結(jié)合改進(jìn)韋伯算子和加權(quán)稀疏表示的指靜脈識(shí)別

李新春，張碧茜，林 森，馬紅艷

(1.遼寧工程技術(shù)大學(xué) 電子與信息工程學(xué)院，葫蘆島市 125105；2.遼寧工程技術(shù)大學(xué) 研究生院，葫蘆島市 125105)

0 引 言

手指靜脈是一種皮下結(jié)構(gòu)，隨機(jī)生長(zhǎng)成網(wǎng)狀分布在手指上。靜脈的生理特性使其高度安全，易于收集。此外，與其他的生物識(shí)別技術(shù)相比(即指紋[1]、人臉[2]、耳、虹膜[3]等)，指靜脈識(shí)別系統(tǒng)具備成像裝置小、成本低、活動(dòng)靈活、通用性強(qiáng)、可接受性高等特質(zhì)。因此，手指活檢在生物識(shí)別中具有很高的研究?jī)r(jià)值。

在指靜脈識(shí)別的眾多算法中，局部紋理特征提取方法不僅取得較好的識(shí)別效率，并且在光照及形變方面表現(xiàn)出良好的魯棒性。在現(xiàn)有的研究中，楊文文等[4]采用簡(jiǎn)單二值化、局部二進(jìn)制模式(local binary pattern，LBP)和分塊主成分分析(principal component analysis，PCA)來(lái)進(jìn)行指靜脈識(shí)別，提高了識(shí)別精度，減少了處理時(shí)間。研究人員改進(jìn)了傳統(tǒng)的編碼方法，提出了更多的特征描述。A.Prijono等[5]將LBP擴(kuò)展到4個(gè)方向，提出了多方向局部線二進(jìn)模式(multi-direction local line binary pattern，MDLLBP)方法。襲肖明等[6]提出了最佳局部差值編碼(best local difference code bit，BLDCB)方式，并成功應(yīng)用于手指靜脈識(shí)別當(dāng)中。近年來(lái)，研究人員又提出了關(guān)于特征局部結(jié)構(gòu)圖相關(guān)的一系列算法。TAO等[7]提出了正交對(duì)稱局部圖結(jié)構(gòu)(orthogonal symmetric local graph structure，OSLGS)，引入了高斯分布的差異來(lái)表示圖像，而基于高斯分布的局部圖結(jié)構(gòu)存在著忽略圖像方向信息的固有問(wèn)題。董頌[8]提出多方向加權(quán)對(duì)稱局部圖結(jié)構(gòu)(multi-orientation weighted-symmetric local graph structure， MOW-SLGS)算法。賈桂敏等[9]提出了對(duì)稱鄰域交叉圖結(jié)構(gòu)(symmetric cross-weighted local graph structure， SCW-LGS)的指靜脈識(shí)別方法，相比于已有的算法，取得了較好的識(shí)別效果。由此，說(shuō)明了將圖論方法應(yīng)用于指靜脈識(shí)別具有十分重要的研究?jī)r(jià)值，但存在著對(duì)空間信息表達(dá)不完全使得特征提取不全面的問(wèn)題。

通過(guò)上述分析，已有算法存在著對(duì)實(shí)驗(yàn)環(huán)境要求高，不能對(duì)噪聲表現(xiàn)出很好的魯棒性而導(dǎo)致識(shí)別率下降并且穩(wěn)定性差的問(wèn)題，本文考慮到拓?fù)浣Y(jié)構(gòu)相對(duì)簡(jiǎn)單的指靜脈在識(shí)別過(guò)程中無(wú)法提取足夠的有效特征并易受周圍環(huán)境和噪聲干擾問(wèn)題，將傳統(tǒng)的韋伯算子進(jìn)行改進(jìn)，提出一種韋伯局部圓梯度模式與多方位對(duì)稱局部圖結(jié)構(gòu)結(jié)合加權(quán)稀疏表示分類的指靜脈識(shí)別算法。首先利用Gabor細(xì)化了指靜脈圖像的紋理特征；然后對(duì)分解后的圖像利用韋伯局部圓梯度模式與多方向?qū)ΨQ局部圖結(jié)構(gòu)(Weber local circle gradient pattern-multidirectional symmetrica local graph structure，WLCGP-MSLGS)算法提取紋理特征；最后利用加權(quán)稀疏表示進(jìn)行分類與匹配過(guò)程。在天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室數(shù)據(jù)庫(kù)和馬來(lái)西亞大學(xué)FV-USM (finger vein USM)圖庫(kù)上進(jìn)行測(cè)試實(shí)驗(yàn)，結(jié)果表明，與其他傳統(tǒng)及最新算法相比，本文算法提高了系統(tǒng)的識(shí)別率，具有一定的優(yōu)勢(shì)。

