基于局部宏觀結(jié)構(gòu)和微觀特征融合的手指靜脈識別算法*

程申前，游 林

（杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018）

0 引 言

在大數(shù)據(jù)（Big Data）、云計算（Cloud Computing）等高新技術(shù)的推動下，人類進(jìn)入了萬物互聯(lián)的數(shù)據(jù)時代。海量數(shù)據(jù)的交互和私密信息的云端存儲，導(dǎo)致個體對身份認(rèn)證的需求不斷增加。傳統(tǒng)的身份認(rèn)證體系一般采用密碼作為判斷條件，但在使用過程中，過短的密碼容易被黑客暴力破解而造成錯誤授權(quán)、數(shù)據(jù)丟失等安全性問題。此外，過于復(fù)雜的密碼因為難以記憶而導(dǎo)致用戶體驗下降，即使使用介質(zhì)存儲也會造成用戶認(rèn)證不便。因此，傳統(tǒng)的身份認(rèn)證系統(tǒng)存在用戶日益增長的認(rèn)證安全性需求和復(fù)雜且不便捷的認(rèn)證方式之間的矛盾。為了克服基于密碼認(rèn)證的缺陷，基于具有唯一性以及不可復(fù)制或轉(zhuǎn)移的生物特征的用戶認(rèn)證方法成為了替代傳統(tǒng)認(rèn)證方案的最佳選擇。在現(xiàn)有的生物特征識別技術(shù)[1-2]中，手指靜脈識別技術(shù)[3-6]具有很強(qiáng)的普遍性和適用性，采集設(shè)備屬于非接觸式類型，且造價十分低廉，用戶和制造商都十分容易接受。同時，相對目前主流的指紋和人臉識別技術(shù)，手指靜脈識別技術(shù)具有很好的活體特性。所以，手指靜脈特征很難被偽造，安全性極高。手指靜脈識別在安全性和易用性上的優(yōu)越性，使其具有很大的應(yīng)用場景和發(fā)展空間，必將成為未來生物認(rèn)證的主流識別技術(shù)。

典型的手指靜脈識別系統(tǒng)一般包含如下基本步驟：圖像采集、手指區(qū)域提取、預(yù)處理、特征提取以及匹配。其中，特征提取方法直接影響靜脈識別的準(zhǔn)確度，也導(dǎo)致了靜脈識別的特征提取方法的多樣性[7-16]。編碼特征[7-11]不需要獲取靜脈紋路，只要使用ROI圖像即可進(jìn)行特征提取，所以基于編碼特征的手指靜脈識別算法簡單高效，使其成為手指靜脈識別中的一類重要特征。

局部二值模式（Local Binary Pattern，LBP）是一種在灰度變化范圍內(nèi)有效的紋理描述算子。LBP算子在1996年由Timo Ojala等[7]最早提出，并在2002年首次被用來表征靜脈圖形特征信息[8]，獲得了較為理想的結(jié)果。局部二值模式是最常見的一種高效局部紋理描述算子。使用LBP算子提取靜脈特征時不需要細(xì)化和分割圖像，具有良好的灰度變化魯棒性和旋轉(zhuǎn)不變性。Timo Ojala等人[8]發(fā)現(xiàn)，同一標(biāo)準(zhǔn)下的LBP模式LBPN,R中，有些LBP編碼出現(xiàn)的頻率顯著高于其他編碼值，所以有理由推斷出現(xiàn)概率高的模式包含有圖像更多的局部紋理特征?；谏鲜龇治?，研究者建議采用原始LBP模式的一些子集來描述圖像紋理，即所謂的歸一化LBP算子當(dāng)圖像發(fā)生旋轉(zhuǎn)時，某中心像素點周圍鄰域內(nèi)像素也會發(fā)生變化，從而引起LBP模式的改變（全為0或者全為1的LBP模式除外）。為了消除圖像旋轉(zhuǎn)帶來的變化影響，Timo Ojala等人[8-9]提出了一種旋轉(zhuǎn)不變的LBP算子LBPriN,R。旋轉(zhuǎn)不變LBP算子在N增加到很大時，旋轉(zhuǎn)不變的性能受到影響。為了提高其性能并進(jìn)一步降低其特征維數(shù)，Timo Ojala[9]等人在LBPN,R、算子的基礎(chǔ)上，提出了旋轉(zhuǎn)不變歸一化LBP算子

