手指静脉识别技术在军工识别系统中的应用与研究

孙倩文 谢泰 芮伟 沙琨

摘要：目的：在当前新冠肺炎疫情下，为了进一步提升军队门禁系统的安全性，本文采用具有活体识别和非接触特性的手指静脉生物特征识别技术进行身份验证。方法：本文首先进行了手指静脉分割研究，包括静脉图像灰度化和去噪处理，设计了一种基于有效区域位置分布的ROI提取方案，采取图像尺寸和灰度归一化和滤波去噪等图像处理方法，用基于谷型的静脉分割算法得到图像的纹理信息，并在此基础上提出了基于PCA的特征映射方法。结果：依据本文提出的方法在构建的本地静脉数据库中试验，测试识别率达到了99.87%，识别效果明显。结论：指静脉识别技术相比传统的生物识别技术，其防伪性和准确性更适合新时代军工识别系统要求。

关键词：手指静脉识别;军工识别系统;PCA

中图分类号：TP18      文献标识码：A

文章编号：1009-3044（2021）23-0011-03

当前军队门禁系统身份识别主要依靠身份卡和密码等传统的身份鉴别方式[1]，但这些方式容易互相接触，难以满足防疫要求，并且身份卡携带不便，易丢失，易伪造。手指静脉识别技术与这些传统的身份鉴别方式相比，无须接触设备，无须携带认证密钥，隐私性更高，安全性更为可靠[2]。该技术可以有效地鉴定个人的身份，能够极大地提升军工系统的防疫安全性以及对军队信息的保护。

本文所研究的手指静脉识别技术，它主要是通过指内静脉成像来确认用户身份[3]，当近红外光照射手指时，指内静脉流动的血液会吸收特定波长的红外线，从而得到指静脉纹理图像 （如图1所示）[4-5]。

1资料与方法：

1.1数据来源

本文所采用的实验数据是来自某实验小组建立的手指静脉数据库。

1.2手指静脉图像预处理

1.2.1手指静脉图像的去噪

本文针对原始指静脉图像，首先利用均值滤波器去除高斯噪声，再用中值滤波去除椒盐噪声，最后输出去噪图像，如图2所示。

原始静脉图像经过滤波综合去噪后，效果如图3所示。

1.2.3图像定位与手指图像截取

如图3所示，在原始图像采集过程中，由于外界环境影响，需要把剔除背景干扰部分，只提取静脉最丰富的最具有实验价值的图像部分，因此要对其进行ROI提取，具体操作步骤如下：

1）去除背景信息，对边缘去噪;

2）采用sobel边缘检测算子得到手指的轮廓（如图4（a）所示），在手指的边缘检测图中仍然包含一些孤立的噪声（如图4（b）所示），此时采用连通区域计算算法，设定特定阈值来剔除该噪声;

3） 为了方便后续处理，将图像边缘细化成单像素，最后反变换得出手指在水平方向的轮廓;

4）轮廓内间距最小值计算。使用两条水平的平行直线[l1]，[l2]对手指的轮廓进行内切，然后计算它们之间的最小内切距离，其中：

公式（1）中的[c1]表示手指上轮廓线的最大纵坐标，[c2]表示手指下轮廓线的最小纵坐标，[d]表示截取图像的宽度。

1.2.4归一化处理

在采集手指靜脉图像时，由于拍摄角度、拍摄光线以及每个人的手指存在个体差异，因此在进行特征提取后，还应当进行归一化处理。本文采用双线性插值法进行归一化处理。

归一化处理后的静脉图像像素灰度值会变得集中，对后续的特征提取会造成影响，故本文对静脉图像进行了灰度归一化处理，将图像的像素灰度值归一化在0～255范围内。

在式（2）中，[p（i，j）]为变换后的灰度值，[p'（i，j）]表示原图灰度值，[G1]表示原图灰度最小值，[G2]表示原图灰度最大值。

1.3手指静脉纹路综合提取

对归一化的图像进行阈值分割和细化处理，从而提取指静脉图像的有效特征。由于前期图像采集过程中有众多环境因素的影响，这里采用图像分割和特征提取相结合的方法来快速提取低质量的指静脉图像。

最后采用NIBLACK算法对图像进行二次分割提取准确度更高的静脉特征。

1.3.1基于方向谷型检测算子提取手指静脉特征。

采用设计的八个方向上的谷型检测算子模板在整幅图像上滑动，使用该方法确定图像中每一个像素点在该点走向，将八个不同区域算子与每个像素点11邻域内的灰度值进行卷积运算，然后得到这8个方向上的最大卷积值，具体效果图如图5所示。

1.3.2 NIBLACK算法阈值分割

以11×11的模板在静脉图像[G'（x，y）]中滑动，计算当前邻域内所有像素点的平均值和方差，将标准方差和均值进行权值相加，最后以此计算得到的灰度值为阈值对静脉图像进行二值化处理，具体方法如以下公式（4）和（5）所示：

静脉图像的二值化的效果如图6所示。

1.3.3手指静脉图像纹路去噪

指静脉灰度图像中常见有椒盐噪声和高斯噪声等，本文采用尺寸大小为3?3的不设定权值的方形模板对静脉图像进行滤波处理。中值滤波后的效果图如图7所示。

1.4基于几何特征的匹配与识别

降噪后的指静脉图像经过前期的ROI提取、图像阈值分割以及细化处理后，得到了一幅不被背景干扰的清晰的静脉特征图像样本。在后续的图像匹配中，为了优化匹配度，采用主成成分分析法对静脉图像进行降维特征描述。

1） 基于PCA特征提取

主成分分析法是一种在数字图像领域常用的压缩方法，PCA方法在得到一个最小均方差的为基准的前提下，对原始输入图像信号进行投影将特征从高维度降到低维度，从而得到最优的降维数字图像特征。本文使用PCA算法的具体步骤如下：

（1）计算总体协方差矩阵表示：