融合LBP紋理特征與B2DPCA技術的手指靜脈識別方法

胡娜，馬慧，湛濤

（黑龍江大學 電子工程學院，黑龍江 哈爾濱 150001）

手指靜脈識別是一種活體生物特征識別技術，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算機系統中[1-2]。靜脈特征屬于人體內部信息，不受各種外部環境影響，且采用活體采集的方式不易被復制盜取，安全級別很高[3-4]。

目前，許多靜脈識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節信息。例如：采用靜脈血管紋路特征的識別方法[5]、基于局部線性特征的識別方法[6]、基于紋理特征的方法[7-8]、基于端點和交叉點的細節點特征的識別方法[9-11]，然而，當靜脈圖像質量較差時將會導致基于局部特征的識別方法識別率下降，這是因為這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拒絕、誤識現象[12]。有很多靜脈識別方法是利用圖像的全局特征進行處理的：王科俊等[13]采用小波矩融合PCA變換和LDA變換的方法實現手指靜脈的匹配識別；賈旭等[14]提出了一種基于Contourlet子帶能量特征多HMM 融合的靜脈識別；文獻[15]則通過對圖像進行拉普拉斯變換實現靜脈圖像的全局匹配。此外，還有基于支持向量機理論的識別方法[16]、基于自適應Gabor濾波器的靜脈識別方法[17]、基于機器學習理論的識別方法[18]，也達到了較好的識別效果。然而，當靜脈圖像存在一定的旋轉或者平移現象時，上述基于全局特征的識別方法的精度將會受到影響。

由于靜脈圖像具有明顯的紋理特征，因此本文將LBP紋理描述算子應用于手指靜脈識別。鑒于傳統LBP算法對光照方向的變化非常敏感，且鄰近區域的LBP碼并不是相互獨立的，因此LBP特征向量對噪聲也較為敏感[19-20]。針對上述兩個問題，本文采用融合旋轉不變模式與統一模式的LBP算子，并采用較大空間支持區域的模板對手指靜脈圖像進行特征提取，在此基礎上，使用雙向B2DPCA(bi-directional two dimensional principal components analysis)[21]技術對上述靜脈圖像的LBP特征向量進行降維處理，以去除冗余特征，將降維后的向量作為最終待識別的特征向量。實驗結果表明，本文提出的融合LBP與B2DPCA方法在天津智能靜脈庫與FV-USM靜脈庫上的最優識別率分別達到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、旋轉變換影響較大，并且圖像發生這類非線性變換時，匹配的細節點對之間通常都存在相對位置和角度偏差，影響識別系統的識別精度。針對這一問題，本文提取指靜脈的紋理特征，并進行匹配識別。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，以中心點像素為閾值，鄰域中特定位置的像素點與中心點像素點的灰度值相比較，所得的二進制值作為局部鄰域中心像素點的紋理特征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的灰度值；p 為局部鄰域內選取特定像素點的個數。

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，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個鄰域像素點的模板，通過LBP算子計算可得8位二進制數，LBP值共有 28種。然而這種模板卻無法適應圖像的尺度變化，為此Ojala等[22]將傳統的3×3正方形模板擴展到了任意尺寸的圓形鄰域，并對圓形鄰域中沒有完全落在像素點位置上的灰度值采用線性插值算法進行計算。改進后的LBP算子的半徑大小和鄰域內像素點個數是任意的，不同的鄰域如圖1所示。圖1中采樣點的鄰域個數為P，算子的半徑為R。

圖 1 不同半徑及鄰域點數的圓形鄰域LBP算子Fig. 1 Circular LBP operators under different neighbors and radii

將式(5)中的差值函數 s ( gi-gc) 乘以權重因子 2i，將二進制數轉換成十進制數，并將其數值作為局部鄰域中心像素點的LBP值，計算公式為

式中 L B PP,R表示半徑為R、P個像素點的局部鄰域計算的LBP值。具體手指靜脈圖像的LBP算子基本運算過程如圖2所示。

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

1.2 基于統一模式的LBP算子

對傳統的LBP算子紋理模式進行統計分析可知，某些特殊的局部二值模式構成了超過圖像90%的紋理模式，本文將這些局部模式稱為統一模式的LBP算子。判定為統一模式的公式為

