基于信息熵的局部二值模式手指靜脈識(shí)別

黃艷國(guó)， 楊訓(xùn)根， 周滿國(guó)

(江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院， 贛州 341000)

基于生物特征的身份識(shí)別技術(shù)越來(lái)越普及，各類產(chǎn)品漸漸融入日常生活。類似指紋[1-2]、人臉[3-5]等識(shí)別系統(tǒng)被廣泛用于手機(jī)的解鎖與支付軟件當(dāng)中。而身份識(shí)別產(chǎn)品的關(guān)鍵技術(shù)是基于人的生物特征，如指紋、人臉、虹膜[6]、掌紋[7]和靜脈等。手指靜脈作為人的生物特征之一，近年來(lái)也有許多的研究方法被提出，并取得了良好的識(shí)別效果。相對(duì)于一些基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)[8]方法，傳統(tǒng)特征因其所需數(shù)據(jù)少、對(duì)硬件要求低、能夠達(dá)到較高識(shí)別率等特點(diǎn)，在實(shí)際應(yīng)用上具備一定的優(yōu)勢(shì)。

關(guān)鍵點(diǎn)的匹配是手指靜脈識(shí)別的有效手段，Meng等[9]結(jié)合感興趣區(qū)域與細(xì)節(jié)匹配，提出了基于區(qū)域的檢測(cè)方法，通過(guò)計(jì)算Hessian矩陣作為細(xì)節(jié)點(diǎn)特征，對(duì)于細(xì)節(jié)點(diǎn)的匹配采用鄰域匹配以減少計(jì)算量，取得了較好的識(shí)別率，但相應(yīng)地增加了匹配時(shí)間。Jin等[10]提出的基于二值圖像的算法，對(duì)感興趣區(qū)域提取特征點(diǎn)，利用梯度直方圖將特征點(diǎn)矢量化描述，有效縮小了圖像視野，為靜脈采集裝置的小型化提供思路，但算法的識(shí)別率仍有較大的提升空間。局部二值模式(local binary patterns, LBP)特征被成功運(yùn)用于目標(biāo)檢測(cè)與跟蹤[11]任務(wù)中，在手指靜脈識(shí)別方面也有許多研究。劉超等[12]在LBP算子的基礎(chǔ)上，根據(jù)圖像的分塊包含的信息量，通過(guò)逐步迭代的方式得出分塊圖像的權(quán)值，有效提升了算法的識(shí)別率，但求取權(quán)值系數(shù)過(guò)程計(jì)算量大、耗費(fèi)時(shí)間過(guò)長(zhǎng)，降低了算法的時(shí)效性。而胡娜等[13]提出雙向主成分分析(principal component analysis，PCA)降維，對(duì)分塊圖像特征進(jìn)行行和列的雙向降維，相對(duì)于傳統(tǒng)LBP算法，有效提升了識(shí)別率，同樣降低了識(shí)別速度。稀疏表示模型也是靜脈識(shí)別的一類有效方法，Lei等[14]在稀疏表示模型中引入歐氏距離計(jì)算距離熵，有效抑制了圖像的噪聲干擾，相比于原有的模型，有效降低了等錯(cuò)誤率，但相較于傳統(tǒng)特征算子，識(shí)別率還需要進(jìn)一步提升。

基于以上分析，LBP算子在靜脈識(shí)別上具備優(yōu)良的性能，在LBP算子的基礎(chǔ)上，現(xiàn)通過(guò)局部平均的方式加強(qiáng)LBP算子的紋理表達(dá)能力，然后結(jié)合信息熵[15]作為加權(quán)系數(shù)得出熵值加權(quán)的局部二值模式(entropy weighted local binary patterns，ELBP)特征。而對(duì)于原始圖像提取感興趣區(qū)域[16]，消除手指周圍區(qū)域的干擾。同時(shí)，為提升算法的識(shí)別率與識(shí)別速度，采用主成分分析(PCA)將特征維數(shù)降低，最后使用歐式距離與曼哈頓距離計(jì)算相似性，對(duì)比驗(yàn)證本文方法的有效性。

1 基本原理

1.1 感興趣區(qū)域(region of interest, ROI)提取

手指區(qū)域的提取，去除了許多手指未覆蓋的干擾區(qū)域，有利于提升算法的識(shí)別率。首先將原圖像轉(zhuǎn)化為灰度圖，對(duì)灰度圖做邊緣濾波[17]處理，如圖1(b)所示。從圖1(b)中可以看出，邊緣算子能夠很好地凸顯手指的邊緣部分。然后通過(guò)簡(jiǎn)單閾值分割凸顯手指邊緣，為方便手指區(qū)域的提取，其中全局閾值設(shè)為100，像素小于100時(shí)為0，大于或等于100時(shí)為1，得到二值圖像如圖1(c)所示。

