改進型LDA結合LBP的手指靜脈識別

徐子豪 陳光化 傅志威

摘 ?要： 為提升手指靜脈識別中不同類別間的區分度，提出一種改進型線性判別分析（LDA）結合局部二值模式（LBP）的識別方法。針對傳統LDA算法因未對單個類別分類優化而存在的問題，對每個類別都構建一個最優投影空間，計算每個類別的最優空間中測試樣本與屬于該類別的訓練樣本之間的匹配度。結合提取到的有效的LBP特征，以及手指靜脈數據庫FV?USM和THU?FV，實驗結果表明，改進型LDA算法得到的等錯誤率（EER）為0.45%和0.32%，遠低于傳統LDA算法得到的EER（1.11%和1.10%），提高了手指靜脈的分類效果。

關鍵詞： 手指靜脈識別; 線性判別分析; 圖像處理; 投影空間構建; 訓練樣本匹配; 仿真分析

中圖分類號： TN911?34; TP391.41 ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 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證為個人信息提供了前所未有的保障，如指紋識別、人臉識別等[1]。在眾多生物特征識別中，手指靜脈識別因其具有活體性、不可竊取、難以偽造等優點而具有更高的安全性，近年來成為國內外的研究熱點。現有研究常從采集的圖片感興趣區域（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、計算Hausdorff距離等方法對分割出的手指靜脈進行匹配識別。但是它們對采集的圖像質量要求很高，而手指靜脈的清晰度會受光照不均、被采集人員手指靜脈的粗細、圖像噪聲等影響。因此，常出現提取不到手指靜脈特征或者提取結果與實際差別很大等問題。

為了避免分割手指靜脈及利用靜脈生長特點，另有一些圖像特征提取方法被研究用于手指靜脈識別，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合起來較大程度提高了識別率[6]。線性判別分析（Linear Discriminant Analysis，LDA）是一種有監督的基于子空間的模式識別方法，該算法能夠使原始樣本經過線性變換后的信息更有利于分類。

為了進一步提高手指靜脈識別的效果，本文修改了LDA準則函數并與LBP特征相結合，基于多子空間進行手指靜脈的匹配識別。

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域，以將其與背景區域分開。本文使用文獻[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對比度，如圖1所示。

在獲得n個投影矩陣[W*i]后，采用一種基于多子空間的匹配方法，即訓練樣本特征向量根據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前匹配的訓練樣本類別。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 ?結果與分析

本文利用Matlab軟件進行仿真實驗，使用的手指靜脈數據庫來源于馬來西亞理科大學的FV?USM庫和清華大學的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據庫設置兩組實驗，取m=4和m=8，在不同數據庫、不同效果的LBP特征提取下，將本文改進的LDA算法與傳統LDA算法做對比驗證。每組實驗的Experiment1不加LDA算法處理，Experiment2使用傳統LDA算法處理，Experiment3使用改進的LDA算法處理。實驗使用接受者操作特性（Receiver Operating Characteristic，ROC）曲線反映識別效果，如圖4和圖5所示。其中，錯誤拒絕率（False Rejection Rate，FRR）表示在某一判別相似度的閾值下將同一類別識別為不同類別的概率;錯誤接受率（False Acceptance Rate，FAR）表示在某一判別相似度的閾值下將不同類別錯誤判別為同類別的概率。表1統計出評價識別效果的三種重要指標，即FRR at 0 FAR表示FAR為0時FRR的值，FAR at 0 FRR表示FRR為0時FAR的值，等錯誤率（Equal Error Rate，EER）是當FRR與FAR相等時的值。

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

因此，本文改進的LDA算法優于傳統LDA算法，結合提取到的有效的LBP特征，本文提出的改進型LDA結合LBP的方法在手指靜脈識別中具備一定的實用性。

4 ?結 ?語

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

參考文獻

[1] 木立生，呂迎春.基于稀疏表示與特征融合的人臉識別方法[J].現代電子技術，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的手指靜脈識別方法[J].南京大學學報（自然科學版），2018，54（1）：1?10.

[4] 李新春，曹志強，林森.基于Gabor和Curvelet的近鄰二值模式手指靜脈識別方法[J].電子測量與儀器學報，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技術的手指靜脈識別方法[J].智能系統學報，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.自適應閾值及加權局部二值模式的人臉識別[J].電子與信息學報，2014，36（6）：1327?1333.

[10] 孫即祥.現代模式識別[M].北京：高等教育出版社，2008.

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