戴桂平,林洪彬

(1.蘇州市職業(yè)大學(xué)電子信息工程學(xué)院,江蘇 蘇州 215104;2.燕山大學(xué)電氣工程學(xué)院,河北 秦皇島 066004)

?

基于非下采樣Contourlet變換和MB_LBP直方圖的掌紋檢測(cè)*

戴桂平1*,林洪彬2

(1.蘇州市職業(yè)大學(xué)電子信息工程學(xué)院,江蘇 蘇州 215104;2.燕山大學(xué)電氣工程學(xué)院,河北 秦皇島 066004)

結(jié)合NSCT分解的多尺度、多方向性、各向異性、平移不變性以及MB_LBP算法的局部特征提取、旋轉(zhuǎn)灰度不變性等優(yōu)勢(shì),提出一種基于非下采樣Contourlet變換NSCT(Nonsubsampled Contourlet Transform)和多塊分區(qū)局部二進(jìn)制模式MB_LBP(Multi-Block Local Binary Patterns)相結(jié)合的掌紋檢測(cè)方法。該方法首先采用NSCT算法對(duì)預(yù)處理過的掌紋圖像進(jìn)行多尺度、多方向稀疏分解;其次,利用MB3-LBP8,2算子分別提取低頻子圖及各高頻子圖分塊子區(qū)域的MB_LBP直方圖特征向量并級(jí)聯(lián);最后,采用AdaBoost算法測(cè)試(NSCT+MB_LBP)的檢測(cè)性能。仿真結(jié)果表明,與(Contourlet+MB_LBP)、(2D-EMD+ICAⅡ)、(Contourlet+NMF)以及單獨(dú)的MB_LBP相比,該方法能更有效地提取掌紋特征,檢測(cè)率更高。

掌紋檢測(cè);特征提取;非下采樣Contourlet變換(NSCT);多塊分區(qū)局部二進(jìn)制模式(MB_LBP);AdaBoost分類

與其他生物特征檢測(cè)(比如指紋、虹膜等)相比,掌紋檢測(cè)具有易采集、檢測(cè)率高、開放性好等優(yōu)點(diǎn),近年來受到了廣泛關(guān)注,具有廣闊的應(yīng)用前景[1]。目前,掌紋檢測(cè)若按照掌紋圖像特征不同大致可分為基于全局特征分析和局部特征分析兩類。其中,基于全局特征提取方法有線性判別分析(LDA)、主成份分析(PCA)、獨(dú)立分量分析(ICA)等[2]。該類方法雖然能從全局的角度對(duì)掌紋進(jìn)行描述,但易受光照和姿態(tài)的影響;而基于局部特征分析的方法,譬如局部二進(jìn)制模式算子LBP(Local Binary Pattern)不僅能更精細(xì)地捕捉圖像的鄰域紋理特征,而且具有極強(qiáng)的灰度單調(diào)和旋轉(zhuǎn)不變性,可以克服掌紋圖像采集中由于掌紋位置和方向不同造成的圖像旋轉(zhuǎn)移位和光照不均問題[3],但正是這種特征的局部化特點(diǎn),使其易受噪聲的影響而不夠穩(wěn)定,缺乏對(duì)整體信息的粗粒度把握,因而本文采用多塊分區(qū)局部二進(jìn)制模式MB-LBP(Multi-Block Local Binary Patterns)算子來進(jìn)行改進(jìn)。

