0 引言

    近年來，隨著融合了信息技術和生物技術的生物識別技術的興起，利用人體固有的生理特征進行身份認證識別技術在安保、考勤、門禁系統中得到了廣泛應用。相比于傳統的生物識別技術，掌靜脈識別認證技術以其活體識別、組織內部特征、安全等級高等技術優勢，得到了廣泛的關注和研究。

    目前國外成熟的掌靜脈采集認證裝置以日本富士通靜脈采集認證產品為主，廣泛應于ATM機、門禁、安保等系統之中^[1]，而鑒于商業機密，該產品實現的細節在文獻中鮮有描述。國內的靜脈采集認證系統的研究處于起步階段，大部分產品都采用富士通靜脈采集裝置做相關應用擴展集成，而相關算法測試又多依賴于高性能X86實現，真正自主研發的合理快速掌靜脈采集認證系統少之又少。

    在掌靜脈采集認證系統的研制中，靜脈圖像采集和識別算法實現為兩大技術難點。本文通過測試對比不同型號CMOS攝像頭靜脈采集圖像效果，最終選用一種以OV7720為傳感芯片的USB攝像頭模組作為靜脈采集裝置，實驗結果表明OV7720型號USB紅外攝像頭在合適的參數配置下可采集得到清晰的掌靜脈圖像。識別算法實現速度主要取決于識別算法的選用和硬件平臺的選取，本文選用文獻[2]中基于紋理方向特征的方法在不同嵌入式平臺下進行算法移植、測試，統計對比算法實現時間，最終設計并實現了一種基于Zedboard的快速掌靜脈識別認證系統。結果表明，由FPGA實現特征提取卷積部分的傅里葉變換及反變換，可大大縮短特征提取運算時間，使得整個靜脈認證識別系統擺脫了對龐大笨重的X86平臺的依賴。

1 Zedboard靜脈采集認證系統

1.1 系統結構

    Zedboard靜脈采集認證系統主要由近紅外光源板、濾光片、USB攝像頭、Zedboard片上系統及顯示器組成，系統示意圖如圖1所示。其中新一代可編程片上系統Zedboard集雙核CortexA9處理器和傳統現場可編程門陣列(FPGA)于一體，由Process Systerm(PS)和Programmable Logic(PL)組成。PS部分的CortexA9處理器為應用級處理器，可運行完整Linux操作系統，PL部分的Xilinx 7系列FPGA可進行硬件重構實現算法加速。整個系統由SD卡啟動方式啟動，PS部分的CortexA9通過USB接口控制攝像頭進行掌脈圖像采集，并完成圖像預處理，AXI總線實現PS與PL間的數據通信，由Xilinx FFT IP核實現特征提取部分的二維離散傅里葉變換及反變換，并通過HDMI接口連接顯示器進行靜脈采集認證顯示，裝置結構如圖2所示。

1.2 系統流程

    靜脈采集認證流程主要有：攝像頭參數配置、靜脈圖像采集及格式轉換、圖像預處理、特征提取及一比一對比認證。圖像預處理主要包括圖像二值化、手掌輪廓邊緣提取、關鍵點選取、感興趣區域(ROI)提取及圖像增強。系統流程如圖3所示。

2 硬件實現

2.1 光源

    由人體骨骼和肌肉組織的特點可知，780～1 100 nm之間波長的近紅外光隨波長增大而在皮膚中的穿透深度增大^[3]，且靜脈血管中的主要成分還原血紅蛋白對750～850 nm波段的近紅外光有較多吸收^[4]，結合市場上可提供的近紅外波段的紅外燈源，本設計采用850 nm和940 nm混合光源作為整個系統的采集光源。