1 相關(guān)理論

1.1 韋伯局部描述

文獻(xiàn)[10]首先受到韋伯定律的啟發(fā)提出了韋伯局部描述符(Weber local descriptor，WLD)。該定律指出，只有當(dāng)刺激變量與刺激本身的比值達(dá)到一定閾值時(shí)，才能看出兩者的區(qū)別，表示為

(1)

(1)式中：I為初始刺激強(qiáng)度；ΔI為增量閾值；K表示為比例的不變常數(shù)。

局部窗口如圖1，WLD算子利用3×3濾波器來(lái)計(jì)算當(dāng)前像素的灰度變化。實(shí)踐證明，該方法不僅有效，而且效果顯著。

圖1 局部窗口Fig.1 Local window

WLD由差分激勵(lì)和算子方向2部分組成。差分激勵(lì)描述中心像素與相鄰像素之間的強(qiáng)度變化表示為

(2)

(2)式中：P表示中心位置相鄰像素的個(gè)數(shù)；gi(i=0,1,…,P-1)表示相鄰像素的灰度值；gc為中心像素(xc,yc)的灰度值。當(dāng)輸入像素值過(guò)大或過(guò)小時(shí)，反正切函數(shù)能夠使輸出量在合理范圍內(nèi)。

WLD的方向部分表示圖像中像素的梯度變化，可以表示為水平方向變化量與垂直方向變化量之比，表示為

(3)

將差分激勵(lì)與方向信息2個(gè)分量相結(jié)合，構(gòu)造出表示W(wǎng)LD特征的二維級(jí)聯(lián)直方圖。

1.2 LGS和SLGS

局部圖結(jié)構(gòu)(local graph structure，LGS)利用圖論來(lái)描述相鄰像素的灰度差，并將其編碼為二值模式。它構(gòu)造一個(gè)圖來(lái)探究目標(biāo)像素與周圍5個(gè)像素之間的關(guān)系。LGS的計(jì)算過(guò)程：在目標(biāo)像素的左側(cè)，從目標(biāo)像素開始沿逆時(shí)針方向進(jìn)行對(duì)比，若箭頭指向的頂點(diǎn)像素灰度值大于箭尾指向的像素值，則在連接這2個(gè)頂點(diǎn)的邊緣上賦值1，否則賦值為0；相反地，該過(guò)程在目標(biāo)像素的右側(cè)進(jìn)行，但像素值按順時(shí)針方向進(jìn)行比較；最后，將8位二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)，以獲得目標(biāo)像素的LGS值。圖2描述了LGS的編碼過(guò)程，其中目標(biāo)像素的灰度值為27。

LGS(10101001)=1×27+0×26+1×25+0×24+

1×23+0×22+0×21+1×20=

169

圖2 局部圖結(jié)構(gòu)LGS算子Fig.2 Localgraph structure LGS operator

與LGS相比，對(duì)稱局部圖結(jié)構(gòu)(symmetrical local graph structure，SLGS)采用對(duì)稱結(jié)構(gòu)來(lái)保持權(quán)重的平衡，目標(biāo)像素的左右各包含3個(gè)像素。SLGS算子如圖3，SLGS算子只描述了水平方向的梯度信息，缺乏對(duì)空間結(jié)構(gòu)的表達(dá)性。

圖3 局部圖結(jié)構(gòu)SLGS算子Fig.3 Localgraph structure SLGS operator

2 特征提取算法

基于該算法的系統(tǒng)框架如圖4。其主要步驟包括：Gabor特征提取、一種新的WLD算子和基于加權(quán)稀疏表示的分類(WLD-sparse representation based classification,WSRC)。

