手指靜脈檢定系統(tǒng)的平均曲率

1、手指靜脈檢定系統(tǒng)的平均曲率摘要手指靜脈模式是一種可用于個(gè)人驗(yàn)證信息的人體生物特征。使用手指靜脈模式驗(yàn)證過程的第一個(gè)任務(wù)是從一個(gè)紅外手指圖像中提取圖案。作為一個(gè)強(qiáng)大的提取方法，我們提出了平均曲率的方法的概念，以靜脈圖像的幾何形狀，發(fā)現(xiàn)山谷狀的負(fù)平均曲率結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明，當(dāng)匹配的像素比是采用的匹配的靜脈模式時(shí)，在保持低的復(fù)雜性的同時(shí)，所提出的方法達(dá)到0.25%的相等錯(cuò)誤率，這是明顯低于現(xiàn)有的方法且易于實(shí)現(xiàn)的。關(guān)鍵詞：平均曲率 手指靜脈 個(gè)人驗(yàn)證 生物識(shí)別技術(shù) 1簡(jiǎn)介隨著自動(dòng)識(shí)別系統(tǒng)越來越普及，生物識(shí)別技術(shù)的重要性也漸漸增加。生物識(shí)別是指驗(yàn)證方法收集方法基于人的生理和行為特征的識(shí)別方法。指紋、人臉

2、、虹膜、靜脈模式驗(yàn)證是使用物理特征的生物特征識(shí)別的例子，簽名驗(yàn)證是行為特征的例子。這些生物指標(biāo)體系用于機(jī)場(chǎng)、銀行、房屋等。此外，在不久的將來，因?yàn)樗谋憷c性能，許多安全系統(tǒng)將采用生物特征識(shí)別技術(shù)。指紋驗(yàn)證已在許多應(yīng)用中使用多年。盡管它有它的好處，但這種方法是容易受到偽造，因?yàn)橹讣y很容易接觸到別人。此外，它需要手指和設(shè)備之間的接觸，從衛(wèi)生的觀點(diǎn)上來看并不可取。手指靜脈識(shí)別是一種新興的生物特征識(shí)別技術(shù)的應(yīng)用。當(dāng)紅外光線照在手指上，靜脈血血紅蛋白吸收，所以靜脈的區(qū)域比其他的地區(qū)暗。圖1顯示了一個(gè)用于捕獲手指圖像的原型裝置，并截了圖。通過這樣的圖像，靜脈模式被提取和匹配來驗(yàn)證個(gè)人身份。與其他生物特征

3、識(shí)別方法相比，手指靜脈驗(yàn)證有幾個(gè)好處。首先，靜脈模式是對(duì)于它的使用者來說是獨(dú)一無二的，可以保證驗(yàn)證性能的準(zhǔn)確作用?；谝粋€(gè)從500人中獲取的大數(shù)據(jù)統(tǒng)計(jì)分析指出，手指靜脈驗(yàn)證是一種強(qiáng)大的生物特征識(shí)別技術(shù)。此外，從事實(shí)中得到的其另一安全性是，在通常情況下，手指靜脈模式是不會(huì)被其他人或機(jī)器給識(shí)破的。最后，相比于手掌靜脈驗(yàn)證系統(tǒng)，該設(shè)備的大小可以比前者更小更便利的。在本文中，我們提出了一個(gè)新的手指靜脈驗(yàn)證系統(tǒng)使用的平均曲率。在表面上的一個(gè)點(diǎn)的平均曲率，粗略地說，便是曲面的曲率在所有方向上的平均曲率。將圖像的灰度曲面作為一個(gè)幾何對(duì)象，用該方法可以看到的靜脈圖案類似于谷狀結(jié)構(gòu)。一個(gè)山谷般的結(jié)構(gòu)，我們的意思

