基于局部宏观特征和微观特征结合的手背静脉身份识别

工程科学学报，第37卷，第7期：965970,2015年7月 Chinese Journal of Engineering,Vol.37,No.7:965-970,July 2015 DOI:10.13374/j.issn2095-9389.2015.07.020:http://journals.ustb.edu.cn 基于局部宏观特征和微观特征结合的手背静脉身份 识别 王一丁”，于晓婕，李琛”，穆志纯》 1)北方工业大学信息工程学院，北京1000412)北京科技大学自动化学院，北京100083 ☒通信作者，E-mail:gengyuan927@163.com 摘要手背静脉身份识别由于其非接触和不易被污染等独特的优势，已成为各种新型生物特征识别手段中的研究和应用 热点.如何提取具有高鉴别性且鲁棒的手背静脉图像特征是本文的研究重点.本文简述了基于局部二值模式(local binary pattern,LBP)的特征提取方法及其改进方法的基本原理，讨论分析了其不足，并针对不足，提出了一种多尺度块中心对称局 部二值模式(nulti-scale block center-symmetric LBP,MB-CSLBP)算子.本文所提出的MB-CSLBP算子既考虑图像的局部宏观 特征，也兼顾图像的微观特征，获取了更加全面的图像信息.在自建的2040幅近红外手背静脉图像数据库中，用MB-CSLBP 方法获取图像特征并使用最近邻分类器进行识别.大量的对比实验结果表明，本文所提方法的识别率达到98.21%，优于原 始LBP及其改进算子，中心对称局部二值模式(center-symmetric LBP,CS-LBP)和多尺度块局部二值模式(multi-scale block LBP,MB-LBP)等. 关键词身份识别：手；静脉：特征提取：宏观特征：微观特征 分类号TP391.41 Hand-dorsa vein identification based on local macroscopic and microscopic characteristics WANG-ding”,YU Xiao-jie,I Chen”,MU Zhi--thun 1)School of Information Engineering,North China University of Technology,Beijing 100041,China 2)School of Automation and Electrical Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:gengyuan927@163.com ABSTRACT As hand-dorsa vein identification is non-contact,not easily polluted,and has other unique advantages,it becomes a new research and application hotspot of biometric identification methods.The focus of this paper is how to extract hand-dorsa vein image characteristics with high identification rate and robustness.This paper briefly describes the basic principle of local binary pattern (LBP)and improved LBP methods,and analyzes the disadvantages of these methods.A novel method called multi-scale block center- symmetric LBP(MB-CSLBP)is proposed.It includes not only the image's microstructures but also macrostructures,which can give more information of the image.This method is tested on a database of 2040 near-infrared hand-dorsa vein images using MB-CSLBP features and a nearest neighbor classifier.A large number of experimental results show that the proposed method offers a better recogni- tion result of 98.21%,outperforming the original LBP and improved LBP operators,such as CS-BP and MB-LBP. KEY WORDS identification:hands:veins;feature extraction:macroscopic characteristics;microscopic characteristics 利用手背静脉信息进行身份识别是近十几年发展起来的一种新的生物识别方法·可，手背静脉识别主 收稿日期：201403-30 基金项目：国家自然科学基金资助项目(61271368)：北京市自然科学基金重点项目(KZ201410009013)

