隨著社會(huì)的進(jìn)步和經(jīng)濟(jì)的發(fā)展，人們?cè)絹?lái)越關(guān)注所在社區(qū)的安全問(wèn)題。使用人工的方法進(jìn)行安全核查不僅增加安保的工作量，也使得進(jìn)出社區(qū)變得不便捷。我們項(xiàng)目希望使用基于生物特征識(shí)別的方法，使用人臉識(shí)別及指靜脈識(shí)別的方法，搭建一套智能安防系統(tǒng)，輔助社區(qū)進(jìn)行人員錄入和進(jìn)出人員排查，該系統(tǒng)方便快捷且安全性高。本文將介紹智能安防系統(tǒng)并分別對(duì)人臉識(shí)別技術(shù)和指靜脈識(shí)別技術(shù)進(jìn)行技術(shù)綜述，然后詳細(xì)闡述本課題組在人臉識(shí)別和指靜脈識(shí)別技術(shù)中所做的相關(guān)工作，最后展望智能安防及生物特征識(shí)別的發(fā)展趨勢(shì)和應(yīng)用前景。

1  項(xiàng)目背景

社區(qū)是城鎮(zhèn)居民聚集生活的大集體，隨著社會(huì)的進(jìn)步和經(jīng)濟(jì)的發(fā)展，社區(qū)不僅要滿足人們基本的居住需求，更要實(shí)現(xiàn)大家對(duì)于社區(qū)安全性和便捷性的期望。傳統(tǒng)社區(qū)一般設(shè)置保安亭控制人員進(jìn)出，也需要大量的時(shí)間精力統(tǒng)計(jì)住戶信息。但由于城鎮(zhèn)化的擴(kuò)大和流動(dòng)人口的增加，人工方法在效率方面體現(xiàn)出了明顯的不足。保安無(wú)法準(zhǔn)確分辨進(jìn)出人員是否屬于所在社區(qū)，而且由于很多住戶只是短期租賃，人員信息統(tǒng)計(jì)需要一次次反復(fù)進(jìn)行。結(jié)合上述情況，亟需自動(dòng)化的方法完成住戶信息的錄入和社區(qū)進(jìn)出人員的排查。

因此，我們選用自動(dòng)化的生物特征識(shí)別技術(shù)，作為人員識(shí)別的手段。而在眾多生物特征中，常用于作為識(shí)別特征的生物特征有人臉特征，手部特征、眼部特征、步態(tài)等。其中，手部特征又包含手形[20]、指紋[21]、指靜脈[22]、掌靜脈[23]、掌紋[24]、指背紋[25]等。盡管從全球生物特征識(shí)別的市場(chǎng)規(guī)模上看，基于生物特征的識(shí)別技術(shù)處于高速而長(zhǎng)足的發(fā)展階段，但是實(shí)際上，就每一種生物特征而言，例如指紋、虹膜等等，各自都有不少的有點(diǎn)和缺陷。基于人臉的特征檢測(cè)和識(shí)別技術(shù)采集較快，但采集環(huán)境的干擾和制約，基于虹膜識(shí)別的生物特征由于需要對(duì)眼部特征成像，使得其被用戶接受的程度較差等等。常見(jiàn)生物特征及優(yōu)缺點(diǎn)如表1所示。

表1常見(jiàn)生物特征及優(yōu)缺點(diǎn)對(duì)比

人臉作為人最具標(biāo)示性的特征，應(yīng)用廣泛，方便采集和人工對(duì)比，非常適合用于社區(qū)門禁的安防。除了門禁，社區(qū)內(nèi)大量攝像頭，也可以通過(guò)錄像進(jìn)行人臉識(shí)別。

指紋是目前被研究和應(yīng)用的最為廣泛的一類特征，有資料顯示，基于指紋的識(shí)別技術(shù)占了整個(gè)生物特征市場(chǎng)84%的份額[26]。指紋識(shí)別有著錄入簡(jiǎn)單，用戶接受程度高等優(yōu)點(diǎn)，但是指紋識(shí)別在不少情況下也會(huì)有諸多困難。例如，不少人的手指表面出現(xiàn)磨損時(shí)指紋這種特征的可靠性便難以得到保障，另外許多女性的手指相對(duì)纖細(xì)，表面的紋理特征也相對(duì)不明顯，這些因素都給采集工作以及接下來(lái)的特征提取和匹配識(shí)別工作都帶來(lái)了不小的難度。不僅如此，隨著社會(huì)的不斷發(fā)展進(jìn)步，近年來(lái)市場(chǎng)上甚至出現(xiàn)了指紋膜等能夠以假亂真的產(chǎn)品，這對(duì)基于指紋的生物特征識(shí)別技術(shù)的防偽性能來(lái)說(shuō)是一個(gè)非常大的挑戰(zhàn)。而基于掌紋的生物特征識(shí)別技術(shù)，除了存在類似于指紋的表面紋理帶來(lái)的缺陷外，由于其中主要紋理線路存在較高的相似性，這樣也就帶來(lái)了防偽性能較低的問(wèn)題。因此，在不少對(duì)安全性能要求相對(duì)較高的場(chǎng)合，基本很少采用基于指紋或掌紋的生物特征識(shí)別技術(shù)。

