1、基于近红外图像的静脉识别算法研究秦斌 1,2，谢宝 3，杜戈果 4，5，曹广忠 2,3（1.深圳大学信息中心，深圳 518060；2.深圳传感技术重点实验室，深圳 518060；3.深圳大学机电与控制工程学院，深圳518060；4.深圳大学激光重点实验室，深圳 518060； 5.深圳大学电子科学与技术学院，深圳 518060）摘要 ：传统的静脉识别系统由五个步骤组成：近红外静脉图像采集，图像增强，静脉图像分割，骨架化和模板匹配。在静脉图像分割和骨架化的过程当中，大量有用的信息（比如静脉的粗细）丢失，并引入了噪声，增加了后期识别过程的复杂度，降低了识别率. 本文通过实验和分析比较，提出一种基于
2、静脉图像不变矩和相关函数在决策层通过概率统计融合的识别方法，在采用实验室 CEC 手背静脉识别仪硬件采集图像的条件下，该算法实际 EER（Equal Error Rate）达到了 3%， 实验结果表明该算法在识别速度及识别率上满足一般应用要求。从性价比的角度来看，该算法和传统算法相比有了明显的提高，特别适合低成本嵌入式系统中使用.关键词：近红外图像； 静脉识别； 不变矩； 相关函数； 权重融合； 中图分类号：TP391；TP751 文献标识码： A生物识别技术是利用人体生理特征或行为特征进行身份认证的一种新兴技术，主要包括指纹识别、虹膜识别、掌纹识别、声音识别等.作为一种新的生物识别技术，静脉
3、识别所采用的生物数据是人的静脉血管信息，它具备很强的普遍性和唯一性，并且在使用的过程中为非接触式采集，可以在公共场合使用，而不用担心卫生问题.另外人的静脉隐藏在皮肤表层，很难伪造或通过手术改变. 1人手静脉识别技术的原理：参考人体骨骼、肌肉组织的特点 2,当入射光波长在 0.721.10m 时,可较好地穿透骨骼和肌肉,人体血液里富含血红蛋白，血红蛋白对红外光的吸收要远大于周围的肌肉和骨骼，静脉血管的红外成像区域较周边组织影像亮度暗，因此凸现出静脉结构 3,4，通过适当的红外光照射人手特定部位，红外摄像机便可获取清晰的静脉图像用于识别个体. 人手静脉识别技术是根据人体骨骼、肌肉组织的特点 2,当
4、入射光波长在 0.721.10m 时,可较好地穿透骨骼和肌肉,凸现出静脉结构 3,4,由红外摄像机获取静脉图像来识别个体.人体血液里含有血红蛋白，血红蛋白的血红素对红外光的吸收要远大于周围的肌肉和骨骼，在红外摄像机里成像暗的区域就是我们的静脉. 入射光波长在 805nm 时，氧合血红蛋白和脱氧血红蛋白的光谱吸收因子相同 5，理论上成像最为稳定，由于市面上 850nm 的红外 LED 比较容易获得，价格相对便宜，在应用中多使用 850nm 的 LED 来做补偿光源.传统的静脉识别算法是通过对静脉图像进行归一化（包括尺度和灰度） ，二值化（图像分割） ，再细化（骨架化） ，然后通过特征点或模板进行
5、匹配，但在图像的二值化及细化的过程当中，很多有用的静脉细节信息就被忽略了（如静脉的粗细和深浅） ，并且会引入一些新的噪声，这样就会给识别带来一定的人为误差. 基于此，有关静脉识别的新算法近年来不断出现 6-13，本文针对嵌入式应用提出一种基于图像相关函数和不变矩在决策层通过概率统计融合的识别方法，在识别率和实时性方面都满足了实际应用的需求.传统的静脉识别算法是通过对静脉图像进行归一化（包括尺度和灰度） ，二值化（图像分割） ，再细化（骨架化） ，然后通过特征点或模板进行匹配，但在图像的二值化及细化的过程当中，很多有用的静脉细节信息就被忽略了比如说静脉的粗细和深浅，并且会引入一些新的噪声，这样就
6、会给识别带来一定的人为误差. 基于此，有关静脉识别的新算法近年来不断出现 6-13，本文针对嵌入式应用提出一种基于图像相关函数和不变矩相融合的识别方法，在识别率和实时性方面都满足了实际应用的需求.1图像预处理此步骤通过图像归一化操作实现, 图像的归一化包括尺度归一化及灰度归一化.由于实际应用中使用的红外图像采集装置是固定采集窗口的，所以只要采集的姿势合格的话，手背静脉区域就可以确定，如图1 所示.图 1 实验采集的手背图以及所确定的静脉有效区域Fig.1 The vein image we collected in the experiment and region of interest对于
