第14卷第3期 智能系统学报 Vol.14 No.3 2019年5月 CAAI Transactions on Intelligent Systems May 2019 D0:10.11992/tis.201801014 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.tp.20180425.1001.004.html 融合LBP纹理特征与B2DPCA技术的 手指静脉识别方法 胡娜，马慧，湛涛 (黑龙江大学电子工程学院，黑龙江哈尔滨150001) 摘要：鉴于传统局部二进制模式(local binary pattern,LBP)算法对光照方向的变化非常敏感的问题，本文提出 一种融合旋转不变模式的LBP算子与B2DPCA技术的手指静脉识别方法。首先提取手指静脉图像子块的 LBP纹理谱特征，然后采用双向二维主成分分析方法对LBP特征向量构成的特征矩阵进行有效的降维处理， 再通过比对降维后的待识别静脉图像特征向量与其他样本的特征向量之间的欧式距离来实现最终的样本分 类。通过在天津市智能实验室静脉库及马来西亚理科大学FV-USM静脉库上进行实验验证，在不同训练样本 数量下比较了8种算法的识别性能，相比于单一的LBP特征提取算法、经典降维算法和LBP与经典降维组合 特征提取算法，该方法的识别率有很大的提高，证明了本文方法的有效性。 关键词：手指静脉识别：特征提取：LBP纹理特征：二维主成分分析：双向二维主成分分析；欧氏距离：图像特征 向量；降维 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2019)03-0533-08 中文引用格式：胡娜，马慧，湛涛.融合LBP纹理特征与B2DPCA技术的手指静脉识别方法J.智能系统学报，2019,14(3)： 533-540. 英文引用格式：HUNa,MA Hui,.ZHAN Tao.Finger vein recognition method combining LBP texture feature and B.2 DPCA techno- logyJ]CAAI transactions on intelligent systems,2019,14(3):533-540. Finger vein recognition method combining LBP texture feature and B2DPCA technology HU Na,MA Hui,ZHAN Tao (College of Electronic Engineering,Heilongjiang University,Harbin 150001,China) Abstract:By considering the sensitivity of the traditional local binary pattern(LBP)algorithms while varying the illu- mination,this study proposes a finger vein recognition method using a rotation invariant LBP operator and B2DPCA. This method initially extracts the LBP texture spectrum feature of the image block of a finger vein,uses a bidirectional two-dimensional main component analysis method to effectively reduce the dimension of the eigenmatrix comprising the LBP eigenvectors,and finally classifies the final samples by comparing the Euclidean distance between the vein im- age eigenvectors that are to be identified and the eigenvectors of other samples after dimension reduction.The experi- ments were implemented on the finger vein image databases obtained from the Tianjin Intelligence Laboratory and from the FV-USM database of the University of Science,Malaysia.Further,eight methods with different numbers of training samples are compared,which exhibit that the fusion features that are proposed by this study perform considerably better than the single LBP operator.single traditional dimension-reduced methods.and the fusion of LBP and traditional di- mension-reduced algorithms.Additionally,the recognition rate of the generated method was observed to significantly improve.This indicated that the analysis method proposed in this study is proper and effective. Keywords:finger vein recognition;feature extraction;local binary patterns,two-dimensional principal component;bid- irectional two-dimensional principal component analysis;euclidean distance;image feature vector;dimensionality re- duction 收稿日期：2018-01-08.网络出版日期：2018-04-26. 基金项目：国家自然科学基金项目(61573132)：黑龙江省高校 手指静脉识别是一种活体生物特征识别技 基本科研业务费项目(HDRCCX-20I602):黑龙江省 高校重点实验室开放基金项目(DZGC201610). 术，它利用近红外光透射手指后采用CCD或摄像 通信作者：马慧.E-mail:2011043@hlju.edu.cn. 头获取被采集手指内部静脉纹路的分布图，再通
DOI: 10.11992/tis.201801014 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.tp.20180425.1001.004.html 融合 LBP 纹理特征与 B2DPCA 技术的 手指静脉识别方法 胡娜，马慧，湛涛 （黑龙江大学 电子工程学院，黑龙江 哈尔滨 150001） 摘 要：鉴于传统局部二进制模式 (local binary pattern, LBP) 算法对光照方向的变化非常敏感的问题，本文提出 一种融合旋转不变模式的 LBP 算子与 B2DPCA 技术的手指静脉识别方法。首先提取手指静脉图像子块的 LBP 纹理谱特征，然后采用双向二维主成分分析方法对 LBP 特征向量构成的特征矩阵进行有效的降维处理， 再通过比对降维后的待识别静脉图像特征向量与其他样本的特征向量之间的欧式距离来实现最终的样本分 类。通过在天津市智能实验室静脉库及马来西亚理科大学 FV-USM 静脉库上进行实验验证，在不同训练样本 数量下比较了 8 种算法的识别性能，相比于单一的 LBP 特征提取算法、经典降维算法和 LBP 与经典降维组合 特征提取算法，该方法的识别率有很大的提高，证明了本文方法的有效性。 关键词：手指静脉识别；特征提取；LBP 纹理特征；二维主成分分析；双向二维主成分分析；欧氏距离；图像特征 向量；降维 中图分类号：TP391.4 文献标志码：A 文章编号：1673−4785(2019)03−0533−08 中文引用格式：胡娜, 马慧, 湛涛. 融合 LBP 纹理特征与 B2DPCA 技术的手指静脉识别方法[J]. 智能系统学报, 2019, 14(3): 533–540. 英文引用格式：HU Na, MA Hui, ZHAN Tao. Finger vein recognition method combining LBP texture feature and B2DPCA technology[J]. CAAI transactions on intelligent systems, 2019, 14(3): 533–540. Finger vein recognition method combining LBP texture feature and B2DPCA technology HU Na，MA Hui，ZHAN Tao (College of Electronic Engineering, Heilongjiang University, Harbin 150001, China) Abstract: By considering the sensitivity of the traditional local binary pattern (LBP) algorithms while varying the illumination, this study proposes a finger vein recognition method using a rotation invariant LBP operator and B2DPCA. This method initially extracts the LBP texture spectrum feature of the image block of a finger