胡娜，馬慧，湛濤

（黑龍江大學(xué) 電子工程學(xué)院，黑龍江 哈爾濱 150001）

手指靜脈識(shí)別是一種活體生物特征識(shí)別技術(shù)，它利用近紅外光透射手指后采用CCD或攝像頭獲取被采集手指內(nèi)部靜脈紋路的分布圖，再通過一定的特征提取算法從靜脈圖像中提取出特征值存貯在計(jì)算機(jī)系統(tǒng)中[1-2]。靜脈特征屬于人體內(nèi)部信息，不受各種外部環(huán)境影響，且采用活體采集的方式不易被復(fù)制盜取，安全級(jí)別很高[3-4]。

目前，許多靜脈識(shí)別方法采用的是靜脈圖像的局部特征，這種局部特征主要用于描述指靜脈紋路的細(xì)節(jié)信息。例如：采用靜脈血管紋路特征的識(shí)別方法[5]、基于局部線性特征的識(shí)別方法[6]、基于紋理特征的方法[7-8]、基于端點(diǎn)和交叉點(diǎn)的細(xì)節(jié)點(diǎn)特征的識(shí)別方法[9-11]，然而，當(dāng)靜脈圖像質(zhì)量較差時(shí)將會(huì)導(dǎo)致基于局部特征的識(shí)別方法識(shí)別率下降，這是因?yàn)檫@類圖像中存在較多的偽特征，從而造成匹配決策過程中出現(xiàn)拒絕、誤識(shí)現(xiàn)象[12]。有很多靜脈識(shí)別方法是利用圖像的全局特征進(jìn)行處理的：王科俊等[13]采用小波矩融合PCA變換和LDA變換的方法實(shí)現(xiàn)手指靜脈的匹配識(shí)別；賈旭等[14]提出了一種基于Contourlet子帶能量特征多HMM 融合的靜脈識(shí)別；文獻(xiàn)[15]則通過對(duì)圖像進(jìn)行拉普拉斯變換實(shí)現(xiàn)靜脈圖像的全局匹配。此外，還有基于支持向量機(jī)理論的識(shí)別方法[16]、基于自適應(yīng)Gabor濾波器的靜脈識(shí)別方法[17]、基于機(jī)器學(xué)習(xí)理論的識(shí)別方法[18]，也達(dá)到了較好的識(shí)別效果。然而，當(dāng)靜脈圖像存在一定的旋轉(zhuǎn)或者平移現(xiàn)象時(shí)，上述基于全局特征的識(shí)別方法的精度將會(huì)受到影響。

由于靜脈圖像具有明顯的紋理特征，因此本文將LBP紋理描述算子應(yīng)用于手指靜脈識(shí)別。鑒于傳統(tǒng)LBP算法對(duì)光照方向的變化非常敏感，且鄰近區(qū)域的LBP碼并不是相互獨(dú)立的，因此LBP特征向量對(duì)噪聲也較為敏感[19-20]。針對(duì)上述兩個(gè)問題，本文采用融合旋轉(zhuǎn)不變模式與統(tǒng)一模式的LBP算子，并采用較大空間支持區(qū)域的模板對(duì)手指靜脈圖像進(jìn)行特征提取，在此基礎(chǔ)上，使用雙向B2DPCA(bi-directional two dimensional principal components analysis)[21]技術(shù)對(duì)上述靜脈圖像的LBP特征向量進(jìn)行降維處理，以去除冗余特征，將降維后的向量作為最終待識(shí)別的特征向量。實(shí)驗(yàn)結(jié)果表明，本文提出的融合LBP與B2DPCA方法在天津智能靜脈庫與FV-USM靜脈庫上的最優(yōu)識(shí)別率分別達(dá)到99.84%與99.73%，算法性能良好。

