基于局部Gabor相位特征的手背静脉识别方法

郑英杰，顾晓东

0 引言

生物特征识别技术是利用人体所固有的生理特征和行为方式进行身份认证的一种技术。其中生物特征有指纹、虹膜、手形、脉搏等；行为方式特征有签字，声音以及按键力度等；生物特征以其不会消失、不会遗忘的特性在安全系统中发挥着重要的作用。

近年来，静脉识别技术作为一种新兴的生物特征识别技术逐渐受到学术界[1-3]和工业界[4]的重视，其中手部静脉识别大致分为手指静脉识别、手背静脉识别以及手掌静脉识别。除了经过手术入侵等改变外，每个人的皮下静脉血管分布情况是不一样的，而且在一定时期内，该分布情况都保持稳定的。除此之外，由于血管在皮下，很难让入侵者拷贝其模式，因此是理想的个人认证的特征。静脉识别技术主要利用血液中的血红蛋白吸收近红外光线的特质，利用感红外的相机获取在近红外光（波长在700nm到1000nm）照射下的静脉图片。然后通过滤波、二值化、细化等手段从静脉图片中提取静脉的特征，并同存储的静脉特征的数据作比对，从而达到身份认证识别。

但以往的研究都是基于静脉的局部结构，在提取静脉骨架特征的时候往往会产生噪声和毛刺问题，而且对静脉图像的几何变化鲁棒性也不够强。因此，本文提出了一种基于全局特征和局部特征相结合的静脉识别算法来避免了上述的两类问题。文章组织结构如下，在第1部分给出了手背静脉采集系统的描述；第2部分描述了对静脉图像进行预处理和感兴趣区域提取；第3部分对感兴趣区域做Gabor滤波，针对得到的Gabor相位信息进行编码，并用局部异或算子和直方图分别提取局部特征和全局特征，最后采用卡方距离进行特征匹配，算法在自制的手背静脉图库上得到了很好的识别效果。

1 系统描述

由于到现在为止，没有一个公共的手背静脉库来供研究者研究使用，因此我们自制了一个手背静脉图像采集仪。该仪器主要利用了手背静脉血管中的血红蛋白吸收近红外光波的特性，当用850nm的红外发光二极管照射手背时，由于血红蛋白吸收此波段红外光，所以用带有波长为850nm的红外滤光镜的低照度黑白CCD摄像机可拍摄手背静脉血管的阴影图像，采用的是反光取图而不是透射光取图。然后通过视频采集卡将采集到的图片传入到计算机进行处理和识别。自制的采集仪采集到的手背静脉图片如下图1所示：

图1 采集到的手背静脉图像

2 手背静脉图像预处理

为了准确的提取手背静脉信息，并且消除其他各种因素的影响，首先对采集到的手背静脉图像进行预处理。本文的预处理主要包括手背静脉感兴趣区域提取，归一化以及滤波去噪。通过文献[5]的ROI提取算法得到了手背静脉图像的感兴趣区域，该方法手背外侧边界接近于直线的特点进行定位，通过模板提取边界后，利用曲线弯曲度进行目标曲线段的选择，最后使用最小二乘法进行直线拟合，得到了手背静脉图像的感兴趣区域。由于不同人的手背大小不一样，而且相同人不同采集条件下也不尽相同，所以需要进行归一化处理展开为统一尺寸200x200。为了去除图像噪声信息，采用了2D的高斯滤波器对图像进行滤波，采用的高斯滤波器的标准偏差为3.0，最后预处理完得到的静脉图像结果如下图2所示：

图2 手背静脉图像的感兴趣区域

3 手背静脉特征提取

3.1 2D Gabor滤波器

传统的静脉识别算法都是基于手背静脉的局部细节特征，虽然局部的细节特征能高效的表达静脉的模式特征，但是提取局部特征的过程中产生的毛刺问题、噪声问题以及抗几何变化问题都会影响到最终的识别效果。基于Gabor相位编码[5]的方法能够很好的提取到静脉的局部特征，但如果在匹配识别过程中静脉图像样本有移位、旋转、缩放等几何变化，由于该算法是基于像素级的识别方法，就有可能导致最终识别会产生误差甚至误识误判等。

为了让算法对静脉的几何变化有较强的鲁棒性，本章节引入了直方图特征来表达静脉图像的全局特征，并且结合局部的Gabor相位特征来更好的表达静脉模式，同时提高系统的识别率和可靠性。具体的算法如下描述：

由于静脉图像的纹理特征能够表征个体静脉特征的唯一性，本算法采用Gabor滤波器组来提取静脉的纹理特征，Gabor滤波器组由一组不同方向和尺度的Gabor滤波器构成。

