【文章內(nèi)容簡介】 手背靜脈圖像進行有效區(qū)域定位。手背靜脈有效區(qū)域定位是指從采集的手背圖像中定位出對特征提取有意義的區(qū)域，定位的精確很大程度上將直接影響識別結(jié)果。對實時性要求較高的靜脈識別技術(shù)，有效區(qū)域的定位分割計算速度要快，本文采用基于質(zhì)心的有效區(qū)域提取算法[18]。 圖像的有效區(qū)域 圖像的歸一化由于靜脈圖像的采集時間、光強、各人的手掌厚薄、手掌的傾斜度不同, 在采集的圖像上存在著灰度不均的問題。為了將所有采集到的靜脈圖像的灰度統(tǒng)一到同一灰度范圍內(nèi), 方便以后的圖像處理和匹配, 要對采集的圖像進行灰度歸一化處理[19]。對采集的圖像進行灰度歸一化處理，即使每一幅圖像的均值和方差都相等。從物理意義上說，就是讓每一幅圖像的直流能量和交流能量都相等。本文實驗所采取的均值是162，方差是24。 歸一化后的圖像 圖像的增強在手背靜脈圖像采集過程中，由于靜脈采集裝置受采集光強以及個人手背薄厚影響，它所采集的圖像在灰度上可能就存在差異。通常情況下，所采集到的靜脈圖像中，靜脈血管紋理和手背的灰度差別很小。目前，大多數(shù)單一閾值和多閾值分割法都是直接在采集圖像上進行分割處理，這樣會導(dǎo)致部分可用信息丟失甚至將部分背景信息誤判。而圖像增強處理是獲取有效信息的保證，因此，為便于靜脈紋理的分割，對采集的圖像進行預(yù)處理來增強靜脈紋理是非常必要的。常用的圖像增強方法有高頻加強濾波法和局部直方圖均衡法[20]。從仿真的實驗結(jié)果可以得到，執(zhí)行局部直方圖均衡后的圖像靜脈紋理與背景的對比度明顯增大，紋理輪廓顯示清晰，紋理與背景分界明顯，為下一步紋理分割奠定了基礎(chǔ)。所以我們采用局部直方圖均衡化做圖像增強。 增強后的圖像 圖像的分割 靜脈圖像分割的目的是使靜脈紋絡(luò)和背景分割開來，針對本課題也就是所謂的二值化處理，即將靜脈紋絡(luò)圖像轉(zhuǎn)化為僅有黑白兩種色的圖像，以方便后期的特征點的提取。然而，二值化面臨的最大的難點就是如何確定閾值的大小，這個直接關(guān)系到二值化的效果。灰度圖像二值化的過程就是選定一個閾值T，當(dāng)圖像中的像素值大于這個值時就設(shè)定為255，當(dāng)小于此值時就設(shè)定為0。從這個定義中我們可以看出，如果閾值太大，有些背景也變成目標，如果太小，把目標反而變成背景，所以閾值T是區(qū)分對象和背景的關(guān)鍵所在。常用的閾值化分割方法有局部均值閾值法、局部最大類間方差法、基于局部極值的二值化算法、閾值圖像法、NiBlack算法[21]。從實驗結(jié)果來看，NiBlack算法得到的圖像比較不錯，而且運算速度快，比較適合實時系統(tǒng),基本上得到了原有紋絡(luò)的結(jié)果。綜合分析，本文采用的是NiBlack算法來進行二值化。 分割后的圖像 圖像的細化靜脈圖像細化的目的是為了得到單像素描述的靜脈血管，既保持了原有的紋絡(luò)特征，又提取了靜脈血管的骨架，也使得他的形狀和走勢給清楚的顯示了出來。有利于我們研究靜脈紋絡(luò)結(jié)構(gòu)。目前來說，好多文獻的研究表明，從細化后的紋絡(luò)結(jié)構(gòu)上提取特征還是主要的研究方向，用這些細化后提取的特征值來進行匹配，達到身份認證的目的。因此，細化算法也是靜脈圖像識別中的重要步驟，他的處理結(jié)果真接影響著認證的識別率。細化算法的基本原理就是將二值化后所得到的紋絡(luò)變成單像素的骨架圖像，細化后要保持原有圖像的紋絡(luò)拓撲結(jié)構(gòu)以及原有圖像的連續(xù)性，從而保持靜脈紋絡(luò)的原有特征。 細化后的圖像 本章小結(jié)本章按照靜脈圖像前期預(yù)處理的過程，詳細的研究了各個過程的算法。