论文研究-SIFT特征提取的指静脉认证技术研究 .pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.38M 资料格式：pdf 举报版权申诉

weixin_39840914-11547502-4744302543376254620.pdf-第1页.png

第1页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第2页.png

第2页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第3页.png

第3页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第4页.png

第4页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第5页.png

第5页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第6页.png

第6页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第7页.png

第7页 / 共10页

weixin_39840914-11547502-4744302543376254620.pdf-第8页.png

第8页 / 共10页

文本预览

5 10 15 20 25 30 35 40 中国科技论文在线 http://www.paper.edu.cn SIFT 特征提取的指静脉认证技术研究魏坦，方沛宇** （北京邮电大学计算机学院，北京市 100876）摘要：随着信息安全对人们来说越来越重要,生物识别技术基于人类的生物特征或者行为来识别,本身就具有可靠性。关于生物识别技术主要有虹膜，指纹，静脉等，而指静脉由于其易于获取，成本不高，具有一定的研究价值。SIFT 算法由于其抗干扰，抗伸缩，抗旋转等特点，被广泛应用于图片的识别。但是由于指静脉由其信息量较少，采集的图片分辨率低，干扰较多，从而比手背静脉，指纹等难于识别。而其优点在于方便采集等。本文就遇到的问题分别对指静脉进行分割，二值化，平移进行校准，同时压缩特征向量减少其维数，同时取得了较好的识别率关键词：手指静脉识别；SIFT 算法；模式识别；图像分割中图分类号：TP391.4 Research on finger vein authentication technology based on SIFT feature extraction (School of Computer Science, Beijing University of Posts and Telecommunications, Beijing Wei Tan, Fang Peiyu 100876) Abstract: As information security becomes more and more important to people, biometrics technology is based on human biometrics or behavior to identify itself with reliability. The biometric technologies mainly include irises, fingerprints, veins, etc. The finger veins have certain research value due to their easy access and low cost. SIFT algorithm is widely used in image recognition due to its anti-jamming, anti-scaling and anti-rotation features. However, due to the small amount of information in the finger veins, the resolution of the collected images is low, and the interference is much more difficult to identify than the hand veins and fingerprints. The advantage is that it is convenient for collection.In this paper, the finger veins are segmented, binarized, and translated, and the dimensionality is reduced by compressing the feature vectors. At the same time, a good recognition rate is achieved. Keywords: Finger vein recognition; SIFT algorithm; pattern recognition; image segmentation 0 引言信息技术的发展，对信息技术提出了更新更高的要求。网络信息化时代对人的身份进行识别的需求应用越来越多，更要求身份的数字化和隐性化，怎么准确鉴定一个人的身份，保护信息安全，是信息化时代必须解决的一个问题。由于传统身份识别的携带不便，易遗失，以破解等缺陷，人体生物特征识别技术应用越来越广泛[1]。通过计算机将人体所固有的生理特征或行为特征收集进行处理，来进行个人身份鉴定。目前，一些用于身份鉴别的生物统计特征主要有指纹，指纹，虹膜，DNA，视网膜，手形等。相对于以指纹为代表的的几何特征或纹理特征，易于盗窃和复制，虹膜等识别技术的设备昂贵复杂。静脉识别具有速度快，精度高，安全等级高，设备简单，非接触等特性，具有很高的研究价值。指静脉识别是通过人的手指静脉信息进行识别。手指静脉图像的获取是通过近红外线，作者简介：魏坦（1991-），男，硕士研究生，主要研究方向：模式识别通信联系人：方沛宇(1966-），男，教授，硕士生导师，主要研究方向：嵌入式系统、无线宽带通信、多媒体处理等方面的研究和开发应用工作，指静脉识别. E-mail: fangpeiyu@bupt.edu.cn - 1 -

