光电子 激光
第22卷第9期 2011年9月 JournalofOptoelectronics Laser
Vol.22No.9 Sep.2011
红外光指静脉图像采集及其特征提取技术的研究
江 虹
1,2*
,郭树旭
1
(1.吉林大学电子科学与工程学院,吉林长春130012;2.长春工业大学电气与电子工程学院,吉林长春130012)
摘要:提出了一种应用于指静脉光学图像采集系统的新型光路设计,实现了基于最大曲率方法的指静脉提取,并对系统的有效性进行了实验验证。结果表明,采用本文方法的指静脉识别错误匹配率(FAR)为1.67%。关键词:生物识别;近红外成像;特征提取
中图分类号:TN391 文献标识码:A 文章编号:1005-0086(2011)09-1431-04
Studyonnearinfraredfingerveinimageacquisitionandveinpat-ternextraction
JIANGHong1,2*,GUOShu-xu1
(1.CollegeofElectricalandElectronicEngineering,JilinUniversity,Changchun130012,China;2.CollegeofElec-tronicScienceandEngineering,ChangchunUniversityofTechnology,Changchun130012,China)
Abstract:Inrecentyears,theveinrecognitionhasopenedupbiometrictechnology sneweras.Theopticalimagequalityoffingerveinacquisitionandtheaccuracyofveinpatternextractionarekeyissues.Inthispaper,anovelopticalilluminating/detectingmethodisproposedforthenearinfraredfingerveinimageacquisitionsystem,andafingerveinpatternextractionmethodbasedonthemaximumcurvaturemecha-nismisrealized.Theeffectivenessofthewholesystemisexperimentallyverified.Theexperimentalre-sultsshowthattheFARis1.67%.Keywords:biometrics;near-infraredimaging;featureextraction
1 引 言
指静脉识别作为一种新型身份识别技术有着广泛的应用
前景。通常情况下,静脉采用近红外光成像和远红外光成像。远红外成像即红热图像,识别率往往受温度和湿度影响较大;而近红外成像则可利用特定波段的红外光容易透过多数人体组织的优点,因此获取的图像质量更加清晰和可靠。
2000年,Kono等人[1]首先提出将指静脉用于个人身份的鉴定。随后,Miura等[2~4]研发静脉模式提取技术,开发并推广指静脉识别产品。相比于国外对整个生物识别系统的研究,国内的研究大多偏向于系统中的某方面内容,如静脉识别算法的研究[5~8]以及基于CMOS成像器件的采集装置研究[9]。文献[10]采用具有位移和旋转不变性的尺度不变特征变换(SIFT)方法对静脉模式进行特征提取。总体上静脉模式提取算法可
[11][12]
以概括为,基于重复线跟踪的方法、基于图像变换的方法以及匹配滤波的方法。算法各自有其优缺点,目前还没有统一的评价的标准。
本文提出了一种指静脉图像采集系统的新型光路,优化了
*
E-mail:jianghong@mail.ccut.edu.cn
收稿日期:2010-10-31 修订日期:2011-02-12
(其中的激励光源、图像探测器、光学镜头和可见光滤镜;采用该
系统得到了对比度高、清晰的指静脉成像,并基于最大曲率方法的指静脉特征提取技术获取静脉模式,从而实现有效的指静脉识别系统。
2 成像技术
指静脉图像采集是指静脉识别系统的关键,图像采集质量的好坏直接影响系统的识别率。光波长介于700~1000nm间的近红外波段光照射人体时,由于容易被不带氧的血红蛋白所吸收,因而在影像中形成黑色线条。指静脉识别就是利用特殊波长的红外光照射,以静脉脉络作为特征的一种生物识别技术。
如图1所示,目前常用的图像获取方法有光线反射法和光线透射法。光线反射法中,反射光强度的细微差别形成了静脉图像,其优势在于光源和传感器可以封装在一起,设备更紧凑,并且表面开放,与用户之间没有障碍;缺点是从皮肤表面和浅层强反射光穿透皮肤下会导致图像的对比度变弱,图像不够清晰。而光线透射法由于需要将手指要放在光源和图像传感器
1432
光电子 激光 2011年 第22卷
中间,设备相对较大;优点是能够获得的图像对比度高,图像更
为清晰。
