基于MHD的静脉识别技术

1、 基于MHD距离的手指静脉识别方法研究摘要：本文提出了一种新的手指静脉识别技术。其思路为：首先，利用图像处理方法提取手指静脉模式特征。其次，冲手指静脉模式特征中提取出细节点，它包括交叉点和端点。这些特征点可以作为手指静脉的模式的主要特征用于识别。最终，利用修改的Hausdorff距离（MHD）来计算它们的距离，因为MHD算法在计算距离时不需要每个点一一对应而被广泛的用于计算集合的距离。实验表明该算法对于位置有波动性象素点具有更好的鲁棒性，而且证明了图像的细节点能够代替静脉图像的几何形状用于识别。最后，该算法对在不同的光线条件下的静脉图像有较高的识别率。1. 引言生物测定学是利用其生理或行为特征

2、进行个人身份认证的科学。近年来，手指静脉认证学已经引起了许多哦研究机构的广泛的关注。 由于不同的人有不同的手指静脉模式2 3 4 5.，因此，手指静脉识别技术是利用这个原理来进行认证的。比起指纹识别，手指静脉识别具有以下优势1: 1)手指静脉识别不需要考虑皮肤表面的因素，且可以预防伪造手指用于识别的情况。 2）使用仅在红外光才能看得见的手指静脉大大的增加了伪造的难度。3）非接触式的识别方式避免了对公众健康的影响。正因为手指静脉的唯一性，稳定性和高度防伪性使得它成为一种理想的生物特征，它在身份认证中具有安全性和稳定性。手指静脉识别系统由五个处理步骤组成5：图像的获取，图像增强，手指静脉图像分割，

3、特征提取和匹配。在图像获取阶段，静脉图像是通过红外成像技术获得的。这里使用的方法是使用一个红外照相机获取静脉图像1、2、6.。在获取图像后，把手指静脉模式从背景色分割出来，然后提取特征得到静脉模式。对于不同光照条件下的得到的不同图像，我们通过计算它们之间的相似性来进行图像的匹配。在先前的研究中Hausdorff距离函数被广泛的应用于图像的匹配711.，它的显著的特点是在计算两个物体或两张图像之间的距离时，不需建立它们之间点的对应关系。Dubuisson 和 Jain 12提出了几种修改的Dubuisson距离（MHD）来比较边缘图像，这些边缘图像通过处理它们的灰度图像得到的。Paumard 1

4、3提出了CHD算法来计算二值图像的距离。Takacs 14引进近邻函数和结合惩罚函数来对MHD进一步的改进后，然后将其用于人脸识别。Guo et al. 15提出了一种新的MHD算法，它是通过关于特征脸的空间信息函数对MHD进行加权。Lin et al. 16利用特征脸的特性对Hausdorff距离进行加权，从而提出了一种修改的Hausdorff距离。其加权函数对一些重要的面部特征如：眼睛、嘴和脸的轮廓给予较高的权重。Zhu et al. 17 利用一个改进的脊波滤波器来检测图像的边缘，并在脊波特征空间利用加权修改的Hausdorff 距离（WMHD）来计算图像的距离。LingyuWanga

5、6通过应用MHD来匹配图像中感兴趣的点对图像进行比较。在文献6的启发下，本论文利用MHD来计算两个细节点集的相似性。实验结果表明细节结点携带足够用于识别的信息，而不需要将整个静脉特征用于图像匹配，从而节省了大量的时间，而且对不同光照下的图像进行很好的匹配。2.红外静脉图像的预处理2.1手指静脉数据库目前这里没有公共的手指静脉数据库用于研究。为了对手指静脉图像进行预处理分析，我们建立了手指静脉数据库，该手指静脉数据有50个不同人的手指组成，而且对每个人在不同时间和关照条件下采集了10幅不同的图像。所有的图像都有一个黑色的背景，而且手指是竖直向上（其中能容许一定的位置偏移）。这些图像都是具有256

6、的灰度像素图像且为。下面给出了数据库中的一张原始的手指静脉图像如图1（a）所示。 （a）原始图像. （b）标准化后的图像图1 手指静脉图像2.2图像的标准化由于采集的时间、光强和每个人手指厚度不同，得到的静脉图像灰度分布不相同，不利于特征提取与分类。我们采取线性灰度调整的方法，将灰度能量聚集于的图像灰度到范围，得到灰度分布均匀的图像: （1）上式中：表示原图灰度值表示变换后的灰度值表示原图最小灰度值表示原图最大灰度值其灰度归一化结果如图1（b）所示2.3图像的方向场 方向场代表了指纹图像的本质特性，它对于坐标系来说是不变的，在指纹图像处理中有着非常重要的地位。目前有大量的方法用来估计指纹的方向