工程科学学报，第 37 卷，第 7 期: 965--970，2015 年 7 月 Chinese Journal of Engineering，Vol． 37，No． 7: 965--970，July 2015 DOI: 10． 13374 /j． issn2095--9389． 2015． 07． 020; http: / /journals． ustb． edu． cn 基于局部宏观特征和微观特征结合的手背静脉身份 识别 王一丁1) ，于晓婕1) ，李 琛1) ，穆志纯2) 1) 北方工业大学信息工程学院，北京 100041 2) 北京科技大学自动化学院，北京 100083  通信作者，E-mail: gengyuan927@ 163． com 摘 要 手背静脉身份识别由于其非接触和不易被污染等独特的优势，已成为各种新型生物特征识别手段中的研究和应用 热点． 如何提取具有高鉴别性且鲁棒的手背静脉图像特征是本文的研究重点． 本文简述了基于局部二值模式( local binary pattern，LBP) 的特征提取方法及其改进方法的基本原理，讨论分析了其不足，并针对不足，提出了一种多尺度块中心对称局 部二值模式( multi-scale block center-symmetric LBP，MB-CSLBP) 算子． 本文所提出的 MB-CSLBP 算子既考虑图像的局部宏观 特征，也兼顾图像的微观特征，获取了更加全面的图像信息． 在自建的 2040 幅近红外手背静脉图像数据库中，用 MB-CSLBP 方法获取图像特征并使用最近邻分类器进行识别． 大量的对比实验结果表明，本文所提方法的识别率达到 98. 21% ，优于原 始 LBP 及其改进算子，中心对称局部二值模式( center-symmetric LBP，CS-LBP) 和多尺度块局部二值模式( multi-scale block LBP，MB-LBP) 等． 关键词 身份识别; 手; 静脉; 特征提取; 宏观特征; 微观特征 分类号 TP391. 41 Hand-dorsa vein identification based on local macroscopic and microscopic characteristics WANG Yi-ding1) ，YU Xiao-jie1)  ，LI Chen1) ，MU Zhi-chun2) 1) School of Information Engineering，North China University of Technology，Beijing 100041，China 2) School of Automation and Electrical Engineering，University of Science and Technology Beijing，Beijing 100083，China  Corresponding author，E-mail: gengyuan927@ 163． com ABSTＲACT As hand-dorsa vein identification is non-contact，not easily polluted，and has other unique advantages，it becomes a new research and application hotspot of biometric identification methods． The focus of this paper is how to extract hand-dorsa vein image characteristics with high identification rate and robustness． This paper briefly describes the basic principle of local binary pattern ( LBP) and improved LBP methods，and analyzes the disadvantages of these methods． A novel method called multi-scale block center￾symmetric LBP ( MB-CSLBP) is proposed． It includes not only the image's microstructures but also macrostructures，which can give more information of the image． This method is tested on a database of 2040 near-infrared hand-dorsa vein images using MB-CSLBP features and a nearest neighbor classifier． A large number of experimental results show that the proposed method offers a better recogni￾tion result of 98. 