CN111353472A - 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法 - Google Patents

Abstract

本发明涉及指静脉图像识别技术领域，尤其为一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，包括如下步骤：步骤1、输入指静脉图像I；步骤2、将获得的LBP图与Gabor滤波器获得的方向特征图联合，构建二维分布直方图，输出LGWLD特征向量H。本发明，构造均匀模式LBP替代WLD差分激励算子，使其能够充分反映局部区域像素灰度变化信息，同时降低噪声的干扰；利用Gabor滤波器替代WLD梯度算子，该滤波器由于考虑了多邻域像素影响，能够有效地描述指静脉图像的线特征，在FV‑TJ和FV‑USM指静脉数据库上的实验结果表明，本发明提出的方法能够更好地描述指静脉特征。

Description

一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法

技术领域

本发明涉及指静脉图像识别技术领域，具体为一种基于LBP和Gabor方向 韦伯局部描述子的指静脉识别方法。

背景技术

近年来，作为一种便捷的生物特征识别技术，指静脉识别受到了越来越 广泛的关注。较于其他生物特征识别：如指纹识别^[1]、人脸识别^[2]、虹膜识别 ^[3]等，指静脉识别具有以下优势：稳定性、唯一性、体内特征、活体性、图像 采集便捷。因此，被认定为生物识别领域的热点^[4]。指静脉识别步骤包括：静 脉图像采集、预处理、特征提取、特征匹配和识别，其中特征提取是识别的 关键。指静脉特征提取的算法主要分为四类：(1)基于全局特征：具有特征 数量维度低，识别速度快的优点，但易受遮挡，姿态变化，光照和变形等因 素的影响。(2)基于局部特征：具有特征匹配简单、识别率较高的优点。(3) 基于静脉模式：具有能够改善图像质量，识别性能高的优点，但易受噪声、 不规则阴影等因素的影响。(4)基于特征学习：具有数据自适应信息的优点， 但对遮挡、光照变化等情况下的样本不够鲁棒。

Zhang等人^[5]提出局部Gabor二值模式(Local Gabor Binary Pattern,LGBP)， 首先使用多尺度Gabor滤波器对图像滤波，然后对滤波系数进行LBP编码， 但没有解决图像平移及旋转的问题。SIFT^[6](Scale-invariant feature transform) 在不同的尺度空间上获取特征点方向，具有平移，尺度缩放和旋转不变性的 优点，但是将其应用在指静脉识别时，存在关键点错配，特征点少等缺点。 文献[7]将局部方向模式(LDP)用于特征提取，但由于LDP采集梯度信息和 边缘信息，对于边缘信息不突出的指静脉图像来说不是一个特别好的选择。

较于传统的局部算子，韦伯局部描述子^[8](Weber Local Descriptor,WLD) 具备更强的特征提取能力，对光照变化也较为鲁棒^[9-10]。然而，WLD存在如 下问题：1)差分激励计算中，直接将不同邻域像素点与中心像素点的灰度差 值相加，存在正负值相互抵消的情况，从而导致局部纹理特征丢失；同时， 也不利于抵抗噪声的干扰。2)仅通过计算垂直灰度差和水平灰度差的比值的 梯度方向，无法有效地反映指静脉曲线的线特征。

发明内容

本发明的目的在于提供一种基于LBP和Gabor方向韦伯局部描述子的指 静脉识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，包括如 下步骤：

步骤1、输入指静脉图像I；

步骤2、将获得的LBP图与Gabor滤波器获得的方向特征图联合，构建 二维分布直方图，输出LGWLD特征向量H。

优选的，输出LGWLD特征向量H包括如下步骤：

步骤20、根据公式：

计算图像I中每个像素点的LBP编码，然后采用均匀模式LBP将其匀量 化至M个区域，得到差分激励图ξ；

步骤21、根据公式：

构建的Gabor滤波器对I做 线性滤波，得到方向图O；

步骤22、分别将ξ、O分割成n个互不重叠的图像块；

步骤23、对每块区域构造特征向量

步骤24、分别对步骤23中得到子特征向量进行首尾相连，顺序拼接成一 维整体特征向量H＝[H¹,H²,...,Hⁿ]；

步骤25、对H采用l₂范数进行归一化处理：H＝H/‖H‖₂。

优选的，步骤20公式中：g_c：区域中心点的灰度值，g₀，…，g_p-1：环形 区域P个等分点的灰度值，可近似得出：T≈t(g₀-g_c，…，g_p-1-g_c)；

