黄易豪，周颖玥*，徐 苏，刘银辉

(1. 西南科技大学信息工程学院，四川 绵阳621010；2. 西南科技大学特殊环境机器人技术四川省重点实验室，四川 绵阳 621010；3. 中国科学院光电技术研究所，四川 成都 610000)

1 引言

手指静脉识别技术以其活体性、唯一性、稳定性、普适性、难伪造以及造价成本适中的优势[1]，在生物特征识别领域得到了广泛关注，适用于安全需求等级较高的应用场合。

利用手指静脉血管中的红细胞能吸收近红外光的原理进行成像[2]，然后从静脉图像中提取特征并搭配合适的分类算法来进行身份验证，是现下较为通用的手指静脉识别方法[3-4]。为了让采集过程中出现的一些质量不佳的图像有更多的可识别信息，通常会在特征提取之前采用一些图像增强技术来改善图像质量，如：利用能选择方向和尺度的Gabor滤波技术[5]，可较好的增强静脉纹理信息；还有能增加图像对比度的直方图均衡技术[6]；以及基于数学形态学的图像增强方法[7]等。

手指静脉特征提取方法可以分为全局特征提取和局部特征提取两类，在全局特征提取中，比较典型的一种方法便是主成分分析法(Principal Component Analysis，PCA)[8-10]，王科俊等人将PCA与小波矩相结合来减少手指静脉信息的冗余度，同时改善了全局特征维数过高且信息量单一的不足，后又提出归一双向加权 (2D)2PCA的方法来加快静脉图像特征矩阵的训练速度与后期识别的速度；李菲等人通过对图像的方向梯度直方图进行改进来获取ngHOG描述符并与PCA和稀疏表示分类(Sparse Representation-based Classifier，SRC)相结合来识别图像，该方法对光照不均等问题有较好的鲁棒性；但上述方法在图像中静脉区域较少的情况下有错误识别的情况。局部特征包括常见的局部二值模式(local binary pattern， LBP)[11]、局部线性二值模式(Line Local Binary Pattern，LLBP)[12]、尺度不变特征变换(Scale-invariant feature transform，SIFT)[13]以及加速稳健特征(Speeded Up Robust Features，SURF)[14]等提取方法，其中LEE等人利用支持向量机(Support Vector Machine， SVM)将提取到的LBP特征进行分类，并对每类赋予不同的权重，最后以汉明距离计算相似性来完成手指静脉识别；在LBP的基础之上，刘菲等人[15]提出了一种基于细节点的奇异值分解法，通过将分割后的静脉纹理细化，然后统计细化纹理中端点及交叉点的特征，利用较为精确的特征点配对方法通过匹配得分完成手指静脉识别，但这两种方法对旋转偏移的鲁棒性较低；文献[13]中，孟宪静等人通过提取指静脉图像中的SIFT特征进行识别，能较好的解决手指静脉在采集过程中出现的旋转偏移问题，但不能精准定位静脉上的特征点。此外，Cihui Xie等人[16]利用卷积神经网络(Convolutional Neural Network，CNN)来进行手指静脉的识别，其优势在于不需要主动提取特征，而是通过网络自适应获取有价值的特征信息来用于识别，但训练集的质量和容量对神经网络的训练有较大的影响，当训练集不足时，所得网络识别性能不佳。总的来说手指静脉识别是一个有着较大研究价值的问题，是目前生物特征识别领域的热点。

为了提高手指静脉识别技术的精度，本文针对手指静脉图像中存在的旋转、偏移及光照不均等问题，提出了一种基于精选SURF特征点的手指静脉图像识别方法；先利用图像增强技术改善图像质量，使其能被检测出更多有用特征点，然后利用静脉纹理的分割图像对SUR-F特征点进行约束，此方法能有效提取图像中与静脉相关的特征点信息，从而提升识别精度。

2 算法实现流程

如图1所示，本文方法分为线上和线下两个部分：首先在线下对所录入的手指静脉图像进行预处理，主要涉及感兴趣区域(Region of Interest，ROI)的提取：首先利用Sobel算子检测图像中手指静脉边缘，然后根据边缘内切线剪切出手指静脉区域；预处理后，对图像进行Gabor滤波与对比度受限的自适应直方图均衡(Contrast Limited Adaptive Histogram Equ-alization，CLAHE)[17]相级联的图像增强操作，并利用反射率图像进行静脉纹理分割；然后对增强后的图像进行SURF特征点检测，同时根据分割图像对特征点进行筛选；最后生成精选后的含有标签的SURF特征点描述符集合。线上的部分则是对被测图像进行识别的过程，首先对输入的被测图像进行与训练库中图像相同的操作，然后将生成的SURF特征点描述符与线下保存的描述符集合进行匹配，即可得到识别结果。

