王一丁，黃守艷

(北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京 100144)

基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識別

王一丁，黃守艷

(北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京 100144)

針對多源異質(zhì)的手背靜脈異質(zhì)圖像的識別研究，提出了基于LBP和多層次結(jié)構(gòu)的識別算法；首先對圖像做適當(dāng)?shù)念A(yù)處理，然后將LBP特征提取算法編碼的手背靜脈紋理特征圖像作為多層次結(jié)構(gòu)的輸入，通過多層次結(jié)構(gòu)的逐層由具體到抽象的特征提取，得到的特征具有更大的魯棒性；最后該算法在多源異質(zhì)的手背靜脈圖像庫得到的識別率比傳統(tǒng)的算法識別率高，達到96.57%；進一步表明該算法能夠較好地解決由于多源異質(zhì)問題對手背靜脈識別所造成的識別率低的影響。

多源異質(zhì)；手背靜脈；LBP；視覺信息處理；多層次結(jié)構(gòu)；身份識別

0 引言

隨著科技的不斷進步和發(fā)展，信息安全顯得日益重要，身份認(rèn)證是保證信息安全的重要手段之一。但傳統(tǒng)的身份認(rèn)證技術(shù)已不能保障日益增長的信息安全需求，如依靠ID卡，鑰匙和密碼等傳統(tǒng)的身份認(rèn)證[1-3]手段存在隨身攜帶不便、易丟失、易被損壞、易被破解、易被假冒等諸多缺點。由此可見傳統(tǒng)身份認(rèn)證存在很大弊端，亟需一種新穎的身份認(rèn)證技術(shù)來解決這些問題，于是，生物特征識別技術(shù)應(yīng)用而生。生物特征識別技術(shù)不是依據(jù)傳統(tǒng)的標(biāo)識物品或標(biāo)識知識來識別身份，而是通過計算機將人類自身所固有的特性提取進行處理來進行身份識別的技術(shù)。生物特征是與生俱來的，大多是先天形成的，如人臉、虹膜、指紋、手背靜脈、手指靜脈[4-7]等。

手背靜脈的生理結(jié)構(gòu)決定它具有的以下幾個優(yōu)點：(1)P非接觸式(2)靜脈血管位于體表內(nèi)部，不易受到污染，磨損和劃傷(3)活體特性難以偽造(4)靜脈的生理結(jié)構(gòu)決定，它具有普遍性和唯一性[4]。因為具有這些優(yōu)勢雖然手背靜脈的研究時間不長，但已取得很大的成就如在考勤，監(jiān)控，門禁等領(lǐng)域得到應(yīng)用[8]。隨著應(yīng)用領(lǐng)域的不斷增加對手背靜脈識別系統(tǒng)的識別性能要求越來越高。特別是對于在分布式手背靜脈識別系統(tǒng)中，由于時間和設(shè)備的不同采集的手背靜脈圖像必然會存在很大差異，這種質(zhì)量上的差異就是靜脈圖像的多源異質(zhì)問題。然而，造成手背靜脈圖像異質(zhì)的原因主要有：采集圖像的設(shè)備不同，造成采集的圖像分辨率，退化程度不同；采集圖像時場景的不同，造成同一個體在同一設(shè)備上采集的圖像由于外界的氣流、光照、背景等不同產(chǎn)生異質(zhì)；采集個體的狀態(tài)不同，造成采集的圖像狀態(tài)與數(shù)據(jù)庫中的狀態(tài)不同；采集圖像只有局部特征，造成與注冊時的圖像存在不同。因此，怎樣處理這些不同原因?qū)е碌亩嘣串愘|(zhì)圖像對手背靜脈識別算法提出了挑戰(zhàn)，即用怎樣的識別算法能對異質(zhì)圖像進行準(zhǔn)確的識別。

