基于线性加权的免疫克隆手指静脉图像特征提取方法

摘要

本发明公开了提出一种基于线性加权(LWF)免疫克隆的手指静脉特征提取方法，其是针对低质量静脉图片特征提取容易将噪声错判成静脉信息，将较差的静脉信息错判成噪声的问题，该算法采用自适应阈值法产生初始抗体，采用曲线拟合的方式获得权值，并通过对静脉区域进行线性加权来均衡去噪和增强边界。构造亲和力函数和抗体浓度函数，依靠亲和力函数和抗体浓度值，促进静脉信息的生长和抑制噪声的干扰。仿真结果表明该算法相比其它算法，具有真实性强、准确、连续、细节特征更丰富等特征，特别是对低质量的静脉图片具有很强的抗噪能力和好的提取效果。

说明书

技术领域

本发明涉及手指静脉图片的特征提取技术。

背景技术

当今社会，生物特征识别技术越来越受到人们的关注。生物特征的多样性造成了识别技术的多样性，静脉特征识别技术作为其中之一，也应运而生。2000年，M.Kono等研究人员，在日本日立公司的资助下，研制了用于人员身份识别的手指静脉近红外识别系统，并应用于人员识别。对于不同的生物特征识别，需要采取相适应的特征提取算法。手指静脉特征也不例外，由于不同的人静脉纹路大小不同，细小静脉血管的特征不容易提取；再加上目前采集装置所获得的手指静脉图片具有目标和背景区分度不明显，噪声和静脉信息共存，要想从中准确的获取静脉信息相当困难。而且低质量静脉图片特征提取容易将噪声错判成静脉信息，将较差的静脉信息错判成噪声。另外，由于受到环境和温度的影响，手指静脉血管膨胀和收缩也给特征提取带来麻烦，乃是当前国内外研究的热点话题。随着静脉特征提取算法的研究不断深入和发展，各种新的特征提取算法也应运而生。

目前，在静脉谷形特征提取算法方面研究有：方向提取算法、方向模板算子、repeated line tracking、局部阈值法、自适应阈值法与改进的线性跟踪相结合的方法。分析上述方法可知，对于目标和背景区分度不明显的静脉图片，采用区域的方法提取特征时，判断当前点是否为静脉特征信息，需采用邻域内的点来描述或表示。免疫克隆算法恰好反应了这样一种机理。用初始抗体来限定搜索范围，亲和度函数和抗体浓度来约束静脉邻近区域特征，应用克隆选择的记忆功能来进行静脉特征的提取。

1959年著名的免疫学家Burnet提出克隆选择学说。克隆选择是借鉴了自然界中无性繁殖。它是免疫系统的一种自然选择的模式。在免疫系统中，由免疫应答产生抗体的过程是免疫系统的一个学习过程。而这一过程中免疫系统体现出了学习、记忆、抗体多样性等生物特征。

发明内容

本发明针对现有方法存在的不足，本发明提出了一种基于线性加权(LWF)免疫克隆的手指静脉特征提取方法。该方法采用自适应阈值法产生初始抗体，采用曲线拟合的方式获得权值，并通过对静脉区域进行线性加权来均衡去噪和增强边界，构造亲和力函数和抗体浓度函数，依靠亲和力函数和抗体浓度值，促进静脉信息的生长和抑制噪声的干扰。

本发明是通过以下技术方案实现：

一种基于线性加权免疫克隆手指静脉图像特征提取方法，其首先，对手指静脉图片的原图用自适应阈值法产生初始抗体，用以确定搜索空间和范围，把得到的第一代抗体(初始抗体)A₁（i0，j0)的坐标值返回原图中，在对应的坐标点img(i0，j0)进行亲和度值计算，通过给定的亲和度值判定方法，产生新抗体；其次，判断第一代抗体中是否有不满足亲和度和抗体浓度的；若存在，则进行该抗体点去除操作，通过克隆操作得出第二代抗体A₂(i0，j0)；然后，在第二代抗体的基础上，进行变异、亲和度、抗体浓度计算，通过克隆操作得出新一代抗体A_b(i0，j0)；最后，得到最优抗体。

在前面所述的运算过程中，又包含了初始抗体的产生、变异方式的选取、线性加权函数(LWF)加权运算、亲和度函数和抗体浓度函数的运算。

初始抗体对最终解的质量和算法收敛速度都有一定影响，为了有利于提高收敛速度和抗体质量，本发明利用先验知识得到质量较好的初始抗体，能有效的为搜索提供指导信息。并采用自适应阈值法得到初始抗体。

变异方式的选取，变异点范围界定在抗体点周围。

本发明对于要处理的静脉图片采用线性加权函数(LWF)，对静脉区域进行线性加权来均衡去噪和增强边界。线性加权函数的系数的确定，采用了曲线拟合的方式。

亲和度函数和抗体浓度函数的计算，结合了免疫克隆算法中的相关知识，通过亲和力函数和抗体浓度值，促进静脉信息的生长和抑制噪声的干扰，为静脉特征信息的保留和干扰噪声的抑制并去除。

