手指折痕图像的预处理算法研究*

徐娟，罗荣芳（.广东环境保护工程职业学院机电工程系，广东佛山586；.广东工业大学物理与光电工程学院，广东广州50006）

手指折痕图像的预处理算法研究*

徐娟1，罗荣芳2
（1.广东环境保护工程职业学院机电工程系，广东佛山528216；2.广东工业大学物理与光电工程学院，广东广州510006）

研究了从手指折痕源图像到获取感兴趣区域子图像过程的预处理算法，主要包括图像的前期处理算法及感兴趣区域子图像的获取方法。应用所研究算法对手指折痕源图像进行预处理并得到目标图像，效果良好。该方法可为类似生物特征识别技术研究提供有益的参考。

生物特征识别；手指折痕图像；预处理算法；前期处理；拐点检测；感兴趣区域子图像

随着网络与通信技术的飞速发展，信息安全已成为一个日益受到重视的问题。保证系统安全的必要前提是身份鉴定，证件、各种卡、密码等传统的身份识别方法由于其自身固有的缺陷及不足已难以满足安全需求，近年来迅速发展的生物特征识别技术，即利用人体固有的生理特征或行为特征来进行个人身份鉴定的技术，则为个人身份鉴定提供了一种更为安全可靠、使用更方便的技术。该技术在国家安全、司法、金融、电子商务和电子政务等领域具有非常广阔的应用前景。目前应用于个人身份识别的生理特征主要包括人脸、指纹、掌形、掌纹、虹膜、视网膜和人耳等，这些特征都已受到广泛关注和深入的研究，部分成果已经应用于一些重要领域[1-3]。同指纹和掌纹一样，手指折痕具有唯一性、稳定性及可区分性的特点，完全可以用来确定一个人的身份，即可作为一种用于人体身份识别的生物特征，因此基于指节折痕的生物特征识别方法研究也受到了更多的重视，并取得了一定的研究成果[2-6]。

本文对从手指折痕源图像得到感兴趣区域图像的预处理算法进行研究，主要包括图像的前期处理，手指折痕图像拐点检测方法、感兴趣的区域子图像的获取方法。

1　手指折痕图像的前期处理

对于任何一幅原始图像，在获取和传输的过程中都会因为受到各种噪声的干扰而使图像退化及质量下降。对于从扫描仪获取的手指源图像，既要消除图像中的各种随机噪声，又要尽可能的不使手指纹理等细节变得模糊，因此首先需要对源图像进行平滑化处理，此外，由于后期边界跟踪和提取手指特征值的需要，还需要对图像进行背景分离。图1（a）为一手指折痕源图像。

图1　手指折痕图像的平滑化处理

1.1图像平滑化处理

图像平滑化处理，即为了抑制噪声改善图像质量而进行的处理，是对图像作低通滤波，可在空间域或频率域实现。空间域图像平滑方法可直接在图像所在的二维空间进行处理，即直接对每一像素的灰度值进行处理，常用的有邻域平均法和中值滤波法，前者是线性的，后者是非线性的，下面将分别讨论两种滤波器的算法原理及性质[7-9]。

（1）邻域平均法

邻域平均滤波法是一种直接在空间域上进行图像平滑的技术，又称为均值滤波或局部平均法。对于一幅M×N的图像，经过m×n（m和n是奇数）的加权均值滤波过程后，可用下式给出：

（2）中值滤波法

均值滤波方法可以对图像进行平滑化处理，但在消除图像噪声的同时，会使图像中的一些细节变得很模糊。中值滤波则在消除噪声的同时还能保持图像的细节部分，防止边缘模糊。与均值滤波不同的是，中值滤波是一种非线性滤波，首先需确定一个奇数像素窗口W，窗口内某个像素值为，平滑像在对应位置的灰度值为，则有：

图1（c）是一幅采用中值滤波法处理后的手指折痕图像。

由图1可见，中值滤波的效果要优于均值滤波，图像的边缘轮廓相对比较清晰。

1.2图像与背景分离

由于采集的源图像的背景像素并不是全为零，而是或大或小有一定的灰度值，为了便于进行图像边界跟踪和特征值提取，需要图像与背景进行分离，这里主要讨论阀值化的分割算法[7-9]。

