（杭州电子科技大学通信工程学院，浙江杭州 310018）

0 引言

目前，生物识别技术是一种既方便又安全可靠的身份鉴定方法。相比其它生物识别技术，如指纹识别、人脸、DNA（即基因识别）、掌纹、虹膜、声纹［1-3］等，手指静脉识别具有速度快、安全等级高、精度高等优势［4］，因此被广泛应用于门禁系统及其它安防领域对保密性与安全性要求较高的场合［5-7］。但是目前手指静脉识别技术也存在一些问题，如信息量利用不充分、抗噪性能偏弱、特征不稳定等。

手指静脉特征识别主要分为特征点匹配［8］和图像配准［9］。特征点匹配易受采集图像时手指放置姿势的影响，且手指静脉图像曝光对识别性能有很大影响，而图像配准相对而言利用的信息量更多、鲁棒性更强、受光照影响更小。图像配准又分为全局特征和局部特征［10］，双向二维费希尔主成分分析（（2D）2FPCA）和双向二维主成分分析（（2D）2PCA）［11-12］是典型的基于全局特征的识别方法，该方法将手指静脉图像变换到训练得到的最佳投影空间，产生新的特征，因而可以很好地保留图像全局信息，但鲁棒性易受训练样本的影响，且指静脉图像在采集时容易曝光，对于投影空间训练会造成很大影响。局部二值模式算子（LBP）［13］是基于局部特征的算法，通过比较邻域像素点值之间的大小反映局部纹理变化情况，其不受整幅图像光照线性变换的影响，计算简单、高效，但计算尺度小，提取的指静脉特征在鲁棒性上有缺陷。文献［14］提出的针对LBP 改进的多块均值近邻二值模式（MMNPB）通过分块、取均值操作进一步增强了指静脉特征的鲁棒性，但对全局信息把握不足，静脉结构性不够突出；文献［15］基于手掌静脉提出近邻匹配积分变换（NMRT）方法，通过比较局部区域线性像素点的累加和提取主静脉方向特征，对静脉方向描述准确，但缺乏对局部纹理细节特征的描述，且手指静脉相较于手掌静脉，静脉宽度更小，更易受噪声影响，纹理错综复杂，还具有丰富的局部纹理细节特征。另外，以上几种局部特征提取算法都是基于像素点提取特征，计算梯度都处于一阶梯度上，在特征稳定性上具有一定缺陷。

综上所述，在指静脉手指图像采集过程中，由于受光照不均匀［16］、手指厚度差异等因素影响［17］，图像纹理模糊、对比度低，目前基于局部特征的指静脉识别算法的计算梯度都还处于一阶梯度上，局部纹理特征提取困难，特征稳定性不足，且目前的局部特征算法对于局部纹理特征描述单一，信息量利用不充分。针对以上问题，本文提出一种基于多尺度局部特征融合的手指静脉识别方法，先采用多尺度方向模板提取纹理方向响应值，通过比较得到一阶梯度上的局部静脉方向特征，再以方向响应值为基底计算MLBP 算子得到二阶梯度上的局部纹理细节特征，最后通过最优权值方式融合局部静脉方向特征和局部纹理细节特征。这种多梯度特征融合方式充分利用了图像信息，增强了特征稳定性，能很好地突出手指静脉的结构性，而且采用多尺度模式下的计算方式还能增强特征对全局信息的把握。

1 静脉图像预处理

图像采集过程中由于放置姿势不统一，采集图像中的静脉纹理会出现一定的缩放，并且每个人手指尺寸也不一样［18］。为便于特征提取，本文对ROI 提取后的图像利用双线性插值进行图像尺寸归一化到180×80。图像采集易受光照影响，曝光度不均匀会导致手指静脉图像模糊［19］。为解决曝光问题，以及更好地突出手指静脉纹理，需要对静脉图像进行增强。手指静脉图像灰度值范围较小，但由于光线问题会导致图像边缘较暗，本文采用文献［20］中的自适应直方图均衡CLAHE 方式对静脉图像进行增强。

2 基于多尺度局部特征融合的指静脉图像特征提取

在指静脉图像中，静脉所处线状区域灰度值较小，非静脉的线状区域灰度值较大，则过点作多个斜率方向上的直线。直线方向选取与像素点方向辨识信息是否充分有直接联系：若选取的直线方向太少，则不能充分覆盖经过该像素点的静脉线，提取的方向特征不足以描述该像素点方向；若选取的直线方向太多，尽管可以很好地辨识方向特征，但过多的直线在计算时会导致更多的干扰与冗余信息，使特征提取效率下降。

计算各直线上一定长度范围内像素点的和，得到各个方向特征的响应值。在得到图像8 个方向的方向特征响应图后，对各方向的方向特征响应图进行多尺度化处理，得到多尺度方向特征响应图。与静脉方向重合的直线计算得到的多尺度方向特征响应值可以取最小值，则最小值对应的直线方向即是该点方向特征。对得到的多尺度方向响应值求平均之后计算MLBP 算子得到多尺度局部方向二值编码，即为中心像素点的纹理细节特征。

