手指静脉特征提取分析与对比

梁雪慧 赵 菲 程云泽 张瑞杰

（天津理工大学a.天津市复杂系统控制理论与应用重点实验室；b.电气电子工程学院）

手指静脉识别在现代生物识别领域中具有重要的地位［1］，相比其他生物识别（如人脸、指纹、虹膜及语音等），手指静脉识别具有不易俘获、识别数据小及安全性高等特点。

静脉识别首先要从近红外图像中获得较为完整的静脉结构， 然后提取静脉完成身份识别。因此，从近红外图像中获得较为完整的静脉线结构成为至关重要的工作，静脉提取算法的优劣直接关系到匹配识别的效果，甚至对整个静脉识别系统的性能产生重大影响。 因此，笔者深入研究了静脉提取的方法，以提高识别系统的性能。

现有的静脉特征提取方法中一类是基于机器学习的方法，另一类是通过研究图像的静脉纹路。 基于机器学习的方法其主要思想是从原始灰度图像中直接提取特征，已有的研究有：通过减少维数，获得静脉图像主要成分分量特征的主成分分析法（PCA）［2］；利用HOL特征提取获得静脉的线性响应和方向的基于2DHOL 特征与2D_2FPCA的方法［3］；通过重新定义类间离散度矩阵的双边二维线性判别分析（MB2D-LDA）方法［4］；利用流形学习的基本思想进行降维的正交邻域保持投影（ONPP）方法［5］；还有一些利用稀疏表达等方法来对静脉特征进行提取的方法［6］。 研究图像的静脉纹路这类方法是将图像中静脉纹路分割出来进行特征提取，有Gabor滤波器［7］、重复线性追踪［8］及最大曲率［9］等方法。 笔者主要是针对第2类的静脉特征提取方法进行研究分析。

1 图像预处理

1.1 图像归一化

通过采集设备获取的原始手指静脉图像中由于包含了大量的背景信息，例如平移、旋转、缩放和不均匀照明，这些信息对于图像的分析完全没有意义，且会增加算法的处理时间，所以首先应提取出采集图像的感兴趣区域（ROI），再进行尺度和灰度的归一化，提供更加准确的特征区域给后续的操作，从而提高静脉识别系统的性能。

1.2 图像增强

成像设备通常采用近红外（NIR）透射照明，采集过程中多种光散射占主导地位，因此手指静脉图像的质量始终很差，因为散射会大幅降低静脉和非静脉区域之间的对比度，直接对静脉纹理进行提取，会导致一部分静脉信息丢失，也可能会误识背景信息，产生伪静脉，这对之后的匹配和识别造成巨大的影响，因此在特征提取前要对静脉图像进行增强处理。

对比度受限自适应直方图均衡化［10］（Contrast Limited Adaptive Histogram Equalization，CLAHE）方法，最初是为医学成像而开发的，并已被证明可以成功地增强低对比度图像，例如射野验证片（Portal Film，PF）。 它实际上是改进的插值自适应直方图均衡方法， 其基本思想是对比度限幅，即限制局部直方图的高度，用以限制过分放大的噪声和过度增强的局部对比度。 算法步骤如下：

a. 将原始图像分成互不重叠且大小相等的M×N个子区域，并计算每一个子区域的像素个数Numi和直方图Hi（l）。

b. 求子区域的裁剪极限βi，βi=［1+α（s-1）］·Numi/li。 其中，α为截断系数，α∈［0，1］；s为裁剪斜率；li为第i个子区域的灰度级数。

c. 按照特定的步长对Hi（l）进行循环搜索，如果某一个灰度级的像素个数大于其βi， 则将它裁剪到βi以内， 并将剩余的像素个数分配给像素个数小于βi的灰度级，遍历所有灰度级。

d. 对每个子区域对比度进行限制后，将其直方图进行均衡化处理。

e. 利用双线性插值求每个像素点的灰度值。将每个子区域中心位置像素点的灰度值作为参考点。

从图1可以看出， 处理后的图像暗色区域内的模糊效果得到很好的增强， 使得图像更加清晰，对比度更高。

图1 高低质量图像增强后效果

2 静脉特征提取

2.1 Gabor滤波器

Gabor滤波器已被广泛用于模式分析，因为它可以有效地捕获图像中具有不同频率和方向的有用特征。 Gabor滤波器的实部称为偶数对称Gabor滤波器，通常用于从生物特征图像中提取特征：

其中，xθ=xcosθ+ysinθ，yθ=-xsinθ+ycosθ，θ表示法线相对于Gabor函数的平行条纹的方向，λ是正弦因子的波长，ψ是相位偏移，σ是高斯包络的标准偏差，γ是空间长宽比。

