华中科技大学文华学院毕业设计（论文）
3 手指静脉识别系统的结构及工作原理
3.1 手指静脉识别系统的组成
要实现一个有效的生物识别系统，首先必须研究并解决该生物特征的获取这个关键技术问题，这是所有后续处理的基础，其效果直接影响到身份识别的准确性、可靠性以及可推广性。手指静脉识别系统主要由静脉图像采集系统及静脉图像处理系统两大部分组成。静脉图像采集系统主要包括CCD/CMOS摄像机和红外光源，图像处理系统利用计算机实现静脉图像的标注化、有效静脉图像的提取、图像的注册和匹配以及识别结果的输出，同时还负责提供光源的控制信号。系统组成如图3-1所示：
图3-1 手指静脉识别系统的组成
3.2 手指静脉图像采集系统工作原理
手指静脉图像的采集主要是利用人体静脉血液中血红素对特定波长红外光的吸收特性来实现的。有关资料表明，血红蛋白在波长为850nm和760nm处具有两个吸收峰。由于850nm的红外光源在市场上比较充足，故决定采用850nm的LED阵列作为该采集系统的光源。我们将手指放于红外光源与图像传感器之间，使用红外LED阵列从手指背部进行照射，红外光波透射过手指，其中经过静脉的红外光被血红蛋白吸收，最终在图像传感器（CMOS或CCD）面上形成静脉分布的阴影图形。
根据人体骨骼和肌肉组织的特点，当近红外入射光线的波长范围在0.72～1.10um时照射手指，这时手指静脉血管中的血红色素相比于皮下组织可以吸收更多近红外放射线，可以很好地呈现出静脉血管结构，该波长范围属于近红外光线。根据中国国家医用红外检测光源的有关规定，红外光强，处于峰值时波长范围在0.8～1.5um之间。因此，只要有较好的红外采集设备，完全可以拍摄到满足要求的静脉图像。 3.2.1 红外CCD/CMOS摄像机的选取
CCD/CMOS摄像机的选取其实就是选择合适的摄像机，最重要的参数就是对红外
6
华中科技大学文华学院毕业设计（论文）
光的敏感程度。
实验表明，皮下脂肪和手指的姿势会使图像中的静脉变得模糊。但是静脉血管的温度不同于周围的皮肤温度，并且皮肤温度拥有一个温度梯度，这就使得静脉的温度能和皮肤组织的温度区分开来。人体所发射的红外线的波长范围为0.3～1.4um，这取决于皮肤的发射率、皮肤的温度、空气分子、空气湿度和红外摄像头与物体之间的距离。红外线在大气中发射光谱是0.3～0.5um和0.8～1.4um，如图2-3所示，这就意味着波长范围在0.3～0.5um和0.8～1.4um的红外光线的辐射度在大气中有最小的衰减。通过分析，如果摄像头的敏感光谱在上述波长范围内，则采集的图像将几乎不受可见光的影响。
图3-2 大气中红外线的发射光谱
从上面的分析与研究可知，只有选用在近红外区域内感受能力非常敏锐的
CCD/CMOS摄像机，才能获得满足要求的手指静脉图像，同时考虑到近红外光源的因素，
本文将选用敏感光谱为0.8～1.5um的CCD/CMOS摄像机。 3.2.2 光源系统的设计
光源系统是手指静脉识别系统中最关键的部分。一个好的光源系统能够很好地提高所获得静脉图像的质量，包括增大静脉血管与背景的对比度，降低经脉图像的噪声等。
近红外光线可射入人生物体组织的深度大约只有3mm，可获得的生物信息是很有限的，因而，获得的静脉图像在质量上受到一些限制。这个过程与基本的光学系数有关：吸收系数和散射系数。
吸收系数决定光在保持最初的传播路径上失去亮度前能够传播多远，而散射系数决定光在失去最初相位和改变方向能传播多远。
考虑到这些光学因素，光源发射的红外光应比较均衡的照射到手掌上，在获取图像的过程中光源发射的近红外光的强度应保持不变，获得的图像的对比度应足够大，以便降低后续图像预处理算法的复杂性。
（1）照明系统结构
对一系列光源进行比较后发现，用波长范围为800～940nm的大功率近红外LED
7
华中科技大学文华学院毕业设计（论文）
阵列作光源照射手指，所获得的静脉图像质量较好。然而由于光源发射的光并不是均匀的照射在手指上，静脉图像中静脉血管并不能明显的凸显出来。不过，可以通过在光源前面加多层散射片来获得恒定均匀的光。散射片将分散LED阵列发射的光，同时也减少了光的强度。大功率的LED阵列光源因其发射的光强度大而降低了静脉图像的对比度，对实验产生不利影响，因此在光源前加多层散射片是最好的选择。
（2）照明光源阵列的选择
即使运用多层散射片，LED光源不同的排列将会改变发射光强度的分配。不同结构光源的分析与对比如表3-1所示。
表3-1 三种不同阵列结构光源的比较 二维单线或双线阵列光源 矩形阵列光源 优点 简单化的光源，成本低且容易实现 图像的清晰度较好，特别是在其前面多加层散射片之后 环形LED阵列光源 足够精确，即使运用较少的散射片，光强分布均匀 设计与实现比较困难 成本高且光不够均匀 缺点 图像的对比度较低 三种不同结构的光源阵列示意图如图3-3所示。
图3-3 不同结构的LED光源阵列