之后，一些LBP算子的改進(jìn)算子也因為不同的側(cè)重問題而被提出。多尺度塊局部二值模式[10-11]（Multi-scale Block Local Binary Pattern，MB-LBP）是對傳統(tǒng)局部二值模式（Local Binary Patter，LBP）算法的改進(jìn)，因為原始LBP缺乏對圖像局部結(jié)構(gòu)的描述能力。MB-LBP的基本思想是將原始LBP算法元素間的簡單差分規(guī)則轉(zhuǎn)換為編碼矩形區(qū)域。為了對矩形區(qū)域進(jìn)行編碼，用平均灰度值來表征每個矩形塊，即利用圖像局部結(jié)構(gòu)特征，得到了更加全面的圖像信息。MB-LBP采用局部平滑的方式，可能會引起一部分特征信息的損失，但是降低了對噪聲的敏感性。MB-LBP有大尺度結(jié)構(gòu)的描述能力，但隨之帶來了計算復(fù)雜度和計算量的增加，且特征維數(shù)很高。中心對稱局部二值模式[12]（Center-Symmetric Local Binary Pattern，CS-LBP）被提出，以用來降低原始LBP模式維度過高而無法進(jìn)行應(yīng)用的問題。不同于比較每個鄰域內(nèi)元素與中心像素點的差異，CS-LBP只關(guān)心中心對稱的鄰域像素點之間的差異，減少了對中心像素點的重復(fù)比較過程。CS-LBP模式的特征維度較LBP小很多，使得該算法的信息處理速度得到顯著提升，同時具有更強(qiáng)的抗噪能力。然而，該算法同LBP算子一樣，只是比較相鄰像素點之間的差異，對局部結(jié)構(gòu)的表征能力不足。

為了解決上述問題，本文提出了一種新的描述算子——局部宏觀結(jié)構(gòu)和微觀特征融合的局部二元模式（Local Binary Pattern based on Local Macrostructure and Microfeature Fusion，LMMFLBP），對ROI圖像進(jìn)行編碼完成特征提取。之后，本文提出了一種新型的基于加權(quán)分塊LMMF-LBP算子的手指靜脈識別算法，即基于LMMF-WPLBP的手指靜脈識別算法。具體是將圖像進(jìn)行分塊，并使用加權(quán)模板以突出圖像顯著特征，同時抑制其余不顯著特征。實驗表明，提出的算法對靜脈信息的表征能力更強(qiáng)，魯棒性更好，能夠進(jìn)一步提高身份認(rèn)證的精度和速度。

1 局部宏觀結(jié)構(gòu)和微觀特征融合的局部二元模式（LMMF-LBP）

類似LBP、CS-LBP等算子都是基于單像素之間的比較，只能反映相鄰像素點之間的灰度變化，對于圖像的噪聲比較敏感，缺乏對局部結(jié)構(gòu)的表征。而類似MB-LBP算子雖然可以描述局部宏觀結(jié)構(gòu)，但是因為使用矩形區(qū)域的平均灰度值導(dǎo)致了圖像特征信息的丟失，而這種信息丟失對于本身特征不豐富的指靜脈圖像來說是不能接受的。為了解決LBP模式存在維數(shù)過高、改進(jìn)的LBP模式不能兼顧表征細(xì)節(jié)特征信息和局部宏觀結(jié)構(gòu)的問題，基于已有的改進(jìn)LBP算子，提出了一種新的描述算子——局部宏觀結(jié)構(gòu)和微觀特征融合的局部二元模式LMMFLBP。