由圖1(c)可知，受檢測(cè)器的影響，圖像左右兩邊的手指邊緣被包含，為準(zhǔn)確提取手指區(qū)域，將二值圖像分為上下兩部分，如圖1(d)所示。分別求出每部分的最密集邊緣，即為對(duì)應(yīng)的邊界，根據(jù)求得的邊界坐標(biāo)，可得出原圖的候選區(qū)域，如圖1(e)所示。最后得到的候選區(qū)域如圖1(f)所示，從圖1(f)中可以看出，此方法能夠較完整地保留了待測(cè)手指的完整性，有效地去除了冗余區(qū)域。

圖1 ROI提取示意圖Fig.1 ROI extraction process

1.2 ELBP特征

LBP作為經(jīng)典的紋理特征，在圖像識(shí)別與目標(biāo)檢測(cè)中得到了廣泛的應(yīng)用。其主要是通過(guò)像素與鄰域像素的大小比較，并用0和1表示比較結(jié)果，然后將一系列0與1組合為一個(gè)二進(jìn)制數(shù)，之后轉(zhuǎn)化為十進(jìn)制數(shù)即為中心像素的LBP值，最后通過(guò)直方圖統(tǒng)計(jì)，得出圖像的LBP特征。像素LBP值轉(zhuǎn)換公式為

(1)

li=f(c,ni)

(2)

(3)

式中：f(x,y)為比較函數(shù)；c為中心像素點(diǎn)；ni為鄰域像素點(diǎn)；li為鄰域像素比較結(jié)果；i為像素對(duì)應(yīng)編號(hào)；L為求得的LBP值。

為提升LBP算子的識(shí)別性能，通過(guò)計(jì)算鄰域像素的均值，使LBP算子包含鄰域像素之間的大小信息，同時(shí)與中心像素比較取更大值作為新的中心像素，計(jì)算公式為

(4)

nc=max(c,mean)

(5)

式中：N為鄰域像素個(gè)數(shù)；mean為均值；nc為新的中心像素。

圖2 LALBP編碼原理Fig.2 LALBP coding principle

將求得nc代入式(2)和式(3)中可得LALBP值，計(jì)算過(guò)程如圖2所示。將原圖像轉(zhuǎn)化為L(zhǎng)ALBP圖后，使用梯度直方圖統(tǒng)計(jì)可得256維的特征描述子，即圖像的LALBP特征。

1.3 信息熵加權(quán)的ELBP特征

信息熵是香農(nóng)在1948年根據(jù)熱力學(xué)中的熱熵[18]提出的，其描述的是信息源的不確定度。當(dāng)信息源的不確定性越高，信息熵越大，其包含的信息量越大。利用信息熵表述圖像的分塊信息量，根據(jù)信息熵的大小分配權(quán)值，可提高重要特征密集區(qū)域的表達(dá)，提升識(shí)別率，信息熵與權(quán)值的計(jì)算公式為

(6)

式(6)中：P為像素級(jí)數(shù)大小為k時(shí)在圖像中出現(xiàn)的概率；E為信息熵；wi為塊i的權(quán)值系數(shù)；Ei為塊i的信息熵值；m為分塊數(shù)。

將原圖劃分為8塊，對(duì)于每個(gè)分塊分別求LALBP特征并計(jì)算信息熵大小，將信息熵作為對(duì)應(yīng)塊的LALBP特征的系數(shù)，得到ELBP的直方統(tǒng)計(jì)圖，最后將各塊的特征歸一化后級(jí)聯(lián)得到圖像的ELBP特征，提取流程如圖3所示。

圖3 ELBP特征提取示意圖Fig.3 ELBP feature extraction diagram

2 基于ELBP的靜脈圖像識(shí)別

靜脈圖像的識(shí)別主要包括訓(xùn)練和識(shí)別兩部分，訓(xùn)練過(guò)程將提取每幅圖像的特征算子儲(chǔ)存到訓(xùn)練庫(kù)中，識(shí)別過(guò)程需要對(duì)提取的特征與訓(xùn)練庫(kù)進(jìn)行匹配比較，識(shí)別出待測(cè)圖像屬于訓(xùn)練庫(kù)中的哪一類，流程圖如圖4所示。

圖4 識(shí)別算法流程圖Fig.4 Flow chart of recognition algorithm

首先提取原圖像的ROI區(qū)域并歸一化至64×128大小，得到相同大小的特征提取圖像；然后根據(jù)歸一化后圖像的尺寸，將圖像分為m大小相同的子塊，分別對(duì)子塊圖像提取LALBP特征，之后通過(guò)式(4)和式(5)得到對(duì)應(yīng)塊的信息熵與加權(quán)系數(shù)，將系數(shù)與對(duì)應(yīng)塊的特征相乘后級(jí)聯(lián)，得到熵值加權(quán)的ELBP特征；最后利用向量距離計(jì)算方法歐氏距離、曼哈頓距離等作為相似度計(jì)算公式，計(jì)算待識(shí)別圖像與訓(xùn)練庫(kù)中所有樣本的相似度，采用最近鄰分類方式得出相似度最大的樣本類，待測(cè)圖像的識(shí)別結(jié)果即為對(duì)應(yīng)的類。

