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·