2006年Herbert Bay[3]提出加速穩健特征（Speeded Up Robust Features，SURF）算法，該算法具有局部特征點檢測與描述的功能，并且運算速度較快，用于處理的圖像縮放、圖像平移、圖像旋轉以及不同環境下采集的圖像敏感性較弱的特性。SURF算法基于傳統的尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）算法基礎上發展而來，但運算速度和運算效率卻遠高于SIFT算法。2019年，王一丁等[4]針對弱約束條件下的手背靜脈圖像，基于SIFT算法進行研究，通過選取不同尺度因子σ，調整匹配閾值R，提取靜脈二值圖像內分塊區信息，匹配不同設備采集到的手背靜脈圖像，取得了一定的研究成果，促進在弱約束條件下對靜脈識別以及靜脈特征匹配研究的新進展。SURF算法基于Hessian矩陣和積分圖像來構建尺度空間和定位特征點，從而提取靜脈特征。本文采用特征層融合策略，將提取的靜脈交叉點和靜脈端點特征與SURF算法的特征向量融合，以此獲得聯合特征向量作為某個靜脈的特征點集，采用最近鄰模式匹配算法進行靜脈特征匹配，力求獲得在弱約束條件下，手背靜脈識別的高識別精度和識別率。

2 手背靜脈圖像分割

2.1 最大曲率算法

靜脈血液中的血紅蛋白吸收近紅外光后，形成黑色線條，從而呈現靜脈結構。對靜脈圖像進行橫截處理，在笛卡爾坐標中，表示出橫截線上的所有像素點的位置和灰度值，從圖像上看，靜脈區域的灰度值小于非靜脈區域的灰度值，第138圖1為靜脈界限圖；圖2為灰度分布曲線圖。其中，圖1中的橫線是手背靜脈第25行的橫截線；圖2則是該橫截線的像素點的灰度值。從圖2灰度分布曲線圖可以看出，A、B、C、D、E這5個點就是第25行的橫截線上的靜脈中心點。圖3為曲率圖。從圖3可以看出，靜脈中心點曲率是最大的，因此，靜脈圖像橫截線灰度分布曲線的局部最大曲率值就是靜脈中心點，用它可以代表手背靜脈。

圖1 靜脈界限圖

圖2 灰度分布曲線圖

圖3 曲率圖

2.2 提取靜脈的最大曲率算法的過程

1）計算曲率。曲率的計算公式為

式中：K為某點的曲率；y′為該點的一階導數；y″為該點的二階導數。

對于手背靜脈圖像，可以使用高斯模板計算整幅靜脈圖像的曲率，公式為

式中：（x，y）表示模板的坐標；σ為標準差。曲率最低點的曲率值最大，就是該靜脈中心點。

2）獲取最大曲率的靜脈圖像的分割圖像。上述方法得到的靜脈中心點，需要排除毛刺和噪聲的干擾，通過選取適當的閾值，得到最大曲率算法的靜脈信息圖像。圖4為不同標準差σ下的靜脈圖像的分割圖像。從圖4可以看出，當標準差σ取值較小時，噪聲較多；當標準差σ取值較大時，圖像中包含的噪聲較少，靜脈信息更完整。

圖4 不同標準差σ下的靜脈圖像的分割圖像

2.3 修復手背靜脈圖像

利用最大曲率算法獲得的靜脈圖像存在靜脈斷續、靜脈區域有孔洞、背景區域有噪聲的問題，需要對手背靜脈圖像的分割圖像進行處理，將斷續的靜脈連接起來，去除靜脈區域的孔洞和背景區域的噪聲，以便有效地提取靜脈端點特征和靜脈交叉點特征。

1）連接靜脈并去除孔洞。利用膨脹運算可以將斷續的靜脈連接起來，并去除靜脈區域的孔洞。原理如下：集合A被集合B膨脹，表示為A⊕B，表示空集，表示集合B的反射集合。圖5為靜脈圖像的分割膨脹圖。

圖5 靜脈膨脹圖

2）去除背景區域的噪聲。經過膨脹處理后，背景區域的噪聲也被膨脹成大小不一的斑點，圖像噪聲主要分為泊松噪聲、高斯噪聲、乘性噪聲和椒鹽噪聲等多種[5]。可以通過統計各個連通區域的像素數，當像素數量較小，小于設定的某個閾值時，這個連通區域就可以當做圖像背景來處理，見圖6。從圖6可以看出大部分斑點都被去掉了。

圖6 去除背景噪聲

2.4 靜脈細化處理以及去除毛刺

經過膨脹處理后的靜脈比較粗，需要對靜脈細化處理，提取單像素寬度的靜脈紋路，細化過程注意兩點：一是不能改變原有圖像中手背靜脈拓撲結構；二是細化時盡量為原圖像的靜脈中線位置。本文對比了常見靜脈細化處理算法，Hilditch的細化算法能保持原圖像的靜脈拓撲結構，適用于二值圖像，并且處理速度可以接受。經過膨脹處理和靜脈細化處理后的靜脈圖像存在毛刺，但毛刺本身不是真正的靜脈，去除的方法就是先檢測出靜脈端點和靜脈交叉點，具體方法見下文，然后再從某個端口開始，順著靜脈紋路，統計到某個靜脈交叉點或靜脈端點之間的像素點數N，如果N≥T（閾值）就認為是一個靜脈，否則就認為是一個毛刺，將這些像素設置為背景。靜脈細化處理見圖7；去除毛刺見圖8。