实验证明，用环形的近红外LED阵列做光源照射手指，CCD摄像机所同步拍摄的静脉图像中的手指静脉可以很好地凸现出来。而用其他结构的阵列做光源，所拍摄的静脉图像不明显。因此，采用环形近红外LED阵列作为光源比较好。
3.3 手指静脉图像识别系统工作原理
手指静脉图像采集之后要经过处理才能被识别，静脉识别包括两个阶段：注册阶段和识别阶段。在注册阶段，用户的手指静脉图像被采集之后，先进行图像预处理，然后提取特征，最后放到样本数据库中；在识别阶段，用户的手指静脉图像被采集后，同样进行预处理和特征提取，然后再与样本库数据库中的摸板进行匹配，得到最后的识别结果，识别流程图如图3-4所示。
8
华中科技大学文华学院毕业设计（论文）
图3-4 手指静脉识别流程图
3.3.1 图像识别过程
原始图像在经过图像预处理后，手指静脉部分的图像作为前景图被分割提取并增强，最终获得其对应的细化二值图像，即获得原始手指静脉图像的静脉骨架图像，图像处理主要包括如下步骤：
（1）灰度化。受到手指静脉采集器的限制，实际采集到的手指静脉图像为24位真彩色图像。由于在数字图像处理中，大部分算法都是对8位灰度图像进行处理的。因此，为了提高后继图像处理过程的效率和性能，首先需要将采集到的24位真彩色手指静脉图像，进行灰度化处理，将图像转换为8位。
（2）图像分割。手指静脉采集器采集到的图像除了真正有意义的手指部分的图像外，还包括了采集器本身的背景部分，这部分图像相对于手指静脉图像来说就是噪声图像。通过图像分割的功能，将有用的手指静脉图像从整幅图像中提取出来，不仅可以减少噪声对图像的干扰，也有利于图像的后继处理和匹配效果的优化。
（3）归一化。为了避免图像处理中，手指静脉图像的尺寸发生变化，方便后继图像处理，需要统一手指静脉图像的尺寸，进行尺寸归一化。由于原始的手指静脉图像灰度分布较为集中，不利于图像后继处理和特征提取，因此安排灰度归一化处理，将提取出来的手指静脉图像的灰度值置于[0，255]的范围内，得到灰度分布较为均匀的手指静脉图像。
（4）图像增强。在采集手指静脉图像时，由于受到外界光线、采集器性能、静脉源等不同条件的响和限制，往往导致采集到的图像质量参差不齐。通过将图像中的静脉纹路增强，减少噪声点，可以提高图像质量，进而提高最终的匹配效果。
（5）二值化与细化。将经过预处理的手指静脉图像按照前景点和背景点，修改图像中每个像素点的灰度值。本文中将前景点的灰度值置为255，将背景点的灰度值置为
9
华中科技大学文华学院毕业设计（论文）
O。二值化图像的纹路往往比较粗，需要将其纹路细化成单像素。根据静脉纹路的走向，在不破坏图像连通性的情况下，将二值图像细化成单像素的纹线。这样做不仅可以大大减少空间消耗，还可以简化后继的处理算法，提高系统性能。
（6）特征提取。通过对手指静脉图像的预处理，可以得到静脉纹路的单像素纹线骨架。仅仅利用单像素纹线，通过模板匹配的方法，不仅匹配算法的匹配效率较低，在模板有变形的情况下，识别率更不理想。因此，为了提高匹配算法的运行速度和识别率，需要对细化后的静脉图像提取纹路的端点、分叉点、拐点等特征点。 （7）匹配。将处理后的图像与原始档案进行对比匹配。 3.3.2 静脉识别核心算法研究
（1）图像灰度化
图像灰度化，顾名思义，就是将彩色图像转换为灰度图像的操作。
由于现有的图像处理算法大部分都是基于8位灰度图像，而在实际炒菜机手指静脉图像时，采集器采集到的图像为24位真彩色图像。所以在该手指静脉识别的最开始，首先进行图像灰度化的处理工作，将采集到的24位真彩色手指静脉图像，利用现有的转化公式，把图像转换为8位灰度图像。
本文运用的是加权平均法来完成24位真彩色图像向8位灰度图像的转换工作，公式为：
C?xR?yG?zB,x?y?z?1 （3-1）
其中R、G、B为三原色，x、y、z为3种基本颜色系数，C为转换后的任意一种颜色[8]。
（2）图像分割
利用图像的特征把图像分割成一系列有意义的目标或区域的过程就称为图像分，其中图像的特征指的是图像中可以作为标志的属性，包括图像的统计特征和图像的视觉特征两类[9]。图像的统计特征是指一些人为定义的特征，包括图像的直方图，频谱等；图像的视觉特征是指人的视觉可直接感受到的自然特征，如区域的亮度、纹理等。
在实际获取手指静脉图像的过程中，利用现有采集器采集到的图像不仅包括手指的图像，还包括采集器本身的背景部分。再利用手指静脉图像进行身份识别时，只有包含静脉的手指部分是有利用价值的，因此，图像分割的目的是将真正具有利用价值的图像提取出来。
由于采集到的图像总体上是水平方向的，而且手指部分与采集器的背景交界处，灰度值变化较大，基于这一特点，该系统采用了边缘检测算法实现图像分割的功能。
根据手指静脉图像本身的特点，本文决定采用Sobel算子。
Sobel算子是一种一阶微分算子[10]。他利用像素临近区域的梯度只来计算图像中每一个像素的梯度，然后根据一定的阈值来取舍，得到图像的边缘，该算法计算梯度的公
10