然而,由于不同方向和尺度的掌紋主線和乳突紋等特征包含了更多掌紋分類的信息,直接應(yīng)用LBP算子,并不能獲得很好的檢測(cè)效果。研究表明,人類視覺感知系統(tǒng)的視覺皮層善于接收的是以帶通性、局域性和方向性為特征的信息[4-5],因此有效的掌紋特征提取方法應(yīng)具備多尺度性、多方向性和局域性。常用的多尺度分析方法主要包括二維離散小波變換(2D-DWT)、Bandelet、Wedgelet、Shearlet、Curvelet、Contourlet以及非采樣Contourlet變換NSCT(Nonsubsampled Contourlet Transform)等。其中,2D-DWT能實(shí)現(xiàn)圖像的多尺度分解,但其方向數(shù)有限,不能充分地挖掘掌紋圖像中多方向、邊緣等細(xì)節(jié)信息[6];Bandelet、Wedgelet、Shearlet、Curvelet等算法復(fù)雜且對(duì)圖像光照及位置比較敏感;Contourlet變換具有多尺度、局部性、臨界抽樣、方向性、各向異性等5大特點(diǎn)[7-8],其中各向異性使得該變換能更稀疏地表達(dá)圖像中重要而復(fù)雜的幾何特征,從而子帶矩陣中的能量更集中于紋理部分,因此對(duì)光照和干擾等不敏感,但缺乏平移不變性;而NSCT變換由于取消了下采樣操作,因而還具有良好的平移不變性,能克服掌紋圖像采集中由于掌紋位置和方向不同造成的圖像平移和旋轉(zhuǎn)問題,而這特性恰恰是其他多尺度、多方向分析工具所不具備的。

綜上所述,為了充分發(fā)揮NSCT變換的多方向、多尺度、各向異性、平移不變性以及LBP算子局部特征提取、旋轉(zhuǎn)灰度不變性等優(yōu)勢(shì),本文提出基于NSCT和MB_LBP直方圖的AdaBoost掌紋檢測(cè)算法。

1 非下采樣Contourlet變換(NSCT)

NSCT是一種不進(jìn)行下采樣的Contourlet變換,由非下采樣塔式NSP(Nonsubsampled Pyramid)和非下采樣方向?yàn)V波器組NSDFB(Nonsubsampled Directional Filter Banks)構(gòu)成,其中,NSP用于提供多尺度分析,NSDFB用于提供多方向分解[9]。由于沒有包含下采樣環(huán)節(jié),所以該變換具有平移不變性,圖1給出了兩層NSCT分解原理圖。

圖1 兩層NSCT分解結(jié)構(gòu)示意圖

1.1 非下采樣塔式分解(NSP)

NSCT采用NSP來進(jìn)行多尺度分析,而NSP是通過利用雙通道非采樣二維濾波器組來實(shí)現(xiàn)類似拉普拉斯金字塔式的子帶分解,由于在金字塔式分解過程中沒有下采樣環(huán)節(jié),避免了圖像因采樣而導(dǎo)致的像素間的錯(cuò)位,從而滿足了平移不變性。

1.2 非下采樣方向?yàn)V波器組(NSDFB)

NSCT采用NSDFB來實(shí)現(xiàn)各尺度上的多方向分解,而NSDFB是由精密采樣的雙通道扇形濾波器組和重采樣構(gòu)成,如圖1(b)所示,通過NSDFB把二維頻域劃分為若干個(gè)方向楔形頻域,不但具有較強(qiáng)的方向選擇性,也避免了頻域中的重疊和遺漏。

圖2 基本LBP8,2算子流程

2 基于NSCT的MB_LBP直方圖特征提取

2.1 Uniform模式的LBP與MB_LBP

LBP算子是一種灰度范圍內(nèi)的紋理度量,由Ojala等在1996年提出[4]。式(1)為該算子的數(shù)學(xué)描述,其中,Ic為c像素點(diǎn)(xc,yc)的灰度值,以Ic為中心在半徑為R的領(lǐng)域內(nèi)均勻抽取p個(gè)采樣點(diǎn)Ij(j=0,1,2…,p-1),將點(diǎn)集{Ij}的灰度值逐一與中心像素Ic做比較,大于則為1;反之則為0,然后按照一定的順序讀出此二值序列并進(jìn)行編碼即為中心像素點(diǎn)c的LBP模式或值,u(·)定義如式(2)所示,圖2是求取基本LBP8,2算子的流程圖。

(1)

(2)

