手背静脉识别算法研究

JournalofNaturalScienceofHunanNormalUniversityMar.,2009第32卷第1期　　　　　　　　　

手背静脉识别算法研究

刘相滨,刘智成,龚　平,周　鹏

3

(湖南师范大学图像识别与计算机视觉研究所,中国长沙　410081)

摘　要　手背静脉识别是一种新兴的非接触式红外生物特征识别技术,近年来得到了广泛的关注.提出了一种静脉识别算法,算法首先对静脉图像进行分割,通过滤波有效地去除斑点噪声和水平条状扫描噪声,然后进行平滑细化和毛刺修剪,得到失真较小的静脉骨架,最后提取静脉骨架的7个修正的几何不变矩作为支持向量机的输入进行分类识别,在有500个样本的数据库上进行实验,获得了95.5%的识别率,表明了算法的有效性.

关键词　静脉识别;分割;不变矩;支持向量机中图分类号　TP319　　　　文献标识码　A　　　　文章编号　100022537(2009)0120032204

StudyontheRecognitionofDorsalHandVeinPattern

LIUXiang2bin,LIUZhi2cheng,GONGPing,ZHOUPeng

(InstituteofImageRecognition&ComputerVision,HunanNormalUniversity,Changsha410081,China)

Abstract　VeinPatternRecognitionisanemergingcontactlessnearinfraredbiometrictechnology.Ithas

drawnwideattentioninrecentyears.Aveinpatternrecognitionalgorithmispresentedinthepaper.Firstly,itseg2mentstheveinpatternfromimageandremovesthespecklenoiseandhorizontalstreakscanningnoisebyfiltering.Thentheveinpatternissmoothedandthinned,theburrontheskeletonistrimmed,andaveinpatternskeletonwithlittledistortionisobtained.Atlast,thealgorithmextractssevenmodifiedmomentinvariantsoftheveinpatternskeletonastheinputvectorofSVMfortherecognition.Theexperimentsonadatabaseincluding500sampleshaveachievedarecognitionrateof95.5%,anditindicatesthealgorithmiseffective.

Keywords　veinpatternrecognition;segmentation;momentinvariant;supportvectormachine(SVM)

静脉识别是一种新兴的红外生物识别技术,它是根据静脉血液中脱氧血色素吸收近红外线或人体辐射

远红外线的特性,用相应波长范围的红外相机摄取手背(或指背、指腹、手掌、手腕)的静脉分布图,通过归一化、去噪等预处理后进行滤波增强与静脉纹路分割、细化修复,然后提取其特征,再与预先注册到数据库或储存在IC卡上的特征数据进行匹配以确定个人身份

[1]

.由于每个人的静脉分布图具备类似于指纹的唯一性且

成年后持久不变的特点,所以它能够唯一确定一个人的身份.此外,它具有其他生物特征识别技术所不具备的优点,因而具有广泛的应用前景,得到广大学者的关注.

在采集静脉图时,由于受环境、毛发和采集设备等的影响,原始图中常含有多种噪声,特别是水平条状扫描噪声,这使得分割出来的静脉纹路边缘有较大的突起而且边缘长有许多毛刺,去除这些毛刺之后直接进行细化所获得的静脉骨架仍含有较多的毛刺,使得静脉纹路的骨架失真较大,因此,如何减小静脉骨架的失真

3

收稿日期:2008211215

基金项目:湖南省教育厅科研资助项目(06B058);湖南省自然科学基金资助项目(07JJ6130)作者简介:刘相滨(19702),江西吉安人,博士,教授,研究方向为图像处理、模式识别.

第1期　　　　　　　　　　　　　　　　刘相滨等:手背静脉识别算法研究　　　　　　　　　　　33

对识别的成功非常重要.为此,本文提出了一种静脉识别算法,首先对归一化的静脉图像进行高斯低通滤波和中值滤波,有效地去除斑点噪声和水平条状扫描噪声,然后采用修正的NiBlack算法分割出静脉纹路,接着采用面积阈值法、形态学开操作和闭操作、中值滤波等一系列的算法对静脉边缘进行光滑处理,再通过条件细化算法和毛刺修剪处理,获得光滑的、失真较小的静脉骨架,在此基础上,提取静脉骨架的7个修正的不变矩特征作为支持向量机的输入向量进行静脉识别.实验结果获得了较高的识别率,表明了算法的有效性.

1　静脉分割

2.1　归一化

考虑到每个人的手背区域尺寸大小不一,而且同一个人在不同时刻采集的静脉图像中手背区域尺寸大小也可能不一,为了提高识别的准确性,需要将每个人的手背区域通过缩放进行尺寸归一化.此外,由于采集时间、红外光强、手背脂肪厚度等的不同,手背静脉图在灰度分布上存在较大差异,这会影响后续的处理,因此必须进行灰度归一化处理,即将所有图像转换成同一均值和方差的标准图像行灰度归一化:

　　N(i,j)=M0+M0-V0(I(i,j)-M)/V,I(i,j)>M,V0(I(i,j)-M)/V,I(i,j)≤M,

22

[2]

.

