CN108197577B - 联合Sobel和MFRAT的指静脉图像特征提取方法 - Google Patents

Abstract

本发明公开了一种联合Sobel和MFRAT的指静脉图像特征提取方法。首先采用Sobel算子结合韦伯定律计算指静脉样本的差分激励特征；然后采用MFRAT提取样本的方向特征；最后采用构造二维联合分布直方图的方式将两者结合得到SMWLD。将所提出的特征提取方法应用在指静脉图像识别中，在国内外两个公开指静脉图像库中进行对比实验，采用欧氏距离进行匹配，实验结果显示，相比其他同类方法，本申请的方法具有更高的识别率和更低的等误率且最高识别率分别达到了100％和99.729％。

Description

联合Sobel和MFRAT的指静脉图像特征提取方法

技术领域

本发明属于生物特征识别领域，特别涉及一种联合Sobel和MFRAT的指静脉图像特征提取方法。

背景技术

随着个人信息安全问题越来越被人们重视，基于生物特征的身份识别技术，如指纹，人脸，虹膜等也得到了越来越多的关注。相比基于其他生物特征的识别方法，指静脉识别以其简易的采集设备，安全的活体识别以及高识别率等优势逐步成为生物识别领域的热点话题。

特征提取是指静脉识别中的关键一步，特征提取的好坏会对识别效果产生很大影响。目前，指静脉识别中常用的特征提取方法主要有两类：第一类是基于子空间的方法，如PCA(Principal Component Analysis)、2DPCA(2d Principal Component Analysis)、LDA(Linear Discriminant Analysis)等；第二类是基于局部描述符的方法，如LBP(LocalBinary Pattern)、LDP(Local Directional Pattern)等；第三类是基于静脉骨架结构特征的方法，该方法使用较少。在基于子空间的方法中，申请号为CN201310563457.9的专利公开了“一种基于非负矩阵分解的指静脉特征提取方法”。在基于局部描述符的方法中，申请号为CN201610045351.3的专利公开了“一种基于LBP的图像特征提取方法”。在基于静脉骨架结构特征的方法中，申请号为CN200910073045.0的专利公开了“使用方向滤波技术的手指静脉纹路提取方法”。

相比于基于子空间的方法，基于局部描述符的方法因其更好的识别率逐渐成为研究热点。近来，Chen等人结合韦伯定律提出了韦伯局部描述符(WLD)，它是一种简单高效且鲁棒性较好局部描述符。在WLD中包含差分激励和方向两个成分，其采用构造二维直方图的方式将差分激励特征(即纹理特征)和方向特征相结合，再将二维直方图转化为一维的特征向量用于识别。虽然WLD具有诸如对光照鲁棒性较好等优点，但是在不同的应用场景下也存在一些问题。针对WLD的不足之处，Liu等人对WLD进行改进，提出韦伯局部二值模式(WLBP)，采用高斯拉普拉斯算子(LoG)计算差分激励以增加对噪声的鲁棒性，采用均值LBP(uLBP)来替代WLD的方向特征以提升纹理描述能力，应用在人脸识别和纹理分类中识别率较WLD和LBP等有所提升。罗月童等人针对掌纹图像线特征丰富的特点对WLD进行改进，提出一种线特征韦伯局部描述符(LWLD)，采用Gabor滤波器和MFRAT来提取掌纹的线特征代替WLD中的方向特征，获得了很好的识别效果。

指静脉图像具有独特的纹理信息和方向信息，相比LBP等局部算子只使用图像的纹理信息，采用WLD来提取指静脉图像的特征进行识别理应具有更好的效果。但是，由于实验所用的指静脉库图像质量较差，原始的差分激励的算子并不能够很好的提取出指静脉图像中最能够表示图像特征的边缘信息；原始的方向算子也不能很好的提取出指静脉图像中具有判别性的线特征。本文受WLBP和LWLD方法的启发，提出了一种联合Sobel梯度幅值和MFRAT方向的韦伯局部描述符(SMWLD)：采用Sobel算子计算的梯度幅值作为差别阈限并根据韦伯定律得到差分激励；采用MFRAT计算12个方向的响应值以得到方向特征；最后将改进后的差分激励算子与方向算子结合得到SMWLD算子。使用该方法进行指静脉图像的特征提取，不仅能够有效的提取出边缘纹理特征，而且能够提取出更具判别性的方向特征。通过在两个指静脉库上的大量实验，验证了方法的有效性。