中国科技论文在线利用近红外线会被血管中的血红蛋白吸收的原理而形成的[2]。医学的研究证明不同人的手指静脉图像是不同的可以作为唯一性的生物特征，从而使得手指静脉可以用于人的身份的识 http://www.paper.edu.cn 别。指静脉识别的识别准确率和安全级别都很高，同时，指静脉识别是非接触式的生物识别方式，用户使用指静脉进行身份认证无需指静脉接触识别，很容易被用户所接受。而 SIFT 在图像匹配有着广泛的用途，比起其它匹配，它比较容易抗旋转，尺度缩放，并且识别率较高。说以本文利用 SIFT 来进行指静脉识别，并改进它遇到的一些问题。 1 流程简介 45 50 手指静脉识别主要包括一下几步：（1）通过红外线发射装置采集手指静脉图片，并且调整图片的位置、角度、大小、灰度值，使其符合规格，同时把 rgb 图片转换成灰度图片，获得感兴趣区域，最后尺度灰度归一化。 55 （2）使用基于方向谷型的静脉纹路分割初步分割出静脉区域，然后使用局部二值化找到准确静脉区域，最后经过中值滤波滤掉一些噪点。（3）采用手指静脉图像算法对指静脉图像进行校准，主要是对一些平移的静脉进行校准，使其方便后面的匹配进行，接着进行 SIFT 的特征向量提取。（4）特征向量匹配用的是向量夹角，计算测试图像合理的匹配点，通过限定匹配阈值， 60 挑出错误匹配，来确定匹配点的数目，以至于决定两幅图片是否匹配。图 1 指静脉识别处理流程 2 指静脉识别的详细流程 65 2.1 指静脉预处理在采集手指静脉图片的时候，只要通过近红外线来投射手指，同时利用微型照相机来拍摄图像就可以了。对图片的预处理主要是为了得到手指静脉特征对图像的目标特征进行增强，并且获得感兴趣区域。 2.2 图片的二值化分割 70 2.2.1 初步阈值分割由分析手指静脉图像可知，手指静脉相对于背景很暗，像素变化上属于较低灰度值点，与静脉走向垂直的截面中，静脉是类似于谷形区域，而手指静脉图像的谷形区域有比较清晰的方向场利用 8 个方向的模板算子对该点领域内的点分别做卷积，然后把 8 个方向上的最大卷积做为该点的像素灰度值。这就得到一个含有静脉特征的图像。对于图像的每一个像素，为了确定像素的脊线方向，在以该像素点为中心的 9 乘 9 窗口内，分别计算与之对应的 8 个方向上的算子的卷积，然后得到 8 个方向上的最大卷积，以最大卷积作为该点的灰度值。 75 - 2 -

中国科技论文在线 http://www.paper.edu.cn 经过谷形区域检测的卷积变化后，谷形区域像素灰度值大于 0，平坦区域为 0，而凸形区域小于 0，大于 0 的一定是静脉特征，小于 0 的为非静脉，可以进行第一次阈值分割，分割公式如下： Gray( m n , )     Gray Gray m n ( , ) 其他 0  0 （1） 2.2.2 用 Niblack 算法进行精心的阈值分割 Niblack 算法是对每一个像素在一个窗口内求平均值与标准差，平均值对加上加权的标准差作为二值化标准的阈值。计算公式如下： A verage ( nmS , ( ))  1 2)(1 P  )1 2( P  p P   m  p n  Gray p ( nm , ') （2） ( nm ),  1 )1p2)(1  2( P  p p   Gray ( pm p   nmT ( ),  n ( nm ), '  Average nmS , (( ))) 2 （3） Average nmS , (( )) (  nm ), （4） 80 85 这样图像每个像素都有阈值，利用阈值进行二值化：  1   0 ' nm ),( Gray  ' nmGray ),(  其他 nmT ),( （5） 2.2.3 用中值滤波除去一些噪声 90 Niblack 二值化后会产生一些噪声，而一些线性滤波器会带来一些图像细节模糊，从而丢掉一些细节轮廓，中值滤波可以一定程度克服这些问题。原图片初步阈值分割 niblack 分割中值滤波图 2 指静脉信息分割 95 2.3 图像校准与 SIFT 特征提取 2.3.1 手指静脉图像校准 100 手指静脉识别过程中，由于主观及客观因素导致的采集环境的变化有时会使得到的手指静脉图像与样本库中的同一个个体的手指静脉图像具有一定的差别[3]，由于 SIFT 容易造成错误点的匹配，该些差别会极大地増加匹配的难度，对手指静脉识别系统的识别精度造成影响。所以要首先对分割好的指静脉图片进行校准，使后面 SIFT 匹配更好确定匹配点的范围。本文通过手指静脉的节点位置信息实现手指静脉图像的校准。指静脉图像校准如下： (1)预处理因此要提取指静脉的节点位置信息，并且通过形态学闭运算填充指静脉图片中的静脉和 - 3 -

