·966 工程科学学报，第37卷，第7期 要是利用静脉血管的结构来进行身份识别.作为一种 图像预处理 近年新兴的红外采集生物识别技术，与指纹、人脸、虹 膜、笔迹、声纹、步态等生物特征识别方法一样，具有不 易丢失、不易复制、随身携带等诸多优点.同时手背静 提取局部宏观特征 提取微观特征 脉识别技术又具有其独特的优势：活体识别，确保了使 ↓ 用者的手背静脉特征很难被伪造：由于手背静脉血管 局部宏观特征直方图 微观待征的直方图 位于体表下，因而不易受到污染、划伤等外界因素的损 害：非接触式，减轻了用户因担心卫生情况而可能产生 的抗拒心理；由于手背静脉图像是使用近红外设备采 特征层融合 集的，因而相比普通的成像设备，对光照变化不敏感 因此，基于手背静脉识别技术具有非常广阔的应用前 分类器识别 景和市场潜力 图1基于局部宏观特征和微观特征结合的手背静脉身份识别 局部二值模式(local binary pattern,LBP)是一种 流程图 有效的纹理描述算子，最早由0jala等的于1996年提 Fig.1 Flow chart of hand-dorsa vein identification based on local 出，它是对灰度图像中的局部邻域的纹理信息进行度 macroscopic and microscopic characteristics 量和提取，方法简单有效，具有良好的灰度不变性.在 2002年，0jala等切通过引入一致性模式和旋转不变 列转化为十进制数值，同时作为新的中心像素值 令n为某邻域中心像素的灰度值，n,(i=0,1,, 性，进一步完善了LBP算子.经过十几年发展，LBP算 P-1)是P个邻域像素的灰度值.在某一灰度图像 子得到不断的改进和演化，出现了各种改进的LBP算 中，定义一个半径为R(R>0)的圆形邻域，P(P>0)个 子，被广泛地应用于纹理分割、纹理分类和人脸识别等 数字图像处理领域s-切.传统LBP提取的特征维数较 邻域像素均匀分布在圆周上.得到局部纹理特征LBP 值，用公式表示如下： 高，而且对于平滑区域不具有鲁棒性，因此Heikkila P-1 等提出了中心对称LBP,并将其应用于感兴趣区 LBP g=s(n;-n.)2',s(x)= 1，x≥0： (1) 10,x<0. 域，实验采用了尺度、旋转、视角、模糊、光照和PEG 如图2所示，用局部3×3区域计算得到的LBP特 压缩等六种不同条件的图像，由于CS-LBP计算特征 征，是八位二进制数，对图像所有像素进行处理之后， 时参考了SFT的网格划分方法，并结合了LBP提取的 整幅图像被转换为LBP特征图像.LBP算子正是通过 纹理信息，因而获得了更好的匹配准确率.考虑到 这种局部地考量像素点与其邻域关系的方式，实现对 LBP和CS-BP都是从微观的角度分析纹理特征，而忽 纹理特征的描述 视了较大的纹理结构特征，Liao等提出了基于MB- LBP的人脸识别方法，该方法计算图像各局部区域的 95 灰度平均值，以中心区域的平均值为阈值，得到MB- LBP编码. 8 95 111110 由以上分析可以看出，LBP和CS-LBP算子都过分 强调精细的纹理微观特征而忽视其局部的结构特征， 图2LBP算子 于此相反MB-LBP算子强调的是局部宏观特征.因 Fig.2 LBP operator 此，以上几种算子都有其明显不足。为了提取到更具 鲁棒性和鉴别性的手背静脉图像特征，本文提出一种 为了使LBP具有更强的鲁棒性和旋转不变性， MB-CSLBP算子，该方法是一种结合了局部宏观特征 Ojala等研究人员对LBP作了扩展和改进.如对编码 和微观特征的手背静脉身份识别方法，整个算法的流 11111000(十进制为248)进行移位可获得其他七种编 程如图1所示 码，将这八种编码合并，取得其中编码十进制值最大 的，这种合并二进制编码就是LBP的旋转不变性.一 1 现有的LBP算子 致性模式是指二进制编码中最多允许有两次01或 1.1LBP算子 1/0的转换，而将其余的大于两次转换的归为一类.对 LBP的基本原理是：将中心像素值与邻域像素值 于8邻域的LBP算子拥有256种编码，采用旋转不变 进行比较得到对邻域像素的二进制编码，如果邻域像 模式有36种编码，采用一致性模式有59种编码，而采 素值大于等于中心像素值则为1，反之为0，然后将得 用旋转不变性的一致性模式的LBP算子(LBP)仅有 出的二进制数按顺时针串起来，为方便计算，可将此序 10种，具有更强的鲁棒性和旋转不变性，也降低了特工程科学学报，第 37 卷，第 7 期 要是利用静脉血管的结构来进行身份识别． 