而指靜脈能夠有效克服表面紋理魯棒性差、易偽造等缺點(diǎn)。并且由于其特殊的成像原理，可以做到自動(dòng)的活體檢測(cè)，避免諸如指紋膜，人臉照片甚至3D打印人臉模型這種偽造手段，這樣就進(jìn)一步加強(qiáng)了其防偽性能。因此對(duì)于門鎖系統(tǒng)，指靜脈比人臉或指紋都更適合。若想偽造一個(gè)假的指靜脈模型，需要仿造人手指的各個(gè)經(jīng)絡(luò)、血管等，太過(guò)復(fù)雜，比偽造一個(gè)3D人臉模型都復(fù)雜得多。

基于人臉和指靜脈的優(yōu)點(diǎn)，我們?cè)O(shè)計(jì)實(shí)現(xiàn)了一套基于生物特征識(shí)別的社區(qū)智能安防系統(tǒng)。包括基于人臉識(shí)別的社區(qū)門禁系統(tǒng)和基于指靜脈識(shí)別的門鎖系統(tǒng)兩部分。

首先，在社區(qū)門禁處，搭建于人臉識(shí)別的社區(qū)門禁系統(tǒng)，完成人臉?shù)浫?、人臉檢測(cè)和人臉識(shí)別等功能，極大程度地減少人工，并提升社區(qū)的安全指數(shù)和便捷性。我們通過(guò)在社區(qū)門口安置多個(gè)攝像頭進(jìn)行人員監(jiān)控，大屏實(shí)時(shí)呈現(xiàn)進(jìn)出人員人臉及其身份屬性，如果出現(xiàn)非住戶人員即發(fā)出警報(bào)，通知保安對(duì)可疑人員進(jìn)行身份排查。社區(qū)門禁系統(tǒng)采用前端設(shè)備采集圖像數(shù)據(jù)，交由本地前端服務(wù)器進(jìn)行檢測(cè)，通過(guò)檢測(cè)到的特征碼對(duì)應(yīng)編號(hào)，發(fā)送到遠(yuǎn)程云端服務(wù)器識(shí)別，通過(guò)識(shí)別匹配到的特征查詢數(shù)據(jù)庫(kù)獲取人員檔案信息，把反饋信息發(fā)給前端服務(wù)器顯示到屏幕上。對(duì)不能識(shí)別的頭像顯示在屏幕特定區(qū)域并提示盤查，同時(shí)發(fā)送到距離最近的安保人員手持終端上，提醒盤查。對(duì)外訪人員系統(tǒng)聯(lián)系業(yè)主，通過(guò)APP確認(rèn)并實(shí)名采集進(jìn)入，如圖1所示。

圖1基于人臉識(shí)別的社區(qū)門禁系統(tǒng)

社區(qū)門禁系統(tǒng)的目的在于主要在于解決尾隨進(jìn)入的非社區(qū)人員，對(duì)檢測(cè)出來(lái)的訪客人員進(jìn)行實(shí)名登記，例行檢查。系統(tǒng)通過(guò)采集端，首先采集業(yè)主人員身份信息和人臉特征形成識(shí)別數(shù)據(jù)庫(kù)，再通過(guò)部署在社區(qū)大門口、關(guān)鍵道路路口、樓層、門廳等關(guān)鍵點(diǎn)的攝像頭識(shí)別進(jìn)行排他性檢查，對(duì)識(shí)別不出來(lái)的人員發(fā)送到距離最近的安保人員手機(jī)終端上，告訴人員所在位置及面部特征，提示安保人員進(jìn)行排查。本系統(tǒng)能夠降低安保人員勞動(dòng)強(qiáng)度、提高社區(qū)安保識(shí)別級(jí)別，避免由于人工依賴映像排查而造成的漏洞。系統(tǒng)可用于學(xué)校、社區(qū)、工廠、政府機(jī)關(guān)、辦公大樓、醫(yī)院、景區(qū)等各類排他性檢查的場(chǎng)合，同時(shí)還可以完成考勤登記。