顯然,只要各像素位置不變,LBP算子對(duì)線性的灰度變化具有較好的魯棒性,可以減少掌紋圖像采集中由于光照不均造成的影響,因而可利用LBP算子提取NSCT分解后的掌紋低頻及各尺度各方向高頻子圖的統(tǒng)計(jì)直方圖特征,但基本LBPP,R算子可產(chǎn)生2p類二值模式,導(dǎo)致直方圖維數(shù)過大,為了降低圖像紋理特征的維數(shù)且消除圖像旋轉(zhuǎn)產(chǎn)生的影響,本文使用經(jīng)過改進(jìn)的“統(tǒng)一模式”(Uniform Pattern)下的LBP算子,即當(dāng)循環(huán)二進(jìn)制數(shù)從0到1或從1到0最多有兩次跳變時(shí)(如00000001、11000111等),此LBP稱為Uniform模式類,共有p(p-1)+2類,其余的2p-[p(p-1)+2]類則歸為混合模式類,從而LBP模式種類由2p變?yōu)閜(p-1)+3,極大地降低了直方圖特征維數(shù)。

然而,Uniform模式下的LBP算子是通過比較鄰域點(diǎn)像素與中心點(diǎn)像素的灰度值來實(shí)現(xiàn)二值化,該算法易受噪聲的影響,具有不穩(wěn)定性,針對(duì)此不足,本文提出采用MB_LBP算子進(jìn)行改進(jìn),該算子流程圖如圖3所示,是在LBP算法基礎(chǔ)上將一個(gè)像素點(diǎn)擴(kuò)展到包含多個(gè)像素的矩形區(qū)域,以矩形區(qū)域灰度值的平均值作為閾值,傳統(tǒng)LBP算子像素點(diǎn)之間的灰度比較被像素塊區(qū)域的平均灰度的比較所代替,從而不但降低了噪聲的干擾,而且相比單個(gè)像素點(diǎn)逐一比較而言,計(jì)算量大大減少,提高了后續(xù)掌紋檢測(cè)的速度,用MBS_LBP表示像素塊大小為S×S的LBP算子。

圖3 MB_LBP算子流程

圖4(a)為疊加高斯噪聲的Elaine圖像,利用MBS_LBP(S=1,2,3)算子分別提取其MB_LBP圖譜,如圖4(b)～圖4(d)所示,其中圖4(b)像素塊S=1,即為不分塊的基本LBP算子。對(duì)比圖4(b)與圖4(c)、圖4(d)可知,由于MB1_LBP沒有劃分矩形區(qū)域,采用的仍是像素點(diǎn)的灰度比較,噪聲影響較大,圖像的邊緣及細(xì)節(jié)特征較模糊,而圖4(c)、圖4(d)中S=2、3,采用矩形區(qū)域灰度值的平均值進(jìn)行比較,噪聲在一定程度上相互抵消,圖像中的細(xì)節(jié)及紋理特征更清晰,且隨著像素塊大小S的增加,MB_LBP圖譜的紋理增粗并且趨于穩(wěn)定,說明較大的像素塊有助于把握?qǐng)D像中的粗粒度信息。

圖4 經(jīng)MBS_LBP濾波后的Elaine圖像

2.2 分塊子區(qū)域統(tǒng)計(jì)MB_LBP直方圖

雖然Uniform模式下的MB_LBP算子具有灰度單調(diào)、旋轉(zhuǎn)不變性以及極強(qiáng)的局部描述特性,但整幅MB_LBP圖譜的直方圖序列缺失了掌紋圖像的微觀結(jié)構(gòu)信息,檢測(cè)率較低,為了增加圖像的微觀結(jié)構(gòu)信息,可以將整幅掌紋圖像劃分為多個(gè)分塊子區(qū)域R0,R1,…,RJ,分別統(tǒng)計(jì)各分塊子區(qū)域Ri的MB_LBP直方圖Hi,并以先行后列的順序?qū)個(gè)子區(qū)域Ri對(duì)應(yīng)的直方圖Hi級(jí)聯(lián),則級(jí)聯(lián)后的總直方圖向量即為整幅掌紋圖像的MB_LBP直方圖特征矢量,其提取過程示意圖如圖5所示。Uniform模式下MB_LBPP,R算子,其分塊子區(qū)域Ri的MB_LBP直方圖Hi為:

圖5 掌紋圖像分塊子區(qū)域MB_LBP直方圖提取示意圖

Hi=[h0,h1,…,hq-1]

(3)

(4)

其中,φ(·)定義為:

(5)

式(4)中,q為Uniform模式下MB_LBPP,R二值模式的種類,q=p(p-1)+3;m為其中一個(gè)MB_LBPP,R模式。

3 AdaBoost分類檢測(cè)

AdaBoost是一種將弱分類器組合構(gòu)成強(qiáng)分類器的學(xué)習(xí)算法,它通過動(dòng)態(tài)調(diào)節(jié)各子學(xué)習(xí)機(jī)權(quán)值來對(duì)基本算法的訓(xùn)練錯(cuò)誤率進(jìn)行自動(dòng)適應(yīng),由于其獨(dú)有的對(duì)學(xué)習(xí)機(jī)性能的自適應(yīng)性和對(duì)過學(xué)習(xí)現(xiàn)象的免疫性,近年來引起了廣泛的關(guān)注。具體的兩類分類算法見文獻(xiàn)[10-11]。

本文利用提取的掌紋NSCT分解后的各尺度、各方向高頻子圖的MB_LBP直方圖級(jí)聯(lián)向量作為分類特征,即訓(xùn)練集中的xi;屬于同一個(gè)人的掌紋圖像,令yi=1,否則yi=-1,每次迭代結(jié)束時(shí),根據(jù)當(dāng)前分類器的分類效果對(duì)樣本的權(quán)值進(jìn)行更新:升高錯(cuò)誤分類樣本的權(quán)值,降低正確分類樣本的權(quán)值,最后將多個(gè)弱分類器通過加權(quán)求和方式組合構(gòu)成強(qiáng)分類器。

圖7 掌紋NSCT兩層分解

4 實(shí)驗(yàn)結(jié)果與分析

4.1 方法流程

為了驗(yàn)證基于NSCT的MB_LBP直方圖特征對(duì)掌紋檢測(cè)的有效性,本實(shí)驗(yàn)采用香港理工大學(xué)提供的PolyU掌紋圖像數(shù)據(jù)庫進(jìn)行分析,該掌紋庫中有100人,每人6張,共計(jì)600幅掌紋圖像,選取每人前3張(共計(jì)300張)構(gòu)成掌紋訓(xùn)練集、每人后3張(共計(jì)300張)構(gòu)成掌紋測(cè)試集,其中每幅圖片的大小為384×284像素。首先,采用圖像預(yù)處理的方法進(jìn)行定位分割,提取大小為128×128像素的ROI區(qū)域[2],譬如得到如圖5所示的一幅掌紋;其次,采用如圖6所示的方法流程測(cè)試(NSCT+MB_LBP+AdaBoost)算法的掌紋檢測(cè)性能,仿真實(shí)驗(yàn)采用MATLAB7.1軟件,計(jì)算機(jī)硬件采用Intel(R)Core(TM)2 Duo CPU,2.10 GHz,2.00 GB內(nèi)存,Windows 7操作系統(tǒng)。

圖6 實(shí)驗(yàn)方法流程

4.2 NSCT分解

利用NSCT算法對(duì)以上掌紋訓(xùn)練集及測(cè)試集中的每幅圖像進(jìn)行多尺度、多方向稀疏分解,得到低頻及各尺度多方向高頻子圖集,其中圖5所示掌紋的NSCT分解如圖7(a)～圖7(g)所示,分解尺度為2,非下采樣拉普拉斯金字塔濾波器(NSP)選擇‘maxflat’型,并選擇‘dmaxflat7’非下采樣方向?yàn)V波器組(NSDFB)對(duì)每個(gè)尺度上的帶通輸出進(jìn)行多方向分解,各層分解方向數(shù)矩陣nlevels設(shè)定為[1,2],即各2、4個(gè)方向。