vein, uses a bidirectional two-dimensional main component analysis method to effectively reduce the dimension of the eigenmatrix comprising the LBP eigenvectors, and finally classifies the final samples by comparing the Euclidean distance between the vein image eigenvectors that are to be identified and the eigenvectors of other samples after dimension reduction. The experiments were implemented on the finger vein image databases obtained from the Tianjin Intelligence Laboratory and from the FV-USM database of the University of Science, Malaysia. Further, eight methods with different numbers of training samples are compared, which exhibit that the fusion features that are proposed by this study perform considerably better than the single LBP operator, single traditional dimension-reduced methods, and the fusion of LBP and traditional dimension-reduced algorithms. Additionally, the recognition rate of the generated method was observed to significantly improve. This indicated that the analysis method proposed in this study is proper and effective. Keywords: finger vein recognition; feature extraction; local binary patterns; two-dimensional principal component; bidirectional two-dimensional principal component analysis; euclidean distance; image feature vector; dimensionality reduction 手指静脉识别是一种活体生物特征识别技 术，它利用近红外光透射手指后采用 CCD 或摄像 头获取被采集手指内部静脉纹路的分布图，再通 收稿日期：2018−01−08. 网络出版日期：2018−04−26. 基金项目：国家自然科学基金项目 (61573132)；黑龙江省高校 基本科研业务费项目 (HDRCCX-201602)；黑龙江省 高校重点实验室开放基金项目 (DZGC201610). 通信作者：马慧. E-mail：2011043@hlju.edu.cn. 第 14 卷第 3 期 智 能 系 统 学 报 Vol.14 No.3 2019 年 5 月 CAAI Transactions on Intelligent Systems May 2019
·534· 智能系统学报 第14卷 过一定的特征提取算法从静脉图像中提取出特征 在相对位置和角度偏差，影响识别系统的识别精 值存贮在计算机系统中2。静脉特征属于人体 度。针对这一问题，本文提取指静脉的纹理特 内部信息，不受各种外部环境影响，且采用活体 征，并进行匹配识别。手指静脉纹路上存在明显 采集的方式不易被复制盗取，安全级别很高 的纹理特征，能够很好地反映不同类静脉图像的 目前，许多静脉识别方法采用的是静脉图像 差异，因此静脉图像的唯一性信息可由这些纹理 的局部特征，这种局部特征主要用于描述指静脉 特征来表征。 纹路的细节信息。例如：采用静脉血管纹路特征 1.1传统的LBP算子 的识别方法)、基于局部线性特征的识别方法 LBP算子的基本原理是在局部像素邻域中， 基于纹理特征的方法)、基于端点和交叉点的细 以中心点像素为阈值，邻域中特定位置的像素点 节点特征的识别方法山，然而，当静脉图像质量 与中心点像素点的灰度值相比较，所得的二进制 较差时将会导致基于局部特征的识别方法识别率 值作为局部邻域中心像素点的纹理特征F,局部 下降，这是因为这类图像中存在较多的伪特征，从 纹理特征F与邻域像素灰度值可表述为 而造成匹配决策过程中出现拒绝、误识现象。 F=fgc,g0,81,…,8p-1) (1) 有很多静脉识别方法是利用图像的全局特征进行 式中：8为邻域中心像素的灰度值；g0,g1,…,8p- 处理的：王科俊等采用小波矩融合PCA变换和 为模板中其他像素点的灰度值；p为局部邻域内 LDA变换的方法实现手指静脉的匹配识别；贾旭 选取特定像素点的个数。 等提出了一种基于Contourlet子带能量特征多 将式()中各分量的值减去中心像素的灰度值： HMM融合的静脉识别；文献[15]则通过对图像进 F=fgc,go-8c,…,8p-1-8c） (2) 行拉普拉斯变换实现静脉图像的全局匹配。此 由于各个像素点相互独立，式(2)可写为 外，还有基于支持向量机理论的识别方法6、基 F≈fgc)fg0-8c,81-8c,…,8r-1-8c) (3) 于自适应Gabor滤波器的静脉识别方法)、基于 将式(3)中与纹理特征无关的量去掉后，简化为 机器学习理论的识别方法，也达到了较好的识 F≈fg0-gc,81-8c,…,8p-1-8c) (4) 别效果。然而，当静脉图像存在一定的旋转或者 若只考虑邻域像素与中心像素差值的符号， 平移现象时，上述基于全局特征的识别方法的精 则式(4)可改写为 度将会受到影响。 F≈f(s(g0-8),s(g1-8)…,s(gp-1-8c)》 (5) 由于静脉图像具有明显的纹理特征，因此本 其中s(x)= 1,x>0 文将LBP纹理描述算子应用于手指静脉识别。 0,其他 鉴于传统LBP算法对光照方向的变化非常敏感， LBP算子最常用的局部邻域模板为3×3的九 且邻近区域的LBP码并不是相互独立的，因此 宫格、8个邻域像素点的模板，通过LBP算子计 LBP特征向量对噪声也较为敏感9：20。针对上述 算可得8位二进制数，LBP值共有28种。然而这 两个问题，本文采用融合旋转不变模式与统一模 种模板却无法适应图像的尺度变化，为此Ojala 式的LBP算子，并采用较大空间支持区域的模板 等将传统的3×3正方形模板扩展到了任意尺寸 对手指静脉图像进行特征提取，在此基础上，使 的圆形邻域，并对圆形邻域中没有完全落在像素 用双向B2DPCA(bi-directional two dimensional prin- 点位置上的灰度值采用线性插值算法进行计算。 cipal components analysis))P技术对上述静脉图像 改进后的LBP算子的半径大小和邻域内像素点 的LBP特征向量进行降维处理，以去除冗余特征， 个数是任意的，不同的邻域如图1所示。图1中 将降维后的向量作为最终待识别的特征向量。实 采样点的邻域个数为P,算子的半径为R。 验结果表明，本文提出的融合LBP与B2DPCA 方法在天津智能静脉库与FV-USM静脉库上的最 优识别率分别达到99.84%与99.73%，算法性能 良好。 1基于LBP纹理特征的指静脉识别 (a)R=l,P=8 (b)R=2,P=8 (C)R=2,P=16 方法 图1不同半径及邻域点数的圆形邻域LBP算子 Fig.1 Circular LBP operators under different neighbors 由于手指静脉图像采用非接触方式采集，图 and radii 像受平移、旋转变换影响较大，并且图像发生这 将式(5)中的差值函数s(g,-8)乘以权重因 类非线性变换时，匹配的细节点对之间通常都存 子2，将二进制数转换成十进制数，并将其数值作
过一定的特征提取算法从静脉图像中提取出特征 值存贮在计算机系统中[1-2]。静脉特征属于人体 内部信息，不受各种外部环境影响，且采用活体 采集的方式不易被复制盗取，安全级别很高[3-4]。 目前，许多静脉识别方法采用的是静脉图像 的局部特征，这种局部特征主要用于描述指静脉 纹路的细节信息。例如：采用静脉血管纹路特征 的识别方法[5] 、基于局部线性特征的识别方法[6] 、 基于纹理特征的方法[7-8] 、基于端点和交叉点的细 节点特征的识别方法[9-11] ，然而，当静脉图像质量 较差时将会导致基于局部特征的识别方法识别率 下降，这是因为这类图像中存在较多的伪特征，从 而造成匹配决策过程中出现拒绝、误识现象[12]。 有很多静脉识别方法是利用图像的全局特征进行 处理的：王科俊等[13]采用小波矩融合 PCA 变换和 LDA 变换的方法实现手指静脉的匹配识别；贾旭 等 [14] 提出了一种基于 Contourlet 子带能量特征多 HMM 融合的静脉识别；文献[15]则通过对图像进 行拉普拉斯变换实现静脉图像的全局匹配。此 外，还有基于支持向量机理论的识别方法[16] 、基 于自适应 Gabor 滤波器的静脉识别方法[17] 、基于 机器学习理论的识别方法[18] ，也达到了较好的识 别效果。然而，当静脉图像存在一定的旋转或者 平移现象时，上述基于全局特征的识别方法的精 度将会受到影响。 由于静脉图像具有明显的纹理特征，因此本 文将 LBP 纹理描述算子应用于手指静脉识别。 鉴于传统 LBP 算法对光照方向的变化非常敏感， 且邻近区域的 LBP 码并不是相互独立的，因此 LBP 特征向量对噪声也较为敏感[19-20]。针对上述 两个问题，本文采用融合旋转不变模式与统一模 式的 LBP 算子，并采用较大空间支持区域的模板 对手指静脉图像进行特征提取，在此基础上，使 用双向 B2DPCA(bi-directional two dimensional principal components analysis)[21]技术对上述静脉图像 的 LBP 特征向量进行降维处理，以去除冗余特征， 将降维后的向量作为最终待识别的特征向量。