現(xiàn)在還沒有特別有效的魯棒識別算法能對各種異質(zhì)源的圖像進行準(zhǔn)確的識別。傳統(tǒng)意義上就是通過控制異質(zhì)源和改進算法相結(jié)合的形式對異質(zhì)圖像進行識別，控制異質(zhì)源的方法即：對采集設(shè)備的自身參數(shù)進行統(tǒng)一標(biāo)定，并對采集時的周圍環(huán)境、采集人員姿勢加以限制，盡量保持采集圖像的一致性；改進算法即：利用圖像識別方法在圖像層方面對圖像進行處理和基于機器學(xué)習(xí)和視覺感知系統(tǒng)的識別方法。其中，基于圖像層方面的識別方法主要是對圖像質(zhì)量進行提高，消除外部因素導(dǎo)致的圖像差異。基于機器學(xué)習(xí)和視覺感知方面的識別算法主要是對圖像進行學(xué)習(xí)，找到圖像魯棒的特征。如手背靜脈圖像增強和分割方法[9]；基于模糊熵的自適應(yīng)圖像多層次模糊增強算法[10]；基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法設(shè)計與實現(xiàn)[11]；基于人腦視覺感知機理的分類與識別研究[12]等。在特征提取方面，對具有可分辨性和可重復(fù)的局部特征進行提取的算法有SIFT, LBP(Local Binary Pattern，局部二值模式)和通過對圖像的大量訓(xùn)練得到完備視覺字典然后將圖像的局部特征映射為全局稀疏表示的方法。如，基于稀疏表示的圖像識別[13]；基于稀疏編碼的人臉圖像識別方法研究[14]。但上述的圖像識別主要在人臉和虹膜上，如，基于深度學(xué)習(xí)的多形態(tài)人臉識別[15]；異質(zhì)虹膜圖像的魯棒識別[16]。對異質(zhì)手背靜脈圖像識別問題的研究資料很少。本文就基于LBP和多層次結(jié)構(gòu)的識別算法對多源異質(zhì)的手背靜脈圖像識別問題進行研究。

1 采集設(shè)備與異質(zhì)手背靜脈圖像

本手背靜脈識別主要是為了獲取人體手背靜脈血管的紋理信息，然而在可見光照射下，由于手背靜脈分布在皮下脂肪之下且皮膚組織的反射能力較強，傳統(tǒng)的攝像頭很難采集到清晰的手背靜脈圖像，因此本文使用近紅外成像原理采集圖像。利用近紅外光源主動發(fā)射波長為850 nm 的紅外光波，用帶有紅外濾光片的CCD (charged couple device) 攝像機進行手背靜脈采集。850 nm的紅外光波可以較好地穿透皮膚，使得靜脈里的血液比周圍組織吸收更多的紅外光，血液流經(jīng)處顏色較深，從而呈現(xiàn)出靜脈結(jié)構(gòu)[8]。本文用到的異質(zhì)手背靜脈圖像庫是通過具有3個不同參數(shù)的攝像頭對同一批人進行采集得到的。采集設(shè)備如圖1所示，3個設(shè)備采集的異質(zhì)手背靜脈圖像如圖2所示。

由于三臺設(shè)備的攝像頭自身的各種參數(shù)，采集時攝像頭的焦距以及采集時的光照強度均不相同，因此即使是同一個采集者，在三臺設(shè)備的攝像頭下采集的手背靜脈圖像也存在很大差異。由圖2可以看出二號設(shè)備的攝像頭采集的手背區(qū)域比一號和三號設(shè)備采集的手背區(qū)域要小，故包含的靜脈區(qū)域也較??；同時，三臺設(shè)備采集的圖像之間的灰度強度也各不相同；此外，二號和三號設(shè)備采集的圖像還存在手柄帶來的干擾。同一臺設(shè)備對同一個采集者進行采集也會由于采集者的姿勢以及手放的角度不同導(dǎo)致采集的圖像產(chǎn)生一定的平移，旋轉(zhuǎn)和尺度上的變化。而且，現(xiàn)實中一般不能實現(xiàn)兩個攝像頭的各個參數(shù)完全一樣，因此對多源異質(zhì)圖像的分析識別顯得格外重要。

