基于指静脉方向场图的快速识别算法研究

张严严，沈 雷，李小刚，蓝师伟

(杭州电子科技大学通信工程学院，浙江 杭州 310000)

基于指静脉方向场图的快速识别算法研究

张严严，沈 雷，李小刚，蓝师伟

(杭州电子科技大学通信工程学院，浙江 杭州 310000)

针对目前的指静脉识别算法在大规模用户下识别速度慢、识别率低等问题，提出一种在大规模用户下基于静脉细化图像和方向场图的分阶段快速识别算法.首先根据静脉细化图像的纵向延伸特性和拓扑结构的不变性来粗步区分静脉图像是否来自相同手指，然后提取静脉图像的方向场图，利用静脉图像方向场图的稳定性匹配识别.仿真结果表明，提出的识别算法能明显区分同类和不同类手指静脉图像.多用户识别实验结果显示，在大规模用户下，分阶段快速识别算法匹配一次所用时间约是一步识别算法所用时间的1/5.

指静脉;拓扑结构;方向场图;分步算法;快速识别

0 引 言

手指静脉识别技术作为最先进的生物活体识别技术之一，与传统的生物识别技术相比，具有安全性高、稳定性高、普适性强且信息来源丰富和采集图像设备体积小等优点[1-2].对手指静脉识别技术的研究在近些年逐渐成为热门，但目前手指静脉识别技术也存在一些问题，比如采集图像设备稳定性差，识别率低，1∶N识别速度慢等.

近年来，手指静脉识别算法已经得到了广泛的研究，王科俊等[3]提出采用修正的Hausdorff距离(Modified Hausdorff Distance,MHD)进行指静脉识别，在一定程度上减少了伪静脉的影响，得到了广泛应用，但是MHD算法对静脉平移很敏感且计算量大，1∶N识别耗时长.林春漪等[4]提出了基于静脉图像梯度相关的认证识别算法，该算法在计算矩阵的相关系数时，无法克服平移的影响.虽然图像预处理简单，但在识别时，为了校正平移需要逐个像素点平移待匹配图像，然后计算校正平移后的互相关系数，1∶N识别耗时长.王科俊等[5]提出了基于图像自身相对距离和角度的识别算法，对图像的平移旋转不敏感，但是对细化图像和特征点的精度要求特别高，抗伪特征点能力差，识别率较低.杨金锋等[2]根据手指的轮廓在提取手指静脉图像感兴趣区域(Region of Interest, ROI)时校正左右平移，但由于细化图像是单像素图像，在提取细化图像时会产生左右偏移.为了克服系统识别性能低问题，Liu T.等[6]将改进的二叉树(Modified Binary Tree,MTB)模型应用于手指静脉识别，利用MTB模型定量的描述静脉分支空间结构特征，降低了由于分割误差和局部差异对识别性能的影响，进而提高了整个系统的识别性能.Ma H.等[7]提出将二维主成分分析(Two-dimensional Principal Component Analysis,2DPCA)应用于手指静脉识别，在行或列方向去除图像的相关性，提高了系统识别速度.You L.[8]等人将2DPCA和核最大类间准则(Kernel Maximum Between-class Margin Criterion, KMMC)相结合应用于手指静脉识别，首先利用2DPCA去除图像在行方向的相关性，然后利用KMMC去除图像在列方向的相关性，相对于2DPCA识别速度有一定的提高，但是在大规模用户数下仍达不到实时识别要求的速度.综上所述，目前指静脉识别算法受平移影响较大，而且在1∶N识别时，识别时间较长.为此，本文提出了一种基于静脉图像方向场和细化图像的快速识别算法.

1 基于细化图像的粗选和平移量估计

细化图像是在保持静脉纹路的拓扑结构不变下，提取的单像素宽的骨架图像.静脉纹路一般沿着手指长度的方向延伸，即纵向延伸.静脉纹路纵向拓扑结构具有相对稳定性和唯一性，即不同类细化图像的纵向结构具有高度差异性，而同类细化图像的纵向结构具有高度相似性.本文提出用细化图像纵向静脉拓扑结构来估计左右平移，根据2幅细化图像在校正平移后重合的像素点数，粗步估计2个细化图像是否是同类图像.

假设注册图像和待识别图像左右平移的范围为[-a,a]，确定平移量的步骤如下：

1)删除待识别细化图像和模板细化图像中一行连着的静脉像素点，只保留纵向静脉像素点；

2)记录模板细化图像中第i个静脉像素点的位置坐标(ri,ci)；

3)在待识别细化图像中搜索在水平距离位置坐标(ri,ci)l个像素点的位置(ri,ci+l)是否是静脉像素点，并统计是静脉像素点的个数mτ，遍历模板细化图像的所有静脉像素点；

4)让l从-a到a以1个像素步进，重复步骤3；

5)取mk(k=1,2,…2×a+1)中最大值M对应的l，则l就是待识别图像和模板图像存在的相对平移量，Max就是校正平移后重合的像素点数.