实 验结果表明，本文提出的融合 LBP 与 B2DPCA 方法在天津智能静脉库与 FV-USM 静脉库上的最 优识别率分别达到 99.84% 与 99.73%，算法性能 良好。 1 基于 LBP 纹理特征的指静脉识别 方法 由于手指静脉图像采用非接触方式采集，图 像受平移、旋转变换影响较大，并且图像发生这 类非线性变换时，匹配的细节点对之间通常都存 在相对位置和角度偏差，影响识别系统的识别精 度。针对这一问题，本文提取指静脉的纹理特 征，并进行匹配识别。手指静脉纹路上存在明显 的纹理特征，能够很好地反映不同类静脉图像的 差异，因此静脉图像的唯一性信息可由这些纹理 特征来表征。 1.1 传统的 LBP 算子 LBP 算子的基本原理是在局部像素邻域中， 以中心点像素为阈值，邻域中特定位置的像素点 与中心点像素点的灰度值相比较，所得的二进制 值作为局部邻域中心像素点的纹理特征 F，局部 纹理特征 F 与邻域像素灰度值可表述为 F = f(gc ,g0,g1,··· ,gp−1) (1) gc g0,g1,··· ,gp−1 p 式中： 为邻域中心像素的灰度值； 为模板中其他像素点的灰度值； 为局部邻域内 选取特定像素点的个数。 将式 (1) 中各分量的值减去中心像素的灰度值： F = f(gc ,g0 −gc ,··· ,gp−1 −gc) (2) 由于各个像素点相互独立，式 (2) 可写为 F ≈ f(gc)f(g0 −gc ,g1 −gc ,··· ,gp−1 −gc) (3) 将式 (3) 中与纹理特征无关的量去掉后，简化为 F ≈ f(g0 −gc ,g1 −gc ,··· ,gp−1 −gc) (4) 若只考虑邻域像素与中心像素差值的符号， 则式 (4) 可改写为 F ≈ f(s(g0 −gc),s(g1 −gc),··· ,s(gp−1 −gc)) (5) s(x) = { 1, x > 0 0, 其他 其中 。 2 8 LBP 算子最常用的局部邻域模板为 3×3 的九 宫格、8 个邻域像素点的模板，通过 LBP 算子计 算可得 8 位二进制数，LBP 值共有 种。然而这 种模板却无法适应图像的尺度变化，为此 Ojala 等 [22]将传统的 3×3 正方形模板扩展到了任意尺寸 的圆形邻域，并对圆形邻域中没有完全落在像素 点位置上的灰度值采用线性插值算法进行计算。 改进后的 LBP 算子的半径大小和邻域内像素点 个数是任意的，不同的邻域如图 1 所示。图 1 中 采样点的邻域个数为 P，算子的半径为 R。 (a) R=1, P=8 (b) R=2, P=8 (c) R=2, P=16 图 1 不同半径及邻域点数的圆形邻域 LBP 算子 Fig. 1 Circular LBP operators under different neighbors and radii s(gi −gc) 2 i 将式 (5) 中的差值函数 乘以权重因 子 ，将二进制数转换成十进制数，并将其数值作 ·534· 智 能 系 统 学 报 第 14 卷
第3期 胡娜，等：融合LBP纹理特征与B2DPCA技术的手指静脉识别方法 ·535· 为局部邻域中心像素点的LBP值，计算公式为 1.3旋转不变的统一模式LBP算子 图像的平移及旋转会引起传统的LBP算子 LBPpR= 5(8:-8)×2 i=0 值的变化，为了消除图像旋转的影响，文献[20]提 式中LBPER表示半径为R、P个像素点的局部邻 出了基于旋转不变的LBP算子，将计算得出的 域计算的LBP值。具体手指静脉图像的LBP算 LBP值按同方向循环移位，取所有移位中最小的 子基本运算过程如图2所示。 值作为被计算的LBP值的旋转不变模式，配一个 唯一的标识符，具体的旋转不变LBP模式的定义为 26459 681477 值运算 LBPAg min(ROR(s(gi-ge),ili=0,1.....P-1) 式中：ROR(x,)中的x表示二进制数，i表示向右 00四赋权值四22四 00B2 oo 2024 00 循环移动的位数。 222 208 224173 将上述旋转不变LBP模式与1.2节中统一模 LBP=(00101010),=42 836295 式LBP进行结合，则构成旋转不变的统一模式 LBP算子： 图2LBP算子及其计算过程 P-I Fig.2 The calculation process of LBP operators s(gp-g),U(LBPRR)≤2 P=0 12基于统一模式的LBP算子 P+1,其他 对传统的LBP算子纹理模式进行统计分析 使用LBP算子对静脉图像f(x,y)进行特征提 可知，某些特殊的局部二值模式构成了超过图像 取之后的特征用直方图来表示，即 90%的纹理模式，本文将这些局部模式称为统一 H,=∑1fx0=0.i=01,,2"-1 模式的LBP算子。判定为统一模式的公式为 U(LBPpR)=Is(gp-1-gc)-s(go-8c)+ 式中x=/Lf)=i 克知-2-1-g】 10,其他 (6) 将一幅手指静脉图像进行分块，对每个子块 分别进行LBP算子处理，再得到每个子块的 式中：8c为邻域中心像素的灰度值：g0,g1,…,g- LBP直方图，最后将各个子块的LBP直方图按照 为P邻域像素的灰度值。根据定义式(6)，U的最 子块所在位置串联形成复合的LBP直方图，如图3 大取值为2。 所示。 3000 2000 元000 3000 L山AM 050100150200250 2000 1000 3000 4000800012000 2000 1000 050100150200250 图3静脉图像及其LBP特征提取后的直方图 Fig.3 The LBP histogram of the finger vein images 2基于双向二维主成分分析的指静 计算训练样本的协方差矩阵，在人脸识别方面取 脉识别方法 得了良好的应用效果。但二维主成分分析仍存在 系数矩阵维数过高的缺点，而双向二维主成分分 二维主成分分析(2DPCA)2可通过图像直接 析(B2DPCA)能有效地降低图像特征矩阵的维 构造出协方差矩阵，该矩阵比使用主成分分析 数，因此本文将B2DPCA思想引入到手指静脉识 (PCA)构造的协方差矩阵要小得多，容易直接地 别方法中
为局部邻域中心像素点的 LBP 值，计算公式为 LBPP,R = ∑P−1 i=0 s(gi −gc)×2 i 式中 LBPP,R 表示半径为 R、P 个像素点的局部邻 域计算的 LBP 值。具体手指静脉图像的 LBP 算 子基本运算过程如图 2 所示。 26 4 59 213736 681477 224173 587310 836295 0 0 1 0 0 1 0 1 2 7 2 6 2 5 2 0 2 4 2 1 2 2 2 3 0 0 32 0 0 LBP=(00101010)2 =42 阈值运算 阈值运算 赋权值 02 8 图 2 LBP 算子及其计算过程 Fig. 2 The calculation process of LBP operators 1.2 基于统一模式的 LBP 算子 对传统的 LBP 算子纹理模式进行统计分析 可知，某些特殊的局部二值模式构成了超过图像 90% 的纹理模式，本文将这些局部模式称为统一 模式的 LBP 算子。判定为统一模式的公式为 U(LBPP,R) = |s(gP−1 −gc)− s(go −gc)|+ ∑P−1 p=1 |s(gP −gc)− s(gP−1 −gc)| (6) 式中： gc 为邻域中心像素的灰度值； g0,g1,··· ,gp−1 为 P 邻域像素的灰度值。根据定义式 (6)，U 的最 大取值为 2。 1.3 旋转不变的统一模式 LBP 算子 图像的平移及旋转会引起传统的 LBP 算子 值的变化，为了消除图像旋转的影响，文献[20]提 出了基于旋转不变的 LBP 算子，将计算得出的 LBP 值按同方向循环移位，取所有移位中最小的 值作为被计算的 LBP 值的旋转不变模式，配一个 唯一的标识符，具体的旋转不变 LBP 模式的定义为 LBPri P,R = min{ROR(s(gi −gc),i|i = 0,1,··· ,P−1} 式中： ROR(x,i) 中的 x 表示二进制数，i 表示向右 循环移动的位数。 将上述旋转不变 LBP 模式与 1.2 节中统一模 式 LBP 进行结合，则构成旋转不变的统一模式 LBP 算子： LBPriu2 P,R = ∑P−1 P=0 s(gp −gc), U(LBPP,R) ⩽ 2 P+1, 其他 使用 LBP 算子对静脉图像 f(x, y) 进行特征提 取之后的特征用直方图来表示，即 Hi = ∑ x,y I(f(x, y) = i), i = 0,1,··· ,2 N −1 I(X) = { 1, f(x, y) = i 0, 其他 式中 。 将一幅手指静脉图像进行分块，对每个子块 分别进 行 LBP 算子处理，再得到每个子块 的 LBP 直方图，最后将各个子块的 LBP 直方图按照 子块所在位置串联形成复合的 LBP 直方图，如图 3 所示。 3 000 2 000 1 000 0 50 100 150 200 250 3 000 2 000 1 000 0 50 100 150 200 250 3 000 2 000 1 000 0 4 000 8 000 12 000 { { 图 3 静脉图像及其 LBP 特征提取后的直方图 Fig. 3 The LBP histogram of the finger vein images 2 基于双向二维主成分分析的指静 脉识别方法 二维主成分分析 (2DPCA)[23]可通过图像直接 构造出协方差矩阵，该矩阵比使用主成分分析 (PCA) 构造的协方差矩阵要小得多，容易直接地 计算训练样本的协方差矩阵，在人脸识别方面取 得了良好的应用效果。但二维主成分分析仍存在 系数矩阵维数过高的缺点，而双向二维主成分分 析 (B2DPCA) 能有效地降低图像特征矩阵的维 数，因此本文将 B2DPCA 思想引入到手指静脉识 别方法中。 第 3 期 胡娜，等：融合 LBP 纹理特征与 B2DPCA 技术的手指静脉识别方法 ·535·