Gabor滤波器的表达式如下式（3.1）所示

其中（2n+1）2表示Gabor的滤波器大小。静脉图像I的Gabor滤波定义为与Gabor滤波器的卷积，具体实现如下式（3.3）所示：

其中x，y表示图像当前所处的位置，符号“⊗”表示二维的卷积操作，图像与Gabor滤波器卷积后的结果，f为滤波器尺度，θ为滤波器的方向。

3.2 局部异或算子（Local XOR Pattern）及流程

许多国内外现有研究都是利用Gabor滤波的幅值特征来进行特征提取和模式分类[8-12]，但是Gabor滤波的相位特征也含有丰富的特征信息，而且这些特征信息足以用来进行模式分类和模式识别。近来B.Zhang，S.Shan等[9]提出了利用Gabor相位特征的新的纹理特征提取方法，而且其实验结果表明该算法相对于传统算法，复杂度降低，算法效率得到显著提高，该方法利用一个局部异或算子（LXP）来提取Gabor相位的局部变化特征。

在手背静脉图像的特征提取中，同样采用了局部异或算子（LXP）来提取其纹理特征。LXP是由局部二值算子（LBP）[9]改进而来。局部异或算子提取图像纹理的局部变化特征，在图像的纹理特征提取和纹理分类中有着广泛的应用，但是LBP只提取了局部特征，没有将纹理图像的全局特征利用起来。LXP作为LBP的改进，将纹理特征的局部变化特征和全局特征结合起来，更加有利于纹理特征的提取。LBP可以用于灰度图像的局部变化特征提取，LXP可以对二值图像进行局部变化特征提取。因此，LXP可以直接用于Gabor滤波相位信息的四象限编码图，因为四象限编码将相位信息编码为两幅二值图像。具体的算法流程如下所示：

1.首先，将静脉图像进行二维Gabor滤波，由于得到滤波系数是复数，利用滤波系数的实部和虚部信息，求得Gabor滤波系数的相位值，具体的相位求解方法如公式（3.4）所示，其中为Gabor滤波后得到的滤波系数：

2.随后对Gabor滤波的相位信息进行四象限编码，具体的编码方式如下式所示，整个相位信息经过四象限编码后得到两个二值编码图，其中代表了Gabor相位编码图的一部分，暂且称之谓相位编码的实部，代表了Gabor相位编码图的另一部分，暂且称之谓相位编码的虚部，具体如下式（3.5）所示：

3.最后一步是利用LXP算子对Gabor相位信息的四象限编码图进行特征提取。假设当前要处理的图像像素处在Gabor四象限编码图像的位置为（x，y），将当前像素的值（二值）与像素周围的二值像素做异或算法，即当前像素值与比较的像素值相同则为0，反之为1。然后将当前像素周围异或得到的值乘以一个定义好的系数，并进行相加，具体的算法如公式（3.6）所示：

其中，k=7，因此最终得到的的取值范围为为当前像素（x，y）得到的实部Gabor相位编码二值图像的值，为当前像素（x，y）得到的虚部Gabor相位编码二值图像的值，‘⊕’为异或算子。

为了能够更好的理解整个算法的过程，下面给出了一个具体的例子，如图（3）所示，当前像素的值为1，依次将当前元素和周围的二值像素做异或计算，并且将结果保存，然后每个像素的异或值乘上一个系数矩阵[1，2，4，8，16，32，64，128]，并且相加得到结果105。至于系数矩阵采用这样的权重数值，是为了后面更好的统计整个LXP算子处理完后结果的直方图统计。

图3 LXP算法的例子示意图

由于Gabor滤波可以有不同的参数来设定滤波器的方向和尺度，因此需要计算所有方向和尺度上的LXP结果，假设Nf代表Gabor滤波器的尺度数目，θ代表Gabor滤波器的方向数目，那么经过LXP计算过后的图像结果数目为2*Nθ*Nf。

在得到各个方向和尺度上Gabor滤波相位的LXP结果后，为了比较两个不同样本的LXP特征的匹配情况，我们假设有两个需要匹配样本的LXP结果T和Q，我们对LXP特征图进行直方图统计，直方图信息可以有效的表征图像全局特征。这样就可以将LXP得到的局部变化特征和全局特征有效的结合起来，具体的两个不同样本的LXP直方图统计信息的比较就可以采用传统的卡方距离算法，具体的算法如下式（3.7）所示：

其中B是直方图统计信息中的元素个数，是LXP图像T的第i个方向、第j个尺度、第m个直方图元素的直方图值，图像R的第i个方向、第j个尺度、第m个直方图元素的直方图值。

