基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識(shí)別

王一丁，黃守艷

(北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京 100144)

基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識(shí)別

王一丁，黃守艷

(北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京 100144)

針對(duì)多源異質(zhì)的手背靜脈異質(zhì)圖像的識(shí)別研究，提出了基于LBP和多層次結(jié)構(gòu)的識(shí)別算法；首先對(duì)圖像做適當(dāng)?shù)念A(yù)處理，然后將LBP特征提取算法編碼的手背靜脈紋理特征圖像作為多層次結(jié)構(gòu)的輸入，通過(guò)多層次結(jié)構(gòu)的逐層由具體到抽象的特征提取，得到的特征具有更大的魯棒性；最后該算法在多源異質(zhì)的手背靜脈圖像庫(kù)得到的識(shí)別率比傳統(tǒng)的算法識(shí)別率高，達(dá)到96.57%；進(jìn)一步表明該算法能夠較好地解決由于多源異質(zhì)問(wèn)題對(duì)手背靜脈識(shí)別所造成的識(shí)別率低的影響。

多源異質(zhì)；手背靜脈；LBP；視覺(jué)信息處理；多層次結(jié)構(gòu)；身份識(shí)別

0 引言

隨著科技的不斷進(jìn)步和發(fā)展，信息安全顯得日益重要，身份認(rèn)證是保證信息安全的重要手段之一。但傳統(tǒng)的身份認(rèn)證技術(shù)已不能保障日益增長(zhǎng)的信息安全需求，如依靠ID卡，鑰匙和密碼等傳統(tǒng)的身份認(rèn)證[1-3]手段存在隨身攜帶不便、易丟失、易被損壞、易被破解、易被假冒等諸多缺點(diǎn)。由此可見(jiàn)傳統(tǒng)身份認(rèn)證存在很大弊端，亟需一種新穎的身份認(rèn)證技術(shù)來(lái)解決這些問(wèn)題，于是，生物特征識(shí)別技術(shù)應(yīng)用而生。生物特征識(shí)別技術(shù)不是依據(jù)傳統(tǒng)的標(biāo)識(shí)物品或標(biāo)識(shí)知識(shí)來(lái)識(shí)別身份，而是通過(guò)計(jì)算機(jī)將人類自身所固有的特性提取進(jìn)行處理來(lái)進(jìn)行身份識(shí)別的技術(shù)。生物特征是與生俱來(lái)的，大多是先天形成的，如人臉、虹膜、指紋、手背靜脈、手指靜脈[4-7]等。

手背靜脈的生理結(jié)構(gòu)決定它具有的以下幾個(gè)優(yōu)點(diǎn)：(1)P非接觸式(2)靜脈血管位于體表內(nèi)部，不易受到污染，磨損和劃傷(3)活體特性難以偽造(4)靜脈的生理結(jié)構(gòu)決定，它具有普遍性和唯一性[4]。因?yàn)榫哂羞@些優(yōu)勢(shì)雖然手背靜脈的研究時(shí)間不長(zhǎng)，但已取得很大的成就如在考勤，監(jiān)控，門禁等領(lǐng)域得到應(yīng)用[8]。隨著應(yīng)用領(lǐng)域的不斷增加對(duì)手背靜脈識(shí)別系統(tǒng)的識(shí)別性能要求越來(lái)越高。特別是對(duì)于在分布式手背靜脈識(shí)別系統(tǒng)中，由于時(shí)間和設(shè)備的不同采集的手背靜脈圖像必然會(huì)存在很大差異，這種質(zhì)量上的差異就是靜脈圖像的多源異質(zhì)問(wèn)題。然而，造成手背靜脈圖像異質(zhì)的原因主要有：采集圖像的設(shè)備不同，造成采集的圖像分辨率，退化程度不同；采集圖像時(shí)場(chǎng)景的不同，造成同一個(gè)體在同一設(shè)備上采集的圖像由于外界的氣流、光照、背景等不同產(chǎn)生異質(zhì)；采集個(gè)體的狀態(tài)不同，造成采集的圖像狀態(tài)與數(shù)據(jù)庫(kù)中的狀態(tài)不同；采集圖像只有局部特征，造成與注冊(cè)時(shí)的圖像存在不同。因此，怎樣處理這些不同原因?qū)е碌亩嘣串愘|(zhì)圖像對(duì)手背靜脈識(shí)別算法提出了挑戰(zhàn)，即用怎樣的識(shí)別算法能對(duì)異質(zhì)圖像進(jìn)行準(zhǔn)確的識(shí)別。

