吳凌智　陳瑋

摘要 為了提高掌紋識(shí)別中對(duì)局部區(qū)域特征的提取及掌紋識(shí)別率，提出一種基于多級(jí)區(qū)域局部二值模式（MBLBP）和Gabor小波的掌紋識(shí)別算法。通過(guò)對(duì)光照及感興趣區(qū)域（ROI）等因素進(jìn)行預(yù)處理，經(jīng)過(guò)Gabor小波變換后提取掌紋的多尺度特征，再利用MBLBP算法提取主元，采用歐式距離分類(lèi)法計(jì)算掌紋識(shí)別率。經(jīng)過(guò)香港理工大學(xué)掌紋庫(kù)（PolyU）驗(yàn)證，比較不同預(yù)處理、不同算法下的掌紋識(shí)別率。實(shí)驗(yàn)證明，該方法相比于以往的局部二值算法（LBP）在識(shí)別率上有較大提升。

關(guān)鍵詞 掌紋識(shí)別；多級(jí)區(qū)域局部二值模式（MBLBP）；Gabor小波

DOI DOI： 10.11907/rjdk.162526

中圖分類(lèi)號(hào)： TP306

文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào) 文章編號(hào)： 16727800（2017）002001903

0 引言

隨著人們活動(dòng)范圍的擴(kuò)大，隨身攜帶的身份證明物件越來(lái)越多，如身份證、駕駛證等，這使得身份證明的標(biāo)識(shí)變得冗長(zhǎng)且難以記住，如何進(jìn)行有效的身份鑒定和識(shí)別已成為人們關(guān)注的焦點(diǎn)。而生物領(lǐng)域的掌紋識(shí)別因其良好的安全性、可靠性及有效性受到人們的重視。

掌紋識(shí)別的難點(diǎn)在于掌紋特征的提取。目前比較熱門(mén)的方法有基于結(jié)構(gòu)特征的方法，基于子空間的PCA[1]、LDA[2]等算法，基于紋理特征的LBP[3]方法等?；诩y理特征的方法處理過(guò)程簡(jiǎn)單，應(yīng)用廣泛。傳統(tǒng)的LBP算法對(duì)各種光照、噪聲等有害變化極其敏感，同時(shí)也無(wú)法完整地提取一些重要的掌紋局部區(qū)域的特征信息，為了更好地提取局部區(qū)域特征并提高掌紋識(shí)別率，提出將MBLBP[4]和Gabor[5]算法相結(jié)合。通過(guò)對(duì)局部區(qū)域進(jìn)行再分塊并提取特征，提高特征維度，進(jìn)行預(yù)處理消除圖像中噪聲等變化干擾，從而提高掌紋的識(shí)別率。

1 Gabor變換與MBLBP

1.1 Gabor變換

Gabor濾波在圖像處理、模式識(shí)別中應(yīng)用廣泛。其頻率和方向表示接近人類(lèi)視覺(jué)系統(tǒng)對(duì)于頻率和方向的標(biāo)示，與人類(lèi)生物視覺(jué)特性很相似，因此能夠很好地描述對(duì)應(yīng)于空間頻率（尺度）、空間位置及方向性的局部結(jié)構(gòu)信息。二維Gabor核函數(shù)如式（1）：

，kv=2- y+2 2 π，φu= uπ k ；x、y分別表示該像素點(diǎn)坐標(biāo)值，u表示方向，k表示方向的總數(shù)，v為頻率，其取值可以決定Gabor濾波時(shí)的波長(zhǎng)，因此用來(lái)表示Gabor小波的尺度因子。參數(shù) k σ 則為高斯窗口的大小參數(shù)，用以補(bǔ)償能量譜的衰減。exp - k2（x2+y2） 2σ2 [6]用來(lái)約束平面震蕩波的高斯函數(shù)，以使其在局部達(dá)到最小值；exp - σ2 2 是用來(lái)消除圖像中的直流分量對(duì)變換的影響，避免二維Gabor受到圖像灰度絕對(duì)值的影響，減少光照等因素對(duì)特征維度的影響。通常需要得到不同尺度及方向下的Gabor小波分量，因此需要對(duì)圖像I（x，y）和Gabor小波核函數(shù)ψu(yù)，v（x，y）進(jìn)行卷積，計(jì)算過(guò)程如式（2）：

1.2 MBLBP

多級(jí)區(qū)域局部二值模式算法（Multi-Block Local Binary Pattern）是基于LBP（Local Binary Pattern）[7]模式的改進(jìn)型算法，LBP最早在1994年由T.Ojala等人提出，其用來(lái)描述圖像局部紋理特征的算子。計(jì)算方法為：在 s*t 的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素gi（0≤i≤7）的灰度值與其進(jìn)行比較，若周?chē)袼刂荡笥谥行南袼刂?，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0，計(jì)算公式如式（3）所示。

由此，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)（通常轉(zhuǎn)換為十進(jìn)制數(shù)即LBP碼，共256種），即得到該窗口中心像素點(diǎn)的LBP值，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息，計(jì)算公式如式（4）所示。

根據(jù)圖1可以得到（01111100）的二進(jìn)制數(shù)，轉(zhuǎn)換成十進(jìn)制數(shù)則為124。

雖然LBP算法在應(yīng)用上取得很大成功，但是不足之處依然較多。在此基礎(chǔ)上研究者提出了多級(jí)區(qū)域二值模式，該方法不再基于單個(gè)像素，而是將特征結(jié)構(gòu)計(jì)算擴(kuò)展到任意大小的“子塊區(qū)域”。選取不同大小的“子塊”尺度，得到不同尺度的描述特征，增強(qiáng)了特征的描述性，增加了像素與像素之間的相關(guān)性，從而削弱了噪聲對(duì)特征值計(jì)算的干擾。