圖2 異質(zhì)手背靜脈圖像

2 LBP和多層次結(jié)構(gòu)的基本理論介紹

2.1 LBP算子

紋理對于視覺系統(tǒng)而言是一種重要的視覺特征，它與物體的表面材質(zhì)有關(guān)，是由圖像灰度在空間位置上變化形成的，表征著多個像素間的分布變化與規(guī)律，而且能夠很好的反映同類圖像的共性特點，特別是對于手背靜脈這種有著明顯紋理特征的圖像。典型的紋理特征描述方法就包括局部二值化模式(local binary pattern，LBP)。LBP最早是由T.Ojala于1996年提出[17]的，是一種用來描述圖像局部紋理特征的算子；它提取特征不需要對圖像進行細化且提取的紋理特征具有旋轉(zhuǎn)不變性和灰度不變性，計算簡單等顯著的優(yōu)點。并且它已經(jīng)在人臉識別，紋理分類和圖像分析等領(lǐng)域得到應(yīng)用。本文中將歸一化LBP編碼的手背靜脈紋理特征圖像作為層次結(jié)構(gòu)的輸入，如果以原始的手背靜脈圖像作為層次結(jié)構(gòu)的輸入，該結(jié)構(gòu)能學(xué)習(xí)到手背靜脈圖像中隱含的抽象特征，然而由于輸入是整體形式就沒法學(xué)習(xí)到手背靜脈圖像的局部結(jié)構(gòu)特征，但是，如果將歸一化LBP編碼的手背靜脈紋理特征圖像作為層次結(jié)構(gòu)的輸入，就可以使層次結(jié)構(gòu)能有效的學(xué)習(xí)手背靜脈圖像的局部特征，且歸一化LBP編碼的手背靜脈紋理特征圖像對光照和微小平移具有較好的魯棒性。

一幅二維的手背靜脈圖像gM×N(x,y)的局部紋理特征可以通過將圖像中的每個像素點和其鄰域內(nèi)的像素依次進行比較得到。標(biāo)準(zhǔn)LBP算子的計算方法如式(1)所示。

(1)

(2)

其中:由式(2)可以看出歸一化LBP算子的紋理模式的種類有P(P-1)+3 種比標(biāo)準(zhǔn)LBP算子的紋理模式種類少很多。歸一化LBP算子的紋理模式往往反映的是那些重要信息的模式，而標(biāo)準(zhǔn)LBP算子的紋理模式的過多轉(zhuǎn)變往往是由噪聲引起的，不具有良好的統(tǒng)計意義。因此，采用歸一化LBP算子編碼的紋理特征圖像能減少高頻噪聲帶來的不利干擾。圖3表示不同LBP算子編碼結(jié)果，其中圖3(a)為原始圖像，圖3(b)為標(biāo)準(zhǔn)LBP編碼的圖像，圖3(c)為歸一化LBP編碼的圖像?？梢钥闯鲈诰哂邢嗤徲蚝桶霃降那闆r下，和標(biāo)準(zhǔn)LBP編碼的特征圖像相比，歸一化LBP編碼的特征圖像將原始圖像的紋理表現(xiàn)得更加清晰突出。

圖3 不同LBP算子編碼圖

2.2 多層次結(jié)構(gòu)的特征提取

隨著神經(jīng)生理學(xué)和解剖學(xué)的逐步發(fā)展，人類對大腦的視覺感知系統(tǒng)的理解逐步深入，無論是在初級視覺皮層還是高級視覺區(qū)域，科學(xué)家們都取得了許多重要的研究成果。人類大腦的視覺皮層處理信息時是采用逐層傳輸和表達的方式，首先利用某些神經(jīng)元組織去探測物體邊界、元形狀，然后又利用其他的神經(jīng)元組織，逐步向上處理形成更復(fù)雜的視覺形狀；即視覺信息是按照由簡單細胞到復(fù)雜細胞再到超級復(fù)雜細胞這樣的順序進行加工處理的。早期，Poggio和Riesenhuber根據(jù)大腦視覺皮層腹側(cè)視覺通路對視覺信息進行處理的工作原理，提出了模擬腹側(cè)通路視覺信息處理過程最初的模型[18]。該模型由簡單細胞層和復(fù)雜細胞層交替構(gòu)成，試圖用一種簡單的易于理解的計算過程來詮釋認(rèn)知過程。之后沿著視覺感知機理啟發(fā)的道路，最初的模型中的部分思想被接納，并經(jīng)過進一步的演變變?yōu)镠MAX模型[19]。該HMAX模型由下到下分為五個層次，分別為S1,C1,S2,C2和VTU。S1為簡單細胞層，C1為復(fù)雜細胞層，S2為簡單組合特征細胞層，C2為復(fù)雜組合特征細胞層，VTU為視覺協(xié)調(diào)視覺層。在C層建立位置不變性，在S層建立特征的復(fù)雜性，包括加權(quán)求和和最大化兩種操作。雖然這種HMAX模型不能用于對物體進行直接分類，但它為后來視覺特征計算模型的研究提出了理論基礎(chǔ)和思想框架。之后Serre,Wolf和Poggio[20]對HMAX模型進行改進使其能成為模擬生物視覺活動的模型，該改進的模型能很好的模擬神經(jīng)元細胞的選擇性，且逐漸形成了特征的尺度和平移不變性。本文中建立的層次結(jié)構(gòu)就是在Serre,Wolf和Poggio模型的基礎(chǔ)上進行的。該層次結(jié)構(gòu)由四層構(gòu)成，分別為S1,C1,S2,C2。如圖4所示。