2.2 攝像頭參數配置及選型

    影響靜脈圖像質量的圖像傳感器參數主要有亮度 (BRIGHTNESS)、對比度(CONTRAST)、白色度(WHITENESS)、銳度(SHARPNESS)和逆光補償度(BACKLIGHT COMPENSATION)。其中傳感器亮度值配置高低與光照強度大小對靜脈成像效果成反比例關系，高亮度值配置可彌補光照強度不足，低亮度值配置可消除高光強產生的光斑，低亮度值配置并提供足夠大的光照強度，可采集到清晰掌脈圖像；低對比度和低白色度參數配置使靜脈圖像的手掌區域過暗或過白，參數配置需較大；高銳度值配置可銳化靜脈紋路但會產生顆粒狀噪聲，參數配置需適中；高逆光補償度可平滑由光照不均所產生的區域性明暗斑塊，參數值配置越高平滑效果越好。

    本文選用自配800 nm～2 000 nm帶通濾光片的OV7225、OV9653及OV7720的USB攝像頭模組進行掌脈圖像的采集及對比，采集結果對比見本文4.2。

2.3 系統電路

    系統電路主要由ZYNQ處理系統、FFT運算實現電路及HDMI信號轉換控制電路組成，整體系統電路設計如圖4所示。ZYNQ為Zedboard片上處理系統，主要由主頻1.3 GHz 的CortexA9雙核處理器構成，可實現SD卡通信、控制USB攝像頭完成圖像采集存儲、實現圖像預處理算法，并通過AXI總線實現PS與PL間的數據通信；FFT為FFT運算模塊，該模塊選用Artix-7系列FPGA結構可插入模塊Xilinx LogiCore IP Fast Fourier Transform，用于特征提取部分的傅里葉變換及反變換運算實現，該IP配置為數據占有消耗小、運算速度快的基4運算模式；hdmi_output、emio_gpio、fmc_hdmi_input、processing為HDMI信號輸入輸出控制及圖像處理模塊，實現液晶屏圖像顯示的信號轉換與傳輸；處理系統對各部分外設的中斷響應則由xlconcat中斷控制IP實現。

3 算法實現

3.1 ROI選取

    本文ROI提取方法選用文獻[5]中提出的掌紋ROI感興趣區域提取方法，即在提取掌脈圖像的手掌邊緣輪廓線后，定位食指和中指間的縫隙與無名指和小指間的縫隙作為關鍵點，并將關鍵點連線作為定位基準點建立坐標系，截取固定大小矩形區域作為ROI，并選用CLAHE圖像增強法對ROI圖像進行圖像增強。

3.2 特征提取

    本文選用文獻[2]中基于方向的特征提取法進行特征提取，即通過128×128像素的ROI圖像與6組31×31點素的不同卷積核進行卷積提取方向特征值。依據卷積定理，即兩個空間函數卷積可通過計算兩個傅里葉變換函數的乘積的逆變換得到，對ROI圖像和卷積核進行二維離散傅里葉變換運算。通過傅里葉變換蝶形運算可大大降低乘加運算的運算次數，從而提高整個特征提取運算速度。轉換公式如下：

式(1)中f(x，y)為輸入圖像，h(x，y)為卷積核，*代表卷積，f(x，y)與h(x，y)的卷積等于各自傅里葉變換乘積后的傅里葉逆變換，式(2)、式(3)分別為離散傅里葉變換及逆變換公式。

4 實驗結果與分析

4.1 應用程序測試

    本文掌靜脈采集認證系統選用Linux系統Linaro Ubuntu版本，硬件信息bitstream文件由Vivado軟件生成后燒入Zedboard板，并將定制好的bootloader鏡像文件BOOT.BIN、設備樹devicetree.dtb文件、文件系統鏡像ramdisk8M.image.gz、內核鏡像zImage拷入SD卡中，上電啟動Zedboard板并運行靜脈采集應用程序，顯示界面如圖5所示。

4.2 靜脈圖像采集

    OV7720圖像傳感器可配置參數多、可調精度細，對不同人群靜脈采集適應性強，在進行合理的參數配置后采集的圖像靜脈紋理效果優于OV7725和OV9653。不同攝像頭靜脈圖像采集對比如圖6所示。