4、是指一個(gè)長(zhǎng)期的渠道，像一個(gè)排水溝，其橫截面像U或V的形狀，其倒置我們稱其為脊?fàn)罱Y(jié)構(gòu)。負(fù)平均曲率的點(diǎn)集被確定為一個(gè)山谷狀結(jié)構(gòu)。平均曲率已被用于在其他應(yīng)用程序，用于確定脊或山谷的相似程度圖2顯示了手指靜脈認(rèn)證系統(tǒng)的操作流程。首先，紅外光線照在由CCD攝像機(jī)和圖像形成的手指上，噪聲去除是第一步需要去處理的，我們使用高斯平滑濾波器來完成；其次，在分割步驟中，手指區(qū)域從背景中分離。然后從手指使用平均曲率的區(qū)域中提取出靜脈圖案；最后，匹配步驟中，將所提取的靜脈圖案與參考模板進(jìn)行比較。匹配的結(jié)果將會(huì)得出答案，這兩個(gè)圖像是從同一個(gè)手指還是從不同的手指中提取的。2平均曲率一個(gè)圖像的強(qiáng)度分布可以看作是一個(gè)定義在二

5、維空間的標(biāo)量函數(shù)f：R2R。圖像的每一點(diǎn)P對(duì)圖像都有一個(gè)單位法向量相對(duì)于強(qiáng)度曲面。一個(gè)正常的平面，在該平面上，如果平面和曲面的交點(diǎn)是由該函數(shù)表示的平面曲線，則其曲率計(jì)算如下：有無限多的正常平面的曲率和曲率的變化從一個(gè)正常平面到另一個(gè)。在P的曲率的最大值和最小值叫做主曲率和相應(yīng)的切線方向稱為主方向。在光滑的表面上的兩個(gè)主要方向已知是正交的。平均曲率H的兩個(gè)主曲率k1和k2的算術(shù)平均值，即：它可以證明，假設(shè)一個(gè)光滑的表面，H等于在任何兩個(gè)正交切線方向兩曲率的平均。這一事實(shí)在計(jì)算的觀點(diǎn)是非常重要的因?yàn)樗蛊骄饰恢玫暮瘮?shù)不同，舉個(gè)例子，最大曲率特征法也取決于方向性?，F(xiàn)在H可以被表示，無論主方向如何

6、，作為歸一化梯度矢量的發(fā)散，在X-射線和方向總是是正交的。F表示圖像的強(qiáng)度場(chǎng)，同時(shí) ，我們有：其中下標(biāo)表示偏微分。平均曲率是量化的方法之一平均曲率是一個(gè)量化的山脊或山谷的相似程度的措施。平均曲率大的呈現(xiàn)脊?fàn)罱Y(jié)構(gòu)和小的呈現(xiàn)谷狀結(jié)構(gòu)。3預(yù)處理3.1手指區(qū)域分割分割是指從背景中切割出手指區(qū)域的過程。背景經(jīng)常有助于降低匹配算法的性能。我們的圖像分割使用平均曲率和拉普拉斯。首先，我們檢測(cè)手指的輪廓分割圖像的拉普拉斯。一個(gè)手指圖像及其閾值的拉普拉斯分別顯示在圖3（a）和（b）。確定的閾值電平，以便不會(huì)檢測(cè)到手指區(qū)域內(nèi)的手指靜脈。然后，我們找到最接近的水平中心線的邊界。這樣的閾值自然會(huì)不可避免地留下部分手指

7、邊界未被發(fā)現(xiàn)。因此，我們采用的平均曲率來填補(bǔ)空白，因?yàn)閺膱D3可知，平均曲率對(duì)于弱或模糊的強(qiáng)度變化是很敏感的。圖3顯示了最后的分割圖像。此分割過程中同樣被施加了一個(gè)作為預(yù)處理的所有我們?cè)趯?shí)驗(yàn)中比較過的提取方法，所以我們可以說，它會(huì)不影響相對(duì)提取性能。3.2平滑手指靜脈圖像的CCD攝像機(jī)所拍攝到的圖像有明顯的噪聲，在靜脈特征提取上可能會(huì)成為問題。為了平滑噪聲的圖像的大小為640X480個(gè)像素，我們應(yīng)用在分割一個(gè)2維對(duì)稱高斯濾波器的大小為7X7像素和標(biāo)準(zhǔn)偏差3像素。4靜脈模式提取手指靜脈圖案的圖像表現(xiàn)為谷狀結(jié)構(gòu)，其像素比它周圍的區(qū)域更暗，一個(gè)山谷般的結(jié)構(gòu)具有低和負(fù)平均曲率。圖4顯示的是手指靜脈圖像的