現(xiàn)在還沒(méi)有特別有效的魯棒識(shí)別算法能對(duì)各種異質(zhì)源的圖像進(jìn)行準(zhǔn)確的識(shí)別。傳統(tǒng)意義上就是通過(guò)控制異質(zhì)源和改進(jìn)算法相結(jié)合的形式對(duì)異質(zhì)圖像進(jìn)行識(shí)別，控制異質(zhì)源的方法即：對(duì)采集設(shè)備的自身參數(shù)進(jìn)行統(tǒng)一標(biāo)定，并對(duì)采集時(shí)的周圍環(huán)境、采集人員姿勢(shì)加以限制，盡量保持采集圖像的一致性；改進(jìn)算法即：利用圖像識(shí)別方法在圖像層方面對(duì)圖像進(jìn)行處理和基于機(jī)器學(xué)習(xí)和視覺(jué)感知系統(tǒng)的識(shí)別方法。其中，基于圖像層方面的識(shí)別方法主要是對(duì)圖像質(zhì)量進(jìn)行提高，消除外部因素導(dǎo)致的圖像差異。基于機(jī)器學(xué)習(xí)和視覺(jué)感知方面的識(shí)別算法主要是對(duì)圖像進(jìn)行學(xué)習(xí)，找到圖像魯棒的特征。如手背靜脈圖像增強(qiáng)和分割方法[9]；基于模糊熵的自適應(yīng)圖像多層次模糊增強(qiáng)算法[10]；基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)[11]；基于人腦視覺(jué)感知機(jī)理的分類與識(shí)別研究[12]等。在特征提取方面，對(duì)具有可分辨性和可重復(fù)的局部特征進(jìn)行提取的算法有SIFT, LBP(Local Binary Pattern，局部二值模式)和通過(guò)對(duì)圖像的大量訓(xùn)練得到完備視覺(jué)字典然后將圖像的局部特征映射為全局稀疏表示的方法。如，基于稀疏表示的圖像識(shí)別[13]；基于稀疏編碼的人臉圖像識(shí)別方法研究[14]。但上述的圖像識(shí)別主要在人臉和虹膜上，如，基于深度學(xué)習(xí)的多形態(tài)人臉識(shí)別[15]；異質(zhì)虹膜圖像的魯棒識(shí)別[16]。對(duì)異質(zhì)手背靜脈圖像識(shí)別問(wèn)題的研究資料很少。本文就基于LBP和多層次結(jié)構(gòu)的識(shí)別算法對(duì)多源異質(zhì)的手背靜脈圖像識(shí)別問(wèn)題進(jìn)行研究。

1 采集設(shè)備與異質(zhì)手背靜脈圖像

本手背靜脈識(shí)別主要是為了獲取人體手背靜脈血管的紋理信息，然而在可見(jiàn)光照射下，由于手背靜脈分布在皮下脂肪之下且皮膚組織的反射能力較強(qiáng)，傳統(tǒng)的攝像頭很難采集到清晰的手背靜脈圖像，因此本文使用近紅外成像原理采集圖像。利用近紅外光源主動(dòng)發(fā)射波長(zhǎng)為850 nm 的紅外光波，用帶有紅外濾光片的CCD (charged couple device) 攝像機(jī)進(jìn)行手背靜脈采集。850 nm的紅外光波可以較好地穿透皮膚，使得靜脈里的血液比周圍組織吸收更多的紅外光，血液流經(jīng)處顏色較深，從而呈現(xiàn)出靜脈結(jié)構(gòu)[8]。本文用到的異質(zhì)手背靜脈圖像庫(kù)是通過(guò)具有3個(gè)不同參數(shù)的攝像頭對(duì)同一批人進(jìn)行采集得到的。采集設(shè)備如圖1所示，3個(gè)設(shè)備采集的異質(zhì)手背靜脈圖像如圖2所示。