分別采用歐氏距離以及曼哈頓距離作為對(duì)比分類器，對(duì)于每一個(gè)待識(shí)別樣本，提取特征后分別與訓(xùn)練庫(kù)中的樣本特征求特征向量的距離，距離最小的訓(xùn)練樣本對(duì)應(yīng)的類型即分別為匹配類型。歐氏距離與曼哈頓距離計(jì)算公式分別為

(7)

(8)

式中：xi為訓(xùn)練庫(kù)的特征因子；yi為待識(shí)別特征因子；n為特征維數(shù)；dE為歐氏距離計(jì)算結(jié)果；dM為曼哈頓距離計(jì)算結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

采用的數(shù)據(jù)集為SDUMLA數(shù)據(jù)庫(kù)與天津市智能實(shí)驗(yàn)室采集指靜脈圖像數(shù)據(jù)庫(kù)。SDUMLA數(shù)據(jù)庫(kù)分別采集了106人，有636種手指類型，圖像大小為320×240。天津數(shù)據(jù)庫(kù)則采集了66根不同手指，每類15幅圖像，圖像為尺寸為80×170。

3.1 基于SDUMLA數(shù)據(jù)庫(kù)分析

在SDUMLA數(shù)據(jù)庫(kù)中分別選取1、2、3、4、5幅圖像為訓(xùn)練樣本數(shù)，組建5個(gè)不同的訓(xùn)練庫(kù)，通過(guò)PCA降維，得到在不同訓(xùn)練樣本數(shù)下，ELBP特征維數(shù)與識(shí)別率的關(guān)系，結(jié)果如圖5所示。

圖5 特征維數(shù)對(duì)比Fig.5 Feature dimension comparison

對(duì)比圖5中兩種分類方式可以看出，ELBP的主要特征只有80維，維數(shù)上升到80之后，識(shí)別率處于穩(wěn)定狀態(tài)，并且特征維數(shù)對(duì)識(shí)別率的影響在不同分類器上變化趨勢(shì)一致。同時(shí)，隨著樣本數(shù)量的增加，識(shí)別率越穩(wěn)定，所需的特征維數(shù)越低。由圖5可知，當(dāng)訓(xùn)練樣本數(shù)為5時(shí)，特征維數(shù)為40時(shí)識(shí)別率便基本不變?；谄ヅ鋾r(shí)間與識(shí)別率的綜合考慮，選取80作為維數(shù)降低后特征的長(zhǎng)度較為合適，既提升了識(shí)別率又兼顧了訓(xùn)練樣本數(shù)量的變化，同時(shí)能夠極大程度縮短匹配時(shí)間。

歐氏距離與曼哈頓距離同樣作為向量距離的計(jì)算方法，但作為識(shí)別系統(tǒng)的分類器性能上有很大的差異，一個(gè)優(yōu)良的分類器能夠有效地提升識(shí)別系統(tǒng)的識(shí)別率，LBP、HOG、LBP-PCA與本文方法在不同分類方式下的識(shí)別率與識(shí)別時(shí)間如表1所示。

表1 兩種分類器性能對(duì)比

從表1可以看出，在識(shí)別率方面，LBP、ELBP和ELBP-PCA特征采用曼哈頓距離計(jì)算相似度的識(shí)別率更高，相對(duì)于歐氏距離分別提升了0.48%、0.16%和0.47%，HOG特征保持不變，而LBP-PCA降低了0.47%；在時(shí)間方面，兩種計(jì)算方式并無(wú)明顯差異，因此本文所選特征算子更適合采用曼哈頓距離作為相似度計(jì)算的方法。同時(shí)對(duì)比幾種特征算子的結(jié)果可以發(fā)現(xiàn)，HOG特征雖然識(shí)別率達(dá)到了99.21%，但匹配時(shí)間過(guò)長(zhǎng)；LBP-PCA識(shí)別時(shí)間為8.3 ms，滿足一般識(shí)別要求，但識(shí)別率僅為94.97%，相對(duì)于其他方法偏低；而本文方法識(shí)別率最高，達(dá)到了99.53%，同時(shí)匹配時(shí)間最低為2.5 ms，因此本文方法在識(shí)別率與匹配時(shí)間上相對(duì)其他方法具有一定的優(yōu)勢(shì)。