圖4 整體識(shí)別過(guò)程Fig.4 Entire identification process

2.1 Gabor特征

Gabor小波濾波器是一種線性濾波器，已成功地應(yīng)用于手指靜脈識(shí)別中。Gabor核類似于簡(jiǎn)單神經(jīng)元細(xì)胞的二維接受域，可以描述指靜脈圖像的空間信息和頻率特性。因此，Gabor特征增強(qiáng)了指靜脈圖像關(guān)鍵區(qū)域的局部紋理細(xì)節(jié)，對(duì)光照變化具有魯棒性。簡(jiǎn)化后的Gabor濾波器[11]表示為

(4)

為了提取Gabor信號(hào)的有效幅度，降低Gabor特征向量的維度，在n尺度和m方向上融合Gabor特征，表示為

(5)

(5)式中：Gu,v(x,y)表示每個(gè)尺度對(duì)應(yīng)m個(gè)方向的Gabor特征圖像；MGv(x,y)為v尺度融合像素值的平均值。

2.2 改進(jìn)的韋伯算子

雖然WLD和LGS具有良好的識(shí)別性能，但它們?nèi)匀淮嬖谝恍┤秉c(diǎn)。WLD描述符忽略了中心像素的相鄰的徑向像素灰度值之間的關(guān)系，LGS的新穎之處在于引入了相鄰像素之間的像素強(qiáng)度變化，但在目標(biāo)像素的左側(cè)分配了較大的權(quán)重，導(dǎo)致最終的LGS值由部分鄰域決定，從而LGS對(duì)局部紋理變化很敏感。為了解決上述問(wèn)題，本文提出了WLCGP-MSLGS。

2.2.1 改進(jìn)差分激勵(lì)

為避免WLD算子只考慮中心像素與徑向周圍像素間的灰度關(guān)系，忽略了周圍像素更有鑒別性和有效性的信息，本節(jié)提出一種新的局部描述符，稱為WLCGP，它對(duì)圖像的變化可以更加穩(wěn)定地表達(dá)。WLCGP的圖解如圖5。

圖5 WLCGP圖解Fig.5 WLCGP diagram

其數(shù)學(xué)定義為

(6)

sum1=|g0-g1|+|g1-g2|+|g2-g3|+

|g3-g4||g4-g5|+|g5-g6|+

|g6-g7|+|g7-g0|

(7)

(8)

(9)

(6)—(9)式中：gm為8個(gè)相鄰像素和中心像素的平均值，sum1為順時(shí)針方向上所有外圍相鄰像素間梯度關(guān)系之和；sum2為目標(biāo)像素與周圍8個(gè)像素間梯度關(guān)系之和。

圖5中，使用3×3鄰域模板，利用(7)式計(jì)算8個(gè)周邊像素沿順時(shí)針方向的梯度關(guān)系，利用(8)式描述目標(biāo)像素與周圍其他像素的梯度關(guān)系。為了更加穩(wěn)定，該算子用(8)式中g(shù)m表示計(jì)算包括3×3鄰域模板和中心像素在內(nèi)的9個(gè)像素的平均強(qiáng)度；最后，再利用反正切函數(shù)，通過(guò)計(jì)算圖像的周期梯度信息和整體梯度信息，提高WLCGP對(duì)噪聲的魯棒性。

2.2.2 改進(jìn)LGS

為解決傳統(tǒng)LGS算法方向單一，表達(dá)局部紋理信息不全面的問(wèn)題，本節(jié)提出了一個(gè)新的描述符MSLGS，多方位對(duì)稱局部圖結(jié)構(gòu)如圖6。圖6中，MSLGS分別在0°，45°，90°，135°方向上通過(guò)5×5過(guò)濾器窗口計(jì)算特征值。

圖6 多方位對(duì)稱局部圖結(jié)構(gòu)Fig.6 Multi-orientation symmetrical local graph structure