圖7(a)為NSCT分解的低頻子帶,描述了掌紋中3大主線、皺褶、乳突紋等基本結(jié)構(gòu)、變化趨勢(shì)等方位信息;圖7(b)、圖7(c)為第1層水平及垂直方向分解子圖,包含了大量用于檢測(cè)的掌紋細(xì)節(jié)紋理特征;圖7(d)～圖7(g)為NSCT分解第2層4個(gè)方向的高頻子帶,表征了掌紋圖像中更精細(xì)尺度的細(xì)節(jié)模式結(jié)構(gòu)。由此可知,NSCT分解不僅能夠提取掌紋在任意尺度、任意方向的細(xì)節(jié)紋理特征,而且其獨(dú)特的各向異性以及平移不變性使得子帶矩陣中的能量更集中于紋理部分,減小了圖像采集中噪聲、光照以及掌紋平移帶來的影響。

4.3 分塊子區(qū)域MB_LBP直方圖特征提取

按照?qǐng)D6所示的實(shí)驗(yàn)方法流程,NSCT分解后須利用MBS_LBPP,R算子分別提取低頻及各高頻子圖的分塊子區(qū)域的Uniform模式直方圖,其中,分塊的大小對(duì)檢測(cè)率有較大影響,分塊過大,無法體現(xiàn)掌紋的細(xì)節(jié)形位信息;分塊過小,特征維數(shù)過高,計(jì)算量過大易產(chǎn)生“過學(xué)習(xí)”或“過訓(xùn)練”且對(duì)噪聲比較敏感,因此只有分塊適當(dāng),才能獲得較好的檢測(cè)率,通過試探法可知,當(dāng)進(jìn)行4×5分區(qū)時(shí),檢測(cè)率最高,因此圖6的實(shí)驗(yàn)方法流程中最佳分塊子區(qū)域采取4×5。

其次,利用MBS_LBP算子提取分區(qū)直方圖時(shí),像素塊S的大小也很關(guān)鍵,2.1節(jié)圖4的仿真結(jié)果表明,像素塊S越大,圖像中的細(xì)節(jié)及紋理特征越清晰,且MB_LBP圖譜越趨于穩(wěn)定,因此本實(shí)驗(yàn)中MB-LBP像素塊的大小取值為3×3。進(jìn)而,分塊子區(qū)域MB_LBP直方圖特征提取流程如下:

圖8 低頻與高頻子圖MB3-LBP8,2直方圖級(jí)聯(lián)后的總特征矢量

(1)對(duì)NSCT分解后的低頻子帶,按照?qǐng)D5①所示的方法進(jìn)行4×5分區(qū),對(duì)每一分區(qū)按照?qǐng)D5②的思路,采用Uniform模式下的MB3-LBP8,2算子分別提取各自的統(tǒng)計(jì)直方圖,每個(gè)直方圖均有8(8-1)+3=59個(gè)二值模式,再將20個(gè)LBP統(tǒng)計(jì)直方圖向量級(jí)聯(lián),形成低頻子帶的直方圖特征總向量,如圖5③所示,維數(shù)為1(20×59);

(2)對(duì)NSCT分解后的各尺度各方向的高頻子圖分別進(jìn)行4×5分區(qū),對(duì)每一分區(qū)采用MB3-LBP8,2算子提取直方圖,再將20個(gè)LBP直方圖級(jí)聯(lián),形成每個(gè)高頻子圖的直方圖特征向量;

(3)將低頻子帶與高頻子圖的MB3-LBP8,2直方圖向量級(jí)聯(lián),構(gòu)成整幅掌紋的MB3-LBP8,2直方圖特征矢量,如圖8所示,維數(shù)為1(7×20×59),其中圖7為6張高頻子圖與1張低頻子圖。