本文首先将手背区域从背景中分割出来并采用双线性插值法将其归一化为256×256,然后采用下式进

(1)

其中,I(i,j)、M、V分别为归一化前图像的灰度值、均值、方差,N(i,j)、M0、V0分别为归一化后图像的灰度值、均值、方差.经过实验分析,将均值M0设为110,方差V0设为255对后续的处理较为合适.

原静脉图像和归一化后的静脉图像分别如图1和图2所示.2.2　静脉分割

本文采用修正的NiBlack局部动态阈值分割方法

进行分割,通过下式计算阈值:

σ(x,y),(2)　　T(x,y)=μ(x,y)+k×

其中,T(x,y)为像素点(x,y)的阈值,μ(x,y)、σ(x,y)分别为该点r×r邻域内像素灰度值的均值和标准差,k为修正系数.经实验分析,本文选取r=35,k=0108时分割效果较好.图2的分割结果如图3所示.从图中可以看出,存在大量斑点以及水平扫描噪声.

本文采用H(x,y)=eD2(u,v)[324]

　　　　　图1　原静脉图　　　　　　图2　归一化后的静脉图

σ22

、模板大小为5×5的二维高斯低通滤波器去除斑点噪声,然后依次采用单列

[5]

21×1和单行1×7的中值滤波器进行滤波去除水平扫描噪声.

本文取σ=0.8,模板系数如图4所示,对图3依次进行6次高斯低通滤波、1次列中值滤波、1次行中

值滤波去噪之后再采用面积阈值法去除像素点数小于500的斑块,分割结果如图5所示,得到了明显的改善.

　　　　图3　NiBlack分割结果　　图4　二维高斯低通滤波模板　　图5　本文方法分割结果

34　　　　　　　　　　　　　　　湖南师范大学自然科学学报　　　　　　　　　　　　　　　　　第32卷

3　平滑细化

3.1　静脉纹路的平滑

由于静脉分割后其边缘并不光滑,直接对其细化将产生许多毛刺,必须对其进行平滑.

根据形态学操作的特点,本文首先对图5所示分割结果进行形态学开操作,断开狭窄的间断和消除细长的毛刺,接着用面积阈值法去除那些被断开的斑点和斑块,然后使用闭操作以连接断开的静脉,并进一步采用中值滤波来平滑静脉边缘.

经实验分析得知,中值滤波器的模板越大、滤波次数越多,骨架失真越大,反之越小,本文采用模板大小为5×5的中值滤波器平滑,图5平滑化后的结果如图6所示.3.2　静脉细化

普通的条件细化算法能保持原图的区域连通性,但并不总是能得到单像素宽的细化曲线,这就给以端点、交叉点和毛刺长度为依据的毛刺修剪带来很大麻烦,因为不容易确定非单像素宽的细化线的交叉点.为

[3]此,本文采用WangKejun等改进的条件细化算法进行细化,得到图7所示的静脉骨架.3.3　毛刺修剪

从图7可见,细化后得到的静脉骨架仍有少许毛刺,这不利于特征的提取,本文采用前期提出的一种毛

[6]

刺修剪算法来消除这些短的毛刺.得到如图8所示基本没有毛刺的结果静脉骨架.

　　　　图6　平滑化后的静脉　　　图7　条件细化后的静脉骨架　　图8　消除毛刺后的静脉骨架

4　特征提取

Hu于1961年首先提出了基于直角坐标系的原点矩、中心矩等几何矩的概念,之后又运用归一化中心矩

组合定义了7个不变矩.和其他类型的矩相比,这7个不变矩对于平移、旋转和比例缩放都具有较好的不变

性,因此适合于作为识别分类的特征.但这7个不变矩的变化范围很大,直接作为特征用于识别效果不是很好,必须加以修正,本文利用取对数的方法进行数据压缩,同时考虑到不变矩有可能出现负值,因此,本文实际采用的不变矩为下式

　　M′.i=lg|Mi|,　i=1,2,3,…,7

然后将M′M′1～7作为静脉骨架的不变矩特征,并应用下式构造矩特征向量

(4)　　M=(M′1,M′2,M′3,M′4,M′5,M′6,M′7).

以007号手背静脉图像(007hv1.bmp～007hv5.bmp)为例,其静脉骨架的矩特征向量如表1所示.