利用維數(shù)選取的5個(gè)數(shù)據(jù)庫(kù)，對(duì)比分析LBP、HOG、LBP-PCA與本文算法識(shí)別率、識(shí)別時(shí)間與樣本個(gè)數(shù)的關(guān)系，其中，識(shí)別率與訓(xùn)練樣本個(gè)數(shù)關(guān)系如圖6所示。

從圖6中可以看出，訓(xùn)練樣本個(gè)數(shù)為2時(shí)，識(shí)別率達(dá)到了低谷，但低谷并不是特征算子導(dǎo)致。因此針對(duì)此數(shù)據(jù)集，樣本數(shù)為2時(shí)效果最差，同時(shí)樣本數(shù)為5時(shí)，相較于1、2、3、4，識(shí)別率有明顯的提升，所以樣本數(shù)量的增加能夠有效提升識(shí)別率。對(duì)比圖6(a)和圖6(b)，可以看出，不同的分類方式下，識(shí)別率會(huì)有一定的變化，但本文提出的ELBP-PCA特征，在兩種距離計(jì)算方法下，識(shí)別率均高于其他特征，在不同訓(xùn)練樣本個(gè)數(shù)下均有一定的優(yōu)勢(shì)。

3.2 基于天津靜脈數(shù)據(jù)庫(kù)分析

由以上實(shí)驗(yàn)分析可知，本文算法在SDUMLA數(shù)據(jù)庫(kù)中的識(shí)別率最高為99.53%，高于其他對(duì)比特征，同時(shí)表明了本文算法的高性能。為證明本文算法的通用性，而不是針對(duì)某一數(shù)據(jù)集有較好的性能，將本文算法與LBP、HOG和LBP-PCA等特征在天津數(shù)據(jù)庫(kù)上進(jìn)一步對(duì)比分析。

天津靜脈數(shù)據(jù)庫(kù)樣本中，每種類型包含15個(gè)樣本，可分別選取1、3、5、7、9個(gè)訓(xùn)練樣本數(shù)構(gòu)建5個(gè)訓(xùn)練庫(kù)，分析各算法在天津數(shù)據(jù)庫(kù)上的識(shí)別率與訓(xùn)練樣本個(gè)數(shù)的關(guān)系。在不同訓(xùn)練樣本個(gè)數(shù)的情況下,得出不同特征的識(shí)別率,同時(shí)也可反映出本文方法在天津靜脈數(shù)據(jù)庫(kù)上的性能，得出的各類方法所能取得的最高識(shí)別率。同樣采用兩種不同的距離計(jì)算方式構(gòu)建分類器，計(jì)算不同訓(xùn)練樣本下的識(shí)別率，對(duì)比結(jié)果如表2所示。

由表2可知，各類特征在此數(shù)據(jù)集上的識(shí)別率均在94%以上，表明紋理和梯度特征在靜脈識(shí)別中有較好的性能。比較樣本個(gè)數(shù)與識(shí)別率的關(guān)系可知，天津數(shù)據(jù)庫(kù)的最佳樣本數(shù)個(gè)數(shù)應(yīng)在3～5，過(guò)多的樣本反而會(huì)降低識(shí)別率。其中利用歐式距離分類，訓(xùn)練樣本個(gè)數(shù)為3時(shí)，ELBP的識(shí)別率達(dá)到最大值99.74%，高于LBP的97.53%，與HOG持平；而使用曼哈頓距離分類時(shí)，訓(xùn)練樣本個(gè)數(shù)為5時(shí)，識(shí)別率達(dá)到99.84%，高于LBP、HOG的98.75%、99.74%，表明ELBP特征在不同的數(shù)據(jù)集上仍有很好的識(shí)別性能。

圖6 訓(xùn)練樣本數(shù)對(duì)比Fig.6 Comparison of the number of training samples

表2 不同訓(xùn)練樣本個(gè)數(shù)下的識(shí)別率

4 結(jié)論

結(jié)合信息熵與改進(jìn)型LBP算子提出了信息熵加權(quán)的ELBP算子，整體上突出圖像部分信息豐富區(qū)域的表達(dá)，對(duì)于單個(gè)LBP算子通過(guò)引入鄰域像素間的關(guān)系加強(qiáng)了LBP算子的識(shí)別性能，并通過(guò)PCA降維，消除冗余特征，提升了圖像的識(shí)別率與匹配速度。實(shí)驗(yàn)結(jié)果表明，本文算法能夠有效提升識(shí)別率，在兩個(gè)數(shù)據(jù)集上最高識(shí)別率分別達(dá)到99.53%、99.84%，相對(duì)于單一的LBP、HOG算法，具有更高的識(shí)別性能，并且在識(shí)別時(shí)間上同樣具有一定的優(yōu)勢(shì)。同時(shí)經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文算法與曼哈頓距離結(jié)合識(shí)別性能更好。