由于三臺(tái)設(shè)備的攝像頭自身的各種參數(shù)，采集時(shí)攝像頭的焦距以及采集時(shí)的光照強(qiáng)度均不相同，因此即使是同一個(gè)采集者，在三臺(tái)設(shè)備的攝像頭下采集的手背靜脈圖像也存在很大差異。由圖2可以看出二號(hào)設(shè)備的攝像頭采集的手背區(qū)域比一號(hào)和三號(hào)設(shè)備采集的手背區(qū)域要小，故包含的靜脈區(qū)域也較小；同時(shí)，三臺(tái)設(shè)備采集的圖像之間的灰度強(qiáng)度也各不相同；此外，二號(hào)和三號(hào)設(shè)備采集的圖像還存在手柄帶來(lái)的干擾。同一臺(tái)設(shè)備對(duì)同一個(gè)采集者進(jìn)行采集也會(huì)由于采集者的姿勢(shì)以及手放的角度不同導(dǎo)致采集的圖像產(chǎn)生一定的平移，旋轉(zhuǎn)和尺度上的變化。而且，現(xiàn)實(shí)中一般不能實(shí)現(xiàn)兩個(gè)攝像頭的各個(gè)參數(shù)完全一樣，因此對(duì)多源異質(zhì)圖像的分析識(shí)別顯得格外重要。

圖2 異質(zhì)手背靜脈圖像

2 LBP和多層次結(jié)構(gòu)的基本理論介紹

2.1 LBP算子

紋理對(duì)于視覺(jué)系統(tǒng)而言是一種重要的視覺(jué)特征，它與物體的表面材質(zhì)有關(guān)，是由圖像灰度在空間位置上變化形成的，表征著多個(gè)像素間的分布變化與規(guī)律，而且能夠很好的反映同類圖像的共性特點(diǎn)，特別是對(duì)于手背靜脈這種有著明顯紋理特征的圖像。典型的紋理特征描述方法就包括局部二值化模式(local binary pattern，LBP)。LBP最早是由T.Ojala于1996年提出[17]的，是一種用來(lái)描述圖像局部紋理特征的算子；它提取特征不需要對(duì)圖像進(jìn)行細(xì)化且提取的紋理特征具有旋轉(zhuǎn)不變性和灰度不變性，計(jì)算簡(jiǎn)單等顯著的優(yōu)點(diǎn)。并且它已經(jīng)在人臉識(shí)別，紋理分類和圖像分析等領(lǐng)域得到應(yīng)用。本文中將歸一化LBP編碼的手背靜脈紋理特征圖像作為層次結(jié)構(gòu)的輸入，如果以原始的手背靜脈圖像作為層次結(jié)構(gòu)的輸入，該結(jié)構(gòu)能學(xué)習(xí)到手背靜脈圖像中隱含的抽象特征，然而由于輸入是整體形式就沒(méi)法學(xué)習(xí)到手背靜脈圖像的局部結(jié)構(gòu)特征，但是，如果將歸一化LBP編碼的手背靜脈紋理特征圖像作為層次結(jié)構(gòu)的輸入，就可以使層次結(jié)構(gòu)能有效的學(xué)習(xí)手背靜脈圖像的局部特征，且歸一化LBP編碼的手背靜脈紋理特征圖像對(duì)光照和微小平移具有較好的魯棒性。

一幅二維的手背靜脈圖像gM×N(x,y)的局部紋理特征可以通過(guò)將圖像中的每個(gè)像素點(diǎn)和其鄰域內(nèi)的像素依次進(jìn)行比較得到。標(biāo)準(zhǔn)LBP算子的計(jì)算方法如式(1)所示。

(1)

(2)

其中:由式(2)可以看出歸一化LBP算子的紋理模式的種類有P(P-1)+3 種比標(biāo)準(zhǔn)LBP算子的紋理模式種類少很多。歸一化LBP算子的紋理模式往往反映的是那些重要信息的模式，而標(biāo)準(zhǔn)LBP算子的紋理模式的過(guò)多轉(zhuǎn)變往往是由噪聲引起的，不具有良好的統(tǒng)計(jì)意義。因此，采用歸一化LBP算子編碼的紋理特征圖像能減少高頻噪聲帶來(lái)的不利干擾。圖3表示不同LBP算子編碼結(jié)果，其中圖3(a)為原始圖像，圖3(b)為標(biāo)準(zhǔn)LBP編碼的圖像，圖3(c)為歸一化LBP編碼的圖像。可以看出在具有相同鄰域和半徑的情況下，和標(biāo)準(zhǔn)LBP編碼的特征圖像相比，歸一化LBP編碼的特征圖像將原始圖像的紋理表現(xiàn)得更加清晰突出。