圖7—圖10分別給出了MSLGS在0°，45°，90°，135°方向的例子。圖8說(shuō)明了在計(jì)算MSLGS的45°方向過(guò)程中，目標(biāo)像素被描述為灰色的顏色，并且135°方向上的特征值的計(jì)算方法與45°方向上的特征值的計(jì)算方法相同，即目標(biāo)像素左上方的比較按逆時(shí)針方向進(jìn)行，目標(biāo)像素右下方的比較按順時(shí)針方向進(jìn)行。MSLGS結(jié)構(gòu)在0°，90°方向的編碼方式不同于其他算法，非常接近目標(biāo)像素的4個(gè)像素賦予了更多的權(quán)重，由此更好地強(qiáng)調(diào)了對(duì)目標(biāo)像素的影響。

0°MSLGS(10001100)=1×27+0×26+0×25+0×24+

1×23+1×22+0×21+0×20=

140

圖7 MSLGS在0°方向的例子Fig.7 Demonstration of MSLGS operator in 0°direction

45°MSLGS(01100001)=0×27+1×26+1×25+

0×24+0×23+0×22+

0×21+1×20=97

圖8 MSLGS在45°方向的例子Fig.8 Demonstration of MSLGS operator in 45°direction

最后，MSLGS算法可以得到4個(gè)特征值。4個(gè)特征值可以反映中心像素與鄰域像素點(diǎn)之間的位置信息和梯度信息，并且不管圖像怎樣旋轉(zhuǎn)，分別提取多個(gè)方向的特征編碼，總會(huì)得到一個(gè)最大值，若一個(gè)方向的特征值越大，則表明像素灰度值的差異越大。因此，本文選擇最大的特征值替換該位置原本的像素值，因?yàn)樗从沉藞D像細(xì)節(jié)最具代表性的特征，并可以解決旋轉(zhuǎn)不變性問(wèn)題。

90°MSLGS(10010011)=1×27+0×26+0×25+

1×24+0×23+0×22+1×21+

1×20=147

圖9 MSLGS在90°方向的例子Fig.9 Demonstration of MSLGS operator in 90°direction

135°MSLGS(10111100)=1×27+0×26+1×25+1×24+

1×23+1×22+0×21+

0×20=188

圖10 MSLGS在135°方向的例子Fig.10 Demonstration of MSLGS operator in 135°direction

2.3 WLCGP-MSLGS直方圖

對(duì)于給定的一張指靜脈圖像，首先計(jì)算出WLCGP和MSLGS特征向量，然后將其組合為二維WLCGP-MSLGS直方圖，出于增加特征區(qū)分性及加強(qiáng)特征描述能力的目的，本文對(duì)二維直方圖按列優(yōu)先連接成一個(gè)一維直方圖，用來(lái)表示指靜脈圖像的紋理特征。

3 由粗到細(xì)的指靜脈識(shí)別方法

結(jié)合WLCGP-MSLGS和WSRC，本節(jié)提出了一種指靜脈識(shí)別方法，它包括2個(gè)階段，即粗識(shí)別階段和精識(shí)別階段。在粗識(shí)別階段，識(shí)別并保留與測(cè)試樣本非常相似的少數(shù)類別，并舍棄其他大部分類別的冗余訓(xùn)練樣本；在精識(shí)別階段，提取WLCG-MSLGS直方圖矢量，并通過(guò)WSRC算法識(shí)別測(cè)試樣本。假設(shè)n個(gè)來(lái)自N個(gè)不同的類{X1,X2,…,XN}中有原始指靜脈x1,x2,…,xn作為訓(xùn)練集，ni是第i類的指靜脈編號(hào)，y是測(cè)試樣本。

3.1 粗識(shí)別階段

同一類圖像的旋轉(zhuǎn)、位置和分辨率之間的差異很小，而不同類之間的圖像差異很大。假設(shè)有n個(gè)指靜脈屬于N個(gè)不同的類別和一個(gè)測(cè)試指靜脈y，xij是第i個(gè)類別的第j個(gè)指靜脈。任何2個(gè)指靜脈xi和xj之間的相似性被定義為

(10)