·536· 智能系统学报 第14卷 2.1二维主成分分析 设原始手指静脉图像为A,大小为m×n,二维 C,=- 22- 主成分分析的思想就是把A通过式（⑦）的线性变 行方向的2DPCA能得到一个反映图像矩阵 换朝向量X投影： 各行信息的最优矩阵X,忽略了图像矩阵列方向 Y=AX (7) 式中：Y为得到的投影特征向量，维数为m。上述 上的信息，同理，列方向的2DPCA则忽略了图像 过程中，X的方向不同，图像A投影后的可分离 行方向上的信息。但双向二维主成分分析则充分 程度也不同，投影图像的总体散布矩阵越大，可 考虑了图像行、列两方向的信息，具有更佳的效果。 分离程度越高，图像识别效果越好。而图像的总 双向二维主成分分析方法的思想是将图像矩 体散布矩阵可由投影特征向量的协方差矩阵的迹 阵A同时在X和Z上投影，产生特征矩阵C,即 来表示，因此求取最佳投影轴X的准则为 C=ZAX (13) J(X)=tr(U) (8) 在使用双向二维主成分分析进行指静脉识别 式中：r(U)为U的迹；U为Y的类间总体散布矩 时，首先将训练样本库中的每幅指静脉图像 阵，U的具体定义为 A(k=1,2,·,M0在X和Z上投影，得到训练图像 U=E(Y-EY)Y-EY)于 因此式(8)可表示为 的特征矩阵C(k=1,2,…,M0；在测试时，利用式 J(X)=tr(U)=X[E(A-EA)(A-EA)]X (9) (13)求取待识别样本的特征矩阵C,再求出Ck和 定义矩阵C为 C之间的距离，通过最近邻分类器实现分类。 C,=E[(A-EA)][A-EA] C.和C之间的距离定义为 式中C,为n×n的图像协方差矩阵，可由训练样本 图像计算得到。 d=(C.Ck) n-C） e1j1 设训练样本共M个，则M个样本的平均图像 用A来表示： 式中：q为行方向上的主分量数；d为列方向上的 -2 主分量数。基于B2DPCA技术的指静脉识别方 法具体流程如图4所示。 式中矩阵Ai=1,2,…,M)表示第i个训练样本。 经预处理的 则C,可以由式(10)求出： B2DPCA 训练指 静脉图像 特征降维 静脉数 M （训练) 据库 C,= 1∑(A-AA-A (10) 训练过程 k=1 2.2基于双向二维主成分分析的指静脉识别 经预处理的 B2DPCA 静脉图像 识别 设A和A”分别表示图像A和训练样本的 特征降维 (训练) 结果 平均图像A的第i个行向量，则式(10)可表示为 识别过程 -1宁49-940-9) (11) 图4基于B2DPCA的指静脉图像特征提取框图 Fig.4 The frame of finger vein feature extraction based on 设训练样本的均值A=0,则式(11)表示C the B2DPCA vectors 可由图像行向量的外积产生，因此可将上述二维 主成分分析称为行方向的二维主成分分析，其实 3 融合LBP与B2DPCA技术的静脉 质是图像矩阵A寻找行方向上的最佳投影矩阵 识别方法 X,而在列方向上也存在一个最佳投影矩阵。 由于提取出的手指静脉图像LBP纹理特征 设A和A分别表示图像A和训练样本的 维数较多，包含大量冗余信息。本文对静脉LBP 平均图像A的第广个列向量，则列方向二维主成 特征向量采用B2DPCA方法进行降维处理，以便 分分析的思想是把A通过式(12)的线性变换投 有效地提取静脉特征，进一步提高静脉识别系统 影到Z上，产生矩阵B=ZA,则式(9)可表示为 J(Z)=tr(E[(B-EB)(B-EB)T= 的识别率。 trIZE[(A-EA)(A-EA)]Z) (12) 融合LBP与B2DPCA技术的静脉识别方法 列方向协方差矩阵为 的具体步骤为：
2.1 二维主成分分析 设原始手指静脉图像为 A，大小为 m×n，二维 主成分分析的思想就是把 A 通过式 (7) 的线性变 换朝向量 X 投影： Y = AX (7) 式中：Y 为得到的投影特征向量，维数为 m。上述 过程中，X 的方向不同，图像 A 投影后的可分离 程度也不同，投影图像的总体散布矩阵越大，可 分离程度越高，图像识别效果越好。而图像的总 体散布矩阵可由投影特征向量的协方差矩阵的迹 来表示，因此求取最佳投影轴 X 的准则为 J(X) = tr(U) (8) 式中： tr(U) 为 U 的迹；U 为 Y 的类间总体散布矩 阵，U 的具体定义为 U = E(Y −EY)(Y −EY) T 因此式 (8) 可表示为 J(X) = tr(U)=X T [E(A−EA) T (A−EA)]X (9) 定义矩阵 Ct 为 Ct = E[(A−EA)]T [A−EA] 式中 Ct 为 n×n 的图像协方差矩阵，可由训练样本 图像计算得到。 A 设训练样本共 M 个，则 M 个样本的平均图像 用 来表示： A = 1 M ∑M i=1 Ai 式中矩阵 Ai (i = 1,2,··· , M) 表示第 i 个训练样本。 则 Ct 可以由式 (10) 求出： Ct = 1 M ∑M k=1 (Ak − A) T (Ak − A) (10) 2.2 基于双向二维主成分分析的指静脉识别 A (i) k A (i) A A 设 和 分别表示图像 和训练样本的 平均图像 的第 i 个行向量，则式 (10) 可表示为 Ct = 1 M ∑M k=1 ∑m i=1 (A (i) k − A (i) ) T (A (i) k − A (i) ) (11) 设训练样本的均值 A = 0 ，则式 (11) 表示 Ct 可由图像行向量的外积产生，因此可将上述二维 主成分分析称为行方向的二维主成分分析，其实 质是图像矩阵 A 寻找行方向上的最佳投影矩阵 X，而在列方向上也存在一个最佳投影矩阵。 A (j) k A (j) A B = Z TA 设 和 分别表示图像 A 和训练样本的 平均图像 的第 j 个列向量，则列方向二维主成 分分析的思想是把 A 通过式 (12) 的线性变换投 影到 Z 上，产生矩阵 ，则式 (9) 可表示为 J(Z) = tr{E[(B−EB)(B−EB) T ]}= tr{Z TE[(A−EA)(A−EA) T ]Z} (12) 列方向协方差矩阵为 C ′ t = 1 M ∑M k=1 ∑n j=1 (A (j) k − A (j) ) T (A (j) k − A (j) ) 行方向的 2DPCA 能得到一个反映图像矩阵 各行信息的最优矩阵 X，忽略了图像矩阵列方向 上的信息，同理，列方向的 2DPCA 则忽略了图像 行方向上的信息。但双向二维主成分分析则充分 考虑了图像行、列两方向的信息，具有更佳的效果。 双向二维主成分分析方法的思想是将图像矩 阵 A 同时在 X 和 Z 上投影，产生特征矩阵 C，即 C = Z TAX (13) Ak(k = 1,2,··· , M) X Z Ck(k = 1,2,··· , M) C Ck 在使用双向二维主成分分析进行指静脉识别 时，首先将训练样本库中的每幅指静脉图像 在 和 上投影，得到训练图像 的特征矩阵 ；在测试时，利用式 (13) 求取待识别样本的特征矩阵 ，再求出 和 C 之间的距离，通过最近邻分类器实现分类。 Ck 和 C 之间的距离定义为 d = (C,Ck)= vut∑q i=1 ∑d j=1 ( C(i, j) −C (i, j) k )2 式中：q 为行方向上的主分量数；d 为列方向上的 主分量数。基于 B2DPCA 技术的指静脉识别方 法具体流程如图 4 所示。 经预处理的 静脉图像 （训练） B2DPCA 特征降维 训练指 静脉数 据库 训练过程 经预处理的 静脉图像 （训练） B2DPCA 特征降维 识别 结果 识别过程 图 4 基于 B2DPCA 的指静脉图像特征提取框图 Fig. 4 The frame of finger vein feature extraction based on the B2DPCA vectors 3 融合 LBP 与 B2DPCA 技术的静脉 识别方法 由于提取出的手指静脉图像 LBP 纹理特征 维数较多，包含大量冗余信息。本文对静脉 LBP 特征向量采用 B2DPCA 方法进行降维处理，以便 有效地提取静脉特征，进一步提高静脉识别系统 的识别率。 融合 LBP 与 B2DPCA 技术的静脉识别方法 的具体步骤为： ·536· 智 能 系 统 学 报 第 14 卷
第3期 胡娜，等：融合LBP纹理特征与B2DPCA技术的手指静脉识别方法 ·537· 1)将手指静脉图像进行分块，对每个图像子 块分别进行LBP算子处理，再得到每个子块的 LBP直方图，最后将各个子块的LBP直方图按照 子块所在位置叠加成最终的复合LBP直方图； 2)然后采用双向二维主成分分析方法对 LBP特征向量构成的特征矩阵进行有效的降维 处理； 3)再通过比对降维后的待识别静脉图像特征 图6天津智能静脉库部分图像 向量与其他样本的特征向量之间的欧式距离来实 Fig.6 Some images from the Tianjin Intelligence Lab- 现最终的样本分类。 oratory finger vein image databases 4.2基于LBP算子的静脉识别方法性能测试与 4实验结果分析 分析 首先对两个手指静脉图像库中样本使用基于 4.1实验环境及数据库 统一模式的LBP,算子，基于旋转不变的LBP) 为了验证本文所提出的融合LBP与B2DPCA 算子以及旋转不变的统一模式LBP算子3种 技术的静脉识别方法的有效性，分别在天津市智 方法进行测试，3种算子均使用邻域个数P-8,算 能实验室采集指静脉图像数据库及FV-USM手指 子半径=1的圆形邻域。天津数据库中每根手指 静脉图像数据库进行实验验证。测试实验硬件环 的静脉图像为16幅，本文分别从每个手指样本 境为Intel i32.53 GHz CPU,2GB内存，Win7操作 的16幅图像中随机抽取1幅、3幅、5幅、7幅和 系统，运行环境为MATLABR201Ob软件。 9幅图像作为训练样本，则不同的训练样本个数 FV-USM库中图像采集来自马来西亚理科大 对应的正确识别率如表1所示。由于天津静脉库 学的123名志愿者，包括83名男性与40名女性， 中图像质量非常好，3种算子的识别率都很高，在 年龄跨度为20~52岁，每人采集左手与右手的食 训练样本个数达到3个时，正确识别率均超过 90%,其中LBP,算子在训练样本个数为5个时 指与中指，共计5904幅图像。每幅手指静脉图 识别率达到99.95%，LBP,算子的最优识别率也 像的分辨率为640×480，灰度级为256。数据库中 达到了99.22%，LBP,算子在训练样本个数为 部分图像如图5所示。 9时识别率也达到了97.4%，表明本文使用的基于 局部纹理特征的LBP算子性能较好。 表1天津手指静脉库3种LBP算子在不同训练样本个 数下的识别率 Table 1 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators % 样本个数 2 7 9 LBPD 97.84 99.52 99.95 99.93 99.83 LBP限V 92.37 98.05 98.28 98.89 99.22 LBPD 85.2392.19 93.4496.09 97.40 FV-USM数据库中每根手指仅有6幅图像， 图5FV-USM手指静脉数据库中部分图像 Fig.5 Some images from the FV-USM finger vein 从中分别随机抽取1幅、2幅、3幅、4幅和5幅图 database 像作为训练样本，不同的训练样本个数对应的正 天津智能实验室库中共采集64根不同手指， 确识别率如表2所示。由于FV-USM数据库中部 每根手指采集15次，共计960幅静脉图像。图像 分图像对比度较差，3种算子的识别率不是很高， 且有一定的差异。LBP?,算子与LBP算子的 的分辨率为76×170，灰度级为256。图6为该数 最优识别率不到80%，相较于另外两种算子 据库中部分手指静脉图像。 LBP,算子的识别率最高，在训练样本个数多于