图1 手指静脉成像的光学方法Fig.1 Opticalmethodforfingerveinimaging
结合上述两种光学成像方法的优点,对手指静脉成像方式
进行改进。如图2所示,采用在手指两侧放置近红外光源的侧光式光源布局,通过内散射捕捉静脉图像。这种新方法不仅可提高成像对比度,而且能够使采集设备结
构更为紧凑。
图3 近红外光源的波长曲线Fig.3 WavelengthcurveoftheL850-040P
图4 手指静脉红外图像Fig.4 Infraredimageoffingervein
图2 融合方式的成像方法
Fig.2 Fusionmethodforfingerveinimaging
4 特征提取
原始手指静脉红外图像中包含了静脉模式、背景图像和设
备噪声。要从图像中得到需要的纯粹静脉模式并描述其特征,是指静脉识别系统的关键问题。
3 器件选择
为了达到理想的成像结果,图像传感器、镜头以及光源的选择非常重要。镜头采用ICL-IDS-30,其将扑捉到的光学图像投射到CMOS(U-I1220)图像传感器上转为电信号,经过A/D
转换后变为数字图像信号,再送到数字信号处理芯片中加工处理,然后通过USB接口传输到上位机显示图像,最终将获取解析为752 480的静脉影像。
光源采用为波长为850nm的红外LED(L850-04UP)。由于血红蛋白在波长为850nm和760nm处具有两个吸收峰,因此850nm波长的近红外光容易被静脉所吸收。实验中,使用了8个中心波长在850nm的光源,其波长曲线如图3所示。 由于人的手指长短、粗细等参数均有所不同,得到的静脉图像亮度存在差异,因此光源的亮度应该是动态可调的。采用脉宽调节方式(PWM)调节LED的亮度。由于操作环境一般为室内自然光,为减少可见光的影响,采用B+W093可见光滤镜滤除自然光的干扰。通过该光学成像系统获取的静脉图像
44.1 图像预处理
由于原图像中含有噪声,在位置灰度剖面曲线上有些孤立的噪声点,因此首先需要对图像预处理。采用自适应直方图和中值滤波相结合的方法对图像进行预处理。设近红外图像是灰度图像f(x,y),预处理流程如图5所示。
图5 图像预处理流程
Fig.5 Pretreatmentprocessoftheimage
中值滤波在排序统计滤波器中应用最为普遍,它采用像素邻域区域中灰阶中间值代替像素值。预处理前后指静脉图像的对比如图6所示。可以看到,经过中值滤波后,原始图像中的噪声减少,图像也较平滑。
第9期 江 虹等:红外光指静脉图像采集及其特征提取技术的研究
1433
图6 预处理前后的指静脉图像比对Fig.6 Comparisonbetweenthesourceimageandthepretreatmentimage
4.2 指静脉模式提取
图7为指静脉特定横断截线处的亮度分布曲线,沿指静脉的横断截线A-B-C的灰度图像呈谷状分布,手指两侧的静脉亮度比中间的部分亮度高。总体上,指静脉模式的亮度分布
类似高斯函数。
实际获取的指静脉图像如8所示,横断截线处有两根静脉,分别标记为A、B。两根静脉有着不同的亮度和宽度,A位置的灰度值大于B位置,A位置的静脉宽比B位置要窄;手指两侧的静脉亮度比中间部分高,从上下两端向中间的静脉亮度逐渐变暗。由于实际情况是一些离散的点,为了能够更清楚观察横截面中各点的灰度值,图8中,又以连续情况绘出了指静脉横截面各点灰度值。
假设F(x,y)是指静脉采集红外图像,G(S)是F(x,y)在竖直方向S位置剖面,则G(S)为Gf(S)=F(x,S)。剖面曲线上有一些奇异点,这些点是由于原图像中含有噪声,因此对这些曲线上孤立的噪声点做平滑处理。实际上,无论指静脉图像的亮度和宽度大小如何,曲率最大处一定是可能的静脉模式,因此可以就通过计算剖面图的曲率检测静脉模式,这也是实现指静脉系统识别的基本原理。实际离散图像f(x)计算曲线Cf(x)
的定义为
图7 类高斯分布的指静脉模式
Fig.7 Gaussian-likedistributionoffingerveinima
ge
图8 静脉剖面图示意图Fig.8 Profileimage
1434
d-=
光电子 激光 2011年 第22卷
i-w+1ixi-w+1-xiyi-yi+w-1
d+=
xi-xi+w-1y-yi+w/2
d =i-w/2
xi-w/2-xi+w/2
d2y/ds2=d+-d- dy/ds=d
d+-d- C(S)=3/2
{1+d2 }
式中,w取值为8时较为合适。约定手指尖向上,位置灰度剖面图的方向为垂直截取。数据的处理过程为:1)计算垂直于手指方向的某一位置的位置灰度剖面图的曲率;2)检测该位置静脉模式的中心;3)连接重构图像上的点,并去除噪声点;4)充分利用上述方法检测斜方向30 两个方向上的静脉模式,然后合并成3个方向上的图像,就可以得到提取的指静脉模式,如图9
所示。
[A].Yamaguchi,Japan,FifthSymposiumonPatternMeasure-ment[C].2000,9-12.
