0 引言

    近年来，随着融合了信息技术和生物技术的生物识别技术的兴起，利用人体固有的生理特征进行身份认证识别技术在安保、考勤、门禁系统中得到了广泛应用。相比于传统的生物识别技术，掌静脉识别认证技术以其活体识别、组织内部特征、安全等级高等技术优势，得到了广泛的关注和研究。

    目前国外成熟的掌静脉采集认证装置以日本富士通静脉采集认证产品为主，广泛应于ATM机、门禁、安保等系统之中^[1]，而鉴于商业机密，该产品实现的细节在文献中鲜有描述。国内的静脉采集认证系统的研究处于起步阶段，大部分产品都采用富士通静脉采集装置做相关应用扩展集成，而相关算法测试又多依赖于高性能X86实现，真正自主研发的合理快速掌静脉采集认证系统少之又少。

    在掌静脉采集认证系统的研制中，静脉图像采集和识别算法实现为两大技术难点。本文通过测试对比不同型号CMOS摄像头静脉采集图像效果，最终选用一种以OV7720为传感芯片的USB摄像头模组作为静脉采集装置，实验结果表明OV7720型号USB红外摄像头在合适的参数配置下可采集得到清晰的掌静脉图像。识别算法实现速度主要取决于识别算法的选用和硬件平台的选取，本文选用文献[2]中基于纹理方向特征的方法在不同嵌入式平台下进行算法移植、测试，统计对比算法实现时间，最终设计并实现了一种基于Zedboard的快速掌静脉识别认证系统。结果表明，由FPGA实现特征提取卷积部分的傅里叶变换及反变换，可大大缩短特征提取运算时间，使得整个静脉认证识别系统摆脱了对庞大笨重的X86平台的依赖。

1 Zedboard静脉采集认证系统

1.1 系统结构

    Zedboard静脉采集认证系统主要由近红外光源板、滤光片、USB摄像头、Zedboard片上系统及显示器组成，系统示意图如图1所示。其中新一代可编程片上系统Zedboard集双核CortexA9处理器和传统现场可编程门阵列(FPGA)于一体，由Process Systerm(PS)和Programmable Logic(PL)组成。PS部分的CortexA9处理器为应用级处理器，可运行完整Linux操作系统，PL部分的Xilinx 7系列FPGA可进行硬件重构实现算法加速。整个系统由SD卡启动方式启动，PS部分的CortexA9通过USB接口控制摄像头进行掌脉图像采集，并完成图像预处理，AXI总线实现PS与PL间的数据通信，由Xilinx FFT IP核实现特征提取部分的二维离散傅里叶变换及反变换，并通过HDMI接口连接显示器进行静脉采集认证显示，装置结构如图2所示。

1.2 系统流程

    静脉采集认证流程主要有：摄像头参数配置、静脉图像采集及格式转换、图像预处理、特征提取及一比一对比认证。图像预处理主要包括图像二值化、手掌轮廓边缘提取、关键点选取、感兴趣区域(ROI)提取及图像增强。系统流程如图3所示。

2 硬件实现

2.1 光源

    由人体骨骼和肌肉组织的特点可知，780～1 100 nm之间波长的近红外光随波长增大而在皮肤中的穿透深度增大^[3]，且静脉血管中的主要成分还原血红蛋白对750～850 nm波段的近红外光有较多吸收^[4]，结合市场上可提供的近红外波段的红外灯源，本设计采用850 nm和940 nm混合光源作为整个系统的采集光源。

2.2 摄像头参数配置及选型

    影响静脉图像质量的图像传感器参数主要有亮度 (BRIGHTNESS)、对比度(CONTRAST)、白色度(WHITENESS)、锐度(SHARPNESS)和逆光补偿度(BACKLIGHT COMPENSATION)。其中传感器亮度值配置高低与光照强度大小对静脉成像效果成反比例关系，高亮度值配置可弥补光照强度不足，低亮度值配置可消除高光强产生的光斑，低亮度值配置并提供足够大的光照强度，可采集到清晰掌脉图像；低对比度和低白色度参数配置使静脉图像的手掌区域过暗或过白，参数配置需较大；高锐度值配置可锐化静脉纹路但会产生颗粒状噪声，参数配置需适中；高逆光补偿度可平滑由光照不均所产生的区域性明暗斑块，参数值配置越高平滑效果越好。

    本文选用自配800 nm～2 000 nm带通滤光片的OV7225、OV9653及OV7720的USB摄像头模组进行掌脉图像的采集及对比，采集结果对比见本文4.2。

2.3 系统电路

    系统电路主要由ZYNQ处理系统、FFT运算实现电路及HDMI信号转换控制电路组成，整体系统电路设计如图4所示。ZYNQ为Zedboard片上处理系统，主要由主频1.3 GHz 的CortexA9双核处理器构成，可实现SD卡通信、控制USB摄像头完成图像采集存储、实现图像预处理算法，并通过AXI总线实现PS与PL间的数据通信；FFT为FFT运算模块，该模块选用Artix-7系列FPGA结构可插入模块Xilinx LogiCore IP Fast Fourier Transform，用于特征提取部分的傅里叶变换及反变换运算实现，该IP配置为数据占有消耗小、运算速度快的基4运算模式；hdmi_output、emio_gpio、fmc_hdmi_input、processing为HDMI信号输入输出控制及图像处理模块，实现液晶屏图像显示的信号转换与传输；处理系统对各部分外设的中断响应则由xlconcat中断控制IP实现。