图1 手指静脉识别算法框架示意图

3 基于Gabor滤波与CLAHE级联的图像增强模型

如文献[18]中所述，Gabor滤波器可通过调节其频率带宽w、波长λ、空间纵横比γ、角度θ对图像进行不同方向及尺度上的增强，但滤波后图像的灰度值仍处于一个较小的范围；为了在拉伸灰度范围时抑制噪声信息的放大，本文采用Gabor滤波与CLAHE相级联的滤波器对指静脉图像I进行增强，I的大小为M×N。

一个二维Gabor滤波器的核函数为

(1)

其中

(2)

式中θa表示所需滤波的方向，(i，j)为核函数的大小，σ为Gabor核中高斯因子的标准差，由λ、w、γ三个参数表示

(3)

将Gabor核函数与手指静脉图像I卷积来完成滤波，得到增强后的图像I′(由欧拉公式可知该核函数包含实部和虚部两个部分，在计算时需先分开计算再融合)

(4)

图2展示了当θa=a×22.5(a=0，1，2…7)时对图像滤波的效果。

图2 指定方向Gabor滤波示意图

图3 手指静脉图像增强示意图

4 静脉纹路SURF特征点提取与约束

SURF特征提取算法建立在SIFT特征提取算法之上，同样拥有旋转、偏移不变性，且拥有比SIFT特征点维数低、提取速度快以及对噪声的鲁棒性更高的特点。

4.1 SURF特征点提取算法简述

SURF特征提取算法可分为特征点的提取与描述符的生成两个部分。首先利用高斯模板对图像进行卷积，可以在像素点(x，y)处得到一个带有尺度信息的Hessian矩阵，表达式为

(5)

式中L(x，y，σ′)代表着图像与高斯函数二阶微分在点(x，y)处的卷积，σ′为尺度信息。为了降低运算复杂度，SURF算法采用Box Filter模板(Dxx、Dyy、Dxy)近似代替二阶高斯滤波模板来求得Hessian矩阵的判别式：

Det(Happrox)=DxxDyy-(0.9Dxy)2

(6)

此时需设置阈值S，若Det(Happrox)>S，则认为是感兴趣点。然后利用差分尺度空间对感兴趣点进行3×3×3邻域的非极大值抑制，以去除其中的非极值点，并采用线性插值法寻找极值点邻域内的精确位置。

特征点提取完成后，根据特征点的Harr特征来确定特征点的主方向，然后以特征点为中心，将其以主方向为基准的正方形邻域划分为一个4×4的区块，统计每个子区域内与主方向垂直、水平的Harr小波响应(并用高斯函数加权)，从而得到垂直方向与水平方向小波响应的加权和及响应绝对值的加权和：∑dx、∑dy、∑|dx|、∑|dy|，所以每个特征点可以得到一个4×4×4的描述向量。最后再对这个64维向量进行归一化就得到了最后的SURF特征点描述符。

图4显示了同一手指静脉图像在不同增强算法下的SURF特征点提取状况。图中圆圈示意着特征点的位置及个数，由于原始指静脉图像的对比度较低，所以图4(a)没有检测出特征点。在经过一系列图像增强算法后，图像中能被检测出的特征点开始增多，数量关系为：图(d)>图(c)>图(b)；特征点数量的增加意味着特征信息更加丰富，但过多的特征点将增加计算复杂度，同时因图像背景、光照不均等因素而检测出的特征点将影响图像的识别准确度。因此，本文提出了利用静脉分割图像来约束特征点的方法，去除掉冗余的特征点，筛选出仅与静脉相关的关键特征点，以此提升识别精度和效率。

图4 SURF特征点分布图

4.2 静脉图像分割与特征点约束

由于手指静脉图像的强度Y可以通过图像的光照度Ic与反射率r相乘获得

Y=Ic×r

(7)

此处的Y即为上文中的I′，而Ic可由I′与高斯核函数gs卷积来预估，则可得图像反射率为：

r=I′/(I′*gs)

(8)

