手指靜脈特徵提取與匹配識別方法

2023-05-15 09:01:16

專利名稱：手指靜脈特徵提取與匹配識別方法
技術領域：
本發明涉及的是一種生物特徵身份識別技術。特別是一種手指靜脈特徵身份認證 技術。
背景技術：
生物特徵識別技術是指利用人體生物特徵進行身份認證的一種技術。依據的是我 們人體本身所擁有的身體特徵(指紋、掌型、虹膜視、人體氣味、臉形等)和行為特點(籤 名、語音、步態等)兩類。在這些生物特徵識別技術中，由於指紋識別具有很強的唯一性、穩 定性、易用性等特點，應用極為廣泛，但在實際應用中發現存在一些瓶頸問題(1)由於手指有汙物、過溼、過幹，或指紋儀不清潔導致採集的指紋圖像不夠清晰， 直接影響指紋的識別率；(2)美國國家標準技術研究所的報告指出，由於手指受傷(疤痕、磨損)，或爆皮大 約有2%的人，不能提供好質量的待驗和註冊圖像，因此這些人就不能通過指紋來進行身份 鑑別。(3)手指生物特徵被盜取的事件已經發生，出現一種用矽樹脂製造的克隆指紋。指紋識別方式是一種外在的生物特徵，安全係數較低。近年，出現了一種新的生物 特徵識別技術——靜脈識別。現在主要的研究有手背靜脈、手掌靜脈以及手指靜脈識別。同 指紋一樣，手指靜脈也具有很強的普遍性和唯一性，而且具有指紋無法比擬的優勢(1)在獲取靜脈圖像時，可以利用透射光或者反射光兩種方式進行獲取。這裡我們 採用透視光方式，獲取手指內部的靜脈圖像特徵，可以有效避免因皮膚表面的傷痕、爆皮、 褶皺、粗糙、乾裂或潮溼等環境因素造成的影響。(2)靜脈特徵是流動血液的紋路，因此靜脈識別是一種本質的「活體識別」生物特 徵識別方法，也就是說被識別對象必須是活著的人，才能滿足身份識別的中獲取靜脈血管 紋路，很難偽造或是手術改變。(3)靜脈是身體內部的血管特徵，可以採用非接觸方式進行特徵圖像採集，手指無 須與儀器接觸，不會造成採集界面的汙染，沒有手指接觸設備時的不衛生，以及特徵可能被 複製所帶來的安全問題。很明顯，手指靜脈識別克服了指紋識別等的諸多缺點，有著廣闊的應用前景，因此 手指靜脈識別是近幾年來生物認證技術開闢的新領域。 手指靜脈識別研究最先始於日立公司，日立公司的研究小組針對手指靜脈認證算 法的作了較多的研究。2000年，日立公司工程師等首次提出手指靜脈用於個人身份的鑑定 的方法。2004年，日立公司發表了 Naoto Miura等幾位工程師關於提取手指靜脈特徵的成 果。截至2007年3月的統計數據表明日本80%的自動存取款機都搭載了手指靜脈認證 設備。2009年7月，日立公司展出了配有手指靜脈認證裝置的自動售貨機，用手指靜脈配合 信用卡直接結帳。 國內關於手指靜脈的研究成果比較少。吉林大學張忠波等在指靜脈識別算法上也進行了研究。哈爾濱工程大學模式識別與智能系統實驗室的王科俊教授對手指靜脈識別進 行了研究，製作了採集設備和提出了相應的手指靜脈提取和匹配方法。另外還有其他一些 相關學者，不僅設計出手指靜脈採集裝置，也進行了算法研究，均取得一些滿意的效果。

發明內容