這里選取圖像上的某個像素點作為中心像素點來描述LMMF-LBP算子，具體步驟如下。

（1）獲取中心像素點的局部宏觀結(jié)構(gòu)信息。選擇以中心像素點為中心的s×s鄰域區(qū)域作為要覆蓋的局部宏觀區(qū)域，并將該區(qū)域等分為9大塊，將中心像素點所在區(qū)域相鄰的8個區(qū)域的灰度平均值定義為BlockAveragei(i=0,…,7)，具體求解為：

式中，Pixelk表示第i個區(qū)塊內(nèi)第k個像素點的灰度值。

該中心像素點的局部宏觀結(jié)構(gòu)編碼MacrostructureLocal求解如下：

（2）獲取中心像素點的微觀特征信息。選取該中心像素點周圍的8個鄰域像素點，定義第i個像素點的灰度值為Pixeli(i=0,…,7)。該中心像素點的微觀特征信息編碼Macrostructure求解如下：

（3）將步驟（1）和步驟（2）分別得到的局部宏觀結(jié)構(gòu)編碼MacrostructureLocal和微觀特征信息編碼Macrostructure進(jìn)行串接，得到8位的局部二值模式。串接方式如下：

（4）對串接得到的LMMF-LBPConnection算子進(jìn)行旋轉(zhuǎn)不變歸一化處理。使用該算子得到的直方圖特征維數(shù)為256（28）。因為維度過高會增加計算復(fù)雜度，影響圖像識別效率，所以對該算子進(jìn)行旋轉(zhuǎn)不變以及歸一化處理。使用式（6）對LMMFLBPConnection算子實現(xiàn)旋轉(zhuǎn)不變處理得到LMMF-LBPri算子：

為了方便敘述，這里設(shè)8位的LMMF-LBPri編碼第t位上的數(shù)值為Binaryt(t=0,1,…,7)。用式（7）和式（8）對LMMF-LBPri算子實現(xiàn)歸一化處理，得到旋轉(zhuǎn)不變歸一化的LMMF-LBPriu2算子（為簡潔表示也記作LMMF-LBP算子）：

圖1顯示了尺度s=15時，LMMF-LBPriu2編碼的形成過程。

圖1 LMMF-LBP riu2編碼過程

2 基于LMMF-WPLBP的手指靜脈識別算法

第1章節(jié)已經(jīng)得到可以兼顧局部宏觀結(jié)構(gòu)和微觀特征的LMMF-LBP描述子，但是因為該算子描述靜脈圖像信息的特征維數(shù)為10，如果直接對提取的ROI區(qū)域進(jìn)行表征，會因為特征維數(shù)較小而降低手指靜脈識別算法的識別率。因此，提出了基于加權(quán)分塊的LMMF-LBP手指靜脈算法，即基于LMMF-WPLBP的手指靜脈識別算法。

2.1 基于分塊的LMMF-LBP算法

（1）對提取的ROI區(qū)域分塊，將ROI區(qū)域分為M×N個子塊。這里，分塊大小的選擇對最終識別準(zhǔn)確性有著重大影響。如果分塊太少，則無法提高LMMF-LBP維度，導(dǎo)致靜脈圖像的類間差別減??；如果分塊太多，又會因為維度過高增加計算量，影響識別效率。因此，選取將ROI區(qū)域分為2×4塊，分塊示意如圖2所示。

圖2 ROI區(qū)域2×4分塊

（2）從每塊子圖中提取LMMF-LBP特征，并統(tǒng)計得到的局部直方圖，如圖3所示（第一個矩形子塊的LMMF-LBP直方圖）。

圖3 第一個矩形子塊的LMMF-LBP直方圖

將所有子圖的直方圖進(jìn)行連接，得到完整的LMMF-PLBP直方圖，即共有8×10個特征向量來表征整個ROI區(qū)域圖像。圖2中分塊ROI區(qū)域圖像對應(yīng)的LMMF-PLBP直方圖如圖4所示，該直方圖的包絡(luò)折線圖如圖5所示。

