掌纹掌脉图像超小波域融合识别算法

李新春，曹志强，林 森，张春华

(1.辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105； 2.辽宁工程技术大学 研究生院，辽宁 葫芦岛 125105)(*通信作者电子邮箱1009488691@qq.com)

0 引言

在计算机视觉和模式识别领域，以人体特征鉴别身份的认证技术受到了研究学者的广泛关注[1]。与传统的身份鉴别技术相比，它具有唯一性、随身携带和难假冒伪造的特点，因此更为有效、方便和安全[2]。

单一的生物特征由于受特征提取技术及环境等因素的影响，不可能真正地具有唯一性，这就使得系统的稳定性和实用性较差，且很难通过仅改进特征提取技术或特征匹配算法来解决此问题[3]。为了提高系统的识别精度和稳定性，引入多模态生物特征融合识别技术。与传统单一模态特征的识别技术不同，多模态生物特征识别技术对相同的生物特征采用多种方法进行识别，或对不同的生物特征采用多种方法进行识别，以实现身份的鉴定[4]。掌纹掌脉识别技术虽然在生物识别技术领域起步较晚，但近年来受到越来越多的关注。与虹膜、指纹、人脸、步态等特征相比，掌纹掌脉具有诸多优势：不涉及隐私问题，用户比较容易接受；采样方法简单，图像比较容易获得；感兴趣区域比指纹大得多，信息量大，可以提取更多的特征等[5-7]:因此掌纹掌脉识别是一种具有广泛应用前景和研究价值的生物特征识别技术。在多尺度分析方向，小波变换是一种优良的分析方法，但在处理图像时存在一些难以避免的缺陷。与小波变换相比，超小波变换在解决信号的多重性问题方面有着巨大的优势[8]。最近几年，超小波变换在信号处理领域被广泛应用到图像处理中。

综上所述，针对单一生物特征识别由于易受多种因素的影响，在识别率和稳定性上存在不足，尤其是高仿生物特征的出现使其安全性受到质疑的问题，本文基于非下采样Contourlet变换(Non-Subsampled Contourlet Transform，NSCT)和近邻二值模式(Neighbor based Binary Pattern， NBP)提出了一种掌纹掌脉图像超小波域融合识别算法NSCT-NBP。该算法基于NSCT将掌纹掌脉图像进行融合，有效结合了掌纹掌脉的边缘特征、细节纹理等信息，为后续的特征提取提供了丰富的纹理信息；然后，对融合后的图像利用具有良好纹理描述特性的NBP算法进行特征提取；最后，用汉明距离进行匹配识别。分别在PloyU图库及自建图库上进行实验，结果表明，本文算法与对比算法相比识别性能更好，更具有可行性和高效性。

1 基本原理

1.1 NSCT

NSCT是利用非下采样金字塔分解和非下采样方向滤波器组实现的。首先采用非下采样金字塔分解实现图像的多尺度分解，得到低频和高频子图像，然后对每个高频子图像利用非下采样方向滤波器进一步分解，得到多方向子带图像[9]。

图1 NSCT结构与理想频域划分

1.2 融合过程及算法

基于NSCT的掌纹掌脉图像融合步骤如下：

1)分解：利用NSCT分解出掌纹掌脉的低频系数和高频系数；

2)融合：对低频系数和高频系数分别采用1.2.1节和1.2.2节的融合规则得到融合图像F的NSCT系数；

3)反变换：对F的NSCT系数进行逆NSCT，得到融合图像F。

1.2.1 低频系数融合规则

(1)

(2)

图2 以(m,n)为中心的两个方向

(3)

(4)

(5)

(6)

式中:mean[·]代表计算均值，std[·]代表计算标准差;k1、k2为经验参数，经过多次实验，k1取0～1,k2取1～3效果较好[13]，本文k1=0.5，k2=1.5。

1.2.2 高频系数融合规则

掌纹掌脉图像经NSCT分解后的高频子带包含图像的纹理和边缘信息，采用图像自相似性作为高频融合规则。设参考块为Qv∈Cj×j，区域C(v)∈Ci×i的中心像素为v，候选块Qp∈Ci×i与Qv的相似性定义如下：

εp=‖Qp-Qv‖F

(7)

(8)

图3 共享相似块的自适应区域

基于最大值原则法，一般选择原图像中清晰度较高的像素作为融合后的图像像素，如下所示：

(9)

其中：O表示清晰度指标，fF是融合后的图像。为了减弱融合产生的方块效应带来的不利影响，一般利用像素清晰度之和O(v)等价像素最大值。通过改进的拉普拉斯算子SML(Some-of-Modified)来计算以r为中心、大小固定的区域。v=(x0,y0)的SML定义如下：

