一种基于模板匹配的手指静脉识别算法

邹　晖，张　冰，王晓萍

（浙江大学现代光学仪器国家重点实验室，浙江大学光电科学与工程学院，杭州310027）

一种基于模板匹配的手指静脉识别算法

邹晖，张冰，王晓萍*

（浙江大学现代光学仪器国家重点实验室，浙江大学光电科学与工程学院，杭州310027）

相对于指纹识别等传统生物特征识别手段，手指静脉识别是一种新兴的具有较好应用前景的生物特征识别技术。本文设计了具有自适应光源系统的手指静脉采集仪，能够自动获得亮度均匀的手指静脉图像；提出了一种基于模板匹配的手指静脉识别算法，采用基于多方向灰度谷底搜寻方法提取手指静脉特征，然后将从同一手指多个图像中提取的静脉特征合成模板，并通过门限阈值消除模板中的随机差异信息。实验结果表明，运用本研究提出的基于模板匹配的手指静脉识别算法能有效提高识别准确性，具有99.10%的识别准确率和1.03%的等错误率。

身份识别；手指静脉识别；静脉成像；模板识别

EEACC：7230doi：10.3969/j.issn.1004-1699.2016.10.011

传统的身份识别方法需要借助密码、钥匙等外部媒介，使用不便且存在泄露和被复制的风险。目前新兴的身份识别技术以人体生物特征作为识别依据，极大提高了识别过程的便利性和安全性［1-4］。众多基于生物特征的身份识别技术中，基于手指静脉的身份识别技术是这一领域的研究热点。

与其他生物特征识别技术相比，手指静脉识别技术具有一些独特的优势［5-6］：①手指静脉属于人体内部特征，他人无法窃取和仿冒，无需进行单独的活体检测即可保证特征采集的安全性；②皮肤表面的破损、干湿度和清洁程度等因素不会影响手指静脉的采集；③手指静脉通过非入侵式和非接触式方法采集，保证了安全性和便利性；④手指静脉的分布具有唯一性，即使同一个人每根手指的静脉分布也不相同，给身份识别提供了丰富的特征资源。

基于手指静脉的身份识别算法已经有了一定研究。Lee等［7］利用本地二元编码法提取静脉特征，使用支持向量机进行识别。王科俊等［8-9］提出了一种基于小波矩融合PCA变换和LDA变换的图像识别算法和特征值归一化并双向加权（2D）2PCA的手指静脉识别方法（（OW2D）2 PCA），有利于提高识别的准确性。类似的基于机器学习的手指静脉身份识别算法需要进行恰当的训练，才能得到较好的准确率。但是，每当有新的待识别样本加入时，这类识别算法需要重新训练。Ong等［10］将基于K值修正的Hausdorff距离用于多模态生物特征识别，证明有助于提高识别准确性。王科俊等［11］提出了使用改进的方向滤波与修正的Hausdorff距离的手指静脉识别算法，通过手指静脉图像中特征点的位置进行识别，如果在特征点提取过程中出现伪特征点会给识别准确率带来影响。

针对以上问题，本文提出了一种基于模板匹配的手指静脉识别算法。在合成模板的过程中，通过设置门限阈值来减少模板中的随机差异信息，同时能较好地保留了静脉的主干信息，具有较好的抗噪性。当有新的待识别样本加入时，将新样本的合成模板加入识别系统中即可，具有较好的扩展性。

1　手指静脉成像原理与光源设计

1.1静脉成像原理

当使用850 nm附近的近红外光照射手指时，手指静脉中的血红蛋白会显著地吸收近红外光，而手指中其他组织几乎不吸收近红外光。因此对透射光成像可以得到静脉的图像［12-13］。

1.2光源亮度自动调节系统

手指指尖部分比后端细，脂肪和肌肉含量也有差异，导致手指不同位置对红外光有不同的透过率。如果以相同的光源亮度照明整根手指，会导致手指静脉图像亮度不均，严重影响静脉特征提取。

为了解决成像亮度不均的问题，设计了自适应光源系统。如图1所示，3组独立可控的光源分别照明手指的前、中、后3段。在手指前、中、后段右下侧处各放置1个红外接收管用于接收该位置处的透射光强，光强信息经过运算放大器之后将被C8051F020单片机读取。3组光源各由1个恒流源电路控制，单片机根据调节算法改变恒流源电路的输出电流即可调节相应手指位置处光源的强度。该亮度调解方案实现简单，性能可靠，能根据手指粗细快速将光源调至合适的强度，保证成像亮度均匀。

图1　光源亮度自动调节系统原理图

2　手指静脉特征提取和模板合成

2.1图像预处理

采集到的手指静脉图像需要经过预处理才能进行特征提取，预处理步骤包括：①将彩色图像转换为灰度图像；②对图像进行灰度均衡化处理；③利用Sobel算子对手指边缘定位，获取感兴趣区域ROI（Region of Interest）。

