手指静脉检定系统的平均曲率

1、手指静脉检定系统的平均曲率摘要手指静脉模式是一种可用于个人验证信息的人体生物特征。使用手指静脉模式验证过程的第一个任务是从一个红外手指图像中提取图案。作为一个强大的提取方法，我们提出了平均曲率的方法的概念，以静脉图像的几何形状，发现山谷状的负平均曲率结构。实验结果表明，当匹配的像素比是采用的匹配的静脉模式时，在保持低的复杂性的同时，所提出的方法达到0.25%的相等错误率，这是明显低于现有的方法且易于实现的。关键词：平均曲率 手指静脉 个人验证 生物识别技术 1简介随着自动识别系统越来越普及，生物识别技术的重要性也渐渐增加。生物识别是指验证方法收集方法基于人的生理和行为特征的识别方法。指纹、人脸

2、、虹膜、静脉模式验证是使用物理特征的生物特征识别的例子，签名验证是行为特征的例子。这些生物指标体系用于机场、银行、房屋等。此外，在不久的将来，因为它的便利与性能，许多安全系统将采用生物特征识别技术。指纹验证已在许多应用中使用多年。尽管它有它的好处，但这种方法是容易受到伪造，因为指纹很容易接触到别人。此外，它需要手指和设备之间的接触，从卫生的观点上来看并不可取。手指静脉识别是一种新兴的生物特征识别技术的应用。当红外光线照在手指上，静脉血血红蛋白吸收，所以静脉的区域比其他的地区暗。图1显示了一个用于捕获手指图像的原型装置，并截了图。通过这样的图像，静脉模式被提取和匹配来验证个人身份。与其他生物特征

3、识别方法相比，手指静脉验证有几个好处。首先，静脉模式是对于它的使用者来说是独一无二的，可以保证验证性能的准确作用。基于一个从500人中获取的大数据统计分析指出，手指静脉验证是一种强大的生物特征识别技术。此外，从事实中得到的其另一安全性是，在通常情况下，手指静脉模式是不会被其他人或机器给识破的。最后，相比于手掌静脉验证系统，该设备的大小可以比前者更小更便利的。在本文中，我们提出了一个新的手指静脉验证系统使用的平均曲率。在表面上的一个点的平均曲率，粗略地说，便是曲面的曲率在所有方向上的平均曲率。将图像的灰度曲面作为一个几何对象，用该方法可以看到的静脉图案类似于谷状结构。一个山谷般的结构，我们的意思

4、是指一个长期的渠道，像一个排水沟，其横截面像U或V的形状，其倒置我们称其为脊状结构。负平均曲率的点集被确定为一个山谷状结构。平均曲率已被用于在其他应用程序，用于确定脊或山谷的相似程度图2显示了手指静脉认证系统的操作流程。首先，红外光线照在由CCD摄像机和图像形成的手指上，噪声去除是第一步需要去处理的，我们使用高斯平滑滤波器来完成；其次，在分割步骤中，手指区域从背景中分离。然后从手指使用平均曲率的区域中提取出静脉图案；最后，匹配步骤中，将所提取的静脉图案与参考模板进行比较。匹配的结果将会得出答案，这两个图像是从同一个手指还是从不同的手指中提取的。2平均曲率一个图像的强度分布可以看作是一个定义在二

5、维空间的标量函数f：R2R。图像的每一点P对图像都有一个单位法向量相对于强度曲面。一个正常的平面，在该平面上，如果平面和曲面的交点是由该函数表示的平面曲线，则其曲率计算如下：有无限多的正常平面的曲率和曲率的变化从一个正常平面到另一个。在P的曲率的最大值和最小值叫做主曲率和相应的切线方向称为主方向。在光滑的表面上的两个主要方向已知是正交的。平均曲率H的两个主曲率k1和k2的算术平均值，即：它可以证明，假设一个光滑的表面，H等于在任何两个正交切线方向两曲率的平均。这一事实在计算的观点是非常重要的因为它使平均曲率位置的函数不同，举个例子，最大曲率特征法也取决于方向性。现在H可以被表示，无论主方向如何

6、，作为归一化梯度矢量的发散，在X-射线和方向总是是正交的。F表示图像的强度场，同时 ，我们有：其中下标表示偏微分。平均曲率是量化的方法之一平均曲率是一个量化的山脊或山谷的相似程度的措施。平均曲率大的呈现脊状结构和小的呈现谷状结构。3预处理3.1手指区域分割分割是指从背景中切割出手指区域的过程。背景经常有助于降低匹配算法的性能。我们的图像分割使用平均曲率和拉普拉斯。首先，我们检测手指的轮廓分割图像的拉普拉斯。一个手指图像及其阈值的拉普拉斯分别显示在图3（a）和（b）。确定的阈值电平，以便不会检测到手指区域内的手指静脉。然后，我们找到最接近的水平中心线的边界。这样的阈值自然会不可避免地留下部分手指