1) 将手指静脉图像进行分块，对每个图像子 块分别进行 LBP 算子处理，再得到每个子块的 LBP 直方图，最后将各个子块的 LBP 直方图按照 子块所在位置叠加成最终的复合 LBP 直方图； 2 ) 然后采用双向二维主成分分析方法 对 LBP 特征向量构成的特征矩阵进行有效的降维 处理； 3) 再通过比对降维后的待识别静脉图像特征 向量与其他样本的特征向量之间的欧式距离来实 现最终的样本分类。 4 实验结果分析 4.1 实验环境及数据库 为了验证本文所提出的融合 LBP 与 B2DPCA 技术的静脉识别方法的有效性，分别在天津市智 能实验室采集指静脉图像数据库及 FV-USM 手指 静脉图像数据库进行实验验证。测试实验硬件环 境为 Intel i3 2.53 GHz CPU，2 GB 内存，Win 7 操作 系统，运行环境为 MATLABR2010b 软件。 FV-USM 库中图像采集来自马来西亚理科大 学的 123 名志愿者，包括 83 名男性与 40 名女性， 年龄跨度为 20~52 岁，每人采集左手与右手的食 指与中指，共计 5 904 幅图像。每幅手指静脉图 像的分辨率为 640×480，灰度级为 256。数据库中 部分图像如图 5 所示。 图 5 FV-USM 手指静脉数据库中部分图像 Fig. 5 Some images from the FV-USM finger vein database 天津智能实验室库中共采集 64 根不同手指， 每根手指采集 15 次，共计 960 幅静脉图像。图像 的分辨率为 76×170，灰度级为 256。图 6 为该数 据库中部分手指静脉图像。 图 6 天津智能静脉库部分图像 Fig. 6 Some images from the Tianjin Intelligence Laboratory finger vein image databases 4.2 基于 LBP 算子的静脉识别方法性能测试与 分析 LBPu2 (8,1) LBPri (8,1) LBPriu2 (8,1) LBPu2 (8,1) LBPri (8,1) LBPriu2 (8,1) 首先对两个手指静脉图像库中样本使用基于 统一模式的 算子，基于旋转不变的 算子以及旋转不变的统一模式 算子 3 种 方法进行测试，3 种算子均使用邻域个数 P=8，算 子半径 R=1 的圆形邻域。天津数据库中每根手指 的静脉图像为 16 幅，本文分别从每个手指样本 的 16 幅图像中随机抽取 1 幅、3 幅、5 幅、7 幅和 9 幅图像作为训练样本，则不同的训练样本个数 对应的正确识别率如表 1 所示。由于天津静脉库 中图像质量非常好，3 种算子的识别率都很高，在 训练样本个数达到 3 个时，正确识别率均超过 90%，其中 算子在训练样本个数为 5 个时 识别率达到 99.95%， 算子的最优识别率也 达到了 99.22%， 算子在训练样本个数为 9 时识别率也达到了 97.4%，表明本文使用的基于 局部纹理特征的 LBP 算子性能较好。 表 1 天津手指静脉库 3 种 LBP 算子在不同训练样本个 数下的识别率 Table 1 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators % 样本个数 1 3 5 7 9 LBPu2 (8,1) 97.84 99.52 99.95 99.93 99.83 LBPri (8,1) 92.37 98.05 98.28 98.89 99.22 LBPriu2 (8,1) 85.23 92.19 93.44 96.09 97.40 LBPu2 (8,1) LBPriu2 (8,1) LBPri (8,1) FV-USM 数据库中每根手指仅有 6 幅图像， 从中分别随机抽取 1 幅、2 幅、3 幅、4 幅和 5 幅图 像作为训练样本，不同的训练样本个数对应的正 确识别率如表 2 所示。由于 FV-USM 数据库中部 分图像对比度较差，3 种算子的识别率不是很高， 且有一定的差异。 算子与 算子的 最优识别率不 到 80%，相较于另外两种算子 算子的识别率最高，在训练样本个数多于 第 3 期 胡娜，等：融合 LBP 纹理特征与 B2DPCA 技术的手指静脉识别方法 ·537·
·538· 智能系统学报 第14卷 2个时，可达到80%以上，尽管如此，其最优识别 本文将方法在FV-USM数据库进行测试，实 率为89.16%，仍低于90%。 验结果如图8所示，通过图8中的实验结果可以 表2FV-USM手指静脉库3种LBP算子在不同训练样 看出，各个方法的识别率随着训练样本个数的增 本个数下的识别率 加而提高，当训练样本个数多于3个时，各个方法 Table 2 Results obtained using the Tianjin Intelligence 的正确识别率能达到80%以上，当训练样本为 Laboratory image databases by employing three different LBP operators % 5个时，性能最好的LBP&,+2DPCA方法与LBP+ 样本个数 1 2DPCA方法识别率分别为94.31%与99.19%。 2 3 4 LBPD 67.15 72.22 75.34 76.42 77.78 100 90 LBP限 71.71 80.08 84.46 84.69 89.16 80 LBP) 57.07 63.62 71.3674.12 73.98 证701 PCA 60 2DPCA 实验结果表明：单独使用基于局部纹理特征 。-LBP2+PCA +LBP+PCA 的LBP静脉识别方法具有一定的有效性，在图像质 0 -LBP42+PCA ★LBP2+2DPCA 量良好的天津数据库上实验效果令人满意，但在V. 30 I RPDPCA ◆-LBPr2+2DPCA USM数据库上识别率较差，存在很大的提升空间。 20 4.3融合LBP与B2DPCA技术的指静脉识别方 训练样本个数 法性能测试及分析 图8 FV-USM静脉库不同识别方法在不同训练样本个 如前所述，静脉图像经分块提取的LBP纹理 数下的识别率 特征维数较多，为提高系统识别性能，本节将上 Fig.8 Results obtained using the FV-USM image data- bases by employing different recognition methods 述LBP算子提取出的特征使用PCA、2DPCA、 B2DPCA技术进行降维处理。分别测试了在不同 为了测试不同降维方法与LBP算子融合的 训练样本个数下单独使用PCA方法、2DPCA以 有效性，本节分别将单独使用LBPR,算子、LBP,+ 及LBPR,、LBP,、LBP这3种算子与PCA、 PCA方法、LBPR,+2DPCA方法以及LBPD+B2DPCA 2DPCA的融合方法的正确识别率。图7为在天 方法在2个图像库上进行测试，实验结果如图9、 津数据库上测试结果，可以看出，单独使用 图10所示。图9为天津静脉库测试结果，从图中 2DPCA算法的识别率优于单独使用PCA算法， 可以看出由于该库静脉图像质量良好，各个方法 而在3种LBP算子与PCA、2DPCA的组合算法中， 识别率差别不大，均在97.5%以上，本文所提出的 统一算子LBP&,与基于旋转统一算子LBP的性 LBPR,+B2DPCA方法识别率最高，达到了 能优于旋转算子LBP8,其中LBPR,+2DPCA 99.84%. 与LBP+2DPCA方法性能最佳，识别率分别达 100.0 到99.74%与99.58%。此外，各个方法的识别率 随着训练样本个数的增加而提高，当训练样本个 99.5 数超过3个时，各个方法的识别率均达到99%以上。 99.0 100.0 98.5 99.5 --LBP2 --LBP+PCA 99.0 98.0 LBP2+2DPCA PCA LBP2+B2DPCA s98.0 -2DPCA -LBP42+PCA 97.5 3 11 LBP+PCA LBP+PCA 训练样本个数 96.5 LBPR2+2DPCA 图9天津静脉库采用不同降维方法的识别率 LBPr+2DPCA 96.0 ◆LBP2+2DPCA Fig.9 Results obtained using the Tianjin Intelligence Lab- 95.5 7 11 oratory image databases by employing different re- 训练样本个数 duction methods 图7 天津静脉库不同识别方法在不同训练样本个数下 图10为FV-USM静脉库测试结果，其中单独 的识别率 使用LBP算子的静脉识别方法性能最差，将其与 Fig.7 Results obtained using the Tianjin Intelligence Lab- oratory image databases by employing different re- PCA技术结合后，识别率有较大提升，在3个 cognition methods 4个训练样本时识别率分别为82.20%与89.16%
