生物图像特征提取算法研究(毕业论文)

生物图像特征提取算法研究(毕业论文)
生物图像特征提取算法研究(毕业论文) 生物图像特征提取算法研究摘要生物识别技术就是指通过计算机，利用生物所固有的特征或行为来进行身份鉴定。

如今，生物识别技术已经在国家安全部门、金融领域和普通百姓家庭得到了广泛应用。

生物特征提取算法是生物特征识别的核心之一。

本文对部分生物特征（如人脸、虹膜、掌纹、视网膜和指纹等）提取算法进行研究。

首先对人脸、虹膜、掌纹和视网膜的特征提取算法进行简单分析，然后对最常用的生物特征（指纹）图像的增强算法进行详细研究，再通过指纹图像提取算法中的基于结构的特征提取和基于细节点的特征提取这两种算法作较深入的比较和分析。

最后对生物特征识别技术的发展方向做了总结。

关键词：
生物识别图像增强特征提取目录 1 绪论 1 1.1 论文研究的背景和现状1 1.2 生物识别的国内外研究现状2 2 生物图像特征提取算法简介 3 2.1 引言 3 2.2 虹膜特征提取 3 2.2.1 传统虹膜特征提取方法3 2.2.2 基于独立分量分析的虹膜特征提取方法4 2.2.3 基于结构特征的虹膜特征提取方法4 2.2.4 其他方法4 2.3 人脸特征提取4 2.3.1 基于局部特征
的提取方法4 2.3.2 基于整体特征的提取方法5 2.4 掌纹特征提取5 2.4.1 基于结构的特征提取6 2.4.2 基于空域-频域变换的特征提取6 2.4.3 基于统计的特征提取6 2.4.4 基于子空间的特征提取6 2.5 视网膜特征提取7 2.6 小结8 3 指纹图像增强算法研究8 3.1 引言8 3.2 基于傅里叶变换的指纹增强算法8 3.3 基于Gabor滤波的指纹增强算法10 3.4 基于空域、频域和方向滤波相结合的指纹增强算法11 3.4 小结12 4 指纹图像特征提取算法研究12 4.1 引言12 4.2 概述12 4.3 基于结构的指纹特征提取算法13 4.3.1 概述13 4.3.2 中心点的确定15 4.3.3 确定特征提取区及归一化15 4.3.4 特征提取及编码16 4.4 基于细节点的指纹特征提取算法18 4.4.1 点方向图的获取18 4.4.2 方向图后处理19 4.4.3 二值化20 4.4.4 细化20 4.4.5 特征点提取及后处理20 4.5 小结22 5 总结22 参考文献24 英文摘要26 致谢27 XX毕业论文(设计)成绩评定表28 1 绪论伴随着信息时代的来临，人们在日常生活中愈来愈多地面临身份鉴别的问题。

目前熟悉的身份鉴别方法一般是使用某种标记物如：
钥匙、徽章、印鉴、身份证或辅之以密码、口令的各种证件及卡片等，但这些方法在现代社会中所暴露出的诸如磨损、被盗、仿冒、复制、遗忘、破解等问题以及这些方法存在的资源共享性给个人及社会信息管理安全带来巨大的隐患，不能适应技术进步和社会发展的需要。

生物识别技术作为新兴的身份鉴别方法，能够克服传统方法的弊端，更安全、可靠、准确、方便，随着计算机及网络技术的迅速发展，在电子商务、政务、金融、司法及社会事务管理等领域有广泛的应用前景，日益引起人们的关注并成为研究热点[1]。

1.1 论文研究的背景和现状作为21世纪最具发展潜力的十大高科技之一，生物识别技术在我们的生活中正发挥着越来越重要的作用。

从公安、交通、金融、工商、旅游等部门对大型生物识别系统的采用，到考勤机、门禁、保险柜、电脑等设备对小型生物识别系统的利用，生物识别技术已与我们的生活密不可分。

随着网络的发展,网上购物、银行转账等电子商务应用越来越广泛,传统的安全保护方式只能提供有限的保障,而且它们经常会被非法盗用或滥用,这造成网络交易中的身份确认、数据交换极大的不便。