7、场11, 17, 10, 1。类似的，手指静脉图也是具有方向的纹理图像，我们通过改进了原有的方向场估计算法，得到一个新的算法；下面介绍改进的公式法求方向场的方法。主要步骤如下：1）计算图像中每个象素点.的梯度和。在这里，根据计算的要求，梯度算子可以选择简单的Sobel算子，也可以选择复杂的Marr-Hildreth算子，或者其他的其子。 2）估计每个点的方向场a）利用的窗口在原始图像进行滑动，其中窗口中心的灰度象素值为。b) 估计窗口（其大小可以根据实际情况选择）的方向并作为其中心象素点的方向。计算以为中心的每个窗口的方向，公式如下 （2） （3） (4)其中，是局部脊线方向的最小平方估计，数

8、学上，它表示这个方向垂直于窗的傅里叶频率的主方向。c）如果图像中每个象素点被遍历完，即所有象素点的方向都被估计，则结束。否则，重复上面的步骤。3）由于噪声、断裂的脊线和谷线的存在，估计的脊线方向可能不总是正确的。在没有奇异点的邻域内，局部脊线方向是缓慢变化的，可以用一个低通滤波器来修改不正确的脊线方向。为此，方向场需要转化到一个连续的向量场中 （5） （6） 式中和 是向量场的分量和分量，低通滤波可表示如下 （7） （8）式中，是一个二维低通滤波器，其积分为1，是滤波器的大小。其平滑操作在每个象素点上执行的，其默认大小为。4）计算在的方向场通过这种方法，就会得到一个相当平滑的方向场。图.2所示

9、为一幅指纹图像的方向场图。 图. 2 本文算法得到的方向场; w = 20和 = 10 2.4脊波滤波 手指静脉图像由脊线和谷线构成，脊线和谷线粗细均匀，除了在细节点、奇异点等区域出现不规则形状外，在大部分区域，呈现连续的、方向平缓变化的曲线形态。由于脊波滤波器是一个被Gauss函数调制的正弦波。它具有频率选择和方向选择的特性，采用它不但可以能够去掉噪声，并且能把指纹的脊和谷的结构不失真的保留下来。脊波滤波器是一种有效的纹路分析工具20,其一般形式如下： （10）式中，, u是复正弦函数的频率，是滤波器的方向，是高斯包络的标准差。为了避免受光强度的影响，利用下式把离散脊波滤波器的直流分量规格化

10、成0。 （11）式中，是滤波器的大小。我们通过实验来选择这三个参数.2.5静脉提取通过红外采集装置采集的手指静脉质量较差，所以图像分割在整个手指静脉的识别过程中起着非常重要的作用，而且相当困难。目前有许多图像分割算法。经典算法由阈值分割法、区域增长算法、边缘检测算法和多种分割方法相结合的算法等。前沿的分割算法有神经网络算法、模糊聚类算法等。不同的算法适合不同的应用领域，适合分割一些图像的算法可能并不适应另外一些不同的图像，没有哪一种分割算法适合所有的图像。因此，选择合适的分割算法非常重要。本文针对手指静脉图像提出了一种新的分割算法，其算法主要步骤如下：Step 1：提取谷形区域为了确定在该像素

11、处脊线的方向,对于图像的每一个像素,在以该像素为中心的窗口内,分别计算与之对应8个方向上算子（如图3所示）的卷积。然后得到这8个方向上的最大卷积和。= （12）然后用最大值作为该点的灰度值； （13）Step 2：阈值分割Step 2.1：进行第一次阈值分割 （14）Step 2.2：进行第二次阈值分割 （15）其中表示图像中非零元素的平均值。和分别表示图像中非零元素的和与个数。Step 2.3：模糊增强经过前两次分割后，这时图像中灰度值范围为，该区域的值存在伪静脉特征和噪声的可能性非常大，为了进一步降低噪声和剔除伪静脉，用模糊算子增强。其算法如下：（1）计算隶属度，即 （16）（2）计算窗口

12、内所有元素的均值（3）在窗口内计算调整后的像素灰度隶属度及其灰度值 , 其数学表达式为 （17）Step 2.4：进行第3次阈值分割采用窗口在原图像上滑动, 该窗口中心像素点灰度值为, 则该窗口内所有像素值构成如下集合:求出该窗口中所有像素的平均值 计算公式如下： （18） （19） （10）这样图像中每个像素点都有一个阈值。然后分别利用每个阈值进行二值化为 （21）得到最终只含静脉特征的图像。得到原始手指静脉图像的谷形图像如图4所示。这个分割效果也十分理想的。 为了剔出毛刺和使图像的边界更光滑，我们把分割后的图像采用中值滤波。由于噪声的影响导致分割后图像中存在一些非静脉的噪声区域。我们可以根