2 基于静脉图像方向场的识别

目前广泛应用的MHD匹配算法是利用静脉纹路拓扑结构，提取细化图像的特征点，根据特征点的空间距离识别图像.由于伪静脉的存在，特征点往往不能表征图像，同时MHD识别算法仅仅利用了静脉纹路的特征，完全忽略了静脉图像的背景信息，这导致基于特征点MHD算法识别率低且容易产生误识.由于每个手指的厚度和组织结构不同，透射光线的能力不同，因此不同手指的静脉图像即使都是背景区域，他们的灰度分布特征也不同.因此，静脉图像的静脉纹路和背景共同决定了静脉图像的特性.但指静脉图像的采集设备往往不稳定，静脉图像灰度值受光照和噪声影响大，很容易出现受光不均匀等现象，因此不能直接利用静脉灰度图像匹配识别.

方向场图中的像素值是由不同方向灰度值差分的相对大小决定，受静脉图像灰度值影响比较小，同时方向场图包含了整个图像的信息.传统算法提取指静脉图像的方向场图是根据每个像素点的方向选择对应的方向滤波器来增强图像，本文提出利用静脉图像的方向场图认证识别，比传统的基于特征点的MHD算法识别性能更好.

2.1 方向场图的方向组滤波模板的提取

图1 方向组滤波器模板

根据指静脉的拓扑结构，本文采用具有抗噪声性能的邻域方向模板法[9]提取静脉图像的方向场图.经过图像的预处理，提取静脉图像的ROI并尺寸归一化为160×64，根据ROI的分辨率选用9×9的邻域窗口模板，按照逆时针方向将180°均分成8个方向，且第i个方向和第i+4个方向互相垂直(i=1,2,3,4).为了确定像素点的方向，设计一组与像素点方向有关的方向组滤波器[9-10]，根据静脉的纹路方向和提取谷形区域[11]的思想设计滤波器的模板系数，方向组滤波器模板如图1所示.

2.2 静脉图像的方向场的提取

在静脉灰度图像中，静脉纹路上的像素点与其同一静脉纹路上的像素点灰度差值较小，与其垂直方向上的像素点的灰度差值比较大[10].为了提取某个像素点的方向，通过方向组滤波提取该像素点不同方向上的特性，然后根据这一理论确定像素点的方向.步骤如下：

2)将8个方向按两两垂直分成4组，分别计算每组互相垂直方向上的卷积值的差的绝对值，并求最大值Δgk=max(gl-gl+4)(l=1,2,3,4).其中，k和k+4互相垂直的2个方向可能是像素点p(m,n)的静脉纹路的方向；

4)遍历所有像素点，即可得到灰度图像的方向场图.

2.3 基于方向场图的匹配识别

提取到的静脉图像的ROI如图2所示.图2中，图2(a),(b)是同类图像，图2(c)相对于图2(a),(b)是不同类的图像.图2中相应静脉图像的方向场图如图3所示.从图3可以看出，同类静脉图像对应的方向场图基本上一致，不同类静脉图对应的方向场有很大差异，因此，用方向场图差值的均值大小来表示图像的相似度，理论分析2个图像的方向场图差值均值越小，图像的相似度越高.用2幅指静脉图像用其方向场图进行匹配识别的步骤如下：

1)计算待识别图像的方向场图和模板的方向场图差值ΔD=abs(D-Dn)；

2)修正方向差，即ΔD′=4-ΔD；

图2 提取的静脉图像感兴趣区域

图3 方向场图

3 快速识别算法

本文提出了一种基于细化图像和方向场图的1∶N快速识别匹配算法，首先用细化图像粗选出n幅与待匹配静脉图像最相似的模板图像，再将n幅模板图像与待识别图像用方向场图进一步精确识别匹配.这样就大大缩短了1∶N的匹配时间，达到快速匹配识别效果.其步骤如下：

1)将待识别静脉图像和注册数据库静脉图像处理后保存成细化图像和方向场图像；

2)利用基于细化图像的粗选和平移量估计中介绍的方法估计待识别图像和所有模板图像的平移量Li(i=1,2,…,N)，并统计校正平移后重合的像素点数Mi(i=1,2,…,N)；

3)按照静脉结构的相似度从大到小排序Mi(i=1,2,…,N)，取前n个对应的模板的方向场图，1∶N识别精简成变成1∶n识别；

4)根据步骤2中得到的相对平移量Li对待识别图像进行校正平移后，按照2.3节中方向场图识别算法，统计和模板方向场图的相似度ηi；

5)重复步骤4直到和n个模板方向场图匹配；

6)统计最小的匹配度t=min(ηi).若t

4 实验结果

实验采集静脉图像建立静脉图像库，共70组，每组8幅图像，在1∶70图像中，第1—7幅图像为待识别图像，第8幅图像为模板，采集的图像经过预处理后保存大小为160×64的细化图、特征点图和方向场图.仿真用Matlab 2012b软件编程，在内存为4 GB，CPU主频为4 GHz的Window 7平台上进行.

基于静脉图像的细化图像粗分是否是同类图像，490幅图像中，大部分待识别静脉图像与注册模板图像利用细化图像粗分后，都排在第1位，分析排序不在前5的静脉图像，发现这些图像质量比较差，与对应的模板差异大，1∶1测试也不能识别.因此，可以用此方法先粗略区分静脉图像是不是同类手指.