美国信息技术协会信息安全副主席Gregory Garcia 警告说:随着越来越多的人倾向于网上购物、网上银行和其他网上交易,势必会引来更多的网络犯罪者涌入互联网。

2003 年2 月,美国奥马哈(Omaha) 的一家服务器被黑客攻击,约有800 万张VISA、MasterCard 和American Express 的信用卡账号被盗取。

而由于人的生物特征具有人体所固有的不可复制的惟一性,因此这一生物特征密钥无法复制、也不会失窃或遗忘。

生物识别研究领域目前包括了指纹、手形、眼虹膜、声音、脸相、DNA 等与生俱来的终身难以改变的生理特征以及笔迹、步态等后天形成的行为特征[2]。

近年来，生物识别技术已经逐渐从法律、公安刑侦领域的应用，推广到民用市场，离人们的生活越来越近。

一些办公场所或政府机关开始采用生物自动识别技术进行门禁管理和考勤；德国的一些超市已经推出了一款新型的指纹付账系统，事先将个人银行信息，大拇指、食指的指纹进行关联注册，指纹就能在结账时发挥信用卡的作用；在国际通关中，虹膜识别已是身份验证的主要手段。

在我国，虹膜识别技术已被用在了矿井人员安全监测等方面。

从全球来看，生物识别技术在出入境、机场安检、电子护照以及智能身份证等方面正得到广泛应用。

生物识别技术之所以能开始大规模进入人们日常生活,除了在核心理论、算法、技术方面的不断成熟以外,与之相配的外围硬件、应用系统以及相关技术(如IC 卡技术,高性能计算技术等)不断发展成熟,特别是“9·11”以后,各个国家对生物识别技术越来越重视[3]。

1.2 生物识别的国内外研究现状在生物识别技术研究和
产业推动方面，欧洲和美国已经做得非常成熟，走在世界的前列。

2005 年，全球生物识别市场规模达到15亿美元，2010年有望突破60亿美元。

欧美以及日韩等国目前在指纹、虹膜这两方面的研究比较深入，其相关应用也比较广泛。

美国是目前全球指纹识别技术应用最为成熟的国家，全球约有50%以上的指纹采集芯片厂商和约30%以上的指纹软件提供商在美国，约有20%以上的指纹识别产品需求在美国。

而日本是亚洲最大的指纹识别产品消费国，其生物识别产品销售额年增幅达30%至40%。

作为最精确也是最昂贵的生物识别技术，虹膜识别目前已被用于英国的民航通关系统。

虹膜技术也很有可能成为英国政府身份证卡（ID card）项目中采用的技术。

而人脸识别技术应用广泛而且持续增长，英国的警力部门很早就开始研究怎么把脸部识别软件加载到国家嫌疑犯数据库中。

就专利申请而言，美国、日本等国的生物识别专利数量是我国的很多倍，而且国外公司或个人申请的专利多为基础性的核心技术[4]。

据了解，我国的生物识别技术（主要是指纹识别）与美
国和日本相比要研发起步晚10 到20年时间。

近两年来，随着移动存储设备等数码类产品的大量使用，指纹技术与数码类产品的结合应用开始展开，指纹识别产业开始步入由点到面的全面发展阶段。

据国内知名生物识别专家、亚略特生物识别研究院院长杨若冰介绍，目前，我国生物识别产业中70%至80%是指纹识别，不包括指纹产品的贴牌厂商和经销厂商在内，从事指纹技术研究和开发的企业有50到100家，预计整个指纹产业的从业人员在10万人以上。

