基于MBLBP和Gabor小波的掌纹识别.docVIP

基于MBLBP和Gabor小波的掌纹识别 　　摘要 为了提高掌纹识别中对局部区域特征的提取及掌纹识别率，提出一种基于多级区域局部二值模式（MBLBP）和Gabor小波的掌纹识别算法。通过对光照及感兴趣区域（ROI）等因素进行预处理，经过Gabor小波变换后提取掌纹的多尺度特征，再利用MBLBP算法提取主元，采用欧式距离分类法计算掌纹识别率。经过香港理工大学掌纹库（PolyU）验证，比较不同预处理、不同算法下的掌纹识别率。实验证明，该方法相比于以往的局部二值算法（LBP）在识别率上有较大提升。 　　关键词 掌纹识别；多级区域局部二值模式（MBLBP）；Gabor小波 　　DOI DOI： 10.11907/rjdk.162526 　　中图分类号： TP306 　　文献标识码： A 文章编号 文章编号：2017）002001903 　　0 引言 　　随着人们活动范围的扩大，随身携带的身份证明物件越来越多，如身份证、驾驶证等，这使得身份证明的标识变得冗长且难以记住，如何进行有效的身份鉴定和识别已成为人们关注的焦点。而生物领域的掌纹识别因其良好的安全性、可靠性及有效性受到人们的重视。 　　掌纹识别的难点在于掌纹特征的提取。目前比较热门的方法有基于结构特征的方法，基于子空间的PCA[1]、LDA[2]等算法，基于纹理特征的LBP[3]方法等。基于纹理特征的方法处理过程简单，应用广泛。传统的LBP算法对各种光照、噪声等有害变化极其敏感，同时也无法完整地提取一些重要的掌纹局部区域的特征信息，为了更好地提取局部区域特征并提高掌纹识别率，提出将MBLBP[4]和Gabor[5]算法相结合。通过对局部区域进行再分块并提取特征，提高特征维度，进行预处理消除图像中噪声等变化干扰，从而提高掌纹的识别率。 　　1 Gabor变换与MBLBP 　　1.1 Gabor变换 　　Gabor滤波在图像处理、模式识别中应用广泛。其频率和方向表示接近人类视觉系统对于频率和方向的标示，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率（尺度）、空间位置及方向性的局部?Y构信息。二维Gabor核函数如式（1）： 　　，kv=2- y+2 2 π，φu= uπ k ；x、y分别表示该像素点坐标值，u表示方向，k表示方向的总数，v为频率，其取值可以决定Gabor滤波时的波长，因此用来表示Gabor小波的尺度因子。参数 k σ 则为高斯窗口的大小参数，用以补偿能量谱的衰减。exp - k2（x2+y2） 2σ2 [6]用来约束平面震荡波的高斯函数，以使其在局部达到最小值；exp - σ2 2 是用来消除图像中的直流分量对变换的影响，避免二维Gabor受到图像灰度绝对值的影响，减少光照等因素对特征维度的影响。通常需要得到不同尺度及方向下的Gabor小波分量，因此需要对图像I（x，y）和Gabor小波核函数ψu，v（x，y）进行卷积，计算过程如式（2）： 　　1.2 MBLBP 　　多级区域局部二值模式算法（Multi-Block Local Binary Pattern）是基于LBP（Local Binary Pattern）[7]模式的改进型算法，LBP最早在1994年由T.Ojala等人提出，其用来描述图像局部纹理特征的算子。计算方法为：在 s*t 的窗口内，以窗口中心像素为阈值，将相邻的8个像素gi（0≤i≤7）的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，计算公式如式（3）所示。 　　由此，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息，计算公式如式（4）所示。 　　根据图1可以得到的二进制数，转换成十进制数则为124。 　　虽然LBP算法在应用上取得很大成功，但是不足之处依然较多。在此基础上研究者提出了多级区域二值模式，该方法不再基于单个像素，而是将特征结构计算扩展到任意大小的“子块区域”。选取不同大小的“子块”尺度，得到不同尺度的描述特征，增强了特征的描述性，增加了像素与像素之间的相关性，从而削弱了噪声对特征值计算的干扰。 　　在MBLBP特征值的计算过程中，首先将图像中任意一个3s*3t[8]大小的领域窗口分为9个子窗口，其大小为s*t；然后对每个子区域求其平均灰度值得到一个3*3的整数矩阵，对这一整数矩阵运用式（4）计算得出该区域的LBP值；最后根据LBP值替代中心区域的灰度值，不同的（s，t）可以计算得到不同尺度的MBLBP特征图像。图2为一个具体的MBLBP运算示意图。 　　在该3*3的子区域中先提取图片中的一个6*9子区域