掌紋掌脈圖像超小波域融合識別算法

李新春，曹志強，林 森，張春華

(1.遼寧工程技術(shù)大學(xué) 電子與信息工程學(xué)院，遼寧 葫蘆島 125105； 2.遼寧工程技術(shù)大學(xué) 研究生院，遼寧 葫蘆島 125105)(*通信作者電子郵箱1009488691@qq.com)

0 引言

在計算機視覺和模式識別領(lǐng)域，以人體特征鑒別身份的認證技術(shù)受到了研究學(xué)者的廣泛關(guān)注[1]。與傳統(tǒng)的身份鑒別技術(shù)相比，它具有唯一性、隨身攜帶和難假冒偽造的特點，因此更為有效、方便和安全[2]。

單一的生物特征由于受特征提取技術(shù)及環(huán)境等因素的影響，不可能真正地具有唯一性，這就使得系統(tǒng)的穩(wěn)定性和實用性較差，且很難通過僅改進特征提取技術(shù)或特征匹配算法來解決此問題[3]。為了提高系統(tǒng)的識別精度和穩(wěn)定性，引入多模態(tài)生物特征融合識別技術(shù)。與傳統(tǒng)單一模態(tài)特征的識別技術(shù)不同，多模態(tài)生物特征識別技術(shù)對相同的生物特征采用多種方法進行識別，或?qū)Σ煌纳锾卣鞑捎枚喾N方法進行識別，以實現(xiàn)身份的鑒定[4]。掌紋掌脈識別技術(shù)雖然在生物識別技術(shù)領(lǐng)域起步較晚，但近年來受到越來越多的關(guān)注。與虹膜、指紋、人臉、步態(tài)等特征相比，掌紋掌脈具有諸多優(yōu)勢：不涉及隱私問題，用戶比較容易接受；采樣方法簡單，圖像比較容易獲得；感興趣區(qū)域比指紋大得多，信息量大，可以提取更多的特征等[5-7]:因此掌紋掌脈識別是一種具有廣泛應(yīng)用前景和研究價值的生物特征識別技術(shù)。在多尺度分析方向，小波變換是一種優(yōu)良的分析方法，但在處理圖像時存在一些難以避免的缺陷。與小波變換相比，超小波變換在解決信號的多重性問題方面有著巨大的優(yōu)勢[8]。最近幾年，超小波變換在信號處理領(lǐng)域被廣泛應(yīng)用到圖像處理中。

綜上所述，針對單一生物特征識別由于易受多種因素的影響，在識別率和穩(wěn)定性上存在不足，尤其是高仿生物特征的出現(xiàn)使其安全性受到質(zhì)疑的問題，本文基于非下采樣Contourlet變換(Non-Subsampled Contourlet Transform，NSCT)和近鄰二值模式(Neighbor based Binary Pattern， NBP)提出了一種掌紋掌脈圖像超小波域融合識別算法NSCT-NBP。該算法基于NSCT將掌紋掌脈圖像進行融合，有效結(jié)合了掌紋掌脈的邊緣特征、細節(jié)紋理等信息，為后續(xù)的特征提取提供了豐富的紋理信息；然后，對融合后的圖像利用具有良好紋理描述特性的NBP算法進行特征提取；最后，用漢明距離進行匹配識別。分別在PloyU圖庫及自建圖庫上進行實驗，結(jié)果表明，本文算法與對比算法相比識別性能更好，更具有可行性和高效性。

1 基本原理

1.1 NSCT

NSCT是利用非下采樣金字塔分解和非下采樣方向濾波器組實現(xiàn)的。首先采用非下采樣金字塔分解實現(xiàn)圖像的多尺度分解，得到低頻和高頻子圖像，然后對每個高頻子圖像利用非下采樣方向濾波器進一步分解，得到多方向子帶圖像[9]。

圖1 NSCT結(jié)構(gòu)與理想頻域劃分

1.2 融合過程及算法

基于NSCT的掌紋掌脈圖像融合步驟如下：

1)分解：利用NSCT分解出掌紋掌脈的低頻系數(shù)和高頻系數(shù)；

2)融合：對低頻系數(shù)和高頻系數(shù)分別采用1.2.1節(jié)和1.2.2節(jié)的融合規(guī)則得到融合圖像F的NSCT系數(shù)；

3)反變換：對F的NSCT系數(shù)進行逆NSCT，得到融合圖像F。

1.2.1 低頻系數(shù)融合規(guī)則

(1)

(2)

圖2 以(m,n)為中心的兩個方向

(3)

