·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 FV￾USM 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 Lab￾oratory image databases by employing different re￾cognition 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 data￾bases 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 Lab￾oratory image databases by employing different re￾duction 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