用差值符号表示上式T：T≈t(s(g₀-g_c)，…，s(g_p-1-g_c))

S：符号函数：

P：邻域的像素点数，R：半径。

优选的，步骤20公式U：LBP模式中相邻两个二进制值跳变次数，U≤2时 为均匀模式，所有非均匀模式为单独的一类。

优选的，步骤20公式中：G(x,y,θ,u,σ)：Gabor滤波器的实部，θ：函数的 方向，u：正弦波的频率，σ：标准差，给定生成方向数n_θ后，可以生成方向 为θ_j＝jπ/n_θ的Gabor滤波器，j＝0，1，…，n_θ-1，O：滤波器的量化值，j： 滤波器量化的方向数，I(x，y)：图像。

与现有技术相比，本发明的有益效果是：

为了克服WLD的局限性，本发明对传统WLD方法进行了改进：提出一 种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法(LBP Gabor Weber Local Descriptor，LGWLD)。LGWLD贡献如下：1)构造均匀模式LBP 替代WLD差分激励算子，使其能够充分反映局部区域像素灰度变化信息，同 时降低噪声的干扰；2)利用Gabor滤波器替代WLD梯度算子，该滤波器由 于考虑了多邻域像素影响，能够有效地描述指静脉图像的线特征。在FV-TJ 和FV-USM指静脉数据库上的实验结果表明，本发明提出的方法能够更好地 描述指静脉特征。

附图说明

图1是差分激励滤波器图；

图2是差分激励量化(M＝6)图；

图3是梯度方向滤波器图；

图4是分块WLD特征提取过程图；

图5是局部灰度模式(a)局部模式1图；

图6是局部灰度模式(b)局部模式2图；

图7是中心以及周围的P个像素点图；

图8是四种线模式(a)水平模式图；

图9是四种线模式(b)垂直模式图；

图10是四种线模式(c)45°模式图；

图11是四种线模式(d)135°模式图；

图12是LGWLD特征提取流程图；

图13是FV-TJ数据库的样本图；

图14是FV-USM数据库的样本图；

图15是FV-TJ指静脉库上真匹配分数和假匹配分数的分布情况图；

图16是FV-USM指静脉库上真匹配分数和假匹配分数的分布情况图；

图17是FV-TJ指静脉库上ROC曲线图；

图18是FV-USM指静脉库上ROC曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～18，本发明提供一种技术方案：

一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，构造均 匀模式LBP替代WLD差分激励算子，使其能够充分反映局部区域像素灰度 变化信息，同时降低噪声的干扰；利用Gabor滤波器替代WLD梯度算子，该 滤波器由于考虑了多邻域像素影响，能够有效地描述指静脉图像的线特征。 在FV-TJ和FV-USM指静脉数据库上的实验结果表明，本发明提出的方法能 够更好地描述指静脉特征。

韦伯局部描述子(WLD)

1.1Weber定律

心理学家Weber发现：引起感觉差异的信号变化的阈值和背景强度的比 值是一个常量^[11]。公式如下：

ΔI：信号变化的临界值，I：背景强度，k：韦伯率，为一个常数。信号 只有在变化和背景强度比值大于常数k时，才能够被识别。

基于此原理，Chen等人^[12]提出了WLD：由差分激励和梯度两部分算子 组成。下面对WLD特征提取方法做个简单的介绍。

1.2差分激励

差分激励算子表示当前像素与邻域像素的差异性，反映局部区域灰度变 化情况。

X_s：图像的局部窗口，表示待测图像。f₀₀和f₀₁：差分激励滤波器。 x_i(i＝0，1，…，P-1)和x_c：邻域像素点和中心像素点的灰度值。P：邻域像素 点的个数。将X_s与f₀₀和f₀₁进行卷积运算后，再做除法运算，结果用一个反正 切函数表示。如公式(2)所示：

vs⁰⁰和vs⁰¹：X_s与滤波器f₀₀和f₀₁卷积得出。ξ(x_c)∈[-π/2，π/2]，将ξ(x_c) 均匀量化到M个区域，公式如下：

表示向下取整。图2给出了M＝6的量化图，通过图像的频段区分图像 的纹理。

1.3梯度方向

f₁₀和f₁₁：差分激励滤波器。将X_s与f₁₀和f₁₁做卷积运算，可以得到像素 点的方向角：

vs¹⁰＝x₅-x₁，vs¹¹＝x₇-x₃ (6)

vs¹⁰和vs¹¹：X_s与滤波器f₁₀和f₁₁卷积得出。θ(x_c)∈[-π/2，π/2]。根据 分母和分子的符号把θ(x_c)映射到[0，2π]，并且将其线性量化到T个区域。量 化公式如下：