13、据区域的大小来驱除噪声区域。去造效果图如图5所示。 图4分割图像 图.5. 滤波后的图像(a)(水平方向)(b)方向(c)方向（d）方向 （e）方向 （f）方向（g）方向（h）方向图3 各个操作方向2.6图像的细化提取的手指经脉特征图像的静脉纹路较粗，在实际中，静脉纹路的粗细容易受光照等因素的影响，而静脉的走向和拓扑结构确实非常稳定的，所以有必要在识别前对图像进行细化 。2.6.1细化算 图像的细化是指在保持原图像拓扑结构的情况下，尽可能快地抽出一个单像素宽的骨架的过程。 区域内的点假设具有1值，且背景点具有0值。这种方法对于给定的轮廓点应用两个基本步骤，这里轮廓点是值为一，并且在8个相邻点中

14、至少有一个值为0的点。关于8个领域的表示参照图6所示。第一步：如果下列条件满足，则标记的轮廓点要删除。 （22）00110101图6用于细化算法的相邻关系排 图7式（2）中条件（a）和（b）的图示说明 此时， 这里是的非零相邻点的数目；即：并且是以 ， 的词轮转时，从0到1的变化次数。例如，图7中 第二步，条件（a）和（b）仍相同，但条件（c）和（d）变为:这样细化算法的迭代包括：（1） 执行步骤1对需要删除的边界点进行标记；（2） 删除做了标记的点；（3） 执行步骤2，对剩下的要删除的边界点进行标记；（4） 删除有标记的点反复进行这一过程直到再没有可以删除的点，此时算法结束，生成区域骨架。图

15、像被细化到最低限度相连且没有间断点的线，这样有利于后面的处理（如：特征点的提取）。2.6.2改进细化方法 由上面的细化结果可以看出，图像在分叉点处存在像素的冗余，即非单像素点，这使得以后对特征点的提取相当麻烦。下面给出了细化后在分枝点处的非单像素点，如图8所示上面红色线标出了图像中的非单像素点，除去这些非单像素点一种方法：可以利用在保持图像连通性的前提下，去掉冗余像素点的办法，另一种方法采用模板的方法。本文采用后者，上图中的非像素点可以用模板（如图8.6所示）除去，即去掉图像中与图9中所示模板位置结构相同的点，*表示当前点的位置；"1”表示目标图像上的点，"0”表示背景图像

16、上的点。01001*101001011*100001011*001000011*1010 Me Mf Mg Mh 图9非单像素点的模板表示利用上面模板不断在细化后的图上进行迭代，直到去除所有的非但像素点。这时经过处理后图像中没有非单像素点。2.6.3毛刺的裁剪 原始手指静脉图像中的噪声和阴影等会在骨架图像中产生各种“毛刺“，这些毛刺将会影响后面的处理。“毛刺“的除去可以通过从每个端点开始沿着非零点搜索，直到到达交叉点时停止。记录下每个端点上在这个过程中遍历的点数，然后取一个阈值，将小于阈值的那个端点搜索路径上的置为0。裁剪后的图像如图10所示。 a) 一般细化算法 b) 改进细化算法 c) 毛

17、刺剪裁图10.图像细化3.细节点的提取 静脉骨架化图像中的有两种关键性的节点（交叉节点和端点），为了提取出这些特征点，我们利用文献21 方法来提取这些特征点。对于一个区域，如果 的值为1，表示从 到 时 ，0和1交替变换的次数。当大于等于6时，则认为是交叉点，等式的表达式如下：类似的，这种方法被用于检测端点。不同的是这时的值等于2。手指静脉增强算法的流程图如图11所示，实验过程如图12所示。静脉特征提取静脉特征细化细节点的提取滤波图像的方向估计标准化静脉图像的细节点(大的正方形比阿什交叉点，小的正方形表示端点)输入图像 图. 11.手指静脉细节点提取的流程图 图12.静脉图像处理过程4.实验结

