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 967 征维数. 对大尺度宏观结构的描述能力不足 LBP算子的映射过程比较简单，它提取的是固定 局部3×3区域 LBP= CS-LBP= 范围的纹理信息，且直接在灰度图像上进行特征的提 sn。-2+ sn。-n)2+ 取，通过比较中心像素和邻域像素的灰度值来实现二 n,-)21+ n,-n2+ s-n)2+ m-n)22+ 值化，因而尽管LBP算子已经表现出了一定的理论和 s(n,-n)2+ s(n,-n )2 实际应用价值，然而它仍具有一定的不足，即该算子只 n,-2+ n、-n)2+ 能描述小范围的图像信息，不能够很好地反应图像局 sn。-n)2+ 部信息，易受噪声影响，具有不稳定性， n,-n2 1.2 CS-LBP算子 图3LBP与CS-BP算子 CS-LBP采用了中心对称思想对图像进行编码，仅 Fig.3 LBP and CS-LBP operators 关心中心对称的邻域点，即比较邻域内以中心像素值 1.3 B-LBP算子 为中心对称的像素值对，大于等于则为1，反之为0. 考虑到原始LBP缺乏对图像局部的描述能力，研 然后，按顺序得到一个二进制串，并转换为十进制数作 究者们提出将LBP算子中一个像素的应用扩展到包 为该中心像素值的编码值.图像中任意一点（标记为 含多个像素的矩形区域，形成了MB-LBP.MB-LBP计 nm),将其邻域内的点标记为n(i=0,1,…,7),是以n。 算的是分块区域的平均值，而非单个像素的值，传统 为圆心、R为半径的圆上的8个相互等距的点 LBP算子像素之间的比较被像素块之间的平均灰度之 CS-BP计算方法如下： 间的比较所代替，即用到了局部宏观结构特征，这样得 x≥0： CS-LBPp.R= s(n,-n.)2,s(x)= 1， 到了更全面的图像信息.这种方式使得MB-BP比 0, x<0. LBP具有了更强的鲁棒性，因而对图像的识别效果也 (2) 会更好 对于局部3×3的区域，LBP特征维数为256(2)， MB-LBP用s表示MB-LBP的尺度.MB-LBP如 CS-BP的特征维数只有16(2)，是LBP特征维数的 图4所示，表示为以某像素为中心的9×9区域，该区 1/8,如图3所示.CS-LBP特征维数比LBP小很多，使 域等分成3×3的9个大方块，每个大方块计算图像灰 得算法处理速度得到明显提高，同时由于对称性使得 度的平均值后，得到一个新的3×3区域，再根据LBP CS-LBP相比LBP具有更强的抗噪能力，然而CS-BP 的方法最终得到MB-BP特征编码. 929394959596969898 1 9294 9596969697 98 9192939595959595 97 92 95 97 8990909192949596 97 888889899188 95966 88 91 95 →11111000 868788909192939495 858687899192949595 85 90 94 848486889091939594 828384878991929494 图4 MB-BP Fig.4 MB-BP MB-BP特征比较的是块之间的大小关系，因此 区域等分为9个大块，各块求均值后，形成3×3的像 具有大尺度结构的描述能力.且由于比较的指标是块 素块是该像素局部区域的一个缩影，从左上角像素开 内的像素的平均值，因此对噪声的敏感较小.但是， 始，顺时针方向前4个像素与其中心对称的像素比较， MB-LBP特征维数较高，且由于采用计算分块区域平 大于等于则置1，反之则置0，从而形成一个4维的二 均值的方法使得过程复杂且计算量大 进制向量，这就是该像素周围局部宏观区域的一个描 2 B-CSLBP算子 述，用MB-CSLBP表示，s表示局部宏观的尺度.接 着提取该中心像素的3×3邻域，依然采用中心对称进 在以上分析的基础上，针对原始LBP维数过高及 行编码，得到该像素周围微观区域的一个描述，即 CS-LBP和MB-LBP无法兼顾局部宏观和微观信息等 CS-LBP.最后把MB-CSLBP和CS-BP进行特征层 不足的问题，本文提出MB-CSLBP算子. 融合得到总体特征的描述，即MB-CSLBP.