8、一小部分和其三維圖的平均曲率。我們可以看到圖像段包含三條紋理：兩厚一薄。正如預(yù)期的那樣，在這些靜脈的平均曲率明顯低于非靜脈區(qū)域。薄的靜脈通常更難以提取，因?yàn)樗鼈兺ǔＪ怯筛浇暮耢o脈，如圖4（a）的三維圖所示。然而，關(guān)于平均曲率，在每個(gè)點(diǎn)僅使用局部曲率，所以所有三個(gè)靜脈表現(xiàn)出類似的平均曲率值如圖4（b）。因此，因此，我們可以從簡(jiǎn)單的全局閾值的圖像段提取三靜脈。能夠處理細(xì)脈以及厚脈有進(jìn)一步的意義。如出現(xiàn)在一個(gè)圖像中的靜脈的厚度，不僅僅是由真實(shí)的靜脈厚度確定，而且也有許多其他因素，如照明條件、相機(jī)曝光、血流量和溫度等等。在某些情況下，在一個(gè)圖像中看起來很厚的靜脈可能在另一個(gè)條件下看起來并非如此。圖5

9、（a）和（b）分別顯示一個(gè)完整的指紋圖像，以及其平均曲率H，圖5（c）顯示的白線指示該區(qū)域具有負(fù)的H值。可以看出，中心線的靜脈圖案被正確地提取了。平均曲率法的另一個(gè)優(yōu)點(diǎn)是簡(jiǎn)單。首先，事實(shí)上，平均曲率是一個(gè)定位功能，不依賴于方向，使得它比其他使用曲率方法更簡(jiǎn)單。其次，平均曲率法只使用歸一化的梯度和發(fā)散，所以在我們的測(cè)試圖像沒有額外的參數(shù)是很有必要的，除了全球的閾值水平。相反，局部閾值和線跟蹤法等需要窗口大小參數(shù)、閾值水平，和跟蹤方向的額外參數(shù)。對(duì)于最好的結(jié)果，就需要調(diào)整這些參數(shù)到每個(gè)測(cè)試圖像，它可能是一個(gè)不那么簡(jiǎn)單的任務(wù)。這一點(diǎn)可能不是一個(gè)真正的優(yōu)點(diǎn)，當(dāng)圖像質(zhì)量差時(shí)，提取方法就會(huì)變得相當(dāng)復(fù)雜。5

10、手指靜脈模式匹配對(duì)于非二進(jìn)制模式匹配，對(duì)比法是比較常用。為要求匹配的圖案在這里都是二進(jìn)制的，我們使用匹配的像素比（MPR）來評(píng)估我們和其他靜脈提取方法的性能。MPR是匹配的像素?cái)?shù)在匹配模式的總的像素?cái)?shù)比。這項(xiàng)措施是適當(dāng)?shù)模皇菫榱吮容^不同的模式，而是對(duì)于評(píng)估一個(gè)系統(tǒng)，作為我們自己，這已經(jīng)控制了圖像被捕獲的質(zhì)量。讓Y表示輸入的二進(jìn)制圖像i和模板t之間的MPR，這是匹配的參考圖像。它表示為：有些從同一個(gè)手指得到的靜脈圖案不與模板相同，但是它們可以被旋轉(zhuǎn)或轉(zhuǎn)化。在實(shí)驗(yàn)中發(fā)現(xiàn)，無補(bǔ)償，超過2度的旋轉(zhuǎn)會(huì)導(dǎo)致難以正確匹配。為了補(bǔ)償一個(gè)可能的旋轉(zhuǎn)，我們找到了最佳匹配的圖像，通過以每2度一步從-10到10度旋

11、轉(zhuǎn)輸入圖像，得到的圖像之間的最佳匹配。我們使用最近鄰插值得到旋轉(zhuǎn)的圖像。翻譯是通過尋找最佳匹配的像素之間每個(gè)旋轉(zhuǎn)的圖像的像素平移。我們假設(shè)沒有非平面旋轉(zhuǎn)，也沒有彎曲手指。6實(shí)驗(yàn)結(jié)果在這一節(jié)中，我們測(cè)試了所建議的方法，也測(cè)試了其他方法。我們的測(cè)試圖像，不僅包括真實(shí)的紅外指紋圖像，也包括合成圖像。合成圖像是重要的，因?yàn)槿绻粋€(gè)真實(shí)的圖像顯示了一個(gè)黑暗的痕跡，我們永遠(yuǎn)不會(huì)知道這里面是否有存在或不存在的靜脈。6.1合成圖像的實(shí)驗(yàn)合成的測(cè)試圖像被創(chuàng)建，以便進(jìn)行真實(shí)的手指靜脈圖像的各種方面。首先，合成的靜脈需要在各個(gè)方向上運(yùn)行，因?yàn)橐恍┓椒ㄒ约疤崛§o脈會(huì)在某一方向，而不是在其他方向上。其次，他們需要包括在