2.2静脉特征提取

静脉上像素点的灰度值呈现“谷形分布”。手指静脉局部图像图2（a）在直线l上的灰度分布如图2（b）所示，位于静脉上的A、B、C 3点的灰度值明显小于其两侧背景像素点的灰度值。

图2　静脉上像素点灰度的谷形分布

根据灰度值呈谷形分布这一特点，本文提出了一种多方向的灰度谷底点搜寻方法来寻找位于静脉上的像素点。该方法可以快速有效地实现静脉分割。如图3所示的手指静脉图像，它的灰度矩阵记为I。因为搜寻算法对与搜寻方向垂直方向上的静脉图像最敏感，我们依次在0°、45°、90°和135°方向上搜寻该方向上灰度值的谷底点，在各个方向上搜寻得到的灰度谷底点如图3所示。将搜寻到的点记录在一个与I大小相同的矩阵Ii中，令

其中下标i=1，2，3，4分别表示搜寻方向为0°、45°、90°和135°，x、y代表矩阵行列坐标。

图3　多方向的灰度谷底点搜寻法示意

将4次搜寻得到的矩阵相加，即

Isum中记录了搜寻到的所有灰度谷底点。将Isum中的元素二值化：

IC是使用多方向的灰度谷底点搜寻方法得到的二值化静脉分割图像，如图4所示。

图4　静脉分割图像

本文提出的静脉分割方法无需人工设置阈值参数，简化了静脉分割算法的流程。因为“谷形分布”总是可以探测到，所以使用该方法时无需考虑待分割静脉图片的具体特性，具有较高的易用性。

静脉分割图像还需要进行细化处理。细化是一种对目标图像提取结构走向的过程。在细化的过程中，需要不断剥离图像的边缘像素点，直至得到宽度只有单个像素的手指静脉图像为止。细化操作不能改变原有图像的区域连通性，同时细化后的结果应该近似于图像的中轴线。

本研究中采用基于邻域像素灰度值分析的手指静脉细化算法。对于像素点P0，它的3×3邻域如图5所示。

图5　P0点3×3邻域

其中，Pi（i=0，1，2，…，8）的灰度值记为 Ri（i=0，1，2，…，8）。

遍历需要细化的手指静脉分割图像中的所有灰度值为1的点，即位于静脉上的点。如果1个点在其3×3邻域内满足式（4），则将这个点的灰度值置为0：

其中，nnumber是P0点3×3邻域内灰度值不为0的点的个数，即

tnumber是P0点3×3邻域内相邻点间灰度值变化的次数，即

重复上述的过程直至所有满足式（4）的点都被删除，最后得到的细化后的手指静脉图像如图6所示。

图6　静脉特征

2.3静脉模板合成

用户注册时需要多次采样提取静脉特征合成一个静脉模板用于识别。在对同一根手指多次采样时，由于手指的偏移、旋转、弯曲和光照等条件的变化，得到的静脉特征表现为主体结构相似，但在局部细节上具有随机差异。如果合成的模板保留了这些随机差异信息，会影响识别的准确率。

对于1副手指静脉特征，可以将其包含的信息分为两类：第一类是在多次采样中都不会发生明显变化的静脉主体结构信息；第二类是每次采样时都会有所变化的随机差异信息。静脉主体结构信息是对手指静脉特征识别与匹配有用的信息，我们应该加大这一类信息在合成的模板中的比重。而对于随机差异信息，则应当降低其在合成的模板中的比重。

本文中提出了一种模板合成方法，可以有效减少合成模板中的随机差异信息。具体实施步骤为：

①同一根手指的m次采样后得到的静脉特征的灰度矩阵记为

将得到的静脉特征叠加得到CT，即

显然，CT中元素的值在0到m之间。静脉特征相叠加的意义是为了统计模板每个位置对应的静脉特征信息。CT中一个元素的值较大，说明静脉特征点多次出现在该元素对应的位置，这些位置上的静脉特征可以视为稳定的静脉主干信息。而CT中值较小的元素对应的位置是静脉特征点出现较少或者出现状态不稳定的位置，这些位置的静脉特征可以归为随机差异信息。

②对静脉信息分类之后，我们需要保留静脉主干信息，同时减少随机差异信息。通过使用门限阈值T将CT二值化可以实现这一目标，即：

式中，CT′为二值化的手指静脉特征合成模板。

3　实验结果与分析

为了测试本文提出的基于合成模板的识别算法的性能，我们对其进行了实测验证。测试中我们选取了80个志愿者，使用自制的采集仪器对他们的6根手指（不包括大拇指和小拇指）进行了图像采集，每根手指采样10次。使用多方向的灰度谷底点搜寻方法将采集的手指静脉图像提取出静脉特征。