4.4 AdaBoost檢測(cè)結(jié)果與分析

為了測(cè)試(NSCT+MB_LBP+AdaBoost)算法的掌紋檢測(cè)性能,設(shè)計(jì)如下實(shí)驗(yàn)策略:首先,選取PolyU掌紋圖像數(shù)據(jù)庫中100人的每人前(或后)3張掌紋構(gòu)成掌紋訓(xùn)練(或測(cè)試)集(300張);其次,利用NSCT算法對(duì)訓(xùn)練(或測(cè)試)集中的每幅掌紋進(jìn)行2層分解,參數(shù)設(shè)置與4.2節(jié)相同,得到低頻子帶及2尺度6方向的高頻子圖集;再次,利用MB3-LBP8,2算子分別提取訓(xùn)練(或測(cè)試)集中300幅掌紋的低頻及各尺度各方向高頻子圖的直方圖特征并級(jí)聯(lián)(見4.3節(jié)),存儲(chǔ)在histLBPs_tr(ts)的對(duì)應(yīng)列中,從而構(gòu)成掌紋訓(xùn)練(或測(cè)試)集的8 260×300維MB_LBP直方圖總特征矩陣;最后,利用AdaBoost算法對(duì)輸入的掌紋訓(xùn)練集及測(cè)試集特征矩陣histLBPs_tr(ts)以及掌紋類別標(biāo)記向量palmprintLabel_tr(ts)進(jìn)行檢測(cè),檢測(cè)中結(jié)合KNN(K-Nearest Neighbor)最臨近規(guī)則分類算法計(jì)算每次迭代的錯(cuò)誤檢測(cè)率,并對(duì)樣本的權(quán)值不斷更新,迭代完成后計(jì)算最終的錯(cuò)誤檢測(cè)率,本實(shí)驗(yàn)中迭代次數(shù)M～[5:5:50],計(jì)算出每次的正確檢測(cè)率并畫圖,仿真結(jié)果如圖9中“o”所示。

圖9 不同算法檢測(cè)率比較(掌紋訓(xùn)練樣本數(shù)為3)

為了驗(yàn)證(NSCT+MB_LBP)掌紋檢測(cè)算法的優(yōu)越性,選取(NSCT+LBP)、(Gabor+MB_LBP)、(2D-DWT+MB_LBP)以及單獨(dú)的MB_LBP算法進(jìn)行比較,其中MB_LBP均采取MB3-LBP8,2算子。各種算法的掌紋檢測(cè)率如圖9所示,其中“○”代表(NSCT+MB_LBP);“□”代表(NSCT+LBP);“▽”代表(Gabor+MB_LBP);“☆”代表(2D-DWT+MB_LBP);“*”代表MB_LBP。

由圖中可知,(NSCT+MB_LBP)算法檢測(cè)率最高,位于[0.98,0.999]之間;(NSCT+LBP)算法次之,位于[0.96,0.985]之間,這是由于MB_LBP采用的是像素塊區(qū)域的平均灰度進(jìn)行比較的,其圖譜的紋理更粗并更穩(wěn)定,因而提取的掌紋特征更精細(xì)、準(zhǔn)確;而(Gabor+MB_LBP)(▽)及(2D-DWT+MB_LBP)(☆)檢測(cè)率較低,這是由于相比NSCT而言,Gabor變換小波參數(shù)調(diào)整比較復(fù)雜,而2D-DWT方向數(shù)有限;5種算法中MB_LBP算法由于沒有采用多尺度多方向分解,其提取的掌紋特征是基于全局的,圖像的微觀結(jié)構(gòu)信息缺失導(dǎo)致檢測(cè)率最低,位于[0.915,0.955]之間。

圖10 不同算法檢測(cè)率比較(掌紋訓(xùn)練樣本數(shù)為2)

為了進(jìn)一步測(cè)試(NSCT+MB_LBP+AdaBoost)算法的掌紋檢測(cè)性能,在上述仿真實(shí)驗(yàn)的基礎(chǔ)上,通過采取不同的掌紋訓(xùn)練樣本數(shù)重新進(jìn)行實(shí)驗(yàn),各算法的參數(shù)設(shè)置維持不變,從每類中(共6幅掌紋)隨機(jī)抽取n幅(n=2或4)圖像作為訓(xùn)練集,余下的作為測(cè)試集,重復(fù)實(shí)驗(yàn)10次,并取均值作為最終的檢測(cè)率,在迭代次數(shù)M～[5:5:50]下各算法檢測(cè)率測(cè)試結(jié)果如圖10和圖11所示,可明顯看出,訓(xùn)練樣本數(shù)越多,算法的檢測(cè)性能越好,但同時(shí)算法耗時(shí)也將會(huì)增加,且在訓(xùn)練樣本數(shù)相同情況下,(NSCT+MB_LBP)算法的檢測(cè)率始終保持最高,(NSCT+LBP)算法次之,驗(yàn)證了MB_LBP在提取掌紋特征方面的優(yōu)越性;(Gabor+MB_LBP)及(2D-DWT+MB_LBP)檢測(cè)率略低,表明了在圖像多尺度分解中NSCT算法優(yōu)于Gabor及2D-DWT。