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。根據定義式(6)，U的最大取值為2。

1.3 旋轉不變的統一模式LBP算子

圖像的平移及旋轉會引起傳統的LBP算子值的變化，為了消除圖像旋轉的影響，文獻[20]提出了基于旋轉不變的LBP算子，將計算得出的LBP值按同方向循環移位，取所有移位中最小的值作為被計算的LBP值的旋轉不變模式，配一個唯一的標識符，具體的旋轉不變LBP模式的定義為

式中： R OR(x,i) 中的x表示二進制數，i表示向右循環移動的位數。

將上述旋轉不變LBP模式與1.2節中統一模式LBP進行結合，則構成旋轉不變的統一模式LBP算子：

使用LBP算子對靜脈圖像 f ( x,y) 進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行分塊，對每個子塊分別進行LBP算子處理，再得到每個子塊的LBP直方圖，最后將各個子塊的LBP直方圖按照子塊所在位置串聯形成復合的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別方法

二維主成分分析(2DPCA)[23]可通過圖像直接構造出協方差矩陣，該矩陣比使用主成分分析(PCA)構造的協方差矩陣要小得多，容易直接地計算訓練樣本的協方差矩陣，在人臉識別方面取得了良好的應用效果。但二維主成分分析仍存在系數矩陣維數過高的缺點，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，因此本文將B2DPCA思想引入到手指靜脈識別方法中。

2.1 二維主成分分析

設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方差矩陣的跡來表示，因此求取最佳投影軸X的準則為

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 的圖像協方差矩陣，可由訓練樣本圖像計算得到。

設訓練樣本共M個，則M個樣本的平均圖像用 A 來表示：

式中矩陣 Ai(i=1,2,···,M) 表示第i個訓練樣本。

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別

設訓練樣本的均值 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，其實質是圖像矩陣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最佳投影矩陣。

列方向協方差矩陣為

行方向的2DPCA能得到一個反映圖像矩陣各行信息的最優矩陣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同時在X和Z上投影，產生特征矩陣C，即

在使用雙向二維主成分分析進行指靜脈識別時，首先將訓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，得到訓練圖像的特征矩陣 Ck(k=1,2,···,M)；在測試時，利用式(13)求取待識別樣本的特征矩陣 C ， 再 求出 Ck和C之間的距離，通過最近鄰分類器實現分類。Ck和C之間的距離定義為

式中：q為行方向上的主分量數；d為列方向上的主分量數。基于B2DPCA技術的指靜脈識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技術的靜脈識別方法

由于提取出的手指靜脈圖像LBP紋理特征維數較多，包含大量冗余信息。本文對靜脈LBP特征向量采用B2DPCA方法進行降維處理，以便有效地提取靜脈特征，進一步提高靜脈識別系統的識別率。

融合LBP與B2DPCA技術的靜脈識別方法的具體步驟為：

1)將手指靜脈圖像進行分塊，對每個圖像子塊分別進行LBP算子處理，再得到每個子塊的LBP直方圖，最后將各個子塊的LBP直方圖按照子塊所在位置疊加成最終的復合LBP直方圖；

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

3)再通過比對降維后的待識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現最終的樣本分類。

4 實驗結果分析

4.1 實驗環境及數據庫

為了驗證本文所提出的融合LBP與B2DPCA技術的靜脈識別方法的有效性，分別在天津市智能實驗室采集指靜脈圖像數據庫及FV-USM手指靜脈圖像數據庫進行實驗驗證。測試實驗硬件環境為Intel i3 2.53 GHz CPU，2 GB內存，Win 7操作系統，運行環境為MATLABR2010b軟件。

FV-USM庫中圖像采集來自馬來西亞理科大學的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5 904幅圖像。每幅手指靜脈圖像的分辨率為640×480，灰度級為256。數據庫中部分圖像如圖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算子的靜脈識別方法性能測試與分析

首先對兩個手指靜脈圖像庫中樣本使用基于統一模式的 L B Pu(82,1)算 子，基于旋轉不變的LBPr(8

i

表 1 天津手指靜脈庫3種LBP算子在不同訓練樣本個數下的識別率Table 1 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators %

圖 5 FV-USM手指靜脈數據庫中部分圖像Fig. 5 Some images fr om the FV-USM f inger vein database

天津智能實驗室庫中共采集64根不同手指，每根手指采集15次，共計960幅靜脈圖像。圖像的分辨率為76×170，灰度級為256。圖6為該數據庫中部分手指靜脈圖像。

FV-USM數據庫中每根手指僅有6幅圖像，從中分別隨機抽取1幅、2幅、3幅、4幅和5幅圖像作為訓練樣本，不同的訓練樣本個數對應的正確識別率如表2所示。由于FV-USM數據庫中部分圖像對比度較差，3種算子的識別率不是很高，且有一定的差異。算 子與算子的最優識別率不到80%，相較于另外兩種算子