圖4 多層次結(jié)構(gòu)圖

其中，S1層將LBP編碼的紋理特征圖像和濾波器進行卷積得到多尺度，多方向的圖像；C1層將相鄰尺度的分為一個等級，得到4個等級，對第i個等級的方向相同尺度不同的兩幅圖像進行采樣，其中采樣模板的大小為Ni×Ni(N1=8,N2=10,N3=12,N4=14)，這里的模板大小取值是通過實驗的反復(fù)驗證得到的，并求該模板區(qū)域的最大值，以增加平移的不變性，其中i代表等級。其次對同一等級兩個不同尺度的圖像取相同位置處較大的值作為C1層的圖像輸出，增加尺度不變性。這樣每個等級的圖像數(shù)將會由八幅減到四幅。S2層是對C1層的圖像與特征模板進行RBF計算，其中，特征模板是通過計算訓(xùn)練圖像的特征顯著點，并按特征模板的尺度大小(4×4,8×8,12×12,16×16)對所有顯著點進行分類。然后通過提取的特征模板的尺度大小從對應(yīng)分類中隨機選取選取顯著點作為C1層提取特征模板的位置，這里假設(shè)一共提取K個特征模板。C2層對S2層每個特征模板對應(yīng)的所有等級圖像的位置進行遍歷求取最小距離作為該等級的結(jié)果，之后對所有等級的值進行最大值選取，得到特征模板與該圖像的最佳匹配度。由于有K個特征模板，所以得到一個K維的特征向量。S1層中與圖像進行卷積的卷積核的計算如式(3)所示。

(3)

其中:X=xcosθ+ysinθ,Y=-xsinθ+ycosθ。θ=0～π，σ=4.5,λ=5.6,γ=0.3與Serre,Wolf和Poggio模型中保持一致。

在S2層進行RBF計算如式(4)所示。

.....K

(4)

3 基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識別

本文針對多源異質(zhì)圖像的識別這一中心問題，提出了基于LBP和層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識別，首先對多源異質(zhì)的手背靜脈圖像進行去噪和歸一化的預(yù)處理；其次通過歸一化LBP算子對手背靜脈圖像進行編碼得到靜脈紋理特征圖像；然后將靜脈紋理特征圖像作為多層次結(jié)構(gòu)的輸入，多層次結(jié)構(gòu)對輸入的紋理特征圖像進行特征的提取，得到具有對尺度，平移和旋轉(zhuǎn)具有較高魯棒性的抽象特征。最后根據(jù)類內(nèi)和類間距離設(shè)計不同模板融合的分類器，實現(xiàn)對多源異質(zhì)的手背靜脈進行分析和識別。并且通過對比已有的手背靜脈識別算法來對本文提出的視覺模型方法的識別性能進行分析。本文主要結(jié)構(gòu)流程圖如圖5所示。具體的步驟如下：

(1)將圖像進行預(yù)處理和去噪，然后用歸一化LBP算子編碼得到紋理特征圖像。

(2)本文中紋理特征的提取采用P=8,R=1的圓形鄰域。

(3)將訓(xùn)練圖像進行歸一化LBP算子編碼得到的紋理特征圖像對多層結(jié)構(gòu)進行訓(xùn)練得到顯著的訓(xùn)練特征模板。

(4)將測試圖像進行歸一化LBP算子編碼得到的紋理特征圖像作為多層結(jié)構(gòu)的輸入 ，然后對其提取模板與訓(xùn)練模板進行匹配，從而得到具有魯棒的特征向量。然后對其進行分類識別。