7、八位的灰度图像来说，灰度范围是 0255,但实际所采集的静脉图像灰度变化范围往往较小，为了增强有效区域内的静脉图像对比度,突出静脉细节，必须需要对静脉图像做直方图均衡化处理.目的是通过对图像的预处理，来减小不同光照条件对静脉图像的影响.此处采用以下直方图均衡化的方法 14：（1）nrpk)( 12,0 L，（2）kjjkjjrk npTs00)()( 2, L，式中 ： n - 图像中像素的总和- 灰度级为 的像素个数kkr- 图像中可能的灰度级总数L- 输入图像中的灰度级r- 输出图像中的灰度级ks图 1 经过处理后的结果如图 2 所示，与图 1 相比，直方图均衡化后的静脉图像对比度大大提高
8、，静脉图像也较明显，突出了很多静脉细节.静脉的有效区域图 2 灰度归一化的静脉图Fig.2 Gray normalized vein image2图像特征提取21 相关函数计算图像可以看成是个二维的非平稳的随机信号，利用随机信号的相关性，对两幅图像进行相关处理，并根据阈值进行判定，这种方法比较简单，计算的速度很快. 将一幅图像看成一个随机过程 X（t）,则在工程上称= (3)2,1(tR)2(1tXE为相关函数 15.其中 和 表示在图像矩阵中的灰度值，可以利用相关函数的方法来判定两幅静脉图像是否tt是同一个人.相关函数是求两幅图像相互重叠部分的大小，本实验中使用的静脉图像是随机采集的，均为成
9、年人, 未指定年龄和性别 , 有 123 名不同的实验者做了多次的采集.分别对这 123 名不同实验者的静脉样本利用公式(3)来做相关函数的计算.得出的相关函数值分布如表 1 所示.表 1 相关函数值分布Table 1 Relevant function value distribution相关函数 0,0.1) 0.1,0.2) 0.2,0.3) 0.3,0.4) 0.4,0.5) 0.5,0.6) 0.6,0.7) 0.7,1同人分布 0 1 5 22 16 17 8 54不同人分布 297 1856 4770 630 7 2 0 0从表 1 可以看出，不同人之间的相关函数值大部分分布在
10、0.4 以下，而同一个实验者的相关函数值分布则相对偏大些，在 0.4 以上的超过 75%.相 关 函 数 值 及 FFR,FAR0.00%10.00%20.00%30.00%40.00%50.00%60.00%0.3 0.4 0.5 0.6相 关 函 数 值百分比 FFRFAR图 3 相关函数阈值选择及 FRR，FAR 折线图 Fig.3 Relevant function threshold selection and FAR, FRR line charts根据表 1 的数据，可以计算出以不同的相关函数取值作为识别阈值时的 FRR(False Rejection Rate)和FAR(Fal
11、se Acceptance Rate)，如表 2 所示，并作出折线图，如图 3.从图 3 可知随着相关函数阈值门限的增加，拒识率不断增加，而误识率不断减小. EER 约为 8%.根据表 1 的数据，可以计算出相关函数在某个阈值时的 FRR(False Rejection Rate)和 FAR(False Acceptance Rate)，如表 2 所示，并作出折线图，如图 3.从图 3 可知随着相关函数阈值门限的增加，拒识率不断增加，而误识率不断减小. EER 约为 8%.2.2 不变矩欧式距离计算对于一幅 的离散图像 ，它的 阶几何矩定义为 16：NMjif,qp(4)ijqppqjif1,
12、其中， 为常数.,归一化中心矩，由 表示，定义为 = ，这里，pqpq0 12qpHu 在 1962 年推导出七个来自二阶，三阶的不变矩，并证明了这些矩组对于平移、旋转和比例缩放是不变的.(5)021(6)2124(7)20330(8)211420321123030305 (9)2121(10)032130103213006 42032112301230217 (11)其中， 在镜像变换中为- .77欧氏距离（Euclidean distance）也称欧几里得距离，它是一个通常采用的距离定义，它是在 m 维空间中两个点之间的真实距离。d=sqrt( (xi1-xi2) ) (12) 这里 xi
