改进的手背静脉识别算法

改进的手背静脉识别算法 刘相滨，刘智成，龚 平，周 鹏 LIU Xiang-bin，LIU Zhi-cheng，GONG Ping，ZHOU Peng 湖南师范大学 图像识别与计算机视觉研究所，长沙 410081 Institute of Image Recognition & Computer Visio，Hnunan Normal Universit，Changsha y410081，China E-mail:xbliufrank@hunnu.edu.cn LIU Xiang bin，LIU Zhi cheng，GONG Ping，et al.Improved algorithm of hand vein pattern recognition.Computer -- Engineering and Applications，2008，44(36):181-183. Abstract:A hand vein pattern recognition algorithm basedon moment invariants and Support Vector Machine( SVM) is presen,t ed in the paper.After the vein pattern was segmented from the vein image by an improved NiBlack method，authors obtained the vein pattern skeleton by an improved conditiona l thinning algorithm.On the basis，the algorithm extracted seven modified moment invariants of the vein pattern skeleton as the input vector of SVM for the recognition of vein pattern.The experimentson a database including 500 samples has achieved a recognition rate of 95.5%，and it indicates the algorithm is effective. Key words:hand vein image;moment invarian;Support tVector Machine(SVM);recognition 。算法在采用修正的 算法从原始图中分割出静脉纹 提出了一种基于不变矩和支持向量机的手背静脉识别算法摘 要:NiBlack 路，然后采用改进的条件细化算法进行细化获得静脉骨架的基础上，提取静脉骨架的 个修正的几何不变矩作为支持向量机分类 7 器的输入进行静脉分类识别，在有 个样本的数据库上进行实验，获得了 的识别率，表明了算法的有效性。 手背500 95.5%关键词:静脉图像，不变矩，支持向量机，识别 文献标识码:ADOI:10.3778/j.issn.1002-8331.2008.36.051 文章编号:1002,8331(2008)36-0181-03 中图分类号:TP391 行归一化，有的算法则没有特征提取这一步，又如Wang 1 引言 [1]Lingyu等 用线段豪斯多夫距离法来匹配细化后的静脉骨架， 静脉识别是根据静脉血液中脱氧血色素吸收近红外线或 [4] 而林喜荣等则先进行静脉纹路分割再进行去噪与现场提取。人体辐射远红外线的特性，用相应波长范围的红外相机摄取手 背(或指背、指腹、手掌、手腕)的静脉分布图，通过归一化、去噪的特征数据进行匹配的预先注册特征数据既可来自于数据库，等预处理后进行滤波增强与静脉纹路分割、细化修复，然后提 亦可来自于 IC 卡。 取其特征，再与预先注册在数据库或储存在 IC 卡上的特征数 本文将不变矩和支持向量机结合起来进行静脉识别，基本 [1-2]据进行匹配以确定个人身份。每个人的静脉分布图具备类似 的处理流程是:首先采用修正的 NiBlack 法从原始图中分割出 于指纹的唯一性且成年后持久不变的特点，因此能够唯一确定 静脉纹路，然后用条件细化算法进行细化，最后提取静脉骨架 [3]一个人的身份，可以作为一种生物特征验证的方法 。的不变矩作为支持向量机分类器的输入向量进行分类识别。 典型的静脉识别系统的处理流程如图 1 所示，操作步骤的 有无和顺序因算法而异。例如有的算法在预处理中先去噪再进 2 静脉分割和细化 本文采用 Mohamed Shahin博士提供的手背 静脉图像数据 细化 滤波增强 红外静脉 原始归一化 [5]修复 静脉纹路分割 图获取 图像库进行实验，库中共有100 个手背的静脉图，每个手背有5 幅 去噪 图像，原始图为32 0×240 大小的 256 色灰度图，图 2 为一幅原 特征数据 始手背静脉图。 