圖7 靜脈細化處理

圖8 去除毛刺

3 靜脈特征提取

靜脈特征提取是生物識別的關鍵技術之一。本文主要研究靜脈端點、靜脈交叉點特征提取的方法，但靜脈端點和靜脈交叉點是靜脈的全局特性，并且部分靜脈端點和靜脈交叉點數量較少，僅適用于粗匹配。為了提取靜脈的局部特征，并豐富特征量，還需融合靜脈的SURF算法的特征，具體提取方法如下。

3.1 靜脈端點提取

靜脈端點提取時，可以用3×3模板的中心位置表示靜脈端點N，它的像素值為1，該3×3模板見圖9。背景的像素值為0，靜脈的像素值為1，判斷靜脈端點的原理是：從N1點到N8點（包括N）按著從左到右、從上到下的順序依次遍歷，查看相鄰兩點像素值是否變化；遍歷完所有像素點后，如整個過程變化2次，則N點即為一個靜脈端點。圖10就是按上述方法提取到的靜脈端點。

圖9 靜脈端點提取所用的3×3模板

圖10 提取到的靜脈端點

3.2 靜脈交叉點提取

靜脈交叉點提取時，可以用3×3模板的中心位置表示靜脈交叉點C，它的像素值為1，見圖11。背景的像素值為0，靜脈的像素值為1，判斷靜脈交叉點的原理是：從C1點到C8點（包括C）按著從左到右、從上到下的順序依次遍歷，查看相鄰兩點像素值是否變化；遍歷完所有像素點后，如整個過程變化6次或8次，則C點為一個靜脈交叉點。第140頁圖12就是按上述方法提取到的靜脈交叉點。

圖11 靜脈交叉點提取所用的3×3模板

圖12 提取到的靜脈交叉點

3.3 靜脈SURF算法的特征點的提取

通過對手背靜脈圖像庫的圖像提取靜脈特征，可以發現，由于是在弱約束條件下，圖像受到光照、環境濕度、環境相對溫度、手背清潔度、采集時間、采集時手背位置姿態等因素影響，部分圖像經過圖像分割處理后，提取的靜脈端點和靜脈交叉點的特征點數量較少，而特征點數量較少的情況下進行識別，勢必會造成識別率的下降，因此，需要補充其他特征點，以提高靜脈識別率。SURF算法是Herbert Bay等[6]提出的，具有尺度不變性和旋轉不變性的特點，并且算法速度較快，SURF算法是基于近似Hessian矩陣來實現的。算法步驟如下。

1）積分圖像：像素點X=（x，y）處的積分圖像為

2）近似Hessian矩陣：圖像中某個像素點X=（x，y），它在尺度σ上的Hessian矩陣為：

式中：Lxx（X，σ）、Lxy（X，σ）、Lyy（X，σ）分別為高斯偏導數與圖像I在像素點X處的卷積。

3）尺度空間：SURF算法使用積分圖像和盒狀濾波器，將盒狀濾波器依次與原圖像進行卷積，再計算原圖像中每個像素點的近似Hessian矩陣的行列值，這樣就實現了對原圖像的變換。

4）提取特征點：SURF算法通過非最大抑制的方法尋找局部區域的極值點，如像素點X的值是最大的或最小的，定義為一個候選特征點。圖13中紅色小點就是按上述方法對原圖（圖8）提取的SURF算法的特征點。從圖13可以看出，SURF算法的特征點豐富，可以明顯增加手背靜脈的特征點數量。

圖13 SURF算法的特征點

4 多特征融合的匹配算法

手背靜脈識別最后一個階段就是靜脈匹配，靜脈匹配過程就是分類器設計的過程，是模式識別的關鍵技術之一。其設計理念就是利用之前處理的所有環節獲取到的模式特征，用距離變換的方法，設計出穩定、高識別率的分類器。本項目采用是最近鄰模式匹配算法，其原理是：如果有C個模式類別（ωi，i=1，2，…，C），每類有Ni個樣本xik（i=1，2，…，C；k=1，2，…，Ni）。那么，可得類的判別函數為

決策規則為

5 實驗情況

本文實驗庫中有60個手背靜脈樣本，均是在弱約束條件下采集的靜脈圖像，采用MATLAB 2016編程語言處理。按著靜脈特征識別系統流程開發，處理過程分為4步：靜脈圖像預處理、靜脈圖像分割、靜脈特征提取、靜脈特征匹配。

首先是靜脈圖像預處理，包括靜脈圖像轉換、ROI區域提取、圖像去噪、歸一化處理和圖像增強；其次是靜脈圖像分割，包括獲取最大曲率靜脈圖像的分割圖像，去除孔洞和背景噪聲，修復手背靜脈圖像，靜脈細化處理并去除毛刺，獲得靜脈二值圖像；再次是靜脈特征提取，包括提取靜脈端點和靜脈交叉點，但由于部分圖像的靜脈端點和靜脈交叉點數量有限，識別準確性不滿足要求，需要進一步豐富靜脈特征，SURF算法的特征具有平移不變性、旋轉不變性、縮放不變性和光照不變性，適宜弱約束條件下的靜脈匹配識別，故融合靜脈的SURF算法的特征作為特征量；最后是靜脈特征匹配，包括靜脈特征的比對和輸出識別結果，本文采用最近鄰模式匹配算法進行靜脈特征識別。實驗結果見第141頁表1和表2。

表1 1∶1情況下拒絕識別結果

表2 1∶n情況下錯誤識別結果

通過融合多個靜脈特征的提取與匹配實驗，可以發現，識別率是比較高的。正是由于SURF算法既有提取圖像局部特征的能力，同時又有不變性的特點，因而在一定程度上降低了圖像采集過程中受環境的影響，并降低了圖像采集過程中手背的平移變化、尺度變化和旋轉變化的敏感性。在弱約束條件下，獲得了較高識別率。