改进型LDA结合LBP的手指静脉识别

徐子豪 陈光化 傅志威

摘  要： 为提升手指静脉识别中不同类别间的区分度，提出一种改进型线性判别分析（LDA）结合局部二值模式（LBP）的识别方法。针对传统LDA算法因未对单个类别分类优化而存在的问题，对每个类别都构建一个最优投影空间，计算每个类别的最优空间中测试样本与属于该类别的训练样本之间的匹配度。结合提取到的有效的LBP特征，以及手指静脉数据库FV?USM和THU?FV，实验结果表明，改进型LDA算法得到的等错误率（EER）为0.45%和0.32%，远低于传统LDA算法得到的EER（1.11%和1.10%），提高了手指静脉的分类效果。

关键词： 手指静脉识别; 线性判别分析; 图像处理; 投影空间构建; 训练样本匹配; 仿真分析

中图分类号： TN911?34; TP391.41               文献标识码： A                      文章编号： 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认证为个人信息提供了前所未有的保障，如指纹识别、人脸识别等[1]。在众多生物特征识别中，手指静脉识别因其具有活体性、不可窃取、难以伪造等优点而具有更高的安全性，近年来成为国内外的研究热点。现有研究常从采集的图片感兴趣区域（Region of Interest，ROI）里将手指静脉分割出来[2]，再通过模板匹配法、弹性匹配、计算Hausdorff距离等方法对分割出的手指静脉进行匹配识别。但是它们对采集的图像质量要求很高，而手指静脉的清晰度会受光照不均、被采集人员手指静脉的粗细、图像噪声等影响。因此，常出现提取不到手指静脉特征或者提取结果与实际差别很大等问题。

为了避免分割手指静脉及利用静脉生长特点，另有一些图像特征提取方法被研究用于手指静脉识别，如：基于图像局部尺度不变性[3]、采用Gabor滤波器提取图像的特征向量[4]、利用图像的灰度变化特征提取手指感兴趣区域的局部二值模式（Local Binary Pattern，LBP）[5]等。鉴于LBP算子对图像灰度变化的描述具有一定的鲁棒性，将LBP与基于子空间的分析方法结合起来较大程度提高了识别率[6]。线性判别分析（Linear Discriminant Analysis，LDA）是一种有监督的基于子空间的模式识别方法，该算法能够使原始样本经过线性变换后的信息更有利于分类。

为了进一步提高手指静脉识别的效果，本文修改了LDA准则函数并与LBP特征相结合，基于多子空间进行手指静脉的匹配识别。

1  基于LBP的指静脉图像特征提取

在指静脉特征提取前，首先需要定位出手指区域，以将其与背景区域分开。本文使用文献[7]的方法，用两种边缘检测模板分别检测手指的左右边界，定位出ROI后将其逐行用双线性插值算法归一化为特定大小的图片并增强对比度，如图1所示。

在获得n个投影矩阵[W*i]后，采用一种基于多子空间的匹配方法，即训练样本特征向量根据自身类别选择投影子空间，测试样本特征向量的投影子空间取决于与之当前匹配的训练样本类别。若某手指静脉测试样本的特征向量为[xtest]（[xtest]为行向量），其与[xi，j]在第i类别的最优空间[W*i]中的特征向量分别为[yitest]和[yi，j]，即[yitest=xtestW*i]和[yi，j=xi，jW*i]。计算[yitest]与[yi，j]之间的欧氏距离得出二者匹配度，该值越小匹配度越高。

3  结果与分析

本文利用Matlab软件进行仿真实验，使用的手指静脉数据库来源于马来西亚理科大学的FV?USM库和清华大学的THU?FV库，分别有492和610种不同类别的手指静脉图片，每类分别有6张和8张。将FV?USM库每类中的4张作为训练样本，其余2张作为测试样本，THU?FV库每类中的5张作为训练样本，其余3张作为测试样本，则同源匹配分别为3 936（492×4×2）次和9 150（610×5×3）次，异源匹配分别为1 932 576（492×4×491×2）次和5 572 350（610×5×609×3）次。

对上述两手指静脉数据库设置两组实验，取m=4和m=8，在不同数据库、不同效果的LBP特征提取下，将本文改进的LDA算法与传统LDA算法做对比验证。每组实验的Experiment1不加LDA算法處理，Experiment2使用传统LDA算法处理，Experiment3使用改进的LDA算法处理。实验使用接受者操作特性（Receiver Operating Characteristic，ROC）曲线反映识别效果，如图4和图5所示。其中，错误拒绝率（False Rejection Rate，FRR）表示在某一判别相似度的阈值下将同一类别识别为不同类别的概率;错误接受率（False Acceptance Rate，FAR）表示在某一判别相似度的阈值下将不同类别错误判别为同类别的概率。表1统计出评价识别效果的三种重要指标，即FRR at 0 FAR表示FAR为0时FRR的值，FAR at 0 FRR表示FRR为0时FAR的值，等错误率（Equal Error Rate，EER）是当FRR与FAR相等时的值。

在所有4组实验中，改进的LDA算法的EER值从0.32%～0.58%不等，明显优于原始LDA算法的EER值（1.10%～2.08%）。因此，在同源匹配错误率和异源匹配错误率相等的情况下，改进的LDA算法的识别率均大于等于99.42%，而THU?FV库中的类别更多、m为4时原始特征向量识别率较差，原始LDA算法的识别率仅有97.92%。对于改进的LDA算法，匹配都是在每个类别的最优子空间中进行的，类内离散度较小，因此在异源匹配错误率为0的情况下相比于传统LDA算法，同源匹配错误率也比较低，FAR at 0 FRR从1.71%～14.88%不等，而传统LDA的FAR at 0 FRR从8.05%～89.71%不等。同时，改进的LDA算法在同源匹配错误率为0时，异源匹配的错误率较低为0.91%～4.62%不等，对应的传统LDA算法为8.33%～24.95%不等。

因此，本文改进的LDA算法优于传统LDA算法，结合提取到的有效的LBP特征，本文提出的改进型LDA结合LBP的方法在手指静脉识别中具备一定的实用性。

4  结  语

本文提出一种改进型LDA结合LBP特征的手指静脉识别方法，在每种类别的最优空间中降低同类别样本间的离散度，相比较传统LDA算法的整体优化性，改进的LDA算法更能够针对某一类别进行优化，使得同类别手指静脉样本匹配度更高。通过仿真实验验证本文改进的LDA与传统LDA相比，EER值更低的同时，在FRR at 0 FAR和FAR at 0 FRR两个重要指标上的效果明显，有效提升了手指静脉的识别效果，适用于高安全性手指静脉验证系统。

参考文献

[1] 木立生，吕迎春.基于稀疏表示与特征融合的人脸识别方法[J].现代电子技术，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] 孟宪静，袭肖明，杨璐，等.基于灰度不均匀矫正和SIFT的手指静脉识别方法[J].南京大学学报（自然科学版），2018，54（1）：1?10.

[4] 李新春，曹志强，林森.基于Gabor和Curvelet的近邻二值模式手指静脉识别方法[J].电子测量与仪器学报，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，马慧，湛涛.融合LBP纹理特征与B2DPCA技术的手指静脉识别方法[J].智能系统学报，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] 张洁玉，赵鸿萍，陈曙.自适应阈值及加权局部二值模式的人脸识别[J].电子与信息学报，2014，36（6）：1327?1333.

[10] 孙即祥.现代模式识别[M].北京：高等教育出版社，2008.

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