决策 特征提取 匹配 决策 结果 2.1 静脉分割 经预处理之后得到归一化的静脉图，然后采 用NiBlack 算 数据库[6]法进行静脉分割，其基本思想是对每个像素，计算其r×r 邻域 图 1 典型的静脉识别系统流程图 基金项目:湖南省教育厅资助科研项目t(he Research r oPject of Department Eoduf cation of Hunan Province，China under Grant No.06B05)8;湖 南省自然科学基金(the Natural Science Foundtaion of Hunan Province of China und er Grant No.07JJ6130)。 作者简介:刘相滨(1970-)，博士，教授，研究方向为图像处理、模式识别;刘智成(1982-)，硕士，研究方向为图像识别。 收稿日期:2008-07-09 修回日期:2008-10-13 内像素点灰度值的均值和差，然后用式1()进行阈值分割: M =μ +μ 1 20 02 T(x，y)=μ(x，y)+k×σ(x，y) (1) 2 2 M=(μ-μ) +4μ 2 20 0211其中，T(x，y)为像素点(x，y)的阈值，μ(x，y)为该点 r×r 邻域内 2 2 M=(η-3η) +(3η-η)像素点灰度值的均值，σ(x，y)为该点 r×r 邻域内像素点灰度值 3 30 1221 032 2 的标准差，k 为修正系数。 M =(μ -3μ ) +(μ +μ ) 4 30 12 21 03 如图 3 所示即为采用 NiBlack算法对 图 2 所示静脉图进 2 2 M=(η-3η)(η+η)([ η+η) -3(η+η) ]+ 5 30 1230 1230 1221 03行分割并经过平滑处理的静脉纹路 。 ( )6 2 2 (3η-η)(η+η)[3(η+η) -(η+η) ] 21 0321 0330 1221 032 2 M=(η-η)([ η+η) -(η+η) ]+ 6 20 0230 1221 03 4η(η+η)(η+η) 1130 1221 03 2 2 M=(3η-η)(η+η)([ η+η) -3(η+η) ]+ 7 21 0330 1230 1221 032 2 (3η-η)(η+η)[3(η+η) -(η+η) ] 12 3021 0330 1221 03 这 7 个不变矩对于平移旋转和比例缩放都具有不变性、 图 2 原始静脉图 图 3 静脉纹路 但这 7 个不变矩的变化范围很大，直接作为不变矩特征用于识 2.2 静脉细化 别效果不是很好，必须加以修正，本文利用取对数的方法进行 数据压缩，同时考虑到不变矩有可能出现负值，实际采用的不分割出来的静脉纹路其边缘存在突起而且长有许多毛刺， 变矩为:直接对其细化将产生许多毛刺，如图4 所示。因此，必须对静脉 [6] (7) 边缘进行平滑之后再进行细化，本文采用 Kejun Wang等 提 M′=lg|M| i=1，2，3，…，7ii 将 M′~M′作为静脉骨架的不变矩特征，并构造矩特征向量: 出的改进条件细化算法对静脉纹路进行细化，然后采用基于端 17[7]M=(M，M，M，M，M，M，M)′′′′′′′(8) 点、交叉点和毛刺长度的修剪算法去除毛刺，得到如图 5 所示 1234567 以 0007 号手背静脉图像(0007hv1.bmp :007hv5.bmp)为 的静脉骨架 。 例，其静脉骨架的特征向量数据如表1 所示。将 M 作为支持向 量机分类器的输入向量进行分类识别。 表 1 修正后的静脉不变矩特征向量 静脉图像 不变矩 hv1 hv2 hv3 hv4 hv5 0.746 132 0.755 544 0.761 463 0.762 629 0.745 536 M′ 1M′ -1.300 106 -2.232 351 -2.166 532 -0.822 852 -0.653 529 2M′ 30.102 239 0.121 920 -1.329 910 -1.107 078 -0.648 701 M′ 4图 4 直接细化结果 图 5 去除毛刺后的静脉骨架 1.832 518 1.618 541 1.319 387 0.180 293 0.002 694 -----M′ 5-2.152 984 -1.867 573 -2.037 022 -0.623 853 -0.334 567 M′ 62.053 364 2.828 432 2.437 842 2.036 446 1.399 067 -----3 特征提取 M′7 -1.003 532 -2.716 815 -1.477 484 -0.522 549 0.535 775 Hu 于 1961 年首先提出了基于直角坐标系的原点矩、中心 矩等几何矩的概念，之后又运用归一化中心矩组合定义了 7 个 不变矩。 4 分类器 对于数字图像 (f i，j)，其(p+q)阶原点矩 m和中心矩 μ pq pq 从本质上讲，静脉识别是一个多分类问题，因此需要设计 分别定义为: 一个多类分类器将待识别的静脉进行归类。 