7、边界未被发现。因此，我们采用的平均曲率来填补空白，因为从图3可知，平均曲率对于弱或模糊的强度变化是很敏感的。图3显示了最后的分割图像。此分割过程中同样被施加了一个作为预处理的所有我们在实验中比较过的提取方法，所以我们可以说，它会不影响相对提取性能。3.2平滑手指静脉图像的CCD摄像机所拍摄到的图像有明显的噪声，在静脉特征提取上可能会成为问题。为了平滑噪声的图像的大小为640X480个像素，我们应用在分割一个2维对称高斯滤波器的大小为7X7像素和标准偏差3像素。4静脉模式提取手指静脉图案的图像表现为谷状结构，其像素比它周围的区域更暗，一个山谷般的结构具有低和负平均曲率。图4显示的是手指静脉图像的

8、一小部分和其三维图的平均曲率。我们可以看到图像段包含三条纹理：两厚一薄。正如预期的那样，在这些静脉的平均曲率明显低于非静脉区域。薄的静脉通常更难以提取，因为它们通常是由附近的厚静脉，如图4（a）的三维图所示。然而，关于平均曲率，在每个点仅使用局部曲率，所以所有三个静脉表现出类似的平均曲率值如图4（b）。因此，因此，我们可以从简单的全局阈值的图像段提取三静脉。能够处理细脉以及厚脉有进一步的意义。如出现在一个图像中的静脉的厚度，不仅仅是由真实的静脉厚度确定，而且也有许多其他因素，如照明条件、相机曝光、血流量和温度等等。在某些情况下，在一个图像中看起来很厚的静脉可能在另一个条件下看起来并非如此。图5

9、（a）和（b）分别显示一个完整的指纹图像，以及其平均曲率H，图5（c）显示的白线指示该区域具有负的H值。可以看出，中心线的静脉图案被正确地提取了。平均曲率法的另一个优点是简单。首先，事实上，平均曲率是一个定位功能，不依赖于方向，使得它比其他使用曲率方法更简单。其次，平均曲率法只使用归一化的梯度和发散，所以在我们的测试图像没有额外的参数是很有必要的，除了全球的阈值水平。相反，局部阈值和线跟踪法等需要窗口大小参数、阈值水平，和跟踪方向的额外参数。对于最好的结果，就需要调整这些参数到每个测试图像，它可能是一个不那么简单的任务。这一点可能不是一个真正的优点，当图像质量差时，提取方法就会变得相当复杂。5

10、手指静脉模式匹配对于非二进制模式匹配，对比法是比较常用。为要求匹配的图案在这里都是二进制的，我们使用匹配的像素比（MPR）来评估我们和其他静脉提取方法的性能。MPR是匹配的像素数在匹配模式的总的像素数比。这项措施是适当的，不是为了比较不同的模式，而是对于评估一个系统，作为我们自己，这已经控制了图像被捕获的质量。让Y表示输入的二进制图像i和模板t之间的MPR，这是匹配的参考图像。它表示为：有些从同一个手指得到的静脉图案不与模板相同，但是它们可以被旋转或转化。在实验中发现，无补偿，超过2度的旋转会导致难以正确匹配。为了补偿一个可能的旋转，我们找到了最佳匹配的图像，通过以每2度一步从-10到10度旋

11、转输入图像，得到的图像之间的最佳匹配。我们使用最近邻插值得到旋转的图像。翻译是通过寻找最佳匹配的像素之间每个旋转的图像的像素平移。我们假设没有非平面旋转，也没有弯曲手指。6实验结果在这一节中，我们测试了所建议的方法，也测试了其他方法。我们的测试图像，不仅包括真实的红外指纹图像，也包括合成图像。合成图像是重要的，因为如果一个真实的图像显示了一个黑暗的痕迹，我们永远不会知道这里面是否有存在或不存在的静脉。6.1合成图像的实验合成的测试图像被创建，以便进行真实的手指静脉图像的各种方面。首先，合成的静脉需要在各个方向上运行，因为一些方法以及提取静脉会在某一方向，而不是在其他方向上。其次，他们需要包括在

12、静脉的交点处，特别是在不同厚度的静脉的交点处和经常提取失败的地方。再次，测试图像需要有通过不同的对比度沿脉来模拟手指不同部位的各种光的吸收和不同的照明条件下的捕获装置。作为可以包含这些方面的简单模式，我们从图6（a）和（b）中选择圆环。该模式被转化成图像的高斯横截面，然后调整调整灰度，使它们看起来像真实的图像。高斯横截面模型的厚度和模糊的静脉。图6（a）从而转化为图6（c），然后，通过添加噪声变成图6（d）。图6（e）是从图6（b）转化而来，是由两个不同直径的环组成。注意图6（e）包括变化的厚度（右环更厚）和变化的背景亮度。不均匀的背景模型的不同的光吸收和不同的照明条件。高斯白噪声的CCD相机

