基于域Morphing算法的手背静脉识别

韩 笑, 赵政达, 王天明

(1. 吉林大学 数学学院, 长春 130012； 2. 香港中文大学 数学学院, 香港)

生物识别技术[1]就是利用人体的生物特征进行身份识别的技术. 手背静脉识别[2-3]的原理是利用静脉血管与肌肉及骨骼之间对特定波长红外光不同的吸收性进行静脉血管造影.

1 域Morphing算法

域Morphing算法[4-5]的原理是利用起始图像和终止图像中有代表性的线段对定义两幅图像间的特征坐标映射, 其他点通过到线段的距离确定对准关系. 它仅需要指定有代表性的特征线段和获取特征线段首末两端的位置, 就能简化特征标注过程. 定义一对线段对(一个定义在源图像, 一个定义在目标图像), 分别记为PQ和P′Q′, 定义从目标图像点X到源图像点X′的映射:

其中: Perpendicular( )表示返回和输入垂直的且长度相等的向量;u表示是沿着直线的位置, 当像素从点P移动到点Q时,u值从0变化到1； 当点在线段PQ外时,u或小于0或大于1;v值是像素点到线段的垂直距离. 单一线段对像素点变换示例如图1所示.

对于多对线段的情况, 目标图像上像素位置X加上平均位移决定了源图像中的位置X′, 这时需要每个线段对位移的加权平均. 采用权值公式：

(4)

其中: lengh表示线段的长度; dist表示像素点到直线的距离;a,b,p是用来控制线段作用效果的常数. 如对两幅图片I0和I1进行Morphing, 先定义I0和I1中相应的线段对, 由I0和I1中线段对上像素的位置进行线性插值得到每个中间图像I的相应的线段对上像素的坐标位置, 然后分别用与I0和I1上的线段对应的中间图像I上的线段计算I上其余非特征线段上点的坐标, 使得I0和I1分别向中间图像I变化. 对I0和I1分别生成的中间图像进行颜色插值得到最终中间图像.

2 快速域Morphing算法

虽然域Morphing算法简化了特征表达的方式[6-7], 但是对每个像素点, 所有的特征线段对都必须考虑, 因此计算速度较慢. Lee等[8]提出了优化的细分算法加强域Morphing算法的处理速度, 但网格算法中的冗余过大, 本文在此基础上做出改进.

对于高度线性区域, 先将目标图像分成较规律的网格, 并通过方程组(1)-(3)计算出网格的顶点位置; 然后用双线性插值法计算该网格内的所有点在中间图像的位置. 但这种估计对于非线性程度较高的区域并不适用, 因此, 有必要在网格内挑选一些点, 计算其在方程组(1)-(3)中的值与线性插值结果. 对于高度非线性区域, 这些区域很可能被细分为更小的网格, 而测试用的像素计算了不止一次. 为了减少多余的计算, 本文算法采用更好的方法挑选测试点： 用如图2所示的方式统一选取参与计算的点, 且参与计算的点的数目由用户指定.

图1 单一线段对像素点变换示例Fig.1 Pixel transform on single line

图2 统一的像素点选取方式Fig.2 Uniform pixel point selection mode

(5)

其中N表示特征线段对的数目. 式(5)表明, 如果weight(i)是所有权值和的一小部分, 则weihgt(i)可以被忽略. 由用户定义一个下界τ,S是一系列特征线段Fi, 使得weight(i)在权值和中的比例大于该下界τ. 近似式(5), 有

(6)

3 图像相似度计算

在进行手背静脉识别前, 需要计算一系列中间帧图像的相似度. 考虑图像的颜色、 线段长度、 位置等特征, 对他们进行加权组合. 两幅图像i1,i2间的相似度为

S(i1,i2)=w1s1(i1,i2)+w2s2(i1,i2)+w3s3(i1,i2),

其中:S1,S2,S3分别表示两幅图像的颜色、 线段长度和位置相似度；wi是权值. 先计算一系列相邻中间帧之间的图像相似度, 然后由这些相似度值生成型值点, 再插值成一条Bézier曲线； 最后计算该曲线在不同点处的曲率及其均值以及曲线与坐标轴所围成的面积, 根据计算结果鉴别图像. 60人120幅图像的实验结果表明, 该算法的识别率为96.5%, 误拒率为0.

[1] Gottumukkal R, Asari V K. An Improved Face Recognition Technique Based on Modular PCA Approach [J]. Pattern Recognition Letter, 2004, 25(4): 429-436.

[2] HAN Xiao, JI Jin-chao, ZUO Ping, et al. Recognition Algorithm of Dorsal Hand Vein [J]. Journal of Jilin University: Science Edition, 2010, 48(2)： 245-250. (韩笑, 冀进朝, 左平, 等. 手背静脉特征提取算法 [J]. 吉林大学学报: 理学版, 2010, 48(2)： 245-250.)

[3] HAN Xiao, MA Si-liang, ZHANG Zhong-bo. Image Enhancement and Extracting Features of the Dorsal Hand Vein Patterns Based on Ridgelet Transform [J]. Journal of Jilin University: Science Edition, 2006, 44(3): 415-417. (韩笑, 马驷良, 张忠波. 基于脊波变换的手背静脉图像增强及特征提取 [J]. 吉林大学学报: 理学版, 2006, 44(3)： 415-417.)

[4] Wolberg G. Image Morphing: A Survey [J]. The Visual Computer, 1998(14): 360-372.

[5] Beier T, Neely S. Feature-Based Image Metamorphosis [J]. Computer Graphics, 1992, 26(2)： 35-42.

[6] Seitz S M, Dyer C R. View Morphing [C]//Proceedings of SIGGRAP’96. New York: ACM Press, 1996： 21-30.

[7] Lee S Y, Chwa K Y, Hahn J, et al. Image Morphing Using Deformation Techniques [J]. J Visualization Comput Anim, 1996, 7(1)： 3-23.

[8] Lee T Y, Lin Y C, Lin L, et al. Fast Feature-Based Metamorphosis and Operator Design [J]. Computer Graphics Forum, 1998, 17(3): 15-22.