基于CS的高质量掌静脉图像获取方法*

陶静静， 姚善化， 孙熊伟， 曾新华， 朱泽德

(1.安徽理工大学 电气与信息工程学院，安徽 淮南 232000； 2.中国科学院合肥技术创新工程院，安徽 合肥 230000)

0 引 言

随着信息化科技的发展，传统的身份识别不再满足人们对信息安全性和保密性的需求，生物特征识别技术应运而生。手掌静脉识别利用活体静脉特征作为验证信息，信息隐藏于手掌皮肤内部，具有很好的防盗特性[1]。在掌静脉识别中，获取信息量大、清晰度高的高质量静脉图像是图像处理的首要问题[2]。由于每个人身体组织的差异(如不同人手掌脂肪的厚度、皮肤表面的反光率、蛋白质含量等)会影响近红外光对皮肤的穿透程度，造成部分手掌条件差的人群拍摄出来的静脉图像质量差的情况。所以，需要设计可实时调节的光源以针对每个人都能获得满足后续处理条件的高质量静脉图像。

在国内，华中科技大学的李强采用了850 nm的近红外光作为静脉采集光源；张大鹏教授等人选取了890 nm的近红外发光二极管(light-emitting diode,LED)阵列作为静脉采集光源；文献[3]对四种单波长及两两波长混合共10种光源照射进行研究，实验得出760 nm波长效果最好，但考虑到脂肪对960 nm波长吸收较好，最终选取760 nm和960 nm波长混合近红外光作为光源[3]；目前对静脉识别采集近红外光的波长选取还没有统一的标准。然而上述文献仍存在不足：光源波长单一，当用户数量庞大时，采集装置很难采集到大量高质量的掌静脉图像；光强自适应度差，不能根据不同个体的手掌条件自适应调整光强配比。

本文重点研究三种光源组合和光强配比的问题，提出一种多光谱自适应手掌静脉图像快速采集系统，该系统可以针对数量巨大的用户快速采集到大量高质量的手掌静脉图像，解决手掌静脉采集近红外波段选择的问题，提高光源配比调节的效率。

1 采集系统硬件设计

本文设计的手掌静脉采集装置主要由近红外LED光源组、互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)成像模块组和光源控制电路几部分构成。

1.1 近红外光源组

多光谱掌静脉成像的基本思想来源于:不同个体对近红外光的吸收不同，将多种波长光组合，根据不同人群手掌条件及时调整光强配比,可以更精准地采集。人体医学研究显示:波长760～940 nm的近红外光对生物组织具有最强的穿透能力，本文选用760,850 nm和940 nm三种近红外光，每种光分为4个亮度等级，共64种光强配比组合。

1.2 摄像机选型

图像传感器是静脉图像摄像装置的重要构件之一。电荷耦合器件(charge coupled device,CCD)传感器成像质量高，但功耗高,制造工艺复杂,价格昂贵，而CMOS传感器功耗低,体积小,价格低廉，且在750～1 000 nm近红外波段的感光灵敏度比CCD传感器要高，符合本文要求，因此本文选取CMOS图像传感器。

采用OV(OminiVision)公司生产的OV7620CMOS传感器芯片，专业用于安全监控领域，它体积为1/3 in(1 in=2.54 cm)，分辨率为640×480，传输速率高达30帧，在成像质量方面接近CCD传感器，功耗小，非常适用作手掌静脉图像采集的感光芯片。

1.3 滤光片选型

IR700系列滤光片，专业用于人脸识别、指纹识别、红外传感等体感互动和红外通信领域，红外线700 nm以上波段高透过, 可见光(400～700 nm)不通过。本文选择 IR700系列的750 nm透红外滤光片，可以保证高于750 nm波长的近90 %以上的近红外光通过，还可以有效屏蔽紫外线和可见光的干扰[4]。

1.4 光源控制电路

本文采用MAXIM公司生产的恒流驱动芯片MAX7315作为二极管的驱动电路核心。MAX7315拥有8个GPIO端口，每个端口可配置为具有最大吸收电流50 mA和额定输出电压5.5 V的漏极开路输出；内部集成8位脉宽调制(pulse width modulation,PWM)电流控制，4位全局输出控制LED电流粗调，共14个亮度级，每个输出具有各自的4位控制，将全局电流细分16个等级。通过控制输入端PWM的占空比来调节通过LED的电流，进而控制LED光亮度，实现了光源子系统亮度调节和光谱自动转换。PWM还具有的优点是使电路中有源器件工作在开关状态，功耗较小，电路效率高。这样的光源控制电路具有良好的稳定性和可控性。

2 图像质量评价方法指标

采用文献[5]的根据均匀度和清晰度两个指标的综合分数作为最终的图像质量分数。

2.1 基于均匀度的质量评价[5]

将感兴趣区域(region of interest,ROI)图像平均划分若干小方格，计算每一小方格的灰度均值，将均值中的最大值和最小值之差作为衡量光照均匀度的标准。分割小方格的尺寸由实验结果确定，计算公式

(1)

式中M[n]为存放各小方格的灰度均值，k为小方格的尺寸，Fn(i,j)为第n块小方格在坐标(i,j)处的灰度值。

光照均匀度评价分数Qm定义为

(2)

式中Mmax和Mmin为M[n]中的最大值和最小值，M{F}为整个掌静脉ROI图像的灰度均值。

2.2 基于清晰度的质量评价[5]