(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)一般不为0。

1.3 近邻二值模式

经典局部二值模式(Local Binary Pattern， LBP)算法仅以中心像素灰度值作为阈值与其他各点比较，这样的编码方式没有考虑到邻近像素点灰度之间的关系，对噪声的影响比较敏感。本文提出一种改进的纹理描述方法近邻二值模式(NBP)，该算法考虑到了邻近像素之间的灰度大小关系。图4为3×3窗口的NBP像素排列方法的一个示例。

图4 3×3窗口的NBP像素排列方法示意图

以图4所示的窗口，NBP编码步骤如下：

步骤1 选取窗口中P7像素点为起点，将中心像素点邻域内的8个像素点以顺时针的方式排列，即P7P6…P1P0。

步骤2 按步骤1中排列好的顺序，从P7开始依次选取像素点，将选取的像素点与其右边相邻的像素点按式(13)进行灰度值比较:

(13)

当i=0时:

(14)

从而得到二进制的编码串。

步骤3 将得到的二进制编码串按式(15)转换成十进制数值，作为中心像素NBP编码数值。

(15)

图5为NBP编码的一个示例。

图5 NBP编码示例

2 NSCT-NBP算法

单模生物特征由于受有效识别信息较少的限制，很难进一步提高识别系统的准确率、稳定性和安全性。掌纹掌脉多模态生物特征融合识别，能够有效提高识别系统的安全性和稳定性，但简单的图像融合虽然增加了整体的信息量，也会加入噪声等冗余信息，对识别系统造成影响。理想的融合方式是突出掌纹掌脉的主要特征而不增加冗余信息。本文利用NSCT在图像处理中的优势，提出了一种掌纹掌脉图像NSCT域融合算法。NSCT是一种新的超小波分析方法，它具有平移不变性和足够的冗余信息，不但克服了以往超小波变换容易引起吉布斯(Gibbs)效应和混频现象的问题，还可以有效地提取掌纹掌脉图像中的方向信息，更加优越和全面地表示掌纹掌脉图像，使得融合后的图像更加符合识别要求。

LBP算法编码方式没有考虑到邻近像素点灰度之间的关系，对噪声的影响比较敏感。为了有效解决以上问题，本文采用NBP算子提取掌纹掌脉融合图像的纹理特征。

2.1 纹理特征提取及融合

掌纹掌脉图像特征提取过程可分为以下两个步骤：

1)对掌纹图像A及掌脉图像B基于NSCT域进行融合，利用NSCT将图像分解为低频子带和高频子带两部分。低频子带采用区域能量自适应加权融合，高频方向子带利用图像自相似进行系数融合，通过对融合系数作逆NSCT处理，融合图像F的重构。

2)对融合图像F采用NBP算子提取特征，得到编码向量SNSCTNBP，如图6所示。

图6 掌纹掌脉图像融合特征提取流程

2.2 特征匹配

本文利用SNSCTNBP编码向量之间的汉明距离(Hamming distance)来判断获取到的图像是否匹配。设有两个编码向量SNSCTNBP1和SNSCTNBP2，其比特串形式为：

SNSCTNBP1=x1x2…xN

(16)

SNSCTNBP2=y1y2…yN

(17)

其中xi，yi(i=1,2,…,N)为0或1。两个编码串之间的汉明距离定义为:

(18)

其中：⊕为异或运算，N为字符串的数据维度。

在进行匹配时，由RHD值的大小来判断两个特征之间的相似程度。RHD∈[0,1]，RHD越小则说明两个特征之间的相似程度越高，RHD越大则说明相似程度越低。在识别时，当RHD和阈值t的关系满足：

RHD

(19)

说明样本是来自同一个人的相同手指静脉，因此被接受；如果不满足上式条件，就被拒绝。

3 实验结果与分析

3.1 评价指标和实验环境

本文采用类内类间匹配验证算法的性能。类内匹配是指同一个人的不同融合图像间的匹配，类间匹配是指不同人的融合图像间的匹配[14]。根据汉明距离绘制出类内类间曲线，由式(19)的判别条件完成匹配过程。

本文采用的评价指标是错误接受率(False Accept Rate， FAR)和错误拒绝率(False Rejection Rate， FRR)，计算公式分别为：

RFAR=va/vj

(20)

RFRR=ve/vh

(21)

式中：vh为合法用户尝试次数，vj为非法用户尝试次数，va为系统错误接受的次数，ve为系统错误拒绝的次数。在同一平面直角坐标系中，以FAR为横坐标、以FRR为纵坐标绘制接受者操作特征(Receiver Operating Characteristics, ROC)曲线，在ROC曲线上，横轴FAR和纵轴FRR的交点即为EER。作为识别性能的一个重要参数，EER越小，则说明算法性能越高、系统识别效果越好。

实验的运行环境为Matlab 2015a，Windows 7系统，中央处理器为Intel Core i3-3110M，主频为2.4 GHz，内存为2.00 GB。