13、1 和 xi2 分别代表相比较的两幅图像的不变矩值，一幅图求出 7 个矩值，其中 i=1，27.设连续情况下二维图像函数为 ，则它的 阶几何矩定义如下：yxf,qp, =0,1,2, （4）pqqdfyM, 从以上的定义可以看出，几何矩本身有着自己的物理意义，如零阶矩表示物体的质量，一阶矩表示物体的质心，二阶矩表示物体的方向等等.经过上述变换，图像的形状函数可以认为是由变换系数 组成pqM的无限集合，这些系数是由图像函数投影到一组二维多项式基函数形成的.对于一幅 的离散图像 ，它的 阶几何矩定义为 16：Njif,qp(5)Mijqppq1,其中， 为常数.,归一化中心矩，由 表示，定义为 =
14、 ，这里，pqpq0 12qpHu 在 1962 年推导出七个来自二阶，三阶的不变矩，并证明了这些矩组对于平移、旋转和比例缩放是不变的.(6)021(7)2124(8)2033(9)21042032112135 (10)3002(11)0321206 4 20321121317 (12)30202其中， 在镜像变换中为- .7在不变矩实验当中，仍然使用了前述的实验图像数据(有 123 名不同的实验者进行了多次的静脉采集). 利用公式(65)-（1211） ，分别计算出相比较的两幅静脉图像的不变矩值，再利用公式 （12） ，来求不变矩的欧式距离，求出的不同人之间及同人之间的不变矩欧氏距离分布如表
15、 2 所示：表 2 不变矩欧氏距离分布图Table 2 Moment Invariant Euclidean distance distribution不变矩欧氏距离 0,1) 1,2) 2,3) 3,4) 4,5) 5,6) 6,7) 7,)同人分布 89 19 11 4 0 0 0 0不同人分布 86 60 1560 1240 1145 927 739 1825从表 2 可以看出，不同人之间的不变矩欧氏距离大部分分布在 2 以上，而同一个实验者的不变矩欧氏距离有 85%都是小于 2 的.根据表 2 的实验数据，同样可以计算出以不变矩欧氏距离作为识别阈值时的FRR，FAR，并作出图 4. 通
16、过上面的实验结果可知随着图像不变矩欧氏距离阈值的增大，拒识率不断减小，而误识率在不断增加. EER 约为 9%.从表 2 可以看出，不同人之间的不变矩欧氏距离大部分分布在 2 以上，而同一个实验者的不变矩欧氏距离有 85%都是小于 2 的.根据表 2 的实验数据，同样可以计算出不变矩欧氏距离各个阈值时的FRR，FAR，并作出图 4. 通过上面的实验结果可知随着图像不变矩欧氏距离阈值的增大，拒识率不断减小，而误识率在不断增加. EER 约为 9%.不 变 矩 欧 氏 距 离 及 FFR,FAR0.00%10.00%20.00%30.00%40.00%50.00%1 2 3 4不 变 矩 欧 氏
17、距 离百分比 FFRFAR图 4 不变矩欧氏距离阈值选择及 FRR，FAR 折线图Fig.4 Moment Invariant Euclidean distance threshold selection and the FRR, FAR Line Chart3图像不变矩和相关函数融合很显然，无论是用单一的图像相关函数还是图像不变矩来做静脉图像的识别都无法满足实际应用的需求.为了得到更好的识别效果，更大程度的降低等差错误率，需要使用图像不变矩和相关函数相相融合的方法.流程如图 5 所示.图 5 相关函数和不变矩融合Fig.5 Fusion of Moment invariants Euclid
18、ean distance and related function首先对待测静脉图像和样本静脉图像分别做相关函数与不变矩的计算, 根据最近邻决策规则 17：假设有 c 个类别 , ,， 的模式识别问题，每类有标明类别的样本 个，12c iN= 1,2,c.i我们规定类的判别函数为(13)ikiki xxg,.21,min)(其中 的角标 i 表示 类，k 表示 类 个样kixiiiN本中的第 k 个.简单来说，对于未知的样本 x，只要比较 x 与已知样本之间的欧式距离，就可以决策 x 与它最近的样本同类.美 国 加 利 福 尼 亚 大 学 控 制 论 教 授 扎 得 （ C.A.Zadeh）