最后，以梯度方向、差分激励的量化值作为横、纵坐标，构建二维联合 分布直方图。特征提取过程如图4所示。

2本发明算法(LGWLD)

2.1差分激励改进

分析原始WLD差分激励算法，存在如下问题：

(1)为了能够准确反映指静脉图像的灰度变化特征，差分激励值应该根据 灰度值变化有明显的区别。如图5-6所示的局部灰度模式，模式a灰度变化较 剧烈，模式b灰度无变化。而由公式(2)得，两种差分激励值均为0。

分析原因：在计算差分激励时，WLD采用了各向同性的边缘检测滤波器 计算领域像素点与中心像素点灰度值差值之和vs⁰⁰，正负差值相互抵消，从 而无法准确反映图像局部区域灰度变化情况，不同的模式难以区分。

(1)差分激励计算过程，通过简单地将邻域像素点灰度值与中心像素点 灰度差相加，不利于抵抗噪声的干扰。

局部二值模式(Local Binary Pattern,LBP)是灰度范围内有效的纹理描述 算子，具备若干优点，如：灰度不变性、旋转不变性、较强的局部特征提取 能力。均匀模式LBP算子^[13]是LBP算子的一种，可以在原有LBP的基础上 大幅降低特征值和特征向量的计算量，因而具有计算简单，运算效率高的优 点，且均匀模式LBP算子对像素点与其他周围相邻像素点的相关性、功能性 进行反映，可以有效地描述静脉图像纹理特征^[14]。具体介绍如下：

对于环形区域(图7)，令T＝t(g_c，g₀-g_c，…，g_p-1-g_c) (8)

T：联合差分分布。g_c：区域中心点的灰度值，g₀，…，g_p-1：环形区域P 个等分点的灰度值。可近似得出：

T≈t(g₀-g_c，…，g_p-1-g_c) (9)

用差值符号表示上式：

T≈t(s(g₀-g_c)，…，s(g_p-1-g_c)) (10)

S：符号函数：

由公式(11)可以看出，S是一个0,1二进制序列，将其按照逆时针排列成 一个二进制序列串，传统模式LBP算子命名为：LBP_P，R。

P：邻域的像素点数，R：半径。

均匀模式(Uniform Pattern)LBP[15]定义如下：

U：LBP模式中相邻两个二进制值跳变次数，U≤2时为均匀模式。所有 非均匀模式为单独的一类。

本发明采用均匀模式LBP替代原始WLD的差分激励，原因如下：

(1)均匀模式LBP以中心像素点为基准对邻域像素点进行二值化编码操 作，避免了邻域像素点灰度差值正负抵消的情况。如图5可量化为二进制 10000011，通过映射表对应数值为32的均匀模式，图6可量化为二进制 00000000，通过映射表对应数值为1的均匀模式。可见均匀模式LBP较WLD 可以更合理描述局部灰度变化剧烈程度，从而有效区分不同模式。

(2)均匀模式LBP采用统一编码方式，这样在降低了维度的同时，减少 了噪声的影响。

2.2梯度方向改进

梯度方向用来刻画当前像素的方向特性。然而由于指静脉中存在较多曲 线和分叉点，所以原始WLD中的梯度方向算子无法有效地反映其线特征。

图8-11所列4种方向的线模式，通过公式(5)得出：梯度值却均为0，也 就是说，它们的方向值均为0。因此，可以得出原始的WLD的梯度方向在应 用于指静脉识别上存在如下问题：只使用了水平和垂直梯度，因此无法有效 的反映指静脉的方向信息。

由于具有较好的纹理刻画效果，且对图像的旋转、平移较鲁棒^[16-17]，Gabor 滤波器已被广泛用于提取图像中的方向信息。本发明采用Gabor滤波方向来 代替原始的梯度方向。