1 基于LBP紋理特征的指靜脈識(shí)別方法

由于手指靜脈圖像采用非接觸方式采集，圖像受平移、旋轉(zhuǎn)變換影響較大，并且圖像發(fā)生這類非線性變換時(shí)，匹配的細(xì)節(jié)點(diǎn)對(duì)之間通常都存在相對(duì)位置和角度偏差，影響識(shí)別系統(tǒng)的識(shí)別精度。針對(duì)這一問題，本文提取指靜脈的紋理特征，并進(jìn)行匹配識(shí)別。手指靜脈紋路上存在明顯的紋理特征，能夠很好地反映不同類靜脈圖像的差異，因此靜脈圖像的唯一性信息可由這些紋理特征來表征。

1.1 傳統(tǒng)的LBP算子

LBP算子的基本原理是在局部像素鄰域中，以中心點(diǎn)像素為閾值，鄰域中特定位置的像素點(diǎn)與中心點(diǎn)像素點(diǎn)的灰度值相比較，所得的二進(jìn)制值作為局部鄰域中心像素點(diǎn)的紋理特征F，局部紋理特征F與鄰域像素灰度值可表述為

式中： gc為鄰域中心像素的灰度值；g0,g1,···,gp-1為模板中其他像素點(diǎn)的灰度值；p 為局部鄰域內(nèi)選取特定像素點(diǎn)的個(gè)數(shù)。

將式(1)中各分量的值減去中心像素的灰度值：

若只考慮鄰域像素與中心像素差值的符號(hào)，則式(4)可改寫為

LBP算子最常用的局部鄰域模板為3×3的九宮格、8個(gè)鄰域像素點(diǎn)的模板，通過LBP算子計(jì)算可得8位二進(jìn)制數(shù)，LBP值共有 28種。然而這種模板卻無法適應(yīng)圖像的尺度變化，為此Ojala等[22]將傳統(tǒng)的3×3正方形模板擴(kuò)展到了任意尺寸的圓形鄰域，并對(duì)圓形鄰域中沒有完全落在像素點(diǎn)位置上的灰度值采用線性插值算法進(jìn)行計(jì)算。改進(jìn)后的LBP算子的半徑大小和鄰域內(nèi)像素點(diǎn)個(gè)數(shù)是任意的，不同的鄰域如圖1所示。圖1中采樣點(diǎn)的鄰域個(gè)數(shù)為P，算子的半徑為R。

圖 1 不同半徑及鄰域點(diǎn)數(shù)的圓形鄰域LBP算子Fig. 1 Circular LBP operators under different neighbors and radii

將式(5)中的差值函數(shù) s ( gi-gc) 乘以權(quán)重因子 2i，將二進(jìn)制數(shù)轉(zhuǎn)換成十進(jìn)制數(shù)，并將其數(shù)值作為局部鄰域中心像素點(diǎn)的LBP值，計(jì)算公式為

式中 L B PP,R表示半徑為R、P個(gè)像素點(diǎn)的局部鄰域計(jì)算的LBP值。具體手指靜脈圖像的LBP算子基本運(yùn)算過程如圖2所示。

圖 2 LBP算子及其計(jì)算過程Fig. 2 The calculation process of LBP operators

1.2 基于統(tǒng)一模式的LBP算子

對(duì)傳統(tǒng)的LBP算子紋理模式進(jìn)行統(tǒng)計(jì)分析可知，某些特殊的局部二值模式構(gòu)成了超過圖像90%的紋理模式，本文將這些局部模式稱為統(tǒng)一模式的LBP算子。判定為統(tǒng)一模式的公式為

式中： gc為鄰域中心像素的灰度值；g0,g1,···,gp-1為P鄰域像素的灰度值。根據(jù)定義式(6)，U的最大取值為2。

1.3 旋轉(zhuǎn)不變的統(tǒng)一模式LBP算子

圖像的平移及旋轉(zhuǎn)會(huì)引起傳統(tǒng)的LBP算子值的變化，為了消除圖像旋轉(zhuǎn)的影響，文獻(xiàn)[20]提出了基于旋轉(zhuǎn)不變的LBP算子，將計(jì)算得出的LBP值按同方向循環(huán)移位，取所有移位中最小的值作為被計(jì)算的LBP值的旋轉(zhuǎn)不變模式，配一個(gè)唯一的標(biāo)識(shí)符，具體的旋轉(zhuǎn)不變LBP模式的定義為