发明内容

本发明的目的是针对基于韦伯局部描述符特征提取方法应用在指静脉识别领域的不足进行改进，提供一种联合Sobel和MFRAT的指静脉图像特征提取方法。

为了实现上述目的，本发明采用以下技术方案：一种联合Sobel和MFRAT的指静脉图像特征提取方法，包括以下步骤：

步骤1：输入原始手指静脉图像并进行尺度归一化；

步骤2：提取指静脉图像的Sobel差分激励特征，得到差分激励图；

步骤3：提取指静脉图像的MFRAT方向特征，得到方向图；

步骤4：分别对差分激励图和方向图进行分块，分割成r×c个互不重叠的图像块；

步骤5：将步骤4获得的每一个图像块差分激励量化为M个区域，同时MFRAT方向数为T，分别提取每个图像块的特征向量，得到r×c个子特征向量，分别提取每个图像块的特征向量，得到r×c个子特征向量；

步骤6：将步骤5中得到的r×c个子特征向量进行首尾相连，拼接成一个维数为r×c×M×T的1维整体特征向量H＝[h₁,h₂,...,h_r×c]，即最终的指静脉图像的特征向量。

进一步的，步骤2中Sobel差分激励值的提取采用以下步骤：

步骤2.1：对输入的原始手指静脉图像进行高斯滤波，滤波窗大小为3×3，滤波去噪后的图像f'通过式1获得：

其中g为式2表示的二维高斯函数；σ为标准差；f为原始图像；

为卷积运算符；

步骤2.2：对于滤波去噪后指静脉图像f'，采用式3获得每个像素点的差别阈限ΔI'：

ΔI'＝M(x,y)≈|gx|+|gy| (3)

其中，M是当前像素点的梯度幅值，g_x和g_y是像素点垂直方向和水平方向上的梯度分量，采用式4和式5获得：

其中x₀，x₁，x₂，x₃，x₄，x₅，x₆，x₇为像素点I(x,y)邻域8个像素的灰度值，x₀＝I(x-1,y-1)，x₁＝I(x-1,y)，x₂＝I(x-1,y+1)，x₃＝I(x,y+1)，x₄＝I(x+1,y+1)，x₅＝I(x+1,y)，x₆＝I(x+1,y-1)，x₇＝I(x,y-1)；

步骤2.3：根据步骤2.2获得的差别阈限和韦伯定律，采用式6得到每个像素的差分激励：

其中x_c为中心像素(即每个像素)的灰度值，用来表示原始激励I。

进一步的，步骤3中MFRAT方向值的提取采用以下步骤：

步骤3.1：选取尺度为p×p的12个方向的MFRAT滤波模板，根据式7计算中心像素在不同方向的响应值m_k；

步骤3.2：根据式8，将最小响应值对应的方向作为中心像素的方向特征值，

进一步的，步骤5中每一个图像块的子特征向量的提取采用以下步骤：

步骤5.1：根据式9将差分激励量化为M个区域，同时MFRAT方向数为T；

步骤5.2：根据式10构造差分激励和方向的联合分布，得到维数为M×T的2维直方图；

h(O_t，φ_m)＝h(O_t,φ_m)+1 (10)

步骤5.3：将二维直方图逐行串联，得到维数为M×T的1维直方图，然后采用式11对直图进行归一化处理，得到子特征向量，

h_norm＝h/||h||₂ (11)。

本方法无论从识别率还是稳定性上都具有最好的表现。由于本方法结合了WLBP和LWLD的优点，首先进行高斯滤波，然后采用Sobel算子提取边缘纹理特征，并使用MFRAT方向代替原始的梯度方向，使得对低质量指静脉图像的识别率更高。这不仅说明了本方法对原始WLD中差分激励和方向改进的有效性，也证明了基于Sobel的差分激励特征能够与基于MFRAT的方向特征相得益彰。

本申请将所提出的特征提取方法应用在指静脉图像识别中，在国内外两个公开指静脉图像库中进行对比实验，采用欧氏距离进行匹配，实验结果显示，相比其他同类方法，本方法具有更高的识别率和更低的等误率且最高识别率分别达到了100％和99.729％。并且本方法特征提取方法的时间性能较为良好，具有实际应用价值。

附图说明

图1是本发明联合Sobel和MFRAT的指静脉图像特征提取方法的总流程图。

图2是本发明中Sobel差分激励特征提取的流程图。

图3是本发明中MFRAT方向特征提取的流程图。

图4是实施例(a)原始图像；(b)Sobel差分激励特征图；(c)MFRAT方向特征图。

图5是对实施例进行特征提取的流程及处理结果。

具体实施方式

下面结合附图和具体实例对本发明做进一步说明。

本发明使用了分别来自天津智能信号与图像处理重点实验室和马来西亚理工大学的指静脉库。天津实验的指静脉库(FV-TJ)包含64类每类15个共64*15个样本，且所有样本均经过了感兴趣区域(ROI)提取。马拉西亚理工大学的指静脉库(FV-USM)包含492类每类6个共492*6个样本，且所有样本均经过ROI提取和尺度归一化处理(图像大小为300×100pixel)。

