徐子豪 陳光化 傅志威

摘 ?要： 為提升手指靜脈識(shí)別中不同類別間的區(qū)分度，提出一種改進(jìn)型線性判別分析（LDA）結(jié)合局部二值模式（LBP）的識(shí)別方法。針對傳統(tǒng)LDA算法因未對單個(gè)類別分類優(yōu)化而存在的問題，對每個(gè)類別都構(gòu)建一個(gè)最優(yōu)投影空間，計(jì)算每個(gè)類別的最優(yōu)空間中測試樣本與屬于該類別的訓(xùn)練樣本之間的匹配度。結(jié)合提取到的有效的LBP特征，以及手指靜脈數(shù)據(jù)庫FV?USM和THU?FV，實(shí)驗(yàn)結(jié)果表明，改進(jìn)型LDA算法得到的等錯(cuò)誤率（EER）為0.45%和0.32%，遠(yuǎn)低于傳統(tǒng)LDA算法得到的EER（1.11%和1.10%），提高了手指靜脈的分類效果。

關(guān)鍵詞： 手指靜脈識(shí)別; 線性判別分析; 圖像處理; 投影空間構(gòu)建; 訓(xùn)練樣本匹配; 仿真分析

中圖分類號(hào)： TN911?34; TP391.41 ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）12?0001?04

Abstract： An identification method of the improved linear discriminant analysis （LDA） combined with local binary pattern （LBP） is proposed to improve the discrimination among different categories in finger vein recognition. In allusion to the problem that the traditional LDA algorithm does not optimize the classification of the single category， an optimal projection space is constructed for each category of the samples， and the matching degree between the testing sample and the training sample belonging to this category in the optimal space of each category is calculated. In combination with the extracted effective LBP features and finger vein databases FV?USM and THU?FV， the experimental results show that the equal error rate （EER） obtained by the improved LDA algorithm is 0.45% and 0.32%， which much lower than that （1.11% and 1.10%） obtained by the traditional LDA algorithm， and improves the classification effect of finger veins.

Keywords： finger vein recognition; LDA; image processing; projection space building; training sample matching; simulation analysis

0 ?引 ?言

基于生物特征的身份認(rèn)證為個(gè)人信息提供了前所未有的保障，如指紋識(shí)別、人臉識(shí)別等[1]。在眾多生物特征識(shí)別中，手指靜脈識(shí)別因其具有活體性、不可竊取、難以偽造等優(yōu)點(diǎn)而具有更高的安全性，近年來成為國內(nèi)外的研究熱點(diǎn)。現(xiàn)有研究常從采集的圖片感興趣區(qū)域（Region of Interest，ROI）里將手指靜脈分割出來[2]，再通過模板匹配法、彈性匹配、計(jì)算Hausdorff距離等方法對分割出的手指靜脈進(jìn)行匹配識(shí)別。但是它們對采集的圖像質(zhì)量要求很高，而手指靜脈的清晰度會(huì)受光照不均、被采集人員手指靜脈的粗細(xì)、圖像噪聲等影響。因此，常出現(xiàn)提取不到手指靜脈特征或者提取結(jié)果與實(shí)際差別很大等問題。

為了避免分割手指靜脈及利用靜脈生長特點(diǎn)，另有一些圖像特征提取方法被研究用于手指靜脈識(shí)別，如：基于圖像局部尺度不變性[3]、采用Gabor濾波器提取圖像的特征向量[4]、利用圖像的灰度變化特征提取手指感興趣區(qū)域的局部二值模式（Local Binary Pattern，LBP）[5]等。鑒于LBP算子對圖像灰度變化的描述具有一定的魯棒性，將LBP與基于子空間的分析方法結(jié)合起來較大程度提高了識(shí)別率[6]。線性判別分析（Linear Discriminant Analysis，LDA）是一種有監(jiān)督的基于子空間的模式識(shí)別方法，該算法能夠使原始樣本經(jīng)過線性變換后的信息更有利于分類。