(4)

(5)

(6)

式中:mean[·]代表計算均值，std[·]代表計算標準差;k1、k2為經(jīng)驗參數(shù)，經(jīng)過多次實驗，k1取0～1,k2取1～3效果較好[13]，本文k1=0.5，k2=1.5。

1.2.2 高頻系數(shù)融合規(guī)則

掌紋掌脈圖像經(jīng)NSCT分解后的高頻子帶包含圖像的紋理和邊緣信息，采用圖像自相似性作為高頻融合規(guī)則。設(shè)參考塊為Qv∈Cj×j，區(qū)域C(v)∈Ci×i的中心像素為v，候選塊Qp∈Ci×i與Qv的相似性定義如下：

εp=‖Qp-Qv‖F(xiàn)

(7)

(8)

圖3 共享相似塊的自適應(yīng)區(qū)域

基于最大值原則法，一般選擇原圖像中清晰度較高的像素作為融合后的圖像像素，如下所示：

(9)

其中：O表示清晰度指標，fF是融合后的圖像。為了減弱融合產(chǎn)生的方塊效應(yīng)帶來的不利影響，一般利用像素清晰度之和O(v)等價像素最大值。通過改進的拉普拉斯算子SML(Some-of-Modified)來計算以r為中心、大小固定的區(qū)域。v=(x0,y0)的SML定義如下：

(10)

f(x0+1,y0)|+|2f(x0,y0)-f(x0,y0-1)-

f(x0,y0+1)|

(11)

(12)

其中，rA(v)和rB(v)一般不為0。

1.3 近鄰二值模式

經(jīng)典局部二值模式(Local Binary Pattern， LBP)算法僅以中心像素灰度值作為閾值與其他各點比較，這樣的編碼方式?jīng)]有考慮到鄰近像素點灰度之間的關(guān)系，對噪聲的影響比較敏感。本文提出一種改進的紋理描述方法近鄰二值模式(NBP)，該算法考慮到了鄰近像素之間的灰度大小關(guān)系。圖4為3×3窗口的NBP像素排列方法的一個示例。

圖4 3×3窗口的NBP像素排列方法示意圖

以圖4所示的窗口，NBP編碼步驟如下：

步驟1 選取窗口中P7像素點為起點，將中心像素點鄰域內(nèi)的8個像素點以順時針的方式排列，即P7P6…P1P0。

步驟2 按步驟1中排列好的順序，從P7開始依次選取像素點，將選取的像素點與其右邊相鄰的像素點按式(13)進行灰度值比較:

(13)

當i=0時:

(14)

從而得到二進制的編碼串。

步驟3 將得到的二進制編碼串按式(15)轉(zhuǎn)換成十進制數(shù)值，作為中心像素NBP編碼數(shù)值。

(15)

圖5為NBP編碼的一個示例。

圖5 NBP編碼示例

2 NSCT-NBP算法

單模生物特征由于受有效識別信息較少的限制，很難進一步提高識別系統(tǒng)的準確率、穩(wěn)定性和安全性。掌紋掌脈多模態(tài)生物特征融合識別，能夠有效提高識別系統(tǒng)的安全性和穩(wěn)定性，但簡單的圖像融合雖然增加了整體的信息量，也會加入噪聲等冗余信息，對識別系統(tǒng)造成影響。理想的融合方式是突出掌紋掌脈的主要特征而不增加冗余信息。本文利用NSCT在圖像處理中的優(yōu)勢，提出了一種掌紋掌脈圖像NSCT域融合算法。NSCT是一種新的超小波分析方法，它具有平移不變性和足夠的冗余信息，不但克服了以往超小波變換容易引起吉布斯(Gibbs)效應(yīng)和混頻現(xiàn)象的問題，還可以有效地提取掌紋掌脈圖像中的方向信息，更加優(yōu)越和全面地表示掌紋掌脈圖像，使得融合后的圖像更加符合識別要求。

LBP算法編碼方式?jīng)]有考慮到鄰近像素點灰度之間的關(guān)系，對噪聲的影響比較敏感。為了有效解決以上問題，本文采用NBP算子提取掌紋掌脈融合圖像的紋理特征。

2.1 紋理特征提取及融合

掌紋掌脈圖像特征提取過程可分為以下兩個步驟：

1)對掌紋圖像A及掌脈圖像B基于NSCT域進行融合，利用NSCT將圖像分解為低頻子帶和高頻子帶兩部分。低頻子帶采用區(qū)域能量自適應(yīng)加權(quán)融合，高頻方向子帶利用圖像自相似進行系數(shù)融合，通過對融合系數(shù)作逆NSCT處理，融合圖像F的重構(gòu)。