如图5所示 MB-CSLBP的基本原理：将某像素为中心的局部 是尺度取I5时，由MB-CSLBP5和CS-LBP融合得到王一丁等: 基于局部宏观特征和微观特征结合的手背静脉身份识别 征维数． LBP 算子的映射过程比较简单，它提取的是固定 范围的纹理信息，且直接在灰度图像上进行特征的提 取，通过比较中心像素和邻域像素的灰度值来实现二 值化，因而尽管 LBP 算子已经表现出了一定的理论和 实际应用价值，然而它仍具有一定的不足，即该算子只 能描述小范围的图像信息，不能够很好地反应图像局 部信息，易受噪声影响，具有不稳定性． 1. 2 CS-LBP 算子 CS-LBP 采用了中心对称思想对图像进行编码，仅 关心中心对称的邻域点，即比较邻域内以中心像素值 为中心对称的像素值对，大于等于则为 1，反之为 0． 然后，按顺序得到一个二进制串，并转换为十进制数作 为该中心像素值的编码值． 图像中任意一点( 标记为 nc ) ，将其邻域内的点标记为 ni ( i = 0，1，…，7) ，是以 nc 为圆 心、Ｒ 为 半 径 的 圆 上 的 8 个 相 互 等 距 的 点． CS-LBP计算方法如下: CS-LBPP，Ｒ = ∑ P 2 －1 i = 0 s n( i － ni + P ) 2 2i ，s( x) = 1， x≥0; {0， x ＜ 0． ( 2) 对于局部3 × 3 的区域，LBP 特征维数为256( 28 ) ， CS-LBP 的特征维数只有 16( 24 ) ，是 LBP 特征维数的 1 /8，如图 3 所示． CS-LBP 特征维数比 LBP 小很多，使 得算法处理速度得到明显提高，同时由于对称性使得 CS-LBP 相比 LBP 具有更强的抗噪能力，然而 CS-LBP 对大尺度宏观结构的描述能力不足． 图 3 LBP 与 CS-LBP 算子 Fig． 3 LBP and CS-LBP operators 1. 3 MB-LBP 算子 考虑到原始 LBP 缺乏对图像局部的描述能力，研 究者们提出将 LBP 算子中一个像素的应用扩展到包 含多个像素的矩形区域，形成了 MB-LBP． MB-LBP 计 算的是分块区域的平均值，而非单个像素的值，传统 LBP 算子像素之间的比较被像素块之间的平均灰度之 间的比较所代替，即用到了局部宏观结构特征，这样得 到了更全面的图像信息． 这种方式使得 MB-LBP 比 LBP 具有了更强的鲁棒性，因而对图像的识别效果也 会更好． MB-LBPs 用 s 表示 MB-LBP 的 尺 度． MB-LBP9 如 图 4 所示，表示为以某像素为中心的 9 × 9 区域，该区 域等分成 3 × 3 的 9 个大方块，每个大方块计算图像灰 度的平均值后，得到一个新的 3 × 3 区域，再根据 LBP 的方法最终得到 MB-LBP 特征编码． 图 4 MB-LBP9 Fig． 4 MB-LBP9 MB-LBP 特征比较的是块之间的大小关系，因此 具有大尺度结构的描述能力． 且由于比较的指标是块 内的像素的平均值，因此对噪声的敏感较小． 但是， MB-LBP 特征维数较高，且由于采用计算分块区域平 均值的方法使得过程复杂且计算量大． 2 MB-CSLBP 算子 在以上分析的基础上，针对原始 LBP 维数过高及 CS-LBP 和 MB-LBP 无法兼顾局部宏观和微观信息等 不足的问题，本文提出 MB-CSLBP 算子． MB-CSLBP 的基本原理: 将某像素为中心的局部 区域等分为 9 个大块，各块求均值后，形成 3 × 3 的像 素块是该像素局部区域的一个缩影，从左上角像素开 始，顺时针方向前 4 个像素与其中心对称的像素比较， 大于等于则置 1，反之则置 0，从而形成一个 4 维的二 进制向量，这就是该像素周围局部宏观区域的一个描 述，用 MB-CSLBPs macro表示，s 表示局部宏观的尺度． 接 着提取该中心像素的 3 × 3 邻域，依然采用中心对称进 行编码，得 到 该 像 素 周 围 微 观 区 域 的 一 个 描 述，即 CS-LBP． 最后把 MB-CSLBPs macro 和 CS-LBP 进行特征层 融合得到总体特征的描述，即 MB-CSLBP． 如图 5 所示 是尺度取 15 时，由 MB-CSLBP15 macro和 CS-LBP 融合得到 · 769 ·