首先构建方向模板，然后通过方向模板计算得到方向特征编码矩阵。设方向模板为Y，窗口大小为N×N，表示窗口内有N×N个像素点，定义：

Xk表示由方向模板Y内一条线上的点组成的集合，（ic，jc）为模板Y的中心像素点，F 为直线Xk的斜率，k为直线代表的方向。

选择不同的直线长度范围将对最终求得的方向特征有一定影响：若直线长度范围太大，则会增加计算量；若直线长度范围太小，如长度小于等于静脉线宽度时，过该像素点所有不同直线上的像素点累加和几乎相等，导致方向描述不准确。因此，本文选用8 个N 为15 的方向模板，如图1 所示。

Fig.1 Direction template图1 方向模板

设Hk(i,j) 为点(i,j) 在k方向模板下的方向响应值，先计算整幅图像8 个方向的响应值：

其中，imgm,n为直线Xk上的点，m、n为点的坐标，然后对各个图像方向响应值矩阵以大小为p*p的滑动窗口计算均值，得到各个方向上的多尺度方向特征响应值，即：

其中，H'k(i,j)为k方向的多尺度方向特征响应值，通过比较取最小方向作为点(i,j)的方向特征，有：

得到多尺度局部方向特征Dire(i,j)，由Dire(i,j)构成的多尺度局部方向特征构建的矩阵为：

式中，m=R-(N-1)-(p-1)，n=C-(N-1)-(p-1)，其中图像尺寸大小为R×C，N为方向模板窗口大小，p 为多尺度滑动窗口大小。然后对图像像素点中心区域求得原图像像素点均值为：

定义：

再对多尺度方向特征响应值均值与中心点均值作比较，得到中心像素点的纹理细节特征，算子定义为：

其中，Deta(i,j) 为多尺度局部特征的纹理细节特征，则最终由多尺度局部纹理细节特征构建的特征矩阵为：

式中m=R-(N-1)-(p-1)，n=C-(N-1)-(p-1)，其中图像尺寸大小为R×C，N为方向模板窗口大小，p为多尺度窗口大小。

手指静脉图像采集设备的镜面上容易堆积粉尘，从而产生噪声，给指静脉识别造成很大困扰。图2 给出了包含粉尘噪声情况下的图像原图、CLAHE 增强图、LBP、MMN⁃BP、NMRT 以及对应多尺度局部特征的方向特征图和局部纹理细节特征图。

从图2（c）中可以看到，在LBP 图像中相对原图的噪声点位置有许多凸点，说明了传统LBP 对于噪声的敏感程度，并且图2（d）相比图2（c）噪声斑点明显减少，特征更稳定，但静脉结构性不够突出；图2（e）中的纹理特征不连续程度强烈，说明NMRT 在抗噪性能上有一定缺陷；图2（f）中的纹理特征连续，纹理边缘平滑，说明了多尺度在抗噪性能上的优势；图2（g）中的静脉纹理结构突出，纹理轮廓清晰，说明相比一阶梯度上的局部特征算子，在二阶梯度上提取局部特征更准确，且特征更稳定。

Fig.2 Image effect with dust and noise图2 包含粉尘噪声情况下图像效果

3 基于汉明距离的最优特征权值融合手指静脉匹配算法

本文用加权方式对两种不同特征值进行匹配，对提取特征后得到的局部方向特征和局部纹理细节计算汉明距离，并通过最优权值加权方式进行融合得到最终匹配值。对每次得到的匹配值进行归一化，取最小值作为最终匹配值。两个特征匹配值越小，说明相似程度越高。在识别过程中，当Dis(P,Q)＜t（阈值t由多次类间比对得到，根据选定的误识率进行设置）时，说明图像配对成功。具体计算公式如下：

其中，P为手指静脉模板图像数据库中某个用户的多尺度局部融合特征编码矩阵，Q为未知用户的多尺度局部融合特征编码矩阵，PN、PL分别代表矩阵P的局部纹理细节特征二进制编码矩阵和局部方向特征二进制编码矩阵，QN、QL分别代表矩阵Q的局部纹理细节特征二进制编码矩阵和局部方向特征二进制编码矩阵，P⋂Q为矩阵P和矩阵Q的重叠区域，‖ ‖表示计算重叠区域内的像素点数量，hamdist表示计算两个编码矩阵重叠区域的汉明距离，α为特征值匹配融合最优权值，也即在低误识率（False Accept Rate，FAR）情况下拒识率（False Rejection Rate，FRR）更小。

4 基于多尺度局部特征融合的手指静脉识别流程

本文算法可分为以下几个步骤：①将读取的指静脉图像归一化到180*80，通过自适应直方图均衡对图像进行增强；②构建多个方向模板，首先提取多个方向的多尺度方向特征响应值，最小响应值对应方向即为多尺度局部方向特征值，再对多尺度方向特征响应值取平均计算MLBP 算子，得到多尺度局部纹理细节特征编码矩阵；③对不同图像的多尺度局部方向特征编码矩阵和多尺度局部纹理细节特征编码矩阵同时进行多平移重叠区域比对，对特征匹配值以基于汉明距离的最优特征权值进行加权，取最相似的匹配值作为最终特征匹配值；④比较阈值与最终特征匹配值，判断是否为同一用户。

