基于MMNBP的手指静脉识别方法*

付 华， 李 涛, 司南楠

(1.辽宁工程技术大学 电气与控制工程学院，辽宁 葫芦岛 125105；2.国网辽宁省电力有限公司 葫芦岛供电公司，辽宁 葫芦岛 125105)

0 引 言

由于传统的身份鉴别方式如密码、身份证等存在易丢失、易被盗用等安全风险，已经满足不了人们对身份识别安全性的要求，因此各种基于生物特征识别技术凭借较高的安全性和便利性受到用户的青睐。相比于指纹识别[1]、人脸识别[2，3]、掌纹识别[4]等其他生物特征识别技术，人类手指静脉生物特征识别具有其独特的优势[5]，比如具有更好的稳定性、防复制性、唯一性和普遍性等优势。因此，指静脉认证具有很高的研究价值和市场应用前景。

目前手指静脉图像的特征提取的方法主要有以下几类：1)运用基于子空间的理论思想，如文献[6，7]，以空间投影变化理论将原始手指静脉图像降维，提取图像的空间特征并同时提高系统识别效率，但此类方法对光照等噪声的影响比较敏感；2)运用基于结构特征的理论思想，如文献[8]对手指静脉图像上的特征点和几何线提取结构特征，但方法受限于特征点的数量、算法的复杂度；3)运用基于纹理分析的理论思想，如文献[9～12]对手指静脉图像的全局或局部纹理提取特征，基于纹理分析的方法能够有效描述静脉的纹理特征，因此在静脉识别中有着广泛的应用。

在指静脉特征提取过程中，由于图像采集时易受光照、噪声等因素的干扰，并且手指静脉存在于人体表层之下，使采集的手指静脉图像出现模糊，导致鲁棒性下降。因此，本文将传统局部二值模式(local binary pattern，LBP)[13]方法改进形成多块均值近邻二值模式(multi-block mean neighbors-based binary pattern，MMNBP)，最终以汉明距离完成匹配识别。在国外和国内两个指静脉图库中进行实验，实验结果表明本文方法相对于传统的LBP等典型算法具有更低的等误率，识别效果更好，具备可行性和有效性。

1 基本原理

1.1 LBP

LBP是一种基于纹理分析进行特征提取的经典算法，其中心思想是：将图像中的某一像素点作为中心点，选取一个采样点数为P，半径为R的局部领域，表示为(P,R)。选邻域内处于中心的像素灰度值作为阈值，剩余的像素点与该阈值作比较。若小于该阈值，标记为0；否则，标记为1。将通过比较后形成的二进制码转换成十进制数，即为中心像素的LBP编码的值。LBP算子定义为

(1)

(2)

式中 中心像素点c的坐标为(xc,yc)，灰度值为gc；i表示第i个像素点，gi为其灰度值。

1.2 近邻二值模式

经典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。本文提出的一种改进的纹理描述方法近邻二值模式(neighbor-based binary pattern，NBP)，该算法考虑到了邻近像素之间的灰度大小关系。图1为3×3窗口的NBP像素排列方法的一个示例。

图1 像素窗口

以图1所示的窗口为例，NBP编码步骤如下：

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P7,P6,…,P1,P0。

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(3)进行灰度值比较

(3)

当i=0时

(4)

从而得到二进制的编码串。

3)将得到的二进制编码串按式(5)转换成十进制数值，作为中心像素NBP编码数值

(5)

图2为NBP编码的一个示例。

图2 NBP编码示例

1.3 多块均值邻近二值模式

相对于LBP，NBP在一定程度上改善了对噪声敏感的问题，但仍易受噪声影响，并且采集到的手指静脉图像可能存在图像旋转等问题。因此，本文进一步提出基于MMNBP的手指静脉特征提取方法。

首先把提取到的手指静脉感兴趣区域(region of interest,ROI)图像做分块处理，对每一个子块计算该区域的灰度均值，然后将所有子块的均值重新组合成一个多块均值矩阵V。最后，对新的图像矩阵V进行NBP编码，得到手指静脉图像的最终编码结果。图3给出了指静脉取多块均值的计算示意图。

图3 各分块均值

MMNBP方法可以进一步减少指静脉图像局部噪声点造成的干扰，能够降低图像采集时手指旋转可能产生的影响。且MMNBP方法可以有效地降低数据的维度，提高识别系统的整体运行效率。

2 手指静脉特征匹配

本文利用MMNBP编码之间的汉明距离(Hamming distance)来判断获取到的手指静脉图像是否匹配。设有2个编码字符串Cstr1,Cstr2,其比特串形式为

Cstr1=x1x2…xN,Cstr2=y1y2…yN

(6)

式中x，y为0或1。两个编码串之间的汉明距离定义为

(7)