G(x,y,θ,u,σ)＝-(1/2πσ²)×exp[-(x²+y²)/2σ²]×cos{2πu(x cosθ+ y sinθ)} (14)

G(x,y,θ,u,σ)：Gabor滤波器的实部。θ：函数的方向，u：正弦波的频率， σ：标准差。给定生成方向数n_θ后，可以生成方向为θ_j＝jπ/n_θ的Gabor滤波 器，j＝0，1，…，n_θ-1。

指静脉图像与Gabor滤波器卷积可得图像的方向信息。滤波响应值在纹 线方向与滤波器方向一致时达到最大。本发明采用Gabor方向对纹理方向进 行量化：

O：滤波器的量化值，j：滤波器量化的方向数，I(x，y)：图像。

2.3LGWLD特征提取

将获得的LBP图与Gabor滤波器获得的方向特征图联合，构建二维分布 直方图，进而得到LGWLD特征。具体算法步骤如下：

输入：指静脉图像I。

输出：LGWLD特征向量H。

Step1：根据公式(12)-(13)计算图像I中每个像素点的LBP编码，然后采 用均匀模式LBP将其匀量化至M个区域，得到差分激励图ξ；

Step2：根据公式(14)-(15)构建的Gabor滤波器对I做线性滤波，得到方向 图O；

Step3：分别将ξ、O分割成n个互不重叠的图像块；

Step4：对每块区域构造特征向量

Step5：分别对Step4中得到子特征向量进行首尾相连，顺序拼接成一维 整体特征向量H＝[H¹,H²,...,Hⁿ]。

Step6：对H采用l₂范数进行归一化处理：

3实验结果与分析

本发明实验在Matlab R2018b上进行，计算机配置为AMD Ryzen7 1700*3.40GHzCPU/16GB RAM。实验设置如下：1)参数对算法性能的影响； 2)真假匹配分析；3)对比实验。

数据库选择

为了验证所提方法的有效性，实验部分采用天津智能信号与图像处理重 点实验室的指静脉库(FV-TJ)和马来西亚理科大学的指静脉库(FV-USM)。 FV-TJ包含64类每类15个，共获得64类手指的960幅指静脉图像，分辨率 为172*76pixel，该数据库的图像清晰，质量较好。FV-USM对123人的4根 手指进行采集，每个手指采集6幅，每个手指作为单独的一类，共获得492 类，2952幅指静脉图像，分辨率为300*100pixel，该数据库的图像光线较暗，质量较差。在实验中，FV-TJ数据库：前5个作为训练样本，后10个用作测 试测试样本；FV-USM数据库：每类样本的1,3,5作为训练，2,4,6作为测试。 FV-TJ和FV-USM指静脉数据库的样本，如图13-14所示，图13表示FV-TJ 数据库的样本，图14表示FV-USM数据库的样本。

3.1匹配与识别

在识别实验中，使用归一化相关系数(NCC)来衡量指静脉特征之间的相似 性。假设A、B是两个特征向量，A＝(a₁,a₂,a₃......a_n)，B＝(b₁,b₂,b₃......b_n)。

μ_A(μ_B)：特征向量A(B)的均值,σ_A(σ_B)：A(B)的标准差,l：A或B的长度值。NCC： 测量两个图像特征之间的相似性，取值区间在-1到1之间，越接近1意味着 两幅图像越相似。

我们采用正确识别率(CRR)和等错率(EER)来衡量算法的性能。1) 识别实验：采用NCC来判断样本归属的类别，采用CRR作为评价标准，CRR 值越高算法性能越好；2)认证实验：样本与样本之间匹配，通过阈值来判断 两者是否为同类样本，EER值越低算法性能越好。

3.2参数测试

Gabor滤波器中的频率u是重要的参数，为了使本发明提出的方法识别效 果达到最优，分别在FV-TJ和FV-USM数据库上分析不同的u值对识别效果的 影响。

表1 FV-TJ指静脉库上的参数u的测试结果

表2 FV-USM指静脉库上的参数u的测试结果

如表1和表2所示，Gabor滤波器的参数频率u能够影响实验的识别效果。 在归一化相关系数的识别算法中，在FV-TJ指静脉库上参数u＝0.1能够达到最 好的识别效果，识别率最高达到100％，等错误率最低0.0409。在FV-USM指 静脉库上参数u＝0.08能够达到最好的识别效果，识别率最高达到99.59％，等 错误率最低0.6220。其他参数不能满足EER和CRR同时达到最好。因此,实 验结果表明了滤波器参数的选择会对识别效果产生影响。