2 个时，可达到 80% 以上，尽管如此，其最优识别 率为 89.16%，仍低于 90%。 表 2 FV-USM 手指静脉库 3 种 LBP 算子在不同训练样 本个数下的识别率 Table 2 Results obtained using the Tianjin Intelligence Laboratory image databases by employing three different LBP operators % 样本个数 1 2 3 4 5 LBPu2 (8,1) 67.15 72.22 75.34 76.42 77.78 LBPri (8,1) 71.71 80.08 84.46 84.69 89.16 LBPriu2 (8,1) 57.07 63.62 71.36 74.12 73.98 实验结果表明：单独使用基于局部纹理特征 的 LBP 静脉识别方法具有一定的有效性，在图像质 量良好的天津数据库上实验效果令人满意，但在 FVUSM 数据库上识别率较差，存在很大的提升空间。 4.3 融合 LBP 与 B2DPCA 技术的指静脉识别方 法性能测试及分析 LBPu2 (8,1) LBPri (8,1) LBPriu2 (8,1) LBPu2 (8,1) LBPriu2 (8,1) LBPri (8,1) LBPu2 (8,1) LBPriu2 (8,1) 如前所述，静脉图像经分块提取的 LBP 纹理 特征维数较多，为提高系统识别性能，本节将上 述 LBP 算子提取出的特征使用 PCA、2DPCA、 B2DPCA 技术进行降维处理。分别测试了在不同 训练样本个数下单独使用 PCA 方法、2DPCA 以 及 、 、 这 3 种算子 与 PCA、 2DPCA 的融合方法的正确识别率。图 7 为在天 津数据库上测试结果，可以看出，单独使 用 2DPCA 算法的识别率优于单独使用 PCA 算法， 而在 3 种 LBP 算子与 PCA、2DPCA 的组合算法中， 统一算子 与基于旋转统一算子 的性 能优于旋转算子 ，其中 +2DPCA 与 +2DPCA 方法性能最佳，识别率分别达 到 99.74% 与 99.58%。此外，各个方法的识别率 随着训练样本个数的增加而提高，当训练样本个 数超过 3 个时，各个方法的识别率均达到 99% 以上。 1 3 5 7 11 训练样本个数 95.5 96.0 96.5 97.0 97.5 98.0 98.5 99.0 99.5 100.0 正确识别率/% PCA 2DPCA LBPu2+PCA LBPri+PCA LBPriu2+PCA LBPu2+2DPCA LBPri+2DPCA LBPriu2+2DPCA 图 7 天津静脉库不同识别方法在不同训练样本个数下 的识别率 Fig. 7 Results obtained using the Tianjin Intelligence Laboratory image databases by employing different recognition methods LBPu2 (8,1) LBPriu2 (8,1) 本文将方法在 FV-USM 数据库进行测试，实 验结果如图 8 所示，通过图 8 中的实验结果可以 看出，各个方法的识别率随着训练样本个数的增 加而提高，当训练样本个数多于 3 个时，各个方法 的正确识别率能达到 80% 以上，当训练样本为 5 个时，性能最好的 +2DPCA 方法与 + 2DPCA 方法识别率分别为 94.31% 与 99.19%。 1 2 3 4 5 训练样本个数 20 30 40 50 60 70 80 90 100 正确识别率/% PCA 2DPCA LBPu2+PCA LBPri+PCA LBPriu2+PCA LBPu2+2DPCA LBPri+2DPCA LBPriu2+2DPCA 图 8 FV-USM 静脉库不同识别方法在不同训练样本个 数下的识别率 Fig. 8 Results obtained using the FV-USM image databases by employing different recognition methods LBPu2 (8,1) LBPu2 (8,1) LBPu2 (8,1) LBPu2 (8,1) LBPu2 (8,1) 为了测试不同降维方法与 LBP 算子融合的 有效性，本节分别将单独使用 算子、 + PCA 方法、 +2DPCA 方法以及 +B2DPCA 方法在 2 个图像库上进行测试，实验结果如图 9、 图 10 所示。图 9 为天津静脉库测试结果，从图中 可以看出由于该库静脉图像质量良好，各个方法 识别率差别不大，均在 97.5% 以上，本文所提出的 +B2DPC A 方法识别率最高，达到 了 99.84%。 1 3 5 7 11 训练样本个数 97.5 98.0 98.5 99.0 99.5 100.0 正确识别率/% LBPu2 LBPu2+PCA LBPu2+2DPCA LBPu2+B2DPCA 图 9 天津静脉库采用不同降维方法的识别率 Fig. 9 Results obtained using the Tianjin Intelligence Laboratory image databases by employing different reduction methods 图 10 为 FV-USM 静脉库测试结果，其中单独 使用 LBP 算子的静脉识别方法性能最差，将其与 PCA 技术结合后，识别率有较大提升，在 3 个、 4 个训练样本时识别率分别为 82.20% 与 89.16%， ·538· 智 能 系 统 学 报 第 14 卷
第3期 胡娜，等：融合LBP纹理特征与B2DPCA技术的手指静脉识别方法 ·539· 训练样本数为5时，识别率达到96.75%；LBP+ method using rotation rectified finger vein images[J]. 2DPCA方法的识别率在3个、4个、5个训练样本 CAAI transactions on intelligent systems,2012,7(3): 时分别为95.75%、98.10%与96.75%，整体优于LBP十 230-234 PCA方法性能；而本文所提的LBP?,+B2DPCA [3]WU Zhendong,TIAN Longwei,LI Ping,et al.Generating stable biometric keys for flexible cloud computing authen- 方法的最优识别率达到了99.73%，性能十分优良。 tication using finger vein[J].Information sciences,2018. 100 433-434:431-447. 90 [4]YANG Jinfeng,SHI Yihu,JIA Guimin.Finger-vein image matching based on adaptive curve transformation[J].Pat- tern recognition,2017,66:34-43. 的 0 --LBP2 [5]QIU Shirong,LIU Yagin,ZHOU Yujia,et al.Finger-vein 50 。-LBP+PCA recognition based on dual-sliding window localization and --LBP2+2DPCA 40 LBP2+B2DPCA pseudo-elliptical transformer[J].Expert systems with ap- 30 3 4 5 plications,2016,64:618-632 训练样本个数 [6]ROSDI B A,SHING C W,SUANDI S A.Finger vein re- 图10 FV-USM静脉库采用不同主成分分析的识别率 cognition using local line binary pattern[J].Sensors,2011, Fig.10 Results obtained using the FV-USM image data- 11(12:11357-11371 bases by employing different reduction methods [7]HUI Ma,OLUWATOYIN P,SHULI S.A finger vein re- 实验结果表明，本文提出的方法无论在图像 cognition method using improved oriented filter and elast- 质量良好的天津静脉库还是存在部分图像质量较 ic registration[J.Research journal of applied sciences,en- 差的FV-USM静脉库的测试结果均达到了 gineering and technology,2013,6(7):1153-1159. 99%以上，识别性能较好，具备一定的实用性。 [8]LEE E C,PARK K R.Restoration method of skin scatter- ing blurred vein image for finger vein recognition[J].Elec- 5结束语 tronics letters,2009,45(21):1074-1076 [9]王贺.基于特征融合的手背静脉识别算法研究D1.吉林： 本文融合旋转统一的LBP算子与B2DPCA 吉林大学，2017. 技术对手指静脉图像进行有效的特征提取，改善 WANG He.Research on dorsal hand vein recognition al- 了在非接触式采集方式下的静脉图像存在的光照 gorithm based on feature fusion[D].Jilin:Jilin University, 不均因素导致识别率较低的问题。实验结果表 2017. 明，本文算法能大幅度提高识别率，特别是对于 [1O]杨文文，毛建旭，陈姜嘉旭.基于分块LBP和分块 对比度较差的FV-USM指静脉中的样本，相较于 PCA的指静脉识别方法[J].电子测量与仪器学报。 