中国科技论文在线断点，方便提取更准确的节点。 http://www.paper.edu.cn 105 110 (2)指静脉节点的提取节点是根据细化的静脉骨骼图像找到交叉点。所以先要进行指静脉的细化和去毛刺。指静脉的细化与去毛刺步骤如下首先检测点为 P ,P1,P2,…,P8 为待检测点的相邻点，相邻点与检测点 P 的关系如图 3-3 所示。对于同时满足以下条件的检测点 P 进行标记，即标记 P 为要删除的点。 Num p ( ) 6   （6） Transfer(P) = 1（7） P2 * P4 *P6 = 0（8） P4 * P6 *P8 = 0（9）其中 Num(P)为检测点 P 的相邻点(P1,P2,…,P8)非零个数，即 Num(P) = P1 + P2 + … + P8。 2 115 P 和相邻点(P1,P2,…,P8)构造长度为 9 的序列 P2,P3,…P8,,P1,P2，Transfer(P) 为序列中从 0 转换到 1 的次数，例如图 3-1 所示的示例中 Num(P) = 3，Transfer(P) = 3。 p 1 p 8 p 7 p 2 p p 6 p 3 p 4 p 5 0 0 1 1 0 0 0 1 p 接着对于同时满足以下条件的检测点 P 进行标记，即标记 P 为要删除的点。图 3-1 细化点与相邻关系点图 3-2 细化点计算示例 120 125 2 Num p ) 6 (  （10）  Transfer(P) = 1（11） P2 * P4 *P8 = 0（12） P2 * P6 *P8 = 0（13）手指静脉图像细化算法是一个迭代的算法，迭代过程如下： 1)按步骤一对需要删除的点进行标记 2)删除所有标记点 3)按步骤二对其余的点进行标记 4)删除所有标记点最后可以通过细化之后的手指静脉图像提取特征点，包括静脉端点和静脉交叉点。通常 130 采用邻域特征点提取算法提取手指静脉特征点。 (3)指静脉图片校准图 4 手指静脉图像细化以及提取特征点 - 4 -

中国科技论文在线 http://www.paper.edu.cn 135 在采集手指静脉图像的过程中，手指可能产生平移，尺度，旋转，本文采用如下公式描述其变换 S 1 0 0      0 0 S 1 0 0 1           S 2 0 0 1     0 1 0 0   0 1 0 0     0 S 3 0 0 1 0 cos      sin    0       sin  cos 0 0 1 0     0 0 1   1 0 0     T 1 T 2 1 ' ' x y 1 x           y     1             （14） 140 145 150 155 160 165 ) 其中,( , x y 代表采集的手指静脉图像中的某个节点的位置, x y 代表手指静脉样本 ' 库中对应手指静脉图像中对应节点的位置，S1，S2，S3 分别为某点坐标在 z 轴、x 轴和 y 轴方向的尺度变换的系数，T1 和 T2 分别某点坐标在 x 轴和 y 轴方向的平移变换系数, 为旋转角度,式子中的平移,尺度和旋转矩阵顺序是可以变化的,不同的顺序产生不同的变换效果。我们通过采集一定量指静脉图片的统计发现，对应节点的三种变化范围有限，指静脉图片不可能做大范围的变化，通过化简变换矩阵的乘法，我们可以得到式子（15）的化简系数。 ( , ' ) a b d e 0 0      c f 1 x 1 y 1 1           x 2 y 2 1 x 3 y 3 1            x ' 1 y ' 1 1 x ' 2 y ' 2 1 x ' 3 y ' 3 1      （15）由表得采集图片的变化范围，可以由他们之间关系得到 a,b,c,d,e,f 的范围，只要两个图片对应的任意三个节点之间至少有一组的映射矩阵满足我们规定的范围，我们就可以认定他们有可能是同一个指静脉，接下来就可以进行静脉图片的校准。具体过程为：分别计算两幅 C C 个图像变换矩阵，如果图像变换矩阵中的所有系数均在规定的范之内则相应图像的 3 n 3 m 的图像变换矩阵为有效的，如果没有一对变换合乎变换范围之内，则肯定不匹配，不用校准，其余的则需要校准。如果两幅图像之间只存在一个合格的图像变换矩阵，则通过该图像变换矩阵来进行图像的校准，即使对两幅不属于一个个体的图像进行了校准，但校准之后的图像依然不会提高两幅图像的匹配度；如果两幅图像之间存在多个合格的图像变换矩阵，则分别采用多个图像变换矩阵进行图像校准，校准之后分别计算各校准后的结果与样本库图像的静脉节点的平均最小距离 minD ，选其作为变换矩阵。假设待识别的图像包含 n 个静脉唯点，n 个静脉节点的集合为 R 样本库中的图像包含静脉节点，m 个静脉节点的集合为 E,则 minD 的定义如公式(16)所示: D min 1 n   n  k 1 d k 　 (16) 其中， kd 或为 kr ，到集合Ｅ中所有节点的最小距离。 2.3.2 SIFT 特征提取 SIFT 算法[4]的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT 所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。对于生成特征点的描述符，先确定特征点的方向，通过计算特征点周围点邻域的特征点的大小和方向，得到一个涵盖 8 个方向的方向直方图，确定一个主方向，一个辅助方向。接 - 5 -

