王一丁等：基于局部宏观特征和微观特征结合的手背静脉身份识别 ·969* 样本，剩余的5幅作为测试样本.选择手背正中央提 表1原始数据库上不同方法的识别率 取稳定的矩形区域，分辨率是381×381，作为后续特 Table 1 Recognition rates with different approaches on original database 征提取的有效区域.在识别过程中，提取测试样本的 识别率/% 方法 直方图与训练样本的直方图进行比对，采用最近邻分 未分块 8×8分块 类方法. LBP 43.93 87.12 为了充分说明本文方法的鲁棒性，在实验设计时， LBpru2 19.28 80.91 我们不仅对原始图像进行了特征提取和识别，还对加 CS-BP 46.83 94.02 MB-BP9 77.37 94.54 入噪声和旋转等干扰处理之后的图像进行特征提取和 MB-CSLBP 75.77 98.21 识别；此外，为了说明本文方法的优越性，在各组实验 中，我们均对比了本文提出的MB-CSLBP和其他已有 表2图像相关系数低时不同方法的识别率 的LBP方法的识别效果.MB-LBP和MB-CSLBP都采 Table 2 Recognition rates with different approaches when the image 用尺度为9的实验，其他的算子都采用像素3×3邻域 correlation is low 作为采样点 方法 识别率1% 第1组实验，不对手背静脉图像进行分块操作，直 LBP 58.82 接对整幅图像提取特征并用于识别，由于图像各区域 LBP2 48.04 CS-BP 的局部特征差异往往比较大，因此直接对整幅图像提 66.67 取特征会导致局部差异信息的丢失. MB-BP 74.51 MB-CSLBP 84.31 第2组实验，首先对手背静脉图像进行分块，把图 像等分成N小块，再对每一小块区域提取特征，最终 第4组实验，从每一类图像中选取5幅并引入均 把所有子块的特征按顺序串接起来，作为总特征.考 值为0，方差为0.0001的高斯噪声 虑到对计算的复杂性和识别率的影响，经多次试验分 第5组实验，从每一类图像中选取5幅并进行球 析，最终分成8×8块，即手背静脉图像分成64小块， 面化扭曲处理，使图像发生扭曲. 如图7. 第6组实验，从每一类图像中选取5幅并进行5° 的旋转处理 以上三组实验均随机选取每一类手背图像中的5 幅作为训练样本，剩余的5幅作为测试样本.各组实 验识别率如表3、表4和表5所示 表3图像引入高斯噪声时不同方法的识别率 Table 3 Recognition rates with different approaches when Gaussiar noise is introduced in the image 方法 识别率/% 图7手背静脉图像分成64小块 LBP 82.18 Fig.7 Divide hand-dorsa vein image into 64 sub-regions LBPr2 61.45 CS-BP 89.02 如表1所示，第1组实验中，识别率较低.这是因 MB-BP 89.69 为在没有进行分块时，得到的特征维数低，对于生物特 MB-CSLBP 96.83 征识别显然是不充足的.图像进行分块之后的识别率 有了较大的提高.原因是图像分块后，可以将特征信 表4图像扭曲处理时不同方法的识别率 息分割开，保持局部区域所特有的特征信息，同时也解 Table 4 Recognition rates with different approaches when the image is warped 决特征维数的问题，有助于大大提高识别效果 为了进一步验证MB-CSLBP算子鲁棒性，又进行 方法 识别率/% 多组实验对比 LBP 80.52 第3组实验，从手背静脉数据库中每一类图像选 LBPi 73.75 取一幅作为训练样本，在剩下的9幅中选取出相关系 CS-BP 88.76 数最低的5幅图像作为测试样本.对于该组实验，各 MB-LBP 90.20 LBP算子的识别率如表2所示. MB-CSLBP 94.58王一丁等: 基于局部宏观特征和微观特征结合的手背静脉身份识别 样本，剩余的 5 幅作为测试样本． 选择手背正中央提 取稳定的矩形区域，分辨率是 381 × 381，作为后续特 征提取的有效区域． 