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 Lab￾oratory 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·