圖3 不同LBP算子編碼圖

2.2 多層次結(jié)構(gòu)的特征提取

隨著神經(jīng)生理學(xué)和解剖學(xué)的逐步發(fā)展，人類對(duì)大腦的視覺(jué)感知系統(tǒng)的理解逐步深入，無(wú)論是在初級(jí)視覺(jué)皮層還是高級(jí)視覺(jué)區(qū)域，科學(xué)家們都取得了許多重要的研究成果。人類大腦的視覺(jué)皮層處理信息時(shí)是采用逐層傳輸和表達(dá)的方式，首先利用某些神經(jīng)元組織去探測(cè)物體邊界、元形狀，然后又利用其他的神經(jīng)元組織，逐步向上處理形成更復(fù)雜的視覺(jué)形狀；即視覺(jué)信息是按照由簡(jiǎn)單細(xì)胞到復(fù)雜細(xì)胞再到超級(jí)復(fù)雜細(xì)胞這樣的順序進(jìn)行加工處理的。早期，Poggio和Riesenhuber根據(jù)大腦視覺(jué)皮層腹側(cè)視覺(jué)通路對(duì)視覺(jué)信息進(jìn)行處理的工作原理，提出了模擬腹側(cè)通路視覺(jué)信息處理過(guò)程最初的模型[18]。該模型由簡(jiǎn)單細(xì)胞層和復(fù)雜細(xì)胞層交替構(gòu)成，試圖用一種簡(jiǎn)單的易于理解的計(jì)算過(guò)程來(lái)詮釋認(rèn)知過(guò)程。之后沿著視覺(jué)感知機(jī)理啟發(fā)的道路，最初的模型中的部分思想被接納，并經(jīng)過(guò)進(jìn)一步的演變變?yōu)镠MAX模型[19]。該HMAX模型由下到下分為五個(gè)層次，分別為S1,C1,S2,C2和VTU。S1為簡(jiǎn)單細(xì)胞層，C1為復(fù)雜細(xì)胞層，S2為簡(jiǎn)單組合特征細(xì)胞層，C2為復(fù)雜組合特征細(xì)胞層，VTU為視覺(jué)協(xié)調(diào)視覺(jué)層。在C層建立位置不變性，在S層建立特征的復(fù)雜性，包括加權(quán)求和和最大化兩種操作。雖然這種HMAX模型不能用于對(duì)物體進(jìn)行直接分類，但它為后來(lái)視覺(jué)特征計(jì)算模型的研究提出了理論基礎(chǔ)和思想框架。之后Serre,Wolf和Poggio[20]對(duì)HMAX模型進(jìn)行改進(jìn)使其能成為模擬生物視覺(jué)活動(dòng)的模型，該改進(jìn)的模型能很好的模擬神經(jīng)元細(xì)胞的選擇性，且逐漸形成了特征的尺度和平移不變性。本文中建立的層次結(jié)構(gòu)就是在Serre,Wolf和Poggio模型的基礎(chǔ)上進(jìn)行的。該層次結(jié)構(gòu)由四層構(gòu)成，分別為S1,C1,S2,C2。如圖4所示。

圖4 多層次結(jié)構(gòu)圖

其中，S1層將LBP編碼的紋理特征圖像和濾波器進(jìn)行卷積得到多尺度，多方向的圖像；C1層將相鄰尺度的分為一個(gè)等級(jí)，得到4個(gè)等級(jí)，對(duì)第i個(gè)等級(jí)的方向相同尺度不同的兩幅圖像進(jìn)行采樣，其中采樣模板的大小為Ni×Ni(N1=8,N2=10,N3=12,N4=14)，這里的模板大小取值是通過(guò)實(shí)驗(yàn)的反復(fù)驗(yàn)證得到的，并求該模板區(qū)域的最大值，以增加平移的不變性，其中i代表等級(jí)。其次對(duì)同一等級(jí)兩個(gè)不同尺度的圖像取相同位置處較大的值作為C1層的圖像輸出，增加尺度不變性。這樣每個(gè)等級(jí)的圖像數(shù)將會(huì)由八幅減到四幅。S2層是對(duì)C1層的圖像與特征模板進(jìn)行RBF計(jì)算，其中，特征模板是通過(guò)計(jì)算訓(xùn)練圖像的特征顯著點(diǎn)，并按特征模板的尺度大小(4×4,8×8,12×12,16×16)對(duì)所有顯著點(diǎn)進(jìn)行分類。然后通過(guò)提取的特征模板的尺度大小從對(duì)應(yīng)分類中隨機(jī)選取選取顯著點(diǎn)作為C1層提取特征模板的位置，這里假設(shè)一共提取K個(gè)特征模板。C2層對(duì)S2層每個(gè)特征模板對(duì)應(yīng)的所有等級(jí)圖像的位置進(jìn)行遍歷求取最小距離作為該等級(jí)的結(jié)果，之后對(duì)所有等級(jí)的值進(jìn)行最大值選取，得到特征模板與該圖像的最佳匹配度。由于有K個(gè)特征模板，所以得到一個(gè)K維的特征向量。S1層中與圖像進(jìn)行卷積的卷積核的計(jì)算如式(3)所示。