為了進(jìn)一步提高手指靜脈識(shí)別的效果，本文修改了LDA準(zhǔn)則函數(shù)并與LBP特征相結(jié)合，基于多子空間進(jìn)行手指靜脈的匹配識(shí)別。

1 ?基于LBP的指靜脈圖像特征提取

在指靜脈特征提取前，首先需要定位出手指區(qū)域，以將其與背景區(qū)域分開。本文使用文獻(xiàn)[7]的方法，用兩種邊緣檢測模板分別檢測手指的左右邊界，定位出ROI后將其逐行用雙線性插值算法歸一化為特定大小的圖片并增強(qiáng)對比度，如圖1所示。

在獲得n個(gè)投影矩陣[W*i]后，采用一種基于多子空間的匹配方法，即訓(xùn)練樣本特征向量根據(jù)自身類別選擇投影子空間，測試樣本特征向量的投影子空間取決于與之當(dāng)前匹配的訓(xùn)練樣本類別。若某手指靜脈測試樣本的特征向量為[xtest]（[xtest]為行向量），其與[xi，j]在第i類別的最優(yōu)空間[W*i]中的特征向量分別為[yitest]和[yi，j]，即[yitest=xtestW*i]和[yi，j=xi，jW*i]。計(jì)算[yitest]與[yi，j]之間的歐氏距離得出二者匹配度，該值越小匹配度越高。

3 ?結(jié)果與分析

本文利用Matlab軟件進(jìn)行仿真實(shí)驗(yàn)，使用的手指靜脈數(shù)據(jù)庫來源于馬來西亞理科大學(xué)的FV?USM庫和清華大學(xué)的THU?FV庫，分別有492和610種不同類別的手指靜脈圖片，每類分別有6張和8張。將FV?USM庫每類中的4張作為訓(xùn)練樣本，其余2張作為測試樣本，THU?FV庫每類中的5張作為訓(xùn)練樣本，其余3張作為測試樣本，則同源匹配分別為3 936（492×4×2）次和9 150（610×5×3）次，異源匹配分別為1 932 576（492×4×491×2）次和5 572 350（610×5×609×3）次。

對上述兩手指靜脈數(shù)據(jù)庫設(shè)置兩組實(shí)驗(yàn)，取m=4和m=8，在不同數(shù)據(jù)庫、不同效果的LBP特征提取下，將本文改進(jìn)的LDA算法與傳統(tǒng)LDA算法做對比驗(yàn)證。每組實(shí)驗(yàn)的Experiment1不加LDA算法處理，Experiment2使用傳統(tǒng)LDA算法處理，Experiment3使用改進(jìn)的LDA算法處理。實(shí)驗(yàn)使用接受者操作特性（Receiver Operating Characteristic，ROC）曲線反映識(shí)別效果，如圖4和圖5所示。其中，錯(cuò)誤拒絕率（False Rejection Rate，F(xiàn)RR）表示在某一判別相似度的閾值下將同一類別識(shí)別為不同類別的概率;錯(cuò)誤接受率（False Acceptance Rate，F(xiàn)AR）表示在某一判別相似度的閾值下將不同類別錯(cuò)誤判別為同類別的概率。表1統(tǒng)計(jì)出評價(jià)識(shí)別效果的三種重要指標(biāo)，即FRR at 0 FAR表示FAR為0時(shí)FRR的值，F(xiàn)AR at 0 FRR表示FRR為0時(shí)FAR的值，等錯(cuò)誤率（Equal Error Rate，EER）是當(dāng)FRR與FAR相等時(shí)的值。