3 算法实现

3.1 ROI选取

    本文ROI提取方法选用文献[5]中提出的掌纹ROI感兴趣区域提取方法，即在提取掌脉图像的手掌边缘轮廓线后，定位食指和中指间的缝隙与无名指和小指间的缝隙作为关键点，并将关键点连线作为定位基准点建立坐标系，截取固定大小矩形区域作为ROI，并选用CLAHE图像增强法对ROI图像进行图像增强。

3.2 特征提取

    本文选用文献[2]中基于方向的特征提取法进行特征提取，即通过128×128像素的ROI图像与6组31×31点素的不同卷积核进行卷积提取方向特征值。依据卷积定理，即两个空间函数卷积可通过计算两个傅里叶变换函数的乘积的逆变换得到，对ROI图像和卷积核进行二维离散傅里叶变换运算。通过傅里叶变换蝶形运算可大大降低乘加运算的运算次数，从而提高整个特征提取运算速度。转换公式如下：

式(1)中f(x，y)为输入图像，h(x，y)为卷积核，*代表卷积，f(x，y)与h(x，y)的卷积等于各自傅里叶变换乘积后的傅里叶逆变换，式(2)、式(3)分别为离散傅里叶变换及逆变换公式。

4 实验结果与分析

4.1 应用程序测试

    本文掌静脉采集认证系统选用Linux系统Linaro Ubuntu版本，硬件信息bitstream文件由Vivado软件生成后烧入Zedboard板，并将定制好的bootloader镜像文件BOOT.BIN、设备树devicetree.dtb文件、文件系统镜像ramdisk8M.image.gz、内核镜像zImage拷入SD卡中，上电启动Zedboard板并运行静脉采集应用程序，显示界面如图5所示。

4.2 静脉图像采集

    OV7720图像传感器可配置参数多、可调精度细，对不同人群静脉采集适应性强，在进行合理的参数配置后采集的图像静脉纹理效果优于OV7725和OV9653。不同摄像头静脉图像采集对比如图6所示。

    Linux系统下依据V4L2编程规范，可通过ioctl函数调用v4l2_control结构体重置VIDIOC_G_CTRL命令值，对OV7720传感器的参数进行配置，采集得到YUV格式数据，提取Y亮度分量可转化为640×480像素的静脉灰度图片。在光源板供压2.44 V，电流为0.3 A的条件下，OV7720传感器亮度配置为100，对比度配置为40，白色度配置为250，逆光补偿配置为1 000时，静脉图像采集效果最佳，如图7(c)所示，而错误的参数配置将无法获取清晰的静脉图片，如图7(a)、(b)所示。

    该芯片USB摄像头在合适的范围内对亮度、对比度、白色度、锐度和逆光补偿度这5项参数进行微调可采集得到理想的静脉图片，不同环境下不同人掌脉采集图如图8所示。

4.3 FFT IP仿真验证

    二维离散傅里叶变换及逆变换由两次一维傅里叶变换和逆变换实现，ROI特征提取需先将ROI图像矩阵和卷积核扩维成256×256点阵后，分别进行行和列的一维傅里叶变换。256点的一维离散傅里叶变换及逆变换为特征提取部分最基本的运算，在vivado软件下对FFT IP进行256点的一维离散快速傅里叶变换及逆变换的仿真测试，modelsim仿真结果如图9所示，结果显示基4运算模式的FFT IP在时频150 MHz下完成256点一维离散快速傅里叶变换或逆变换过程仅耗时7.682 μs。

4.4 时间统计及对比分析

    为研制合理高效的掌静脉识别认证系统，本文先后选取ARM11、CortexA9、X86等不同硬件平台对静脉算法C语言代码进行测试评估，时间测试统计对比如表1所示。

    由表1可知在不同硬件平台下，预处理和认证部分的整型运算实现速度中，高主频X86最快，低主频ARM11最慢。特征提取部分的浮点数运算实现速度，高性能X86最快，低性能ARM11最慢。增设浮点运算单元（Floating Point Unit，FPU）的CortexA9处理器浮点运算性能较高但与X86浮点运算性能仍有较大差距，特征提取运算速度仍不理想。FPGA的算法实现则可大幅度提升运算速度，时间统计对比如表2所示。

    由表2可知FPGA部分的FFT IP在供频150 MHz下一维离散傅里叶变换及反变换实现时间仅需7.68 μs，从而使整个特征提取部分时间降至0.052 s。

5 结论

    以OV7720为传感芯片的USB红外摄像头通过合理配置传感器参数，可采集得到清晰理想的掌静脉图像。Zedboard掌静脉采集认证系统由PS部分的CortexA9处理器对整个系统运行进行控制，可很好地完成图像采集和预处理，特征提取算法由PL部分的FPGA实现可将特征提取时间降至0.052 s，从而将整个识别认证时间降低到0.1 s以内，满足产品化的实时性要求。

参考文献

[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，刘娅琴，杨丰，等.基于方向特征的手掌静脉识别[J].中国图象图形学报，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．