21% ，outperforming the original LBP and improved LBP operators，such as CS-LBP and MB-LBP． KEY WOＲDS identification; hands; veins; feature extraction; macroscopic characteristics; microscopic characteristics 收稿日期: 2014--03--30 基金项目: 国家自然科学基金资助项目( 61271368) ; 北京市自然科学基金重点项目( KZ201410009013) 利用手背静脉信息进行身份识别是近十几年发展 起来的一种新的生物识别方法［1--5］． 手背静脉识别主

·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 ·

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 ·

·968· 工程科学学报，第37卷，第7期 93 949293 9%9%9892 92 95 96 91 92 93 92 97 9297 9192 9 9894 5 9798 89 95 92 0 9291929492 999979592 →0111 93929492 90989296929596999291 91898589 188 9287899091929然999191 90 89 93 91494 92 9295969792 910 899193 949698 MB-CSLBP 9092909189 909290 9893949598 919194 9291908988 90889291889592949296 8992869091 8588869092 9893909291 89 9193 →1011 融合 MB-CSLBPIS 90 89 6 9092 8992 9092 909290 92 892 8991287 9395 8790889291 8890918785696999790 (e)CS-LBP 86929209287899192929590909293 (a)尺度为15 图5MB-CSLBP5形成过程.(a)尺度为15：(b)MB-CSLBP:(e)CSBP Fig.5 Forming process of MB-CSLBP15:(a)scale of 15:(b)MB-CSLBP (c)CS-BP MB-CSLBP5的过程. MB-CSLBP编码后的图像结合了CS-LBP对称性和 图6是多种算子对预处理后的手背静脉图像进行 MB-BP大尺度描述能力的优势，使得图像更加平滑， 编码得到的结果.从图中分析可知：LBP和LBP编 对局部微小变化不敏感，对噪声有更强的鲁棒性.所 码后图像受到噪音的干扰较大；CS-LBP编码后的图像 以对MB-CSLBP和CS-BP进行融合得到的 较好地表现了原始图像，噪音的干扰较小，特征也较为 MB-CSLBP既考虑宏观特征也兼顾微观特征，更好地体 清晰细腻，体现出图像微观特征：MB-LBP编码后的图 现图像整体特性，为后续识别提供良好条件.下面我 像相对更平滑，尺度更大，有更好的抗噪能力： 们将通过识别实验来验证本文所提方法的有效性. (a) (e) d ) 图6对比特征图像.(a)原始手背静脉图像：(b)LBP:(e)LBPe:(d)CSBP:(e)MBBP;((MB-BP:(g)MB-CSLBP: (h)MB-CSLBP Fig.6 Comparing feature images:(a)original hand-dorsa vein image:(b)IBP:(c)LBP (d)CS-BP;(e)MBB:(f)MB-BP:(g) MB-CSLBP:(h)MB-CSLBP 人左右手各采集10幅图片，共2040幅图片，且采集的 3实验结果分析与比较 手背静脉图像的大小一致，均为640×480像素的256 为了验证本文方法的有效性，实验阶段采用的是 灰度级图像.为了尽量接近真实的应用环境，在采集 自建数据库6-切.该数据库图像是在相同的实验环境 图像时包含了一些轻微的姿势变化.由于左右手不 下，用红波长介于660~1200nm的近红外设备采集得 同，可以认为是204类手背图像. 到的，采集对象包括102人，其中男50人，女52人，每 在实验时，用每一类手背图像中的5幅作为训练

工程科学学报，第 37 卷，第 7 期 图 5 MB-CSLBP15形成过程． ( a) 尺度为 15; ( b) MB-CSLBP15 macro ; ( c) CS-LBP Fig． 5 Forming process of MB-CSLBP15 : ( a) scale of 15; ( b) MB-CSLBP15 macro ; ( c) CS-LBP MB-CSLBP15的过程． 图 6 是多种算子对预处理后的手背静脉图像进行 编码得到的结果． 从图中分析可知: LBP 和 LBPriu2 编 码后图像受到噪音的干扰较大; CS-LBP 编码后的图像 较好地表现了原始图像，噪音的干扰较小，特征也较为 清晰细腻，体现出图像微观特征; MB-LBP 编码后的图 像 相 对 更 平 滑，尺 度 更 大，有 更 好 的 抗 噪 能 力; MB-CSLBPmacro编码后的图像结合了 CS-LBP 对称性和 MB-LBP 大尺度描述能力的优势，使得图像更加平滑， 对局部微小变化不敏感，对噪声有更强的鲁棒性． 