基于底层特征提取的手背静脉识别方法研究

张馨午，刘远远，齐千妍，邓可为，王 娟，2

（1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室，湖北武汉 430068；2.武汉大学-武汉华安科技公司博士后工作站，湖北武汉 430068）

由于互联网的发展和机器视觉技术的改进，人们有了更高的身份识别要求。手背静脉识别是活体识别，具备相对安全准确的识别特征。

国外关于静脉识别最初的研究是MacGregor P和Welford R开发的基于静脉识别的系统[1]。国内常见的静脉识别方法有多分辨率滤波法[2]、代数特征法[3]和HOG 算子提取特征[4]等。虽然近几年手背静脉识别技术飞速发展，但此技术尚未成熟，需要解决精确采集等问题。

该文通过分析静脉识别理论基础，实现了静脉识别算法设计。预处理阶段作图像处理，边缘提取时选择Canny 算法和Gabor 滤波器提取特征，提出了方向为8 的滤波器，有利于特征匹配识别。特征匹配时采用二次匹配法，经过实验验证算法的可行性。最后成功地实现了身份识别。

1 手背静脉识别一般流程

检测手背静脉特征的身份识别方法能够通过扫描手背静脉实现，识别正确率高，识别效果好。步骤如下：使用近红外光照射[5]手背然后对静脉图像进行采集；灰度和尺寸归一化处理图像；高斯滤波器滤除噪声；Canny 算子对静脉进行检测，取得手背与静脉血管的边界；通过Niblack 阈值分割改善图像的细节处理效果；运用细节细化算法提取静脉的骨架信息；采用Gabor 滤波器提取细化处理后的静脉特征，获得静脉交叉点与静脉端点；将提取特征和数据库数据进行匹配获得检测结果。

预处理的过程首先需要完成图像采集，该文用近红外光照射手背静脉来采集图像，经过二值化、归一化、滤波算法去噪和边缘检测等图像处理方法，可以增加皮肤和静脉组织之间的对比度。通过图像阈值分割，将静脉组织和手背皮肤彼此分离，获得连通的静脉组织。再运用细化、填充等方法得到静脉结构图，获得可以唯一代表这个图像的特征值。需要在已有的算法技术上进行改进，以获得具有唯一性的特征。

识别过程需要寻找有效代表手背静脉特性的特征值，让预处理后的图像完成平移、比例放缩等几何变换，形成一个带有特征的数学向量。在图像处理及软件程序的基础上，运用合适有效的算法让静脉图像特征与手背静脉特征库中已有的特征匹配，按照识别规律找到特征的相应类别，从而提高识别率，手背静脉识别流程图如图1 所示。

图1 手背静脉识别流程图

2 手背静脉图像算法流程

文中主要通过运用图像的归一化、高斯滤波去噪和二值化算法中的Niblack 算法来进行图像预处理，然后使用Gabor 滤波器提取出静脉图像的一部分血管特征，最后通过计算欧式距离来完成静脉图像信息的特征匹配，从而完成图像识别，算法流程图如图2 所示。

图2 手背静脉识别的算法流程图

2.1 主要设计方案

第一步：图片归一化处理，其可分为两个步骤：1）灰度归一化。比较静脉图像的灰度级，设置变换图像的平均值M0为150～220，方差V0尽可能接近255[6]。2）尺度归一化。由于获取的图像彼此有差别，因此需要统一图像的尺寸。对不同大小的图像进行变换，将其按一定的标准统一[7]。

第二步：进行高斯滤波器去噪，降低平滑处理中的图像模糊程度，按照高斯函数的形状对权重进行选择，能够非常有效地抑制甚至消除遵循正态分布的高斯噪声[8]。离中心点越远，权重就越少，从而能够让中心点靠近距离最近的点。该文选择高斯低通滤波来处理边缘的模糊性。边缘提取时产生的噪声，经过高斯滤波后，边缘的细节不再模糊，变得清晰可见，这样更有利于后面的处理。

第三步：进行Canny 边缘检测。Canny 边缘算子可以在保持边缘特性的同时消除边缘噪声。对二维高斯函数求出一阶导数和图像卷积滤波，求出梯度并进行比较得到最大值来排除非边缘像素[9]，从而判断出图像边缘。

