基于近红外图象的静脉识别算法研究.doc

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.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0.72~1.10μm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. 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. 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 对于八位的灰度图像来说，灰度范围是0~255,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，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） （2） 式中 ： n ----- 图像中像素的总和 ----- 灰度级为的像素个数 ----- 图像中可能的灰度级总数 ----- 输入图像中的灰度级 ----- 输出图像中的灰度级 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，静脉图像也较明显，突出了很多静脉细节. 图2 灰度归一化的静脉图 Fig.2 Gray normalized vein image 图像特征提取 2．1 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) 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