2)對融合圖像F采用NBP算子提取特征，得到編碼向量SNSCTNBP，如圖6所示。

圖6 掌紋掌脈圖像融合特征提取流程

2.2 特征匹配

本文利用SNSCTNBP編碼向量之間的漢明距離(Hamming distance)來判斷獲取到的圖像是否匹配。設(shè)有兩個編碼向量SNSCTNBP1和SNSCTNBP2，其比特串形式為：

SNSCTNBP1=x1x2…xN

(16)

SNSCTNBP2=y1y2…yN

(17)

其中xi，yi(i=1,2,…,N)為0或1。兩個編碼串之間的漢明距離定義為:

(18)

其中：⊕為異或運算，N為字符串的數(shù)據(jù)維度。

在進行匹配時，由RHD值的大小來判斷兩個特征之間的相似程度。RHD∈[0,1]，RHD越小則說明兩個特征之間的相似程度越高，RHD越大則說明相似程度越低。在識別時，當RHD和閾值t的關(guān)系滿足：

RHD

(19)

說明樣本是來自同一個人的相同手指靜脈，因此被接受；如果不滿足上式條件，就被拒絕。

3 實驗結(jié)果與分析

3.1 評價指標和實驗環(huán)境

本文采用類內(nèi)類間匹配驗證算法的性能。類內(nèi)匹配是指同一個人的不同融合圖像間的匹配，類間匹配是指不同人的融合圖像間的匹配[14]。根據(jù)漢明距離繪制出類內(nèi)類間曲線，由式(19)的判別條件完成匹配過程。

本文采用的評價指標是錯誤接受率(False Accept Rate， FAR)和錯誤拒絕率(False Rejection Rate， FRR)，計算公式分別為：

RFAR=va/vj

(20)

RFRR=ve/vh

(21)

式中：vh為合法用戶嘗試次數(shù)，vj為非法用戶嘗試次數(shù)，va為系統(tǒng)錯誤接受的次數(shù)，ve為系統(tǒng)錯誤拒絕的次數(shù)。在同一平面直角坐標系中，以FAR為橫坐標、以FRR為縱坐標繪制接受者操作特征(Receiver Operating Characteristics, ROC)曲線，在ROC曲線上，橫軸FAR和縱軸FRR的交點即為EER。作為識別性能的一個重要參數(shù)，EER越小，則說明算法性能越高、系統(tǒng)識別效果越好。

實驗的運行環(huán)境為Matlab 2015a，Windows 7系統(tǒng)，中央處理器為Intel Core i3-3110M，主頻為2.4 GHz，內(nèi)存為2.00 GB。

3.2 接觸式標準圖庫實驗

實驗采用香港理工大學(xué)(Hong Kong Polytechnic University, PolyU)建立的手部圖像數(shù)據(jù)庫[15]。該數(shù)據(jù)庫是用接觸式設(shè)備在室內(nèi)環(huán)境中采集的掌紋掌脈圖像：850 nm的近紅外光下采集100個人手掌靜脈圖像，每人5張感興趣區(qū)域(Region Of Interest，ROI)圖像；在白色LED燈光照射下獲取掌紋圖像，共100人，每人5張圖像[16]。將掌紋掌脈圖像進行超小波域融合，得到融合后的100人，每人5張圖像，對其進行類內(nèi)類間匹配實驗。

NBP算法中分塊方式會對識別結(jié)果產(chǎn)生很大影響，所以，對幾種大小不同的分塊方式在PolyU圖庫上進行實驗，并將NSCT-NBP算法與NSCT-LBP算法進行對比。采用不同的分塊方式得到的EER曲線如圖7所示，其中分塊方式A,B,…，G分別表示的分塊尺寸為1×1，2×2，4×4，8×8，16×16，32×32，64×64。

圖7 PolyU圖庫在不同分塊方式下的EER

從圖7分析可知，當采取8×8的分塊方式時，NSCT-NBP算法在PolyU圖庫上可取得最低等誤率為0.72%，識別效果最佳。分塊過大或過小都會導(dǎo)致等誤率較高，原因為：分塊的大小需要與掌紋掌脈紋理相適應(yīng)，較大的分塊無法獲得準確的局部紋理特征，較小的分塊不能有效描述掌紋掌脈紋理結(jié)構(gòu)，兩者都會對特征提取造成影響。只有當子塊的大小與掌紋掌脈紋理結(jié)構(gòu)相匹配時，才可獲得最佳識別性能。