(10)式中，‖xi-xj‖為xi和xj之間的歐式距離。

那么2個(gè)指靜脈之間的不相似性被定義為

w(xi,xj)=1-‖xi-xj‖

(11)

根據(jù)(10)式計(jì)算測(cè)試樣本與每個(gè)類別中的一個(gè)手指靜脈之間的相似度，并將它們排序?yàn)閟(y,xr11)≥s(y,xr21)≥…≥s(y,xrM1)≥…，然后取前M個(gè)最大相似度的M個(gè)類{xr1,xr2,…,xrM}作為測(cè)試樣本的候選類，并保留這測(cè)M個(gè)候選類別的訓(xùn)練樣本，并且來(lái)自其他N-M個(gè)類的所有訓(xùn)練樣本從訓(xùn)練集合中被舍棄。

3.2 精識(shí)別階段

結(jié)合WSRC，在本小節(jié)中提出了指靜脈識(shí)別方案。在上述粗略識(shí)別階段，M個(gè)候選類別{xr1,xr2,…,xrM}被保留。從M個(gè)候選類別和測(cè)試樣本的每個(gè)訓(xùn)練樣本中提取WLCGP-MSLGS直方圖向量，記為{Hr1,Hr2,…,HrM}和hy，其中，Hij是第i類的第j個(gè)WLCGP-MSLGS直方圖矢量。在WSRC中，{Hr1,Hr2,…,HrM}被用作為新的訓(xùn)練集來(lái)將測(cè)試樣本和每個(gè)訓(xùn)練樣本之間的相異性信息輸入到SRC中的權(quán)重構(gòu)造中，提出了一種WSRC算法用于指靜脈識(shí)別。該算法解決了以下加權(quán)l(xiāng)1范數(shù)最小化問(wèn)題。

(12)

(12)式中，W′是一個(gè)對(duì)角矩陣，diag(W′)=[w(y,xr11),w(y,xr12),…,w(y,xrmnrm)]T，其中，xrij是第ri類上第j個(gè)原始指靜脈圖像，y是原始測(cè)試圖像，nrm是第ri類中的指靜脈編號(hào)。(12)式可以使用標(biāo)準(zhǔn)線性規(guī)劃方法來(lái)解決。在加權(quán)矩陣中，較大的w(y,xrij)表示y和xrij之間的不相似度。因此，WSRC可以生成更多的判別稀疏代碼，從而更魯棒地表示測(cè)試樣本。在線性表示中，WSRC的稀疏系數(shù)趨于局部。得到稀疏系數(shù)后，將查詢圖像識(shí)別為重構(gòu)誤差最小的類，殘差計(jì)算為

(13)

(13)式中，Ari為對(duì)應(yīng)于第ri類的稀疏系數(shù)向量。

判斷測(cè)試樣本y類別為

Identity(y)=argmini{ei},

i=1,2,…,M

(14)

3.3 識(shí)別算法總結(jié)

識(shí)別算法流程如圖11，該算法的主要步驟如下。

圖11 識(shí)別算法流程Fig.11 Flowt of recognition algorithm

輸入：來(lái)自N個(gè)不同類的n個(gè)訓(xùn)練圖像、測(cè)試的指靜脈圖像y、候選類M、在WSRC中的參數(shù)λ。

步驟1計(jì)算測(cè)試樣本與每個(gè)訓(xùn)練類的第1個(gè)指靜脈之間的相似性，然后保留前M個(gè)最大相似性的M個(gè)候選類作為訓(xùn)練樣本；