2.2 基于加權(quán)的LMMF-PLBP算法

從圖3可以發(fā)現(xiàn)，二進(jìn)制模式3～7較其他二進(jìn)制模式出現(xiàn)的概率更高，其他子塊的重復(fù)實驗也證明了二進(jìn)制模式3～7的出現(xiàn)概率占比約90%。這說明這五類特征屬于ROI區(qū)域圖像的顯著特征。對未分塊的ROI區(qū)域提取LMMF-LBP特征，如圖6所示，其中圖6（a）為原始ROI區(qū)域，圖6（b）為LMMF-LBP編碼后的ROI區(qū)域圖像。圖7為10種LMMF-LBPriu2編碼下的特征圖。

圖4 LMMF-PLBP直方圖（80維）

圖5 LMMF-PLBP折線圖（80維）

圖6 LMMF-LBP編碼后的ROI圖像

圖7 不同LMMF-LBP riu2下的特征圖像

從圖7可以直觀看出，模式3～7所包含的信息明顯多于其他模式，其余模式則幾乎不包含紋理特征信息。所以，根據(jù)不同LMMF-LBP對ROI區(qū)域紋理信息所做的貢獻(xiàn)，可以利用加權(quán)的方式，突出較為顯著的特征，并抑制不夠明顯的特征。這樣可以在近乎不丟失顯著特征信息的前提下，降低LMMF-PLBP特征的維數(shù)，從而減少不必要的計算量，提高識別效率。

為了達(dá)到突出顯著特征的同時抑制其余非明顯特征的目的，可以建立一個加權(quán)模板來選擇已確定的顯著特征。基于加權(quán)的LMMF-PLBP直方圖定義為：

其中，Hi(i=0,1,…,7)為8個子圖的LMMF-LBP直方圖；W用來突出顯著特征的加權(quán)模板，定義為：

后續(xù)實驗中，令wi=1(i=0,1,…,9)表示篩選出的需要突出的LMMF-LBP特征，令wi=1(i=0,1,…,9)表示要忽略的LMMF-LBP特征。

根據(jù)上述內(nèi)容，如果要通過加權(quán)方式對生成的LMMF-PLBP直方圖降維，則應(yīng)該讓顯著特征的權(quán)重為1，即wi=1(i=3～7)，并讓其余特征權(quán)重設(shè)為0。經(jīng)過上述處理會生成特征維數(shù)為40的基于加權(quán)的LMMF-PLBP直方圖（記作LMMF-WPLBP直方圖）。這樣在ROI區(qū)域的特征信息丟失微小的情況下，原本80維的LMMF-PLBP特征轉(zhuǎn)換成40維的LMMF-WPLBP特征。

生成的LMMF-WPLBP直方圖和LMMFWPLBP直方圖的包絡(luò)折線圖分別如圖8、圖9所示。

圖8 LMMF-WPLBP直方圖（40維）

圖9 LMMF-WPLBP折線圖（40維）

2.3 LMMF-WPLBP直方圖用于手指靜脈識別

一幅手指靜脈ROI區(qū)域圖像，經(jīng)過LMMFWPLBP編碼后得到了LMMF-WPLBP直方圖。假設(shè)數(shù)據(jù)庫的手指靜脈圖像的ROI區(qū)域經(jīng)過編碼后的直方圖為HistogramWeightingA，新采集的一幅圖像的ROI區(qū)域經(jīng)過編碼后的直方圖為HistogramWeightingB。通過歐式距離度量兩個直方圖的相似度，具體方法為：

式中，HistogramWeightingA(i)和HistogramWeightingB(i)分別表示對應(yīng)直方圖中第i個維度上的特征值，L則表示直方圖的特征維數(shù)。