(3)

其中:X=xcosθ+ysinθ,Y=-xsinθ+ycosθ。θ=0～π，σ=4.5,λ=5.6,γ=0.3與Serre,Wolf和Poggio模型中保持一致。

在S2層進(jìn)行RBF計(jì)算如式(4)所示。

.....K

(4)

3 基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識(shí)別

本文針對(duì)多源異質(zhì)圖像的識(shí)別這一中心問(wèn)題，提出了基于LBP和層次結(jié)構(gòu)的異質(zhì)手背靜脈身份識(shí)別，首先對(duì)多源異質(zhì)的手背靜脈圖像進(jìn)行去噪和歸一化的預(yù)處理；其次通過(guò)歸一化LBP算子對(duì)手背靜脈圖像進(jìn)行編碼得到靜脈紋理特征圖像；然后將靜脈紋理特征圖像作為多層次結(jié)構(gòu)的輸入，多層次結(jié)構(gòu)對(duì)輸入的紋理特征圖像進(jìn)行特征的提取，得到具有對(duì)尺度，平移和旋轉(zhuǎn)具有較高魯棒性的抽象特征。最后根據(jù)類內(nèi)和類間距離設(shè)計(jì)不同模板融合的分類器，實(shí)現(xiàn)對(duì)多源異質(zhì)的手背靜脈進(jìn)行分析和識(shí)別。并且通過(guò)對(duì)比已有的手背靜脈識(shí)別算法來(lái)對(duì)本文提出的視覺(jué)模型方法的識(shí)別性能進(jìn)行分析。本文主要結(jié)構(gòu)流程圖如圖5所示。具體的步驟如下：

(1)將圖像進(jìn)行預(yù)處理和去噪，然后用歸一化LBP算子編碼得到紋理特征圖像。

(2)本文中紋理特征的提取采用P=8,R=1的圓形鄰域。

(3)將訓(xùn)練圖像進(jìn)行歸一化LBP算子編碼得到的紋理特征圖像對(duì)多層結(jié)構(gòu)進(jìn)行訓(xùn)練得到顯著的訓(xùn)練特征模板。

(4)將測(cè)試圖像進(jìn)行歸一化LBP算子編碼得到的紋理特征圖像作為多層結(jié)構(gòu)的輸入 ，然后對(duì)其提取模板與訓(xùn)練模板進(jìn)行匹配，從而得到具有魯棒的特征向量。然后對(duì)其進(jìn)行分類識(shí)別。

圖5 異質(zhì)手背靜脈身份識(shí)別流程圖

4 實(shí)驗(yàn)結(jié)果及分析

在本次實(shí)驗(yàn)中，為了能充分的證明該算法對(duì)異質(zhì)手背靜脈數(shù)據(jù)的實(shí)驗(yàn)結(jié)果，使用了3個(gè)具有不同參數(shù)的設(shè)備，分別記為一號(hào)，二號(hào)，三號(hào)設(shè)備。這三套設(shè)備分別對(duì)不同性別的120個(gè)人的左右手分類采集，每個(gè)人左右手分別采集10張，一共2400張手背靜脈圖片，格式為bmp，大小為640*480像素，灰階為256級(jí)，水平和垂直分辨率均為96dpi。為了保證采集的手背靜脈圖像的異質(zhì)性，設(shè)備在采集時(shí)不對(duì)采集者的采集姿態(tài)加以要求和限制，均為自動(dòng)采集。同時(shí)，調(diào)大每臺(tái)設(shè)備之間的自身參數(shù)的差異性，盡可能增加采集圖像的異質(zhì)性。通過(guò)實(shí)驗(yàn)對(duì)比其他現(xiàn)有手背靜脈識(shí)別算法對(duì)異質(zhì)手背靜脈圖像的實(shí)驗(yàn)效果，通過(guò)得到的識(shí)別率對(duì)本文提出的視覺(jué)模型方法的魯棒性進(jìn)行驗(yàn)證。實(shí)驗(yàn)時(shí)均采用一個(gè)設(shè)備注冊(cè)，一個(gè)設(shè)備識(shí)別。實(shí)驗(yàn)室采集的實(shí)驗(yàn)數(shù)據(jù)如圖6所示。