步驟2用WLCGP-MSLGS算法提取每個(gè)候選訓(xùn)練樣本和測(cè)試樣本的加權(quán)直方圖向量；

步驟3用候選訓(xùn)練樣本的所有加權(quán)直方圖向量構(gòu)造字典矩陣H；

步驟4利用(10)式計(jì)算y與各候選訓(xùn)練樣本之間的相似度，利用(11)式計(jì)算不同度，利用不同度構(gòu)造權(quán)重矩陣W；

步驟5構(gòu)造并求解加權(quán)l(xiāng)1范數(shù)最小化問(wèn)題；

步驟6得到稀疏系數(shù)；

步驟7通過(guò)(13)式計(jì)算M個(gè)候選類的殘差；

步驟8根據(jù)(14)式將y分類為殘差最小的類。

輸出：對(duì)測(cè)試樣本集中的每個(gè)測(cè)試樣本重復(fù)步驟1—8，并計(jì)算每個(gè)類別的識(shí)別精度。

4 實(shí)驗(yàn)圖庫(kù)和評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)環(huán)境為Windows 7系統(tǒng)中2015a版本的Matlab軟件，處理器是Intel(R) Core(TM) i3-2 120 CPU，主頻是2.30 GHz，內(nèi)存(RAM)是4.00 GByte。

4.1 實(shí)驗(yàn)圖庫(kù)

1)實(shí)驗(yàn)圖庫(kù)1。本實(shí)驗(yàn)采用天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室數(shù)據(jù)庫(kù)[12]，作為實(shí)驗(yàn)圖庫(kù)1。該數(shù)據(jù)庫(kù)中有64個(gè)手指樣本，每個(gè)樣本有15幅分樣本。該實(shí)驗(yàn)中的指靜脈圖像噪聲小，指靜脈路清晰可見。

2)實(shí)驗(yàn)圖庫(kù)2。本實(shí)驗(yàn)采用FV-USM數(shù)據(jù)庫(kù)[13]，作為實(shí)驗(yàn)圖庫(kù)2。該數(shù)據(jù)庫(kù)中的圖像源于123名取樣者，提取每位的除了大拇指的4個(gè)手指的分樣本，共492個(gè)手指類和2 952張(123×4×6)圖片。

4.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文所提算法的性能，本文評(píng)價(jià)指標(biāo)為正確識(shí)別率[14](orrect recognition rate，CRR)。CRR表示為識(shí)別系統(tǒng)可以正確區(qū)分的次數(shù)與實(shí)驗(yàn)總次數(shù)的比值，計(jì)算式為

(15)

(15)式中：VC表示識(shí)別結(jié)果為正確的次數(shù)；VS表示實(shí)驗(yàn)總的次數(shù)。

5 數(shù)據(jù)仿真及分析

5.1 Gabor尺度和方向參數(shù)選擇

參數(shù)的選取會(huì)直接影響系統(tǒng)的識(shí)別性能。因此，本文通過(guò)在圖庫(kù)1和圖庫(kù)2上的實(shí)驗(yàn)來(lái)選取Gabor尺度和方向的最優(yōu)參數(shù)。利用(10)式獲取指靜脈識(shí)別率。

分析表1可知，雖然Gabor方向參數(shù)為4時(shí)的識(shí)別時(shí)間比Gabor方向參數(shù)為8和16時(shí)的識(shí)別時(shí)間稍短，但其識(shí)別率明顯低于Gabor方向參數(shù)為8和16時(shí)的識(shí)別率。Gabor方向參數(shù)為16和8時(shí)相比，在尺度參數(shù)相同情況下，識(shí)別率增加極小，但識(shí)別時(shí)間卻大幅度增大。因此，Gabor方向參數(shù)為8時(shí)，可以滿足識(shí)別的準(zhǔn)確性，且可滿足實(shí)時(shí)性。尺度參數(shù)為5～7時(shí)的識(shí)別率增長(zhǎng)幅度小于尺度參數(shù)為3～5時(shí)的識(shí)別率增長(zhǎng)幅度，但是尺度參數(shù)為5～7時(shí)的識(shí)別時(shí)間增長(zhǎng)幅度大于尺度參數(shù)為3～5時(shí)的識(shí)別時(shí)間增長(zhǎng)幅度。因此，通過(guò)綜合考慮識(shí)別時(shí)間和識(shí)別精度，本文選取5個(gè)尺度8個(gè)方向的Gabor細(xì)化紋理特征。

表1 2個(gè)圖庫(kù)中在Gabor不同尺度參數(shù)和不同方向參數(shù)下的識(shí)別率和識(shí)別時(shí)間

圖12 指靜脈圖像對(duì)應(yīng)的40張Gabor特征圖Fig.12 40 Gabor feature images corresponding to image of finger vein