本發明的目的在於提供一種能夠提高手指靜脈的識別速度，識別率穩定、而且高 的手指靜脈特徵提取與匹配識別方法。本發明的目的是這樣實現的包括通過紅外圖像採集裝置獲取手指靜脈圖像，並對圖像進行預處理，特徵提取， 識別分析步驟；所述預處理包括彩色圖像進行灰度化、手指區域提取、採用方向濾波和增 強、按照手指輪廓標記提取手指靜脈紋路並二值化、採用面積消除法去噪、將圖像的大小標 準化為統一的圖像；所述識別分析是將各個子塊的特徵作為整體採用最近鄰分類器進行識 別；所述特徵提取的方法為對手指靜脈紋路圖進行子塊劃分，對於每個子塊圖像採用雙 向特徵值加權分塊的雙向二維主成分分析的方法進行特徵提取。所述對手指靜脈紋路圖進行子塊劃分，對於每個子塊圖像採用雙向特徵值加權分 塊的雙向二維主成分分析的方法進行特徵提取的具體方法包括(1)訓練樣本圖像分塊；將經過圖像預處理後的訓練圖像A，分成如幹行為m= 1， 2，…，ρ;列為n=l，2，…，q的子塊Amn，將所有相同位置的子塊構成不同子塊集合Ai其 中 i = 1,2,…，ρ,…，pXq ；(2)求訓練樣本子塊投影矩陣；按照準則J (x) = trace (xTGx)和J (χ 『 τ)= trace (χ『 tG' χ')分別求取每個子塊集合的行和列方向上的投影矩陣X和Bt ；(3)求加權投影矩陣；將每個子塊集合的行和列方向上的投影矩陣X和Bt進行加 權處理，加權策略如下 其中ω為加權因子；λ α為行方向或列方向上的分隔值，分別是行方向或列方向 的位置α所對應的特徵值，α獲取方式按累積特徵值貢獻率式
為行方向或列方向的歸一化特徵值、為ο ι之間的值，特徵值歸一化公式為λ' i= (λ「λω η)/(λ·χ-λ_)， = 1，2，...，t，...，d其中λ max和λ min分別為行方向或列方向上的最大特徵值和最小特徵值；(4)求訓練樣本子塊特徵矩陣；對每個訓練圖像的子塊圖像集進行特徵提取，其 特徵矩陣為
其中Aki表示第k(k= 1,2,…，Μ)個訓練樣本中第i(i = 1,2,…，ρXq)個子塊 圖像，X 和BiWT為第i個子圖像集所求的行、列方向上的經過特徵值加權的最優投影矩陣；將訓練樣本中每個子塊的特徵矩陣保存到手指靜脈特徵資料庫中；(5)求待測樣本子塊特徵矩陣；按照訓練樣本分塊模式，將待測樣本分塊，求取其 每個子塊的特徵矩陣 其中Ai表示第i(i = 1,2,…，pXq)個子塊圖像，Xiw和BiWT為第i個子圖像集所 求的行、列方向上的經過特徵值加權的最優投影矩陣；將獲取到的待測樣本每個子塊的特徵矩陣保存，準備與資料庫中的特徵數據進行 比較。所述將各個子塊的特徵作為整體採用最近鄰分類器進行識別的方法為將待測樣本每個子塊分別與訓練樣本相同位置對應子塊集中所有子塊，求取其距 離 其中Zki表示第k(k= 1，2，…，M)個訓練樣本中第i(i = 1，2，…，ρXq)個子 塊圖像；將待測樣本與每個訓練樣本的所有子塊的距離累加 按照最近鄰原則，確定分類結果。本發明的主要貢獻和特點在於(1)手指靜脈脈絡是隱藏在皮膚下面，只能通過 紅外圖像採集裝置才能獲取手指靜脈圖像。(2)對採集的手指靜脈圖像進行預處理，包括 採用最佳閾值法和判別連通區域面積的大小確定手指輪廓並標記，採用類似指紋圖像增強 的方向濾波法對手指靜脈圖像增強，按照手指輪廓標記提取手指靜脈紋路圖像分割並二值 化，然後採用面積消除法去噪，以獲取準確的手指靜脈紋路圖像。(3)對尺寸標準化的紋路 圖像採取雙向特徵值加權分塊的雙向二維主成分分析的方法，可以極大地減少了手指靜脈 識別中高維圖像矩陣的計算量，進而提高識別速度，而且在保留了靜脈紋路本質結構特徵 的同時，有效地提取到靜脈紋路的局部特徵，從而使得最終識別精度得到顯著提高。


圖1為本發明的方法的流程圖；圖2(a)_(d)為手指靜脈圖像預處理，其中圖2(a)為方向圖、圖2(b)為方向濾波、 圖2(c)為分割與二值化、圖2(d)為去噪與標準化；圖3為手指各種分塊模式；圖4為2X2分塊時累積特徵貢獻率與降維維數、識別率關係圖；圖5為單訓練樣本條件下兩種方法的識別率曲線圖；圖6為多訓練樣本條件下幾種方法的識別率曲線圖；圖7為特徵提取方法的流程圖。
