基于MHD的靜脈識別技術

1、 基于MHD距離的手指靜脈識別方法研究摘要：本文提出了一種新的手指靜脈識別技術。其思路為：首先，利用圖像處理方法提取手指靜脈模式特征。其次，沖手指靜脈模式特征中提取出細節(jié)點，它包括交叉點和端點。這些特征點可以作為手指靜脈的模式的主要特征用于識別。最終，利用修改的Hausdorff距離（MHD）來計算它們的距離，因為MHD算法在計算距離時不需要每個點一一對應而被廣泛的用于計算集合的距離。實驗表明該算法對于位置有波動性象素點具有更好的魯棒性，而且證明了圖像的細節(jié)點能夠代替靜脈圖像的幾何形狀用于識別。最后，該算法對在不同的光線條件下的靜脈圖像有較高的識別率。1. 引言生物測定學是利用其生理或行為特征

2、進行個人身份認證的科學。近年來，手指靜脈認證學已經引起了許多哦研究機構的廣泛的關注。 由于不同的人有不同的手指靜脈模式2 3 4 5.，因此，手指靜脈識別技術是利用這個原理來進行認證的。比起指紋識別，手指靜脈識別具有以下優(yōu)勢1: 1)手指靜脈識別不需要考慮皮膚表面的因素，且可以預防偽造手指用于識別的情況。 2）使用僅在紅外光才能看得見的手指靜脈大大的增加了偽造的難度。3）非接觸式的識別方式避免了對公眾健康的影響。正因為手指靜脈的唯一性，穩(wěn)定性和高度防偽性使得它成為一種理想的生物特征，它在身份認證中具有安全性和穩(wěn)定性。手指靜脈識別系統(tǒng)由五個處理步驟組成5：圖像的獲取，圖像增強，手指靜脈圖像分割，

3、特征提取和匹配。在圖像獲取階段，靜脈圖像是通過紅外成像技術獲得的。這里使用的方法是使用一個紅外照相機獲取靜脈圖像1、2、6.。在獲取圖像后，把手指靜脈模式從背景色分割出來，然后提取特征得到靜脈模式。對于不同光照條件下的得到的不同圖像，我們通過計算它們之間的相似性來進行圖像的匹配。在先前的研究中Hausdorff距離函數被廣泛的應用于圖像的匹配711.，它的顯著的特點是在計算兩個物體或兩張圖像之間的距離時，不需建立它們之間點的對應關系。Dubuisson 和 Jain 12提出了幾種修改的Dubuisson距離（MHD）來比較邊緣圖像，這些邊緣圖像通過處理它們的灰度圖像得到的。Paumard 1

4、3提出了CHD算法來計算二值圖像的距離。Takacs 14引進近鄰函數和結合懲罰函數來對MHD進一步的改進后，然后將其用于人臉識別。Guo et al. 15提出了一種新的MHD算法，它是通過關于特征臉的空間信息函數對MHD進行加權。Lin et al. 16利用特征臉的特性對Hausdorff距離進行加權，從而提出了一種修改的Hausdorff距離。其加權函數對一些重要的面部特征如：眼睛、嘴和臉的輪廓給予較高的權重。Zhu et al. 17 利用一個改進的脊波濾波器來檢測圖像的邊緣，并在脊波特征空間利用加權修改的Hausdorff 距離（WMHD）來計算圖像的距離。LingyuWanga

5、6通過應用MHD來匹配圖像中感興趣的點對圖像進行比較。在文獻6的啟發(fā)下，本論文利用MHD來計算兩個細節(jié)點集的相似性。實驗結果表明細節(jié)結點攜帶足夠用于識別的信息，而不需要將整個靜脈特征用于圖像匹配，從而節(jié)省了大量的時間，而且對不同光照下的圖像進行很好的匹配。2.紅外靜脈圖像的預處理2.1手指靜脈數據庫目前這里沒有公共的手指靜脈數據庫用于研究。為了對手指靜脈圖像進行預處理分析，我們建立了手指靜脈數據庫，該手指靜脈數據有50個不同人的手指組成，而且對每個人在不同時間和關照條件下采集了10幅不同的圖像。所有的圖像都有一個黑色的背景，而且手指是豎直向上（其中能容許一定的位置偏移）。這些圖像都是具有256