5.2 圖庫(kù)1上的實(shí)驗(yàn)

1)實(shí)驗(yàn)1。選取每類的前8個(gè)指靜脈圖像作為測(cè)試樣本集[15]，后7個(gè)指靜脈圖像選為測(cè)試樣本集。為了清楚地觀察到相似度的變化，圖13展示了第1類的第9張指靜脈圖像作為測(cè)試樣本分別與每個(gè)類的第1張指靜脈圖像之間的相似性。

從圖13中可看出，有25個(gè)相似度大于0.2，有13個(gè)相似度大于0.3，而測(cè)試樣本與第1類指靜脈圖像的相似度高達(dá)0.89，這也表明了同一類中的不同樣本的相似度遠(yuǎn)遠(yuǎn)高于2個(gè)來(lái)自不同類別的指靜脈之間的相似度，則相似度可以用來(lái)分類指靜脈圖像。圖13中表明，超過(guò)三分之二的相似性小于0.2，因此，本文實(shí)驗(yàn)中僅保留總類數(shù)的三分之一作為粗識(shí)別階段訓(xùn)練候選類。

圖13 圖庫(kù)1上測(cè)試樣本與每類第1張圖的相似度Fig.13 Similarity between the test sample and the first graph of each class in gallery 1

2)實(shí)驗(yàn)2。為驗(yàn)證本文算法對(duì)噪聲及環(huán)境的魯棒性，隨機(jī)在每個(gè)候選類中添加一個(gè)干擾指靜脈圖像。干擾指靜脈圖像包括高斯噪聲、鹽椒噪聲、斑點(diǎn)噪聲、錯(cuò)位和損壞樣本。圖14顯示了每個(gè)干擾指靜脈圖像與圖庫(kù)中第1類第1個(gè)指靜脈圖像的相似性。從圖14中可以看出，最后4個(gè)相似度非常小，表明測(cè)試樣本與異常圖像非常不相似。因此，在WSRC中，這些樣本將被賦予更大的權(quán)重。

圖14 干擾圖與第1類第1張圖的相似度Fig.14 Similarity between the interference pattern and the first graph of the first class

5.3 圖庫(kù)2上的實(shí)驗(yàn)

利用上述方法在實(shí)驗(yàn)數(shù)據(jù)庫(kù)2上進(jìn)行了實(shí)驗(yàn)。選取每類的前3個(gè)指靜脈圖像作為測(cè)試樣本集，后3個(gè)指靜脈圖像選為測(cè)試樣本集。同樣選取相似性高的前三分之一類作為保留訓(xùn)練候選類。在實(shí)驗(yàn)2中，同樣在每個(gè)候選類中混入一個(gè)干擾指靜脈圖像。圖庫(kù)2測(cè)試樣本與每類第1張圖的相似度如圖15。

圖15 圖庫(kù)2測(cè)試樣本與每類第1張圖的相似度Fig.15 Similarity between the test sample and the first graph of each class in gallery 2

為了更清晰地觀察到相似度的變化，圖16僅顯示了前50類中第1張指靜脈圖像與測(cè)試樣本的相似度。從圖15中可看出，有21個(gè)相似性大于0.2,只有10個(gè)相似性大于0.3，而測(cè)試樣本與第1類指靜脈圖像的相似度高達(dá)0.91，本實(shí)驗(yàn)中仍有超過(guò)三分之二的相似性小于0.2，那么仍然僅保留總類數(shù)的三分之一作為粗識(shí)別階段訓(xùn)練候選類。

圖16 圖庫(kù)2測(cè)試樣本與前50類第1張圖的相似度Fig.16 Similarity between the test sample and the first graph of the top 50 categories in gallery 2