中国科技论文在线 http://www.paper.edu.cn 着生成特征向量，把图像旋转到主方向上，将特征点周围窗口分解成子窗口，每个子窗口计算方向，并以高斯函数加以付权重，最后组成一个大的特征向量，即该点的 SIFT 特征向量。基本流程如下：图 5 SIFT 特征生成流程图 1.获得 DOG 金字塔： SIFT 算法是在不同的尺度空间上查找关键点，而尺度空间的获取需要使用高斯滤波来实现高斯模糊是一种图像滤波器，它使用正态分布(高斯函数)计算模糊模板，并使用该模板与原图像做卷积运算，达到模糊图像的目的。图像的尺度空间为： L x y ( , , )   G x y ( , , )   I x y ( , ) (17) L 为尺度空间函数,G 是尺度变化的高斯核函数,其中是标准差，经过多次试验得出取 1.6 较好,即 2 2 ( y x   2  e ) 2  ( , , )  G x y 1 2 2  构建手指静脉图像的高斯金字塔步骤如下：对于一幅图像 I,建立其在不同尺度(scale)的图像，也成为组(octave)这是为了尺度缩放，也就是在任何尺度都能够有对应的特征点，第一个组的 scale 为原图大小，后面每个 octave 为上一个 octave 降采样的结果，即原图的 1/4(长宽分别减半)，构成下一个子组(高一层金字塔)。 (18) 每个金字塔共 n 层。金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定，其计算公式如下： ,  2  2 n   ) t t , M N M N   log min( [0,log min(  ) ] 其中 M，N 为原图像的大小，t 为塔顶图像的最小维数的对数值。高斯平滑参数与分组数 o，分层数 s 之间的关系为： s 1], 其中， 0 是基准层尺度,o 是组坐标，s 是层坐标。由于高斯差分算子比较接近拉普拉斯算子，所以用高斯差分算子来代替拉普拉斯算子来 (19) (20) 2   o s ( , ) o o  [0, [0,    o s S , O  1] , S  min  0   , , 进行极值检测：高斯差分图像 DOG 为： D x y ( , , )   ( ( , G x y k ,  G x y k , )   L x y k ( , ,  ( , )  I x y )) ( , )   L x y , ( , )  (21) 2.尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。关键点是由 DoG 空间的局部极值点组成的，关键点的初步探查是通过同一组内各 DoG 相邻两层图像之间比较完成的。为了寻找 DoG 函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如图所示，中间的检测点和它同尺度的 8 个相邻点和上下相邻尺度对应的 9x2 个点共 26 个点比较，以确保在尺度空 - 6 - 170 175 180 185 190 195 200

