基于MMNBP的手指靜脈識別方法*

付 華， 李 濤, 司南楠

(1.遼寧工程技術大學 電氣與控制工程學院，遼寧 葫蘆島 125105；2.國網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、易被盜用等安全風險，已經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，人類手指靜脈生物特征識別具有其獨特的優勢[5]，比如具有更好的穩定性、防復制性、唯一性和普遍性等優勢。因此，指靜脈認證具有很高的研究價值和市場應用前景。

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[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)運用基于結構特征的理論思想，如文獻[8]對手指靜脈圖像上的特征點和幾何線提取結構特征，但方法受限于特征點的數量、算法的復雜度；3)運用基于紋理分析的理論思想，如文獻[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模糊，導致魯棒性下降。因此，本文將傳統局部二值模式(local binary pattern，LBP)[13]方法改進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。在國外和國內兩個指靜脈圖庫中進行實驗，實驗結果表明本文方法相對于傳統的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行特征提取的經典算法，其中心思想是：將圖像中的某一像素點作為中心點，選取一個采樣點數為P，半徑為R的局部領域，表示為(P,R)。選鄰域內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，標記為0；否則，標記為1。將通過比較后形成的二進制碼轉換成十進制數，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，這樣的編碼方式沒有考慮到鄰近像素點灰度之間的關系，對噪聲的影響比較敏感。本文提出的一種改進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)進行灰度值比較

(3)

當i=0時

(4)

從而得到二進制的編碼串。

3)將得到的二進制編碼串按式(5)轉換成十進制數值，作為中心像素NBP編碼數值

(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等問題。因此，本文進一步提出基于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域(region of interest,ROI)圖像做分塊處理，對每一個子塊計算該區域的灰度均值，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進行NBP編碼，得到手指靜脈圖像的最終編碼結果。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可能產生的影響。且MMNBP方法可以有效地降低數據的維度，提高識別系統的整體運行效率。

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為字符串的數據維度。

在進行匹配時，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RHD

3 實驗與結果分析

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

本文采用類內、類間匹配實驗進行測試，評估算法的綜合性能，其中類內匹配是指對來自同一手指的不同圖像進行匹配，類間匹配是指對來自不同手指的圖像進行匹配[14]。首先繪制出類內類間匹配曲線，然后根據曲線確定適當的閾值t。最終，依據RHD與t的判定條件實現匹配過程。

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

FRR，FAR的計算公式如下

(8)

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

實驗1本實驗采用馬來西亞大學FINGER VEIN USM(FV-USM)數據庫[16]，該數據庫是公開的紅外手指圖像數據庫，可供相關領域的其他研究人員根據標準數據庫來測試和評估其算法。數據庫中的圖像共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，共進行類內匹配7 380次和類間匹配4 348 296次，合計4 355 676次。

對指靜脈圖像進行如表1方式的均勻分割，統計各種分塊方式下的EER，結果如表1所示。

表1 各種分塊方法的效果(FV-USM數據庫)

由表1分析可知，如果分割的子塊區域過大，則不能準確地提取到指靜脈局部的紋理特征，而如果分割的子塊區域太小，就不能有效地描述指靜脈的紋理結構。因此，適當的分塊方式可以有效提取到指靜脈的紋理特征，較好地降低EER值。當采用24×16分塊方式時，類內類間曲線對應的閾值為t=0.302 7，可獲得最低EER為2.461 1 %。

在FV-USM數據庫上將本文方法與傳統LBP方法和其他典型方法[17,18]進行對比實驗，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。

各算法的執行時間，MMNBP在FV-USM數據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勢，與LBP(0.082 5 s)方法相比用時較多，但該執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據庫[8]，該數據庫中有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。該數據庫中的指靜脈圖像質量較好，靜脈紋理清晰，圖像噪聲和干擾較小。在該圖庫中共進行類內匹配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，類內類間曲線對應的閾值為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(數據庫2)

在數據庫2上將本文方法與其他各典型方法進行對比實驗，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 %。實驗結果表明，在相同條件下，本文算法等誤率最低，識別效果最優。表6給出了不同算法的運行時間，本文方法在數據庫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 論

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

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，具有一定的優勢。

3)實驗1所用的圖庫相比于實驗2，圖像質量較差，靜脈的紋理特征與背景對比度低，但經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定性。

4)下一步的工作是進一步提高算法的運行效率，考慮將NBP與其他方法結合來進行手指靜脈的識別，進一步降低等誤率。