付 華， 李 濤, 司南楠

(1.遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院，遼寧 葫蘆島 125105；2.國網(wǎng)遼寧省電力有限公司 葫蘆島供電公司，遼寧 葫蘆島 125105)

0 引 言

由于傳統(tǒng)的身份鑒別方式如密碼、身份證等存在易丟失、易被盜用等安全風(fēng)險，已經(jīng)滿足不了人們對身份識別安全性的要求，因此各種基于生物特征識別技術(shù)憑借較高的安全性和便利性受到用戶的青睞。相比于指紋識別[1]、人臉識別[2，3]、掌紋識別[4]等其他生物特征識別技術(shù)，人類手指靜脈生物特征識別具有其獨特的優(yōu)勢[5]，比如具有更好的穩(wěn)定性、防復(fù)制性、唯一性和普遍性等優(yōu)勢。因此，指靜脈認(rèn)證具有很高的研究價值和市場應(yīng)用前景。

目前手指靜脈圖像的特征提取的方法主要有以下幾類：1)運用基于子空間的理論思想，如文獻(xiàn)[6，7]，以空間投影變化理論將原始手指靜脈圖像降維，提取圖像的空間特征并同時提高系統(tǒng)識別效率，但此類方法對光照等噪聲的影響比較敏感；2)運用基于結(jié)構(gòu)特征的理論思想，如文獻(xiàn)[8]對手指靜脈圖像上的特征點和幾何線提取結(jié)構(gòu)特征，但方法受限于特征點的數(shù)量、算法的復(fù)雜度；3)運用基于紋理分析的理論思想，如文獻(xiàn)[9～12]對手指靜脈圖像的全局或局部紋理提取特征，基于紋理分析的方法能夠有效描述靜脈的紋理特征，因此在靜脈識別中有著廣泛的應(yīng)用。

在指靜脈特征提取過程中，由于圖像采集時易受光照、噪聲等因素的干擾，并且手指靜脈存在于人體表層之下，使采集的手指靜脈圖像出現(xiàn)模糊，導(dǎo)致魯棒性下降。因此，本文將傳統(tǒng)局部二值模式(local binary pattern，LBP)[13]方法改進(jìn)形成多塊均值近鄰二值模式(multi-block mean neighbors-based binary pattern，MMNBP)，最終以漢明距離完成匹配識別。在國外和國內(nèi)兩個指靜脈圖庫中進(jìn)行實驗，實驗結(jié)果表明本文方法相對于傳統(tǒng)的LBP等典型算法具有更低的等誤率，識別效果更好，具備可行性和有效性。

1 基本原理

1.1 LBP

LBP是一種基于紋理分析進(jìn)行特征提取的經(jīng)典算法，其中心思想是：將圖像中的某一像素點作為中心點，選取一個采樣點數(shù)為P，半徑為R的局部領(lǐng)域，表示為(P,R)。選鄰域內(nèi)處于中心的像素灰度值作為閾值，剩余的像素點與該閾值作比較。若小于該閾值，標(biāo)記為0；否則，標(biāo)記為1。將通過比較后形成的二進(jìn)制碼轉(zhuǎn)換成十進(jìn)制數(shù)，即為中心像素的LBP編碼的值。LBP算子定義為

(1)

(2)

式中 中心像素點c的坐標(biāo)為(xc,yc)，灰度值為gc；i表示第i個像素點，gi為其灰度值。

1.2 近鄰二值模式

經(jīng)典LBP算法僅以中心像素灰度值作為閾值與其他各點比較，這樣的編碼方式?jīng)]有考慮到鄰近像素點灰度之間的關(guān)系，對噪聲的影響比較敏感。本文提出的一種改進(jìn)的紋理描述方法近鄰二值模式(neighbor-based binary pattern，NBP)，該算法考慮到了鄰近像素之間的灰度大小關(guān)系。圖1為3×3窗口的NBP像素排列方法的一個示例。

圖1 像素窗口

以圖1所示的窗口為例，NBP編碼步驟如下：

1)選取窗口中P7像素點為起點，將中心像素點鄰域內(nèi)的8個像素點以順時針的方式排列，即P7,P6,…,P1,P0。

2)按步驟(1)中排列好的順序，從P7開始依次選取像素點，將選取的像素點與其右邊相鄰的像素點按式(3)進(jìn)行灰度值比較

(3)