12、靜脈的交點(diǎn)處，特別是在不同厚度的靜脈的交點(diǎn)處和經(jīng)常提取失敗的地方。再次，測(cè)試圖像需要有通過不同的對(duì)比度沿脈來模擬手指不同部位的各種光的吸收和不同的照明條件下的捕獲裝置。作為可以包含這些方面的簡(jiǎn)單模式，我們從圖6（a）和（b）中選擇圓環(huán)。該模式被轉(zhuǎn)化成圖像的高斯橫截面，然后調(diào)整調(diào)整灰度，使它們看起來像真實(shí)的圖像。高斯橫截面模型的厚度和模糊的靜脈。圖6（a）從而轉(zhuǎn)化為圖6（c），然后，通過添加噪聲變成圖6（d）。圖6（e）是從圖6（b）轉(zhuǎn)化而來，是由兩個(gè)不同直徑的環(huán)組成。注意圖6（e）包括變化的厚度（右環(huán)更厚）和變化的背景亮度。不均勻的背景模型的不同的光吸收和不同的照明條件。高斯白噪聲的CCD相機(jī)

13、的噪聲和手指不規(guī)則模型，在圖6（d）中信噪比增加了24 dB，在圖6（e）中增加了16dB。圖6（f）（Q）通過各種方法從合成圖像中提取的模式。圖6（f）（H）為平均曲率法得出；圖6（I）（k）是根據(jù)局部閾值法得出；圖6（L）（N）用的線跟蹤法得出；圖6（O）（Q）是曲率最大點(diǎn)（MCP）方法得出。為了公平比較我們采用Otsu的二值化用于MCP（Miura et al.，2007）。它的閾值被調(diào)整來為局部閾值法和線跟蹤方法給出最佳的結(jié)果。我們計(jì)算了（4）模板和提取模式之間的MVR，結(jié)果列于表1。由于模板的厚度會(huì)影響MPR，我們應(yīng)用形態(tài)學(xué)的細(xì)化的模板以及提取的模式。所建議的方法為所有的測(cè)試模式無論

14、是圖6還是表1中的，無論是形態(tài)細(xì)化了還是沒有細(xì)化的都給出了最佳的結(jié)果。它相比于其他方法在噪音、靜脈方向、靜脈厚度、背景變化干擾方面受到的影響要更少。這不均勻背景的影響的減小可以被一個(gè)使用本地曲率的方法的事實(shí)所解釋。局部閾值法提取噪聲圖像清晰的圖案。然而，對(duì)于噪音的圖像，它不能給出確定的結(jié)果。噪音會(huì)干擾本地的閾值，這反過來會(huì)使環(huán)上出現(xiàn)一些不連貫的點(diǎn)，如圖6（j）所示。此外，局部閾值法是很容易受不均勻的背景的影響的。圖6（k）的影響是在左邊和右邊的分散點(diǎn)上的。由線跟蹤法提取模式很混亂是因?yàn)檫@個(gè)方法會(huì)隨機(jī)選擇出發(fā)點(diǎn)和跟蹤方向。在低信噪比情況下，這個(gè)問題更為突出。如果出發(fā)點(diǎn)是在非靜脈區(qū)域，跟蹤路徑會(huì)徜

