一种手臂静脉特征提取与匹配的算法

陈晓腾 王彪 唐超颖 苏菡 魏祥灰

摘 要：针对手臂静脉这一全新的生物特征提出一种特征提取及匹配的算法。首先利用限制对比度自适应直方图均衡化方法对近红外图像进行对比度调整，接着利用Gabor滤波器提取静脉，并进行方向和尺度的标准化；在曲线修复和分割的基础上，提取描述曲线段的方向特征、位置特征和描述曲线形状的Hu不变矩特征；然后搜索匹配曲线对，并利用粒子群算法计算最优空间变换关系，最后进行静脉的匹配。针对150人数据库的匹配实验结果表明，该算法的识别率优于其他方法，说明手臂静脉作为一种新的生物特征具有良好的应用前景。

关键词：生物特征；手臂静脉；粒子群优化；识别；

中图分类号：TP391 文献标识码：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；

生物特征识别技术是利用人自身的生理或者行为特征进行身份识别的方法。静脉作为一种新型的生物特征具有其它生物特征不可比拟的优越性。静脉无法伪造或是手术改变，具有很强的普遍性、唯一性和稳定性；静脉是非接触性的信息采集，且采集过程友好。目前的静脉识别研究都是基于手部（手指、手背、手掌）的。Mirmohamadsadeghi等[1]提出一种基于局部二值模式和局部微分模式的方法，对手掌静脉图像的局部纹理特征进行提取和识别；周宇佳等[2]通过提取掌静脉图像的方向特征，得到了对静脉纹理响应最小的方向滤波器索引值矩阵，并对其进行编码和匹配；林森等[3]利用局部区域相邻像素之间的灰度大小关系，对掌静脉图像进行近邻二值模式编码，利用汉明距离进行匹配。张祺深

等[4]设计了基于透射式光源的双目视觉静脉三维点云重建装置，提出了基于三维点云匹配的手掌静脉认证算法。王一丁等[5]利用下采样和小波分解获取多尺度下的手背静脉图像，然后采用中心对称的局部二值模式提取图像的特征，利用限制玻尔兹曼机逐层训练，并采用多尺度编码组合的方式提高识别率。You等[6]采用高斯低通滤波及方向检测的方法获得手指静脉，提取分叉点及端点作为特征点，以Hausdorff距离为测度进行静脉识别。也有学者研究了脑部医学图像中血管的提取。秦志光等[7]提出了一种基于多模态的卷积神经网络对脑部CT血管造影图像进行分割，从而实现脑血管的单独提取。相比于手部，手臂部位的静脉信息更为丰富，识别能力也更强。但由于其脂肪覆盖厚、静脉位置较深，提取到的静脉曲线可能不连续或不完整，因此特征提取和识别的难度更大。本文针对手臂静脉进行特征提取和匹配方法的研究。

1 手臂静脉图像处理

1.1 近红外图像中的静脉提取

近红外图像中静脉的具体位置并不清晰，因此，利用限制对比度自适应直方图均衡化（CLAHE）方法对近红外图像进行预处理。将静脉图像划分为8 × 8像素的区域，将均匀分布作为目标直方图[8]，提升图像的对比度。接着利用Gabor滤波器自动提取近红外图像中的静脉信息[9]。由于近红外图像中静脉为黑色线条，采用含有不同尺度和方向的Gabor滤波器的实部对图像进行处理，并在此基础上对静脉信息进行增强[10]。在此基础上，采用Otsu阈值分割算法对结果图进行二值化，并进行细化处理。图1（a）为一幅近红外手臂图像，图1（b）、（c）、（d）分别为CLAHE、Gabor滤波和细化后的结果图。图像采集过程中存在的噪声和阴影会在静脉线中产生各种毛刺，对后续的特征提取和匹配会产生不利影响。通过观察及实验发现，大多数静脉图像中的毛刺长度小于15像素。在进行方向和位置標准化之前，需要对毛刺进行修剪。图2（a）、（c）为两幅静脉线状图，（b）、（d）分别为对应的修剪结果。

1.2 静脉方向标准化

4 实验结果及讨论

静脉曲线的匹配过程如图9所示，其中（a）、（b）为同一人在不同时间拍摄的两幅手臂图像的静脉曲线，相同形状标识的为匹配曲线对；（c）、（d）表示两图像中匹配曲线对的初始状态和最佳空间变换后的位置关系，变换后两组曲线能较好地对齐；静脉全局的初始空间位置如（e）所示，利用搜索的最佳空间变化对全局静脉线变换后的位置关系如（f）所示，可见，静脉全局达到空间位置的一致；（g）为删除出格点后的效果，最终两幅图像的匹配度为94.89%，证明了该匹配算法的有效性。

对一个含有150人手臂图像的测试图库进行了实验，所有图像采用JAI-AD080CL相机进行拍摄，图像尺寸为1024 × 768像素。图像采集对象中女性12人，男性138人，年龄范围为13-69岁，包括来自8个国家。每个人拍摄了两次图像，平均时间间隔为两周，两次拍摄的光照、拍摄角度均有差异。对两次拍摄的图像进行静脉的提取和识别。将改进的Hausdorff距离匹配算法[7]与模版匹配算法[14]与本文算法进行比较，实验结果的累积匹配特性曲线（Cumulative Match Characteristic Curve， CMC）如图10所示，部分实验结果如表1所示。CMC曲线描述了正确结果排在前k名的概率分布[15]。横坐标是正确结果的排名次序k，纵坐标为测试者正确身份包含在识别系统提供的前k位最相似对象中的概率。根据匹配结果可见，利用本文算法得到的Rank-1和Rank-10%识别率分别为72.67%和89.33%，而改进的Hausdorff距离匹配算法的这两个识别率为55.33%和75.33%，模版匹配的为25.33%和39.33%。与另外两种方法相比，本文算法有更高的匹配率。

5 结束语

传统的静脉识别局限于手部（手掌、手背、手指），提取的特征主要是图像的全局特征或是静脉结构的端点和分叉点。本文突破了这一限制，将静脉的提取位置扩展到手臂，并以静脉曲线段为基本单位进行特征提取及匹配。在对静脉进行方向、尺度标准化以及修复和分割之后，提取了每条曲线的方向、位置及Hu不变矩特征，在搜索匹配曲线对的基础上，利用粒子群算法计算最優空间变换关系，最后进行静脉的匹配。在150人的手臂图库上进行了实验，结果表明，本文算法比其他方法有更高的识别率。手臂面积大、静脉纹理多、特征信息丰富，因此在生物识别领域将具有更好的前景。

参考文献

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

[2] 周宇佳，刘娅琴，杨丰，等.基于方向特征的手掌静脉识别[J]. 中国图象图形学报，2014， 19（2）：243—252.

[3] 林森，吴微，苑玮琦.采用纹理近邻模式的掌静脉生物特征识别研究[J].仪器仪表学报，2015，36（10）：2330—2338.

[4] 张祺深，周雅，胡晓明，等. 基于三维点云匹配的手掌静脉识别[J].光学学报，2015，35（1）：266—276.

[5] 王一丁，徐林林，段强宇，等.基于深度学习和多尺度编码组合的手背静脉识别[J]. 北方工业大学学报，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，陈浩，丁熠，等. 基于多模态卷积神经网络的脑血管提取方法研究[J]. 电子科技大学学报，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. 机器视觉[M]. 北京： 中国青年出版社， 2014， 53—57.

[12] 章毓晋. 图像工程（第3版）[M]. 北京：清华大学出版社， 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] 陈玉琼.手指静脉图像的识别算法[D].杭州：杭州电子科技大学， 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.