单一的LBP特征提取算法，传统的经典降维算法 2016.30(7):1000-1007. 和LBP与经典降维组合特征提取算法，拥有较好 YANG Wenwen,MAO Jianxu,CHEN Jiangjiaxu.Finger 的识别性能。由于融合了局部纹理特征算子与 vein recognition based on block LBP and block PCA[J]. B2DPCA技术，本文方法的识别时间比单独使用 Journal of electronic measurement and Instrumentation. 2016,30(7):1000-1007. 降维识别方法要长，而处理速度是衡量识别系统 [11]GUPTA P,GUPTA P.An accurate finger vein based veri- 性能的一个重要指标，因此在保持识别系统性能 fication system[J].Digital signal processing,2015,38: 的前提下如何进一步提高系统的识别速度是今后 43-52 研究的重点。 [12]KANG Wenxiong,CHEN Xiaopeng,WU Qiuxia.The 参考文献： biometric recognition on contactless multi-spectrum fin- ger images[J].Infrared physics and technology,2015,68: [1]WALUS M,BERNACKI K,KONOPACKI J.Impact of 19-27. NIR wavelength lighting in image acquisition on finger [13】王科俊，袁智.基于小波矩融合PCA变换的手指静脉 vein biometric system effectiveness[J].Opto-electronics 识别).模式识别与人工智能，2007,20(5：692-697. review,2017,25(4:263-268. WANG Kejun,YUAN Zhi.Finger vein recognition based [2]马慧，王科俊.采用旋转校正的指静脉图像感兴趣区域 on wavelet moment fused with PCA transform[J].Pattern 提取方法.智能系统学报，2012,7(3：230-234. recognition and artificial intelligence,2007,20(5): MA Hui,WANG Kejun.A region of interest extraction 692-697
LBPu2 (8,1) LBPu2 (8,1) 训练样本数为 5 时，识别率达到 96.75%；LBP+ 2DPCA 方法的识别率在 3 个、4 个、5 个训练样本 时分别为 95.75%、98.10% 与 96.75%，整体优于 + PCA 方法性能；而本文所提的 +B2DPCA 方法的最优识别率达到了 99.73%，性能十分优良。 1 2 3 4 5 训练样本个数 30 40 50 60 70 80 90 100 正确识别率/% LBPu2 LBPu2+PCA LBPu2+2DPCA LBPu2+B2DPCA 图 10 FV-USM 静脉库采用不同主成分分析的识别率 Fig. 10 Results obtained using the FV-USM image databases by employing different reduction methods 实验结果表明，本文提出的方法无论在图像 质量良好的天津静脉库还是存在部分图像质量较 差 的 FV-US M 静脉库的测试结果均达到 了 99% 以上，识别性能较好，具备一定的实用性。 5 结束语 本文融合旋转统一的 LBP 算子与 B2DPCA 技术对手指静脉图像进行有效的特征提取，改善 了在非接触式采集方式下的静脉图像存在的光照 不均因素导致识别率较低的问题。实验结果表 明，本文算法能大幅度提高识别率，特别是对于 对比度较差的 FV-USM 指静脉中的样本，相较于 单一的 LBP 特征提取算法，传统的经典降维算法 和 LBP 与经典降维组合特征提取算法，拥有较好 的识别性能。由于融合了局部纹理特征算子与 B2DPCA 技术，本文方法的识别时间比单独使用 降维识别方法要长，而处理速度是衡量识别系统 性能的一个重要指标，因此在保持识别系统性能 的前提下如何进一步提高系统的识别速度是今后 研究的重点。 参考文献： WALUŚ M, BERNACKI K, KONOPACKI J. Impact of NIR wavelength lighting in image acquisition on finger vein biometric system effectiveness[J]. Opto-electronics review, 2017, 25(4): 263–268. [1] 马慧, 王科俊. 采用旋转校正的指静脉图像感兴趣区域 提取方法[J]. 智能系统学报, 2012, 7(3): 230–234. MA Hui, WANG Kejun. A region of interest extraction [2] method using rotation rectified finger vein images[J]. CAAI transactions on intelligent systems, 2012, 7(3): 230–234. WU Zhendong, TIAN Longwei, LI Ping, et al. Generating stable biometric keys for flexible cloud computing authentication using finger vein[J]. Information sciences, 2018, 433-434: 431–447. [3] YANG Jinfeng, SHI Yihu, JIA Guimin. Finger-vein image matching based on adaptive curve transformation[J]. Pattern recognition, 2017, 66: 34–43. [4] QIU Shirong, LIU Yaqin, ZHOU Yujia, et al. Finger-vein recognition based on dual-sliding window localization and pseudo-elliptical transformer[J]. Expert systems with applications, 2016, 64: 618–632. [5] ROSDI B A, SHING C W, SUANDI S A. Finger vein recognition using local line binary pattern[J]. Sensors, 2011, 11(12): 11357–11371. [6] HUI Ma, OLUWATOYIN P, SHULI S. A finger vein recognition method using improved oriented filter and elastic registration[J]. Research journal of applied sciences, engineering and technology, 2013, 6(7): 1153–1159. [7] LEE E C, PARK K R. Restoration method of skin scattering blurred vein image for finger vein recognition[J]. Electronics letters, 2009, 45(21): 1074–1076. [8] 王贺. 基于特征融合的手背静脉识别算法研究[D]. 吉林: 吉林大学, 2017. WANG He. Research on dorsal hand vein recognition algorithm based on feature fusion[D]. Jilin: Jilin University, 2017. [9] 杨文文, 毛建旭, 陈姜嘉旭. 基于分块 LBP 和分块 PCA 的指静脉识别方法[J]. 电子测量与仪器学报, 2016, 30(7): 1000–1007. YANG Wenwen, MAO Jianxu, CHEN Jiangjiaxu. Finger vein recognition based on block LBP and block PCA[J]. Journal of electronic measurement and Instrumentation, 2016, 30(7): 1000–1007. [10] GUPTA P, GUPTA P. An accurate finger vein based verification system[J]. Digital signal processing, 2015, 38: 43–52. [11] KANG Wenxiong, CHEN Xiaopeng, WU Qiuxia. The biometric recognition on contactless multi-spectrum finger images[J]. Infrared physics and technology, 2015, 68: 19–27. [12] 王科俊, 袁智. 基于小波矩融合 PCA 变换的手指静脉 识别[J]. 模式识别与人工智能, 2007, 20(5): 692–697. WANG Kejun, YUAN Zhi. Finger vein recognition based on wavelet moment fused with PCA transform[J]. Pattern recognition and artificial intelligence, 2007, 20(5): 692–697. [13] 第 3 期 胡娜，等：融合 LBP 纹理特征与 B2DPCA 技术的手指静脉识别方法 ·539·