算子的識別率最高，在訓練樣本個數多于2個時，可達到80%以上，盡管如此，其最優識別率為89.16%，仍低于90%。

表 2 FV-USM手指靜脈庫3種LBP算子在不同訓練樣本個數下的識別率Table 2 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators %

實驗結果表明：單獨使用基于局部紋理特征的LBP靜脈識別方法具有一定的有效性，在圖像質量良好的天津數據庫上實驗效果令人滿意，但在FVUSM數據庫上識別率較差，存在很大的提升空間。

4.3 融合LBP與B2DPCA技術的指靜脈識別方法性能測試及分析

如前所述，靜脈圖像經分塊提取的LBP紋理特征維數較多，為提高系統識別性能，本節將上述LBP算子提取出的特征使用PCA、2DPCA、B2DPCA技術進行降維處理。分別測試了在不同訓練樣本個數下單獨使用PCA方法、2DPCA以及、這3種算子與PCA、2DPCA的融合方法的正確識別率。圖7為在天津數據庫上測試結果，可以看出，單獨使用2DPCA算法的識別率優于單獨使用PCA算法，而在3種LBP算子與PCA、2DPCA的組合算法中，統一算子與 基于旋轉統一算子的性能優 于 旋 轉 算 子 ， 其 中+2DPCA與+2DPCA方法性能最佳，識別率分別達到99.74%與99.58%。此外，各個方法的識別率隨著訓練樣本個數的增加而提高，當訓練樣本個數超過3個時，各個方法的識別率均達到99%以上。

圖 7 天津靜脈庫不同識別方法在不同訓練樣本個數下的識別率Fig. 7 Results obtained using the Tianjin Intelligence Laboratory image databases by employing different recognition methods

本文將方法在FV-USM數據庫進行測試，實驗結果如圖8所示，通過圖8中的實驗結果可以看出，各個方法的識別率隨著訓練樣本個數的增加而提高，當訓練樣本個數多于3個時，各個方法的正確識別率能達到80%以上，當訓練樣本為5個時，性能最好的+ 2DPCA方法與2DPCA方法識別率分別為94.31%與99.19%。

圖 8 FV-USM靜脈庫不同識別方法在不同訓練樣本個數下的識別率Fig. 8 Results obtained using the FV-USM image databases by employing different recognition methods

為了測試不同降維方法與LBP算子融合的有效性，本節分別將單獨使用算 子、PCA方法、+ 2DPCA方法以及+B2DPCA方法在2個圖像庫上進行測試，實驗結果如圖9、圖10所示。圖9為天津靜脈庫測試結果，從圖中可以看出由于該庫靜脈圖像質量良好，各個方法識別率差別不大，均在97.5%以上，本文所提出的+B 2 DPCA方法識別率最高，達到了99.84%。

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

圖10為FV-USM靜脈庫測試結果，其中單獨使用LBP算子的靜脈識別方法性能最差，將其與PCA技術結合后，識別率有較大提升，在3個、4個訓練樣本時識別率分別為82.20%與89.16%，訓練樣本數為5時，識別率達到96.75%；LBP+2DPCA方法的識別率在3個、4個、5個訓練樣本時分別為95.75%、98.10%與96.75%，整體優于+PCA方法性能；而本文所提的+B2DPCA方法的最優識別率達到了99.73%，性能十分優良。

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

實驗結果表明，本文提出的方法無論在圖像質量良好的天津靜脈庫還是存在部分圖像質量較差的FV-USM靜脈庫的測試結果均達到了99%以上，識別性能較好，具備一定的實用性。

5 結束語

本文融合旋轉統一的LBP算子與B2DPCA技術對手指靜脈圖像進行有效的特征提取，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致識別率較低的問題。實驗結果表明，本文算法能大幅度提高識別率，特別是對于對比度較差的FV-USM指靜脈中的樣本，相較于單一的LBP特征提取算法，傳統的經典降維算法和LBP與經典降維組合特征提取算法，擁有較好的識別性能。由于融合了局部紋理特征算子與B2DPCA技術，本文方法的識別時間比單獨使用降維識別方法要長，而處理速度是衡量識別系統性能的一個重要指標，因此在保持識別系統性能的前提下如何進一步提高系統的識別速度是今后研究的重點。