13、的噪声和手指不规则模型，在图6（d）中信噪比增加了24 dB，在图6（e）中增加了16dB。图6（f）（Q）通过各种方法从合成图像中提取的模式。图6（f）（H）为平均曲率法得出；图6（I）（k）是根据局部阈值法得出；图6（L）（N）用的线跟踪法得出；图6（O）（Q）是曲率最大点（MCP）方法得出。为了公平比较我们采用Otsu的二值化用于MCP（Miura et al.，2007）。它的阈值被调整来为局部阈值法和线跟踪方法给出最佳的结果。我们计算了（4）模板和提取模式之间的MVR，结果列于表1。由于模板的厚度会影响MPR，我们应用形态学的细化的模板以及提取的模式。所建议的方法为所有的测试模式无论

14、是图6还是表1中的，无论是形态细化了还是没有细化的都给出了最佳的结果。它相比于其他方法在噪音、静脉方向、静脉厚度、背景变化干扰方面受到的影响要更少。这不均匀背景的影响的减小可以被一个使用本地曲率的方法的事实所解释。局部阈值法提取噪声图像清晰的图案。然而，对于噪音的图像，它不能给出确定的结果。噪音会干扰本地的阈值，这反过来会使环上出现一些不连贯的点，如图6（j）所示。此外，局部阈值法是很容易受不均匀的背景的影响的。图6（k）的影响是在左边和右边的分散点上的。由线跟踪法提取模式很混乱是因为这个方法会随机选择出发点和跟踪方向。在低信噪比情况下，这个问题更为突出。如果出发点是在非静脉区域，跟踪路径会徜

15、徉直到它偶然的进入静脉区域。这样嘈杂的路径累积产生杂乱的提取模式，如图6（m）和（n）。比较基于曲率的方法，我们观察到的平均曲率的方法提取的模式在所有的方向都是均匀而MCP方法产生的不平衡格局。不均匀的图案清晰可见，图6（o），零噪声下提取。这主要是由于后者估计的最大曲率只有四个方向（水平，垂直和对角线），而前者认为所有方向。一个人可能会认为，这个定向依赖可以解决的通过包括更多的方向。相对于已经存在的MCP方法只有4个方向计算的劣势，我们的方法有更多的方向，加上额外的插值，也是需要的，意味着在实际意义上无法计算的复杂性。如前一节所强调的，平均曲率方法可以通过一个单独的计算来考虑所有的方向。上述

16、实验假设的测试模式是已知的。然而，一个真实的系统，提取它也通过一个真实的图像，以获得的参考模式。我们利用图6不同条件下提取的模式之间的MPR值（b）评价重复性或一致性的方法。参考模式是从无声的模拟图像中提取与不同量的加性噪声测试图像中提取的模式相比（12dB，18分贝，24分贝，30分贝）和不均匀背景。我们进行了十个实验，使用独立的噪声样本的平均值和MPR。表1图7显示了不同信噪比下得到的平均保护。在所有的信噪比值中，使用所提出的方法得到了最佳的结果。虽然在无噪声图像上产生了明确的结果，但是局部阈值方法还是现实了它在重复性和可靠性上的弱势。7结论从手指静脉图像提取静脉图案是自动手指静脉验证系统

17、中的一个重要课题。我们提出了一个新的手指静脉提取方法，使用的平均曲率。此方法使用的强度场的几何性质，这使得它可以从不清楚的静脉图像中提取图案。我们的测试图像是从125个手指和我们建立采取的原型设备中得到的。我们的方法相等错误率（EER）是0.25%，这远低于现有的其他方法。从实际的角度来看，性能是所有因素中最重要的，因为它可以在一个相当低的计算复杂度的环境中实现。匹配算法在一个验证系统中非常重要，当它得到最终的决策时。我们使用匹配的像素比二进制模式的方法。这种匹配的一个缺点是，它需要整个手指静脉图案作为参考模板，这可能会使系统中针对个人信息的方面更容易受到攻击。进一步的研究需要考虑更多的安全匹

18、配算法，如特征点匹配算法。致谢这项工作是由韩国科学与工程基金会（KOSEF）授予由韩国政府出资（MEST）(No. R01-2006-000-10717-0).工具书类Eberly, D., Gardner, R., Morse, B., et al., 1994. 图像分析的脊. J. Math. Imag. Vision 4, 351371.El-Fallah, A.I., Ford, G.E., 1997. 图像滤波中的平均曲率演化和表面面积缩放. IEEE Trans. Image Process. 6, 750753.Jain, A.K., Pankanti, S., 2001. 自

19、动指纹识别和成像系统. In: Advances in Fingerprint Technology, second ed. Elsevier Science, New York.Lam, L., Lee, S., Suen, C.Y., 1992. 细化方法论. IEEE Trans. Pattern Anal. Machine Intell. 14 (9), 879.Lopes, A., Lumbreras, F., Serrat, J., 1998. 折痕从水平集外在曲率. In: Burkhardt, H., Neumann, B. (Eds.), Proc. Fifth Eur. Conf. Comput. Vision, Lecture Notes in Computer Science, vol. 1. Springer-Verla