圖5 異質(zhì)手背靜脈身份識別流程圖

4 實驗結(jié)果及分析

在本次實驗中，為了能充分的證明該算法對異質(zhì)手背靜脈數(shù)據(jù)的實驗結(jié)果，使用了3個具有不同參數(shù)的設(shè)備，分別記為一號，二號，三號設(shè)備。這三套設(shè)備分別對不同性別的120個人的左右手分類采集，每個人左右手分別采集10張，一共2400張手背靜脈圖片，格式為bmp，大小為640*480像素，灰階為256級，水平和垂直分辨率均為96dpi。為了保證采集的手背靜脈圖像的異質(zhì)性，設(shè)備在采集時不對采集者的采集姿態(tài)加以要求和限制，均為自動采集。同時，調(diào)大每臺設(shè)備之間的自身參數(shù)的差異性，盡可能增加采集圖像的異質(zhì)性。通過實驗對比其他現(xiàn)有手背靜脈識別算法對異質(zhì)手背靜脈圖像的實驗效果，通過得到的識別率對本文提出的視覺模型方法的魯棒性進行驗證。實驗時均采用一個設(shè)備注冊，一個設(shè)備識別。實驗室采集的實驗數(shù)據(jù)如圖6所示。

圖6 異質(zhì)手背靜脈圖像數(shù)據(jù)庫

實驗數(shù)據(jù)在4GRAM、3.20GHzIntelCPU臺式機上進行，采用Matlab2012編程實現(xiàn)。實驗時將數(shù)據(jù)庫分為注冊樣本和測試樣本兩類。其中，每個手的隨機5張圖片作為注冊樣本，剩下的5張作為測試樣本。其中1-2表示一號設(shè)備采集的圖像作為注冊樣本，二號設(shè)備采集的圖像作為測試樣本。1-3，2-3同理。由于歸一化LBP算子編碼得到的是局部紋理特征圖像，因此合適的圖像大小對穩(wěn)定特征點的提取以及圖像的識別率的提高都有一定的影響。故本文對不同大小的手背靜脈圖像的識別結(jié)果進行分析。識別結(jié)果如圖7所示，其中圖7(a)表示不同大小圖像的識別率的統(tǒng)計結(jié)果，圖7(b)表示在不同大小圖像的特征提取所需要的時間。

圖7 不同大小的異質(zhì)手背靜脈圖像的識別結(jié)果

從圖7中的曲線圖可以看出，當(dāng)圖像的維度小于140×140時，由于特征點個數(shù)較少，并不能完全表征整個手背靜脈圖像的特征，雖然提取特征時間短但識別率很低；隨著圖像維數(shù)的增加,識別率逐漸提高，但圖像維數(shù)過大會造成特征提取時間呈指數(shù)倍增加，同時，提取的干擾特征點會越多，錯誤匹配的概率就會增加從而造成識別率的下降。故本文采用識別率較高且特征提取時間較短的220×220的像素大小。

實驗過程中，將標(biāo)準(zhǔn)LBP編碼的手背靜脈紋理特征圖像，歸一化LBP編碼的手背靜脈紋理特征圖像和原始手背靜脈圖像分別作為多層次結(jié)構(gòu)(MS,Multi-layerStructure)的輸入，將3種情況得到的異質(zhì)手背靜脈圖像的識別結(jié)果進行對比，如表1所示。

表1 不同LBP算子之間的對比

通過表1可知，用歸一化LBP編碼的靜脈紋理圖像作為多層次結(jié)構(gòu)的輸入，達到的識別率均高于用標(biāo)準(zhǔn)LBP編碼的靜脈紋理圖像和原始手背靜脈圖像作為多層次結(jié)構(gòu)的輸入所達到的識別率。然而，用標(biāo)準(zhǔn)LBP編碼的靜脈紋理圖像和原始手背靜脈圖像分別作為多層次結(jié)構(gòu)的輸入，所達到的識別率相當(dāng)。歸一化LBP編碼的靜脈紋理特征圖像減少了高頻噪聲帶來的干擾，對光照強度和微小的旋轉(zhuǎn)具有魯棒性，不會因為提取的信息不完整而導(dǎo)致在多層次結(jié)構(gòu)特征提取過程中信息的丟失，最終影響識別率的現(xiàn)象。因此歸一化LBP編碼的靜脈紋理特征圖相對于標(biāo)準(zhǔn)LBP編碼的靜脈紋理特征圖和原始圖像，作為多層次結(jié)構(gòu)的輸入更有利于魯棒特征的提取以及異質(zhì)手背靜脈識別率的提高。與此同時，將本文提出的方法和其他的識別算法的識別結(jié)果進行對比，如表2所示。

