基于特征模板的外指节纹特征提取方法

◆朱立军 李俊佳

基于特征模板的外指节纹特征提取方法

◆朱立军 李俊佳

（沈阳化工大学计算机科学与技术学院 辽宁 110000）

本文在光照和手背肤色差异的影响下，针对难以从不固定手背中定位和提取外指节纹纹理ROI（感兴趣区域）这一问题，提出了基于特征模板的外指节纹特征提取方法。首先，设计了一种自适应校正手背图像方法，根据手下端等距像素累计最多的角度值作为旋转角度，快速准确地完成了图像归一化校正。然后，对图像进行预处理，再通过sobel算子提取出手背轮廓，将所提取的手背轮廓利用凸包算法定位指尖点，根据指尖点以及手形特征矢量的关系确定外指节纹区域。最后利用设计的特征模板提取出外指节纹纹理特征。实验结果表明，提出的方法能在所建立的数据库中自适应提取出外指节纹纹理。

手形校正；外指节纹特征提取；卷积；凸包算法；索伯算子；霍夫变换；拉东变换；canny算子

在当今信息化时代，生物识别技术已经普遍应用且技术较为成熟，指节纹分为外侧指节纹和内侧指节纹（手心指节纹），其纹理是由远指节骨，中节指骨和近节指骨的指关节活动形成的。内侧指节纹的方向单一且纹理特征更加清晰，在采集时内侧可与掌纹使用相同的采集设备，所以内侧指节纹更容易与手形和掌纹等特征融合构成多特征融合的生物识别系统[1-3]，目前将内侧指节纹与其他生物特征融合作为身份识别较为成熟但没有广泛研究[4-5]。外指节纹较内指节纹纹理丰富，其作为单一生物特征能够达到较高的识别精度。2005年Woodard等首次提出指背指节纹识别算法[6]，2010年Zhang等人建立了FKP数据库，提出了一种有效的FKP识别算法来提取FKP图像的局部凸方向图，为基于指背表面的生物识别系统提供了实用的解决方案[7]。到目前为止主要公开的手背指节纹数据库有PolyU-FKP、HKPU-CHD、HKPU-CFK、HT Delhi-FK、THU-FVFDH[8]，所公开数据库采集的图像仅手指部分，无包含手掌的手背。近年将外指节纹和手指静脉结合作为身份识别进行研究迅速发展起来[9-12]，也研发了可同时采集静脉和指节纹的装置。但无论是公开的外指节纹数据库还是将外指节纹和其他生物特征融合作为身份识别认证，没有从不固定的完整手背中提取出外指节纹进行研究。且手背肤色存在偏色现象，利用HSV模型对手背的手形进行提取时很难确定阈值将手形和背景分离，加大了手背手形提取的难度[13]，而指节纹的ROI提取是根据手形轮廓上定位的指跟和指尖点来确定的，间接加大了外指节纹特征提取难度。

针对以上问题，本文首先设计一种校正方法，对采集的手背图像进行自适应归一化校正，然后利用设计的特征模板将外指节纹ROI纹理提取出来，具体外指节纹特征提取流程图如图1所示。

图1 外指节纹特征提取流程图

1 图像校正

手背校正的目的是规范化手背图像，受光照、肤色和手背摆放位置不同以影响，手形难以提取，从而增加外指节纹定位难度。传统对指节纹定位，在预处理后通过角点定位分割四指进行中线提取，对手指进行旋转定位指节纹区域[14]，每个手指都要重复以上操作，加大了定位时间。针对以上问题，本文提出一种手背校正图像方法，根据手背下端累计出现最多的角度值为校正角度，对图像进行统一自适应校正，再对外指节纹定位。

端点判断公式：

角度值的计算公式为：

旋转方向：

Hough变换和Radon变换的校正原理类似[15]，近些年，Radon变换和Hough变换普遍应用在图像校正领域[16]，Hough变换和Radon变换校正图像都是要经过预处理，提取图像轮廓边缘进行校正[17]，而手背的预处理过程复杂需要较多时间，Radon变换应用在灰度图像上，而本方法和Hough变换直接应用在二值图像上，仅需对前景或者背景像素进行处理，因此本方法所需的校正时间最少。其次，因手轮廓形状并不是直线，是角度变化复杂不定的曲线，利用Hough变换和Radon变换校正手背图像会有偏差。为证明本文方法的优越性，随机抽取图库中同一人的五个手背图像，与Hough变换和Radon变换进行校正对比，实验结果表明本方法在校正后能够得到理想校正结果，即得到水平放置的手背图像，在时间消耗和校正精准稳定性上优于以上两个校正算法，具体校正时间对比如表1所示，校正对比结果如图2所示。