所 以 对 MB-CSLBPmacro 和 CS-LBP 进 行 融 合 得 到 的 MB-CSLBP既考虑宏观特征也兼顾微观特征，更好地体 现图像整体特性，为后续识别提供良好条件． 下面我 们将通过识别实验来验证本文所提方法的有效性． 图 6 对比特征图像． ( a) 原始手背静脉图像; ( b) LBP; ( c) LBPriu2 ; ( d) CS-LBP; ( e) MB-LBP6 ; ( f) MB-LBP9 ; ( g) MB-CSLBP6 macro ; ( h) MB-CSLBP9 macro Fig． 6 Comparing feature images: ( a) original hand-dorsa vein image; ( b) LBP; ( c) LBPriu2 ; ( d) CS-LBP; ( e) MB-LBP6 ; ( f) MB-LBP9 ; ( g) MB-CSLBP6 macro ; ( h) MB-CSLBP9 macro 3 实验结果分析与比较 为了验证本文方法的有效性，实验阶段采用的是 自建数据库［16--17］． 该数据库图像是在相同的实验环境 下，用红波长介于 660 ～ 1200 nm 的近红外设备采集得 到的，采集对象包括 102 人，其中男 50 人，女 52 人，每 人左右手各采集 10 幅图片，共 2040 幅图片，且采集的 手背静脉图像的大小一致，均为 640 × 480 像素的 256 灰度级图像． 为了尽量接近真实的应用环境，在采集 图像时包含了一些轻微的姿势变化． 由于左右手不 同，可以认为是 204 类手背图像． 在实验时，用每一类手背图像中的 5 幅作为训练 · 869 ·

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 ·969* 样本，剩余的5幅作为测试样本.选择手背正中央提 表1原始数据库上不同方法的识别率 取稳定的矩形区域，分辨率是381×381，作为后续特 Table 1 Recognition rates with different approaches on original database 征提取的有效区域.在识别过程中，提取测试样本的 识别率/% 方法 直方图与训练样本的直方图进行比对，采用最近邻分 未分块 8×8分块 类方法. LBP 43.93 87.12 为了充分说明本文方法的鲁棒性，在实验设计时， LBpru2 19.28 80.91 我们不仅对原始图像进行了特征提取和识别，还对加 CS-BP 46.83 94.02 MB-BP9 77.37 94.54 入噪声和旋转等干扰处理之后的图像进行特征提取和 MB-CSLBP 75.77 98.21 识别；此外，为了说明本文方法的优越性，在各组实验 中，我们均对比了本文提出的MB-CSLBP和其他已有 表2图像相关系数低时不同方法的识别率 的LBP方法的识别效果.MB-LBP和MB-CSLBP都采 Table 2 Recognition rates with different approaches when the image 用尺度为9的实验，其他的算子都采用像素3×3邻域 correlation is low 作为采样点 方法 识别率1% 第1组实验，不对手背静脉图像进行分块操作，直 LBP 58.82 接对整幅图像提取特征并用于识别，由于图像各区域 LBP2 48.04 CS-BP 的局部特征差异往往比较大，因此直接对整幅图像提 66.67 取特征会导致局部差异信息的丢失. MB-BP 74.51 MB-CSLBP 84.31 第2组实验，首先对手背静脉图像进行分块，把图 像等分成N小块，再对每一小块区域提取特征，最终 第4组实验，从每一类图像中选取5幅并引入均 把所有子块的特征按顺序串接起来，作为总特征.考 值为0，方差为0.0001的高斯噪声 虑到对计算的复杂性和识别率的影响，经多次试验分 第5组实验，从每一类图像中选取5幅并进行球 析，最终分成8×8块，即手背静脉图像分成64小块， 面化扭曲处理，使图像发生扭曲. 如图7. 第6组实验，从每一类图像中选取5幅并进行5° 的旋转处理 以上三组实验均随机选取每一类手背图像中的5 幅作为训练样本，剩余的5幅作为测试样本.各组实 验识别率如表3、表4和表5所示 表3图像引入高斯噪声时不同方法的识别率 Table 3 Recognition rates with different approaches when Gaussiar noise is introduced in the image 方法 识别率/% 图7手背静脉图像分成64小块 LBP 82.18 Fig.7 Divide hand-dorsa vein image into 64 sub-regions LBPr2 61.45 CS-BP 89.02 如表1所示，第1组实验中，识别率较低.这是因 MB-BP 89.69 为在没有进行分块时，得到的特征维数低，对于生物特 MB-CSLBP 96.83 征识别显然是不充足的.图像进行分块之后的识别率 有了较大的提高.