5.4 實(shí)驗(yàn)結(jié)果及分析

5.4.1 算法有效性實(shí)驗(yàn)結(jié)果及分析

為進(jìn)一步驗(yàn)證本文算法的有效性，將本文算法與傳統(tǒng)的LBP，LLBP，LDP和改進(jìn)前的算法WLD，WLCGP，SLGS，MSLGS和WLCGP-SLGS及最新提出的基于Gabor和Curvelet的近鄰二值模式手指靜脈識(shí)別方法[16]，SCW-LGS算法和DBD[17]算法進(jìn)行比較，結(jié)果如表2和表3。分析表中數(shù)據(jù)可知，在相同條件下，本文算法在實(shí)驗(yàn)1的單幅圖像識(shí)別時(shí)間分別為0.018 8 s和0.025 1 s，在實(shí)驗(yàn)2的單幅圖像識(shí)別時(shí)間分別為0.017 1 s和0.023 7 s，均小于其他算法所用時(shí)間。這種時(shí)間優(yōu)勢(shì)主要由于本文在粗識(shí)別階段基于相似度簡(jiǎn)單而快速地排除了大部分指靜脈類，從而大大降低了計(jì)算成本。WLCGP-MSLGS算法的魯棒性及WSRC在數(shù)據(jù)線性和局域性方面的優(yōu)點(diǎn)使得本文算法提取指靜脈圖像特征獲得的CRR值大于傳統(tǒng)算法及最新算法，由表3可看出，即使混入干擾的訓(xùn)練集樣本也可得到較好的識(shí)別效果。有效表明本文算法更好地獲取了指靜脈圖像紋理特征信息，使得系統(tǒng)識(shí)別性能更好，能夠?qū)崿F(xiàn)高效可靠的身份識(shí)別。

5.4.2 算法魯棒性實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文算法對(duì)噪聲的魯棒性，將圖像加入2種具有代表性的典型噪聲，即噪聲密度為0.05的椒鹽噪聲和均值為0、方差為0.01的高斯白噪聲，結(jié)果如表4。分析表4中數(shù)據(jù)可知，在加入椒鹽噪聲和高斯白噪聲的條件下，本文算法的識(shí)別率仍均大于其余算法，受噪聲影響小，表現(xiàn)出對(duì)噪聲較強(qiáng)的魯棒性。這種魯棒優(yōu)勢(shì)主要由于該算法首先利用Gabor小波變換的頻率及方向選擇性，提取出指靜脈圖像的多尺度多方向上的Gabor特征，多尺度多方向性可有效弱化噪聲。提出的WLCGP不僅考慮了中心像素與徑向周圍像素間的灰度關(guān)系，并且考慮了徑向周圍像素之間的灰度關(guān)系，可得到更有鑒別性的受噪聲影響小的信息，使本文算法的魯棒性提高，具有可行性。

表2 2個(gè)圖庫(kù)中不同算法實(shí)驗(yàn)1的識(shí)別率和識(shí)別時(shí)間

表3 2個(gè)圖庫(kù)中不同算法實(shí)驗(yàn)2的識(shí)別率和識(shí)別時(shí)間

表4 2個(gè)圖庫(kù)中加入噪聲后不同算法的識(shí)別率

4 結(jié)束語(yǔ)

為了在拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單的指靜脈圖像上提取更完整的紋理信息并提高識(shí)別效率，本文提出了一種基于WLCGP-MSLGS結(jié)合WSRC的由粗到細(xì)指靜脈識(shí)別算法。在粗識(shí)別階段，確定測(cè)試樣本的少數(shù)候選類別；在精識(shí)別階段，確定測(cè)試樣本的最終類別。該方法的主要原理是合理地將分類問(wèn)題簡(jiǎn)化為類數(shù)較少的簡(jiǎn)單分類問(wèn)題。在特征提取階段，提出了WLCGP-MSLGS算法，能有效提取細(xì)化紋理。在匹配識(shí)別階段，用加權(quán)稀疏來(lái)表示分類完成最終的識(shí)別匹配。在2個(gè)實(shí)驗(yàn)圖庫(kù)上進(jìn)行對(duì)比實(shí)驗(yàn)，單幅圖像識(shí)別時(shí)間分別為0.018 8 s和0.025 1 s，識(shí)別率分別為99.354 6%和97.384 2%。結(jié)果表明，該方法具有一定的優(yōu)勢(shì)，既滿足了識(shí)別的實(shí)時(shí)性，又可獲得較好的識(shí)別效果，具有實(shí)際應(yīng)用前景。