式中： R OR(x,i) 中的x表示二進(jìn)制數(shù)，i表示向右循環(huán)移動(dòng)的位數(shù)。

將上述旋轉(zhuǎn)不變LBP模式與1.2節(jié)中統(tǒng)一模式LBP進(jìn)行結(jié)合，則構(gòu)成旋轉(zhuǎn)不變的統(tǒng)一模式LBP算子：

使用LBP算子對(duì)靜脈圖像 f ( x,y) 進(jìn)行特征提取之后的特征用直方圖來表示，即

將一幅手指靜脈圖像進(jìn)行分塊，對(duì)每個(gè)子塊分別進(jìn)行LBP算子處理，再得到每個(gè)子塊的LBP直方圖，最后將各個(gè)子塊的LBP直方圖按照子塊所在位置串聯(lián)形成復(fù)合的LBP直方圖，如圖3所示。

圖 3 靜脈圖像及其LBP特征提取后的直方圖Fig. 3 The LBP histogram of the finger vein images

2 基于雙向二維主成分分析的指靜脈識(shí)別方法

二維主成分分析(2DPCA)[23]可通過圖像直接構(gòu)造出協(xié)方差矩陣，該矩陣比使用主成分分析(PCA)構(gòu)造的協(xié)方差矩陣要小得多，容易直接地計(jì)算訓(xùn)練樣本的協(xié)方差矩陣，在人臉識(shí)別方面取得了良好的應(yīng)用效果。但二維主成分分析仍存在系數(shù)矩陣維數(shù)過高的缺點(diǎn)，而雙向二維主成分分析(B2DPCA)能有效地降低圖像特征矩陣的維數(shù)，因此本文將B2DPCA思想引入到手指靜脈識(shí)別方法中。

2.1 二維主成分分析

設(shè)原始手指靜脈圖像為A，大小為 m × n，二維主成分分析的思想就是把A通過式(7)的線性變換朝向量X投影：

式中：Y為得到的投影特征向量，維數(shù)為 m。上述過程中，X的方向不同，圖像A投影后的可分離程度也不同，投影圖像的總體散布矩陣越大，可分離程度越高，圖像識(shí)別效果越好。而圖像的總體散布矩陣可由投影特征向量的協(xié)方差矩陣的跡來表示，因此求取最佳投影軸X的準(zhǔn)則為

式中： t r (U) 為U的跡；U為Y的類間總體散布矩陣，U的具體定義為

因此式(8)可表示為

定義矩陣 Ct為

式中Ct為 n × n 的圖像協(xié)方差矩陣，可由訓(xùn)練樣本圖像計(jì)算得到。

設(shè)訓(xùn)練樣本共M個(gè)，則M個(gè)樣本的平均圖像用 A 來表示：

式中矩陣 Ai(i=1,2,···,M) 表示第i個(gè)訓(xùn)練樣本。

則 Ct可以由式(10)求出：

2.2 基于雙向二維主成分分析的指靜脈識(shí)別

設(shè)訓(xùn)練樣本的均值 A =0 ， 則式(11)表示Ct可由圖像行向量的外積產(chǎn)生，因此可將上述二維主成分分析稱為行方向的二維主成分分析，其實(shí)質(zhì)是圖像矩陣A尋找行方向上的最佳投影矩陣X，而在列方向上也存在一個(gè)最佳投影矩陣。

列方向協(xié)方差矩陣為

行方向的2DPCA能得到一個(gè)反映圖像矩陣各行信息的最優(yōu)矩陣X，忽略了圖像矩陣列方向上的信息，同理，列方向的2DPCA則忽略了圖像行方向上的信息。但雙向二維主成分分析則充分考慮了圖像行、列兩方向的信息，具有更佳的效果。