原因是图像分块后，可以将特征信 表4图像扭曲处理时不同方法的识别率 息分割开，保持局部区域所特有的特征信息，同时也解 Table 4 Recognition rates with different approaches when the image is warped 决特征维数的问题，有助于大大提高识别效果 为了进一步验证MB-CSLBP算子鲁棒性，又进行 方法 识别率/% 多组实验对比 LBP 80.52 第3组实验，从手背静脉数据库中每一类图像选 LBPi 73.75 取一幅作为训练样本，在剩下的9幅中选取出相关系 CS-BP 88.76 数最低的5幅图像作为测试样本.对于该组实验，各 MB-LBP 90.20 LBP算子的识别率如表2所示. MB-CSLBP 94.58

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 样本，剩余的 5 幅作为测试样本． 选择手背正中央提 取稳定的矩形区域，分辨率是 381 × 381，作为后续特 征提取的有效区域． 在识别过程中，提取测试样本的 直方图与训练样本的直方图进行比对，采用最近邻分 类方法． 为了充分说明本文方法的鲁棒性，在实验设计时， 我们不仅对原始图像进行了特征提取和识别，还对加 入噪声和旋转等干扰处理之后的图像进行特征提取和 识别; 此外，为了说明本文方法的优越性，在各组实验 中，我们均对比了本文提出的 MB-CSLBP 和其他已有 的 LBP 方法的识别效果． MB-LBP 和 MB-CSLBP 都采 用尺度为 9 的实验，其他的算子都采用像素 3 × 3 邻域 作为采样点． 第 1 组实验，不对手背静脉图像进行分块操作，直 接对整幅图像提取特征并用于识别，由于图像各区域 的局部特征差异往往比较大，因此直接对整幅图像提 取特征会导致局部差异信息的丢失． 第 2 组实验，首先对手背静脉图像进行分块，把图 像等分成 N 小块，再对每一小块区域提取特征，最终 把所有子块的特征按顺序串接起来，作为总特征． 考 虑到对计算的复杂性和识别率的影响，经多次试验分 析，最终分成 8 × 8 块，即手背静脉图像分成 64 小块， 如图 7． 图 7 手背静脉图像分成 64 小块 Fig． 7 Divide hand-dorsa vein image into 64 sub-regions 如表 1 所示，第 1 组实验中，识别率较低． 这是因 为在没有进行分块时，得到的特征维数低，对于生物特 征识别显然是不充足的． 图像进行分块之后的识别率 有了较大的提高． 原因是图像分块后，可以将特征信 息分割开，保持局部区域所特有的特征信息，同时也解 决特征维数的问题，有助于大大提高识别效果． 为了进一步验证 MB-CSLBP 算子鲁棒性，又进行 多组实验对比． 第 3 组实验，从手背静脉数据库中每一类图像选 取一幅作为训练样本，在剩下的 9 幅中选取出相关系 数最低的 5 幅图像作为测试样本． 对于该组实验，各 LBP 算子的识别率如表 2 所示． 表 1 原始数据库上不同方法的识别率 Table 1 Ｒecognition rates with different approaches on original database 方法 识别率/% 未分块 8 × 8 分块 LBP 43. 93 87. 12 LBPriu2 19. 28 80. 91 CS-LBP 46. 83 94. 02 MB-LBP9 77. 37 94. 54 MB-CSLBP9 75. 77 98. 21 表 2 图像相关系数低时不同方法的识别率 Table 2 Ｒecognition rates with different approaches when the image correlation is low 方法 识别率/% LBP 58. 82 LBPriu2 48. 04 CS-LBP 66. 67 MB-LBP9 74. 51 MB-CSLBP9 84. 31 第 4 组实验，从每一类图像中选取 5 幅并引入均 值为 0，方差为 0. 0001 的高斯噪声． 第 5 组实验，从每一类图像中选取 5 幅并进行球 面化扭曲处理，使图像发生扭曲． 第 6 组实验，从每一类图像中选取 5 幅并进行 5° 的旋转处理． 以上三组实验均随机选取每一类手背图像中的 5 幅作为训练样本，剩余的 5 幅作为测试样本． 各组实 验识别率如表 3、表 4 和表 5 所示． 表 3 图像引入高斯噪声时不同方法的识别率 Table 3 Ｒecognition rates with different approaches when Gaussian noise is introduced in the image 方法 识别率/% LBP 82. 18 LBPriu2 61. 45 CS-LBP 89. 02 MB-LBP9 89. 69 MB-CSLBP9 96. 83 表 4 图像扭曲处理时不同方法的识别率 Table 4 Ｒecognition rates with different approaches when the image is warped 方法 识别率/% LBP 80. 52 LBPriu2 73. 75 CS-LBP 88. 76 MB-LBP9 90. 20 MB-CSLBP9 94. 58 · 969 ·