表1　修正后的静脉不变矩特征向量

静脉图像

不变矩M′1M′2M′3M′4M′5M′6M′7

hv1

hv2

hv3

hv4

hv5

(3)

0.746132-1.3001060.102239-1.832518-2.152984-2.0533-1.003532

0.75-2.2323510.121920-1.6181-1.867573-2.828432-2.716815

0.761463-2.166532-1.329910-1.319387-2.037022-2.437842-1.477484

0.762629-0.822852-1.107078-0.180293-0.623853-2.0346-0.5229

0.745536-0.653529-0.8701-0.002694-0.334567-1.3990670.535775

第1期　　　　　　　　　　　　　　　　刘相滨等:手背静脉识别算法研究　　　　　　　　　　　35

5　静脉识别实验结果与分析

支持向量机(SVM)是数据挖掘中的一个新方法,能非常成功地处理模式识别(分类问题、判别分析)和回归问题(时间序列分析)等诸多问题,并可推广到预测和综合评价等领域.将两分类向量机通过一定方式组合起来可形成多分类支持向量机,实现多分类的功能.常见的组合方式有一对一方式和一对多方式.

[7]

本文采用大学林智仁(Chih2JenLin)等开发设计的LIBSVM软件包进行实验,利用LIBSVM提供的开放源码,通过修改、参数调整,选用C2SVC模型、径向基函数、一对一方式对静脉图像进行识别.将式(4)所提取的静脉骨架矩特征向量M作为支持向量机分类器的输入向量进行分类识别.

[8]

识别实验在MohamedShahin博士提供的手背静脉图像数据库上进行,库有100个手背的静脉图,每个手背有5幅样本图像,共500幅图像,原始图为320×240的256色灰度图.静脉识别实验从每个手背的5幅图像中任选3幅用作训练,剩余2幅用作识别测试,实验结果获得了191/200=95.5%的识别率.

在实验中发现,如果在选取样本时,剔除那些受噪声影响严重、分割出的静脉图严重变形的12个样本,那么识别率可以达到175/178=98.3%.由此可见,原始静脉图的质量以及静脉纹路的分割、骨架的细化效果对识别率影响比较大.因此,改善图像的采集质量以及提高静脉纹路分割、骨架细化的算法效果是提高识别率的有效途径.

6　结论

本文提出了一种静脉识别算法.正如实验结果分析所看到的,静脉纹路的分割、骨架的细化效果对识别率影响比较大.为此,本文算法提出了对原始手背静脉图像进行分割和平滑细化的一系列处理过程,得到了光滑的、失真较小的静脉骨架.在此基础上,将算法提取静脉骨架的7个修正的几何不变矩作为支持向量机的输入特征向量进行训练和识别,实验结果获得了较高的识别率,表明了算法的有效性.

参考文献:

[1]　CRISANS,TARNOVANIG,CRISANTE.Alowcostveindetectionsystemusingnearinfraredradiation[C]//IEEESensors

ApplicationsSymposium.SanDiego:CA,USA,2007:126.

[2]　林喜荣,庄　波,苏晓生,等.人体手背血管图像的特征提取及匹配[J].清华大学学报:自然科学版,2003,43(2):12

167.

[3]　WANGKJ,GUOQC,ZHUANGDY,etal.Thestudyofhandveinimageprocessingmethod[C]//Proceedingsofthe6th

WorldCongressonIntelligentControl.Dalian:[s.n.],2006,2:10197210201.

[4]　ZHAOS,WANGYD,WANGYH.Extractinghandveinpatternsfromlow2qualityimages2anewbiometrictechniqueusing

low2costdevices[C]//FourthInternationalConferenceonImageandGraphics.Chengdu:[s.n.],2007:6672671.

[5]　CHENLK,ZHENGH,LIL,etal.Near2infrareddorsalhandveinimagesegmentationbylocalthresholdingusinggrayscale

morphology[C]//The1stInternationalConferenceonBioinformaticsandBiomedicalEngineering.Wuhan:[s.n.],2007:8682871.

[6]　刘智成,官　理,刘相滨.手背静脉的分割和平滑细化[J].计算机工程与应用,2008,44(13):1822184.

[7]　CHANGCC,LINCJ.LIBSVM:alibraryforsupportvectormachines[C].[2007-11-07].http://www.csie.ntu.edu.

tw/～cjlin/libsvm.

[8]　SHAHINM,BADAWIA,KAMELM.Biometricauthenticationusingfastcorrelationofnearinfraredhandveinpatterns[J].

InternationalJournalofBiometricalSciences,2007,2(3):1412148.

[9]　满家巨,沈　军.一种图像噪声准确估计方法[J].湖南师范大学自然科学学报,2008,31(2):44247.

[10]　邹永星,钱盛友,王润民.基于图像特征的车牌字符分割方法研究[J].湖南师范大学自然科学学报,2007,30(4):602.