圖11 不同算法檢測(cè)率比較(掌紋訓(xùn)練樣本數(shù)為4)

為了進(jìn)一步評(píng)價(jià)(NSCT+MB_LBP)算法的優(yōu)越性,選取(Contourlet+MB_LBP)、(2-D EMD+ICAⅡ)[12]、(Contourlet+NMF)[7]作為對(duì)比算法。其中Contourlet選擇‘9-7’型拉普拉斯金字塔濾波器(LP)以及‘pkva’型方向?yàn)V波器組(DFB)對(duì)掌紋進(jìn)行2尺度4方向分解;(2-D EMD+ICAⅡ)中2-D EMD分解層數(shù)為5;NMF(非負(fù)矩陣分解)的維度設(shè)為100,各算法的檢測(cè)率測(cè)試結(jié)果如表1所示?？擅黠@看出,(NSCT+MB_LBP)檢測(cè)率最高,(Contourlet+MB_LBP)與(2-D EMD+ICAⅡ)次之,且檢測(cè)率相當(dāng),而(Contourlet+NMF)檢測(cè)率最低,從而進(jìn)一步驗(yàn)證了NSCT在圖像多尺度分解以及MB_LBP在提取掌紋局部微觀特征方面的優(yōu)越性。

表1 各類掌紋特征提取算法檢測(cè)率比較

5 結(jié)論

本文提出將NSCT分解與MB_LBP直方圖相結(jié)合的掌紋檢測(cè)方法。先利用NSCT對(duì)掌紋圖像進(jìn)行多尺度分解;再利用MB3-LBP8,2算子分別提取低頻子圖及各高頻子圖分塊子區(qū)域的MB_LBP直方圖特征,并級(jí)聯(lián)后作為整幅掌紋圖像的直方圖特征矢量;最后,在PolyU掌紋圖像庫上,利用AdaBoost分類算法通過改變迭代次數(shù)來對(duì)比本文算法與(NSCT+LBP)、(Contourlet+MB_LBP)、(2D-DWT+MB_LBP)、(2-D EMD+ICAⅡ)、(Contourlet+NMF)以及單獨(dú)的MB_LBP算法的檢測(cè)性能,仿真結(jié)果表明,鑒于NSCT的多尺度、多方向、各向異性、平移不變性以及MB_LBP的灰度旋轉(zhuǎn)不變性,本文提出的(NSCT+MB_LBP+AdaBoost)算法檢測(cè)率更高,從而為身份鑒別、保護(hù)信息安全的人體生物特征檢測(cè)技術(shù)提供一種更為有效的方法及新思路。

[1] 岳峰,左旺孟,張大鵬. 掌紋檢測(cè)算法綜述[J]. 自動(dòng)化學(xué)報(bào),2010,36(3):353-356.

[2]向偉,文久富. 基于Gabor小波和PCA的掌紋檢測(cè)方法比較研究[J]. 西南民族大學(xué)學(xué)報(bào),2010,36(3):450-453.

[3]Meiru Mu,Qiuqi Ruan and Song Guo. Shift and Gray Scale Invariant Features For Palm-print Identification Using Complex Directional Wavelet and Local Binary Pattern. Neurocomputing,Vol. 74,No. 17(2011),pp. 3351-3360.

[4]王茜,肖國強(qiáng),吳松,林寬. 基于LBP直方圖的復(fù)雜光照下的人臉檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用,2012,48(15):181-186.

[5]范瑋琦,谷宗輝. 全手掌紋5類主線特征選擇方法研究[J]. 儀器儀表學(xué)報(bào),2012,33(4):942-947.