在识别过程中，提取测试样本的 直方图与训练样本的直方图进行比对，采用最近邻分 类方法． 为了充分说明本文方法的鲁棒性，在实验设计时， 我们不仅对原始图像进行了特征提取和识别，还对加 入噪声和旋转等干扰处理之后的图像进行特征提取和 识别; 此外，为了说明本文方法的优越性，在各组实验 中，我们均对比了本文提出的 MB-CSLBP 和其他已有 的 LBP 方法的识别效果． MB-LBP 和 MB-CSLBP 都采 用尺度为 9 的实验，其他的算子都采用像素 3 × 3 邻域 作为采样点． 第 1 组实验，不对手背静脉图像进行分块操作，直 接对整幅图像提取特征并用于识别，由于图像各区域 的局部特征差异往往比较大，因此直接对整幅图像提 取特征会导致局部差异信息的丢失． 第 2 组实验，首先对手背静脉图像进行分块，把图 像等分成 N 小块，再对每一小块区域提取特征，最终 把所有子块的特征按顺序串接起来，作为总特征． 考 虑到对计算的复杂性和识别率的影响，经多次试验分 析，最终分成 8 × 8 块，即手背静脉图像分成 64 小块， 如图 7． 图 7 手背静脉图像分成 64 小块 Fig． 7 Divide hand-dorsa vein image into 64 sub-regions 如表 1 所示，第 1 组实验中，识别率较低． 这是因 为在没有进行分块时，得到的特征维数低，对于生物特 征识别显然是不充足的． 图像进行分块之后的识别率 有了较大的提高． 原因是图像分块后，可以将特征信 息分割开，保持局部区域所特有的特征信息，同时也解 决特征维数的问题，有助于大大提高识别效果． 为了进一步验证 MB-CSLBP 算子鲁棒性，又进行 多组实验对比． 第 3 组实验，从手背静脉数据库中每一类图像选 取一幅作为训练样本，在剩下的 9 幅中选取出相关系 数最低的 5 幅图像作为测试样本． 对于该组实验，各 LBP 算子的识别率如表 2 所示． 表 1 原始数据库上不同方法的识别率 Table 1 Ｒecognition rates with different approaches on original database 方法 识别率/% 未分块 8 × 8 分块 LBP 43. 93 87. 12 LBPriu2 19. 28 80. 91 CS-LBP 46. 83 94. 02 MB-LBP9 77. 37 94. 54 MB-CSLBP9 75. 77 98. 21 表 2 图像相关系数低时不同方法的识别率 Table 2 Ｒecognition rates with different approaches when the image correlation is low 方法 识别率/% LBP 58. 82 LBPriu2 48. 04 CS-LBP 66. 67 MB-LBP9 74. 51 MB-CSLBP9 84. 31 第 4 组实验，从每一类图像中选取 5 幅并引入均 值为 0，方差为 0. 0001 的高斯噪声． 第 5 组实验，从每一类图像中选取 5 幅并进行球 面化扭曲处理，使图像发生扭曲． 第 6 组实验，从每一类图像中选取 5 幅并进行 5° 的旋转处理． 以上三组实验均随机选取每一类手背图像中的 5 幅作为训练样本，剩余的 5 幅作为测试样本． 各组实 验识别率如表 3、表 4 和表 5 所示． 表 3 图像引入高斯噪声时不同方法的识别率 Table 3 Ｒecognition rates with different approaches when Gaussian noise is introduced in the image 方法 识别率/% LBP 82. 18 LBPriu2 61. 45 CS-LBP 89. 02 MB-LBP9 89. 69 MB-CSLBP9 96. 83 表 4 图像扭曲处理时不同方法的识别率 Table 4 Ｒecognition rates with different approaches when the image is warped 方法 识别率/% LBP 80. 52 LBPriu2 73. 75 CS-LBP 88. 76 MB-LBP9 90. 20 MB-CSLBP9 94. 58 · 969 ·