作为一种 近年新兴的红外采集生物识别技术，与指纹、人脸、虹 膜、笔迹、声纹、步态等生物特征识别方法一样，具有不 易丢失、不易复制、随身携带等诸多优点． 同时手背静 脉识别技术又具有其独特的优势: 活体识别，确保了使 用者的手背静脉特征很难被伪造; 由于手背静脉血管 位于体表下，因而不易受到污染、划伤等外界因素的损 害; 非接触式，减轻了用户因担心卫生情况而可能产生 的抗拒心理; 由于手背静脉图像是使用近红外设备采 集的，因而相比普通的成像设备，对光照变化不敏感． 因此，基于手背静脉识别技术具有非常广阔的应用前 景和市场潜力． 局部二值模式( local binary pattern，LBP) 是一种 有效的纹理描述算子，最早由 Ojala 等［6］于 1996 年提 出，它是对灰度图像中的局部邻域的纹理信息进行度 量和提取，方法简单有效，具有良好的灰度不变性． 在 2002 年，Ojala 等［7］通过引入一致性模式和旋转不变 性，进一步完善了 LBP 算子． 经过十几年发展，LBP 算 子得到不断的改进和演化，出现了各种改进的 LBP 算 子，被广泛地应用于纹理分割、纹理分类和人脸识别等 数字图像处理领域［8--13］． 传统 LBP 提取的特征维数较 高，而且对于平滑区域不具有鲁棒性，因 此 Heikkil 等［14］提出了中心对称 LBP，并将其应用于感兴趣区 域，实验采用了尺度、旋转、视角、模糊、光照和 JPEG 压缩等六种不同条件的图像，由于 CS-LBP 计算特征 时参考了 SIFT 的网格划分方法，并结合了 LBP 提取的 纹理信息，因而获得了更好的匹配准确率． 考 虑 到 LBP 和 CS-LBP 都是从微观的角度分析纹理特征，而忽 视了较大的纹理结构特征，Liao 等［15］提出了基于 MB￾LBP 的人脸识别方法，该方法计算图像各局部区域的 灰度平均值，以中心区域的平均值为阈值，得到 MB￾LBP 编码． 由以上分析可以看出，LBP 和 CS-LBP 算子都过分 强调精细的纹理微观特征而忽视其局部的结构特征， 于此相反 MB-LBP 算子强调的是局部宏观特征． 因 此，以上几种算子都有其明显不足． 为了提取到更具 鲁棒性和鉴别性的手背静脉图像特征，本文提出一种 MB-CSLBP 算子，该方法是一种结合了局部宏观特征 和微观特征的手背静脉身份识别方法，整个算法的流 程如图 1 所示． 1 现有的 LBP 算子 1. 1 LBP 算子 LBP 的基本原理是: 将中心像素值与邻域像素值 进行比较得到对邻域像素的二进制编码，如果邻域像 素值大于等于中心像素值则为 1，反之为 0，然后将得 出的二进制数按顺时针串起来，为方便计算，可将此序 图 1 基于局部宏观特征和微观特征结合的手背静脉身份识别 流程图 Fig． 1 Flow chart of hand-dorsa vein identification based on local macroscopic and microscopic characteristics 列转化为十进制数值，同时作为新的中心像素值． 令 nc为某邻域中心像素的灰度值，ni ( i = 0，1，…， P － 1) 是 P 个邻域像素的灰度值． 在某一灰度图像 中，定义一个半径为 Ｒ( Ｒ ＞ 0) 的圆形邻域，P( P ＞ 0) 个 邻域像素均匀分布在圆周上． 得到局部纹理特征 LBP 值，用公式表示如下: LBPP，Ｒ = ∑ P －1 i = 0 s( ni － nc ) 2i ，s( x) = 1， x≥0; {0， x ＜ 0． ( 1) 如图 2 所示，用局部 3 × 3 区域计算得到的 LBP 特 征，是八位二进制数，对图像所有像素进行处理之后， 整幅图像被转换为 LBP 特征图像． LBP 算子正是通过 这种局部地考量像素点与其邻域关系的方式，实现对 纹理特征的描述． 图 2 LBP 算子 Fig． 2 LBP operator 为了使 LBP 具有更强的鲁棒性和旋转不变性， Ojala 等研究人员对 LBP 作了扩展和改进． 如对编码 11111000 ( 十进制为 248) 进行移位可获得其他七种编 码，将这八种编码合并，取得其中编码十进制值最大 的，这种合并二进制编码就是 LBP 的旋转不变性． 一 致性模式是指二进制编码中最多允许有两次 0 /1 或 1 /0 的转换，而将其余的大于两次转换的归为一类． 对 于 8 邻域的 LBP 算子拥有 256 种编码，采用旋转不变 模式有 36 种编码，采用一致性模式有 59 种编码，而采 用旋转不变性的一致性模式的 LBP 算子( LBPriu2 ) 仅有 10 种，具有更强的鲁棒性和旋转不变性，也降低了特 · 669 ·