本发明结合免疫克隆机理，该方法采用改进的自适应阈值法产生初始抗体，并通过静脉区域特征构造亲和力函数，在候选解的邻域内产生变异解，最后在克隆选择的机理下达到最优抗体。最优抗体即时通过免疫克隆运算得到，具有自然界优胜劣汰的特点，对于静脉特征抗体进行克隆选择，对于噪声抗体进行淘汰选择。

免疫基因操作包含交叉和变异，免疫学认为，亲和度成熟和抗体多样性的产生主要依靠抗体的高频变异，而非交叉或重组。因此，本发明采用了变异操作。克隆选择操作通过局部择优，有效地压缩了种群的大小。由于克隆算子本身的选择机制具有记忆功能，可以保证算法以概率1收敛到最优解。

该方法不同于传统的算法，它借鉴了生物界中的无性生殖的免疫克隆原理，通过邻近区域点的变异，亲和度函数和抗体浓度值的计算，有效的抑制了噪声信息和促进了静脉信息的克隆生长繁殖。仿真结果表明：该算法提取的静脉特征信息优于其它算法，有效的区分了静脉和噪声，提取的静脉特征细节更丰富，具有很强的自适应性、抗干扰性、实用性。

附图说明

图1算法具体步骤流程图

图2为初始抗体和新代抗体产生过程框图

图3为拟合前后的仿真图

图4噪声抗体的死亡

图5静脉特征抗体的克隆

图6为免疫克隆算法提取过程仿真图

图7为不同提取算法和本文算法的效果对比图

具体实施方式

下面结合附图和具体实例对本发明的实施作详细说明。

如图1所示为本发明方法具体步骤流程图，本发明所述的包括以下具体步骤：

步骤一，用自适应阈值法产生初始抗体A₁，设定参数，确定搜索空间的范围；

步骤二，对产生的初始抗体A₁进行邻域内的变异操作，得到变异点img(i0，j0)；

步骤三，对以变异点为中心，k为半径的圆内点，img(i0+kcosθ，j0+ksinθ)进行加权，再计算其亲和度值Aff和抗体浓度值C_V；

步骤四，找出最佳抗体max(Aff)并进行克隆选择操作；

步骤五，计算其抗体浓度函数值C_V，找出在给定的域值范围内，存在多少抗体，当max(Aff)时，其中，C_V为免疫克隆运算的抗体浓度，Tn为给定的域值，取值为0.8，img(i0，j0)为该域值范围内的抗体的坐标点，执行克隆选择操作；经过步骤四和步骤五得到新一代抗体A_b，新一代为(b＞1)的以后产生的各代抗体；

步骤六，在各代抗体中对其邻域内存在新抗体和本身满足亲和度值和抗体浓度域值范围内的抗体点进行克隆操作，去除不满足条件的各代抗体点，在下一代中将不再进行操作；

步骤七，把A_b中得到的新的抗体基因进行变异，重复步骤三至步骤六，b＝b+1，b表示抗体代数，b的初始值为1。当A_b中的抗体不发生变化时程序终止，即得到最优抗体。

1.初始抗体产生方法

初始抗体对最终解的质量和算法收敛速度都有一定影响。为了有利于提高收敛速度和抗体质量，本发明利用先验知识得到质量较好的初始抗体，能有效的为搜索提供指导信息。

首先，对采集到的静脉图片(即原图)作灰度刻度标准化预处理。灰度刻度标准化计算公式为：

Img＝((img-min(img*255)/(max(img)-min(img)           (1)

然后，对预处理的静脉图片进行自适应阈值法处理，自适应阈值法数学公式为：$T(i,j)=\frac{\underset{u=0}{\overset{t-1}{\Sigma }}\underset{v=0}{\overset{t-1}{\Sigma }}\mathrm{img}(i+u,j+v)}{t^2}---\left(2\right)$

其中，t为所采用的窗口大小，u、v是介于大小为t的窗口中的变量，取值在[0，t-1]。i，j为对应的原图的像素坐标。本仿真采用的是5*5大小的滑动窗口。

自适应阈值法所产生的初始抗体A₁(i，j)为：

$A_1(i,j)=\left(\begin{array}{c}0\to A_1(i,j)\ge T(i,j)\\ 1\to A_1(i,j)<T(i,j)\end{array}\right)---\left(3\right)$

2.变异算子

变异的前提是在抗体点附近，变异方式为：

u＝4-8*rand(1，8)                           (4)

再对u取整，u为给定范围的内产生的随机数。赋值给m、n，m、n为生成的随机数取值范围在(-5，5)。令i0＝x_i+αm；j0＝y_i+an，α＝β*exp(-Aff)，Aff为当前点的亲和度值，β是控制指数函数衰减的变量，一般取0.15，α为指数衰减量。其中(x_i，y_i)为当前抗体点，(i0，j0)为变异后的抗体点。

变异点的灰度值为：

Q(k)＝img(i0+kcosθ，j0+ksinθ)             (5)