阀值化分割算法需要以一定的图像模型为依托，最常用的图像模型是假设图像具有单峰灰度分布的目标和背景组成，如图2（a）所示。目标或背景内部像素的灰度分布是高度相关的，而目标与背景之间灰度值则存在较大的差距。经阀值处理后的图像定义为：

小于阀值的像素，对应于背景，从而标记为0，而大于阀值的则保留其像素值，如图2（b）所示。

2　感兴趣区域子图像的获取

获取感兴趣区域（Region of Interest，ROI）子图像，也就是要得到所采集的手指折痕图像的ROI，以利于进行特征提取[9-12]。首先要做的是进行图像端点定位，其次是通过端点坐标得到图像的倾角和旋转中心点，从而进一步对图像进行几何调整，最后按要求截取调整后的图像，本文要截取的是大小为80×320的子图像。

2.1手指图像端点的定位

手指折痕图像端点的定位，实际上就是要检测图像合乎定位ROI要求的拐点，即手指指尖和谷底。根据算法所处理的像素集的不同，拐点检测算法可分为两类：第一类方法是，先利用一个掩模算子来处理图像中的每一像素及其邻域像素，然后根据处理结果选择出拐点；第二类方法是，先处理图像中物体的边界像素，然后通过寻找边界上曲率的局部最大值来进行拐点定位。实际应用证明，相对于第一类算法，第二类算法具有的优点有：(1)由于第二类算法仅仅对物体边界上的像素进行计算，因此计算复杂度较低，具有实时性较高、算法简单且易于实现的特点；（2）由于在实施第二类算法之前，通常先要进行边界跟踪，因而在最终检测出的拐点中包含了拐点顺序信息[13]。

图2　阀值化的背景分离过程

以下分析研究的基于绝对值距离的拐点检测方法，属于第二类算法，即应用关于曲率的方法来实现端点定位。

连续空间中某一边界点的曲率e定义为：

其中，Δθ为该点处切线倾角的变化，Δr为该点处弧长的变化。图3为曲线曲率的示意图。

首先设定图像边界坐标序列（pi(i=0,1,2,…L-1)），其长度为L。如图3所示，可以用θ表征pi点的曲率，也可以用pi-j和pi+j之间的距离表征pi点的曲率，图中黑实线为pi-j和pi+j之间的欧式距离。下面采用绝对值距离来定义pi-j和pi+j之间的距离：

其中，pxi-j表示边界序列中第i-j个点的列数，y表示行数，其他依此类推。

基于绝对值距离的拐点检测算法的具体过程如下：

（1）首先选取一个j值，按式（5）进行距离计算。这里j可根据图像拐点的平滑程度及分辨率来选取，一般来说，拐点较为平滑的，j相对可取大一些。

（2）完成距离计算后，选取一个pi-j和pi+j之间绝对值距离的阀值，选择小于阀值的点，那么在pi点附近，将有n个小于阀值的边界点，即在pi附近可能有从pi-t1到pi+t2都满足阀值要求。将这些点记为最小距离点集合，通过搜索可确定t1和t2的值，那么pi+(t2-t1)/2即为合乎要求的拐点。

图3　曲线曲率示意图

这一算法并不涉及浮点运算，运行速度快，实时性较高，算法简单且较易实现。

2.2图像几何调整

采集到的手指折痕图像，一般都不是水平的，或多或少有些旋转，需要先调整成水平图像后，才能更好的获取ROI图像[14-15]。首先需要要得到旋转坐标及旋转角度。

利用2.1的方法，可以确定图4中V1，V2及T1的坐标。

图4　中指标定示意图

V1与V2的中点V与T1的连线与水平线的倾角可确定旋转角度θ，V与T1的中点M1即是旋转点坐标，旋转算法的具体过程这里不做详述。

值得注意的是，上述旋转是绕坐标原点进行的，如果绕某定点（a，b）旋转，则首先将坐标系平移到该点，再进行旋转，然后平移回到新的坐标原点。

在旋转处理中，旋转的中心是目标手指图像（中指）的旋转前图像大小是640×480，旋转之后还是640×480，所以旋转时超出大小的像素将被截去，空白的以背景像素填充。

2.3ROI子图像截取

在将目标手指折痕图像（这里指中指）调整成水平图像后，旋转点坐标M1（如图4所示）不变，秩序在水平方向上，以点M1为中心，向左向右各取160像素，向上向下各取40像素，即可得到320×80的ROI子图像。子图像截取后，由文献[2]可知并不需要再进行亮度归一化。