表1 校正时间对比表

校正方法校正平均时间 Radon5.9s Hough3.8s 本文校正方法1.4s

图2 不同方法校正对比图

2 外指节纹定位

首先对图像进行预处理，然后利用sobel算子提取手背轮廓，再通过凸包算法得到手的特征点，根据手形的特征矢量确定手指外指节纹区域。具体外指节纹特征提取流程如图3所示。

图3 外指节纹特征提取流程图

2.1 图像预处理

外指节纹是手背最稳定且具有唯一性的纹理区域，因手背肤色的差异，难以确定阈值将手背与背景分割，其次手的摆放位置不同，手背与摄像头光的反射也不同，因此外指节纹的预处理过程更为复杂。

本文的预处理过程如下：首先，对图像转二值化，将明暗翻转后的二值图像进行形态学减噪，填充空洞。然后，利用sobel算子设定阈值对手背轮廓进行提取。因光照造成手背不同程度的反光，提取的轮廓可能有轮廓断点以及轮廓内部有噪声情况出现，为了解决上述问题，最后对所提取的轮廓图进行8邻域边缘跟踪。具体手背轮廓提取图如图4所示。

图4 手背轮廓提取图

2.2 外指节纹区域定位

由于校正旋转角度不同，为了不丢失手背信息，系统给予一个宽松的环境去匹配图像，保证校正后的图像了包含全手背图像，但也导致了校正后图像大小也不同。为了保证定位外指节纹区域精准和裁截ROI尺寸相同，本文结合校正后手形特点和几何结构特征对外指节纹ROI进行定位。

最后，根据校正后手形特点和手形特征矢量确定外指节纹ROI。因校正后手指均为水平，将中指指尖点横坐标向右平移3/16固定距离，纵坐标向上垂直平移1/16，得到外指节纹切割区域左上角点(1+3/16,1+3/16)。ROI尺寸选取不能过大也不能过小，过大因指缝边缘以及汗毛等其他干扰过多，增大识别的误检率，过小丢失外指节纹纹理特征，从而造成纹理丢失。理想的ROI尺寸是包含且仅包含纹理线条区域[19]，因此从该左上角点出发向右水平切割1/8，向下垂直切割3/32矩形区域，得到恒定矢量的长1/8宽3/32外指节纹区域，从而自适应完成外指节纹ROI区域定位和尺寸归一化。具体外指节纹ROI的选取过程和定位结果如图5所示。

图5 外指节纹定位图

3 外指节纹特征提取

若直接对灰度图像转二值提取纹理特征，因灰度分布不同且纹理比较复杂，难以提取特征。为了突出外指节纹纹理，首先，本文设计算法遍历手部，定位手轮廓的上下坐标点，使得手内部纹理区域为1，手外部以及手内无纹理区域为0，得到手背的模型区域。然后，利用本文制定的特征卷积模板对空间像素进行卷积提取手背纹理特征，经过卷积模板处理后的图像（，）等于输入图像（，）和处理过程（，）的卷积[20]。

将手背图像经过模板对图像进行卷积处理，提取出手背纹理特征。该特征提取方法适用所有摆放状态的手部纹理特征提取，具体手背纹理如图6所示。

图6 手背纹理图

最后，根据上文外指节纹的定位自适应裁截指节纹纹理区域，为了提取出较高质量的指节纹ROI纹理，消除手背光照汗毛等噪声，再对所提取的外指节纹ROI纹理进行纹理细化。细化利用形态学8邻域移除较小连通对象，本文将面积小于30的连通对象移除，得到清晰的外指节纹ROI纹理特征。

为了客观证明本方法的优势和有效性，直接对切割外指节纹区域进行二值化设定阈值提取指节纹纹理，可以看到效果并不是很理想。canny算子相较其他检测算子为二阶差分算子求边缘，从而可以突出图像的纹理结构可以检测出弱边缘纹理，但因外指节纹ROI纹理和噪声复杂，利用canny算子[21]提取外指节纹特征效果也不理想。而利用本文的方法能够将外指节纹ROI纹理特征清晰提取出来，具体本文方法和其他方法提取外指节纹特征的对比实验结果如图7所示。

图7 外指节纹ROI纹理图

4 实验

4.1实验条件

本课题应用的编程软件为Matlab。图库建立方法：在可见光CCD摄像机下采集40个人的手背，每个人采集10张不同倾斜程度的完整手背图像，共400幅手背图像，采集时无定位栓且手的摆放具有自由性，拇指随意摆放四指并拢平放在采集板上，摄像机与采集板平行，具体采集情况如图8所示。