具體實施例方式下面結合附圖舉例對本發明做更詳細地描述1.手指靜脈紅外圖像的採集選用的手指靜脈採集裝置的基本原理是利用近紅外線照射手指，並由圖像傳感器感應手指透射過來的光線。其中的關鍵在於流到靜脈紅血球中的血紅蛋白因照射會失脫氧 份，而這個還原的血紅蛋白對波長760nm附近的近紅外線會有吸收，本實施方式中採用的 是850nm的紅外光源，導致靜脈部分的透射較少，在成像設備上就會產生靜脈圖案。所以， 選用的手指靜脈採集器就是利用透射的近紅外線的強弱來凸現靜脈血管的。2.手指靜脈圖像的預處理為了提取手指靜脈脈絡，首先通過最佳閾值法和判別連通區域面積的大小確定手 指輪廓並標記。針對手指靜脈血管具有方向性的特點，採用指紋圖像增強的方向濾波法，對手指 靜脈圖像增強。首先通過8方向模板(以水平位置為起始方向，每隔π/8確定一個方向) 獲得圖像的點方向圖，然後為了去除噪聲，保證方向場估計的準確性，對點方向圖採用8X8 滑動窗進行平滑處理，得到連續且平滑的方向圖(圖2(a))。最後根據靜脈紋路的方向特 性，採用0 『 Gorman提出的方法構造8個方向濾波模板，並依此模板對平滑方向圖進行卷積 濾波運算，從而獲得增強圖像(圖2(b))。按照手指輪廓標記提取手指靜脈紋路圖像分割並二值化(圖2 (C))。採用面積消 除法去除噪聲，最後將圖像的大小標準化行X列為80X200的圖像(圖2(d))。3.雙向二維主成分分析(Bi-directional Two Dimensional PCA/B2DPCA)3. 1 行方向二維主成分分析(Two Dimensional PCA/2DPCA)設模式類別有w個，每類有樣本d個，訓練樣本總數為M = wX d，每個樣本大小為 mXn 的圖像 Ak(k = 1,2,…，M)。χ是一個η維的列向量，考慮將圖像樣本矩陣A向方向為χ的空間上投影，y就是 A到方向為χ的空間上的投影，y為一個m維的列向量，如下式表示y = Ax(1)實際上，最重要的工作是選擇好χ的方向，χ方向的不同，將使圖像樣本投影后的 可分離程度不同，從而直接影響到圖像識別的效果。因此，最主要的任務就是尋找最優的投 影向量X，使得所有樣本投影到X後，其投影樣本的總體散布矩陣達到最大。投影樣本的總 體散布矩陣可以用投影特徵向量的協方差矩陣的跡來表述。從這個觀點來看，可以採用下 面的準則J (χ) = trace (Sx)(2)其中，Sx表示訓練樣本A到方向為χ空間上的投影后得到特徵向量y的協方差， trace (Sx)表示Sx的跡。協方差矩陣Sx表示如下
(3) 由於矩陣的跡是一個數的性質，可有
(4)
已知圖像矩陣的協方差矩陣為 其中: = —Σ次表示所有訓練樣本的平均圖像。因此，(2)式中準則可表示成 最大化該準則J(X)的物理意義是尋找到一個最優投影軸X，這就意味著投影樣本 的總體散布矩陣在圖像矩陣集合均投影到X上後被最大化了。這樣，最優投影軸X也就是 對應於G的最大特徵值的特徵向量。一般情況下，只有一個最優投影軸是遠遠不夠的，所以 需要選取一組投影向量\，&，...，&構成二維最佳投影矩陣，使得J(X)取極大值。當然， 這組投影軸要滿足相互正交的約束條件，同時也要最大化準則J(X)，也即 也就是說，使J(x)取極大值的前d(d<n)個最大的特徵值XiK對應的相互正 交特徵向量組就是最佳投影矩陣。