首先對采集的圖像進行有效區(qū)域提取和歸一化，并針對采集到的圖像質(zhì)量問題提出了局部直方圖均衡的方法來增強圖像。為了使靜脈紋絡(luò)和背景區(qū)分開來，又對靜脈圖像進行了圖像二值化。最后進行了圖像細化，得到了單像素描述的靜脈血管，為后面的靜脈圖像特征提取和匹配奠定了基礎(chǔ)。3 手背靜脈圖像的特征提取與匹配靜脈特征提取和匹配階段是基于手背靜脈的識別技術(shù)的核心階段，前面所做的工作都是為特征提取和匹配而做的鋪墊，基于手背靜脈的身份認證技術(shù)是通過比較兩幅靜脈紋絡(luò)圖像的相似度來識別身份，如果兩幅圖像的相似度很高，這說明是來自同一個人，否則，則不能通過身份認證。顯而易見，靜脈識別包括兩個重要過程：特征提取和特征匹配。 基本概念圖像或波形所能展現(xiàn)給我們的數(shù)據(jù)量是很大的。例如，一幅心電圖波形可能有成千上萬個數(shù)據(jù)，一幅文字圖像也有幾千個數(shù)據(jù)，一幅衛(wèi)星遙感圖像的數(shù)據(jù)量就更大．我如何才能有效地區(qū)別出它們的類別呢，因此我們就要對原始數(shù)據(jù)進行一些變換，得到最能區(qū)分它們類別的本質(zhì)特征．這就是特征提取和選擇過程。特征形成：我們可以計算（例如波形或數(shù)字圖像）或者使用儀表或傳感器測量（例如實物或是某種過程）一組基本特征，這樣得到的特征我們稱為原始特征，當(dāng)然我們可以得到很多這樣的特征，或者得到的這個特征的數(shù)據(jù)量也是很大的，例如一幅數(shù)字圖像。特征提?。何覀兊玫降脑继卣饔锌赡苁呛艽蟮臄?shù)據(jù)量，或者說樣本處于一個高維空間，我們可以通過某種數(shù)學(xué)變換來用低維空間表示，這個過程稱之為特征提取。這種特征我們稱之為二次特征，它們是原始特征的某種線性組合或者有某種對應(yīng)關(guān)系。特征提取的目的是提取能夠容易區(qū)分樣本的特征，例如指紋識別中的端點，交叉點以及數(shù)目等特征。所以特征提取是模式識別過程中非常重要的步驟。它直接影響著識別的結(jié)果。特征選擇：特征選擇是模式識別和圖像處理中首先解決的問題，從一組特征中提取最有區(qū)別樣本能力的特征以達到降低特征的維數(shù)的目的，這個過程稱為特征選擇。特征選擇的方法一種是根據(jù)專家的經(jīng)驗，另一種是用數(shù)學(xué)的方法來選擇，當(dāng)然，特征提取和特征選擇有時并不是完全不相關(guān)的，有時是融合在一起的。特征提取是將圖像中最能區(qū)別于其它圖像的特征提取出來，其有效性和可靠性在很大程度上決定了識別結(jié)果是否正確，提取描述性強的特征能夠有效提高分類器的識別效率，選取穩(wěn)定、典型的特征是手背靜脈識別系統(tǒng)設(shè)計的核心。特征匹配是在提取的特征數(shù)據(jù)集基礎(chǔ)上對待匹配圖像進行匹配[22]。本章將在上一章的基礎(chǔ)上，對預(yù)處理后的圖像進行特征提取與匹配，重點是分析和提取出可靠而又高效的特征向量以及特征匹配的算法。本文采用的基于原點靜距的特征提取與匹配，就是利用分割思想把預(yù)處理后的圖像分割為3232子圖像，分別提取平均原點靜矩，最后組合成特征向量，最后引用最近鄰法分類器，通過比較歐氏距離來進行匹配，既節(jié)省的了識別的時間，有效提高了最終的識別率。我們使用Matlab軟件來編程實現(xiàn)其特征提取與匹配。 程序流程圖 特征提取算法縱觀國內(nèi)外的特征提取方法，提取特征的方式逐漸由原始的整個圖像特征過度為基于細化后的靜脈紋絡(luò)的幾何特征提取(端點，交叉點等)，當(dāng)然每一個特征都有其在各自匹配過程中的優(yōu)劣，本文在研究和學(xué)習(xí)了國內(nèi)外的特征提取方法后，在細化圖像的基礎(chǔ)上，提出用紋絡(luò)的原點靜矩作為靜脈特征[23]。 