而中科院自动化所是国内生物识别技术研究的领头者。

据中科院高技术局邱显杰介绍，中科院自动化所目前在生物识别、人脸识别等方面已形成了多项专利成果。

但从申请专利情况看，我国生物识别领域申请专利数量较少，而且申请专利的技术多为应用性技术。

目前在我国申请的与指纹技术相关的专利有1300多条，与指纹识别相关的有200多条，但其中有相当一部分来自美国、欧洲、日本、中国台湾等。

尽管目前我国生物识别产业发展比较迅速，并且某些方面的研究已居于世界前列，但从总体上看，我国在生物识别领域拥有核心技术的状况并不乐观，核心技术缺乏已成为制约我国生物识别产业发展的关键因素。

因此，《国家中长期科学和技术发展规划纲要（2006-2020）》
在信息前沿领域和国家安全领域都特别提到了要加强生物识别技术的研究[5]。

2 生物图像特征提取算法简介 2.1 引言生物识别技术就是，通过计算机与各种传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。

生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天性的。

将生理和行为特征统称为生物特征[6]。

目前，研究和使用的生物特征包括脸部、虹膜、视网膜、指纹、掌纹、手形等生理特征和语音、签名、步态等行为特征。

生物识别的核心在于如何提取这些生物特征。

特征提取就是将图像中最有代表性的特征变成特征向量，以减少信息的冗余度。

本章简单介绍几种生理特征（虹膜、人脸、掌纹、视网膜）的特征提取方法。

2.2 虹膜特征提取虹膜位于角膜后、晶状体前，是黑色瞳孔和白色巩膜间的环状部分，总体上呈现出一种由里向外的放射状结构，由相当复杂的纤维组织构成,包含很多相互交错的斑点、细丝、冠状物、条纹及隐窝等细节特征。

大量的临床观察表明，虹膜的整体形态取决于人体基因，
由于自然原因使得两个虹膜纹理相同的可能性极小。

采用高效的特征提取方法既保留虹膜尽可能多的信息，又能达到对数据降维的效果是虹膜特征提取的关键。

2.2.1 传统虹膜特征提取方法Daugman[7]较早地提出了应用2D Gabor 变换将经过预处理的虹膜图像进行滤波, 并映射到一个虹膜码本, 然后与事先量化得到的样本做异或计算, 采用典型的虹膜代码的Hamming 距离进行匹配, 取得了较高的识别效果。