第四步：利用Niblack 阈值分割出静脉部分。首先确定像素点和邻域其他像素点的均值以及标准差，然后得到相应阈值，并对高于该阈值和低于该阈值的元素进行处理。运用改进后的Sauvola 算法去除伪噪声[10]，其灰度均值和标准差的获取和Niblack算法一致，公式如下：

第五步：细化修复。采用细节细化算法，该算法具有细化速度快、连通性好的特点。

2.2 基于Gabor滤波器提取特征

二维Gabor 滤波器由Gabor 函数构成，它是一种线性滤波器，适用于表达和分离处理纹理。

该文特征提取采用方向为8 的滤波器来实现，从而使图像具有更加完整的特征。

假如手背灰度值分布为I(z)，则核函数ψu,v(z)的卷积公式如下：

其中，Fu,v(z)是方向系数为u、尺度系数为v的Gabor 滤波器内核卷积后的特征。因为核函数ψu,v(z)是复数，其对应的特征函数Fu,v(z)也是复数，其幅值和相位如下：

由尺度为5、方向为8 的Gabor 滤波器组成的实验能够得出，滤波器具有空间尺度选择和方向选择的特性，当进行函数和图像卷积运算后，可以获取不同尺度与方向的纹理特征[11]。

2.3 二次匹配算法

该文采用二次匹配算法进行图像匹配，可以减少对噪声、像素点位置变化等干扰因素的影响，它还简化了复杂的算法并提高了匹配的效率。匹配流程如图3所示。

图3 匹配流程

匹配过程包含两类匹配：①细节点匹配。在建立好图像的局部特征数据库后，在之前特征提取的基础上，首先进行局部特征的细节点匹配识别，细节点匹配包含端点和交叉点的匹配。从图像A 中提取出M个特征点，数据库里的任意一个静脉图像B 和图像A 匹配，从图像B 中提取出N个特征点，分别建立图像A 和图像B 的特征向量，然后一一对应匹配特征点。②欧式匹配。在没有发生错误的情况下，一个人的手背静脉图像经过预处理后，会获得同样的特征点[12]，则说明是同一个人的两张图像提取的特征点，相互匹配的两个特征点的欧式距离为0。计算两个图像的所有特征点的欧式距离，获得最小欧式距离，如果其中的最大值D＞L，那么可以判断两幅图像近似相同，L是人为设置的具体阈值。

计算出两个n维向量之间的欧式距离，其中d表示欧式距离，d越小，则图像越相似[13]，如式（5）所示：

欧式距离可以很好地获得特征向量中的对应距离，但不能直观地分辨出类别，因此可以构建最近邻分类器来分类。具体过程如下：

1）训练过程：将一组静脉图像特征样本训练到特征库中，并计算图像之间的欧式距离，以获得一个欧几里得距离表；然后计算类别里误差率和误识率的关系，当两个距离相等时，需要提取出最优的距离阈值。

2）识别过程：对经过训练的样本和待测样本都计算欧式距离；提取最小距离，如果它在阈值内，则可以让训练样本的类别和待测样本保持一致。最近邻分类器分类效果如图4 所示。

图4 最近邻分类器分类效果

2.4 识别过程

识别过程的技术平台是由MATLAB 生成的GUI，通过软件比对识别，将采集到的静脉训练样本导入软件形成手背静脉对比库，识别选择的静脉图像，将静脉图像特征和建立的手背静脉特征库中已有的特征进行匹配，通过识别规律找到特征的类别，因而识别率有所提高。

3 实验结果与分析

3.1 预处理结果

3.1.1 灰度化处理

图像经过灰度化后，对于光线不理想的图像，其与其他图像的灰度相差很大，为了让所有图像规范化，灰度归一化处理是必要的步骤，其可以使得待处理图像的均值和方差与标准规范相同。