假设I（x，y）是输入图像，Fk（x，y）表示方向索引处对应的Gabor滤波图像之一。 Fk（x，y）可以这样获得：

其中，k=1，2，3，…，n；*表示卷积运算符。

2.2 重复线性跟踪

重复线性跟踪的思想是根据水平和垂直方向上的预定义概率按照选定的方向跟踪图像中的静脉，并随机选择起始种子，整个过程重复执行一定次数。

该方法基于在各个位置开始的线性跟踪。 首先识别出局部暗线，并通过沿线逐像素移动来执行线性跟踪。 当无法检测到黑线时，新的跟踪操作将从另一个位置开始。 通过重复执行这样的局部线性跟踪操作， 可以跟踪图像中的所有暗线。最终，线的位置重叠并且统计获得手指静脉的图案。

首先确定线性跟踪的起点和移动方向。

线性跟踪的起点是（xs，ys），即当前跟踪点（xc，yc）的初始值为（xs，ys），这是从手指轮廓内像素点的集合Rf中选择的一对均匀随机数。此后，确定移动方向属性Dlr、Dud。 Dlr和Dud是防止跟踪点跟随曲率过大的路径参数。 Dlr和Dud分别确定如下：

其中Rnd（n）是0～n之间的随机数。

其次检测暗线的方向和移动跟踪点：

a. 轨迹位置表Tc的初始化。 跟踪点移动到的位置存储在轨迹位置表Tc中。

b. 确定当前跟踪点可以移动到的像素组Nc，Nc=Tc∩Rf∩Nr（xc，yc），其中Nr（xc，yc）是（xc，yc）的相邻像素的集合。

c. 检测当前跟踪点附近的暗线方向，为了确定当前跟踪点（xc，yc）应该移动到的像素，需要计算线性评估函数，该函数反映了当前跟踪点周围的横截面轮廓中的谷底深度。

d. 在轨迹位置表Tc中记录轨迹并移动跟踪点，当前跟踪点（xc，yc）被添加到轨迹位置表Tc中。之后，如果Vl为正，则将（xc，yc）更新为Vl最大的（xi，yi）。

最后重复执行步骤b～d。

步骤d中的线性评估函数为：

其中，W是轮廓的宽度，r是（xc，yc）与横截面之间的距离，θi是线段（xc，yc）-（xc+1，yc）和（xc，yc）-（xi，yi）之间的角度。

2.3 最大曲率法

最大曲率法主要通过搜索静脉图像横截面轮廓的曲率局部最大位置来检测中心线。

首先，提取具有各种宽度和亮度的静脉中心线，检查手指静脉图像的横截面轮廓。 因为静脉比周围区域暗，所以静脉的横截面轮廓看起来像是凹痕。 这些凹曲线具有较大的曲率，因此可以通过计算横截面轮廓中的局部最大曲率来获得静脉的中心位置。

假设F为手指静脉图像，F（x，y）为对应像素点（x，y）的灰度值，将F（x，y）在位置z处的剖面图定义为Pf（z），则曲率kz可以表示为：

其次， 为了连接静脉中心点并消除噪声，检查中心点像素右侧的两个相邻像素和左侧的两个相邻像素。 如果（x，y）与两侧的像素值都较大，则水平绘制一条线；如果（x，y）的值较小且两侧的像素值较大，在（x，y）处会产生间隙，因此应增加（x，y）的值以连接线路；当（x，y）具有较大的值而两侧的像素具有较小的值时， 噪声点位于（x，y），因此应减小（x，y）的值以消除噪声。以相同的方式对4个方向均进行该操作。

最后，使用阈值对静脉图案G（x，y）进行二值化。 值小于阈值的像素被标记为背景，值大于或等于阈值的像素被标记为静脉区域。 假设G（x，y）中值的直方图在形式上是两相的，因此确定阈值以使G（x，y）中值的组之间的离散最大。

3 实验对比

将采用Gabor滤波器、重复线性跟踪和最大曲率法3种特征方法提取的静脉图像进行对比，结果如图2所示。

图2 不同特征提取方法的效果

由图2可以看出，3种特征方法表现都较为优良，其中重复线性跟踪法受预先设置的参数和迭代次数影响较大，在实验中迭代的次数为200 000次，仍有部分细小的静脉特征被遗漏，且运算效率低，不适用于实时静脉识别系统中。 最大曲率法的静脉结构得到了增强，但是背景噪声也被突出显示了，这可能会从生成的静脉结构中产生虚假匹配。 Gabor滤波器提取出来的静脉较为完整，提取的静脉结构非常适合原始图像的血管拓扑结构，并且很好地抑制了伴随的噪声。

4 结束语

特征提取是静脉识别最重要的一环，提取出的特征好坏直接影响到识别效果。 笔者通过对3种不同特征提取方法提取的图像进行对比，结果表明使用Gabor滤波器进行特征提取，提取出的静脉线具有更高的完整性，但没有对运算效率进行研究，今后可以将提高特征提取算法的效率作为一个新的研究方向。