实验显示本文设计的亮度自适应光源系统可以有效改善固定强度光源造成的成像亮度不均问题。如图7（b）所示，由于指尖部分亮度过高，导致特征提取时在指尖部分产生了较多伪特征，这会严重影响识别的准确率。相比之下，图7（a）所示的在成像亮度均匀情况下提取出的静脉特征更加准确。

图7　静脉成像效果对比

从实际应用的角度考虑，手指注册时采样的次数不应超过4次，否则会造成采样耗时过长和用户的反感，因此模板合成时参数m的值定为4。我们从每根手指的静脉特征中随机选择4个静脉特征用于合成模板，剩下的6个放入验证集（验证集中包含480×6个静脉特征）。

为了探究不同m和T的控制条件下合成模板的识别效果，实验中按照表中m和T的组合进行了验证。

本研究中采用基于修正的Hausdorff距离HD（Hausdorff Distance）的方法进行静脉识别［14-15］。在识别模式下，分别计算待识别样本与每个合成模板之间的HD，以最小HD对应的模板作为匹配结果。实验结果如表1所示。

表1　识别准确率比较

｛m=1，T=0｝控制条件下是直接随机选取的每根手指的1个静脉特征作为识别模板，作为对比，｛m=4，T=0｝控制条件下合成的模板在叠加静脉特征时累积了更多静脉的主干信息，这使得后者的识别准确率比前者高，说明使用合成模板相较于使用单次提取的静脉特征作为识别模板具有优越性。｛m=4，T=1｝控制条件下合成的模板识别准确率明显优于｛m=4，T=0｝控制条件下合成的模板，这是因为T=1时比较好地减少了合成过程中引入的随机差异信息。但是，当T值继续增大，在｛m=4，T=2｝和｛m=4，T=3｝控制条件下生成的模板的识别准确率开始迅速下降。这是由于使用了过大的门限阈值，在去除了随机差异信息的同时，也去除了大量的静脉主干信息，导致这种条件下合成的模板包含的静脉信息太少，无法使用。

将｛m=4，T=1｝条件下合成的480套模板与验证集中的2 880个静脉特征进行1对1的交叉识别。图8为总共480×2 880次识别得到的HD分布。

图8　交叉识别下HD的分布

图8显示，同一手指的验证样本与模板之间的HD数据以超过95%的比例集中分布在区间［2，16］上。而不同手指的验证样本与模板之间的HD数据则以超过95%的比例集中分布在区间［21，68］上。两种类别的HD距离分布交叠很少，这说明本研究中提出的基于合成模板的静脉识别方法可以准确有效地区分出验证样本与模板是否匹配。

分别以认假率FAR（False Acceptance Rate）和拒真率FRR（False Rejection Rate）作为横纵坐标绘制本识别系统的错误率曲线，如图9所示。图9中点A为ROC曲线与直线Y=X的交点，其对应的坐标值为系统的等错误率EER（Equal Error Rate）。从图9可以得到本研究中设计的基于模板匹配的身份识别系统的EER是1.03%。

图9　系统的错误率曲线

表2　几种静脉识别算法的比较

本研究中将采集到的手指静脉图像使用几种已有的识别算法进行了对比，实验结果如表2所示。可以看出，本文中提出的基于模板匹配的识别算法在性能上表现出优势。灰度相关匹配的方法将整张静脉图像的灰度分布作为特征进行匹配，这种方法对噪声敏感，同时不能很好区分结构相似的静脉图像，导致识别准确率偏低。HU不变矩匹配方法将图像的7个HU氏不变矩作为图像特征用于识别，但是由于特征维度偏小，不能很好的区分不同的静脉图像。特征结构点匹配方法是提取出细化的静脉图像中的端点和交叉点，以这些点的位置作为图像特征，但是静脉细化过程中可能会出现伪特征点从而影响识别准确率。Miss-Match法对静脉边缘和末梢的点不做统计，能在一定程度上减少随机差异对识别的影响，但是作用有限。

4　结语

本文设计了一个实现简单、性能可靠的自适应光源来保证采集到的手指静脉图像亮度均匀。利用多方向灰度谷底搜寻法提取手指静脉图像的特征值用于模板合成和识别匹配。考虑到对同一根手指多次采样时会引入随机差异信息，本文提出的模板合成方法通过门限阈值对随机误差信息进行了去除。经过实验验证，本文提出的模板合成方法能较好地去除随机差异信息，有助于提高识别准确率。在以后的工作中，将改进静脉识别算法，进一步研究以提高识别算法在实际应用中的识别性能。

［1］杨颖，杨公平.手指静脉识别技术［J］.计算机科学与探索，2012，6（4）：343-354.

［2］谭营，王军.手指静脉身份识别技术最新进展［J］.智能系统学报，2011，6（6）：471-482.