基于原點靜距的思想來源在研究學(xué)習(xí)了國內(nèi)處文獻中基于細化圖像的提取方法時發(fā)現(xiàn)，所有的幾何特征如端點、交叉點，線段特征等這些特征點，都只是所有的靜脈紋絡(luò)中提取了若干點，而沒有利用全部的靜脈紋絡(luò)，本文設(shè)想，能否從靜脈紋絡(luò)的全局出發(fā)來提取特征，而這些特征囊括了所有的靜脈紋絡(luò)中的點，從而增加所提取特征的代表性。基于這種思想我們提出了提取原點靜矩作為靜脈特征。而原點靜矩的提出也是根據(jù)力學(xué)的知識而來的。設(shè)在平面上有n個質(zhì)點，這們分別位于點處，質(zhì)量分別為,由力學(xué)的知道我們知道，該質(zhì)點系分別對y軸和x軸的靜矩和為：, (31)由此，我們定義質(zhì)點系到原點的靜矩為原點靜矩為： (32)其中 (33)根據(jù)以上公式，我們可以定義質(zhì)點系的平均原點靜矩為 (34)在本文實際應(yīng)用中，因為線段由若干質(zhì)點組成，我們設(shè)這些質(zhì)點都相等且質(zhì)量為1，則上式的物理意義則表示各質(zhì)點到原點的平均距離，則平均原點靜矩就是各質(zhì)點到原點的平均距離。我們就是提取這個距離作為特征點進行匹配。 基于原點靜距的特征提取本文在圖像預(yù)處理階段是首先提取采集圖像的有效區(qū)域后而進行的，這個有效區(qū)域的大小是128128像素大小，如果我們把整幅細化后的二值化圖像進行提取平均原點靜矩的話，只能得到一個特征點，這個根據(jù)我們的經(jīng)驗就可以知道這有一個特征點要在眾多類別中進行分類這是不現(xiàn)實的，因此，我們借用文獻在人臉識別中所采用的思想，即對人臉進行分割，分割成同大小的子臉，然后分別對人臉進行特征提取，然后計算待測樣本和模式樣本之間的距離來進行匹配。根據(jù)這種思想，我們也把所得到的有效區(qū)域的二值圖像進行分割，然后在每一個小區(qū)域內(nèi)分別計算它的平均原點靜矩，其具體的步驟為：1）首先，把二值圖像分為大小的子圖像，（a）所示，的大小取值我們將在下面進行計論。2）我們定義每個子圖像的左上角為坐標原點，（b）所示。3）計算這個子圖像的平均原點靜矩，得到一個距離值，我們把它作為特征向量的一個維，與其它子圖像的距離值組成一個多維向量。4）移動坐標原點到下一個子圖像，（c）所示，重復(fù)上面第3）步，然后得到特征向量的第二維。5）重復(fù)第4）步，直到計算完所有的子圖像，最后得到一個維的特征向量。 (a) (b) (c) 算法原理示意圖以上步驟就是整個算法的操作方法，最終得到模式樣本的特征向量，此方法不用存入內(nèi)存大量的圖像信息，只要存儲這個特征向量即可。 匹配算法在研究了國內(nèi)外已有文獻中提及算法的基礎(chǔ)上，首先對目前比較流行的基于特征點的算法進行了一些優(yōu)化。近年來流行的基于特征點的匹配方法只是利用了局部的特征信息，所以信息量比較少，這對于圖像的少量平移或者一些噪聲的抗干擾能力比較低，所以我們提出了利用所有的靜脈紋絡(luò)來進行特征提取，則這些特征囊括了所有的靜脈紋絡(luò)中的點，從而增加所提取特征的代表性。 基于原點靜距的識別分類人體手背靜脈識別系統(tǒng)的主要目的是給出輸入系統(tǒng)的待識別圖像的類別歸屬，而分類器是這個系統(tǒng)的最后一個階段，也是影響模式識別的另一重要問題，我們把測試樣本中提取的分類特征輸入到分類器的分類規(guī)則中，通過分類器輸出最后的識別結(jié)果。分類器實際上是一種判決規(guī)則，使按這種規(guī)則對被識別對象進行分類所造成的錯誤識別率最小或引起