當(dāng)i=0時

(4)

從而得到二進(jìn)制的編碼串。

3)將得到的二進(jìn)制編碼串按式(5)轉(zhuǎn)換成十進(jìn)制數(shù)值，作為中心像素NBP編碼數(shù)值

(5)

圖2為NBP編碼的一個示例。

圖2 NBP編碼示例

1.3 多塊均值鄰近二值模式

相對于LBP，NBP在一定程度上改善了對噪聲敏感的問題，但仍易受噪聲影響，并且采集到的手指靜脈圖像可能存在圖像旋轉(zhuǎn)等問題。因此，本文進(jìn)一步提出基于MMNBP的手指靜脈特征提取方法。

首先把提取到的手指靜脈感興趣區(qū)域(region of interest,ROI)圖像做分塊處理，對每一個子塊計算該區(qū)域的灰度均值，然后將所有子塊的均值重新組合成一個多塊均值矩陣V。最后，對新的圖像矩陣V進(jìn)行NBP編碼，得到手指靜脈圖像的最終編碼結(jié)果。圖3給出了指靜脈取多塊均值的計算示意圖。

圖3 各分塊均值

MMNBP方法可以進(jìn)一步減少指靜脈圖像局部噪聲點造成的干擾，能夠降低圖像采集時手指旋轉(zhuǎn)可能產(chǎn)生的影響。且MMNBP方法可以有效地降低數(shù)據(jù)的維度，提高識別系統(tǒng)的整體運行效率。

2 手指靜脈特征匹配

本文利用MMNBP編碼之間的漢明距離(Hamming distance)來判斷獲取到的手指靜脈圖像是否匹配。設(shè)有2個編碼字符串Cstr1,Cstr2,其比特串形式為

Cstr1=x1x2…xN,Cstr2=y1y2…yN

(6)

式中x，y為0或1。兩個編碼串之間的漢明距離定義為

(7)

式中 “⊕”為異或運算，N為字符串的數(shù)據(jù)維度。

在進(jìn)行匹配時，由RHD值的大小來判斷2個手指靜脈特征之間的相似程度。RHD∈[0,1]，RHD越小則說明2個特征之間的相似程度越高，RHD越大則說明相似程度越低。在識別時候，當(dāng)RHD

3 實驗與結(jié)果分析

實驗環(huán)境為MATLAB R2015a，windows 7系統(tǒng)，中央處理器為Intel(R) Core(TM) i7-4720HQ，主頻為2.6 GHz，內(nèi)存為8.00 GB。

本文采用類內(nèi)、類間匹配實驗進(jìn)行測試，評估算法的綜合性能，其中類內(nèi)匹配是指對來自同一手指的不同圖像進(jìn)行匹配，類間匹配是指對來自不同手指的圖像進(jìn)行匹配[14]。首先繪制出類內(nèi)類間匹配曲線，然后根據(jù)曲線確定適當(dāng)?shù)拈撝祎。最終，依據(jù)RHD與t的判定條件實現(xiàn)匹配過程。

實驗的評價指標(biāo)為：等誤率(equal error rate，EER)、錯誤接受率(false accept rate，F(xiàn)AR)、錯誤拒絕率(false rejection rate，F(xiàn)RR)。在同一坐標(biāo)下，以FAR為橫坐標(biāo)，以FRR為縱坐標(biāo)，繪制出接受者操作特征(receiver operating characteristics，ROC)曲線；在該曲線上，F(xiàn)AR和FRR的交點即為ERR。ERR越低，整體識別效果越好[15]。

FRR，F(xiàn)AR的計算公式如下

(8)

式中vE為系統(tǒng)錯誤拒絕的次數(shù)，vH為合法用戶嘗試次數(shù)，vA為系統(tǒng)錯誤接受的次數(shù)，vJ為非法用戶嘗試次數(shù)。

實驗1本實驗采用馬來西亞大學(xué)FINGER VEIN USM(FV-USM)數(shù)據(jù)庫[16]，該數(shù)據(jù)庫是公開的紅外手指圖像數(shù)據(jù)庫，可供相關(guān)領(lǐng)域的其他研究人員根據(jù)標(biāo)準(zhǔn)數(shù)據(jù)庫來測試和評估其算法。數(shù)據(jù)庫中的圖像共492個手指類和2952張(123×4×6)圖像，ROI大小為100像素×300像素。在該圖庫中，共進(jìn)行類內(nèi)匹配7 380次和類間匹配4 348 296次，合計4 355 676次。