3.3真假匹配分析

真匹配(类内匹配)是指同类指静脉间的特征匹配，反之称为假匹配(类 间匹配)。通过其分布情况可以直观地衡量算法的性能。在FV-TJ指静脉数据 库中类内匹配次数为64×10×5＝3200次，类间匹配次数为64×10×63×5＝201600 次；在FV-USM指静脉数据库中类内匹配次数为492×3×3＝4428次，类间匹配 次数为492×3×491×3＝2174148次；图16-17给出了在FV-TJ和FV-USM数据 库上使用归一化相关系数进行特征匹配时，真假匹配分数的分布情况。实验 结果可知：真假匹配分数的分布高度独立，无明显相交部分。这说明，本发 明方法能够有效地区分同类和异类指静脉。

3.4对比实验

为了验证提出的方法有效性，采用了对比实验法，并且使用等错误率和 识别率作为衡量方法性能的重要指标。方法包括一些常见的局部特征描述子， 如LBP，WLD，LTP，LDP、LGBP以及基于频域的方法：如DCT。实验结 果见表3和表4：

表3 FV-TJ指静脉库上实验结果

表4 FV-USM指静脉库上实验结果

实验结果：本发明方法识别率最高的同时错误率最低，在图像质量较差 的FV-USM指静脉库优势尤为明显。分析原因：LTP方法虽然考虑了像素的 灰度值，但无法克服光照的影响。所以，该方法等错率最高，识别率最低。 LBP仅根据邻域像素的灰度差异进行二值编码，无法达到最优的识别效果。 LDP方法主要提取图像的边缘信息和梯度信息，指静脉图像中的边缘信息不 是那么突出，因此识别性能不能达到最优。DCT是一种常用的图像压缩方法， 能够很好地描述图像的全局特征此类方法具有特征数量维度低，识别速度快 的优点。但是全局特征受姿态变化，遮挡，变形和光照等因素影响较大，不 适合提取指静脉图像特征。WLD存在正负灰度差值抵消的情况，且仅根据垂 直灰度差与水平灰度差比值计算梯度方向，无法有效反映指静脉的方向特征， 对旋转、平移不鲁棒。LGBP是在Gabor小波在对图像进行特征提取后利用局 部二值模式对提取结果二值化，由于Gabor本身的物理特性，在保证图像特 征精细化的同时噪声成倍增加，从而影响识别率。本发明算法不需要特征学习，本发明LGWLD方法对差分激励算子进行了改进，引入了具有较强的局 部特征提取能力的局部二值模式，用来提取指静脉纹理特征。并使用Gabor 方向代替原始的梯度方向，能有效提取指静脉的线特征。图10给出了两个数 据库中的ROC曲线，曲线图说明了本发明方法对于指静脉图像特征提取具有 更好的性能。

4结论

本发明针对指静脉图像的纹理特点，提出了基于LBP和Gabor方向韦伯 局部描述子的指静脉识别方法：采用均匀模式LBP代替原始WLD中的差分 激励，同时采用Gabor方向代替原始WLD中的梯度方向。在FV-TJ和FV-USM 指静脉库上的实验结果表明，所提出方法能够更好地提取指静脉图像的特征。

5参考文献

[1]Sanchez,Angel,Gonzalez,et al.Structured patterns retrieval using ametric attractor network:Application to fingerprint recognition[J].Physica,A.Statistical mechanics and its applications,2016。

[2]Huang K K,Dai D Q,Ren C X,et al.Fusing Landmark-based Features atKernel Level for Face Recognition[J].Pattern Recognition,2016,63:406-415。

[3]Nalla P R,Kumar A.Toward More Accurate Iris Recognition UsingCross-Spectral Matching[J].IEEE Transactions on Image Processing APublication of the IEEE Signal Processing Society,2017,26(1):208。

[4]YilongY,Gongping Y,Lu Y.Survey of Finger Vein Recognition Study[J]. Journal of Data Acquisition&Processing,2015。

[5]Wenchao Zhang,Shiguang Shan,Wen Gao,等.Local Gabor Binary PatternHistogram Sequence(LGBPHS):A Novel Non-Statistical Model for FaceRepresentation and Recognition[C]//null.IEEE Computer Society,2005.