    Linux系統下依據V4L2編程規范，可通過ioctl函數調用v4l2_control結構體重置VIDIOC_G_CTRL命令值，對OV7720傳感器的參數進行配置，采集得到YUV格式數據，提取Y亮度分量可轉化為640×480像素的靜脈灰度圖片。在光源板供壓2.44 V，電流為0.3 A的條件下，OV7720傳感器亮度配置為100，對比度配置為40，白色度配置為250，逆光補償配置為1 000時，靜脈圖像采集效果最佳，如圖7(c)所示，而錯誤的參數配置將無法獲取清晰的靜脈圖片，如圖7(a)、(b)所示。

    該芯片USB攝像頭在合適的范圍內對亮度、對比度、白色度、銳度和逆光補償度這5項參數進行微調可采集得到理想的靜脈圖片，不同環境下不同人掌脈采集圖如圖8所示。

4.3 FFT IP仿真驗證

    二維離散傅里葉變換及逆變換由兩次一維傅里葉變換和逆變換實現，ROI特征提取需先將ROI圖像矩陣和卷積核擴維成256×256點陣后，分別進行行和列的一維傅里葉變換。256點的一維離散傅里葉變換及逆變換為特征提取部分最基本的運算，在vivado軟件下對FFT IP進行256點的一維離散快速傅里葉變換及逆變換的仿真測試，modelsim仿真結果如圖9所示，結果顯示基4運算模式的FFT IP在時頻150 MHz下完成256點一維離散快速傅里葉變換或逆變換過程僅耗時7.682 μs。

4.4 時間統計及對比分析

    為研制合理高效的掌靜脈識別認證系統，本文先后選取ARM11、CortexA9、X86等不同硬件平臺對靜脈算法C語言代碼進行測試評估，時間測試統計對比如表1所示。

    由表1可知在不同硬件平臺下，預處理和認證部分的整型運算實現速度中，高主頻X86最快，低主頻ARM11最慢。特征提取部分的浮點數運算實現速度，高性能X86最快，低性能ARM11最慢。增設浮點運算單元（Floating Point Unit，FPU）的CortexA9處理器浮點運算性能較高但與X86浮點運算性能仍有較大差距，特征提取運算速度仍不理想。FPGA的算法實現則可大幅度提升運算速度，時間統計對比如表2所示。

    由表2可知FPGA部分的FFT IP在供頻150 MHz下一維離散傅里葉變換及反變換實現時間僅需7.68 μs，從而使整個特征提取部分時間降至0.052 s。

5 結論

    以OV7720為傳感芯片的USB紅外攝像頭通過合理配置傳感器參數，可采集得到清晰理想的掌靜脈圖像。Zedboard掌靜脈采集認證系統由PS部分的CortexA9處理器對整個系統運行進行控制，可很好地完成圖像采集和預處理，特征提取算法由PL部分的FPGA實現可將特征提取時間降至0.052 s，從而將整個識別認證時間降低到0.1 s以內，滿足產品化的實時性要求。

參考文獻

[1] WATANABE M，ENDOH T，SHIOHARA M，et al.Palm vein authentication Technology and its applications[C].Proceedings of The Biometric Consortium Conference，2005：73-75．

[2] 周宇佳，劉婭琴，楊豐，等.基于方向特征的手掌靜脈識別[J].中國圖象圖形學報，2014，19(2)：243-252.

[3] Jacques，STEVEN L．Simple optical theory for light dosimetry during PDT[J]．Proc SPIE，1992，1645：155-165．

[4] MATCHER S J，ELWELL C E，COOPER C E，et a1．Performance comparison of several published tissue near-infrared spectroscopy algorithms[J]．Arlal Biochem，1995，227：54-68．

[5] ZHANG D，KONG W K，YOU J，et a1．Online palmprint identification[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(9)：1041-1050．