[6]趙敏,朱明. 基于DTCWT和LBP的低分辨率人臉檢測(cè)[J]. 計(jì)算機(jī)工程,2012,38(22):179-182.

[7]劉洋,李燕華,潘新. 基于Contourlet變換和NMF的掌紋檢測(cè)算法[J]. 計(jì)算機(jī)工程,2012,38(13):175-177.

[8]蔡念,張海員,張楠. 基于Contourlet的改進(jìn)雙線性插值圖像超分辨率算法[J]. 傳感技術(shù)學(xué)報(bào),2011,24(1):59-64.

[9].吳一全,紀(jì)守新,占必超. 基于無下采樣Contourlet變換和獨(dú)立分量分析的紅外弱小目標(biāo)檢測(cè)[J]. 光學(xué)學(xué)報(bào),2011,31(5):1-7.

[10]Xiangde Zhang,Qingsong Tang,Hua Jin and so on. Eye Location Based on Adaboost and Random Forests. Journal of Software,Vol. 7,No. 10(2012),pp. 2365-2371.

[11]楊曉元,胡志鵬,魏立線. 分級(jí)結(jié)構(gòu)Adaboost算法在無線傳感器網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用研究[J]. 傳感技術(shù)學(xué)報(bào),2012,25(8):1159-1165.

[12]戴桂平,尚麗. 應(yīng)用二維EMD和獨(dú)立分量分析的掌紋檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用,2011,47(19):182-185.

戴桂平(1982-),女,漢族,江蘇泰興人,蘇州市職業(yè)大學(xué)電子信息工程學(xué)院副教授、碩士,主要從事圖像處理、模式檢測(cè)與人工智能等方面的研究,目前發(fā)表論文14余篇,其中2篇EI收錄,6篇CSCD收錄,以第一發(fā)明人申請(qǐng)軟件著作權(quán)4項(xiàng)、實(shí)用新型專利3項(xiàng),并均已授權(quán),參與國家以及省部級(jí)以上項(xiàng)目3項(xiàng),luaiping_0127@163.com。

PalmPrintDetectionBasedonNonsubsampledContourletTransformandMB_LBPHistogramAlgorithm*

DAIGuiping1,LINHongbin2

(1.Institute of Electronic Information Engineering,Suzhou Vocational University,Suzhou Jiangsu 215104,China;2.Institute of Electrical Engineering,Yan Shan University,Qinhuangdao Hebei 066004,China)

A novel method based on NSCT(Nonsubsampled Contourlet Transform)and MB_LBP(Multi-Block Local Binary Patterns)was proposed to solve palm print detection. The multi-scale,multi-direction,anisotropy,shift invariance of NSCT and local texture property,rotation invariance and gray invariance of MB_LBP were utilized to extract the palm print features. Firstly,the preprocessed palm print image was decomposed by NSCT;and then MB3-LBP8,2was used to respectively extract MB_LBP histogram eigenvectors of each block region of low and high frequency sub-bands;Finally,the detection performance of the integrated method(NSCT+MB_LBP)was tested on the Hong Kong Polytechnic University palm print database through AdaBoost sorting algorithms. Experimental results show that the proposed method not only extracts the palm print features effectively and accurately,but also achieves higher detection rate in comparison with(Contourlet+MB_LBP),(2D-EMD+ICAⅡ),(Contourlet+NMF)and the single MB_LBP.

palm print detection;feature extraction;nonsubsampled contourlet transform;multi-block local binary patterns;AdaBoost sorting algorithms

項(xiàng)目來源:國家自然科學(xué)基金項(xiàng)目(60970058);河北省自然科學(xué)基金項(xiàng)目(E2012203002);蘇州市科技計(jì)劃項(xiàng)目(SGZ2013135);蘇州市職業(yè)大學(xué)青年基金項(xiàng)目(2013SZDQ02)

2013-12-10修改日期:2014-09-16

10.3969/j.issn.1004-1699.2014.10.016

TP391.41

:A

:1004-1699(2014)10-1387-07