[2] MiuraN,NagasakaA,MiyatakeT.Extractionoffinge-rveinpa-t
ternsusingmaximumcurvaturepointsinimageprofiles[J].IE-ICETrans.Inf.&Syst.2007,90(8):1185-1194.
[3] MiuraN,NagasakaA,MiyatakeT.Automaticfeatureextraction
fromnon-uniformfingerveinimageanditsapplicationtoper-sonalidentification[J].IAPRWorkMach,2002,253-256.[4] MiuraN,NagasakaA,MiyatakeT.Featureextractionoffinger
veinpatternsbasedonrepeatedlinetrackinganditsapplica-tiontopersonalidentification[J].MachineVisionandApplica-tions,2004,15(4):194-203.
[5] WANGKe-jun,ZHANGYan,ZHIYuan,etal.Handveinrecogn-i
tionbasedonmultisupplementalfeaturesofmult-iclassifierfu-siondecision[A].InstituteofElectricalandElectronicsEng-ineersComputerSociety[C].2006,1790-1795.
[6] DINGYu-hang,ZHUANGDa-yan,WANGKe-jun.Astudyof
handveinrecognitionmethod[A].IEEEInternationalconfer-enceonMechatronics&Automation[C].2005,2106-2110.[7] ZHANGZhong-bo,WUDan-yang,MAS-iliang,etal.Mult-iscale
featureextractionoffinge-rveinpatternsbasedonwaveletandlocalinterconnectionstructureneuralnetwork[A].InternationalConferenceonNeuralNetworksandBrainProceedings,ICNNB 05[C].2005,1081-1084.
[8] WENXue-bing,LIANGXue-zhang,ZHANGJie-lin.Anewalgo-rithmforenhancingthecontrastoffinge-rveinimage[J].Jour-nalofInformationandComputationalScience,2006,3(4):929-934.
[9] HUANG,Jian-yuan,ZhAOXin-rong,etal.Researchonfinger
veinimagecapturingmethodanditsapparatusbasedonCMOSimagingdevice[J].InfraredTechnologies,2009,31(1):51-56.
黄建元,赵新荣,张长顺,等.基于CMOS成像器件的手指静脉图像采集方法及装置[J].红外技术,2009,31(1):51-56.[10]WANGYun-xin,LIUTie-gen,JIANGJun-feng,etal.Handvein
recognitionusinglocalSIFTfeatureanalysis[J].Optoelectron-ics Laser,2009,20(5):681-684.
王云新,刘铁根,江俊峰,等.基于局部SIFT分析的手背静脉识别[J].光电子 激光,2009,20(5):681-684.
[11]NaotoMiura,AkioNagasaka,TakafumiMiyatake.Feature
etractionoffingerveinpatternsbasedoniterativelinetrackinganditsapplicationtopersonalidentification[J].SystemsandComputersinJapan.2004,35(7):61-71.
[12]YAOChang,CHENHou-jin.Anovelautomatedsegmentation
methodforretinalbloodvesselnetwork[J].Optoelectronics Laser,2009,20(2):274-278.
姚畅,陈后金.一种新的视网膜血管网络自动分割方法[J].光电子 激光,2009,20(2):274-278.
作者简介:
江 虹 (1970-),女,吉林省长春市人,硕士,副教授,主要从事智能仪器、数字图像处理的研究
图9 提取到的指静脉模式Fig.9 Extractedpatternoffingervein
5 结果与讨论
采用上述方法,从指静脉剖面图的数据分析入手,通过计
算剖面图中各点的曲率确定曲率为正的区域就是可能的静脉模式,进一步搜索局部曲率最大的点即可获得静脉模式的中心位置。
测试环境为普通个人计算机,酷睿双核2.1G、2G内存;基于Matlab编制相应处理程序。实验中,利用上述分析方法从得到的指静脉光学图像中提取静脉模式,采用模板匹配的方式进行1 1匹配测试。平均提取特征模板时间为79.215ms,图像尺寸为752 480。当模板数量300时,静脉识别错误匹配率(FAR)为1.67%。
上述结果表明,采用光线透射和光线反射相融合的方法,选择合适的激发光源、图像探测器、光学镜头以及可见光滤镜,结合基于最大曲率方法的指静脉提取技术对所获取的指静脉光学图像进行数据逐利,能够快速提取指静脉特征并将其创建为模板,进而实现有效的指静脉系统识别。
参考文献:
[1] KonoK,UekiH,UmemuraS.Anewmethodfortheidentifica-tionofindividualsbyusingofveinpatternmatchingofafinger