適當?shù)姆謮K能夠使LBP算法獲取有效的局部紋理細節(jié)信息與整體紋理結(jié)構(gòu)特征，降低等誤率，然而LBP算法受噪聲等干擾比較明顯，因此NSCT-NBP算法在識別性能上優(yōu)于NSCT-LBP。

圖8給出在8×8分塊方式下PolyU圖庫上的ROC曲線，與y=x相交處可獲得最低等誤率為0.72%。

圖8 PolyU圖庫的ROC曲線

為了體現(xiàn)本文算法的優(yōu)勢，在PolyU圖庫上將本文算法與2DGabor、LBP、基于小波變換和Gabor濾波器的掌紋掌脈融合方法(算法1)和去掌紋手掌靜脈融合方法(算法2)等幾種較為典型的方法[17-19]作對比，結(jié)果如表1所示?？梢娫谕葪l件下，本文算法在PolyU接觸式標準圖庫上EER最小，識別效果最優(yōu)。單獨采用NBP時，掌紋的等誤率明顯低于掌脈，主要是因為同樣在采集紋理信息作為特征時，掌紋圖像無論在圖像質(zhì)量還是在紋理信息豐富度上都比掌脈好，而當把兩者進行融合后，突出了各自的主要紋理信息，在識別效果上有了一定的提高，表明了圖像融合的有效性。

在PolyU圖庫上，本文算法識別總時間為0.053 02 s，相比2DGabor、2DFisher等算法具有一定的優(yōu)勢；但由于本文算法需將掌紋掌脈圖像進行融合后再提取特征，故識別時間會略高于LBP，不過仍能滿足實時性的要求，具有可行性。

表1 PolyU圖庫的實驗結(jié)果對比

3.3 自建非接觸圖庫實驗

實驗采用自建的非接觸采集圖庫，區(qū)別于接觸式標準圖庫。非接觸采集具有友好性和安全性的優(yōu)勢，然而目前還沒有公開的非接觸采集圖庫，因此利用光學(xué)CCD攝像機，設(shè)計一個掌紋掌脈圖像采集系統(tǒng)，自建非接觸采集圖庫用于驗證算法效果。選擇白色LED作為掌紋成像的光源，采集50個人手掌自然張開時的掌紋圖像，每人采集10幅右手掌紋的圖像。選取850 nm的近紅外光源作為掌脈成像光源，同樣采集50人，每人10幅，然后提取ROI[20]，其大小為128×128。

圖9給出了在自建圖庫中不同分塊方式下的EER。由圖9可知，在8×8分塊方式下，本文算法取得的最低EER為0.96%，類似于PolyU圖庫。

圖10給出了在8×8分塊方式下自建圖庫上的ROC曲線，與y=x相交處可獲得最低等誤率為0.96%。

表2給出了自建圖庫上幾種典型算法與本文算法的對比結(jié)果，可見在同等條件下，自建圖庫上本文算法等誤率最低，識別效果最好。本文算法識別總時間為0.087 1 s，略高于LBP，仍滿足實時性的需求。

圖9 自建圖庫在不同分塊方式下的EER

圖10 自建圖庫的ROC曲線

算法EER/%掌紋掌脈識別時間/s掌紋掌脈2DGabor5.171.970.25940.12152DFisher4.893.100.36300.2533LBP8.785.090.02360.0148NBP1.102.350.09510.0592算法11.520.1503算法21.560.1024NSCT-LBP4.160.0249本文算法0.960.0871

4 結(jié)語

本文提出了一種掌紋掌脈圖像超小波域融合識別算法NSCT-NBP。掌紋掌脈圖像基于區(qū)域能量及圖像自相似的NSCT域進行融合，能夠得到較好的融合效果；利用近鄰二值模式(NBP)提取融合圖像的特征，能準確地表征圖像紋理特征。分別在PolyU圖庫、自建圖庫上進行實驗，本文算法的等誤率分別為0.72%和0.96%，識別時間分別為0.053 0 s和0.087 1 s，表明該算法能夠有效提高系統(tǒng)的識別率并減少識別時間；與對比算法相比，本文算法可以有效降低系統(tǒng)等誤率，滿足實時性要求，具有可行性和實際應(yīng)用前景，掌紋掌脈特征融合也增加了系統(tǒng)的安全性和可靠性。接下來的工作是繼續(xù)優(yōu)化算法，將本文算法與其他算法結(jié)合起來，進一步提高系統(tǒng)性能。