4 实验及结果

整个算法的实现平台是用普通台式机，台式机的操作系统为windows xp，硬件配置为P4 2.8G 英特尔的CPU和1G的DDR2 RAM，软件运行版本为MATLAB 2007。

整个实验的数据库为自制的手背静脉图像数据库，该数据库包括204张近红外手背静脉图片，分别从68个样本手背进行采集，每个样本采集三张不同光照情况下的图像。由于LXP算法需要采用Gabor滤波器不同方向和尺度得到的滤波系数，本实验中，Gabor滤波器采用的尺度大小f的值分别设置为：0.1，0.2和0.3，滤波器的8个方向为别为：我们利用错误接受率（FAR）和错误拒绝率（FRR）来衡量算法的有效性，随机选取相同手背个体样本中的一副图像作为注册的图像，另外两幅作为测试图像来测试算法，下图4.1为LXP算法不同卡方距离阀值下的FAR和FRR曲线，其中横坐标为错误率，纵坐标为不同的卡方距离。

图4 LXP算法在不同卡方距离阀值下的FAR和FRR曲线

从实验结果可以看出，FAR和FRR的等错误概率（EER）在卡方距离范围处在（1900，2500）时，取得值为0.0%，也就是在这个范围内，测试样本在本实验数据库上可以被正确的验证出来，不会错误的拒绝和接受。为了比较本算法的性能，我们还测试了另外的算法，比如局部二值算子（LBP），改进的局部二值算子算法。算法比较主要考虑两方面，一方面是算法的EER，另一方面就是算法的运行时间，所有算法的具体试验结果如表4.1所示：

表1 不同算法的EER结果以及耗时时间

5 结论

本文利用红外技术获取了手背静脉的图像，然后对采集的图像进行预处理，运用手背静脉图片的局部2D Gabor相位编码变化特征来表示手背静脉的局部特征，用直方图来提取全局特征信息，最后用卡方距离来进行匹配识别，对自制的手背静脉图片样本库0%的等错误率（EER）。该方法不仅缩小了静脉编码的存储空间大小，而且提高了匹配速度。尽管算法可以达到零的等错误概率，但是这个取得零等错误概率的区间相对很小，一旦系统外界环境发生变化或者其他因素，都可能会产生系统不稳定，随之导致这段区间的变小而导致性能的降低。为了提高系统稳定性，可以结合其他的纹理特征例如掌纹使得效果更好和稳定性更强，另外在采集设备上尽量减小整个采集系统的体积，制作嵌入式的采集识别终端，开发在线的识别系统，能工作于较差条件环境下或者使用低分辨率质量图片来减少系统成本。

[1]Wang L.Infrared imaging of hand vein patterns for biometric purposes[J].IET Computer Vision，2007，1（3-4）:113-122.

[2]Lin C L，and Fan K C.Biometric verification using thermal images of palm-dorsa vein patterns[J].IEEE Transaction Circuits System Video Technologic，2004，14（2）:199–213

[3]Miura N，Nagasaka A，and Miyatake T.Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification[J].Machine Vision Application，2004，15:194–203

[4]Fujitsu Laboratories Ltd.Fujitsu Laboratories develops technology for world’s first contact-less palm vein pattern biometric authentication system[N/OL].[Online March 2003]，available at: http://pr.fujitsu.com/en/news/2003/03/31.html

[5]吕佩卓，赖声礼，陈佳阳，胡蓉.一种自适应的手背静脉区域定位算法[J].微计算机信息，2008，24（2-1）:208-209，296.

[6]Daugman J G，High Confidence Visual Recognition of Persons by a Test of Statistical Independence[J]，IEEE Trans.Pattern Analysis and Machine Intelligence，1993，15（11）:1148-1161.

[7]David Zhang，Wai-Kin Kong，Jane You，Michael Wong.Online Palm-print Identification[J].IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25（9）:1041-1050.

[8]Liu C，Wechsler H.Gabor feature based classification using the enhanced fisher discriminant model for face recognition[J].IEEE Transaction on Image Processing，2002，11（4），467-477.

[9]Gabor D.Theory of communication[J]，Journal of Inst.Electronic Engineer，1946，93（26）:429-457，1946.

[10]Baochang Zhang，Shiguang Shan，Xilin Chen，Wen Gao.Histogram of Gabor Phase Patterns（HGPP）:A Novel Object Representation Approach for Face Recognition[J].PAMI IEEE.2007，61（1）:57-58.

[11]Zhang W，Shan S，Zhang H，Chen J，Chen X，Gao W，Histogram sequence of local Gabor binary pattern for face description and identification[J].Journal of Software 2006，17，2508.

[12]王风华，姚向华，韩九强.基于多通道的Gabor滤波和特征融合的虹膜识别方法[J].光电工程，2007，34（12）: 72-77.