Boles 等人[8]提出了一种基于一维小波变换的虹膜特征提取算法。

王蕴红等则采用Gabor 滤波和Daubichies 小波变换等纹理分析方法提取特征。

其中Daugman 的方法优点是计算简单, 速度快, 但是存在着要求获取图像的分辨率、大小以及光照等条件保持基本不变的缺点。

Boles 等人的一维小波变换方法对于光照变化、噪声的干扰不敏感, 但只分析了虹膜中一系列同心圆周的一维信号。

王蕴红等人使用多尺度的纹理分析方法提取全局特征, 具有平移和旋转不变性, 并且对于光照的变化不敏感,采用两维的分析方法, 虹膜的纹理更加明显。

但是此方法忽视了局部特征, 造成了混淆和误识。

2.2.2 基于独立分量分析的虹膜特征提取方法该方法是
在对虹膜纹理进行分析基础上,利用独立分量分析提取虹膜的纹理特征。

该方法具有大小、旋转不变性的优点, 同时对较模糊的图像以及噪声的干扰相对不敏感, 能够达到较高的识别率。

但是, 此方法对虹膜图像预处理以及对特征的选择的要求较高, 且需要大规模样本的进一步测试[9]。

2.2.3 基于结构特征的虹膜特征提取方法该方法首先利用LOG (Laplacian of Gaussian) 滤波器提取特征区域, 然后在特征区中确定特征点。

这一方法具有直观、稳定且编码效率高、抗噪声能力强、识别准确性好的优点, 便于数据交换。

此方法用特征区域的中心作为特征点, 对虹膜图像进行编码比对, 取得了初步理想的结果。

但由于样本数还不多, 需要通过进一步工作进行测试和改进[10]。

2.2.4 其他方法目前虹膜的特征识别方法相当丰富, 例如虹膜自相似性识别方法, 一种基于子块图像互相关的虹膜识别方法, 基于卷缩轮信息的虹膜识别等等。

还有许多纹理分析的方法都可用来抽取虹膜特征, 传统的Gabor 滤波和小波变换应用最为广泛[11]。

2.3 人脸特征提取人脸图像往往受到表情、角度、光照、背景等细微变化的影响，于是，能否精确而有效地提取人脸
特征成为人脸识别技术的关键所在。

目前提取特征的方法归纳起来分为两大类：
基于整体特征的提取方法和基于局部特征的提取方法。

2.3.1 基于局部特征的提取方法常用的该类方法有利用几何特征的提取方法和模板匹配法。

模板匹配法即用一个包括人脸器官的模板来对各器官进行提取。

人脸的基本轮廓和脸部器官位置基本是固定的，在提取特征之前先定义一个标准的模板，利用Hough变换、方差投影和模板匹配相结合，有效地确定出眼睛、嘴巴和鼻子等器官的位置。

定义模板需要用到人脸器官的几何特征矢量(如眼睛、鼻子和嘴的位置和宽度等)。

标准模板可以是固定模板，也可以是参数可变的可变性模板。

固定模板较简单，但是随着环境的变化模板也要更换，有很大的局限性，一般只针对简单的图像；当物体结构事先知道但大小、位置和中心不确定时，可变形模板法(Deformable Template) 则是一种有效的定位方法。

人脸几何特征具有直观性，易于理解和应用，该类方法很早在模式识别领域得到了广泛使用，但由于人脸器官受光照、姿态等变化影响较大，故特征提取的可靠性不高。

2.3.2 基于整体特征的提取方法该类方法把人脸图像灰度分布整个作为一个特征模式来提取特征。

由于对人脸整体特征的提取无需精确获取人脸各器官局部信息，可以充分考虑到图像本身具有的灰度信息，因此器官变化对人脸特征的影响不大，能够获得较好的识别效果。

目前大多都是基于整体特征的提取方法，如特征脸（Eigenface）法、Fisher脸法、弹性匹配法、基于离散余弦变换(Discrete Cosine Transform，DCT)的方法等[12]。

特征脸法通过提取人脸图像的主成分进行识别，是基于重建准则，即重建误差最小，它无法揭示数据的局部结构。

当人脸的光照、表情产生比较大的变化时，其识别率一般。

Fisher脸法属于有监督识别方法，利用线性判别分析(Linear Discriminant Analysis，LDA)，寻找使类间距和类内距比值最大化的投影方向，一般先采用主成分分析降维，然后再用LDA提取特征。

弹性匹配法定义了一种对于人脸变形具有不变性的距离，采用属性拓扑图代表人脸。

拓扑图的顶点采用了Gabor小波变换特征，对光线、大小和表情等具有一定的不变性。

从理论上弥补了特征脸提取特征的缺陷。

特征点主要定位在灰度变化剧烈、信息丰富的地方(如眼球、眼角等) [13]。

2.4 掌纹特征提取掌纹图像主要由三种不规则的线条(屈肌纹、乳突纹和褶皱) 组成。

图1 是一幅掌纹图像。

图1 掌纹图像乳突纹成规则排列,具有终生不变性和唯一性。

褶皱纹会随着年龄的增长逐渐变多,变长, 位置不定。

掌纹屈肌线特征稳定且明显，与皱线混杂成不规则排列，且特征与背景对比度低，是掌纹身份识别的主要特征纹线。

按照分析和描述的方式，掌纹的特征提取方法大致可分为如下4类：
①基于结构的特征提取；②基于时频变换的特征提取；③基于统计的特征提取；④基于子空间的特征提取[14]。