d可以採用累積特徵貢獻率Fp確定 其中X1^ \人 是6的η個特徵值，Fp為預先設定的閾值。令X= [X1, x2，...，xd]，則有 Y就是尺寸為mXn維圖像矩陣A在最佳投影矩陣X投影后得到的一個尺寸為mXd 維投影特徵矩陣。3. 2列方向二維主成分分析上述2DPCA實際是圖像矩陣A尋找行方向上的最佳投影矩陣X，同理在列方向上也 可以尋找一個最佳投影矩陣。假設A'是一個尺寸為mXd的圖像，χ' τ是一個m維的行向量，將A'向方向為 X' T的空間上投影，得到一個d維行向量y'，如下式表示y' =x' tA'(10)其圖像矩陣A'的協方差矩陣估計值G'

G' = ^-￡(At-A)(At-A)r(11)最大化準則為J(x' T) = trace (χ『 tG' χ' )(12)同樣，需要選取一組向量構成最佳投影矩陣，使得J(x' τ)取極大值，這組最佳投 影軸為{{XVX,2'"''X,'f=argmaXj(X'r)(Π) 也就是說，使J(x' τ)取極大值的前t(t <m)個最大的特徵值λ 『 i所對應的特 徵向量組就是最佳投影矩陣，t同樣可以採用累積特徵貢獻率Fp確定
(14)其中λ ' ^X' 2彡…彡λ' 1]1是(}'的m個特徵值。令B = [x' 1； χ' 2，...，x' J，則有Y' = [y' 」y' 2，…，y' J= [x' /A'，χ' 2tA'，...，x' tTA' ] = BtA' (15)Y'就是尺寸為mXd維圖像矩陣A'在最佳投影矩陣Bt投影后得到的一個尺寸為 tXd維投影特徵矩陣。3. 3行列雙方向二維主成分分析(B2DPCA)行方向上的2DPCA和列方向上的2DPCA分別只在圖像的行方向和列方向上發揮作 用。行2DPCA能從一組訓練圖像中生成一個反應圖像行之間信息的最優矩陣X，相似地，列 2DPCA也能生成一個反應圖像列之間信息的最優矩陣Βτ，若將尺寸為mXn的矩陣A先後投 影到X和Bt上，則產生一個大小為t X d的特徵矩陣Z Z = BtAX(16)當把每幅訓練圖像Ak(k= 1，2，…，M)先後向投影，得到相應的特徵矩陣 Zk(k= 1，2，…，M)。對於任一幅測試圖像A'，同樣通過式(16)可以得到其特徵矩陣Z'， Z'和Zk之間的距離定義
(17)4·雙向力卩權分塊的 B2DPCA (Bi-directional Weighted Modular B2DPCA/ BWMB2DPCA)4. 1 分塊 B2DPCA (Modular B2DPCA/MB2DPCA)通過B2DPCA得到的特徵矩陣，表述的是整幅圖像的全局特徵，許多細節特徵被 忽略。近年來研究表明，如果將圖像進行分塊處理，並以每個子圖像的特徵矩陣作為識別 特徵，將更有效的利用圖像細節信息，這種以分塊形式進行B2DPCA的算法稱之為模塊化 B2DPCA(Modular B2DPCA，MB2DPCA)。另外，由於手指靜脈採集時存在手指擺放位置不精確、紅外透射光不均勻等現象， 以及圖像預處理方法不通用等原因，導致最終提取的靜脈紋路出現扭轉、平移、斷裂等變形 情況，通過分塊方式可以將一些局部變形情況嚴重的圖塊與質量好的圖塊分割開，分別進 行特徵提取和識別，從而提高整體的識別結果。分塊策略為