圖6 異質(zhì)手背靜脈圖像數(shù)據(jù)庫(kù)

實(shí)驗(yàn)數(shù)據(jù)在4GRAM、3.20GHzIntelCPU臺(tái)式機(jī)上進(jìn)行，采用Matlab2012編程實(shí)現(xiàn)。實(shí)驗(yàn)時(shí)將數(shù)據(jù)庫(kù)分為注冊(cè)樣本和測(cè)試樣本兩類。其中，每個(gè)手的隨機(jī)5張圖片作為注冊(cè)樣本，剩下的5張作為測(cè)試樣本。其中1-2表示一號(hào)設(shè)備采集的圖像作為注冊(cè)樣本，二號(hào)設(shè)備采集的圖像作為測(cè)試樣本。1-3，2-3同理。由于歸一化LBP算子編碼得到的是局部紋理特征圖像，因此合適的圖像大小對(duì)穩(wěn)定特征點(diǎn)的提取以及圖像的識(shí)別率的提高都有一定的影響。故本文對(duì)不同大小的手背靜脈圖像的識(shí)別結(jié)果進(jìn)行分析。識(shí)別結(jié)果如圖7所示，其中圖7(a)表示不同大小圖像的識(shí)別率的統(tǒng)計(jì)結(jié)果，圖7(b)表示在不同大小圖像的特征提取所需要的時(shí)間。

圖7 不同大小的異質(zhì)手背靜脈圖像的識(shí)別結(jié)果

從圖7中的曲線圖可以看出，當(dāng)圖像的維度小于140×140時(shí)，由于特征點(diǎn)個(gè)數(shù)較少，并不能完全表征整個(gè)手背靜脈圖像的特征，雖然提取特征時(shí)間短但識(shí)別率很低；隨著圖像維數(shù)的增加,識(shí)別率逐漸提高，但圖像維數(shù)過(guò)大會(huì)造成特征提取時(shí)間呈指數(shù)倍增加，同時(shí)，提取的干擾特征點(diǎn)會(huì)越多，錯(cuò)誤匹配的概率就會(huì)增加從而造成識(shí)別率的下降。故本文采用識(shí)別率較高且特征提取時(shí)間較短的220×220的像素大小。

實(shí)驗(yàn)過(guò)程中，將標(biāo)準(zhǔn)LBP編碼的手背靜脈紋理特征圖像，歸一化LBP編碼的手背靜脈紋理特征圖像和原始手背靜脈圖像分別作為多層次結(jié)構(gòu)(MS,Multi-layerStructure)的輸入，將3種情況得到的異質(zhì)手背靜脈圖像的識(shí)別結(jié)果進(jìn)行對(duì)比，如表1所示。

表1 不同LBP算子之間的對(duì)比

通過(guò)表1可知，用歸一化LBP編碼的靜脈紋理圖像作為多層次結(jié)構(gòu)的輸入，達(dá)到的識(shí)別率均高于用標(biāo)準(zhǔn)LBP編碼的靜脈紋理圖像和原始手背靜脈圖像作為多層次結(jié)構(gòu)的輸入所達(dá)到的識(shí)別率。然而，用標(biāo)準(zhǔn)LBP編碼的靜脈紋理圖像和原始手背靜脈圖像分別作為多層次結(jié)構(gòu)的輸入，所達(dá)到的識(shí)別率相當(dāng)。歸一化LBP編碼的靜脈紋理特征圖像減少了高頻噪聲帶來(lái)的干擾，對(duì)光照強(qiáng)度和微小的旋轉(zhuǎn)具有魯棒性，不會(huì)因?yàn)樘崛〉男畔⒉煌暾鴮?dǎo)致在多層次結(jié)構(gòu)特征提取過(guò)程中信息的丟失，最終影響識(shí)別率的現(xiàn)象。因此歸一化LBP編碼的靜脈紋理特征圖相對(duì)于標(biāo)準(zhǔn)LBP編碼的靜脈紋理特征圖和原始圖像，作為多層次結(jié)構(gòu)的輸入更有利于魯棒特征的提取以及異質(zhì)手背靜脈識(shí)別率的提高。與此同時(shí)，將本文提出的方法和其他的識(shí)別算法的識(shí)別結(jié)果進(jìn)行對(duì)比，如表2所示。