4.1 SVM 的基本原理pqm=ij(f i，j) (2) ΣΣpqi j 支持向量机(Support Vector Machin，eSVM)是数据挖掘中 的一个新方法，能非常成功地处理模式识别(分类问题判别分、軃p 軃q(3) μ=( i)( j)(f i，j) i-j-ΣΣpqi j 析)和回归问题(时间序列分析)等诸多问题，并可推广于预测 軃軃和综合评价等领域它是从两类线性可分情况下的最优分类面。 其中 p，q=0，1，2，…，(i ，j)为图像 (f i，j)的重心: 概念引入的，当推广到两类非线性的情况时，求最优分类面的 mm10 01軃軃 i = ，j = (4) [8] 问题可表述为:mm 00 00n (f i，)j的(p+q)阶归一化中心矩定义为:1 T min(ww+Cξ)Σi μw，b，ξ 2 pqi=1 (5) η= pq γT w 准(x)+b)1-ξ，ξ0s.t. y(??(9) μ i i ii 00 i=1，2，…，n p+q 其中，γ= +1，p+q=2，3，…。 其中，x是 d 维特征向量，w 是 d 维权向量，准(x)是将特征向量2 i i x映射到高维(可能无穷维)空间的函数n， 是样本数目。通过 在此基础上，Hu 定义了由二阶、三阶归一化中心矩的组合i [7] 构成的 个不变矩:求解该问题的对偶问题可得出判别函数形如: T 像的质量以及提高静脉纹路分割、骨架细化的算法效果是提高其中，K(x，x)?准(x)准(x)，称为核函数，常见的核函数主要有 ii 识别率的有效途径。多项式核函数、径向基函数和 Sigmoid型核函数 。选用径向基 函数为核函数的 SVM称为 C-SVM，其表达式为: 26 结论 K(x，x)=exp{-γ|x-x|}，γ>0(11) ii 本文提出了一种从静脉图像分割到静脉识别的算法处理 4.2 SVM 分类器的设计 过程。算法首先对原始手背静脉图进行分割和平滑细化，得到 将两分类向量机通过一定方式组合起来可形成多分类支 比较平滑的静脉骨架，考虑到分割效果对特征提取以及后续识 持向量机，实现多分类的功能常见的组合方式有一对一方式 。 别的影响，然后采用基于端点交叉点和毛刺长度的毛刺修剪 、和一对多方式，本文选用一对一方式 。 算法去除平滑后遗留的毛刺，从而获得光滑的静脉骨架。在此 在一对一方式下，各个类别之间两两构造分类函数，若有 基础上，算法提取静脉骨架的 7 个修正的几何不变矩作为 SVM n 个类，则共需构造n (n1)/2 个两分类 SVM分类器 在构造类 -。 分类器的输入特征向量，送入LIBSVM 进行训练和测试 ，实验结 别 i 和类别 j 的子 SVM分类器时 ，选取属于类别i 类别 j 的样 、 果获得了较好的识别率，表明了本文算法是有效的、可行的。 本作为训练样本，并将属于类别 i 的样本的类别标记为+1，将 属于类别 j 的样本的类别标记为-1。 参考文献:在一对一方式下采用投票进行分类预测，先将测试数据对 [1] Wang Lingyu，Leedham G.Near -and far -infrared imaging for vein n(n-1)/2 个子 SVM分类 器分别进行测试，若某个子SVM 分 类 pattern biometrics[C]//Proceeditheng IEEEof Internatoinal Confer, 器是针对类别 i 和类别 j 而构造的，它判定测试数据属于i 类， ence on V ideo and Signal Based Sureillancve，Sydnye，Australia， 则 i 类对应的票数加 1，否则 j 类对应的票数加 1。最后累计各 2006:52-52. [9] 类别的投票数，选择得票最高者所对应的类别为预测的类别。[2] Crisan ，STarnovanI G，Crisan T E.A low cost ve in detection s ys, LIBSVM 是台湾大学林智仁(Chih-Jen Lin)等开发设计的 tem using near infrared radiatoin [ C ] / / IEEE Sensors Appl icatoins 一个操作简单、易于使用、快速有效的通用 SVM软件包 ，可以 Symposium，San Diego，CA，USA，2007:1-6. 解决分类问题(包括C -SVC、v-SVC)、回归问题以及分布估计 等问题，提供了线性、多项式、径向基函数和 Sigmoid函数四 种 [3] Lin Chih-Lung，Fan Kuo-Chin.Biometric verification us ing thermal[8]常用的核函数 。image s of palm-dorsa vein pattern[sJ].IEEE Transactions on ir ,C 本文采用 LIBSVM进行实验 ，利用LIBSVM 提供的开放 源 cuits and Systems fo r Video Technology，2004，14(2):199-213.码，通过修改，参数调整，选用 C-SVC 模型、径向基函数、一对 [4] 林喜荣，庄波，苏晓生，等.人体手背血管图像的特征提取及匹配[J].一方式对静脉图像进行识别。 