然后，在社區(qū)住戶防盜門上，安裝基于指靜脈識(shí)別的門鎖系統(tǒng)。指靜脈識(shí)別相比數(shù)字密碼或指紋密碼更加且安全，可以有效防止鑰匙丟失、密碼泄露及不法分子仿造指紋膜等問(wèn)題。

通過(guò)基于人臉識(shí)別的社區(qū)門禁系統(tǒng)和基于指靜脈識(shí)別的門鎖系統(tǒng)可以有效防止不法分子進(jìn)入社區(qū)及家中，并且比人工排查更加高效便捷。本文下面將分別對(duì)人臉識(shí)別技術(shù)和指靜脈識(shí)別技術(shù)進(jìn)行技術(shù)綜述，然后詳細(xì)闡述本課題組在人臉識(shí)別和指靜脈識(shí)別技術(shù)中所做的相關(guān)工作。

2  人臉識(shí)別

2.1人臉識(shí)別綜述

人臉識(shí)別一直是生物特征識(shí)別領(lǐng)域中不可或缺的一環(huán)，被廣泛的研究及應(yīng)用。早在20世紀(jì)90年代，針對(duì)人臉識(shí)別的研究就已經(jīng)開(kāi)始流行起來(lái)[1]，直到今日，人臉識(shí)別的研究成果仍大量發(fā)表在著名的雜志和會(huì)議中，并逐漸應(yīng)用到人們的日常生活中，就連深受大家喜愛(ài)的iPhone手機(jī)也搭載了人臉識(shí)別的功能。而在人臉識(shí)別技術(shù)發(fā)展的數(shù)十年過(guò)程中，涌現(xiàn)了大量的算法，我們可以按算法性質(zhì)將它們簡(jiǎn)單劃分為四類[2]。第一類，是最開(kāi)始流行起來(lái)的整體學(xué)習(xí)算法，即通過(guò)某些分布假設(shè)推導(dǎo)出低維表示，諸如計(jì)算圖像的線性子空間[3]及稀疏表示的一些方法[4]等，此類方法因?yàn)橛休^強(qiáng)的先驗(yàn)假設(shè)，而這些假設(shè)在不同情形下不一定都適用，所以導(dǎo)致了這類方法的識(shí)別準(zhǔn)確率是最低的。第二類方法是基于引入局部特征的算法，其中包括經(jīng)典的LBP（局部二進(jìn)制模式）[5]算法，將局部信息進(jìn)行二進(jìn)制編碼，再通過(guò)統(tǒng)計(jì)直方圖作為特征規(guī)律，進(jìn)行人臉的識(shí)別分類。但這些算法的缺點(diǎn)是這些特征缺少獨(dú)特性和緊湊性，以至于此類方法的識(shí)別率也只有70%左右。第三種算法是基于局部描述子的機(jī)器學(xué)習(xí)方法，通過(guò)學(xué)習(xí)的方法，訓(xùn)練局部濾波器，再通過(guò)大量局部濾波器綜合輸出識(shí)別結(jié)果。這種方法在深度學(xué)習(xí)流行之前曾是研究的熱點(diǎn)，直到第四種算法，即基于深度學(xué)習(xí)的算法流行起來(lái)。深度學(xué)習(xí)一般指深層的神經(jīng)網(wǎng)絡(luò)，實(shí)際上神經(jīng)網(wǎng)絡(luò)早在20世紀(jì)就已經(jīng)被提出，然而受限于當(dāng)時(shí)的計(jì)算力，一直沒(méi)有很好的發(fā)展，不被研究者們看好。直到2012年ImageNet競(jìng)賽，Hinton團(tuán)隊(duì)使用深度神經(jīng)網(wǎng)絡(luò)的團(tuán)隊(duì)取得顯著成績(jī)[6]，深度神經(jīng)網(wǎng)絡(luò)才被人們逐漸重視，并用于計(jì)算機(jī)視覺(jué)的各種領(lǐng)域。2014年，DeepFace[7]和DeepID[8]在LFW數(shù)據(jù)集[9]中達(dá)到了當(dāng)時(shí)最佳的識(shí)別率，并首次超越了在無(wú)約束情景中的人類的表現(xiàn)。這標(biāo)志著在人臉識(shí)別中（無(wú)約束情況下），機(jī)器已經(jīng)超越了人類。這種令人振奮的研究成果，使得研究人員將人臉識(shí)別研究重點(diǎn)轉(zhuǎn)向基于深度學(xué)習(xí)的方法。