3 實驗結(jié)果與分析

3.1 實驗環(huán)境

本部分的實驗是為了驗證提出的基于LMMFWPLBP編碼的手指靜脈識別算法的性能。圖像處理算法和識別算法是基于Python開發(fā)的，硬件配置如表1所示。

表1 實驗硬件配置信息

3.2 基于LMMF-WPLBP編碼的手指靜脈識別算法的驗證

本實驗使用山東大學(xué)采集建立的SDUMLA-FV數(shù)據(jù)庫[13]。該數(shù)據(jù)庫共收集了106組樣本，每組樣本包含左右手指的食指、中指和無名指的手指靜脈采集圖像各6幅，即相當(dāng)于收集了636個手指，每個手指采集6幅圖片。手指靜脈圖像大小為320×240，手指為水平擺放。研究中提出的基于LMMF-WPLBP編碼的手指靜脈識別算法將會在辨別模式和驗證模式下進(jìn)行驗證。

3.2.1 辨別模式下的算法驗證

辨別模式是指工作在1: N的狀態(tài)，即對于給定的手指靜脈圖像，令其和手指靜脈數(shù)據(jù)庫中所有的模板圖像一一對比，選取相似度得分最高且超過給定閾值的模板為識別結(jié)果。辨別模式適用于準(zhǔn)確判斷某一用戶是否存在于已注冊用戶數(shù)據(jù)庫中。若存在，進(jìn)一步確定該用戶是哪一位注冊用戶的場景。

在辨識模式實驗中，嘗試判斷一幅采集的手指靜脈圖像所屬的類別。在每根手指的6幅圖像中，隨機(jī)選取一幅圖像作為模板，剩下的5幅圖像作為試樣圖像。這樣共有636幅模板圖像和3 180（636×5）幅試樣圖像。每一幅試樣圖像要和所有的模板圖像進(jìn)行匹配，取與該試樣圖像相似度得分最大的模板圖像作為識別結(jié)果完成一次測試。重復(fù)上述步驟，得到每一幅試樣圖像的匹配結(jié)果。最終的辨別模式驗證結(jié)果，如表2所示。

表2 基于LMMF-WPLBP的手指靜脈識別準(zhǔn)確率

由表2結(jié)果可以看到，基于改進(jìn)的采集和處理方法以及LMMF-WPLBP手指靜脈識別算法的身份認(rèn)證系統(tǒng)，在1: N的辨別模式下識別率為98.11%，且識別速度小于0.793 s。這表明本文提出的算法對于手指靜脈身份認(rèn)證性能的提高是有效的。

3.2.2 驗證模式下的算法驗證

驗證模式是指工作在1:1的狀態(tài)，即對于給定的手指靜脈圖像，判斷它與某一幅手指靜脈圖像是否匹配。驗證模式適用于準(zhǔn)確判斷某一用戶是否為某一位手指靜脈數(shù)據(jù)庫中已注冊用戶的場景。

在驗證模式實驗中，在同源比較和異源比較時，每根手指的6幅圖像均被使用。因此，共有9 540（636×6×5/2）次同源比較和7 269 480（636×6×6/2）次異源比較。

驗證模式下，計算給定手指靜脈圖像的LMMFWPLBP直方圖與某一幅圖像的LMMF-WPLBP直方圖相似度。如果相似度小于閾值SimilarityT，則判斷為匹配；否則，不匹配。閾值SimilarityT的設(shè)定需要根據(jù)交叉匹配得出的直方圖相似度分布來進(jìn)行設(shè)置。

圖10展示的是交叉匹配得到的手指靜脈圖像與靜脈模板之間的LMMF-WPLBP直方圖相似度分布。實線部分是相同手指間靜脈樣本和模板的LMMFWPLBP直方圖相似度分布，虛線部分是不同手指間靜脈樣本和模板的LMMF-WPLBP直方圖相似度分布。