图5是从手指折痕源图像中用以上预处理方法分割出的几幅子图像。

图5　从同的手指折痕源中分割出的几幅子图像

3　结论

本文针对手指折痕图像识别系统的预处理部分，分析讨论了手指折痕图像的平滑化算法以及背景分离的阀值化分割算法，可知中值滤波的效果要优于均值滤波，得到的图像的边缘轮廓比较清晰；分析研究了感兴趣区域子图像的获取方法，提出了一种新的快速拐点检测算法，即基于绝对值距离的拐点检测方法，该一算法不涉及浮点运算，运行速度快，实时性较高，算法简单且较易实现。应用所研究算法对手指折痕源图像进行预处理并得到目标图像，试验效果良好。本文方法可为类似生物特征识别技术研究提供有益的参考。

［1］Wang Y，Wu Y.Face recognition using intrinsic faces［J］.Pattern Recognition，2010，43（1）：3580-3590.

［2］罗荣芳，林土胜.基于离散余弦变换的手指指节折痕识别［J］.数据采集与处理，2008，23（2）：129-134.

［3］LUO Rong-fang，LIN Tu-sheng，WU Ting.Personal recognition with finger crease pattern［J］.Opto-Elec⁃tronic Engineering，2007，34（6）：116-121.

［4］罗荣芳，周展怀，潘永雄，等.指节折痕线特征提取与识别算法［J］.科学技术与工程，2008，8（11）：2839-2842，2853.

［5］罗荣芳，林土胜.基于投影和小波分析的手指指节折痕识别算法［J］.计算机工程，2008，34（5）：216-218.

［6］S.Ribaric，I.Fratric.A biometric identification system based on eigenpalm and eigenfinger features［J］.IEEE Transactions on Pattern Analysis and Machine Intelli⁃gence，2005，27（11）：1698-1709.

［7］黄颖为，龚小超，王沁.PDF417条码图像的预处理方法［J］.计算机应用，2009，29（6）240-241.

［8］刘纯平，王强.数字图像处理与分析［M］.北京：清华大学出版社，2006.

［9］杨金锋，张海金.手指静脉图像感兴趣区域提取方法研究［J］.山东大学学报：工学版，2012，42（3）：6-12.

［10］LIU Zhi，YIN Yi long，WANG Hong jun.Finger vein recognition withmanifold learning［J］.Journal of Net⁃work and Computer Applications，2010（33）：275-282.

［11］Jelsovka D，Hudec R，Breznan M.Face recognition on FERET face database using LDA and CCA methods［J］.IEEE Conference publications，2011，34：570-574.

［12］戴金波，肖宵，赵宏伟.基于低分辨率局部二值模式的人脸识别［J］.吉林大学学报：工学版，2013，43（2）：435-438.

［13］尚振宏，刘明业.二值图像中拐点的实时检测算法［J］.中国图象图形学报，2005，10（3）：295-300.

［14］王思国，王琰.一种改进的图像旋转算法［J］.沈阳理工大学学报，2009，28（5）：22-25.

［15］康牧，凌凤彩.一种基于新插值方法的图像旋转算法［J］.计算机科学，2013，40（5）：303-306.

(编辑：向飞)

Study of Preprocessing Algorithms for Finger Crease Image

XU Juan1，LUO Rong-fang2
（1.DepartmentofMechanicaland Electrical Engineering，Guangdong VocationalCollegeof Environmental Protection Engineering，Foshan 528216，China；2.Faculty ofPhysicsand Optoelectronic Engineering，Guangdong University of Technology，Guangzhou 510006，China）

Preprocessing algorithms for finger crease image from source image to sub image in the region of interest are studied，mainly including the early processing algorithms for image and themethods for the extraction of sub image in the region of interest.Using the algorithms studied，finger crease images are processed and the good target images are obtained.Some useful references can be provided for similar study ofbiometrics.

biometrics；finger crease image；preprocessing algorithms；the early process;corner detection；sub image in the region of interest

TP391

A

1009－9492(2015)06－0064－04

10.3969/j.issn.1009-9492.2015.06.016

*国家自然科学基金资助项目（编号：61305069）

2015－04－08

徐娟，女，1970年生，湖北天门人，硕士，讲师。研究领域：电子信息工程与模式识别技术。