19、在 1965 年 首 先 发 表 了 题 为 模 糊 集 的 论 文 指 出 ： 若 对 论 域 （ 研 究 的 范 围 ） E 中 的 任 一 元 素 x， 都 有 一 个 数 x) 0， 1与 之 对 应 ， 则 A(称 A 为 E 上 的 模 糊 集 ， x)称 为 x 对 A 的 隶 属 度 .当 x 在 E 中 变 动 时 ， x)就 是 一 个 函 数 ， 称 为 A( A(A 的 隶 属 函 数 .隶 属 度 x)越 接 近 于 1， 表 示 x 属 于 A 的 程 度 越 高 ， x)越 接 近 于 0 表 示 x 属 于 A( A(A 的 程 度 越 低 .用 取 值 于 区
20、 间 0， 1的 隶 属 函 数 x)表 征 x 属 于 A 的 程 度 高 低 .18根据样本与测试者 A(的欧式距离，通过概率统计分别得到不变矩及相关函数的隶属度，如表 3 来进行加权得到融合值，在融合值高于某个阈值时可断定实验样本和待测图像是来自同一个实验者. 图 5 相关函数和不变矩融合Fig.5 Fusion of Moment invariants Euclidean distance and related function表 3 不变矩欧氏距离以及相关函数的权重Table 3 The weight of Moment invariants Euclidean distance
21、and related function隶属度 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3不变矩欧氏距离 0,0.5) 0.5,1) 1,1.5) 1.5,2) 2,2.5) 2.5,3) 3,3.5) 3.5,)相关函数 0.8,1) 0.6,0.8) 0.5,0.6) 0.4,0.5) 0.35,0.4) 0.3,0.35) 0.25,0.3) 0,0.25图像不变矩欧氏距离和相关函数融合值 f 定义为：(14)yxpmf其中 f 是计算的最终结果融合值， m 是不变矩欧氏距离的权重，p 为相关函数所占的权重, x 为不变矩在融合值中所占的比重， y 为相关函数所占比重.经
22、过大量的实验和计算，得到当 x 取 0.8， y 取 0.2 时，所得的 EER 值最小,得到不同实验者和同一个实验者的融合值的范围分布，如表 4 所示：表 4 不同实验者的静脉图像不变矩欧氏距离及相关函数融合值结果分布Table 4 The fusion of Moment invariants Euclidean distance and related function of different Experimenters融合值 f 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.92相同人分布 0 0 0 0 1 1 2 2
23、7 7 8 22 29 44不同人分布 3251 1144 968 732 600 344 186 118 57 27 11 2 0 0从表 4 可以计算出选择各个融合值阈值及其识别对应的 FRR，FAR，如图 5 所示：融 合 值 选 择 及 FFR,FAR0.00%2.00%4.00%6.00%8.00%10.00%12.00%1.1 1.2 1.3 1.4融 合 值百分比 FFRFAR图 6 图像不变矩欧氏距离以及相关函数融合后的 FRR/FAR 图 Fig.6 The fusion The fusion of Moment invariants Euclidean distance a
24、nd related function data figure融合后的结果相对于单一的图像不变矩或相关函数比较，EER（Equal Error Rate）已经达到了 3%, 效果明显, 与其他成熟的生物识别系统性能相当. 根据使用场和的不同 ,可以灵活设定判别阈值, 人为设定安全等级在易用性和安全性间找到平衡点.比如在银行或私人公寓等需要高的安全等级，可以设置阈值为 1.4 或更高；在一般的工厂或学校，用来做签到系统使用时，可以设置阈值为 1.2 或更低，虽然误识率高了些，但对于使用者并不会带来什么损失.结束语在传统的静脉身份识别系统算法中，在对图像进行阈值分割和细化，毛刺修剪等过程中，容易引
25、入噪声，从而增大了误识率，并且丢失了很多重要的静脉信息，比如静脉的粗细等. 本文提出将图像不变矩和相关函数融合的方法，直接使用图像整体的特性作为识别依据,减少了图像细化修饰和使用滤波器等步骤，从而避免了传统方法的一些缺点. 视安全等级的高低来选择阈值，从而满足不同应用场景的需求. 经过实际测试, 表明本算法识别的效率较高，在识别速度和准确度上都达到实际应用要求. 在实际应用中,尤其是商业化应用中, 随着对使用者的要求降低 , 出现了拒识率明显升高的情况 , 这种现象基本是因为图像采集部位发生位移所致, 在工程中必须使用一定的设计手段保证图像多次采集时采集区域基本相同, 还可以使用滑动窗口的比较