基于深度學(xué)習(xí)的人臉識(shí)別算法應(yīng)用到本項(xiàng)目中，主要包括以下兩個(gè)關(guān)鍵技術(shù)，即人臉檢測(cè)與人臉識(shí)別。人臉檢測(cè)在于框選出圖像或視頻中的人臉，要求框選位置與真實(shí)位置盡可能相同，并減少非人臉區(qū)域被框選出的幾率。人臉識(shí)別指比對(duì)待測(cè)試人臉和提前入庫(kù)人臉的特征，從而得到測(cè)試人臉身份。人臉識(shí)別通常用識(shí)別率判斷方法的優(yōu)劣，給定若干對(duì)人臉圖片（一半來(lái)自同一人，一半來(lái)自不同人），算法預(yù)測(cè)這些圖片對(duì)是否來(lái)自同一人，判斷正確的圖片對(duì)數(shù)目占總圖片對(duì)數(shù)目的比例即為識(shí)別率。目前主流的人臉識(shí)別算法基本都采用深度卷積網(wǎng)絡(luò)提取人臉特征，通過(guò)特征之間的距離判斷圖片對(duì)是否來(lái)自同一人。

2.2基于MarginLoss的人臉識(shí)別算法

在人臉識(shí)別中技術(shù)中，特征提取的質(zhì)量直接決定了識(shí)別及分類的準(zhǔn)確性。而特征提取的關(guān)鍵在于約束特征空間中同一個(gè)人的人臉聚集在一起，而不同人的人臉距離較遠(yuǎn)，從而防止在利用距離判斷人臉對(duì)是否來(lái)自同一人時(shí)出現(xiàn)誤判。我們課題組提出一種新型的應(yīng)用于人臉識(shí)別的損失函數(shù)，即MarginLoss[13]，基于現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練后的網(wǎng)絡(luò)可以使人臉類內(nèi)間距離擴(kuò)大，從而提高識(shí)別的準(zhǔn)確度。

2.2.1算法原理

首先詳細(xì)介紹一下SoftmaxLoss和CenterLoss這兩個(gè)損失函數(shù)。

SoftmaxLoss在卷積神經(jīng)網(wǎng)絡(luò)中有著極其廣泛的應(yīng)用。假設(shè)在k類的分類問(wèn)題中，訓(xùn)練集為，其中，，則SoftmaxLoss可以定義如下：

其中，其中是模型的參數(shù)。S(.)表示指標(biāo)函數(shù)。如果X為真，則s(x)=1，否則s(x)=0。

CenterLoss是Wen等人在[19]中提出的，一種判別式特征學(xué)習(xí)方法，可以最小花類內(nèi)間距，定義如下：

其中，C_i是第y_i類的樣本中心特征。

基于SoftmaxLoss和CenterLoss我們提出一個(gè)新的損失函數(shù)，即MarginLoss。我們希望設(shè)計(jì)一個(gè)可以擴(kuò)大類間樣本距離，并減小類內(nèi)樣本距離的損失函數(shù)，如圖2所示，

圖2Loss改進(jìn)動(dòng)機(jī)

我們損失函數(shù)的設(shè)計(jì)主要考慮以下因素：

（1）在人臉識(shí)別問(wèn)題中，每個(gè)樣本應(yīng)盡可能靠近其中心（類內(nèi)差異更?。┎⑦h(yuǎn)離其他類的中心（類間距離更大）。

（2）在訓(xùn)練階段，應(yīng)排除具有足夠大的類間距離或足夠小的類內(nèi)距離的樣本。否則，訓(xùn)練過(guò)程將不穩(wěn)定并且收斂緩慢。所以，對(duì)訓(xùn)練樣本進(jìn)行選擇是至關(guān)重要的。因此，綜合以上兩點(diǎn)MarginLoss定義如下：

當(dāng)x_i的標(biāo)簽為j時(shí)，I_ij=1，否則，I_ij=-1。為定義的余量，即Margin。如果I_ij=-1，則MarginLoss僅包括滿足的x_i樣本。如果I_ij=1，則MarginLoss僅包括滿足的x_i樣本。通過(guò)這種方式，使MarginLoss作用于較難訓(xùn)練的樣本上。