我们以FV-TJ指静脉库中的样本为例，对指静脉样本按照图1所示流程图进行特征提取。

步骤1：对输入图像进行尺度归一化处理，将图像大小统一为172×76pixel；

步骤2：计算图像中各像素点的Sobel差分激励值；

步骤3：计算图像中各像素点的MFRAT方向值；

步骤4：对步骤2、3中得到的差分激励图和方向图进行分块，本实例分块数为7×2；

步骤5：将图像块中的每个像素点的差分激励值按照公式(9)进行均匀量化(MFRAT方向数默认为12，无需进行均匀量化)，本实例中M＝16，T＝12；再根据公式(10)构造差分激励和方向的二维联合分布直方图；最后将二维直方图逐行串联成一维的直方图并采用公式(11)进行归一化处理，即得到每一块的SMWLD特征向量，本实例子特征向量维数为16×12；

h(Ot,φ_m)＝h(Ot,φ_m)+1 (10)

h_norm＝h/||h||₂ (11)

步骤6：将步骤5中得到的7×2个子特征向量进行首尾相连，拼接成维数为7×2×16×12的1维整体特征向量H＝[h₁,h₂,...,h_7×2]，即最终的指静脉图像的特征向量。

其中，步骤2对SMWLD中Sobel差分激励的计算方法需进一步阐述。

Sobel差分激励的计算流程如图2所示，包含以下步骤：

步骤1：采用公式(1)(2)对输入的原始手指静脉图像进行高斯滤波去噪，本实例中σ取0.7。

步骤2：对滤波去噪后的图像f'，根据公式(3)(4)采用Sobel算子计算各像素点垂直方向和水平方向上的梯度分量g_x和g_y，然后由公式(5)计算各像素点的梯度幅值M，并将梯度幅值作为该像素点的差别阈限ΔI'。

ΔI'＝M(x,y)≈|g_x|+|g_y| (5)：

步骤3：根据韦伯定律，将步骤2中得到的差别阈限与当前像素灰度值的比值作为该点的差分激励。最终Sobel差分激励由公式(6)计算得到。

其中，步骤3对SMWLD中MFRAT方向值的计算方法需进一步阐述。

MFRAT方向值的计算流程如图2所示，包含以下步骤：

步骤1：选取尺度为p×p(本实例为15×15)的12个方向的MFRAT滤波模板，根据公式(7)计算中心像素在不同方向的响应值m_k。

其中，f(x,y)表示当前像素点的灰度值；L_k表示同一方向上的若干点组成的线，k值表示方向。

步骤2：根据公式(8)，将最小响应值对应的方向作为中心像素的方向。

图4分别展示了经过上述步骤得到的Sobel差分激励特征图和MFRAT方向图。可以看到指静脉图像的边缘纹理特征和方向线特征清晰可见。

为了验证本发明所提出的联合Sobel和MFRAT的指静脉图像特征提取方法相比于现有的特征提取方法在指静脉图像识别领域的优越性，分别在天津智能信号与图像处理重点实验室和马来西亚理工大学的指静脉图像库上进行实验。天津实验的指静脉库(FV-TJ)包含64类每类15个共64*15个样本，且所有样本均经过了感兴趣区域(ROI)提取。马拉西亚理工大学的指静脉库(FV-USM)包含492类每类6个共492*6个样本，且所有样本均经过ROI提取和尺度归一化处理(图像大小为300×100pixel)，但图像质量较差。对FV-TJ数据库，我们首先进行尺度归一化，将所有的图像尺寸归一化为172×76pixel，将每类样本的前5个用作训练，后10个用作测试；对FV-USM数据库，将每类样本的前3个用作训练，后3个用作测试。对于识别实验：在训练阶段，分别提取每类中所有训练样本的特征向量并求得均值作为该类的模板；在测试阶段，分别求得每个测试样本与所有类模板的相似度，通过最近邻分类器确定测试样本所属类别。对于认证实验：将每个测试样本分别与所有的训练样本进行匹配，FV-TJ库的类内匹配次数为64×10×5＝3200次，类间匹配次数为64×10×63×5＝201600次；FV-USM库的类内匹配次数为492×3×3＝4428次，类间匹配次数为492×3×491×3＝2174148次。

识别中实验，采用最近邻分类器对指静脉样本进行识别，通过公式(11)欧式距离来计算样本间的相似度，采用正确识别率(Correct Recognition Rate,CRR)作为算法性能的评价标准。认证实验中，样本之间进行一对一匹配，通过阈值来判断两者是否为同一类样本。实验采用等误率(Equal Error Rate,EER)来衡量算法性能。实验结果如表1和2所示。