(18)其中Amn(m=l，2，…，p;n = l，2，…，q)是子塊圖像矩陣。將每幅手指靜脈圖像分割為多個子圖像，分塊模式有多種，例如分成1X1 (分塊模式特例即為不分塊)、1\4、1\8、2\4、2\8塊等多種模式，如圖3所示。4. 2 雙向加權分塊 B2DPCA (BWMB2DPCA)儘管B2DPCA減少圖像特徵矩陣維數，但卻忽視了不同特徵值對應的特徵向量對 識別率的影響，為此，根據特徵值λ的大小，應該有區別的對待其對應特徵向量在特徵矩 陣中的地位，從而實現對B2DPCA進行加權的目的，以影響最終的識別率。然而，行方向直接 加權的方式運用到手指靜脈識別中，實驗結果甚至不如未加權方式；其主要原因是B2DPCA 中得到的特徵值λ都是遠大於1的數值，若以相同的方式λω(0 < ω 1時，由於0< ω < 1，導致λ 『 ω適當 減小，從整體上看，是將特徵值小的特徵向量的分類作用適度放大，從而提高整體的分類效果.結合可以提高局部特徵分類作用的圖像分塊算法(MB2DPCA)，以及雙向特徵值加 權算法(BWB2DPCA)兩者優點，本文提出雙向加權分塊的B2DPCA(BWMB2DPCA)。具體方法為 將前文中子塊圖像矩陣Anm，按照手指靜脈訓練圖像相同位置，把子塊組成一組子圖像集，然 後按照BWMB2DPCA算法，對訓練圖像的子圖像集進行特徵提取。訓練樣本的各個子圖像的 特徵矩陣為
(21)其中Aki表示第k(k= 1，2，…，M)個訓練樣本中第i(i = 1，2，…，ρXq)個子塊 圖像，X 和BiWT為第i個子圖像集所求的行、列方向上的經過特徵值加權的最優投影矩陣。5.實驗實驗中，採用自製的手指靜脈採集裝置，採集了 132個手指，每個手指採集5次，一 共660幅手指靜脈圖像，構成手指靜脈圖像庫。實驗一，在2X2分塊模式下，當累積特徵貢獻率從0 1. 0變化時，其與降維維數 和識別率的關係如圖4所示。實驗中發現，累積特徵貢獻率小於0. 4時，特徵矩陣維數和識 別率都比較低；當累積特徵貢獻率大於0. 9時，識別率不僅沒有優勢，而且特徵矩陣維數增高會導致訓練與測試時間都比較高，因此選取累積特徵貢獻率範圍為0. 4 0. 9，我們將累 積特徵貢獻率控制在0. 4 0. 9範圍內變化，通過實驗數據，來觀察本發明在整體上的識別 效果。實驗二，任意選擇一組圖像作為訓練樣本，其他四組作為測試樣本。實驗數據如圖 5和表1所示。B2DPCA為不分塊情況下的雙向二維主成分分析方法，BWMB2DPCA為本發明 提出的雙向特徵值加權分塊的雙向二維主成分分析的方法。表1少訓練樣本情況下加權分塊模式的手指靜脈識別性能
分塊數目(行X列) 最優識別率％ 平均識別率％ B2DPCA1X182.5880.30 實驗三，選擇四組圖像作為訓練樣本，剩餘一組作為測試樣本。將本發明提出的 方法和其他幾種方法進行對比實驗，實驗數據如表2和圖6所示。2DPCA為二維主成分分 析，B2DPCA為雙向二維主成分分析，WB2DPCA為行方向特徵值加權的雙向二維主成分分析， MB2DPCA為分塊的雙向二維主成分分析，BWMB2DPCA雙向特徵值加權分塊的雙向二維主成 分分析。表2多訓練樣本情況下加權分塊模式的手指靜脈識別性能
分塊數目(行X最優識別平均識別率
權利要求
一種手指靜脈特徵提取與匹配識別方法，包括通過紅外圖像採集裝置獲取手指靜脈圖像，並對圖像進行預處理，特徵提取，識別分析步驟；所述預處理包括彩色圖像進行灰度化、手指區域提取、採用方向濾波和增強、按照手指輪廓標記提取手指靜脈紋路並二值化、採用面積消除法去噪、將圖像的大小標準化為統一的圖像；其特徵是所述特徵提取的方法為對手指靜脈紋路圖進行子塊劃分，對於每個子塊圖像採用雙向特徵值加權分塊的雙向二維主成分分析的方法進行特徵提取；所述識別分析是將各個子塊的特徵作為整體採用最近鄰分類器進行識別。