理論上，在訓(xùn)練過(guò)程中類中心應(yīng)該隨著深度特征變化而更新，而事實(shí)上，在整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練時(shí)更新類中心是不切實(shí)際且無(wú)效的[19]。因此，在使用MarginLoss時(shí)，我們選擇使用mini-batch進(jìn)行類中心的更新。在每次迭代中，類中心將根據(jù)mini-batch中的樣本情況進(jìn)行更新。而更新的參數(shù)變化情況如下：

最終，我們采用三種損失函數(shù)進(jìn)行聯(lián)合監(jiān)督：SoftmaxLoss，CenterLoss和MarginLoss。我們損失函數(shù)表示如下：

其中，入_i是每項(xiàng)損失函數(shù)的權(quán)重。為了評(píng)估我們方法的有效性，我們將對(duì)三種損失函數(shù)進(jìn)行組合，得出6種組合，并比較6種不同損失函數(shù)組合（見(jiàn)表2），來(lái)驗(yàn)證我們MarginLoss的效果。

表2損失函數(shù)組合具體參數(shù)設(shè)置

2.2.2算法實(shí)驗(yàn)對(duì)比與結(jié)果分析

我們使用LFW[9]及YTF[10]數(shù)據(jù)庫(kù)，將我們的算法與其他主流算法進(jìn)行人臉識(shí)別率的比較。使用Webface[11]及VGGFace[12]數(shù)據(jù)庫(kù)，并使用相同網(wǎng)絡(luò)和相同數(shù)據(jù)，修改所使用的損失函數(shù)，比較人臉識(shí)別率。結(jié)果如表3。

表3算法與主流算法對(duì)比實(shí)驗(yàn)

其中，（c）表示算法使用余弦距離進(jìn)行計(jì)算，（e）表示使用歐式距離進(jìn)行計(jì)算。

表4同網(wǎng)絡(luò)不同損失函數(shù)算法對(duì)比實(shí)驗(yàn)

其中，（a）表示圖像是經(jīng)過(guò)對(duì)齊處理的。

實(shí)驗(yàn)結(jié)果表明，我們的算法在使用較少訓(xùn)練數(shù)據(jù)（0.46百萬(wàn)）并使用單個(gè)網(wǎng)絡(luò)的情況下，與目前主流算法相比具有競(jìng)爭(zhēng)力。而當(dāng)我們使用相同的網(wǎng)絡(luò)和數(shù)據(jù)來(lái)比較不同的損失時(shí)?？梢园l(fā)現(xiàn)，在表3我們的算法優(yōu)于單純使用SoftmaxLoss（例如，在LFW中99.09％優(yōu)于96.62％），并且在一定程度上改善了CenterLoss（例如，在LFW中從98.23％到99.09％）。在表4中，可以看到S+C+M，相較于S+C在識(shí)別率上有一些提高（例如，在VGGFace（a）中從68.8％到72.3％）。