雙向二維主成分分析方法的思想是將圖像矩陣A同時(shí)在X和Z上投影，產(chǎn)生特征矩陣C，即

在使用雙向二維主成分分析進(jìn)行指靜脈識(shí)別時(shí)，首先將訓(xùn)練樣本庫中的每幅指靜脈圖像Ak(k=1,2,···,M) 在 X 和 Z 上投影，得到訓(xùn)練圖像的特征矩陣 Ck(k=1,2,···,M)；在測(cè)試時(shí)，利用式(13)求取待識(shí)別樣本的特征矩陣 C ， 再 求出 Ck和C之間的距離，通過最近鄰分類器實(shí)現(xiàn)分類。Ck和C之間的距離定義為

式中：q為行方向上的主分量數(shù)；d為列方向上的主分量數(shù)?；贐2DPCA技術(shù)的指靜脈識(shí)別方法具體流程如圖4所示。

圖 4 基于B2DPCA的指靜脈圖像特征提取框圖Fig. 4 The frame of finger vein feature extraction based on the B2DPCA vectors

3 融合LBP與B2DPCA技術(shù)的靜脈識(shí)別方法

由于提取出的手指靜脈圖像LBP紋理特征維數(shù)較多，包含大量冗余信息。本文對(duì)靜脈LBP特征向量采用B2DPCA方法進(jìn)行降維處理，以便有效地提取靜脈特征，進(jìn)一步提高靜脈識(shí)別系統(tǒng)的識(shí)別率。

融合LBP與B2DPCA技術(shù)的靜脈識(shí)別方法的具體步驟為：

1)將手指靜脈圖像進(jìn)行分塊，對(duì)每個(gè)圖像子塊分別進(jìn)行LBP算子處理，再得到每個(gè)子塊的LBP直方圖，最后將各個(gè)子塊的LBP直方圖按照子塊所在位置疊加成最終的復(fù)合LBP直方圖；

2)然后采用雙向二維主成分分析方法對(duì)LBP特征向量構(gòu)成的特征矩陣進(jìn)行有效的降維處理；

3)再通過比對(duì)降維后的待識(shí)別靜脈圖像特征向量與其他樣本的特征向量之間的歐式距離來實(shí)現(xiàn)最終的樣本分類。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)庫

為了驗(yàn)證本文所提出的融合LBP與B2DPCA技術(shù)的靜脈識(shí)別方法的有效性，分別在天津市智能實(shí)驗(yàn)室采集指靜脈圖像數(shù)據(jù)庫及FV-USM手指靜脈圖像數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)驗(yàn)證。測(cè)試實(shí)驗(yàn)硬件環(huán)境為Intel i3 2.53 GHz CPU，2 GB內(nèi)存，Win 7操作系統(tǒng)，運(yùn)行環(huán)境為MATLABR2010b軟件。

FV-USM庫中圖像采集來自馬來西亞理科大學(xué)的123名志愿者，包括83名男性與40名女性，年齡跨度為20～52歲，每人采集左手與右手的食指與中指，共計(jì)5 904幅圖像。每幅手指靜脈圖像的分辨率為640×480，灰度級(jí)為256。數(shù)據(jù)庫中部分圖像如圖5所示。

圖 6 天津智能靜脈庫部分圖像Fig. 6 Some images from the Tianjin Intelligence Laboratory finger vein image databases

4.2 基于LBP算子的靜脈識(shí)別方法性能測(cè)試與分析

首先對(duì)兩個(gè)手指靜脈圖像庫中樣本使用基于統(tǒng)一模式的 L B Pu(82,1)算 子，基于旋轉(zhuǎn)不變的LBPr(8

i

表 1 天津手指靜脈庫3種LBP算子在不同訓(xùn)練樣本個(gè)數(shù)下的識(shí)別率Table 1 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators %

圖 5 FV-USM手指靜脈數(shù)據(jù)庫中部分圖像Fig. 5 Some images fr om the FV-USM f inger vein database

天津智能實(shí)驗(yàn)室?guī)熘泄膊杉?4根不同手指，每根手指采集15次，共計(jì)960幅靜脈圖像。圖像的分辨率為76×170，灰度級(jí)為256。圖6為該數(shù)據(jù)庫中部分手指靜脈圖像。

FV-USM數(shù)據(jù)庫中每根手指僅有6幅圖像，從中分別隨機(jī)抽取1幅、2幅、3幅、4幅和5幅圖像作為訓(xùn)練樣本，不同的訓(xùn)練樣本個(gè)數(shù)對(duì)應(yīng)的正確識(shí)別率如表2所示。由于FV-USM數(shù)據(jù)庫中部分圖像對(duì)比度較差，3種算子的識(shí)別率不是很高，且有一定的差異。算 子與算子的最優(yōu)識(shí)別率不到80%，相較于另外兩種算子

算子的識(shí)別率最高，在訓(xùn)練樣本個(gè)數(shù)多于2個(gè)時(shí)，可達(dá)到80%以上，盡管如此，其最優(yōu)識(shí)別率為89.16%，仍低于90%。

表 2 FV-USM手指靜脈庫3種LBP算子在不同訓(xùn)練樣本個(gè)數(shù)下的識(shí)別率Table 2 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators %

實(shí)驗(yàn)結(jié)果表明：?jiǎn)为?dú)使用基于局部紋理特征的LBP靜脈識(shí)別方法具有一定的有效性，在圖像質(zhì)量良好的天津數(shù)據(jù)庫上實(shí)驗(yàn)效果令人滿意，但在FVUSM數(shù)據(jù)庫上識(shí)別率較差，存在很大的提升空間。

4.3 融合LBP與B2DPCA技術(shù)的指靜脈識(shí)別方法性能測(cè)試及分析

如前所述，靜脈圖像經(jīng)分塊提取的LBP紋理特征維數(shù)較多，為提高系統(tǒng)識(shí)別性能，本節(jié)將上述LBP算子提取出的特征使用PCA、2DPCA、B2DPCA技術(shù)進(jìn)行降維處理。分別測(cè)試了在不同訓(xùn)練樣本個(gè)數(shù)下單獨(dú)使用PCA方法、2DPCA以及、這3種算子與PCA、2DPCA的融合方法的正確識(shí)別率。圖7為在天津數(shù)據(jù)庫上測(cè)試結(jié)果，可以看出，單獨(dú)使用2DPCA算法的識(shí)別率優(yōu)于單獨(dú)使用PCA算法，而在3種LBP算子與PCA、2DPCA的組合算法中，統(tǒng)一算子與 基于旋轉(zhuǎn)統(tǒng)一算子的性能優(yōu) 于 旋 轉(zhuǎn) 算 子 ， 其 中+2DPCA與+2DPCA方法性能最佳，識(shí)別率分別達(dá)到99.74%與99.58%。此外，各個(gè)方法的識(shí)別率隨著訓(xùn)練樣本個(gè)數(shù)的增加而提高，當(dāng)訓(xùn)練樣本個(gè)數(shù)超過3個(gè)時(shí)，各個(gè)方法的識(shí)別率均達(dá)到99%以上。

圖 7 天津靜脈庫不同識(shí)別方法在不同訓(xùn)練樣本個(gè)數(shù)下的識(shí)別率Fig. 7 Results obtained using the Tianjin Intelligence Laboratory image databases by employing different recognition methods