6、的灰度像素圖像且為。下面給出了數據庫中的一張原始的手指靜脈圖像如圖1（a）所示。 （a）原始圖像. （b）標準化后的圖像圖1 手指靜脈圖像2.2圖像的標準化由于采集的時間、光強和每個人手指厚度不同，得到的靜脈圖像灰度分布不相同，不利于特征提取與分類。我們采取線性灰度調整的方法，將灰度能量聚集于的圖像灰度到范圍，得到灰度分布均勻的圖像: （1）上式中：表示原圖灰度值表示變換后的灰度值表示原圖最小灰度值表示原圖最大灰度值其灰度歸一化結果如圖1（b）所示2.3圖像的方向場 方向場代表了指紋圖像的本質特性，它對于坐標系來說是不變的，在指紋圖像處理中有著非常重要的地位。目前有大量的方法用來估計指紋的方向

7、場11, 17, 10, 1。類似的，手指靜脈圖也是具有方向的紋理圖像，我們通過改進了原有的方向場估計算法，得到一個新的算法；下面介紹改進的公式法求方向場的方法。主要步驟如下：1）計算圖像中每個象素點.的梯度和。在這里，根據計算的要求，梯度算子可以選擇簡單的Sobel算子，也可以選擇復雜的Marr-Hildreth算子，或者其他的其子。 2）估計每個點的方向場a）利用的窗口在原始圖像進行滑動，其中窗口中心的灰度象素值為。b) 估計窗口（其大小可以根據實際情況選擇）的方向并作為其中心象素點的方向。計算以為中心的每個窗口的方向，公式如下 （2） （3） (4)其中，是局部脊線方向的最小平方估計，數

8、學上，它表示這個方向垂直于窗的傅里葉頻率的主方向。c）如果圖像中每個象素點被遍歷完，即所有象素點的方向都被估計，則結束。否則，重復上面的步驟。3）由于噪聲、斷裂的脊線和谷線的存在，估計的脊線方向可能不總是正確的。在沒有奇異點的鄰域內，局部脊線方向是緩慢變化的，可以用一個低通濾波器來修改不正確的脊線方向。為此，方向場需要轉化到一個連續(xù)的向量場中 （5） （6） 式中和 是向量場的分量和分量，低通濾波可表示如下 （7） （8）式中，是一個二維低通濾波器，其積分為1，是濾波器的大小。其平滑操作在每個象素點上執(zhí)行的，其默認大小為。4）計算在的方向場通過這種方法，就會得到一個相當平滑的方向場。圖.2所示

9、為一幅指紋圖像的方向場圖。 圖. 2 本文算法得到的方向場; w = 20和 = 10 2.4脊波濾波 手指靜脈圖像由脊線和谷線構成，脊線和谷線粗細均勻，除了在細節(jié)點、奇異點等區(qū)域出現不規(guī)則形狀外，在大部分區(qū)域，呈現連續(xù)的、方向平緩變化的曲線形態(tài)。由于脊波濾波器是一個被Gauss函數調制的正弦波。它具有頻率選擇和方向選擇的特性，采用它不但可以能夠去掉噪聲，并且能把指紋的脊和谷的結構不失真的保留下來。脊波濾波器是一種有效的紋路分析工具20,其一般形式如下： （10）式中，, u是復正弦函數的頻率，是濾波器的方向，是高斯包絡的標準差。為了避免受光強度的影響，利用下式把離散脊波濾波器的直流分量規(guī)格化

10、成0。 （11）式中，是濾波器的大小。我們通過實驗來選擇這三個參數.2.5靜脈提取通過紅外采集裝置采集的手指靜脈質量較差，所以圖像分割在整個手指靜脈的識別過程中起著非常重要的作用，而且相當困難。目前有許多圖像分割算法。經典算法由閾值分割法、區(qū)域增長算法、邊緣檢測算法和多種分割方法相結合的算法等。前沿的分割算法有神經網絡算法、模糊聚類算法等。不同的算法適合不同的應用領域，適合分割一些圖像的算法可能并不適應另外一些不同的圖像，沒有哪一種分割算法適合所有的圖像。因此，選擇合適的分割算法非常重要。本文針對手指靜脈圖像提出了一種新的分割算法，其算法主要步驟如下：Step 1：提取谷形區(qū)域為了確定在該像素

11、處脊線的方向,對于圖像的每一個像素,在以該像素為中心的窗口內,分別計算與之對應8個方向上算子（如圖3所示）的卷積。然后得到這8個方向上的最大卷積和。= （12）然后用最大值作為該點的灰度值； （13）Step 2：閾值分割Step 2.1：進行第一次閾值分割 （14）Step 2.2：進行第二次閾值分割 （15）其中表示圖像中非零元素的平均值。和分別表示圖像中非零元素的和與個數。Step 2.3：模糊增強經過前兩次分割后，這時圖像中灰度值范圍為，該區(qū)域的值存在偽靜脈特征和噪聲的可能性非常大，為了進一步降低噪聲和剔除偽靜脈，用模糊算子增強。其算法如下：（1）計算隸屬度，即 （16）（2）計算窗口