15、徉直到它偶然的進(jìn)入靜脈區(qū)域。這樣嘈雜的路徑累積產(chǎn)生雜亂的提取模式，如圖6（m）和（n）。比較基于曲率的方法，我們觀察到的平均曲率的方法提取的模式在所有的方向都是均勻而MCP方法產(chǎn)生的不平衡格局。不均勻的圖案清晰可見，圖6（o），零噪聲下提取。這主要是由于后者估計(jì)的最大曲率只有四個(gè)方向（水平，垂直和對(duì)角線），而前者認(rèn)為所有方向。一個(gè)人可能會(huì)認(rèn)為，這個(gè)定向依賴可以解決的通過包括更多的方向。相對(duì)于已經(jīng)存在的MCP方法只有4個(gè)方向計(jì)算的劣勢(shì)，我們的方法有更多的方向，加上額外的插值，也是需要的，意味著在實(shí)際意義上無法計(jì)算的復(fù)雜性。如前一節(jié)所強(qiáng)調(diào)的，平均曲率方法可以通過一個(gè)單獨(dú)的計(jì)算來考慮所有的方向。上述

16、實(shí)驗(yàn)假設(shè)的測(cè)試模式是已知的。然而，一個(gè)真實(shí)的系統(tǒng)，提取它也通過一個(gè)真實(shí)的圖像，以獲得的參考模式。我們利用圖6不同條件下提取的模式之間的MPR值（b）評(píng)價(jià)重復(fù)性或一致性的方法。參考模式是從無聲的模擬圖像中提取與不同量的加性噪聲測(cè)試圖像中提取的模式相比（12dB，18分貝，24分貝，30分貝）和不均勻背景。我們進(jìn)行了十個(gè)實(shí)驗(yàn)，使用獨(dú)立的噪聲樣本的平均值和MPR。表1圖7顯示了不同信噪比下得到的平均保護(hù)。在所有的信噪比值中，使用所提出的方法得到了最佳的結(jié)果。雖然在無噪聲圖像上產(chǎn)生了明確的結(jié)果，但是局部閾值方法還是現(xiàn)實(shí)了它在重復(fù)性和可靠性上的弱勢(shì)。7結(jié)論從手指靜脈圖像提取靜脈圖案是自動(dòng)手指靜脈驗(yàn)證系統(tǒng)

17、中的一個(gè)重要課題。我們提出了一個(gè)新的手指靜脈提取方法，使用的平均曲率。此方法使用的強(qiáng)度場(chǎng)的幾何性質(zhì)，這使得它可以從不清楚的靜脈圖像中提取圖案。我們的測(cè)試圖像是從125個(gè)手指和我們建立采取的原型設(shè)備中得到的。我們的方法相等錯(cuò)誤率（EER）是0.25%，這遠(yuǎn)低于現(xiàn)有的其他方法。從實(shí)際的角度來看，性能是所有因素中最重要的，因?yàn)樗梢栽谝粋€(gè)相當(dāng)?shù)偷挠?jì)算復(fù)雜度的環(huán)境中實(shí)現(xiàn)。匹配算法在一個(gè)驗(yàn)證系統(tǒng)中非常重要，當(dāng)它得到最終的決策時(shí)。我們使用匹配的像素比二進(jìn)制模式的方法。這種匹配的一個(gè)缺點(diǎn)是，它需要整個(gè)手指靜脈圖案作為參考模板，這可能會(huì)使系統(tǒng)中針對(duì)個(gè)人信息的方面更容易受到攻擊。進(jìn)一步的研究需要考慮更多的安全匹

18、配算法，如特征點(diǎn)匹配算法。致謝這項(xiàng)工作是由韓國科學(xué)與工程基金會(huì)（KOSEF）授予由韓國政府出資（MEST）(No. R01-2006-000-10717-0).工具書類Eberly, D., Gardner, R., Morse, B., et al., 1994. 圖像分析的脊. J. Math. Imag. Vision 4, 351371.El-Fallah, A.I., Ford, G.E., 1997. 圖像濾波中的平均曲率演化和表面面積縮放. IEEE Trans. Image Process. 6, 750753.Jain, A.K., Pankanti, S., 2001. 自

19、動(dòng)指紋識(shí)別和成像系統(tǒng). In: Advances in Fingerprint Technology, second ed. Elsevier Science, New York.Lam, L., Lee, S., Suen, C.Y., 1992. 細(xì)化方法論. IEEE Trans. Pattern Anal. Machine Intell. 14 (9), 879.Lopes, A., Lumbreras, F., Serrat, J., 1998. 折痕從水平集外在曲率. In: Burkhardt, H., Neumann, B. (Eds.), Proc. Fifth Eur. Conf. Comput. Vision, Lecture Notes in Computer Science, vol. 1. Springer-Verla