式中 “⊕”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2个手指静脉特征之间的相似程度。RHD∈[0,1]，RHD越小则说明2个特征之间的相似程度越高，RHD越大则说明相似程度越低。在识别时候，当RHD

3 实验与结果分析

实验环境为MATLAB R2015a，windows 7系统，中央处理器为Intel(R) Core(TM) i7-4720HQ，主频为2.6 GHz，内存为8.00 GB。

本文采用类内、类间匹配实验进行测试，评估算法的综合性能，其中类内匹配是指对来自同一手指的不同图像进行匹配，类间匹配是指对来自不同手指的图像进行匹配[14]。首先绘制出类内类间匹配曲线，然后根据曲线确定适当的阈值t。最终，依据RHD与t的判定条件实现匹配过程。

实验的评价指标为：等误率(equal error rate，EER)、错误接受率(false accept rate，FAR)、错误拒绝率(false rejection rate，FRR)。在同一坐标下，以FAR为横坐标，以FRR为纵坐标，绘制出接受者操作特征(receiver operating characteristics，ROC)曲线；在该曲线上，FAR和FRR的交点即为ERR。ERR越低，整体识别效果越好[15]。

FRR，FAR的计算公式如下

(8)

式中vE为系统错误拒绝的次数，vH为合法用户尝试次数，vA为系统错误接受的次数，vJ为非法用户尝试次数。

实验1本实验采用马来西亚大学FINGER VEIN USM(FV-USM)数据库[16]，该数据库是公开的红外手指图像数据库，可供相关领域的其他研究人员根据标准数据库来测试和评估其算法。数据库中的图像共492个手指类和2952张(123×4×6)图像，ROI大小为100像素×300像素。在该图库中，共进行类内匹配7 380次和类间匹配4 348 296次，合计4 355 676次。

对指静脉图像进行如表1方式的均匀分割，统计各种分块方式下的EER，结果如表1所示。

表1 各种分块方法的效果(FV-USM数据库)

由表1分析可知，如果分割的子块区域过大，则不能准确地提取到指静脉局部的纹理特征，而如果分割的子块区域太小，就不能有效地描述指静脉的纹理结构。因此，适当的分块方式可以有效提取到指静脉的纹理特征，较好地降低EER值。当采用24×16分块方式时，类内类间曲线对应的阈值为t=0.302 7，可获得最低EER为2.461 1 %。

在FV-USM数据库上将本文方法与传统LBP方法和其他典型方法[17,18]进行对比实验，各算法的EER为：MMNBP为2.461 1 %，LBP为4.922 2 %，2DFisher为3.852 7 %，Gabor为3.359 4 %。实验结果表明，在相同条件下，本文算法具有最低的等误率，识别效果最优。

各算法的执行时间，MMNBP在FV-USM数据库上识别的总时间为0.224 s，与Gabor(0.417 9 s)算法和2D Fisher(0.659 0 s)算法相比具有一定的优势，与LBP(0.082 5 s)方法相比用时较多，但该执行时间还可以满足实时识别的要求，具有可行性。

实验2实验采用天津市智能信号与图像处理重点实验室数据库[8]，该数据库中有64个手指样本，每个手指有15幅图像，ROI尺寸归一化为170像素×80像素。该数据库中的指静脉图像质量较好，静脉纹理清晰，图像噪声和干扰较小。在该图库中共进行类内匹配6720次，类间匹配453 600次，合计460 320次。

由表2可知，采用48×16分块方式时，类内类间曲线对应的阈值为t=0.440 0，可获得最低等误率EER为0.313 7 %。

表2 不同分块方法的效果(数据库2)

在数据库2上将本文方法与其他各典型方法进行对比实验，各算法的EER为：MMNBP为0.313 7 %，LBP为0.947 4 %，2DFisher为0.897 5 %，Gabor为0.649 6 %。实验结果表明，在相同条件下，本文算法等误率最低，识别效果最优。表6给出了不同算法的运行时间，本文方法在数据库2上的识别总时间为0.102 2 s,LBP为0.066 4 s，Gabor为0.212 9 s,2Dfisher为0.068 1 s，具有可行性。

4 结 论

1)实验结果表明，MMNBP方法能够有效提取到指静脉的纹理特征；并且图像经过分块、取均值操作，降低了数据的维度，提高了识别系统的整体运行效率。

2)与其他几种典型方法相比，本文方法得出的EER最低，表明本文方法整体识别效果较好，具有一定的优势。

3)实验1所用的图库相比于实验2，图像质量较差，静脉的纹理特征与背景对比度低，但经过本文方法仍取得了最低为2.461 1 %的等误率，明显低于其他方法获得的等误率，表明本文方法相比于其他算法具有较好的鲁棒性和稳定性。

4)下一步的工作是进一步提高算法的运行效率，考虑将NBP与其他方法结合来进行手指静脉的识别，进一步降低等误率。