基于均衡离散曲率波变换的手背静脉识别

摘要:针对滤波器尺度和方向的增加对识别速度影响较大的问题,提出了基于均衡离散曲率波变换（UDCT）的手背静脉识别方法。在进行手背静脉图像感兴趣区域提取和预处理的前提下，引用了均衡离散曲率波变换对感兴趣区域进行去滤波变换，然后对变换系数进行相位编码，计算编码统计直方图的卡方距离来进行静脉识别。实验结果表明,该方法在低质量的手背静脉图像情况下依然能得到较好的识别效果和较快的识别速度。

关键词:手背静脉识别；特征提取和匹配；曲率波相位特征编码；局部异或算子；卡方距离

中图分类号: TP391.41 文献标志码:A

Palm.dorsal vein recognition based on uniform discrete curvelet transformation

WEI Shang.qing, GU Xiao.dong*

Shool of Information Science and Technology, Fudan University, Shanghai 200433， China

Abstract:

Palm-dorsal vein recognition using Uniform Discrete Curvelet Transform（UDCT）was proposed in this paper. With the palm-dorsal Region Of Interest (ROI) extraction and image preprocessing, UDCT of the Curvelet Transform was used on ROI. Then, the Curvelet coefficients phase variance was encoded. Finally, using the Chi-square distance of histogram of the coding for vein recognition obtained the recognition results. Experimental results show that this proposed method can identify palm-dorsal vein images with high robustness and high speed even by using poor-quality images.

Palm.dorsal vein recognition using Uniform Discrete Curvelet Transform （UDCT） was proposed in this paper. With the palm.dorsal Region Of Interest (ROI) extraction and image preprocessing, UDCT of the curvelet Transform was used on ROI. Then, the curvelet coefficients phase variance was encoded. Finally, the Chi.square distance of histogram of the coding was used for vein recognition. The experimental results show that this proposed method can identify palm.dorsal vein images with high robustness and high speed even with poor.quality images.Key words:

palm.dorsal vein recognition; feature extraction and verification; curvelet phase encoding; Local XOR Pattern (LXP); Chi.square distance

0 引言

静脉识别是近年来一种新兴的红外生物识别技术，它不但识别率和安全性较高、采集过程友好，而且使用和实现更加容易，因此从DNA、人脸、耳廓、视网膜、虹膜、语音、手型、掌纹、指纹、签名、步态等众多生物特征识别技术中脱颖而出，具有相当大的实用价值和市场潜力。

一般情况下，每个人的皮下静脉血管分布情况是不一样的，而且在一定时期内，该分布情况都保持稳定。又由于静脉是位于表皮以下，很难被别人仿造，同时也避免了像指纹那样会发生磨损［1］。再加上它是非接触性的信息采集，不会造成采集界面污染或细菌传播，也不会像虹膜采集那样让使用者有抵抗的情绪，因此它是一种理想的个人认证的特征。手部静脉识别大致分为手指、手背、手腕以及手掌静脉识别等。手背静脉识别技术进行识别的生物数据是人体的手背静脉血管，它属于皮下组织，当选取波长为700nm～1000nm的近红外光作为入射光时，由于它可以穿透大约3mm厚的生物组织，而血液中的血红蛋白又具有吸收近红外光线的特质，所以我们可以利用感红外的相机获取在近红外光照射下的静脉图片。此时的手背血管静脉比周围的其他组织要暗一些，由此得到静脉分布图［2］。