算法具体流程如图3 所示。

Fig.3 The flow of finger vein recognition algorithm based on multi-scale local feature fusion图3 基于多尺度局部特征融合的手指静脉识别算法流程

5 实验结果及分析

5.1 实验环境

采用自主研发的近红外图像采集设备采集200 类正常图像，60 类噪声图像，每类图像有10 幅图，图像尺寸为440×200。利用Matlab R2014a 软件进行仿真，电脑配置为：Windows7 64 位操作系统，Intel（R）Core（TM）i5-6500主频3.20 GHz，内存为4 GB。

5.2 特征融合权重系数α 测试

由于在提取的多尺度局部融合特征编码矩阵中，多尺度局部方向特征与多尺度局部细节特征有一定关联性，并且对不同静脉图像的局部纹理信息提取能力不同，因此本文最终匹配值如式（10）所示。需要确定一个最优权值系数α，使得类间特征相似度更低，类内特征相似度更高，从而得到更好的识别性能。

识别率高低是用于评判权重系数α的标准，为消除图像在正常情况以及在粉尘噪声情况下的误差，本文通过训练200 类正常图像P1和60 类噪声图像P2确定最优权重系数α。在正常图像库P1中，每次权重测试的类间匹配次数为1 990 000，类内匹配次数为9 000，误识率固定为0。图4 为在固定误识率下，训练正常图像库中识别率随α变化情况的曲线。由图4 可知，首先在正常图像库中，当权重系数在70%～90% 之间时，得到最高识别率为89.53%。在综合不同误识率的基础上，本文选取权重系数为81.25%。其次评判噪声图像库中的最优权重系数，给定误识率为0，最优权重测试的类间匹配次数为177 000，类内匹配次数为2 700。图5 为在固定误识率下，训练噪声图像库中识别率随权重系数变化情况的曲线，通过观察可以看到，当权重系数为81.25% 时，得到最高识别率52.04%，同时证明了将权重系数设置为81.25% 较为合理。

Fig.4 Relation curve between recognition rate and weight α in image database P1图4 图像库P1 中识别率与权值α 关系曲线

Fig.5 Relation curve between recognition rate and weight α in image database P2图5 图像库P2 中识别率与权值α 关系曲线

5.3 粉尘噪声图像库与正常图像库实验结果

采用自主研发的指静脉图像采集设备分别采集粉尘噪声图像库和正常图像库，粉尘噪声图像库中共有60 个不同用户，每个用户10 幅图像，一共600 幅图像；正常图像库中共有200 个不同用户，每个用户10 幅图像，一共2 000 幅图像。每张图像尺寸大小为440×200。在MAT⁃LAB 2014a 平台上进行识别验证，以下分别为采用传统LBP［10］、MMNBP［11］、NMRT［12］、多尺度局部特征融合识别算法得到的对应ROC 曲线。其中，图6 表示粉尘噪声图像库的ROC 曲线，图7 表示正常图像库的ROC 曲线。

由图6 可以看出，在粉尘噪声图像库中，相比LBP 算法，MMNBP 算法的识别性能有明显提升，说明MMNBP 的抗噪声能力更强；相比MMNBP 和NMRT 两种局部特征提取算法，当FAR=0% 时，本文提出的多尺度局部特征融合算法的 FRR 分别从 MMNBP 的 59.01% 与 NMRT 的60.78% 下降至48.96%，且整体ROC 曲线位于MMNBP 和NMRT 之下，说明本文算法对于噪声图像库有更好的识别性能，特征的稳定性及抗噪声能力更强。

由图7 可以看出，在正常图像库中，相比LBP 算法、NMRT 算法与MMNBP 算法，本文提出的多尺度局部特征融合识别算法性能有明显提升。其中，MMNBP 的识别率低于LBP，说明MMNBP 比LBP 的特征更稳定；当FAR=0% 时，本文算法的FRR 分别从MMNBP 的17.21% 与NMRT 的15.34% 下降至10.47%，且整体ROC 曲线完全在NMRT 和MMNBP 之下，证明在正常图像库中，本文算法的特征稳定性更强，对信息量的利用更充分，相比其它局部特征提取算法识别率有一定程度提高。

Fig.6 ROC curve of dust noise image database图6 粉尘噪声图像库ROC 曲线

Fig.7 ROC curve of normal image database图7 正常图像库ROC 曲线

6 结语

本文提出一种基于多尺度局部特征融合的手指静脉识别算法，通过提取图像的一阶局部方向特征和二阶局部纹理细节特征，将两者加权融合进行识别。多梯度融合的特性在很大程度上可增强特征的稳定性，并突出手指静脉纹理结构。传统局部特征提取算法的计算梯度都处于一阶梯度上，相比之下，本文提出的算法拒识率更低，因此具有一定优势。后期将针对算法运算效率，从时间性能上对算法作进一步优化。