4.2　手指手背静脉图像增强研究综述

2004 年,Miura,Nagasaka,Miyatake 提出了重复线形跟踪法[96]。 这种方法是在不同的位置开始重复进行线形跟踪,能够探测到局部的黑线,而线形跟踪将沿着黑线逐坐标地进行。 当黑线探测不到时,新的跟踪操作将在另一个位置重新开始。 通过多次重复执行局部线形跟踪操作,图像中所有的黑线都将被跟踪,最终这些黑线的轨迹将重叠在一起,而手指静脉的模式特征便由此得到了。 这种算法具有比较好的鲁棒性,取得了较好的图像增强效果,但由于其未考虑图像各部分区域亮度水平的不同,静脉图案上会有一些孤立的点、断续的疑似静脉或者丢线现象。 2005 年,笔者提出了四邻点阈值图像法[97],远好于单阈值的分割效果。 2007 年,赵江魏、笔者和梁学章等提出了移动模板均衡化和整体模板均衡化相结合的方法[98],一定程度上减弱了应连接未连接的毛病。 李铁钢等[99]提出了一种基于复值二维Gabor 变换的手指静脉识别算法。

由于人的手背比手指有更为丰富的静脉血管,可以提取更多的人体特征,图像增强和特征提取效果相对更好,因此,国内外研究者们开始尝试对人体手背静脉成像技术及识别方法进行研究(但由于手指静脉识别方法可以和已经非常成熟的指纹识别同时进行,所以有着手背静脉识别不可代替的好处)。(https://www.daowen.com)

2000 年,Im 等提出了一种手背静脉识别算法[100],主要包括三大部分:图像获取、图像预处理、手背静脉分类。 图像预处理部分算法包括Gauss 低通滤波、Gauss高通滤波、阈值处理、双线性滤波及改进的中值滤波等。 通过对500 个样本(50 人,每人采集10 幅静脉图)进行实验,识别率达到94.88%。 2001 年,Im 等运用行滤波器提取静脉血管图像的横坐标灰度特征,同时用列滤波器提取静脉血管图像的纵坐标灰度特征[101]。 这两篇论文中的方法速度较快,但实验成本比较高。 2003 年,林喜荣等[110]利用自行设计的近红外血管图像采集仪获取手背静脉血管的原始图像。采用分区动态二值化方法增强,匹配算法中,以端点、交叉点为基础进行特征比对。2004 年,Tanaka 等[102]提出了一种“Phase only correlation”的方法对图像进行特征提取。 在特征匹配时,通过计算测试样本与注册样本之间的最小错误率来进行身份确认。 2005 年,Cross 等[103]对手背静脉图像利用二值化、静脉血管图像细化、静脉纹线的断点修复等一系列图像处理方法来提取手背静脉特征。 在匹配算法中,用逐点像素比对法匹配。 但是可看到细化后的静脉图像丢失了很多原始静脉信息。 王科俊等[111]提出了一种新的手背静脉图像阈值分割方法,此方法与笔者的四邻点阈值图像法类似。 2006 年,Badawi[104]用中值滤波对手背静脉图像进行预处理,用与Cross 类似方法和类似但更大的实验样本数实验,效果都比以往有很大提高,但逐点像素匹配算法存在运算量过大的问题。 后来Wang 等[105]采集整个手掌张开状态时手背静脉图像,使用中值滤波器去除手背静脉图像毛刺,之后二值化、细化等提取手背静脉特征,然后进行静脉分类。 实验样本数比较少,不过实验结果较为理想。Zhang 等[106]提出了基于脊波变换和人工神经网络的方法。 应用局部互联神经网络提取静脉图像特征,有效地解决了对模糊图像的识别能力,采集了80 人(每个人分别采左右手图像),一共160 幅手背静脉图像用于系统的测试。 该方法仅获得0.140%的错误率,速度不快但效果很好。 2007 年,周斌、林喜荣等[107]根据手背血管纹理粗大,交点、叉点等细节特征少,没有明显的周期性纹理,有效信息集中在低频部分的特点,利用分水岭算法获取纹理信息。 其特点是始终对样本进行整体处理,把手背血管纹理的各种信息进行综合,将其转化为点特征。 该算法利用分水岭算法得到带有血管纹理特征信息的特征点,然后采用多分辨率滤波的方法从大量特征点中提取特征向量,最后利用相关算法对特征向量进行匹配。 最后使用相关算法针对来自53 个手背血管的265 个样本进行了特征相关匹配实验,其最小错误率仅为4.31%。 张晋阳,孙懋珩等[108]对手背静脉二值化图像采用四邻域区域生长的方法,去除噪声斑块。 针对快速细化算法细化后骨架中所引入的另一类噪声-毛刺和静脉图像细化后的特点,提出了一种毛刺修复算法。 经过该算法处理后得到的骨架图像,能够较好地反映静脉纹理特性。 2008 年,吕佩卓等[109]提出了一种自适应的手背静脉区域定位分割算法。 利用曲线弯曲度来寻找手背图像的边缘特征点以确定手背外侧边缘的目标曲线段,使用最小二乘法进行曲线段的直线拟合,然后定位分割出手背静脉有效区域的图像。 实验证明该算法具有自适应性、定位准确、速度快的特点。