ПРОЕКТИРОВАНИЕ И РАЗРАБОТКА ПРОТОТИПА СИСТЕМЫ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО РИСУНКУ ВЕН ПАЛЬЦЕВ РУКИ. РЕАЛИЗАЦИЯ ОСНОВНЫХ АЛГОРИТМОВ

Авторы: П.Н. Лазаренко, Д.Н. Лавров

В работе представлены алгоритмы получения, обработки и выделения характерных признаков из фотографий рисунков вен пальцев руки. Реализованы алгоритмы для получения снимков, их предварительной обработки, выделения признаков.

Ключевые слова: система контроля управления доступом (СКУД), венозный гемоглобин, гистограмма изображения, бинаризация, скелетизация

Биометрические методы аутентификации всё активнее используются в системах контроля и управления доступом (СКУД). В последнее время банковская сфера использует идентификацию пользователей по рисунку вен руки. К сожалению, стоимость подобных систем крайне высока, но именно рисунок вен является статической характеристикой, которую сложно украсть, в отличие от отпечатков пальцев.

Целью работы является построение прототипа системы идентификации личности по рисунку вен. Строится прототип, который будет не только надежно распознавать личность, но и станет дешевым аналогом дорогих промышленных образцов. В основу разработки СКУД были положены работы [1–2]. Структура разрабатываемой системы делится на несколько базовых блоков, которые будут рассмотрены далее.

Получение изображения: за основу взят transmission метод, при котором палец находится между камерой и подсветкой. Для получения изображений используется обычная вебкамера, модифицированная путем удаления инфракрасного фильтра. Для подсветки используются матричные светодиоды, которые дают инфракрасный свет с длинною волны 850 нм. Это обусловлено тем, что венозный гемоглобин очень хорошо поглощает такой инфракрасный свет, поэтому вены будут темнее, чем фон.

Предварительная обработка. Для предобработки (рис. 1) используется зелёный канал изображения. Это делается для того, чтобы получить максимальную локальную контрастность между фоном и венами. Для увеличения контрастности используются методы эквализации или выравнивания гистограммы. По результатам предварительных испытаний хорошо зарекомендовал себя метод контрастно-лимитированного адаптивного выравнивания гистограммы (CLAHE) [4]. Для выделения сосудов нужно удалить фон. Это делается при помощи вычитания исходного изображения из сглаженного average фильтром изображения. Размеры окна фильтра выбираются равными максимальной толщине сосудов в пикселях. Для удаления границ вычисляется маска при помощи порогового преобразования (в нашем случае это метод Оцу) и вычитается из полученного на предыдущем шаге изображения, после чего ещё раз применяется алгоритм CLAHE.

Перед скелетизацией изображение бинаризуется. Во время разработки были рассмотрены и реализованы различные пороговые алгоритмы бинаризации, и для нашего проекта больше всего подошел метод Оцу [5], также используется тестовый алгоритм под названием SimpleBin, придуманный в процессе работы. Не углубляясь в детали их реализации, уточним, что рассмотренные алгоритмы бинаризации ищут порог автоматически, и если значение интенсивности пикселя больше порога, то пиксель является значимым и принадлежит венам, а не фону.

Скелетизация. В зависимости от различных факторов, например температуры окружающей среды, диаметр вен может меняться в широких пределах. Чтобы выполнить точное распознавание, нужно произвести скелетизацию. Термин «скелетизация» описывает представление рисунка вен в виде совокупности тонких дуг и кривых. Существует достаточно много методов скелетизации, каждый из которых имеет ряд положительных и отрицательных свойств. В работе реализовано три алгоритма скелетизации, произведено сравнение, и из них выбран алгоритм Зонга-Суня [3]. Основная идея алгоритма Зонга-Суня заключается в том, что на каждом шаге, пробегая по изображению рамкой 3x3, проверяется принадлежность каждого пикселя к границе заданной связной области (рис. 2). Если условия проверки выполняются, то пиксель удаляется из области. Вне зависимости от количества выполненных шагов область останется связной, в предельном случае она выродится в линию толщиной в один пиксель.

Выделение характерных признаков. Под особыми точками в данной работе понимаются точки пересечения ветвей, а также точки, являющиеся концами ветвей. Все остальные точки будем называть обычными. Предложен оригинальный алгоритм, суть которого состоит в следующем: для того чтобы решить, к какому типу принадлежит точка, рассмотрим её 8 соседей в окрестности 3х3, т. е. по количеству связок (это блок из 2 пикселей рядом) и одиночных пикселей в данной окрестности мы и определим тип точки (рис. 3).

Обрезание незначащих ветвей. Алгоритм обрезания используется для улучшения результата скелетизации, уменьшает число мелких ветвей, которые возникают как побочный продукт последнего. Ветви удаляются путем измерения расстояния вдоль вены от его конечных точек до ближайших точек пересечения. Если расстояние меньше, чем пороговое значение, то ветвь удаляется. Пока экспериментально установлено, что порога в 15–20 пикселей достаточно.

Распознавание. Для распознавания был взят алгоритм, использующий модифицированное расстояние Хаусдорфа (MHD). Расстояние Хаусдорфа [2, с. 52] является мерой того, насколько далеко два множества находятся друг от друга. Чтобы сделать эту меру менее чувствительной к шуму, мы берем её усредненное значение, называемое модифицированным расстоянием Хаусдорфа [2, с. 53]:

где A и B – множества, между которыми вычисляется расстояние, ( , ) i j dab – расстояние между точками этих множеств.

С помощью MHD сравниваются полученные множества характерных точек рисунка вен с сохранными в базе данных образцами пользователей. Для улучшения качества распознавания вводится ограничение на отдельную дистанцию для каждой точки. В проекте лимит установлен на 20, так как это дает лучшие результаты на практике. При ограничении сверху каждого такого расстояния уменьшается влияние шумовой ветви на общее среднее расстояние. Это также делает меру MHD более устойчивой к шуму и более надежной.

В результате работы над проектом были подобраны алгоритмы для прототипа СКУД по рисунку вен пальцев руки. Реализованы базовые алгоритмы обработки изображений. Ведётся доработка физического устройства получения снимков вен. Планируется создание базы данных биометрических образцов и проведение масштабного компьютерного эксперимента.

Список литературы

1. Vehils D., Miguel J. FINAL THESIS. Design and Implementation of a Finger Vein Identification System. [S.l.], 2011. 68 p.
2. Bajers F. Biometric Identication using Hand Vein Patterns / Department of Electronic Systems. Electronics & IT. [S.l.], 2011. 93 p.
3. Implementation of thinning algorithm in OpenCV. URL: http://opencv-code.com/quick-tips/implementation-of-thinning-algorithm-in-opencv.
4. Pizer S.M., Amburn E.P., Austin J.D. et al. Adaptive Histogram Equalization and Its Variations // Computer Vision, Graphics, and Image Processing. Vol. 39 (September 1987). P. 355-368.
5. Otsu N. A threshold selection method from gray-level histograms // IEEE Trans. Sys., Man., Cyber. Vol. 9, no. 5. P. 62-66