[6]Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision,2004,60(2):91-110。

[7]SikarwarP,Manmohan.Finger vein recognition using local directionalpattern[C]//2016International Conference on Inventive ComputationTechnologies(ICICT).IEEE,2016。

[8]JieC,Shiguang S,Chu H.WLD:A robust local image descriptor[J]. IEEETransactions on Pattern Analysis and Machine Intelligence,2010, 32(9):1705-1720。

[9]Wang B,Li W,Yang W,et al.Illumination Normalization Based onWeber's Law With Application to Face Recognition[J].IEEE Signal ProcessingLetters,2011,18(8):462-465。

[10]Zhang T,Tang Y Y,Fang B,et al.Face Recognition Under VaryingIllumination Using Gradientfaces[J].Image Processing,IEEE Transactions on,2009,18(11):p.2599-2606。

[11]罗月童,赵兰英,贾伟,et al.基于线特征韦伯局部描述子的掌纹识 别[J].中国图象图形学报,2018,21(2):235-244。

[12]JieC,Shiguang S,Chu H.WLD:A robust local image descriptor[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010, 32(9):1705-1720。

[13]Timo Ojala,Matti Pietikainen,David Harwood.A comparative study oftexture measures with classification based on featured distributions[J].Pattern Recognition,29(1):51-59。

[14]AhonenT,Hadid A,Pietikainen M.Face Description with Local BinaryPatterns:Application to Face Recognition[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2006,28(12):2037-2041。

[15]孙海鹏,毕笃彦.基于局部二元模式Gabor小波变换的人脸识别[J]. 计算机应用与软件,2011(05):253-254+267。

[16]Fei L,Xu Y,Tang W,et al.Double-orientation code and nonlinearmatching scheme for palmprint recognition[J].Pattern Recognition,2016, 49:89-101。

[17]Fei L,Xu Y,Zhang D.Half-orientation extraction of palmprintfeatures[J].Pattern Recognition Letters,2016,69:35-41。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。

Claims (5)

1.一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，其特征在于，包括如下步骤：

步骤1、输入指静脉图像I；

步骤2、将获得的LBP图与Gabor滤波器获得的方向特征图联合，构建二维分布直方图，输出LGWLD特征向量H。

2.根据权利要求1所述的一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，其特征在于，输出LGWLD特征向量H包括如下步骤：

步骤20、根据公式：

计算图像I中每个像素点的LBP编码，然后采用均匀模式LBP将其匀量化至M个区域，得到差分激励图ξ；

步骤21、根据公式：

构建的Gabor滤波器对I做线性滤波，得到方向图O；

步骤22、分别将ξ、O分割成n个互不重叠的图像块；

步骤23、对每块区域构造特征向量

步骤24、分别对步骤23中得到子特征向量进行首尾相连，顺序拼接成一维整体特征向量H＝[H¹,H²,...,Hⁿ]；

步骤25、对H采用l₂范数进行归一化处理：H＝H/‖H‖₂。

3.根据权利要求2所述的一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，其特征在于，

步骤20公式中：g_c：区域中心点的灰度值，g₀，…，g_p-1：环形区域P个等分点的灰度值，可近似得出：T≈t(g₀-g_c，…，g_p-1-g_c)；

用差值符号表示上式T：T≈t(s(g₀-g_c)，…，s(g_p-1-g_c))

S：符号函数：

P：邻域的像素点数，R：半径。

4.根据权利要求2所述的一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，其特征在于，步骤20公式U：LBP模式中相邻两个二进制值跳变次数，U≤2时为均匀模式，所有非均匀模式为单独的一类。

5.根据权利要求2所述的一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法，其特征在于，步骤20公式中：G(x,y,θ,u,σ)：Gabor滤波器的实部，θ：函数的方向，u：正弦波的频率，σ：标准差，给定生成方向数n_θ后，可以生成方向为θ_j＝jπ/n_θ的Gabor滤波器，j＝0，1，…，n_θ-1，O：滤波器的量化值，j：滤波器量化的方向数，I(x，y)：图像。

Images