3.2 接触式标准图库实验

实验采用香港理工大学(Hong Kong Polytechnic University, PolyU)建立的手部图像数据库[15]。该数据库是用接触式设备在室内环境中采集的掌纹掌脉图像：850 nm的近红外光下采集100个人手掌静脉图像，每人5张感兴趣区域(Region Of Interest，ROI)图像；在白色LED灯光照射下获取掌纹图像，共100人，每人5张图像[16]。将掌纹掌脉图像进行超小波域融合，得到融合后的100人，每人5张图像，对其进行类内类间匹配实验。

NBP算法中分块方式会对识别结果产生很大影响，所以，对几种大小不同的分块方式在PolyU图库上进行实验，并将NSCT-NBP算法与NSCT-LBP算法进行对比。采用不同的分块方式得到的EER曲线如图7所示，其中分块方式A,B,…，G分别表示的分块尺寸为1×1，2×2，4×4，8×8，16×16，32×32，64×64。

图7 PolyU图库在不同分块方式下的EER

从图7分析可知，当采取8×8的分块方式时，NSCT-NBP算法在PolyU图库上可取得最低等误率为0.72%，识别效果最佳。分块过大或过小都会导致等误率较高，原因为：分块的大小需要与掌纹掌脉纹理相适应，较大的分块无法获得准确的局部纹理特征，较小的分块不能有效描述掌纹掌脉纹理结构，两者都会对特征提取造成影响。只有当子块的大小与掌纹掌脉纹理结构相匹配时，才可获得最佳识别性能。

适当的分块能够使LBP算法获取有效的局部纹理细节信息与整体纹理结构特征，降低等误率，然而LBP算法受噪声等干扰比较明显，因此NSCT-NBP算法在识别性能上优于NSCT-LBP。

图8给出在8×8分块方式下PolyU图库上的ROC曲线，与y=x相交处可获得最低等误率为0.72%。

图8 PolyU图库的ROC曲线

为了体现本文算法的优势，在PolyU图库上将本文算法与2DGabor、LBP、基于小波变换和Gabor滤波器的掌纹掌脉融合方法(算法1)和去掌纹手掌静脉融合方法(算法2)等几种较为典型的方法[17-19]作对比，结果如表1所示。可见在同等条件下，本文算法在PolyU接触式标准图库上EER最小，识别效果最优。单独采用NBP时，掌纹的等误率明显低于掌脉，主要是因为同样在采集纹理信息作为特征时，掌纹图像无论在图像质量还是在纹理信息丰富度上都比掌脉好，而当把两者进行融合后，突出了各自的主要纹理信息，在识别效果上有了一定的提高，表明了图像融合的有效性。

在PolyU图库上，本文算法识别总时间为0.053 02 s，相比2DGabor、2DFisher等算法具有一定的优势；但由于本文算法需将掌纹掌脉图像进行融合后再提取特征，故识别时间会略高于LBP，不过仍能满足实时性的要求，具有可行性。

表1 PolyU图库的实验结果对比

3.3 自建非接触图库实验

实验采用自建的非接触采集图库，区别于接触式标准图库。非接触采集具有友好性和安全性的优势，然而目前还没有公开的非接触采集图库，因此利用光学CCD摄像机，设计一个掌纹掌脉图像采集系统，自建非接触采集图库用于验证算法效果。选择白色LED作为掌纹成像的光源，采集50个人手掌自然张开时的掌纹图像，每人采集10幅右手掌纹的图像。选取850 nm的近红外光源作为掌脉成像光源，同样采集50人，每人10幅，然后提取ROI[20]，其大小为128×128。

图9给出了在自建图库中不同分块方式下的EER。由图9可知，在8×8分块方式下，本文算法取得的最低EER为0.96%，类似于PolyU图库。

图10给出了在8×8分块方式下自建图库上的ROC曲线，与y=x相交处可获得最低等误率为0.96%。

表2给出了自建图库上几种典型算法与本文算法的对比结果，可见在同等条件下，自建图库上本文算法等误率最低，识别效果最好。本文算法识别总时间为0.087 1 s，略高于LBP，仍满足实时性的需求。

图9 自建图库在不同分块方式下的EER

图10 自建图库的ROC曲线

算法EER/%掌纹掌脉识别时间/s掌纹掌脉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 结语

本文提出了一种掌纹掌脉图像超小波域融合识别算法NSCT-NBP。掌纹掌脉图像基于区域能量及图像自相似的NSCT域进行融合，能够得到较好的融合效果；利用近邻二值模式(NBP)提取融合图像的特征，能准确地表征图像纹理特征。分别在PolyU图库、自建图库上进行实验，本文算法的等误率分别为0.72%和0.96%，识别时间分别为0.053 0 s和0.087 1 s，表明该算法能够有效提高系统的识别率并减少识别时间；与对比算法相比，本文算法可以有效降低系统等误率，满足实时性要求，具有可行性和实际应用前景，掌纹掌脉特征融合也增加了系统的安全性和可靠性。接下来的工作是继续优化算法，将本文算法与其他算法结合起来，进一步提高系统性能。