在所有4組實(shí)驗(yàn)中，改進(jìn)的LDA算法的EER值從0.32%～0.58%不等，明顯優(yōu)于原始LDA算法的EER值（1.10%～2.08%）。因此，在同源匹配錯(cuò)誤率和異源匹配錯(cuò)誤率相等的情況下，改進(jìn)的LDA算法的識(shí)別率均大于等于99.42%，而THU?FV庫中的類別更多、m為4時(shí)原始特征向量識(shí)別率較差，原始LDA算法的識(shí)別率僅有97.92%。對于改進(jìn)的LDA算法，匹配都是在每個(gè)類別的最優(yōu)子空間中進(jìn)行的，類內(nèi)離散度較小，因此在異源匹配錯(cuò)誤率為0的情況下相比于傳統(tǒng)LDA算法，同源匹配錯(cuò)誤率也比較低，F(xiàn)AR at 0 FRR從1.71%～14.88%不等，而傳統(tǒng)LDA的FAR at 0 FRR從8.05%～89.71%不等。同時(shí)，改進(jìn)的LDA算法在同源匹配錯(cuò)誤率為0時(shí)，異源匹配的錯(cuò)誤率較低為0.91%～4.62%不等，對應(yīng)的傳統(tǒng)LDA算法為8.33%～24.95%不等。

因此，本文改進(jìn)的LDA算法優(yōu)于傳統(tǒng)LDA算法，結(jié)合提取到的有效的LBP特征，本文提出的改進(jìn)型LDA結(jié)合LBP的方法在手指靜脈識(shí)別中具備一定的實(shí)用性。

4 ?結(jié) ?語

本文提出一種改進(jìn)型LDA結(jié)合LBP特征的手指靜脈識(shí)別方法，在每種類別的最優(yōu)空間中降低同類別樣本間的離散度，相比較傳統(tǒng)LDA算法的整體優(yōu)化性，改進(jìn)的LDA算法更能夠針對某一類別進(jìn)行優(yōu)化，使得同類別手指靜脈樣本匹配度更高。通過仿真實(shí)驗(yàn)驗(yàn)證本文改進(jìn)的LDA與傳統(tǒng)LDA相比，EER值更低的同時(shí)，在FRR at 0 FAR和FAR at 0 FRR兩個(gè)重要指標(biāo)上的效果明顯，有效提升了手指靜脈的識(shí)別效果，適用于高安全性手指靜脈驗(yàn)證系統(tǒng)。

參考文獻(xiàn)

[1] 木立生，呂迎春.基于稀疏表示與特征融合的人臉識(shí)別方法[J].現(xiàn)代電子技術(shù)，2018，41（9）：83?86.

[2] YANG Lu， YANG Gongping， YIN Yilong， et al. Finger vein recognition with anatomy structure analysis [J]. IEEE transactions on circuits and systems for video technology， 2018， 28（8）： 1892?1905.

[3] 孟憲靜，襲肖明，楊璐，等.基于灰度不均勻矯正和SIFT的手指靜脈識(shí)別方法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，54（1）：1?10.

[4] 李新春，曹志強(qiáng)，林森.基于Gabor和Curvelet的近鄰二值模式手指靜脈識(shí)別方法[J].電子測量與儀器學(xué)報(bào)，2018，32（8）：76?82.

[5] YANG Gongping， XI Xiaoming， YIN Yilong. Finger vein recognition based on a personalized best bit map [J]. Sensors， 2012， 12（2）： 1738?1757.

[6] 胡娜，馬慧，湛濤.融合LBP紋理特征與B2DPCA技術(shù)的手指靜脈識(shí)別方法[J].智能系統(tǒng)學(xué)報(bào)，2019（3）：533?540.

[7] YANG Wenming， RAO Qing， LIAO Qingmin. Personal identification for single sample using finger vein location and direction coding [C]// 2011 International Conference on Hand?Based Biometrics. Hong Kong， China： IEEE， 2011： 1?6.

[8] OJALA T， PIETIKAINEN M， MAENPAA T. Multiresolution gray?scale and rotation invariant texture classification with local binary patterns [J]. IEEE transactions on pattern analysis and machine intelligence， 2002， 24（7）： 971?987.

[9] 張潔玉，趙鴻萍，陳曙.自適應(yīng)閾值及加權(quán)局部二值模式的人臉識(shí)別[J].電子與信息學(xué)報(bào)，2014，36（6）：1327?1333.

[10] 孫即祥.現(xiàn)代模式識(shí)別[M].北京：高等教育出版社，2008.

[11] WEBB A. Statistical pattern recognition [M]. London： Wiley， 2011.