输入待评价的掌静脉ROI图像F，然后使用高斯低通滤波器处理输入图像得到二次模糊图片H

H=F⊗G

(3)

式中G为高斯低通滤波器，高斯核额的参数定为31×31的尺寸，标准差σ= 5.0；⊗代表卷积运算。分别在原图F和模糊图H中计算相邻像素灰度差异，得到相应的邻域灰度差异矩阵T和T′。定量衡量图像清晰度的公式为

(4)

综上指标，质量分数的公式定义如下

score=w1(1-Qm)+w2Qd

w1+w2=1

(5)

式中w1和w2为对应指标的权重值，确定w1=0.23,w2=0.77时该方法可以给出相当可靠的评价结果。

3 基于CS算法的静脉图像采集实现

3.1 CS算法[6,7]的工作流程如下：

1)定义目标函数f(X)=w1(1-Qm)+w2Qd，X=(x1,…,xd)T，随机初始化n个鸟巢位置Xi(i=1,2,3,…,n)，设置参数种群规模N为64,问题维数为3,最大发现概率Pa为0.25,最大迭代次数t为1 000等。

2)计算所有鸟巢的目标函数值,得出当前最优函数值。

3)记录上一代最优函数值和鸟巢位置，利用Levy飞行式(6)对其他鸟巢进行位置更新

(6)

式中α为步长控制量，其值服从正态分布；⊕表示点对点乘法。L(λ)表示布谷鸟的随机搜索路径，其与时间t的关系服从Levy分布

Levy(β):μ=t-λ,1<λ≤3

(7)

4)用新鸟巢的函数值与上一代最优函数值比较，若较好则保留，结果得到一组较好的鸟巢位置。

6)找到步骤(5)最优的鸟巢位置，判断算法的终止条件：若迭代次数t达到迭代上限或误差ε达到精度要求，则停止搜索；反之，返回步骤(2)继续寻找最优鸟巢位置[8]。

3.2 自适应光源采集系统流程

1)令近红外LED在预设值上工作；2)CMOS摄像机采集静脉特征图像，并传给上位机，上位机对原始图像进行处理并给出质量评价分数；3)利用CS算法搜索符合高质量需求的手掌静脉图像；4)输出高质量光源配比数据，或者调整光源继续搜索直到采集到符合精度的高质量的手掌静脉图像。

4 实验仿真

4.1 基于CS算法的光源亮度自适应调整

为研究高质量手掌静脉图像所适应的三种近红外光强度配比范围，自建50人的小型手掌静脉数据库进行实验，数据来源为校内学生志愿者，其中男性、女性比例为1∶1。采集步骤如下：

1)首先在760，850 nm和940 nm波长的近红外光混合照射下，拍摄50名志愿者的静脉图像，每位志愿者拍摄64张不同光强配比静脉图像准备对比实验。

2)利用图像质量评价系统给出每张静脉图像的一个质量评价分数，将单个志愿者的64个质量评价数据连成一条曲线，观察规律。以下是实际测试任选2名志愿者的质量分数曲线图如图1。

图1 静脉图像质量分数

其中，“均值”曲线是50名志愿者的64个图像质量评价分数分别对应相加取均值得到的质量分数。观察图可得，不同光强配比之下图像质量的分数总体上呈现出相似的波动规律。

3)利用MATLAB软件将图1中“均值”曲线上各点绘制成一个彩色三维散点图，如图2所示：坐标轴x，y，z分别代表760，850 nm和940 nm波长的近红外光线，每种波长的光分为4个强度，图中的64个点代表64张手掌静脉图像，从红色到蓝色分数逐渐降低，分数越低质量越好。

图2 图像质量三维散点

由图2可观察出:蓝色点区域内静脉图像质量较高，对应的光强配比好，经大量实验证明：图片质量评价分数在0.3以下可以得到清晰的高质量掌静脉图像。

4.2 自适应光源采集实验结果分析

为了验证模型选择的正确性，将本文CS算法与典型的穷举法、随机选择法作对比实验。

1)穷举策略:通过调控红外光源的光强,依次穷举760，850 nm和940 nm波长近红外线的4个等级光强尝试。50名志愿者依次尝试，直到遇到质量分数满足需求停止，记录光源配比尝试的次数。

2)随机分配策略:50名志愿者依次尝试随机获取的光源强度配比，直到遇到质量分数满足需求停止，记录光源配比尝试的次数。

3)CS算法:利用CS算法在Cube图中质量分数0.3以下的蓝色点区域搜索优秀光源配比上的优势，通过不断地搜索优秀光源配置，针对每个志愿者进行光源配比搜索尝试，直到搜索出优秀的光源配比满足静脉采集对图片质量的要求则结束，整个过程记录CS算法的搜索次数。

4)最后，统计整个50名志愿者实验过程中调节光源配比尝试的次数，统计如图3。

图3 三种方法识别性能对比

从图中可以看出:穷举法性能最差，迭代次数远高于另外两种算法，性能数据依赖性强、稳定性较差，不适于实际使用；随机搜索法相对于穷举法性能略有提升，但是仍存在搜索性能不稳定的问题；从图3可明显看出:CS算法的搜索能力远高于穷举法和随机搜索法，其稳定和快速的搜索表现更利于实际的在线静脉质量检测需求。

5 结 论

本文算法有效提高了在线静脉图像识别应用中快速筛选高质量静脉图片的能力，同时改善了不同用户对静脉采集时光源配比的差异化需求，为后续基于静脉图像的认证识别处理提供了更好的基础和铺垫。