选取参数N=70，n=5进行本文提出的基于细化图和方向场图快速识别算法和无粗分直接进行1∶70 MHD识别与所用时间的比实验，实验结果为无粗分方法耗时2.427 s，本文方法耗时为0.575 s，可以看出本文提出的快速识别算法耗时远远小于没有粗分的识别算法.

图4分别给出了本文提出的基于方向场图的识别算法和MHD识别算法的合法匹配和非法匹配距离曲线，从图4可以看出，MHD合法匹配曲线和非法匹配曲线的交叉部分明显多于本文算法合法匹配曲线和非法匹配曲线的交叉部分，即本文提出的基于方向场图的识别算法比基于特征点的MHD算法能更好的区分是否是同类静脉图像.

图4 合法匹配与非法匹配距离曲线

图5 ROC曲线

图5给出了不同识别算法的ROC曲线.从图5看出，本文提出基于细化图像和方向图识别算法的性能明显优于文献[3]提出的MHD算法和文献[4]提出的基于梯度相关系数的算法.本文提出的算法是在存在平移的情况下做的实验，而MHD识别方法和梯度相关系数识别方法已经预先校正了平移.这是由于方向图包含了静脉纹路的所有信息同时避免了光照的影响，具有良好的图像识别性能，MHD算法只利用了静脉特征点信息，信息度不够，在低质量图像下，识别性能变差.基于梯度相关系数的识别算法在低质量图像下受光照强度影响大，识别性能同样较差.

5 结束语

本文提出的基于静脉细化图像和方向场图的分阶段快速识别算法，分别考虑了静脉纹路的纵向延伸分布特性和方向场图像的稳定性，在大规模用户识别时，分阶段识别发挥了两者的优势，提高了算法的可靠性和实时性.但本文提出的算法还存在一些问题，对于低质量手指静脉图像提取的静脉纹路不准确，在1∶N分阶段识别中，利用静脉纹路估计平移量时估计的平移量不够准确等，下一步将重点研究如何准确提取低质量手指静脉图像的静脉纹路，提高识别率.

[1] 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,2009:117-119.

[2] 杨金锋,张海金.手指静脉图像感兴趣区域提取方法研究[J].山东大学学报(工学版),2012,42(3):6-12.

[3] 王科俊,马慧.使用改进的方向滤波与修正的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.

[4] 林春漪,李明忠,孙骁.一种基于梯度相关的指静脉认证算法[J].计算机工程,2013,39(1):225-229.

[5] 王科俊,刘靖宇.基于相对距离和角度的手指静脉识别方法[J].华中科技大学学报(自然科学版),2011,39(5):96-99.

[6] LIU T, XIE J, YAN W, et al. Finger-vein recognition with modified binary tree model[J]. Neural Computing and Applications, 2015,26(4):969-977.

[7] MA H. Finger Vein Identification Based on 2DPCA[C]//Advanced Materials Research. Trans Tech Publications, 2014,988:548-551.

[8] YOU L, WANG J, LI H, et al. Finger Vein Recognition Based on 2DPCA and KMMC[J]. International Journal of Signal Processing, Image Processing and Pattern Recognition, 2015,8(10):163-170.

[9] MEHTRE B M. Fingerprint image analysis for automatic identification[J]. Machine Vision and Applications, 1993,6(2-3):124-139.

[10] 王科俊,马慧,李雪峰,等.使用方向滤波技术的手指静脉纹路提取方法[J].中国图象图形学报,2011,16(7):1206-1212.

[11] 康文雄,邓飞其.基于方向场分布率的静脉图像分割方法[J].自动化学报,2009,35(12):1496-1502.

FastRecognitionAlgorithmBasedonDirectionalFieldMapofFingerVein

ZHANG Yanyan, SHEN Lei, LI Xiaogang, LAN Shiwei

(SchoolofCommunicationEngineering,HangzhouDianziUniversity,HangzhouZhejiang310000,China)

The recognition algorithm of finger vein has low recognition rate and low recognition speed in large-scale users, an efficient fast identification algorithm in large-scale users was proposed in this paper. The algorithm was based on the directional field map and the thinning image of the vein image. Firstly, it applied the characteristics of vertical extension and the invariance of topology of vein thinning image to distinguish whether the same finger vein image rough step. Then extracting the directional field map of vein image and using its stability matching identification. The simulation results show that the recognition algorithm can clearly distinguish the same and different kind of finger vein image, the time of one-step recognition is about 5 times of the time used by the user, and the speed of the fast recognition algorithm is about 1/5 of the time of one step recognition algorithm in large scale users.

finger vein; topology structure; directional field map; step by step algorithm; fast recognition

TP391.41

A

1001-9146(2017)05-0021-05

2016-12-20

国家自然科学基金资助项目(61401133);中国博士后科学基金资助项目(2014M562302);新苗人才计划资助项目(2017R407077)

张严严(1990-)，女，河南商丘人，硕士研究生，数子图像处理.通信作者：沈雷，副教授，E-mail：shenlei@hdu.edu.cn.

10.13954/j.cnki.hdu.2017.05.005