3.1.2 图像二值化

图像在进行了灰度归一化后，需要进行图像二值化处理，从而可以得到清晰的轮廓图，即将图像处理为黑和白两种视觉效果。

3.1.3 边缘检测对比

该文对每个算法都进行了具体的实验，通过最终的轮廓结果进行比照，选择最适合的一种算法。

由Sobel 边缘检测法、Prewitt 边缘检测法、Log 边缘检测法、Canny 边缘检测法对同一图像的结果对比可以得出：Canny 边缘检测法不易受到噪声干扰，并且可以检测到边缘的细节。此外，Canny 边缘算子不会把边缘点误认成非边缘点，并且还会抑制假边缘，比起其他的边缘检测方法，Canny 边缘检测法获得的边缘轮廓最清晰、最完整，而且没有噪声干扰。

3.1.4 阈值分割

该文使用MATLAB 处理软件对图像进行分割。Niblack算法可以较好地存留图像的细节信息，较其他算法而言，更简单易行而且分割效果更好[14]。

3.1.5 中值滤波

通过Niblack 分割后，图像的信息不是特别明显，会有一些无用信息在图像中，这就是噪声的影响。该文选择中值滤波去除额外的部分。

3.1.6 细化修复

静脉图像在阈值分割后各个地方粗细不同，其像素点分布不均，将会导致提取的难度增加，影响算法的计算效率，因此，对图像进行细化处理操作是必要的[15]。

3.2 特征匹配识别结果

3.2.1 特征提取

利用不同方向和尺度的Gabor 滤波器来提取具备更高精度的特征，因为图像的幅值特征比相位特征相对稳定，而且幅值的特征信息可以表现出图像的能量表，并且能明显地展示手背上静脉血管的特征信息[16]，因此该文主要采用的是图像的幅值特征。

3.2.2 特征匹配

在手背图像库中寻找同一个人同一只手的两张图片进行匹配，经过二次匹配后可以获得是否匹配成功的信息。然后匹配不同人的左手的手背图像，经过二次匹配可以获得相关信息。

同一手背匹配结果：

匹配时间:时间已过0.399 036 s。

匹配成功＞＞

不同手背匹配结果：

匹配时间:时间已过0.931 827 s。

匹配失败＞＞

由此可知，该文运用的二次匹配的效果还不错，可以区分出图像是否来自同一个手背，不同图像的匹配耗费的时间也不一样。

3.2.3 特征识别

运用收集到的手背静脉图像进行实验，来验证算法的识别能力。选择了8 个人，每个人有8 组左右手的图像，总共128 个图像，在8 个人的样本中，从每个人每只手的图像中随机抽取3 组图像作为训练样本，除此之外的5 组图像用作测试样本。通过最近邻方法分类，一共有80×48 次匹配，然后进行识别率和误识率的计算。

在特征提取的过程中，该文对Gabor 滤波器进行了一些改良，增加了空间域的方向。方向为4 与方向为8 上滤波器的识别率和误识率如表1 所示，其中时间是识别过程中的平均时间。

表1 对比识别结果

表中的数据表明，虽然改进前后的识别率没有很大差别，而且时间还有一定的延长，但是改进后的误识率降低了11%，从而可以真正地识别出特征信息，完成个人身份的验证。

识别过程中识别率和误识率的曲线如图5所示。

图5 识别相关曲线

由此可见，这个算法的识别率还是挺高的，适宜用作识别手背的静脉图像。随着识别数量的增加，误识率逐渐降低，识别率也有轻微的降低。

该文的识别技术平台是MATLAB 生成的GUI，首先需要将采集到的静脉训练样本导入软件形成手背静脉对比库，此后再选择具体的静脉图像进行识别。

如果图像和对比库中的相同，则会显示这个手背静脉的编号；如果是对比库中没有的图像，则会显示没有相似图像，并且选择其他图像。

4 结论

为了达到安全识别的目的，该文具体介绍了手背静脉识别的预处理技术和匹配识别算法，经过对图像数据进行相关滤波去噪、边缘提取、阈值分割等预处理技术操作，提高了图像质量；通过增加Gabor滤波器空间域的方向，降低了误识率。通过二次匹配方法来匹配和识别图像，提升了图像识别率。但在采集过程中，图像数据占比空间较大，后续工作将针对此情况加以改善。