由于掌纹识别起步较晚，目前流行的特征提取方法都是从整体来提取掌纹的纹理能量特征，典型的方法有基于Gabor 滤波器、基于小波变换的特征提取法等。

2.4.1 基于结构的特征提取基于结构的方法是掌纹特征提取中的最传统方法。

该种特征包括主线、皱纹、数据点和细节等。

结构特征一般分为点特征和线特征两大类。

点特征的提取只能在高分辨率图像中实现。

Moravee是比较经典的提取点特征的算子之一。

方向投影算法（directional projection algorithm）也是点特
征和线特征提取的经典算法，目前在掌纹识别领域中，绝大部分点特征的提取均依赖于此算法完成。

传统的线特征提取多基于边缘检测。

基于堆栈滤波（stack filter）的金字塔边缘检测算法和依据灰度形态学中的膨胀（dilation）、腐蚀（erosion）开、闭等概念构造的算子被用于掌纹纹理特征的提取。

点特征可以精确描述掌纹，鲁棒性强，鉴别能力高，一些基准点还具有旋转不变的特性。

线特征明显稳定，表示方法简单，特征空间小。

但脊线和皱纹的交错和重叠使线特征的提取和表示变得困难。

2.4.2 基于空域-频域变换的特征提取基于空域-频域变换的特征提取将原始空域掌纹图像变换到频域，在频域内定义并计算若干特征变量，作为特征提取的步骤，也被称为谱分析法（spectral approach），常用方法有傅里叶变换、Gabor 变换、小波变换。

空间域内的图像抗噪性能很差，将图像从空域变换到频域后再进行特征提取和描述可以增强系统的鲁棒性，且可简化甚至免去图像预处理的步骤。

但不足之处是在频域内分析图像时，将忽略图像本身的丰富纹理信息，受光照条件影响而产生的不稳定性也较大。

2.4.3 基于统计的特征提取基于统计的方法用统计特征
组成的随机模型来重新定义和衡量原始图像，常见的统计特征包含各阶矩（moment）：
均值--一阶原点矩；方差--二阶中心矩；斜态（skwness）--三阶中心矩；峰态（kurtosis）--四阶中心矩；还包括熵，能量等。

基于统计的方法重点在于计算随机模型中的统计特征，这些特征和基于结构的特征相比更易于提取和表示，但基于统计的特征提取的缺点在于其中几乎不包含结构信息，识别掌纹的能力比结构特征要差。

2.4.4 基于子空间的特征提取基于子空间的特征提取指的是通过对掌纹原始图像进行映射变换或是矩阵运算，实现从n 维欧氏样本空间到m维欧氏特征子空间的转换。

根据映射变换的性质，变换后的子空间可分为线性子空间和非线性子空间，目前运用在掌纹识别上的多为线性子空间方法，如主成分分析法包括一维和二维主成分分析，特征掌（eigenpalm）方法，基于Fisher线性判别的fisherpalm方法等等。

子空间法提取特征具有描述性强，计算代价小，易实现和可分性好等特点[15]。

2.5 视网膜特征提取在众多人体生物特征中，视网膜有别于其它生物特征的独特之处在于：
视网膜位于眼球的最内层，本身透明，其特征主要由从视盘
出发并向表面延伸分布的动脉静脉血管所代表，在宏观上称为视网膜血管形态。

视网膜血管所组成的形态结构，因人而异，没有相重性[16]。

图2是一幅视网膜血管形态图。

图 2 视网膜血管形态视网膜图像中血管的提取是一个非常重要的研究问题。

研究者已经提出一些血管提取方法。

如Chaudhuri等提出一种2维匹配滤波方法( matched filter response, MFR)，该方法是利用表征不同方向的12个高斯血管模板作为匹配滤波器来对图像进行滤波，但是该方法可能会丢失血管分叉点和细小的血管；Hoover等在MFR图像的基础上采用阈值递减探索、区域特性分析等方法来提取血管,这种算法综合利用了血管本身的局部特征及血管网分布的区域特征来探索合适的局部阈值,但是该方法计算非常复杂；Jiang和Mojon首先用几个不同的全局阈值分别将血管图像二值化，然后在每个二值图像中识别出血管，而所有识别结果的并集就是分割结果。