表2 不同算法的對(duì)比

通過(guò)表2可以看出，傳統(tǒng)的LBP和PCA對(duì)于采集的圖像的質(zhì)量要求比較高，故對(duì)灰度不均勻或位置偏移比較大的圖像識(shí)別率就會(huì)迅速降低。文獻(xiàn)[21]中的DeepLearning算法需要對(duì)大量的樣本進(jìn)行訓(xùn)練和學(xué)習(xí)，且訓(xùn)練時(shí)間很長(zhǎng)，對(duì)于樣本數(shù)少的異質(zhì)手背靜脈圖像達(dá)不到想要的學(xué)習(xí)效果。但是本文算法，融合了LBP編碼的紋理特征圖像且對(duì)該特征圖像利用多層次結(jié)構(gòu)進(jìn)行了進(jìn)一步學(xué)習(xí)得到更加魯棒的抽象特征，對(duì)異質(zhì)手背靜脈識(shí)別的識(shí)別率有較大提高，能達(dá)到90.57%。

5 結(jié)束語(yǔ)

本文針對(duì)多源異質(zhì)的手背靜脈圖像提出了基于LBP和多層次結(jié)構(gòu)的異質(zhì)手背靜脈識(shí)別方法，利用歸一化LBP算子編碼得到高頻噪聲少的異質(zhì)手背靜脈紋理特征圖像，作為多層次結(jié)構(gòu)的輸入，接著多層次結(jié)構(gòu)對(duì)輸入的紋理特征進(jìn)行多方向，多尺度的特征學(xué)習(xí)，提取具有對(duì)平移和方向具有魯棒性的抽象特征，通過(guò)分類識(shí)別從而提高異質(zhì)手背靜脈圖像的識(shí)別率，達(dá)到90.57%。通過(guò)對(duì)比其他現(xiàn)有的算法在異質(zhì)手背靜脈圖像的識(shí)別結(jié)果，本方法的識(shí)別率有明顯的提高。本文的創(chuàng)新點(diǎn)有：

(1)本文沒(méi)有直接用像素級(jí)的手背靜脈圖像作為多層次結(jié)構(gòu)的直接輸入，而是對(duì)圖像先進(jìn)行歸一化LBP算子編碼得到手背靜脈紋理特征圖像，從而減少了高頻干擾。

(2)采用多層次結(jié)構(gòu)提取的特征能實(shí)現(xiàn)對(duì)平移，方向和旋轉(zhuǎn)的魯棒性。

(3)本文將LBP和多層次結(jié)構(gòu)結(jié)合起來(lái)，比單獨(dú)使用LBP或多層次結(jié)構(gòu)來(lái)進(jìn)行異質(zhì)手背圖像的識(shí)別更有效。

該文提出的多層次結(jié)構(gòu)是對(duì)大腦初級(jí)視覺(jué)皮層對(duì)視覺(jué)信息的加工處理過(guò)程的模擬。計(jì)算機(jī)方法是一種前向型信息處理過(guò)程，不涉及大腦對(duì)視覺(jué)任務(wù)的反饋和干預(yù)。這與日常生活中我們?cè)谶M(jìn)行對(duì)物體分類和識(shí)別活動(dòng)時(shí)調(diào)動(dòng)了大腦的許多功能，例如記憶、聯(lián)想等有所不同。該模型僅僅負(fù)責(zé)人類視覺(jué)活動(dòng)的前期工作，識(shí)別能力與人類相比仍有較大差距。隨著神經(jīng)，心理科學(xué)的發(fā)展，可以更準(zhǔn)確的模擬人類的視覺(jué)感知。

[1]IzumiAkitoshi,UeshigeYoshifumi,SakuraiKouichi.AproposalofefficientschemeofkeymanagementusingID-basedencryptionandbiometrics[A].MultimediaandUbiquitousEngineering, 2007.MUE’07.InternationalConferenceon[C]. 2007: 29-34.

[2]ChenL,ZhangHJ.Researchonhighlyeffectiveidentityauthenticationandkeyagreementprotocolanditssecurityproperties[J].ICICExpressLetters,PartB:Applications, 2012, 6(33): 655-660. (inChinese).

[3] 張克偉, 白書(shū)超, 楊光露. 基于智能卡和指紋識(shí)別的雙因素身份認(rèn)證研究[J]. 價(jià)值工程, 2015(32): 195-197.

[4]WangYD,LiKF,LikShark,etal.Hand-DorsaVeinRecognitionBasedonCodedandWeightedPartitionLocalBinaryPatterns[A].Hand-BasedBiometrics(ICHB), 2011InternationalConferenceon[C].IEEE, 2011:1-5. (inChinese).