中国科技论文在线间和二维图像空间都检测到极值点 http://www.paper.edu.cn 205 3.剔除不稳定点：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。 210 DOG 算子会产生较强的边缘响应，需要剔除不稳定的边缘响应点。获取特征点处的 Hessian 矩阵，主曲率通过一个 2x2 的 Hessian 矩阵 H 求出： H     D D xx xy D D xy yy    (22) 215 220 225 230 235 D 的主曲率和 H 的特征值成正比，令为最大特征值，为最小的特征值，则公式 1) r ( 比值越大，即在某一个方向的梯度值越大，而在另一个方向的梯度值越小，而边缘恰恰就是的值在两个特征值相等时最小，随着的增大而增大。值越大，说明两个特征值的  r 2 这种情况。所以为了剔除边缘响应点，需要让该比值小于一定的阈值，因此，为了检测主曲率是否在某域值 r 下，只需检测 Tr H ( ) 2 Det H ( ) 2 ( r  2 1)  r (23) 成立时将关键点保留，反之剔除。在一般情况下，取 r=10 4.方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。上一步中确定了每幅图中的特征点，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。 )    2    )   1,  1, L x ( L x ( ( 1, k )  y k , ))  y k , )   x y ( , g x y ( , L x y ( ( , arctan(( ( , k ))  （24） y k , ))) （25）公式（24），（25）为(x,y)处梯度的模值和方向公式。其中 L 所用的尺度为每个关键点各自所在的尺度。至此，图像的关键点已经检测完毕，每个关键点有三个信息：位置，所处尺度，方向，由此可以确定一个 SIFT 特征区域。 L x )) ( ( L x y ( , y k , )  L x y ( , L x y 1, k )  1, k   L x (  1,  1,  1,   2  在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。梯度直方图将 0~360 度的方向范围分为 8 个柱，其中每柱 45 度。在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。首先将坐标轴旋转为关键点的方向，以确保旋转不变性，以关键点为中心取 8×8 的窗口。 - 7 -

中国科技论文在线 http://www.paper.edu.cn 图 6 特征向量的统计图左部分的中央为当前关键点的位置，每个小格代表关键点邻域所在尺度空间的一个像素，利用公式求得每个像素的梯度幅值与梯度方向，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，然后用高斯窗口对其进行加权运算。图中的圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在每 4x4 的小块上计算 8 个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图右部分示。此图中一个关键点由 2x2 共 4 个种子点组成，每个种子点有 8 个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。计算特征点周围的 16x16 的窗口中每一个像素的梯度，而且使用高斯下降函数降低远离中心的权重。这样就可以对每个特征向量形成一个 4x4x8=128 维的描述子当=1.6 提取到的 SIFT 特征向量，以及最近距离的匹配点对于图片库 81x162 的图像，大约可以去到 150-250 个特征点。 6.特征点之间的特征向量匹配[5] SIFT 特征点是由 128 维的特征向量组成，测试图像和注册图像的两个特征向量之间，其相似性可以通过它们的欧氏距离，绝对差，余弦角度，直方图相交等来计算。考虑到匹配 240 245 250 255 精度和计算时间这里用两个余弦值的夹角作为匹配规则。两个特征向量的余弦夹角最近，并且比其他所有的夹角要近 R 倍以上，可认为这两个向量是匹配的。即： des des des Qq ,( des arccos （26））（ q ,p    ) p p         Qq ,( ) 260 pdes 是测试中 SIFT 特征点 p 的特征向量，Q 是注册图像征向量如果满足下面式子，就认为这两个特征向量匹配成功 des 中 SIFT 特征点 q 的特 ,( Qq )  ）（ qp , ' qp , ) (  qQqR , ,  ' '  q （27）可能测试图像多个匹配到了注册图像的一个点，这时要选择最近的点，当做匹配点，并且删除其它匹配点 265 由于当测试图像多个近邻特征点拥有相似的局部灰度分布时，其特征向量也会相似，就会照成错误匹配，使得匹配线的斜率变大。因此我们设置一下水平与竖直斜率的范围就可以，并且可以不用随机采样一致性（简称 RANSAC）算法进行筛选，直接限定测试图片匹配点与样本图片匹配点的 x，y 轴距离就可以了。 - 8 -

分享到：

赞收藏

资料库

论文研究-SIFT特征提取的指静脉认证技术研究 .pdf

相关推荐

开发技术

热门标签

最新资料