手指静脉识别技术

任李

摘 要 手指静脉识别是一种新兴的生物识别技术，本文提出了有效的预处理、特征提取以及分类识别算法，通过Matlab软件仿真，发现通过Gabor滤波，利用PCA构建特征空间，使用SVM分类器时，选取线性核函数有较好的识别效果。

关键词 静脉识别 Gabor PCA SVM Matlab

中图分类号：TP391 文献标识码：A

0引入

手指静脉识别是利用每个人手指血管分布的不同来进行身份的认证，凭借其独特的优势受到了高度关注。手指静脉识别是对现有生物特征识别技术的有益补充，能够有效保证认证安全，作为一种新兴的人体生物特征识别技术，有着广阔的应用前景。

1图像预处理

手指静脉图像预处理的质量，影响着后续工作的开展。因此首先要对手指静脉图像进行一系列处理，去除不相干信息，提取出静脉骨架（如图1）。

首先对图像进行高斯滤波，降低图像采集过程中的噪声干扰。而后在空间域和频域对图像进行灰度增强，以此凸显静脉轮廓。运用Niblack算法对图像二值化，再通过中值滤波、去除小面积噪声的操作去除二值化后产生的块状噪声。再通过膨胀与腐蚀操作增强静脉血管的连通性，最后进行细化與去毛刺就得到了较为清晰的手指静脉骨架图像。

2基于PCA+Gabor+SVM的手指静脉识别

基于Gabor+PCA+SVM的手指静脉识别可以分为训练和识别两个步骤（如图2）。

训练步骤如下：

（1）读取手指静脉图库中的样本，并选定训练样本。

（2）利用Gabor滤波器对手指静脉图像进行特征提取，并输出经过滤波的图像。

（3）利用主成分分析法构建特征子空间，将特征提取后的图像投影到子空间中，生成该图像的特征向量。

（4）将训练样本数据归一化。

（5）选取SVM核函数，利用网格搜索法得到合适的参数，并用训练样本的特征对SVM分类器进行训练。

识别步骤如下：

（1）读入手指静脉测试样本。

（2）利用Gabor滤波器对测试样本进行特征提取，而后把测试图像投影到子空间中，得到特征向量。

（3）将测试样本数据归一化。

（4）将特征向量输入至SVM分类器进行分类识别。

3仿真结果分析

实验选取了经过预处理的600张手指静脉图像，共有60类，每类样本10张。其中训练样本360张（606），测试样本240张（604），所有样本大小都已经归一化到17090。进行实验平台为Intel Core（TM）i3-3240，CPU 3.40GHz，RAM 4.00GB，Windows7 32位操作系统，Matlab R2010b软件。本文使用的是LIBSVM工具箱中的SVM一种变形算法C-SVM，主要对线性核函数、径向基核函数下的SVM分类器对手指静脉的识别率和识别速率进行了比较分析。实验结果如图3，图4所示，其中识别时间单位为毫秒。

通过对两种核函数下的SVM对手指静脉图像识别的识别效果进行对比发现，线性核函数下的SVM最高识别率大于径向基核函数下的SVM，并且识别速率方面，线性核函数下的SVM要优于径向基下的SVM，所以综合识别率和识别时间两个因素得出结论：对于基于Gabor+PCA+SVM的手指静脉识别，当选择线性核函数，特征维数选取24时，识别率最高为98.75%，平均每幅图像识别时间为2.990毫秒。

4结束语

本文选取了线性核函数和径向基核函数进行比较分析，发现两种情况下最优识别率差别并不是很大，但线性核函数相对来说效果更好一些。但是实验中发现，当选取径向基核函数时，对于参数的选择要求特别高，如果与网格搜索产生的最优参数出现一定的偏差实验结果会很不理想，而线性核函数对参数的要求并不是很高。并且，当选择径向基核函数时，随着特征维数的增加，识别率并不能趋于一个稳定的值，而且识别率稳定的范围也不是很大，所以本文认为当使用LIBSVM工具箱时，选取线性核函数更适合处理手指静脉识别分类问题。

参考文献

[1] Gonzalez-Jimenez，D.&F.Perez-Gonzalez&P.Comesana-Alfaro&L.Perez-Freire& J.L.Alba-Castro.Modeling Gabor coefficients via generalized Gaussian distributions for face recognition[J].In：Proc.of IEEE Conf. on Image Processing，2007：485-488.

[2] Deb，K&D.K.Saxena.On finding pareto-optimal solutions through dimensionality reduction for certain large-dimensional multi-objective optimization problems[R].KanGal Report Number 2005011，2005.

[3] Osuna，E.&R.Freund&F.Girosi. Support vector machines： training and applications[R]. Tech. Report，AI Lab， MIT，1997.endprint