12、內所有元素的均值（3）在窗口內計算調整后的像素灰度隸屬度及其灰度值 , 其數學表達式為 （17）Step 2.4：進行第3次閾值分割采用窗口在原圖像上滑動, 該窗口中心像素點灰度值為, 則該窗口內所有像素值構成如下集合:求出該窗口中所有像素的平均值 計算公式如下： （18） （19） （10）這樣圖像中每個像素點都有一個閾值。然后分別利用每個閾值進行二值化為 （21）得到最終只含靜脈特征的圖像。得到原始手指靜脈圖像的谷形圖像如圖4所示。這個分割效果也十分理想的。 為了剔出毛刺和使圖像的邊界更光滑，我們把分割后的圖像采用中值濾波。由于噪聲的影響導致分割后圖像中存在一些非靜脈的噪聲區(qū)域。我們可以根

13、據區(qū)域的大小來驅除噪聲區(qū)域。去造效果圖如圖5所示。 圖4分割圖像 圖.5. 濾波后的圖像(a)(水平方向)(b)方向(c)方向（d）方向 （e）方向 （f）方向（g）方向（h）方向圖3 各個操作方向2.6圖像的細化提取的手指經脈特征圖像的靜脈紋路較粗，在實際中，靜脈紋路的粗細容易受光照等因素的影響，而靜脈的走向和拓撲結構確實非常穩(wěn)定的，所以有必要在識別前對圖像進行細化 。2.6.1細化算 圖像的細化是指在保持原圖像拓撲結構的情況下，盡可能快地抽出一個單像素寬的骨架的過程。 區(qū)域內的點假設具有1值，且背景點具有0值。這種方法對于給定的輪廓點應用兩個基本步驟，這里輪廓點是值為一，并且在8個相鄰點中

14、至少有一個值為0的點。關于8個領域的表示參照圖6所示。第一步：如果下列條件滿足，則標記的輪廓點要刪除。 （22）00110101圖6用于細化算法的相鄰關系排 圖7式（2）中條件（a）和（b）的圖示說明 此時， 這里是的非零相鄰點的數目；即：并且是以 ， 的詞輪轉時，從0到1的變化次數。例如，圖7中 第二步，條件（a）和（b）仍相同，但條件（c）和（d）變?yōu)?這樣細化算法的迭代包括：（1） 執(zhí)行步驟1對需要刪除的邊界點進行標記；（2） 刪除做了標記的點；（3） 執(zhí)行步驟2，對剩下的要刪除的邊界點進行標記；（4） 刪除有標記的點反復進行這一過程直到再沒有可以刪除的點，此時算法結束，生成區(qū)域骨架。圖

15、像被細化到最低限度相連且沒有間斷點的線，這樣有利于后面的處理（如：特征點的提?。?。2.6.2改進細化方法 由上面的細化結果可以看出，圖像在分叉點處存在像素的冗余，即非單像素點，這使得以后對特征點的提取相當麻煩。下面給出了細化后在分枝點處的非單像素點，如圖8所示上面紅色線標出了圖像中的非單像素點，除去這些非單像素點一種方法：可以利用在保持圖像連通性的前提下，去掉冗余像素點的辦法，另一種方法采用模板的方法。本文采用后者，上圖中的非像素點可以用模板（如圖8.6所示）除去，即去掉圖像中與圖9中所示模板位置結構相同的點，*表示當前點的位置；"1”表示目標圖像上的點，"0”表示背景圖像

16、上的點。01001*101001011*100001011*001000011*1010 Me Mf Mg Mh 圖9非單像素點的模板表示利用上面模板不斷在細化后的圖上進行迭代，直到去除所有的非但像素點。這時經過處理后圖像中沒有非單像素點。2.6.3毛刺的裁剪 原始手指靜脈圖像中的噪聲和陰影等會在骨架圖像中產生各種“毛刺“，這些毛刺將會影響后面的處理?！懊獭暗某タ梢酝ㄟ^從每個端點開始沿著非零點搜索，直到到達交叉點時停止。記錄下每個端點上在這個過程中遍歷的點數，然后取一個閾值，將小于閾值的那個端點搜索路徑上的置為0。裁剪后的圖像如圖10所示。 a) 一般細化算法 b) 改進細化算法 c) 毛