其中，k∈[1，2t+1]；这里取t＝4。θ为变异点的周围方向，表示以半径为k的实心圆区域。Q(k)为该区域点的像素值。

3.亲和度函数和抗体浓度

除了亲和度函数外，在抗体中还有许多抗体在阈值范围内相似。也就是说，在阈值范围内有多少抗体与该抗体的存有相似程度。抗体浓度不仅通过阈值反映出抗体之间的相似度，还可以反映出相似抗体的数量。

由此可知，亲和度函数的构造应该结合静脉谷形区域的特点，对区域像素进行线性加权(LWF)运算。线性加权函数是高斯函数与它的二阶导数的线性组合。LWF具有很强的去噪和增强边界的能力，通过调节他们的组合系数c0c2可达到去噪和增强边界的均衡。计算公式为：

L(x/δ)＝c₀h₀(x/δ)+c₂h₂(x/δ)             (6)

其中，第一项h₀(x/δ)为平滑算子：

$h_0(x/\delta )=1/\delta \sqrt{\pi }{e}^{-x^2/\left(2{\delta }^2\right)}---\left(7\right)$

第二项h₂(x/δ)为边缘增强算子：

$h_2(x/\delta )=1/\left({\delta }^3\sqrt{8\pi }\right)(x^2/{\delta }^2{e}^{-x^2/(2*{\delta }^2)}-e^{-x^2/(2*{\delta }^2)})---\left(8\right)$

L(x/δ)为线性加权函数，δ为高斯系数，这里取δ＝1，x为运算变量。

图3为采用该方法所得的拟合前后仿真图。其中，L(x)为在理想状态下得到的静脉特征实测数据y。h₀(x)，h₀(x)为未经拟合的函数。c₀，c₂为权值，通过对y＝c₀h₀(x)+c₂h₂(x)进行曲线拟合，经过拟合后得出c₀＝1.40，c₂＝-3.95，此时很好的平衡了去噪和增强边界。

H(k)为变异点经过加权函数加权的像素值，L(k)线性加权函数。k为运算变量，k∈[1，2t+1]。计算公式为：

H(k)＝L(k)*Q(k)                  (9)

C_v为免疫克隆运算的抗体浓度，函数抗体浓度公式为：

$C_V=\underset{k=1}{\overset{2t+1}{\Sigma }}H\left(k\right)/(2t+1)---\left(10\right)$

aff₁为像素差之和的平均值，加权后的前t个像素值与后t个像素值差值之和平均值计算公式为：

${\mathrm{aff}}_1=\left|\underset{k=1}{\overset{t}{\Sigma }}(H\left(k\right)-H(k+t+1))\right|/t---\left(11\right)$

Aff为免疫克隆运算的亲和度函数，亲和度函数计算公式为：

Aff＝1/aff₁                      (12)

4.非静脉抗体的死亡和静脉特征抗体的克隆

图4是含有噪声抗体的静脉特征，经过亲和度和抗体浓度值判定，对其进行抗体点死亡操作前后的静脉特征图。

图5是静脉特征抗体，经过亲和度值和抗体浓度判定，对其抗体点及周围邻域空间的静脉抗体点进行克隆操作前后的静脉特征图。

5.仿真结果对比分析

图6所示为免疫克隆算法提取过程仿真图。图中横向描述的是不同个体的样本图；纵向描述的是同一个体，经免疫克隆算法从原始图片-初始抗体-中间代抗体-最优抗体的生成过程。

图7所示为不同提取算法和本文算法的效果对比图。试验中共有4个不同个体的样本图。包括本方法在内，一共用了3种算法作对比。它们分别为文献[2](Xiang Yu，Wenming Yang.A Novel Finger Vein Pattern ExtractionApproach for Near-Infrared Image[J]，Image and Signal Processing，2009.CISP′09.2nd International Congress on 17-19Oct.2009Page(s)：1-5Digital ObjectIdentifier 10.1109/CISP.2009.5304440)的改进的线性跟踪，文献[3](YuChengbo，Qing Huafeng.A Research on Extracting Low Quality Human FingerVein Pattern Characteristics[J]，Bioinformatics and Biomedical Engineering，2008.ICBBE 2008.The 2nd International Conference on 16-18May 2008Page(s)：1876-1879Digital Object Identifier 10.1109/ICBBE.2008.798)的方向模板算子及本文的算法。由图可见，文献[2，3]对样本图片1提取的结果中发现了较多的噪声信息，文献[3]尤其明显，而本文给出的算法很好的抑制了噪声的干扰。虽然在图6样本图1中初始抗体含有噪声信息，但是经过抑制机制，淘汰了噪声信息；对样本图2的提取时，文献[2，3]在某些静脉特征的信息上提取不充分，出现了不连续的部分，而本文的算法很好的保留了静脉信息，使其更连续、光滑。在图6样本图2初始抗体中同样出现文献[2，3]的问题，但经过对静脉信息的促进机制，很好的保留了经脉信息；从样本图3，4提取的结果可知，本文算法提取的静脉特征更加连续、光滑，很好的抑制了噪声信息和促进了静脉信息的生长，并且在静脉特征细节上更加丰富。