·540· 智能系统学报 第14卷 [l4]贾旭，薛定字，崔建江，等.基于Contourlet子带能量特 ectional two-dimensional PCA for efficient face repres- 征多HMM融合的静脉识别，电子与信息学报，2011， entation and recognition[J].Neurocomputing,2005, 33(8:1877-1882 69(1/2/3):224-231. JIA Xu,XUE Dingyu,CUI Jianjiang,et al.Vein recogni- [22]OJALA T,PIETIKAINEN M.MAENPAA T.Multiresol- tion based on fusing multi HMMs with contourlet sub- ution gray-scale and rotation invariant texture classifica- band energy observations[J].Journal of electronics and tion with local binary patterns[J].IEEE transactions on information technology,2011,33(8):1877-1882. pattern analysis and machine intelligence,2002,24(7): [15]WANG Jiangang,YAU W Y,SUWANDY A,et al.Per- 971-987. son recognition by fusing palmprint and palm vein im- [23]YANG Jian,ZHANG D,FRANGI A F,et al.Two-dimen- ages based on"Laplacianpalm"representation[J].Pattern sional PCA:a new approach to appearance-based face recognition,.2008,41(5)1514-1527. representation and recognition[J].IEEE transactions on [16]YAN Xuekui,KANG Wenxiong,DENG Feiqi,et al. pattern analysis and machine intelligence,2004,26(1): Palm vein recognition based on multi-sampling and fea- 131-137. ture-level fusion[J].Neurocomputing,2015,151(2): 798-807. 作者简介： [17]QIN Huafeng.HE Xiping,YAO Xingyan,et al.Finger- 胡娜，女，1991年生，硕土研究 生，主要研究方向为模式识别、生物特 vein verification based on the curvature in Radon space[J].Expert systems with applications,2017,82: 征识别。 151-161. [18]LI Peigin,XIE Jianbin,LIU Tong,et al.Finger vein re- cognition algorithm based on optimized GHT[J].Optik- international journal for light and electron optics,2014, 125(6):1780-1783 马慧，女，1982年生，副教授，博 士，主要研究方向为模式识别、生物特 [19]万源，李欢欢，吴克风，等.LBP和HOG的分层特征融 征识别。授权发明专利10余项。发 合的人脸识别).计算机辅助设计与图形学学报，2015， 表学术论文20余篇。 27(4):640-650. WAN Yuan,LI Huanhuan,WU Kefeng,et al.Fusion with Layered features of LBP and HOG for Face Recognition[J]. Journal of computer-aided design and computer graphics, 2015,27(4):640-650. 湛涛，男，1992年生，硕土研究 生，主要研究方向为模式识别、生物特 [20]ZHAO Guoying,AHONEN T,MATAS J,et al.Rotation- 征识别。 invariant image and video description with local binary pattern features[J].IEEE transactions on image pro- cessing,2012.21(4):1465-1477. [21]ZHANG Daogiang,ZHOU Zhihua.(2D)PCA:two-dir-
贾旭, 薛定宇, 崔建江, 等. 基于 Contourlet 子带能量特 征多 HMM 融合的静脉识别[J]. 电子与信息学报, 2011, 33(8): 1877–1882. JIA Xu, XUE Dingyu, CUI Jianjiang, et al. Vein recognition based on fusing multi HMMs with contourlet subband energy observations[J]. Journal of electronics and information technology, 2011, 33(8): 1877–1882. [14] WANG Jiangang, YAU W Y, SUWANDY A, et al. Person recognition by fusing palmprint and palm vein images based on “Laplacianpalm” representation[J]. Pattern recognition, 2008, 41(5): 1514–1527. [15] YAN Xuekui, KANG Wenxiong, DENG Feiqi, et al. Palm vein recognition based on multi-sampling and feature-level fusion[J]. Neurocomputing, 2015, 151(2): 798–807. [16] QIN Huafeng, HE Xiping, YAO Xingyan, et al. Fingervein verification based on the curvature in Radon space[J]. Expert systems with applications, 2017, 82: 151–161. [17] LI Peiqin, XIE Jianbin, LIU Tong, et al. Finger vein recognition algorithm based on optimized GHT[J]. Optikinternational journal for light and electron optics, 2014, 125(6): 1780–1783. [18] 万源, 李欢欢, 吴克风, 等. LBP 和 HOG 的分层特征融 合的人脸识别[J]. 计算机辅助设计与图形学学报, 2015, 27(4): 640–650. WAN Yuan, LI Huanhuan, WU Kefeng, et al. Fusion with Layered features of LBP and HOG for Face Recognition[J]. Journal of computer-aided design and computer graphics, 2015, 27(4): 640–650. [19] ZHAO Guoying, AHONEN T, MATAS J, et al. Rotationinvariant image and video description with local binary pattern features[J]. IEEE transactions on image processing, 2012, 21(4): 1465–1477. [20] ZHANG Daoqiang, ZHOU Zhihua. (2D)2 [21] PCA: two-directional two-dimensional PCA for efficient face representation and recognition[J]. Neurocomputing, 2005, 69(1/2/3): 224–231. OJALA T, PIETIKÄINEN M, MÄENPÄÄ T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE transactions on pattern analysis and machine intelligence, 2002, 24(7): 971–987. [22] YANG Jian, ZHANG D, FRANGI A F, et al. Two-dimensional PCA: a new approach to appearance-based face representation and recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2004, 26(1): 131–137. [23] 作者简介： 胡娜，女，1991 年生，硕士研究 生，主要研究方向为模式识别、生物特 征识别。 马慧，女，1982 年生，副教授，博 士，主要研究方向为模式识别、生物特 征识别。授权发明专利 10 余项。发 表学术论文 20 余篇。 湛涛，男，1992 年生，硕士研究 生，主要研究方向为模式识别、生物特 征识别。 ·540· 智 能 系 统 学 报 第 14 卷