3  指靜脈識(shí)別

3.1指靜脈識(shí)別綜述

與其他生物特征相比，基于手部特征的識(shí)別具有如下的優(yōu)勢(shì)：首先，由于手部特殊的構(gòu)造，這個(gè)部位有相對(duì)豐富的表面的紋理、褶皺，以及內(nèi)部錯(cuò)綜復(fù)雜的血管組成，相對(duì)豐富的特征可以有效地降低特征提取和識(shí)別的難度。另外，手部的生物特征還具有例如采集難度小、被用戶接受的程度相對(duì)較高、采集設(shè)備相對(duì)低廉、采集的圖像尺寸較小故便于計(jì)算機(jī)的存儲(chǔ)和計(jì)算等等的優(yōu)勢(shì)，所以在眾多的生物特征當(dāng)中，手部特征便得到了相對(duì)廣泛的研究和應(yīng)用。而基于指靜脈生物特征由于其在采集的便捷性、防偽性以及相對(duì)優(yōu)良的性能等方面的優(yōu)勢(shì)，很早就受到了專家和學(xué)者的廣泛關(guān)注。早在2004年，日本日立公司的MiuraN、NagasakaA以及MiyatakeT等人，就根據(jù)近紅外光下的靜脈部位與手指其它部分灰度上的差異針對(duì)靜脈圖像率先提出了重復(fù)線性跟蹤的算法[27]。如圖3中(a)所示，這個(gè)方法主要依據(jù)靜脈位置與其兩側(cè)的灰度差異，從初始的隨機(jī)點(diǎn)位置出發(fā)，重復(fù)跟蹤靜脈的位置，該算法具有不錯(cuò)的識(shí)別率和等誤率，且證實(shí)了方法的魯棒性。2007年，MiuraN等人經(jīng)過(guò)進(jìn)一步的研究，將數(shù)學(xué)上的曲率思想引入到了靜脈識(shí)別的算法中來(lái)[28]。如圖3中(b)所示，他們利用靜脈橫斷面位置呈現(xiàn)出的曲率局部最大的特點(diǎn)，提出了利用局部最大曲率的思想提取靜脈中心線的位置特征，從結(jié)果上看取得了比重復(fù)線性跟蹤更好的識(shí)別率和等誤率。2009年，天津市信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室的楊金鋒等人，進(jìn)一步拓寬了基于指靜脈識(shí)別的思路，他們將Gabor濾波器引入到了指靜脈識(shí)別的領(lǐng)域中來(lái)，根據(jù)不同的指靜脈位置、走向及寬窄，調(diào)整濾波器參數(shù)，實(shí)現(xiàn)對(duì)濾波結(jié)果的優(yōu)化[29]。2012年，哈爾濱工業(yè)大學(xué)的彭建江等人率先將SIFT特征引入到靜脈識(shí)別的研究當(dāng)中來(lái)[30]，利用SIFT描述子良好的平移和旋轉(zhuǎn)的不變性，更好的提取指靜脈特征。而我們課題組，基于自行采集的指靜脈及指背紋數(shù)據(jù)庫(kù)THU-FV[34]，提出一種基于交叉點(diǎn)加強(qiáng)的競(jìng)爭(zhēng)編碼方法。

圖3幾種典型的手部特征采集裝置及采集圖像

3.2指靜脈識(shí)別算法設(shè)計(jì)

3.2.1預(yù)處理

基于指靜脈和指背紋的預(yù)處理模塊主要包括感興趣區(qū)域（RegionofInterest）的提取，也就是手指位置的提取、光照和圖像尺寸的歸一化。而對(duì)于不同的采集者而言，其手指的形狀以及由手指的粗細(xì)導(dǎo)致的區(qū)域的亮度的變化千差萬(wàn)別。有效的克服上述難點(diǎn)，是特征提取和匹配識(shí)別工作的基礎(chǔ)和前提。

（1）感興趣的手指區(qū)域的提取

由于近紅外LED光源的照射，手指位置的亮度要高于背景區(qū)域，所以對(duì)于要提取的手指邊緣的位置，可以基于擴(kuò)展的Sobel邊緣檢測(cè)子，如圖4所示。

圖4基于擴(kuò)展Sobel檢測(cè)子的ROI提取

在實(shí)際的ROI提取過(guò)程中，我們將如圖4所示的擴(kuò)展Sobel邊緣檢測(cè)子從圖像的中心線開(kāi)始向兩側(cè)移動(dòng)，當(dāng)像素塊區(qū)域與擴(kuò)展Sobel模板的卷積值大于預(yù)先設(shè)定的閾值時(shí)，就認(rèn)為找到了手指的邊緣區(qū)域。

（2）尺寸和光照的歸一化

為了便于后續(xù)的處理，我們首先將提取到的感興趣的手指區(qū)域進(jìn)行雙三次插值，將所有圖像的尺寸歸一化處理為100*200大小。接下來(lái)，由于不同圖像之間還存在不小的亮度差異，所以需要對(duì)圖片進(jìn)行光照強(qiáng)度歸一化的操作。具體如式（7）所示。

其中，I(i，j)和分別代表歸一化前后相應(yīng)位置的灰度值，m和σ 分別代表光照歸一化操作前原始圖像灰度的平均值和方差，m和σ 代表光照歸一化操作后圖像灰度的平均值和方差。

3.2.2特征提取

在圖像處理和模式識(shí)別領(lǐng)域中，對(duì)處理的圖像提取合適的描述屬性，即圖像特征，是非常核心和關(guān)鍵的一步。而在特征提取的過(guò)程中，最重要的莫過(guò)于要保證提取出的特征區(qū)有可分性的信息，去除包含冗余和噪聲的信息。特征提取效果的好壞，往往決定著后續(xù)利用分類器分類的性能，所以需要特別的關(guān)注。在特征提取過(guò)程中，我們希望對(duì)于同一根手指，在不同次的采集后（盡管其中存在著噪聲、冗余等干擾），特征提取可以盡可能的減小干擾帶來(lái)的影響，保持較高的相似性。而對(duì)于不同的樣本，即不同的手指，經(jīng)過(guò)特征提取的步驟可以最大化的顯示他們之間的差異。即對(duì)于類內(nèi)差異，希望能夠最小化；而對(duì)于類間差異，則希望可以最大化。為了達(dá)到這樣的目的，我們?cè)谶M(jìn)行特征提取的操作時(shí)，應(yīng)盡可能的提取樣本不同于其余樣本的個(gè)性特征，而最大化的去除他們之間的共性特征，從而可以最大化后續(xù)分類過(guò)程的準(zhǔn)確率和效率，最大限度的提高系統(tǒng)的性能。