清华大学学报:自然科学版，2003，43(2):164-167. [5] Shahin M，BadawiA ，Kamel M.Biometric authenticationus ing fast correlation onf e ar infrared hand vein patterns [J].Internatoinal Journal oBf i ometrical Sceinces，2007，2(3):141-148. 5 实验结果与分析 Wang Kejun，Guo Qingchang，Zhuang Daya，ent al.The study o f [6] 数据库中共有 100 个手背的静脉图，每个手背包含5 幅样 handv ein image processing method[C]//Proceedingthes o 6thf World 本图像，共 500 幅图像。静脉识别实验从每个手背的 5 幅图像 Congress oInnt elligent Control，Dalian，China，2006，2:10197-10201. 中任选 3 幅用作训练，剩余的2 幅用作识别测试。经过反复实[7] 刘智成，官理，刘相滨.手背静脉的分割和平滑细化[J].计算机 验以及算法的改进和优化，最后得到算法的识别率为191/20 0= 与应用，2008，44(13):182-184. 95.5%，验证了算法的有效性和可行性。[8] 冈萨雷斯.数字图像处理[M].阮秋琦，阮宇智，译.2 版.北京:电子工 在实验中发现，如果在选取样本时，剔除那些受噪声影响 业出版社，2007:427. 严重、分割出的静脉图严重变形的 12 个样本，那么识别率可以 [9] Chang hCih -Chung，Lin Chih -Jen.LIBSVM:A library for Support Vector Machneis[OL].[2001].htt:p//www.csie.ntu.edu.tw~cjl/in/libsvm.达到 175/178=98.3%，与在同一数据库上采用快速相关系数法 2001，13(4). (上接 178 页) 升极为显著。此算法尽管是以 DTW为相似性度量函 数，但该技 [5] 安镇宙，杨鉴.一种新的基于并行分段裁剪的D TW算法 [J].计算机 术同样适合实序列编辑距离(Edit Distance on Real Sequenec， 工程与应用，2007，43(15):35-38. EDR)、实补偿编辑距离(Edit Distance wi th Real Penlaty，ERP) [6] 陈当阳，贾素玲.时态数据的趋势序列分析及其子序列匹配算法研等允许空值的相似性度量函数。 究[J].计算机研究与发展，2007，44(3):516-520. [7] Kim S W，Park ，SChu W W.An index-based approach fo r similari, ty search supporting time warpiinng lar ge sequence databases[C]// 参考文献:ICDE，2001:607-614. [1] Agrawal R，Faloutsos ，CSwami A N.Efficient s mlarity search in ii[8] Keogh E J .Exact indexing of dynamic time warpngi [ C ] / / VLDB ， sequence databases[C]//FODO，1993:69-84. 2002:406-417. [2] Berndt D J，Cfford J.Usng dynamc time warping to find patterns liii M，Wong M H.Boundarybased lower-bound functions fo r dy,[9] Zhou - in time series[C]//KDD Wohrksop，1994:359,370. namic time warpingand their indexing[C]//ICDE，2007:1307-1311. [3] 翁颖钧，朱仲英.基于动态时间弯曲的时序数据聚类算法的研[究J].[10] Sakurai Y，Faloutsos ，YaCmam M.Stream monitoundring er time 计算机仿真，2004，21(3). warping d istance[C]//ICDE，2007. [4] Chen ，VKashyap R L.A spatio temporal semantodic e mfor mul,l[11] Kadous M W.Learning c omprehensible descriptions of ult mivariate timedia presentations and multimedia database systse [mJ]. TKDE， time s eries[C]//ICML，1999:454-463.