對指靜脈圖像進(jìn)行如表1方式的均勻分割，統(tǒng)計各種分塊方式下的EER，結(jié)果如表1所示。

表1 各種分塊方法的效果(FV-USM數(shù)據(jù)庫)

由表1分析可知，如果分割的子塊區(qū)域過大，則不能準(zhǔn)確地提取到指靜脈局部的紋理特征，而如果分割的子塊區(qū)域太小，就不能有效地描述指靜脈的紋理結(jié)構(gòu)。因此，適當(dāng)?shù)姆謮K方式可以有效提取到指靜脈的紋理特征，較好地降低EER值。當(dāng)采用24×16分塊方式時，類內(nèi)類間曲線對應(yīng)的閾值為t=0.302 7，可獲得最低EER為2.461 1 %。

在FV-USM數(shù)據(jù)庫上將本文方法與傳統(tǒng)LBP方法和其他典型方法[17,18]進(jìn)行對比實驗，各算法的EER為：MMNBP為2.461 1 %，LBP為4.922 2 %，2DFisher為3.852 7 %，Gabor為3.359 4 %。實驗結(jié)果表明，在相同條件下，本文算法具有最低的等誤率，識別效果最優(yōu)。

各算法的執(zhí)行時間，MMNBP在FV-USM數(shù)據(jù)庫上識別的總時間為0.224 s，與Gabor(0.417 9 s)算法和2D Fisher(0.659 0 s)算法相比具有一定的優(yōu)勢，與LBP(0.082 5 s)方法相比用時較多，但該執(zhí)行時間還可以滿足實時識別的要求，具有可行性。

實驗2實驗采用天津市智能信號與圖像處理重點實驗室數(shù)據(jù)庫[8]，該數(shù)據(jù)庫中有64個手指樣本，每個手指有15幅圖像，ROI尺寸歸一化為170像素×80像素。該數(shù)據(jù)庫中的指靜脈圖像質(zhì)量較好，靜脈紋理清晰，圖像噪聲和干擾較小。在該圖庫中共進(jìn)行類內(nèi)匹配6720次，類間匹配453 600次，合計460 320次。

由表2可知，采用48×16分塊方式時，類內(nèi)類間曲線對應(yīng)的閾值為t=0.440 0，可獲得最低等誤率EER為0.313 7 %。

表2 不同分塊方法的效果(數(shù)據(jù)庫2)

在數(shù)據(jù)庫2上將本文方法與其他各典型方法進(jìn)行對比實驗，各算法的EER為：MMNBP為0.313 7 %，LBP為0.947 4 %，2DFisher為0.897 5 %，Gabor為0.649 6 %。實驗結(jié)果表明，在相同條件下，本文算法等誤率最低，識別效果最優(yōu)。表6給出了不同算法的運行時間，本文方法在數(shù)據(jù)庫2上的識別總時間為0.102 2 s,LBP為0.066 4 s，Gabor為0.212 9 s,2Dfisher為0.068 1 s，具有可行性。

4 結(jié) 論

1)實驗結(jié)果表明，MMNBP方法能夠有效提取到指靜脈的紋理特征；并且圖像經(jīng)過分塊、取均值操作，降低了數(shù)據(jù)的維度，提高了識別系統(tǒng)的整體運行效率。

2)與其他幾種典型方法相比，本文方法得出的EER最低，表明本文方法整體識別效果較好，具有一定的優(yōu)勢。

3)實驗1所用的圖庫相比于實驗2，圖像質(zhì)量較差，靜脈的紋理特征與背景對比度低，但經(jīng)過本文方法仍取得了最低為2.461 1 %的等誤率，明顯低于其他方法獲得的等誤率，表明本文方法相比于其他算法具有較好的魯棒性和穩(wěn)定性。

4)下一步的工作是進(jìn)一步提高算法的運行效率，考慮將NBP與其他方法結(jié)合來進(jìn)行手指靜脈的識別，進(jìn)一步降低等誤率。