17、刺剪裁圖10.圖像細化3.細節(jié)點的提取 靜脈骨架化圖像中的有兩種關鍵性的節(jié)點（交叉節(jié)點和端點），為了提取出這些特征點，我們利用文獻21 方法來提取這些特征點。對于一個區(qū)域，如果 的值為1，表示從 到 時 ，0和1交替變換的次數。當大于等于6時，則認為是交叉點，等式的表達式如下：類似的，這種方法被用于檢測端點。不同的是這時的值等于2。手指靜脈增強算法的流程圖如圖11所示，實驗過程如圖12所示。靜脈特征提取靜脈特征細化細節(jié)點的提取濾波圖像的方向估計標準化靜脈圖像的細節(jié)點(大的正方形比阿什交叉點，小的正方形表示端點)輸入圖像 圖. 11.手指靜脈細節(jié)點提取的流程圖 圖12.靜脈圖像處理過程4.實驗結

18、果這個實驗過程是在我的手指靜脈數據庫中進行的。在這部分，通過三個實驗來證明本文所提出的識別算法的有效性。手指靜脈數據庫由50個不同的人的手指在不同時間和光照條件下各采集10張圖像得到的共500張圖片組成。所有的圖像都有一個黑色的背景，而且手指是豎直向上（其中能容許一定的位置偏移）。這些圖像都是具有256的灰度像素圖像且為。這些圖像在處理之前經過了預處理。4.1 MHD認證 在分析指紋寫節(jié)點的許多方法都能類似的應用來分析手指靜脈的細節(jié)點。然而，由于手指靜脈的細節(jié)點與指紋細節(jié)點相比相對較少，首先選擇統(tǒng)計特征來分析幾何信息。因為手指靜脈特征一個二維的點集，所以通過計算兩個點集之間的Hausdorff

19、相似度來完成一對模式的匹配。Huttenlocher在文獻23中最先利用Hausdorff距離來比較兩幅二值圖像。它的特點是在計算兩個點集之間的距離時，不需建立它們之間點的對應關系。文獻6提出了一個有效的計算算法，它通過搜索圖像中最小的Hausdorff距離來加快檢測相似模式。對于兩個點集 和，等式（23）和（25）給出了Hausdorff的定義： （23） （24）式中， 和 分別表示這兩個點集之間的集間距離和有向距離。 的值越小，表示這兩個點集越相似。然而，原始的Hausdorff距離對這個點位置的微小擾動非常敏感，為了克服這個缺點。文獻12在原始算法的基礎上進行修改，提出了一種MHD算法

20、，該方法有以下性質：(i)隨著兩個點集中不同點數的增長，它的值也單調遞增。(ii)它可以有效地克服由于分割中引起的一些噪聲點的影響。與原始的算法不同，MHD的距離定義為： （25）圖12給出了 錯誤接受率和錯誤拒絕率的曲線，從這幅圖中可以看出當HD值等于0.52，等誤率近似的等于14.51%。然而當用MHD算法處理這組數據時，等誤率等于0.761%（如圖13所示）%識別率非法匹配合法匹配 HD 距離(a) FRR%(b)EERFAR% Fig. 12. 測試結果. (a) 匹配距離(b) 使用HD算法對細節(jié)點識別ROC曲線（EER = 14.51% 當閾值為0.52)%識別率合法匹配非法匹配M

21、HD 距離 (a) EERFAR%FRR%(b)圖.13. 測試結果. (a)匹配距離 (b)使用MHD算法對細節(jié)點進行識別的ROC曲線 (EER = 0.761% 當閾值為 0.43).4.2靜脈結構特征測試 為了證明細節(jié)節(jié)點能夠攜帶靜脈特征中足夠的區(qū)分信息用于識別，我們用一個實驗與前一個實驗結果進行比較。利用靜脈骨架化圖像進行匹配實驗，實驗中利用MHD來計算相似度。圖14給出了匹配距離圖和ROC曲線。從ROC曲線可以看出當閾值取0.41時，其等誤率為7%.。表1給出了利用兩種特征匹配時各種參數的比較，可以看出，與手指靜脈特征相比，利用細節(jié)點進行匹配的是識別精度不但大大提高，而且降低了識別時

22、所需的時間。%識別率MHD 距離 (a) EERFAR%FRR%(b)Fig. 14. 測試結果. (a)匹配距離（b）使用MHD算法對細節(jié)點進行識別的ROC曲線 (EER = 7% ，當閾值為0.41).表1利用 MHD算法對細節(jié)點和靜脈特征進行測試等誤率 閾值 時間（s） (%) 手指靜脈特征 7 0.41 6.5靜脈特征兩種細節(jié)點 0.761 0.43 2.24.3兩類細節(jié)點的測試 為了驗證兩種類型的細節(jié)點（交叉點和端點）的有效性，我們利用交叉點、端點和兩種類型的細節(jié)點做實驗。這三個實驗都使用MHD算法來計算相似度。實驗結果如表2，從中可以看出交叉點、端點能達到相對高的識別精度，但同時利