18、果这个实验过程是在我的手指静脉数据库中进行的。在这部分，通过三个实验来证明本文所提出的识别算法的有效性。手指静脉数据库由50个不同的人的手指在不同时间和光照条件下各采集10张图像得到的共500张图片组成。所有的图像都有一个黑色的背景，而且手指是竖直向上（其中能容许一定的位置偏移）。这些图像都是具有256的灰度像素图像且为。这些图像在处理之前经过了预处理。4.1 MHD认证 在分析指纹写节点的许多方法都能类似的应用来分析手指静脉的细节点。然而，由于手指静脉的细节点与指纹细节点相比相对较少，首先选择统计特征来分析几何信息。因为手指静脉特征一个二维的点集，所以通过计算两个点集之间的Hausdorff

19、相似度来完成一对模式的匹配。Huttenlocher在文献23中最先利用Hausdorff距离来比较两幅二值图像。它的特点是在计算两个点集之间的距离时，不需建立它们之间点的对应关系。文献6提出了一个有效的计算算法，它通过搜索图像中最小的Hausdorff距离来加快检测相似模式。对于两个点集 和，等式（23）和（25）给出了Hausdorff的定义： （23） （24）式中， 和 分别表示这两个点集之间的集间距离和有向距离。 的值越小，表示这两个点集越相似。然而，原始的Hausdorff距离对这个点位置的微小扰动非常敏感，为了克服这个缺点。文献12在原始算法的基础上进行修改，提出了一种MHD算法

20、，该方法有以下性质：(i)随着两个点集中不同点数的增长，它的值也单调递增。(ii)它可以有效地克服由于分割中引起的一些噪声点的影响。与原始的算法不同，MHD的距离定义为： （25）图12给出了 错误接受率和错误拒绝率的曲线，从这幅图中可以看出当HD值等于0.52，等误率近似的等于14.51%。然而当用MHD算法处理这组数据时，等误率等于0.761%（如图13所示）%识别率非法匹配合法匹配 HD 距离(a) FRR%(b)EERFAR% Fig. 12. 测试结果. (a) 匹配距离(b) 使用HD算法对细节点识别ROC曲线（EER = 14.51% 当阈值为0.52)%识别率合法匹配非法匹配M

21、HD 距离 (a) EERFAR%FRR%(b)图.13. 测试结果. (a)匹配距离 (b)使用MHD算法对细节点进行识别的ROC曲线 (EER = 0.761% 当阈值为 0.43).4.2静脉结构特征测试 为了证明细节节点能够携带静脉特征中足够的区分信息用于识别，我们用一个实验与前一个实验结果进行比较。利用静脉骨架化图像进行匹配实验，实验中利用MHD来计算相似度。图14给出了匹配距离图和ROC曲线。从ROC曲线可以看出当阈值取0.41时，其等误率为7%.。表1给出了利用两种特征匹配时各种参数的比较，可以看出，与手指静脉特征相比，利用细节点进行匹配的是识别精度不但大大提高，而且降低了识别时

22、所需的时间。%识别率MHD 距离 (a) EERFAR%FRR%(b)Fig. 14. 测试结果. (a)匹配距离（b）使用MHD算法对细节点进行识别的ROC曲线 (EER = 7% ，当阈值为0.41).表1利用 MHD算法对细节点和静脉特征进行测试等误率 阈值 时间（s） (%) 手指静脉特征 7 0.41 6.5静脉特征两种细节点 0.761 0.43 2.24.3两类细节点的测试 为了验证两种类型的细节点（交叉点和端点）的有效性，我们利用交叉点、端点和两种类型的细节点做实验。这三个实验都使用MHD算法来计算相似度。实验结果如表2，从中可以看出交叉点、端点能达到相对高的识别精度，但同时利

23、用这两种细节点能进一步提高识别精度。表 2 利用MHD算法对细节点进行测试结果比较等误率 阈值(%) 交叉点 9.20 0.48端点 8.89 0.46两种细节点 0.761 0.435. 结论本文提出了一种新的手指静脉识别技术。其思路为：首先，利用图像处理方法提取手指静脉模式特征。其次，冲手指静脉模式特征中提取出细节点，它包括交叉点和端点。这些特征点可以作为手指静脉的特征模式用于识别。最终，利用修改的Hausdorff距离（MHD）来计算它们的相似度。实验表明当距离H取阈值为0.43时，其等误率为0.761%。该结果表明手指静脉的细节点可以有效地应用于个人身份认证。虽然目前的数据库相对较小，

24、它的识别效果不能代表对于大数据库（指上万的用户）的识别效果，但是该实验结果可以表明：在适当数量的人群中，手指静脉细节点可以作为个人身份认证中的一种有效生物特征。同时，手指静脉作为一种新的认证技术，它具有巨大发展潜力，而且通过进一步的研究，能够更好的应用于人们日常的生活中。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