·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 prin￾cipal 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