23、用這兩種細節(jié)點能進一步提高識別精度。表 2 利用MHD算法對細節(jié)點進行測試結果比較等誤率 閾值(%) 交叉點 9.20 0.48端點 8.89 0.46兩種細節(jié)點 0.761 0.435. 結論本文提出了一種新的手指靜脈識別技術。其思路為：首先，利用圖像處理方法提取手指靜脈模式特征。其次，沖手指靜脈模式特征中提取出細節(jié)點，它包括交叉點和端點。這些特征點可以作為手指靜脈的特征模式用于識別。最終，利用修改的Hausdorff距離（MHD）來計算它們的相似度。實驗表明當距離H取閾值為0.43時，其等誤率為0.761%。該結果表明手指靜脈的細節(jié)點可以有效地應用于個人身份認證。雖然目前的數據庫相對較小，

24、它的識別效果不能代表對于大數據庫（指上萬的用戶）的識別效果，但是該實驗結果可以表明：在適當數量的人群中，手指靜脈細節(jié)點可以作為個人身份認證中的一種有效生物特征。同時，手指靜脈作為一種新的認證技術，它具有巨大發(fā)展?jié)摿Γ彝ㄟ^進一步的研究，能夠更好的應用于人們日常的生活中。References1 Zhongbo Zhang, Siliang Ma ,Xiao Han. Multiscale Feature Extraction of Finger-Vein Patterns Based on Curvelets and Local Interconnection Structure Neural

25、 Network The 18th International Conference on Pattern Recognition (ICPR'06) 0-7695-2521-0/06 $20.00 © 20062Hitachi, Ltd. Kawasaki, Kanagawa. Finger Vein Authentication Technology and its Future Junichi Hashimoto . Information & Telecommunication Systems Group, Japan 1-4244-0006-6/06/$20

26、.00 (c) 2006 IEEE3 A. Jain, R.M. Bolle, S. Pankanti, Biometrics: Personal Identification in Networked Society, Kluwer Academic Publishers, Dordrecht, 1999.4 P. MacGregor, R.Welford, Veincheck: imaging for security and personnel identification, Adv. Imaging 6 (7) (1991) 5256.5 P.L. Hawkes, D.O. Clayd

27、en, Veincheck research for automatic identification of people, in: Presented at the Hand and Fingerprint Seminar at NPL, September 1993.6 LingyuWanga, Graham Leedhamb, David Siu-Yeung Choa. Minutiae feature analysis for infrared hand vein pattern biometrics. Pattern Recognition Society. Published by

28、 Elsevier Ltd. All rights reserved,2007.7 J.A. Gualtieri, J. Le Moigne, C.V. Packer, Distance between images, Fourth Symposium on the Frontiers of Massively Parallel Computation, October 1992, pp. 216223.8 J. You, E. Pissaloux, J.-L. Hellec, P. Bonnin, A guided image matching approach using Hausdorf

29、f distance with interesting points detection, Proceedings of the IEEE International Conference on Image Processing, vol. 1, November 1994, pp. 968972.9 V. Di Gesù, V. Starovoitov, Distance-based functions for image comparison, Pattern Recognition Lett. 20 (2) (1999) 207214.10 A. Ghafoor, R.N. I

30、qbal, S. Khan, Robust image matching algorithm, Proceedings of the Fourth EURASIP Conference Focused on Video/Image Processing and Multimedia Communications, July 2003, pp. 155160.11 V. Perlibakas, Distance measures for PCA-based face recognition, Pattern Recognition Lett. 25 (6) (2004) 71172412 M.-

31、P. Dubuisson, A.K. Jain, A modified Hausdorff distance for object matching, Proceedings of the 12th IAPR International Conference on Pattern Recognition, vol. 1, October 1994, pp. 566568.13 J. Paumard, Robust comparison of binary images, Pattern Recognition Lett. 18 (10) (1997) 10571063.14 B. Takacs

32、, Comparing face images using the modified Hausdorff distance, Pattern Recognition 31 (12) (1998) 18731881.15 B. Guo, K.-M. Lam, K.-H. Lin, W.C. Siu, Human face recognition based on spatially weighted Hausdorff distance, Pattern Recognition Lett. 24 (13) (2003) 499507.16 K.-H. Lin, K.-M. Lam, W.C. Siu, Spatially eigen-weighted Hausdorff distances for human face recognition, Pattern Recognition 36 (8) (2003) 18271834.17 Z. Zhu, M. Tang, H. Lu, A