陳曉騰 王彪 唐超穎 蘇菡 魏祥灰

摘 要：針對手臂靜脈這一全新的生物特征提出一種特征提取及匹配的算法。首先利用限制對比度自適應(yīng)直方圖均衡化方法對近紅外圖像進行對比度調(diào)整，接著利用Gabor濾波器提取靜脈，并進行方向和尺度的標準化；在曲線修復(fù)和分割的基礎(chǔ)上，提取描述曲線段的方向特征、位置特征和描述曲線形狀的Hu不變矩特征；然后搜索匹配曲線對，并利用粒子群算法計算最優(yōu)空間變換關(guān)系，最后進行靜脈的匹配。針對150人數(shù)據(jù)庫的匹配實驗結(jié)果表明，該算法的識別率優(yōu)于其他方法，說明手臂靜脈作為一種新的生物特征具有良好的應(yīng)用前景。

關(guān)鍵詞：生物特征；手臂靜脈；粒子群優(yōu)化；識別；

中圖分類號：TP391 文獻標識碼：A

Abstract：A feature extraction and matching algorithm is proposed for arm veins. Firstly， the contrast of near infrared （NIR） images is adjusted using the contrast limited adaptive histogram equalization （CLAHE） method. Then the Gabor filters are adopted to extract veins. The orientation and scale of veins are normalized， and the renovation and segmentation of veins are performed. For each curve segment， the direction， position and Hu invariant moment features are extracted. Matching curve pairs are searched， and the optimal space transformation is calculated using the particle swarm optimization （PSO） method. Finally the veins are matched. The algorithm is evaluated in a database of arm vein images collected from 150 people. The experimental results show that the matching accuracy is better than other methods， which indicates that arm veins owe a good application prospect.

Key words：biometrics；arm veins；particle swarm optimization；recognition；

生物特征識別技術(shù)是利用人自身的生理或者行為特征進行身份識別的方法。靜脈作為一種新型的生物特征具有其它生物特征不可比擬的優(yōu)越性。靜脈無法偽造或是手術(shù)改變，具有很強的普遍性、唯一性和穩(wěn)定性；靜脈是非接觸性的信息采集，且采集過程友好。目前的靜脈識別研究都是基于手部（手指、手背、手掌）的。Mirmohamadsadeghi等[1]提出一種基于局部二值模式和局部微分模式的方法，對手掌靜脈圖像的局部紋理特征進行提取和識別；周宇佳等[2]通過提取掌靜脈圖像的方向特征，得到了對靜脈紋理響應(yīng)最小的方向濾波器索引值矩陣，并對其進行編碼和匹配；林森等[3]利用局部區(qū)域相鄰像素之間的灰度大小關(guān)系，對掌靜脈圖像進行近鄰二值模式編碼，利用漢明距離進行匹配。張祺深

等[4]設(shè)計了基于透射式光源的雙目視覺靜脈三維點云重建裝置，提出了基于三維點云匹配的手掌靜脈認證算法。王一丁等[5]利用下采樣和小波分解獲取多尺度下的手背靜脈圖像，然后采用中心對稱的局部二值模式提取圖像的特征，利用限制玻爾茲曼機逐層訓(xùn)練，并采用多尺度編碼組合的方式提高識別率。You等[6]采用高斯低通濾波及方向檢測的方法獲得手指靜脈，提取分叉點及端點作為特征點，以Hausdorff距離為測度進行靜脈識別。也有學(xué)者研究了腦部醫(yī)學(xué)圖像中血管的提取。秦志光等[7]提出了一種基于多模態(tài)的卷積神經(jīng)網(wǎng)絡(luò)對腦部CT血管造影圖像進行分割，從而實現(xiàn)腦血管的單獨提取。相比于手部，手臂部位的靜脈信息更為豐富，識別能力也更強。但由于其脂肪覆蓋厚、靜脈位置較深，提取到的靜脈曲線可能不連續(xù)或不完整，因此特征提取和識別的難度更大。本文針對手臂靜脈進行特征提取和匹配方法的研究。

1 手臂靜脈圖像處理

1.1 近紅外圖像中的靜脈提取

近紅外圖像中靜脈的具體位置并不清晰，因此，利用限制對比度自適應(yīng)直方圖均衡化（CLAHE）方法對近紅外圖像進行預(yù)處理。將靜脈圖像劃分為8 × 8像素的區(qū)域，將均勻分布作為目標直方圖[8]，提升圖像的對比度。接著利用Gabor濾波器自動提取近紅外圖像中的靜脈信息[9]。由于近紅外圖像中靜脈為黑色線條，采用含有不同尺度和方向的Gabor濾波器的實部對圖像進行處理，并在此基礎(chǔ)上對靜脈信息進行增強[10]。在此基礎(chǔ)上，采用Otsu閾值分割算法對結(jié)果圖進行二值化，并進行細化處理。圖1（a）為一幅近紅外手臂圖像，圖1（b）、（c）、（d）分別為CLAHE、Gabor濾波和細化后的結(jié)果圖。圖像采集過程中存在的噪聲和陰影會在靜脈線中產(chǎn)生各種毛刺，對后續(xù)的特征提取和匹配會產(chǎn)生不利影響。通過觀察及實驗發(fā)現(xiàn)，大多數(shù)靜脈圖像中的毛刺長度小于15像素。在進行方向和位置標準化之前，需要對毛刺進行修剪。圖2（a）、（c）為兩幅靜脈線狀圖，（b）、（d）分別為對應(yīng)的修剪結(jié)果。

