APP下载

基于MBLBP和Gabor小波的掌纹识别

2017-04-18吴凌智陈玮

软件导刊 2017年2期

吴凌智 陈玮

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: 16727800(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結构信息。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(01111100)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,再将该子区域等分为3*3的小区域。顺序标记各自区域为gi(i=0,1,…,7),再对每一个子区域中的9个像素点按式(5)和式(6)求平均值,最终得到一个3*3的整数矩阵,对该矩阵按式(7)求其LBP值,即得出9*9子区域的MBLBP值。

2 MBLBP与Gabor结合

2.1 预处理

处理掌纹前要提取ROI[9]并对光照[10]等因素进行预处理。光照等因素会影响掌纹识别的准确性,因此在对掌纹进行前期处理后再对其进行光照处理。处理步骤有抑制较高亮点和增强高暗像素点对图像进行差分高斯滤波,消除图像明影以及高低频带来的噪音干扰。实现图像对比度均衡化,让图像局部特征更加明显,经过处理的图像纹理特征突出,更适合掌纹的识别。

分别对掌纹采用高斯滤波、二值化进行前期预处理如图3所示。

2.2 Gabor小波多尺度分解及MBLBP

Gabor小波多尺度分解时选择σ=1.8π,并选取5尺度(ν=0,1,2,3,4)和4个方向(u=0,1,2,3)。这样每幅图像就可以提取4*5=20个纹理特征,接着将特征向量化后组成的矩阵实现图像分解,其中特征维数为128*128*20=32 678。

LBP及MBLBP选取不同尺度的分割法,可以得到细腻度不同的图片。选择的分割尺度越高,处理后的图像越细腻,但是维度也会越高,处理时间也会越长,因此选取适当的分割算法影响到掌纹识别效率。文中试验的分割尺度均为3*3。

采用欧式距离的最小分类器分类速度较快,时间也比较短。

3 实验及分析

实验采用的硬件设备为Intel酷睿双核处理器,8GB内存,Windows7操作系统及Matlab2010R,掌纹库利用香港理工大学PolyU掌纹库[13]。

实验选取了100个人的手掌样本图,每个样本有6张样本图片,随机选择3张作为训练样本,剩下的3张则为测试样本。识别率的计算方式为当类内最小距离小于类间最小距离且小于匹配的阈值,则为匹配成功,反之则为失败,最后计算平均匹配率。

实验1:对样本图片分别采用LBP、MBLBP、Gabor+LBP[14](以下用G+LBP代替)、Gabor+MBLBP[15](以下用G+MBLBP代替)算法进行掌纹识别测试,以验证所提出的算法。从表1可以看出,提出的Gabor+MBLBP算法相较于传统LBP算法拥有更好的识别率。

4 结语

本文提出多级区域局部二值模式算法与Gabor小波变换相结合,分块提取主元特征,提高特征维度,进行光照及ROI预处理,再用欧式距离进行分类判断。实验表明,在特定的参数值上,所提出的算法相对于以往的局部区域二值算法,在掌纹识别率上有较大提升。

参考文献:

[1] 齐兴敏.基于PCA的人脸识别技术的研究[D].武汉:武汉理工大学,2007.

[2] 韩冰,杨辰.融合显著信息的LDA极光图像分类[J].软件学报,2013,(11):27552766.