静脉识别的结果与分析 静脉识别的静脉识别
由于静脉分割后其边缘并不光滑,直接对其细化将产生许多毛刺,必须对其进行平滑处理。根据形态学操作的特点,本文首先对图 5所示分割结果进行形态学开操作,断开狭窄的间断和消除细长的毛刺,接着用面积阈值法去除那些被断开的斑点和斑块,然后使用闭操作以连接断开的静脉,并进一步采用中值滤波来平滑静脉边缘.经实验分析得知,中值滤波器的模板越大、滤波次数越多,骨架失真越大,反之越小。 Hu于 1961年首先提出了基于直角坐标系的原点矩、 中心矩等几何矩的概念,之后又运用归一化中心矩组合定义了 7个不变矩.和其他类型的矩相比,这 7个不变矩对于平移、 旋转和比例缩放都具有较好的不变性,因此适合于作为识别分类的特征.但这 7个不变矩的变化范围很大,直接作为特征用于识别效果不是很好,必须加以修正,本文利用取对数的方法进行数据压缩,同时考虑到不变矩有可能出现负值,因此,本文实际采用的不变矩为下式M′ i = lg|Mi | , i = 1, 2, 3, …, 7 . (3)然后将 M′ 1~M′ 7作为静脉骨架的不变矩特征,并应用下式构造矩特征向量M = (M′ 1 ,M′ 2 ,M′ 3 ,M′ 4 ,M′ 5 ,M′ 6 ,M′ 7 ) . (4)以 007号手背静脉图像 (007 hv 1 . bmp~007 hv 5 . bmp)为例,其静脉骨架的矩特征向量如表 1所示.表 1 修正后的静脉不变矩特征向量静脉图像不变矩 hv1 hv2 hv3 hv4 hv5M′ 1 0 . 746 132 0 . 755 544 0 . 761 463 0 . 762 629 0 . 745 536M′ 2 - 1 . 300 106 - 2 . 232 351 - 2 . 166 532 - 0 . 822 852 - 0 . 653 529M′ 3 0 . 102 239 0 . 121 920 - 1 . 329 910 - 1 . 107 078 - 0 . 648 701M′ 4 - 1 . 832 518 - 1 . 618 541 - 1 . 319 387 - 0 . 180 293 - 0 . 002 694M′ 5 - 2 . 152 984 - 1 . 867 573 - 2 . 037 022 - 0 . 623 853 - 0 . 334 567M′ 6 - 2 . 053 364 - 2 . 828 432 - 2 . 437 842 - 2 . 036 446 - 1 . 399 067M′ 7 - 1 . 003 532 - 2 . 716 815 - 1 . 477 484 - 0 . 522 549 0 . 535 775
主要是利用静脉血管的结构来进行身份识别。由于静脉纹络包含大量的特征信息,可以作为验证的对象。手掌静脉识别的原理也是利用静脉血管与肌肉、骨骸之间对特定波长红外光不同的吸收特性来进行静脉血管造影。与手掌静脉识别的原理相同。由于手掌较厚,红外光通常无法进行透射,因而只能采用反射造影法。红外光照射在手背上,有静脉的部位吸收红外光反射暗淡,肌肉与骨路部位反射强烈,从而实现对静脉的造影。静脉纹络在人体内部很难被伪造,静脉识别是一种新兴的红外生物识别技术 ,它是根据静脉血液中脱氧血色素吸收近红外线或人体辐射远红外线的特性 ,用相应波长范围的红外相机摄取手背 (或指背、 指腹、 手掌、 手腕 )的静脉分布图 ,通过归一化、 去噪等预处理后进行滤波增强与静脉纹路分割、 细化修复 ,然后提取其特征 ,再与预先注册到数据库或储存在 I C卡上的特征数据进行匹配以确定个人身份[ 1 ] .由于每个人的静脉分布图具备类似于指纹的唯一性且 成年后持久不变的特点 ,所以它能够唯一确定一个人的身份.此外 ,它具有其他生物特征识别技术所不具备 的优点 ,因而具有广泛的应用前景 ,得到广大学者的关注.
支持向量机 ( SVM)是数据挖掘中的一个新方法 ,能非常成功地处理模式识别 (分类问题、 判别分析 )和
回归问题 (时间序列分析 )等诸多问题 ,并可推广到预测和综合评价等领域.将两分类向量机通过一定方式
组合起来可形成多分类支持向量机 ,实现多分类的功能.常见的组合方式有一对一方式和一对多方式.
本文采用台湾大学林智仁 (Chih2 Jen Lin)等开发设计的 L I BSVM软件包进行实验[ 7 ]
,利用 L I BSVM提供
的开放源码 ,通过修改、 参数调整 ,选用 C2 SVC模型、 径向基函数、 一对一方式对静脉图像进行识别.将式 (4)
所提取的静脉骨架矩特征向量 M 作为支持向量机分类器的输入向量进行分类识别.
识别实验在 Mohamed Shahin博士提供的手背静脉图像数据库[ 8 ]
上进行 ,库中共有 100个手背的静脉
图 ,每个手背有 5幅样本图像 ,共 500幅图像 ,原始图为 320 × 240的 256色灰度图.静脉识别实验从每个手
背的 5幅图像中任选 3幅用作训练 ,剩余 2幅用作识别测试 ,实验结果获得了 191 /200 = 95 . 5%的识别率.
在实验中发现 ,如果在选取样本时 ,剔除那些受噪声影响严重、 分割出的静脉图严重变形的 12个样本,
那么识别率可以达到 175 /178 = 98 . 3%.由此可见 ,原始静脉图的质量以及静脉纹路的分割、 骨架的细化效 果对识别率影响比较大.因此 ,改善图像的采集质量以及提高静脉纹路分割、骨架细化的算法效果是提高识。