2.根據權利要求1所述的手指靜脈特徵提取與匹配識別方法，其特徵是所述對手指靜 脈紋路圖進行子塊 劃分，對於每個子塊圖像採用雙向特徵值加權分塊的雙向二維主成分分 析的方法進行特徵提取的具體方法為(1)訓練樣本圖像分塊；將經過圖像預處理後的訓練圖像A，分成如幹行為m=1， 2，…，ρ;列為n=l，2，…，q的子塊Amn，將所有相同位置的子塊構成不同子塊集合Ai其 中 i = 1,2,…，ρ,…，pXq ；(2)求訓練樣本子塊投影矩陣；按照準則 分別求取每個子塊集合的行和列方向上的投影矩陣X和Bt ；(3)求加權投影矩陣；將每個子塊集合的行和列方向上的投影矩陣X和Bt進行加權處 理，加權策略如下 其中ω為加權因子；λα為行方向或列方向上的分隔值，分別是行方向或列方向的位置α所對應的特徵值，α獲取方式按累積特徵值貢獻率式ft毛為I^a ; λ 『為行 方向或列方向的歸一化特徵值、為ο ι之間的值，特徵值歸一化公式為 其中和Xmin分別為行方向或列方向上的最大特徵值和最小特徵值；(4)求訓練樣本子塊特徵矩陣；對每個訓練圖像的子塊圖像集進行特徵提取，其特徵 矩陣為Zki — Biw AkiXiw其中Aki表示第k(k= 1，2，…，M)個訓練樣本中第i(i = 1，2，…，pXq)個子塊圖 像，Xiw和BiWT為第i個子圖像集所求的行、列方向上的經過特徵值加權的最優投影矩陣； 將訓練樣本中每個子塊的特徵矩陣保存到手指靜脈特徵資料庫中；(5)求待測樣本子塊特徵矩陣；按照訓練樣本分塊模式，將待測樣本分塊，求取其每個 子塊的特徵矩陣Z i = Biw A i'Xiw其中Ai表示第i(i = 1,2,…，pXq)個子塊圖像，Xiw和BiWT為第i個子圖像集所求的 行、列方向上的經過特徵值加權的最優投影矩陣；將獲取到的待測樣本每個子塊的特徵矩陣保存，準備與資料庫中的特徵數據進行比較。
3.根據權利要求1或2所述的手指靜脈特徵提取與匹配識別方法，其特徵是所述將各 個子塊的特徵作為整體採用最近鄰分類器進行識別的方法為將待測樣本每個子塊分別與訓練樣本相同位置對應子塊集中所有子塊，求取其距離 dki = d(Z' 「 Zki) = Il Z' -Zki Il其中Zki表示第k(k= 1，2，…，M)個訓練樣本中第i(i = 1，2，…，PXq)個子塊圖像；將待測樣本與每個訓練樣本的所有子塊的距離累加 按照最近鄰原則，確定分類結果。
全文摘要
本發明提供的是一種手指靜脈特徵提取與匹配識別方法。包括通過紅外圖像採集裝置獲取手指靜脈圖像，並對圖像進行預處理，特徵提取，識別分析步驟；所述預處理包括彩色圖像進行灰度化、手指區域提取、採用方向濾波和增強、按照手指輪廓標記提取手指靜脈紋路並二值化、採用面積消除法去噪、將圖像的大小標準化為統一的圖像；特徵提取的方法為對手指靜脈紋路圖進行子塊劃分，對於每個子塊圖像採用雙向特徵值加權分塊的雙向二維主成分分析的方法進行特徵提取；識別分析是將各個子塊的特徵作為整體採用最近鄰分類器進行識別。本發明可減少手指靜脈識別中高維圖像矩陣的計算量，可以明顯地提高手指靜脈的識別速度，識別率穩定、而且高。
文檔編號G06K9/62GK101840511SQ201010191458
公開日2010年9月22日 申請日期2010年6月4日 優先權日2010年6月4日
發明者馮偉興, 劉靖宇, 吳秋雨, 王科俊, 管鳳旭, 馬慧 申請人:哈爾濱工程大學