本文將方法在FV-USM數(shù)據(jù)庫進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如圖8所示，通過圖8中的實(shí)驗(yàn)結(jié)果可以看出，各個(gè)方法的識(shí)別率隨著訓(xùn)練樣本個(gè)數(shù)的增加而提高，當(dāng)訓(xùn)練樣本個(gè)數(shù)多于3個(gè)時(shí)，各個(gè)方法的正確識(shí)別率能達(dá)到80%以上，當(dāng)訓(xùn)練樣本為5個(gè)時(shí)，性能最好的+ 2DPCA方法與2DPCA方法識(shí)別率分別為94.31%與99.19%。

圖 8 FV-USM靜脈庫不同識(shí)別方法在不同訓(xùn)練樣本個(gè)數(shù)下的識(shí)別率Fig. 8 Results obtained using the FV-USM image databases by employing different recognition methods

為了測(cè)試不同降維方法與LBP算子融合的有效性，本節(jié)分別將單獨(dú)使用算 子、PCA方法、+ 2DPCA方法以及+B2DPCA方法在2個(gè)圖像庫上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如圖9、圖10所示。圖9為天津靜脈庫測(cè)試結(jié)果，從圖中可以看出由于該庫靜脈圖像質(zhì)量良好，各個(gè)方法識(shí)別率差別不大，均在97.5%以上，本文所提出的+B 2 DPCA方法識(shí)別率最高，達(dá)到了99.84%。

圖 9 天津靜脈庫采用不同降維方法的識(shí)別率Fig. 9 Results obtained using the Tianjin Intelligence Laboratory image databases by employing different reduction methods

圖10為FV-USM靜脈庫測(cè)試結(jié)果，其中單獨(dú)使用LBP算子的靜脈識(shí)別方法性能最差，將其與PCA技術(shù)結(jié)合后，識(shí)別率有較大提升，在3個(gè)、4個(gè)訓(xùn)練樣本時(shí)識(shí)別率分別為82.20%與89.16%，訓(xùn)練樣本數(shù)為5時(shí)，識(shí)別率達(dá)到96.75%；LBP+2DPCA方法的識(shí)別率在3個(gè)、4個(gè)、5個(gè)訓(xùn)練樣本時(shí)分別為95.75%、98.10%與96.75%，整體優(yōu)于+PCA方法性能；而本文所提的+B2DPCA方法的最優(yōu)識(shí)別率達(dá)到了99.73%，性能十分優(yōu)良。

圖 10 FV-USM靜脈庫采用不同主成分分析的識(shí)別率Fig. 10 Results obtained using the FV-USM image databases by employing different reduction methods

實(shí)驗(yàn)結(jié)果表明，本文提出的方法無論在圖像質(zhì)量良好的天津靜脈庫還是存在部分圖像質(zhì)量較差的FV-USM靜脈庫的測(cè)試結(jié)果均達(dá)到了99%以上，識(shí)別性能較好，具備一定的實(shí)用性。

5 結(jié)束語

本文融合旋轉(zhuǎn)統(tǒng)一的LBP算子與B2DPCA技術(shù)對(duì)手指靜脈圖像進(jìn)行有效的特征提取，改善了在非接觸式采集方式下的靜脈圖像存在的光照不均因素導(dǎo)致識(shí)別率較低的問題。實(shí)驗(yàn)結(jié)果表明，本文算法能大幅度提高識(shí)別率，特別是對(duì)于對(duì)比度較差的FV-USM指靜脈中的樣本，相較于單一的LBP特征提取算法，傳統(tǒng)的經(jīng)典降維算法和LBP與經(jīng)典降維組合特征提取算法，擁有較好的識(shí)別性能。由于融合了局部紋理特征算子與B2DPCA技術(shù)，本文方法的識(shí)別時(shí)間比單獨(dú)使用降維識(shí)別方法要長(zhǎng)，而處理速度是衡量識(shí)別系統(tǒng)性能的一個(gè)重要指標(biāo)，因此在保持識(shí)別系統(tǒng)性能的前提下如何進(jìn)一步提高系統(tǒng)的識(shí)別速度是今后研究的重點(diǎn)。