[5] 辜小花. 基于視覺(jué)感知和邊緣保持的光照不變?nèi)四樧R(shí)別[J]. 電子學(xué)報(bào), 2013(8): 1500-1505.

[6]HilalA,DayaB,BeauseroyP.Improvedirisrecognitionusingparabolicnormalizationandmulti-layerperceptronneuralnetwork[A].IJCCI2012 -Proceedingsofthe4thInternationalJointConferenceonComputationalIntelligence[C]. 2012: 643-646.

[7] 羅西平, 田 捷. 自動(dòng)指紋識(shí)別中的圖像增強(qiáng)和細(xì)節(jié)匹配算法[J]. 軟件學(xué)報(bào), 2002, 13(5): 946-956.

[8]WuK.S,LeeJ.C,LoT.M,etal.Asecurepalmveinrecognitionsystem[J].JournalofSystems&Software, 2013, 86(11): 2870-2876.

[9] 胡學(xué)友. 手背靜脈圖像增強(qiáng)和分割方法[J]. 電腦知識(shí)與技術(shù), 2014(21): 5080-5082.

[10] 王保平, 劉升虎, 范九倫, 等. 基于模糊熵的自適應(yīng)圖像多層次模糊增強(qiáng)算法[J]. 電子學(xué)報(bào), 2005, 33(4):730-734.

[11] 王 振, 高茂庭. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)[J]. 現(xiàn)代計(jì)算機(jī), 2015(20).

[12] 湯毓婧. 基于人腦視覺(jué)感知機(jī)理的分類與識(shí)別研究[D]. 南京：南京理工大學(xué), 2009.

[13] 許 靜. 基于稀疏表示的圖像識(shí)別[D]. 西安：西安電子科技大學(xué), 2011.

[14] 趙 宇. 基于稀疏編碼的人臉圖像識(shí)別方法研究[J]. 中國(guó)科技信息, 2014(19): 99-99.

[15] 樊 星. 基于深度學(xué)習(xí)的多形態(tài)人臉識(shí)別[D]. 大連：大連理工大學(xué), 2015.

[16] 劉 京. 異質(zhì)虹膜圖像的魯棒識(shí)別[D]. 北京：中國(guó)科學(xué)技術(shù)大學(xué), 2014.

[17]OjalaT,Pietik?inenM,andM?enp??T.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2002, 7(24): 971-987.

[18]RiesenhuberM,PoggioT.Hierarchicalmodelsofobjectrecognitionincortex[J].Nat.Neurosci, 1999, 2(11): 1019-1025.

[19]MaximilianRiesenhuber.HMAX[EB/OL].http: //maxlab.Neuro.Georgetown.edu/hmax/.

[20]SerreT,WolfL,PoggioT.Objectrecognitionwithfeaturesinspiredbyvisualcortex[J].ComputerVisionandPatternRecognition, 2005, 1(2): 994-1000.

[21]HintonG.E,OsinderoS.,AfastlearningalgorithmfordeepbeliefnetsNeuralComputation[J],NeuralComputation, 2006, 18(7): 1527-155.

Identity Recognition of Heterogeneous Dorsal Hand Vein Based on LBP and Multi-Layer Structure

Wang Yiding，Huang Shouyan

(School of Electronic Information Engineering, North China University of Technology, Beijing 100144, China)

Study on identity recognition of the multi-source heterogeneity dorsal hand vein heterogeneity images, recognition algorithm based on LBP and multi-layer structure is put forward. At first, the images are preprocessed, and then the texture feature images of dorsal hand vein coded by the LBP feature extraction algorithm are used as the input of the multi-layer structure, Through layer by layer feature extraction of multi-layer structure from the concrete to the abstract, the features have greater robustness. Finally, the recognition rate of this algorithm is higher than that of the traditional algorithm, and the recognition rate is 96.57%. Further, it shows that the algorithm can effectively solve the problem of the low recognition rate of the dorsal hand vein recognition caused by multi-source heterogeneous problem.

multi-source heterogeneity; dorsal hand vein; LBP; visual information processing; multi-layer structure; recognition

2016-09-27；

2016-11-02。

國(guó)家自然科學(xué)基金項(xiàng)目(61271368)；北京市自然科學(xué)基金重點(diǎn)項(xiàng)目(KZ201410009012)。

王一丁(1967-)，男，北京市人，教授，碩士研究生導(dǎo)師，主要從事圖像處理與智能識(shí)別方向的研究。

1671-4598(2017)03-0134-06

10.16526/j.cnki.11-4762/tp.2017.03.037

TP391.4

A