具體的，在基于指靜脈和指背紋的生物特征識(shí)別領(lǐng)域中，進(jìn)行特征提取算法的設(shè)計(jì)時(shí)，大致可以分為兩類方法，分別是基于空間域，也就是基于圖像域，和基于變換域的。兩類方法應(yīng)該說(shuō)各有優(yōu)劣，基于空間域的方法直觀明了，由于在圖像中對(duì)操作都是基于像素塊的，所以簡(jiǎn)單直觀便于理解，但是缺陷在于容易受到局部極值的影響，而且對(duì)噪聲也相對(duì)敏感。而基于變換域的方法則相對(duì)對(duì)于局部極值和噪聲不敏感，但由于其要對(duì)原始圖像進(jìn)行變換操作，所以理解起來(lái)不是特別直觀。

針對(duì)指靜脈和指背紋的生物特征提取算法，有不少專家和學(xué)者都進(jìn)行了非常深入和細(xì)致的研究。局部二值模式（LocalBinaryPattern）[31]、局部最大曲率（LocalMaximumCurvature）[32]以及Gabor競(jìng)爭(zhēng)編碼（GaborCompetitiveCoding）[33]都是在指靜脈特征提取時(shí)非常經(jīng)典和常用的算法，在這幾種算法中，局部二值模式和局部最大曲率都是直接在圖像域中的操作，而Gabor競(jìng)爭(zhēng)編碼的方法是使用Gabor濾波器對(duì)原始圖像進(jìn)行Gabor變換后在變換域上的操作。

3.2.3基于交叉點(diǎn)加強(qiáng)的競(jìng)爭(zhēng)編碼方法

Gabor濾波器的競(jìng)爭(zhēng)編碼的方法由于只關(guān)注幅值最大的方向，所以這樣的方法對(duì)于只包含指靜脈的圖像來(lái)說(shuō)是非常有效的。Gabor濾波器對(duì)于類似指靜脈的灰度值較低的紋理的響應(yīng)是比較大的，然而對(duì)于相對(duì)較亮的指背紋信息的響應(yīng)會(huì)比較小，那么對(duì)于基于新型指靜脈和指背紋特征的數(shù)據(jù)庫(kù)[34]，這種簡(jiǎn)單的基于最大幅值方向的方法會(huì)忽略指背紋的方向信息。所以，我們基于這樣的考慮，為了更加有效地利用新型多模態(tài)圖像中的指背紋的方向信息，提出了基于交叉點(diǎn)加強(qiáng)的競(jìng)爭(zhēng)編碼方法?；贕abor競(jìng)爭(zhēng)編碼的方法中，通常會(huì)選取6個(gè)方向的Gabor濾波器與原始圖像做卷積，選取對(duì)應(yīng)幅值最大的方向作為最終的編碼方向。為了更加有效地利用幅值響應(yīng)較低的指背紋的紋理方向信息，我們?cè)O(shè)計(jì)了如下的方法對(duì)指靜脈和指背紋兩種形態(tài)的紋理交叉點(diǎn)做識(shí)別，并將其“方向”編碼為7。識(shí)別的具體計(jì)算公式如下：

其中，表示使用6個(gè)方向的Gabor濾波器對(duì)原始圖像處理后的響應(yīng)的最大值，而表示響應(yīng)的最小值。α 是人為設(shè)定的參數(shù)，T表示最終確定的閾值。當(dāng)在某個(gè)像素點(diǎn)，其濾波結(jié)果的最大值與最小值只差大于此閾值時(shí)，便認(rèn)為該點(diǎn)是指靜脈和指背紋兩種紋理的交叉點(diǎn)。這樣可以更加有效地利用指背紋的紋理信息。