然后对r采用OTSU[19](最大类间法)分割出手指静脉纹理的二值图像(区间为[0，1])，如图5所示，由于Ic是在gs的基础上预估得到的，所以选用具有恰当尺寸的gs核将得到准确的静脉分割图像。

图5 不同gs尺寸对应的二值图像

表1 静脉特征点属性

由于光照变化的影响，在SURF感兴趣点检测过程中，会检测出一部分边缘点，这部分特征点可能导致错误的识别结果；当t=6时，所筛选的特征点更适合用于识别，但其数量不足以用来完成大范围内的识别，所以本文采用t≥6来完成识别，能得到较好的结果。

5 识别与匹配

6 实验结果与分析

6.1 实验环境、数据库及指标说明

在Windows 10系统的MatlabR2016a平台上，根据本文方法分别对公共手指静脉数据库SDUMLA[20]及PolyU[21]进行了实验，并通过分析实验结果来验证本文方法的有效性：

在SDUMLA手指静脉数据库中，有636类不同源的手指静脉，其中每类包含6张指静脉图像，共计3816张图像，每类选取3张图像作为训练集，另外3张作为测试集，每张图像的尺寸大小为320×240。PolyU库则分为PolyU1和PolyU2，PolyU1和PolyU2中图像尺寸大小同为513×256，PolyU1中含有210类不同源的手指静脉，每类采集了13张手指静脉图像，共计2520张图像；PolyU2中含有102类不同源的手指静脉，每类采集了6张指静脉图像，共612张图像；PolyU1和PolyU2中每类手指静脉分别提供提供7和3张图像作为训练集，分别剩下的5和3张图像作为测试集。

本文以计算识别率作为测试算法性能的测试指标

(9)

识别率越高，则说明该算法能从训练库中找出正确同源图像的成功率越大。

6.2 不同算法识别率对比测试实验

在提取图像的ROI区域后，利用几个经典的静脉识别算法在所选数据库上进行实验，并与本文方法相比较，来验证本文方法的有效性：①(2D)2PCA+SRC：利用文献[9]所提出的(2D)2PCA对图像进行快速降维，以SRC作为分类器识别图像；②ngHOG+PCA+SRC：利用文献[10]所提方法提取图像的ngHOG特征，然后利用PCA对特征进行降维，最后利用SRC识别图像；③和④则是对图像进行CLAHE增强后，根据文献[13]和[14]所述，分别提取图像中的SIFT和SURF特征，采用本文分类算法识别图像；⑤本文方法。

表2 不同方法在公共库中的识别率统计

由表2可以看出基于精选SURF特征点的手指静脉识别算法在所选数据库中的识别性能优于其它几种经典的手指静脉识别算法，并且在SDUMLA、PloyU1、PloyU2这三个数据库上比原SURF算法分别高出了1.83%、2.76%、1.31%的识别率。

6.3 算法抗干扰测试实验

该部分实验通过选取PloyU数据库中旋转、偏移及光照不均的图像进行性能测试，以验证算法在这些干扰状态下的鲁棒性。其中选取位置明显发生偏移图像23类，共276张；旋转图像29类，共348张；亮度不均的图像18类，共216张；每类图像中包含12张图像，以其中3张作为训练集，剩余9张为测试集的比例在每个算法中进行实验，结果如下：

表3 算法抗干扰能力测试结果统计表

由表3可以看出，相较于PCA+SRC的算法，具有旋转偏移不变性的SIFT、SURF特征能较好的解决手指静脉图像在采集过程中出现的旋转偏移问题；而在利用本文的图像增强方法对图像光照不均的问题进行改善，又通过对增强图像中检测出的特征点进行约束后，本文方法在旋转、偏移及光照不均的情况下所表现出的识别性能均优于其它几种方法。

所以，根据对以上两种实验结果的分析可知，本文方法能够通过对图像进行增强以及对SURF特征点进行约束，来达到提升识别精度的目的，且能在旋转、偏移及光照不均这些干扰环境下表现出较稳定的识别性能。

7 结束语

本文算法主要对如何有效利用SURF特征点进行指静脉识别进行了改进，算法不仅克服了传统SURF对低质量图像无法检测出特征点的缺陷，而且使得检测出的特征点更为准确。实验表明本文算法能有效改善图像采集时旋转、偏移以及光照不均的问题，并且相比于传统的SURF特征提取算法能更有效的进行手指静脉的识别。今后除了继续对手指静脉识别的关键特征提取进行研究外，还将致力于手指静脉快速识别的研究。