26、技术进一步提高识别率,降低拒识率.参考文献:1静脉识别系统-概述.日立有限公司网.2009.http:/ Igor V.Melinski.Method Monte Carlo in Optical Diagnostics of Skin and Skin TissuesJ.Proc.SPIER,2003,5254:30433 Rebecca Simpson ,Jan G.Laufer,Matthias Kohl_Bareis.Near-infrared Optical Properties of Ex-vivo Human Skin and Subcutaneous Tissues Using
27、 Reflectance and Transmittance MeasurementsJ.Proc.SPIE,1997,2979:307-3144 Maria Angela Fraceschinia, Enrico Grattona, Dennis Hueber, Sergio Ftinia. Near-Infrared Absorption and Scattering Spectra of Tissue in VivoJ.Proc.SPIE,1999,3597:526-5315 S.Wray, M.Cope, D.T.Delpy, J.S.Wyatt and E.O.R.Reynolds,
28、 “Characterization of the near infrared absorption spectra of cytochrome aa3 and haemoglobin for the non-invasive monitoring of cerebral oxygenation“, Biochem. Biophys. Acta, 01.933, pp.184-192,1988.6 S. K. Im, H. S. Choi, and S. W. Kim, “A Direction-based Vascular Pattern Extraction Algorithm for H
29、and Vascular Pattern Verification,” ETRI J., vol. 25-2, pp. 101-108, 2003.7 林喜荣等.人体手背静脉血管图像的特征提取及匹配.清华大学学报 :自然科学板.2003，43(2):164-167 页8 Naoto Miura, Akio Nagasaka and Takafumi Miyatake, “Feature Extraction of Finger-vein Patterns Based on Re-peated Line Tracking and its Application to Personal Ident
30、i-fication”, Machine Vision and Applications, 2004, vol. 15, pp. 194-203. 9 Zhongbo Zhang, Siliang Ma and Xiao Han, “Multiscale Feature Extraction of Finger-Vein Pattern Based on Curve-lets and Local Interconnection Structure Neural Network”, ICPR2006, vol. 4, pp. 145-148. 10 Naoto Miura, Akio Nagasaka and Takafumi Miyatake, “Extraction of Finger- Vein Patterns Using Maximum Curva-ture Points in Image Profiles”, IEICE Trans. Ine. Vein Recognition; Invariant Moments; Correlation Coefficient; Weighted Fusion