现有的静脉识别方法大概可以分为两类，一类是基于静脉的局部结构提取静脉骨架特征，找到其特征点，有时还会结合几何特征，然后进行有效的识别［3］，此类方法实现比较简单，速度较快，但是对静脉图像的几何变化鲁棒性不够强。针对这个问题，康文雄等［4］提出了结合静脉纹路像素点的邻域信息，计算邻域和以及模板匹配方式快速定位特征点，一定程度上提高了几何变化鲁棒性，效果也有所改善，但依然不是太好。另一类是对静脉分布图进行全局或局部的特征分析［5-6］，这类方法较为复杂，速度较慢，但鲁棒性和识别效果较好。由此，郑英杰等［1］在对感兴趣区域(Region Of Interest,ROI)预处理后对图像进行Gabor变换，然后提取相应的相位特性信息，同时结合了全局和局部信息对相位进行编码，再计算匹配距离来识别，不仅提高了鲁棒性，也提高了识别速度。可是当滤波器的尺度和方向的数量增加时，计算量也随着加大，此方法的速度依然有限制。本文针对滤波器尺度和方向的增加对识别速度影响较大的问题，应用了快速算法――均衡离散曲率波变换（Uniform Discrete Curvelet Transform，UDCT）算法和预处理方法，不仅解决了速度上的问题，同时也进一步提高了鲁棒性，在更为复杂情况下所采集的静脉数据库中取得了较好的效果。

1 手背静脉图像的ROI提取和预处理

1.1 图像的ROI提取

首先，根据二值化的图像确定手背轮廓，并计算轮廓上每一点到手腕中点的距离；其次，根据文献［3］的方法可以确定指关节在这个距离曲线上所对应的峰值点K1、K2和K3，如图1(d)所示；再次，计算出K1和K3中点K0的坐标，得到向量K2K0，同时把K1和K3的坐标移动向量K2K0，得到K5和K6两点；最后，可以提取出一个正方形区域RK5K6K7K8作为ROI，如图1(e)所示。此方法可以减少由于轮廓提取的不精确所导致感兴趣区域（ROI）确定的偏差。

1.2 ROI的预处理

预处理是识别的一个重要的环节,主要通过预处理达到准确地提取手背静脉信息并消除其他各种因素影响的目的。

2 手背静脉特征提取

2.1 第二代Curvelet变换

曲率波（Curvelet）变换是一种多尺度几何分析方法，它是从脊波变换（Ridgelet Transform）逐渐发展而来的。经历了单尺度脊波变换、多尺度脊波变换、Curvelet变换以及第二代Curvelet变换［8］。

第二代Curvelet变换是在频域内定义的，它将频域划分为不同尺度下的楔形区域，并在该楔形区域上定义基函数。它保留了基函数的平方率尺度关系，同时不再以脊波变换理论为基础，这使得它的参数大为减少，更直观地实现Curvelet变换的本质思想。

基于第二代离散Curvelet变换的各种快速算法也相继地被提出。快速离散Curvelet变换（Fast Discrete Curvelet Transform，FDCT）包括基于非等间隔快速傅里叶方法(Unequally.Spaced Fast Fourier Transform，USFFT)和基于Wrapping (the wrapping.based transform)的变换，两种快速算法都是以FFT算法为基础的［9］。而均衡离散曲率波变换(UDCT)采纳了FDCT中的FFT思想的同时也借鉴了Contourlet中的滤波器组方法，并将两者结合了起来［10］，它的出现使得Curvelet变换速度进一步得到提高。

2.2 连续Curvelet变换定义

在二维连续空间R2中，x为空间位置变量，ω为频域变量，r, θ为频域中的极坐标。定义频域中平滑、非负和实值的“径向窗口”W(r)和“角度窗口”V(t)，且满足：

∑∞j=－∞W2(2jr)=1; r∈(3/4,3/2)（1）

∑∞l=－∞V2(t－l)=1; t∈(－1/2,1/2)（2）

其中j, l分别为半径和角度参变量，上式表示对所有特定参数的径向窗和角度窗支撑区间的能量和为1。

对于每个j ≥1，在傅里叶域中定义频域窗口：

Uj(r,θ)=2－3j/4W(2－jr)V(2j/2θ2π)（3）

这里的j/2表示取j/2的整数部分。

在频域第j级，第l角度，位置为k=(k1,k2)∈Ζ2的Curvelet变换系数定义为：

cD(j,l,k)=1(2π)2∫f^(ω)Uj(Rθω)exp(i〈x(j,l)k,ω〉)dω（4）

即相应频率窗函数滤出的频谱的傅里叶反变换。

Curvelet变换最核心的性质是各向异性尺度关系，它是指相应尺度的脊在空间域中以符合长度length≈2－j/2、宽度width≈2－j的尺度关系快速衰减，即width≈length2。