［3］陈朋，蓝晓柯，金峰，等.高质量手掌静脉图像获取及ROI提取的研究［J］.传感技术学报，2015（7）：1016-1022.

［4］梁爱华，袁家政，和青芳，等.基于指部关联特征的多模态图像采集系统［J］.传感技术学报，2014（2）：204-207.

［5］Miyuki K，Hironori U，Shin-Ichiro U.Nearinfrared Finger Vein Patterns for Personal Identification［J］.Applied Optics，2002，41（35）：7429-7436.

［6］Kuo-Chin F，Chih-Lung L.The Use of Thermal Images of Palmdorsa Veinpatterns for Biometric Verification［C］//Proceedings of the 17th International Conference on Pattern Recognition（ICPR 2004），2004：450-453.

［7］Lee E C，Lee H C，Kang R P.Finger Vein Recognition Using Minutia-Based Alignment and Local Binary Pattern-Based Feature Extraction［J］.International Journal of Imaging Systems&Technology，2009，19（19）：179-186.

［8］王科俊，袁智.基于小波矩融合PCA变换的手指静脉识别［J］.模式识别与人工智能，2009，20（5）：692-697.

［9］管凤旭，王科俊，刘靖宇，等.归一双向加权（2D）2PCA的手指静脉识别方法［J］.模式识别与人工智能，2011，24（3）：417-424.

［10］Ong T S，Teng J H，Muthu K S，et al.Multiinstance Finger Vein Recognition Using Minutiae Matching［C］//Image and Signal Processing（CISP），2013 6th International Congress on.IEEE，2013：1730-1735.

［11］王科俊，马慧.使用改进的方向滤波与修正的Hausdorff距离的指静脉识别方法［J］.计算机辅助设计与图形学学报，2011，23（3）：385-391.

［12］Kono M，Ueki H，Umemura S.A New Method for the Identification of Individuals by Using of Vein Pattern Matching of A Finger［C］//Proceedings of the 5th Symposium on Pattern Measurement，Yamaguchi，Japan，2000：9-12.

［13］Kono M，Ueki H，Umemura S.Near-Infrared Finger Vein Patterns for Personal Identification［J］.Applied Optics，2002，41（35）：7429-7436.

［14］余成波，秦华锋.生物特征识别技术——手指静脉识别技术［M］.北京：清华大学出版社，2009.

［15］李伟峰，周金强，方圣辉.基于改进Hausdorff距离的图像配准方法［J］.国土资源遥感，2014（2）：93-98.

［16］Lu T，Ping P S.New Design of Finger-Vein Identification Algorithm Against Image Rotation［J］.Journal of Computer Applications，2012，32（11）：3193-3197.

［17］郭伟，赵亦工，谢振华.一种改进的红外图像归一化互相关匹配算法［J］.光子学报，2009，38（1）：189-193.

［18］孙晓琳.指静脉图像模式提取算法研究［D］.吉林：吉林大学，2012.

［19］Miura N，Nagasaka A，Miyatake T.Feature Extraction of Finger-Vein Patterns Based on Repeated Line Tracking and its Application to Personal Identification［J］.Machine Vision&Applications，2004，15（4）：194-203.

［20］陈刘奎.人体手指静脉识别技术研究［D］.武汉：武汉大学，2010.

邹晖（1990-），男，浙江大学光电科学与工程学院光学工程专业研究生，主要研究方向为生物特征识别，zouhui@zju.edu.cn；

张冰（1988-），男，浙江大学光电科学与工程学院测试计量技术及仪器专业博士，主要研究方向为生物传感器研究与食品安全检测，zhangbing413@zju.edu.cn；

王晓萍（1962-），女，博士，浙江大学光电科学与工程学院教授，主要从事环境检测技术、SPR传感技术、电子舌技术及其应用方面的研究，xpwang@zju.edu.cn。

A Finger Vein Recognition Algorithm Based on Template Matching

ZOU Hui，ZHANG Bin，WANG Xiaoping*
（State Key Laboratory of Modern Optical Instrumentation，College of Optical Science and Engineering，Zhejiang University，Hangzhou 310027，China）

Compared with fingerprint recognition and other traditional biometric recognition method，finger vein recognition is a new biometric technology that has a good application prospect.To improve imaging quality of finger vein identification system，a light system that can automatically adjust the luminous intensity was designed.Finger vein feature extraction process was conducted based on a multi-directional gray scale valley point search method.In the finger vein template synthesis process，a threshold was used to eliminate the random variation information in the template.Results show that using template with less random variation information can help improve recognition accuracy.The proposed finger vein recognition algorithm has an accuracy rate of 99.10%and an equal error rate of 1.03%.

identity recognition；finger vein recognition；vein imaging；template matching

TP393

A

1004-1699（2016）10-1529-06

2016-04-29修改日期：2016-06-16