表2 不同算法的對比

通過表2可以看出，傳統(tǒng)的LBP和PCA對于采集的圖像的質(zhì)量要求比較高，故對灰度不均勻或位置偏移比較大的圖像識別率就會迅速降低。文獻[21]中的DeepLearning算法需要對大量的樣本進行訓(xùn)練和學(xué)習(xí)，且訓(xùn)練時間很長，對于樣本數(shù)少的異質(zhì)手背靜脈圖像達不到想要的學(xué)習(xí)效果。但是本文算法，融合了LBP編碼的紋理特征圖像且對該特征圖像利用多層次結(jié)構(gòu)進行了進一步學(xué)習(xí)得到更加魯棒的抽象特征，對異質(zhì)手背靜脈識別的識別率有較大提高，能達到90.57%。

5 結(jié)束語

本文針對多源異質(zhì)的手背靜脈圖像提出了基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈識別方法，利用歸一化LBP算子編碼得到高頻噪聲少的異質(zhì)手背靜脈紋理特征圖像，作為多層次結(jié)構(gòu)的輸入，接著多層次結(jié)構(gòu)對輸入的紋理特征進行多方向，多尺度的特征學(xué)習(xí)，提取具有對平移和方向具有魯棒性的抽象特征，通過分類識別從而提高異質(zhì)手背靜脈圖像的識別率，達到90.57%。通過對比其他現(xiàn)有的算法在異質(zhì)手背靜脈圖像的識別結(jié)果，本方法的識別率有明顯的提高。本文的創(chuàng)新點有：

(1)本文沒有直接用像素級的手背靜脈圖像作為多層次結(jié)構(gòu)的直接輸入，而是對圖像先進行歸一化LBP算子編碼得到手背靜脈紋理特征圖像，從而減少了高頻干擾。

(2)采用多層次結(jié)構(gòu)提取的特征能實現(xiàn)對平移，方向和旋轉(zhuǎn)的魯棒性。

(3)本文將LBP和多層次結(jié)構(gòu)結(jié)合起來，比單獨使用LBP或多層次結(jié)構(gòu)來進行異質(zhì)手背圖像的識別更有效。

該文提出的多層次結(jié)構(gòu)是對大腦初級視覺皮層對視覺信息的加工處理過程的模擬。計算機方法是一種前向型信息處理過程，不涉及大腦對視覺任務(wù)的反饋和干預(yù)。這與日常生活中我們在進行對物體分類和識別活動時調(diào)動了大腦的許多功能，例如記憶、聯(lián)想等有所不同。該模型僅僅負(fù)責(zé)人類視覺活動的前期工作，識別能力與人類相比仍有較大差距。隨著神經(jīng)，心理科學(xué)的發(fā)展，可以更準(zhǔn)確的模擬人類的視覺感知。

[1]IzumiAkitoshi,UeshigeYoshifumi,SakuraiKouichi.AproposalofefficientschemeofkeymanagementusingID-basedencryptionandbiometrics[A].MultimediaandUbiquitousEngineering, 2007.MUE’07.InternationalConferenceon[C]. 2007: 29-34.

[2]ChenL,ZhangHJ.Researchonhighlyeffectiveidentityauthenticationandkeyagreementprotocolanditssecurityproperties[J].ICICExpressLetters,PartB:Applications, 2012, 6(33): 655-660. (inChinese).

[3] 張克偉, 白書超, 楊光露. 基于智能卡和指紋識別的雙因素身份認(rèn)證研究[J]. 價值工程, 2015(32): 195-197.

[4]WangYD,LiKF,LikShark,etal.Hand-DorsaVeinRecognitionBasedonCodedandWeightedPartitionLocalBinaryPatterns[A].Hand-BasedBiometrics(ICHB), 2011InternationalConferenceon[C].IEEE, 2011:1-5. (inChinese).