圖10 交叉識別產(chǎn)生的LMMF-WPLBP直方圖相似度的分布

從圖10可以看出，相同手指間靜脈樣本與模板的LMMF-WPLBP直方圖相似度以超過98%的比例分布在區(qū)間[0.78，096]上，超過60%的數(shù)據(jù)集中分布在區(qū)間[0.86，0.93]上。而不同手指間靜脈樣本與模板的LMMF-WPLBP直方圖相似度以超過98%的比例分布在區(qū)間[0.61，0.83]上，超過60%的數(shù)據(jù)集中分布在了區(qū)間[0.65，0.76]上。實線和虛線的交叉重疊區(qū)域很少，且集中分布的數(shù)據(jù)區(qū)間也有很大差別。這說明基于LMMF-WPLBP編碼的手指靜脈識別算法可以準(zhǔn)確有效地區(qū)分匹配和不匹配的情況。圖10中實線和虛線交叉的區(qū)間是[0.76，0.84]，將該區(qū)間的圖像放大，如圖11所示。顯然，相似度閾值SimilarityT的取值范圍應(yīng)該是[0.76，0.84]。

圖11 交叉識別產(chǎn)生的LMMF-WPLBP直方圖相似度的分布（局部）

在這里引入誤識率（False Acceptance Rate，F(xiàn)AR）和拒真率（False Rejection Rate，F(xiàn)RR）兩個指標(biāo)，定義分別如下：

其中NumberDiff為不同手指的靜脈圖像之間進(jìn)行匹配的總次數(shù)，也就是異源匹配的次數(shù)；NumberErrorDiff為將本來不匹配的圖像誤判為匹配的次數(shù)；NumberSame為同一根手指的靜脈圖像之間進(jìn)行匹配的總次數(shù)，也就是同源匹配的次數(shù)；NumberErrorSame為將本來匹配的圖像誤判為不匹配的次數(shù)。

分別用誤識率和拒真率作為橫縱坐標(biāo)來繪制基于LMMF-WPLBP編碼的手指靜脈識別算法的錯誤率曲線，如圖12所示。

圖12 基于LMMF-WPLBP手指靜脈識別算法的ROC曲線

圖12 中，曲線與直線Y=X的交點對應(yīng)的坐標(biāo)值被稱為該算法的等錯誤率（Equal Error Rate，ERR），是用于評價生物特征識別算法的一個重要指標(biāo)。根據(jù)圖12可以得到，基于LMMF-WPLBP編碼的手指靜脈識別算法的EER為1.91%，如表3所示。

表3 本研究中身份認(rèn)證系統(tǒng)的EER及其對應(yīng)的相似度閾值

當(dāng)相似度閾值SimilarityT左移時，該算法會將更多的不匹配判定為匹配，但同時也將更少的匹配判定為不匹配，即當(dāng)相似度閾值SimilarityT變小時，該算法的誤識率會升高，但是拒真率會下降。反之，當(dāng)相似度閾值SimilarityT變大時，手指靜脈識別算法的誤識率會下降，但同時拒真率也會上升。EER處對應(yīng)的相似度閾值SimilarityT是0.817 8，此時基于LMMF-WPLBP編碼的手指靜脈識別算法以最小的總錯誤率區(qū)分匹配和不匹配的情況?？梢姡趯嶋H應(yīng)用中，設(shè)計者需要根據(jù)不同的應(yīng)用場景，平衡系統(tǒng)的安全性和用戶的可用性之間的關(guān)系，設(shè)置一個合適的相似度閾值SimilarityT用于識別。

3.3 基于LMMF-WPLBP編碼的手指靜脈識別算法的性能評價

根據(jù)3.2小節(jié)算法辨別實驗的驗證結(jié)果，本研究設(shè)計的基于手指靜脈身份認(rèn)證系統(tǒng)的識別率可以達(dá)到98.11%，可滿足生物特征識別系統(tǒng)對識別率這一項的性能要求。根據(jù)3.2小節(jié)算法驗證實驗的驗證結(jié)果，設(shè)計的基于LMMF-WPLBP手指靜脈識別算法的身份認(rèn)證系統(tǒng)的等錯誤率為1.91%。