图8 采集手背情况

4.2实验结果

为验证按本文方法能够自适应将同一人的不同手背图像的指节纹ROI纹理成功提取，现随机从图库中抽取同一人的五张手背图像，实验结果证明了本方法提取外指节纹ROI的稳定和精准，具体实验结果如图9所示。

图9 自适应提取外指节纹ROI纹理图

4.3 实验结果分析

由于校正手背受很多因素干扰，所以不能保证校正后手背完全水平，会有微毫倾斜偏差，导致外指节纹ROI区域略有不同，是不可避免的，本文与角点定位中线提取定位提取指节纹ROI区域结果比较稳定很多。其次将外指节纹ROI区域转二值有很多噪声，在除噪和细化纹理部分，有些纹理的断线和毛刺是不可避免的，希望在识别前可以将此问题完善，达到尽可能获取完美的外指节纹纹理。

5 结束语

本文通过根据手部下端确定旋转角度自适应完成了手背图像的校正，再利用凸包完成了外指节纹的定位，克服了光照强度等外因导致外指节纹的纹理不清晰以及定位复杂问题。接下来的工作就是对外指节纹进行识别。但手背的生物特征其实除了手形、外指节纹还有手背静脉，当前，能够将手背静脉和其他手部特征融合起来同步采集的装置并不多，也没有将整个手背作为研究对象并进行生物特征融合识别。希望未来将手背手形的宏观信息、外指节纹和手背静脉进行多模态生物识别，提高识别精度。除了对多模态生物识别的期望，在外指节纹的纹理特征方面，针对断线的连接、毛刺去除小孔填充等纹理细节问题也需研究者进行研究。

[1]于霞，王玮.内指节纹识别方法研究[J].信息与电脑（理论版），2020，32（08）：115-117.

[2]Le-qing Zhu，San-yuan Zhang. Multimodal biometric identification system based on finger geometry， knuckle print and palm print[J]. Pattern Recognition Letters，2010，31（12）.

[3]Shuyi Li，Haigang Zhang，Yihua Shi，Jinfeng Yang. Novel Local Coding Algorithm for Finger Multimodal Feature Description and Recognition[J]. Sensors，2019，19（9）：

[4]陆劲挺，贾伟，叶慧，等.指节纹识别综述[J].模式识别与人工智能，2017，30（07）：622-636.

[5]李温温，王吉彬.基于PCA的指节纹图像全局特征提取与识别[J].吉林大学学报（信息科学版），2019，37（01）：75-79.

[6]Damon L. Woodard，Patrick J. Flynn. Finger surface as a biometric identifier[J]. Computer Vision and Image Understanding，2005（3）：100.

[7]Lin Zhang，Lei Zhang，David Zhang，Hailong Zhu. Online finger-knuckle-print verification for personal authentication[J]. Pattern Recognition，2010（7）：43.

[8]张帆. 基于指节纹的身份识别方法研究[D].西安理工大学，2019.

[9]Wenming Yang，Xiaola Huang，Fei Zhou，Qingmin Liao. Comparative competitive coding for personal identification by using finger vein and finger dorsal texture fusion[J]. Information Sciences，2014，268.

[10]徐伟. 一种指静脉指节纹重合识别系统[P]. 上海市：CN111046807A，2020-04-21.

[11]杨金锋，李常福.手指多模态特征图像姿态同步采集系统设计[J].中国民航大学学报，2020，38（01）：54-59.

[12]李家年. 基于卷积神经网络的指部双模态识别方法研究[D].黑龙江大学，2021.

[13]顾理，庄镇泉，万淑超，等.手形识别中的手形提取方法[J].计算机仿真，2005（07）：128-132.

[14]李温温，刘富，高雷.基于手指骨架提取的手形识别方法[J].中南大学学报（自然科学版），2016，47（03）：777-783.

[15]张德丰.matlab数字图像处理[M].北京：机械工业出版社，2012：178-180.

[16]郝泽兴，郭改枝.基于改进Canny算子和Hough变换的表格图像校正方法[J].内蒙古师范大学学报（自然科学汉文版），2020，49（05）：433-441.

[17]李彦会，黄中华，许欣，等.基于Hough变换的倾斜图像校正技术[J].湖南工程学院学报（自然科学版），2019，29（03）：30-32.

[18]董茜. 手形特征提取与识别方法研究[D].沈阳工业大学，2010.

[19]苑玮琦，张波，常乐，等.基于矢量加权线检测算子的虹膜环状线条检测[J].仪器仪表学报，2017，38（06）：1378-1389.

[20]敬忠良.肖刚.李振华.图像融合-理论与应用[M].北京：高等教育出版社，2007：18-20.

[21]张聪聪，牟莉.基于机器视觉的图像边缘检测算法研究[J].国外电子测量技术，2020，39（12）：80-85.