[5] 辜小花. 基于視覺感知和邊緣保持的光照不變?nèi)四樧R別[J]. 電子學(xué)報, 2013(8): 1500-1505.

[6]HilalA,DayaB,BeauseroyP.Improvedirisrecognitionusingparabolicnormalizationandmulti-layerperceptronneuralnetwork[A].IJCCI2012 -Proceedingsofthe4thInternationalJointConferenceonComputationalIntelligence[C]. 2012: 643-646.

[7] 羅西平, 田 捷. 自動指紋識別中的圖像增強和細節(jié)匹配算法[J]. 軟件學(xué)報, 2002, 13(5): 946-956.

[8]WuK.S,LeeJ.C,LoT.M,etal.Asecurepalmveinrecognitionsystem[J].JournalofSystems&Software, 2013, 86(11): 2870-2876.

[9] 胡學(xué)友. 手背靜脈圖像增強和分割方法[J]. 電腦知識與技術(shù), 2014(21): 5080-5082.

[10] 王保平, 劉升虎, 范九倫, 等. 基于模糊熵的自適應(yīng)圖像多層次模糊增強算法[J]. 電子學(xué)報, 2005, 33(4):730-734.

[11] 王 振, 高茂庭. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法設(shè)計與實現(xiàn)[J]. 現(xiàn)代計算機, 2015(20).

[12] 湯毓婧. 基于人腦視覺感知機理的分類與識別研究[D]. 南京：南京理工大學(xué), 2009.

[13] 許 靜. 基于稀疏表示的圖像識別[D]. 西安：西安電子科技大學(xué), 2011.

[14] 趙 宇. 基于稀疏編碼的人臉圖像識別方法研究[J]. 中國科技信息, 2014(19): 99-99.

[15] 樊 星. 基于深度學(xué)習(xí)的多形態(tài)人臉識別[D]. 大連：大連理工大學(xué), 2015.

[16] 劉 京. 異質(zhì)虹膜圖像的魯棒識別[D]. 北京：中國科學(xué)技術(shù)大學(xué), 2014.

[17]OjalaT,Pietik?inenM,andM?enp??T.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2002, 7(24): 971-987.

[18]RiesenhuberM,PoggioT.Hierarchicalmodelsofobjectrecognitionincortex[J].Nat.Neurosci, 1999, 2(11): 1019-1025.

[19]MaximilianRiesenhuber.HMAX[EB/OL].http: //maxlab.Neuro.Georgetown.edu/hmax/.

[20]SerreT,WolfL,PoggioT.Objectrecognitionwithfeaturesinspiredbyvisualcortex[J].ComputerVisionandPatternRecognition, 2005, 1(2): 994-1000.

[21]HintonG.E,OsinderoS.,AfastlearningalgorithmfordeepbeliefnetsNeuralComputation[J],NeuralComputation, 2006, 18(7): 1527-155.

Identity Recognition of Heterogeneous Dorsal Hand Vein Based on LBP and Multi-Layer Structure

Wang Yiding，Huang Shouyan

(School of Electronic Information Engineering, North China University of Technology, Beijing 100144, China)

Study on identity recognition of the multi-source heterogeneity dorsal hand vein heterogeneity images, recognition algorithm based on LBP and multi-layer structure is put forward. At first, the images are preprocessed, and then the texture feature images of dorsal hand vein coded by the LBP feature extraction algorithm are used as the input of the multi-layer structure, Through layer by layer feature extraction of multi-layer structure from the concrete to the abstract, the features have greater robustness. Finally, the recognition rate of this algorithm is higher than that of the traditional algorithm, and the recognition rate is 96.57%. Further, it shows that the algorithm can effectively solve the problem of the low recognition rate of the dorsal hand vein recognition caused by multi-source heterogeneous problem.

multi-source heterogeneity; dorsal hand vein; LBP; visual information processing; multi-layer structure; recognition

2016-09-27；

2016-11-02。

國家自然科學(xué)基金項目(61271368)；北京市自然科學(xué)基金重點項目(KZ201410009012)。

王一丁(1967-)，男，北京市人，教授，碩士研究生導(dǎo)師，主要從事圖像處理與智能識別方向的研究。

1671-4598(2017)03-0134-06

10.16526/j.cnki.11-4762/tp.2017.03.037

TP391.4

A