本部分提出四個實驗以進(jìn)一步評價所提出的LMMF-WPLBP手指靜脈識別算法的性能，具體實驗結(jié)果和分析如下。

3.3.1 LMMF-WPLBP與不同LBP算子的識別效果比較實驗

本實驗對比了使用不同LBP算子特征提取方法的手指靜脈算法的識別效果，將基于LMMFWPLBP的手指靜脈識別算法同基于LBP、CSLBP、MB-LBP以及LMMF-PLBP的手指靜脈識別算法進(jìn)行對比，得到的實驗結(jié)果如表4、圖13所示。

表4 不同手指靜脈識別算法的EER結(jié)果

圖13 不同手指靜脈識別算法的ROC曲線

3.3.2 LMMF-WPLBP手指靜脈算法與其他文獻(xiàn)方法的對比

列出了國內(nèi)外一些文獻(xiàn)中不同手指靜脈算法的EER的統(tǒng)計結(jié)果，如表5所示。

表5 常見手指靜脈識別算法的EER統(tǒng)計結(jié)果

3.3.3 訓(xùn)練樣本數(shù)對識別準(zhǔn)確率的影響實驗

對于基于LBP算子的手指靜脈識別算法，訓(xùn)練樣本的數(shù)量對算法的識別性能會產(chǎn)生影響。將LMMF-WPLBP與4種基于LBP的方法進(jìn)行對比，改變訓(xùn)練樣本數(shù)量SampleNumber（簡記為SN），統(tǒng)計各個方法對應(yīng)的識別率，結(jié)果如表6、圖14所示。

表6 不同算法在不同數(shù)目訓(xùn)練樣本下的識別率對比

圖14 不同算法在不同數(shù)量訓(xùn)練樣本下對應(yīng)的識別率

3.3.4 LMMF-WPLBP手指靜脈算法運行耗時實驗

高效性也是手指靜脈識別的一個重要性能指標(biāo)。本研究中的手指靜脈識別算法在完成包括邊緣檢測、ROI提取、生成LMMF-WPLBP直方圖特征和識別的全部流程耗時小于0.8 s，完全可以滿足手指靜脈識別系統(tǒng)的實用要求。手指靜脈身份認(rèn)證系統(tǒng)各個階段功能的耗時如表7所示。

表7 手指靜脈身份認(rèn)證系統(tǒng)各個階段耗時

對比圖表數(shù)據(jù)可以看出，本部分設(shè)計的基于LMMF-WPLBP編碼的手指靜脈識別算法具有較為優(yōu)秀的性能，基于本研究算法設(shè)計的身份認(rèn)證系統(tǒng)效果表現(xiàn)良好。

4 結(jié) 語

（1）使用紋理特征來表征提取好的ROI區(qū)域圖像以完成手指靜脈識別。針對LBP編碼以及其改進(jìn)模式在描述手指靜脈圖像紋理時無法兼顧局部宏觀結(jié)構(gòu)和微觀特征的缺陷，提出了一種局部宏觀結(jié)構(gòu)和微觀特征融合的局部二元模式LMMF-LBP，能夠更準(zhǔn)確地描述靜脈信息，有較強(qiáng)的魯棒性。之后，在考慮到實際應(yīng)用中特征維數(shù)過高帶來的計算量問題時，提出了一種新型的基于加權(quán)分塊LMMF-LBP算子的手指靜脈識別算法。

（2）通過實驗得出，該手指靜脈識別算法在辨別模式下的識別準(zhǔn)確率為98.11%，在驗證模式下的EER為1.91%，且算法整體運行耗時小于0.8 s。由此，本文提出的基于LMMF-WPLBP算子的手指靜脈識別算法具有比較優(yōu)秀的性能表現(xiàn)，完全滿足生產(chǎn)、生活中手指靜脈識別系統(tǒng)的性能需要。