表1不同方法在FV-TJ库中的实验结果

表2不同方法在FV-USM库中的实验结果

由表1、表2可以看到，相比于其他同类特征提取方法，本文方法无论从识别率还是稳定性上都具有最好的表现。由于本文方法结合了WLBP和LWLD的优点，首先进行高斯滤波，然后采用Sobel算子提取边缘纹理特征，并使用MFRAT方向代替原始的梯度方向，使得对低质量指静脉图像的识别率更高。这不仅说明了本文方法对原始WLD中差分激励和方向改进的有效性，也证明了基于Sobel的差分激励特征能够与基于MFRAT的方向特征相得益彰。

此外，为了评价本文特征提取方法的时间性能，实验记录了所有测试样本(FV-TJ库：640张；FV-USM库：1476张)总的特征提取时间与匹配时间，进而求得每张样本平均的特征提取时间与匹配时间。实验环境为Matlab R2013a上，计算机配置为Core i5 3.20GHzCPU/4GB RAM，参数设置为：Block＝7×2，M＝14，T＝12，p＝15。由表3可以看到，本文特征提取方法的时间性能较为良好，具有实际应用价值。

表3识别时间

以上所述，仅是本发明的较佳实例而已，并非对本发明做任何形式的限制。凡是依据本发明的技术和方法实质对以上实例所作的任何简单修改、等同变化与修饰，均仍属于本发明的技术和方法方案的范围内。

Claims (4)

1.一种联合Sobel和MFRAT的指静脉图像特征提取方法，其特征在于包括以下步骤：

步骤1：输入原始手指静脉图像并进行尺度归一化；

步骤2：提取指静脉图像的Sobel差分激励特征，得到差分激励图；

步骤3：提取指静脉图像的MFRAT方向特征，得到方向图；

步骤4：分别对差分激励图和方向图进行分块，分割成r×c个互不重叠的图像块；

步骤5：将步骤4获得的每一个图像块差分激励量化为M个区域，同时MFRAT方向数为T，分别提取每个图像块的特征向量，得到r×c个子特征向量；

步骤6：将步骤5中得到的r×c个子特征向量进行首尾相连，拼接成一个维数为r×c×M×T的1维整体特征向量H＝[h₁,h₂,...,h_r×c]，即最终的指静脉图像的特征向量。

2.根据权利要求1所述的指静脉图像特征提取方法，其特征在于：所述步骤2中Sobel差分激励特征的提取采用以下步骤：

步骤2.1：对输入的原始手指静脉图像进行高斯滤波，滤波窗大小为3×3，滤波去噪后的图像f'通过式1获得：

其中g为式2表示的二维高斯函数；σ为标准差；f为原始图像；

为卷积运算符；

步骤2.2：对于滤波去噪后指静脉图像f'，采用式3获得每个像素点的差别阈限ΔI'：

ΔI'＝M(x,y)≈|g_x|+|g_y| (3)

其中，M是当前像素点的梯度幅值，g_x和g_y是像素点垂直方向和水平方向上的梯度分量，采用式4和式5获得：

其中x₀，x₁，x₂，x₃，x₄，x₅，x₆，x₇为像素点I(x,y)邻域8个像素的灰度值，x₀＝I(x-1,y-1)，x₁＝I(x-1,y)，x₂＝I(x-1,y+1)，x₃＝I(x,y+1)，x₄＝I(x+1,y+1)，x₅＝I(x+1,y)，x₆＝I(x+1,y-1)，x₇＝I(x,y-1)；

步骤2.3：根据步骤2.2获得的差别阈限和韦伯定律，采用式6得到每个像素的差分激励：

其中x_c为中心像素的灰度值，用来表示原始激励I。

3.根据权利要求1所述的指静脉图像特征提取方法，其特征在于：所述步骤3中MFRAT方向特征的提取采用以下步骤：

步骤3.1：选取尺度为p×p的12个方向的MFRAT滤波模板，根据式7计算中心像素在不同方向的响应值m_k；

步骤3.2：根据式8，将最小响应值对应的方向作为中心像素的方向特征值，

4.根据权利要求1所述的指静脉图像特征提取方法，其特征在于：所述步骤5中每一个图像块的子特征向量的提取采用以下步骤：

步骤5.1：根据式9将差分激励量化为M个区域，同时MFRAT方向数为T；

步骤5.2：根据式10构造差分激励和方向的联合分布，得到维数为M×T的2维直方图；

h(O_t,φ_m)＝h(O_t,φ_m)+1 (10)

步骤5.3：将二维直方图逐行串联，得到维数为M×T的1维直方图，然后采用式11对直图进行归一化处理，得到子特征向量，

h_norm＝h/||h||₂ (11)。

Images