由于血管分布网络具有连通性，提出了不同的血管追踪算法, Sun提出一种自适应追踪算法。

这种算法以血管中心线、方向、直径和灰度的空间连续性作为追踪依据，它不但需要人工确定追踪的起始点，而且不
能识别重叠的血管。

Tolias和Panas提出一种基于模糊聚类的追踪算法。

该方法噪声对它的影响比较小，但该方法不仅难于识别并追踪细血管和灰度对比较小的血管，而且起始点的确定也可能发生错误[17]。

2.6 小结本章介绍了人脸、虹膜、掌纹以及视网膜的特征和特征提取方法。

目前，有三种生物特征被认为是最具固有性和唯一性：
视网膜、虹膜和指纹。

因此，这三种生物特征在生物识别技术中具有最高的可信度和准确度。

众多的生物识别技术中，指纹识别的技术应用最广泛、最方便、可靠和非侵害的，因此其特征提取技术也相应最为成熟，算法研究的最多。

目前人脸特征提取算法主要适用于限定环境，限定类别数量条件下的应用。

人脸姿态的多样性和面部非刚体变化决定了人脸模式的复杂性，从而导致难以提取足够多的不变性特征。

而虹膜识别、视网膜识别、掌纹识别等还有待进一步推广。

3 指纹图像增强算法研究 3.1 引言在指纹采集中, 对干、湿、老化、破损的指纹, 往往难以得到清晰的图像, 为了弥补指纹图像的质量缺陷, 确保指纹特征提取算法的鲁棒
性,, 有必要在指纹特征提取之前实施指纹图像增强，它是最关键的步骤,直接影响特征提取和匹配。

指纹增强是对低质量的指纹图像采用一定的算法进行处理, 使其纹线结构清晰, 进而突出和保留固有的特征信息而避免产生伪特征信息。

其目的是在保护纹线结构的前提下增加脊线和谷线的对比度,减少伪信息。

目前已经提出了许多关于指纹图像增强的算法。

O’Gorman和Nickerson最先提出了基于方向滤波的指纹图像增强方法。

该方法使用具有方向性的滤波器来沿着指纹纹线方向进行平滑,同时还能够在梯度方向上提高纹理的对比度。

Sherlock等人则在频率域进行方向滤波。

将经过滤波的图像根据原始图像的局部方向信息来进行融合, 得到完整的增强图像。

基于Gabor滤波的指纹图像增强方法能取得较好的处理效果,是目前被广泛应用的算法。

本章将重点讨论几种指纹图像增强算法：
（1）基于傅里叶变换的指纹增强算法；（2）基于Gabor滤波的指纹增强算法；（3）基于空域、频域和方向滤波相结合的指纹增强算法。

3.2 基于傅里叶变换的指纹增强算法（1）均衡化均衡
化是为了减小灰度值沿脊线和谷线的变化范围，调整指纹图像的均值和方差接近期望的均值和方差。

这里用式（1）来均衡化。

（1）式中：
Mo 和V o——期望的均值和方差（分别取为150和200）。

（2）傅立叶变换如图3 (a) 所示指纹图像是由脊线和谷线交替组成，脊线宽度一般在3~6个像素之间，具有很强的周期性，并且在局部有很强的方向性，这些特性都有利于图像的频域处理，同时对指纹图像进行频域处理可以取得比空域更好的效果。

这里采用傅立叶变换对指纹图像进行频域处理。

首先对指纹图像用式（2）进行二维离散傅立叶变换。

（2）由图3 (b)可以看出经过傅立叶变换的指纹图像中间有一个较亮的高能量带，它几乎包含了指纹图像的全部信息。

其它的亮点是图像噪声的干扰，我们对图像进行带通滤波去除干扰信息。

带通滤波式为（3），将其它的频率幅度置为0。

（3）同时取功率谱的1.3 次方来增强图像，即用式（4）对增强后的图像进行离散二维傅立叶逆变换。

（4）由图3(c)可以看出经过傅立叶变换处理的指纹图像有了显著增强，并去除了大部分的噪声干扰，脊线变的更加。