圖5基于IGDC的特征提取

如圖5所示，圖中灰度值最大也就是最亮的點(diǎn)代表了根據(jù)式（8）識(shí)別出的指靜脈和指背紋的交叉點(diǎn)，而這樣的點(diǎn)同時(shí)包含了指靜脈和指背紋的信息，是更具有表征特性的。顯然，對(duì)這樣的點(diǎn)在識(shí)別時(shí)予以更多的關(guān)注會(huì)更有利于減小類內(nèi)樣本之間的差異，而增大類間樣本之間的差異。所以針對(duì)這樣的點(diǎn)，提出對(duì)應(yīng)的匹配識(shí)別的方法，以進(jìn)一步的提高系統(tǒng)的性能。

3.2.4匹配識(shí)別

經(jīng)過(guò)了上文所述的圖像的采集、預(yù)處理和特征提取的步驟，接下來(lái)輸入的待識(shí)別圖像將要和數(shù)據(jù)庫(kù)中的圖像進(jìn)行比對(duì)，進(jìn)行最終的匹配和識(shí)別的步驟。設(shè)兩幅待匹配的特征圖像分別為R和T，它們的大小均為m*n，那么它們之間的匹配得分S(R,T)如式（9）和（10）所示。

在（9）式中，R(x,y)和T(x,y)分別代表特征圖R和T位于(x,y)處的值。w和h代表實(shí)際匹配時(shí)兩幅特征圖在x方向和y方向平移的大小，而(x,y)代表匹配結(jié)果的標(biāo)志。對(duì)于上一小節(jié)介紹的局部二值模式（LBP）、局部最大曲率（LMC）和Gabor競(jìng)爭(zhēng)編碼的方法，△(x,y)的計(jì)算方法如式（10）所示。而對(duì)于我們提出的基于交叉點(diǎn)加強(qiáng)的競(jìng)爭(zhēng)編碼方法，為了給予識(shí)別出的指靜脈和指背紋的交叉點(diǎn)位置更多的關(guān)注，我們將匹配分?jǐn)?shù)的計(jì)算方法分別修改為如式（11）和（12）所示。

在如式（12）所示的計(jì)算方法中，我們對(duì)匹配成功的交叉點(diǎn)賦予了一個(gè)更大的權(quán)重，同時(shí)為了歸一化最終計(jì)算分?jǐn)?shù)，式（11）的分母變?yōu)榱耍?）中的2倍。在計(jì)算得到最后的計(jì)算分?jǐn)?shù)后，我們采用最近鄰分類器對(duì)輸入的測(cè)試圖像進(jìn)行分類，即選取圖像數(shù)據(jù)庫(kù)中與之計(jì)算出的分?jǐn)?shù)最大的樣本所屬的類作為最終判別輸出的類。

3.2.5實(shí)驗(yàn)對(duì)比與結(jié)果分析

為了驗(yàn)證與分析上文中介紹與提出的算法的合理性和有效性，我們?cè)赥HU-FV[34]數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)。分別對(duì)比了基于局部二值模式的LBP[31]、局部最大曲率的LMC[32]、Gabor競(jìng)爭(zhēng)編碼的GCC[33]，和重復(fù)線跟蹤的RLT[27]和我們專門基于新型指靜脈和指背紋多模態(tài)特征提出的基于交叉點(diǎn)加強(qiáng)的競(jìng)爭(zhēng)編碼（IGDC）的實(shí)驗(yàn)結(jié)果，如表5所示

表5實(shí)驗(yàn)結(jié)果對(duì)比

可以看出，我們的結(jié)果在數(shù)據(jù)集上與主流算法相比，效果最好。

4  總結(jié)與展望

本文介紹了一套基于生物特征識(shí)別的智能安防系統(tǒng)，系統(tǒng)主要包括基于人臉識(shí)別的門禁系統(tǒng)，及基于指靜脈識(shí)別的門鎖系統(tǒng)，在使用便捷的同時(shí)，提高了社區(qū)的安全性。然后重點(diǎn)介紹了人臉識(shí)別和指靜脈識(shí)別兩種技術(shù)，綜述了基本概念及發(fā)展情況，并提出了課題組對(duì)技術(shù)的改進(jìn)算法。

未來(lái)，基于生物特征識(shí)別的技術(shù)將廣泛用到諸如金融、公安、邊檢、政府、航天、電力、工廠、教育、醫(yī)療及眾多企事業(yè)單位等諸多領(lǐng)域當(dāng)中。如何使技術(shù)落地，將是產(chǎn)業(yè)界以后的方向，而如何提高識(shí)別率和識(shí)別速度也是我們應(yīng)該關(guān)注的重點(diǎn)。