1.2 靜脈方向標準化

4 實驗結(jié)果及討論

靜脈曲線的匹配過程如圖9所示，其中（a）、（b）為同一人在不同時間拍攝的兩幅手臂圖像的靜脈曲線，相同形狀標識的為匹配曲線對；（c）、（d）表示兩圖像中匹配曲線對的初始狀態(tài)和最佳空間變換后的位置關(guān)系，變換后兩組曲線能較好地對齊；靜脈全局的初始空間位置如（e）所示，利用搜索的最佳空間變化對全局靜脈線變換后的位置關(guān)系如（f）所示，可見，靜脈全局達到空間位置的一致；（g）為刪除出格點后的效果，最終兩幅圖像的匹配度為94.89%，證明了該匹配算法的有效性。

對一個含有150人手臂圖像的測試圖庫進行了實驗，所有圖像采用JAI-AD080CL相機進行拍攝，圖像尺寸為1024 × 768像素。圖像采集對象中女性12人，男性138人，年齡范圍為13-69歲，包括來自8個國家。每個人拍攝了兩次圖像，平均時間間隔為兩周，兩次拍攝的光照、拍攝角度均有差異。對兩次拍攝的圖像進行靜脈的提取和識別。將改進的Hausdorff距離匹配算法[7]與模版匹配算法[14]與本文算法進行比較，實驗結(jié)果的累積匹配特性曲線（Cumulative Match Characteristic Curve， CMC）如圖10所示，部分實驗結(jié)果如表1所示。CMC曲線描述了正確結(jié)果排在前k名的概率分布[15]。橫坐標是正確結(jié)果的排名次序k，縱坐標為測試者正確身份包含在識別系統(tǒng)提供的前k位最相似對象中的概率。根據(jù)匹配結(jié)果可見，利用本文算法得到的Rank-1和Rank-10%識別率分別為72.67%和89.33%，而改進的Hausdorff距離匹配算法的這兩個識別率為55.33%和75.33%，模版匹配的為25.33%和39.33%。與另外兩種方法相比，本文算法有更高的匹配率。

5 結(jié)束語

傳統(tǒng)的靜脈識別局限于手部（手掌、手背、手指），提取的特征主要是圖像的全局特征或是靜脈結(jié)構(gòu)的端點和分叉點。本文突破了這一限制，將靜脈的提取位置擴展到手臂，并以靜脈曲線段為基本單位進行特征提取及匹配。在對靜脈進行方向、尺度標準化以及修復(fù)和分割之后，提取了每條曲線的方向、位置及Hu不變矩特征，在搜索匹配曲線對的基礎(chǔ)上，利用粒子群算法計算最優(yōu)空間變換關(guān)系，最后進行靜脈的匹配。在150人的手臂圖庫上進行了實驗，結(jié)果表明，本文算法比其他方法有更高的識別率。手臂面積大、靜脈紋理多、特征信息豐富，因此在生物識別領(lǐng)域?qū)⒕哂懈玫那熬啊?/p>

參考文獻

[1] MIRMOHAMADSADEGHI L， DRYGAJLO A. Palm vein recognition with local texture patterns[J].IET Biometrics，2014， 3（4）：198—206.

[2] 周宇佳，劉婭琴，楊豐，等.基于方向特征的手掌靜脈識別[J]. 中國圖象圖形學(xué)報，2014， 19（2）：243—252.

[3] 林森，吳微，苑瑋琦.采用紋理近鄰模式的掌靜脈生物特征識別研究[J].儀器儀表學(xué)報，2015，36（10）：2330—2338.

[4] 張祺深，周雅，胡曉明，等. 基于三維點云匹配的手掌靜脈識別[J].光學(xué)學(xué)報，2015，35（1）：266—276.

[5] 王一丁，徐林林，段強宇，等.基于深度學(xué)習(xí)和多尺度編碼組合的手背靜脈識別[J]. 北方工業(yè)大學(xué)學(xué)報，2015，27（3）：6—13.

[6] YOU Lin， LI Xue-shuang， SUN Lei， et al. Finger vein recognition method based on gaussian low-pass filter and direction detection[C]. International Conference on Information and Communications Technologies， 2014： 1—8.

[7] 秦志光，陳浩，丁熠，等. 基于多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)的腦血管提取方法研究[J]. 電子科技大學(xué)學(xué)報，2016，45（4）：573—581.

[8] ZUIDERVELD K. Contrast limited adaptive histogram equalization[C].Graphics Gems IV.Academic Press Professional，Inc.，1994：474—485.

[9] DAUGMAN J G. Complete discrete 2-D Gabor transforms by neural networks for image analysis and compression[J]. IEEE Transactions on Acoustics， Speech & Signal Processing， 1988， 36（7）： 1169—1179.

[10] ZHANG Heng-yi， TANG Chao-ying， WAI-KIN K A， et al， Matching vein patterns from color images for forensic investigation [C]. IEEE Conference on Biometrics： Theory， Applications and Systems， 2012： 77—84.

[11] BERTHOLD K P H. 機器視覺[M]. 北京： 中國青年出版社， 2014， 53—57.

[12] 章毓晉. 圖像工程（第3版）[M]. 北京：清華大學(xué)出版社， 2013： 132—134.

[13] HU Ming-kuei.Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory， 1962， 8（2）： 179—187.

[14] 陳玉瓊.手指靜脈圖像的識別算法[D].杭州：杭州電子科技大學(xué)， 2014.

[15] PHILLIPS P J，MOON H，RIZVI S，et al.The FERET evaluation methodology for face recognition algorithms[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000， 22（10）： 1090—1104.