在MBLBP特征值的計(jì)算過(guò)程中，首先將圖像中任意一個(gè)3s*3t[8]大小的領(lǐng)域窗口分為9個(gè)子窗口，其大小為s*t；然后對(duì)每個(gè)子區(qū)域求其平均灰度值得到一個(gè)3*3的整數(shù)矩陣，對(duì)這一整數(shù)矩陣運(yùn)用式（4）計(jì)算得出該區(qū)域的LBP值；最后根據(jù)LBP值替代中心區(qū)域的灰度值，不同的（s，t）可以計(jì)算得到不同尺度的MBLBP特征圖像。圖2為一個(gè)具體的MBLBP運(yùn)算示意圖。

在該3*3的子區(qū)域中先提取圖片中的一個(gè)6*9子區(qū)域，再將該子區(qū)域等分為3*3的小區(qū)域。順序標(biāo)記各自區(qū)域?yàn)間i（i=0，1，…，7），再對(duì)每一個(gè)子區(qū)域中的9個(gè)像素點(diǎn)按式（5）和式（6）求平均值，最終得到一個(gè)3*3的整數(shù)矩陣，對(duì)該矩陣按式（7）求其LBP值，即得出9*9子區(qū)域的MBLBP值。

2 MBLBP與Gabor結(jié)合

2.1 預(yù)處理

處理掌紋前要提取ROI[9]并對(duì)光照[10]等因素進(jìn)行預(yù)處理。光照等因素會(huì)影響掌紋識(shí)別的準(zhǔn)確性，因此在對(duì)掌紋進(jìn)行前期處理后再對(duì)其進(jìn)行光照處理。處理步驟有抑制較高亮點(diǎn)和增強(qiáng)高暗像素點(diǎn)對(duì)圖像進(jìn)行差分高斯濾波，消除圖像明影以及高低頻帶來(lái)的噪音干擾。實(shí)現(xiàn)圖像對(duì)比度均衡化，讓圖像局部特征更加明顯，經(jīng)過(guò)處理的圖像紋理特征突出，更適合掌紋的識(shí)別。

分別對(duì)掌紋采用高斯濾波、二值化進(jìn)行前期預(yù)處理如圖3所示。

2.2 Gabor小波多尺度分解及MBLBP

Gabor小波多尺度分解時(shí)選擇σ=1.8π，并選取5尺度（ν=0，1，2，3，4）和4個(gè)方向（u=0，1，2，3）。這樣每幅圖像就可以提取4*5=20個(gè)紋理特征，接著將特征向量化后組成的矩陣實(shí)現(xiàn)圖像分解，其中特征維數(shù)為128*128*20=32 678。

LBP及MBLBP選取不同尺度的分割法，可以得到細(xì)膩度不同的圖片。選擇的分割尺度越高，處理后的圖像越細(xì)膩，但是維度也會(huì)越高，處理時(shí)間也會(huì)越長(zhǎng)，因此選取適當(dāng)?shù)姆指钏惴ㄓ绊懙秸萍y識(shí)別效率。文中試驗(yàn)的分割尺度均為3*3。

采用歐式距離的最小分類(lèi)器分類(lèi)速度較快，時(shí)間也比較短。

3 實(shí)驗(yàn)及分析

實(shí)驗(yàn)采用的硬件設(shè)備為Intel酷睿雙核處理器，8GB內(nèi)存，Windows7操作系統(tǒng)及Matlab2010R，掌紋庫(kù)利用香港理工大學(xué)PolyU掌紋庫(kù)[13]。

實(shí)驗(yàn)選取了100個(gè)人的手掌樣本圖，每個(gè)樣本有6張樣本圖片，隨機(jī)選擇3張作為訓(xùn)練樣本，剩下的3張則為測(cè)試樣本。識(shí)別率的計(jì)算方式為當(dāng)類(lèi)內(nèi)最小距離小于類(lèi)間最小距離且小于匹配的閾值，則為匹配成功，反之則為失敗，最后計(jì)算平均匹配率。

實(shí)驗(yàn)1：對(duì)樣本圖片分別采用LBP、MBLBP、Gabor+LBP[14]（以下用G+LBP代替）、Gabor+MBLBP[15]（以下用G+MBLBP代替）算法進(jìn)行掌紋識(shí)別測(cè)試，以驗(yàn)證所提出的算法。從表1可以看出，提出的Gabor+MBLBP算法相較于傳統(tǒng)LBP算法擁有更好的識(shí)別率。

4 結(jié)語(yǔ)

本文提出多級(jí)區(qū)域局部二值模式算法與Gabor小波變換相結(jié)合，分塊提取主元特征，提高特征維度，進(jìn)行光照及ROI預(yù)處理，再用歐式距離進(jìn)行分類(lèi)判斷。實(shí)驗(yàn)表明，在特定的參數(shù)值上，所提出的算法相對(duì)于以往的局部區(qū)域二值算法，在掌紋識(shí)別率上有較大提升。

參考文獻(xiàn)：

[1] 齊興敏.基于PCA的人臉識(shí)別技術(shù)的研究[D].武漢：武漢理工大學(xué)，2007.

[2] 韓冰，楊辰.融合顯著信息的LDA極光圖像分類(lèi)[J].軟件學(xué)報(bào)，2013，（11）：27552766.