一种指静脉生物特征识别方法、系统及匹配和识别方法

1.本发明属于医学影像处理领域，具体涉及一种抗干扰的指静脉生物特征识别方法、系统，以及相应的匹配和识别方法。


背景技术：

2.指静脉属于体内特征，较难伪造，具有很高的安全性。相较于其它生物特征，如指纹、掌纹和人脸等，静脉特征为活体识别，不易磨损，所以指静脉识别成为了当前的研究热点。
3.指静脉识别的过程通常包含3个步骤。(1)预处理，包括感兴趣区域(roi)的提取，图像增强；(2)特征提取，提取指静脉的特征；(3)匹配和识别，将测试样本的特征向量与训练样本的特征向量进行匹配，对特征进行分类识别。其中，指静脉特征提取是最重要的一步，它显著影响识别的性能。
4.传统的提取指静脉纹理变化和方向特征的方法，容易受光照、平移、噪声和旋转的影响，难以直接从原始的图像中提取可靠的结构特征。


技术实现要素：

5.为解决现有的取指静脉纹理变化和方向特征的方法在针对容易受光照、平移、噪声和旋转的影响，难以直接从原始的图像中提取可靠的结构特征的技术问题，本发明提供一种抗干扰的指静脉生物特征识别方法、系统，以及相应的匹配和识别方法。
6.本发明采用如下技术方案实现：一种抗干扰的指静脉生物特征识别方法，其包括以下步骤：
7.步骤一，基于多方向gobar滤波器提取指静脉图像上每个像素点的主导方向；
8.步骤二，参考所述主导方向，顺序编码每个像素点在相邻三方向上的顺序强度差值关系，构建竞争gabor方向二值模式cgdbp；
9.步骤三，利用所述竞争gabor方向二值模式cgdbp，分块提取所述指静脉图像上的cgdbp特征，将离散的所述cgdbp特征编码聚合成直方图表示，构造联合特征直方图hcgdbs。
10.作为上述方案的进一步改进，在步骤一中，所述gobar滤波器的模型为：
[0011][0012]
其中，x、y分别是指静脉图像的二维坐标值，θ是以弧度为单位的gabor函数方向，μ是以弧度为单位的径向频率，σ是高斯函数标准差，
[0013]
进一步地，所述gobar滤波器采用方向可调的线性滤波器。
[0014]
进一步地，对所述指静脉图像使用八个方向为jπ/8的gabor滤波器对所述指静脉图像进行滤波，j＝0,1,...,7，假设gj是gabor函数方向θ为jπ/8时的函数实部，其与所述指静脉图像的卷积为：
[0015]gj
(x,y)＝gj*i(x,y)(3)
[0016]
其中，gj(x,y)是指静脉图像i(x,y)与gj的滤波响应值，*是卷积操作，i(x,y)是所述指静脉图像中(x,y)位置上的图像；
[0017]
提取所述指静脉图像上滤波响应值最大的方向所述主导方向。
[0018]
进一步地，在步骤二中，
[0019]
(a)预处理所述指静脉图像；
[0020]
(b)获取所述指静脉图像上某一像素点与gobar滤波器卷积的八个滤波响应值，
[0021]
(c)根据滤波响应最大值对八个方向的滤波结果循环移位；
[0022]
(d)分组，将各个方向与相邻两方向滤波值划分为一组；
[0023]
(e)各个组内的滤波值排序；
[0024]
(f)计算每个像素点各个方向与相邻方向的顺序强度差值关系；
[0025]
(g)计算指静脉图像某个像素点对应的cgdbp值。
[0026]
再进一步地，将所述主导方向作为最大滤波响应对应的索引值c(x,y)：
[0027][0028]
其次，循环旋转序列，直到由c(x,y)索引的点位于第一个位置：
[0029]g’0(x,y),g
’1(x,y),...,g’t
(x,y),...,g
’7(x,y)：＝gc(x,y),...,g7(x,y),g0(x,y),...,g
c-1
(x,y)(5)
[0030]
其中，符号“：＝”执行元素赋值；
[0031]
接着，基于gobar滤波八个方向的滤波响应值，将循环序列中的点均匀地分布在圆上，
[0032]
因此有8个分组，即：
[0033][0034][0035]
φ(j)＝mod(mod(j,n
θ
)+1,n
θ
)(8)
[0036]
其中，是一个向量，其元素组成是像素点在j方向下的滤波值，和φ(j)是j的左右相邻方向的索引，n
θ
＝8；
[0037]
接下来，对每组中的三个滤波值进行排序，得到：
[0038][0039]
其中，是一个向量，其元素组成是降序排列；
[0040]
最后，依据每组中三个方向下的滤波值之间的强度顺序差值关系按式(10)进行编
码，形成竞争gabor方向二值模式cgdbp：
[0041][0042][0043]
作为上述方案的进一步改进，在步骤三中，将所述指静脉图像分成若干个子图像，并从每个子图像中构造出子直方图；然后，将构造的子直方图归一化并连接在一起。
[0044]
进一步地，首先，将所述指静脉图像划分成小cell；然后，将每几个cell组成一个block，计算一个block内所有cell的cgdbp，cell的大小作为移动步长。
[0045]
本发明还提供一种抗干扰的指静脉生物特征识别系统，其应用上述任意的抗干扰的指静脉生物特征识别方法，所述指静脉生物特征识别系统的工作过程为：
[0046]
一、接收指静脉图像，其尺寸为h
×
w，h为高，w为宽；
[0047]
二、根据公式(2)构造八个gobar滤波器，含有八个方向；
[0048]
其中，公式(2)为：
[0049]
x、y分别是指静脉图像的二维坐标值，θ是以弧度为单位的gabor函数方向，μ是以弧度为单位的径向频率，σ是高斯函数标准差，
[0050]
三、根据公式(3)、公式(4)和公式(5)对指静脉图像进行线性滤波，得到八个方向的滤波响应值和参考主导方向的循环采样序列；
[0051]
其中，公式(3)为：gj(x,y)＝gj*i(x,y)
[0052]
其中，gj(x,y)是指静脉图像i(x,y)与gj的滤波响应值，gj是gabor函数方向θ为jπ/8时的函数实部，*是卷积操作，i(x,y)是所述指静脉图像中(x,y)位置上的图像；
[0053]
公式(4)为：
[0054]
c(x,y)为最大滤波响应对应的索引值；
[0055]
公式(5)为：
[0056]g’0(x,y),g
’1(x,y),...,g’t
(x,y),...,g
’7(x,y)：＝gc(x,y),...,g7(x,y),g0(x,y),...,g
c-1
(x,y)
[0057]
符号“：＝”执行元素赋值；
[0058]
四、基于上述循环采样序列，根据公式(6)-公式(11)得到特征图t，特征图t尺寸为h
×
w；
[0059]
其中，公式(6)为：
[0060]
公式(7)为：
[0061]
公式(8)为：φ(j)＝mod(mod(j,n
θ
)+1,n
θ
)
[0062]
公式(9)为：
[0063]
公式(10)为：
[0064]
公式(11)为：
[0065]
是一个向量，其元素组成是像素点在j方向下的滤波值，和φ(j)是j的左右相邻方向的索引，n
θ
＝8；是一个向量，其元素组成是降序排列；
[0066]
五、将特征图像t划分成小cell，然后，将每几个cell组成一个block,记为n个图像块；
[0067]
六、分别构造每块区域的竞争gabor方向二值统计特征
[0068]
七、按顺序把所有vi串成特征向量v＝[v1,v2,...,vn]，得到竞争gabor方向二值统计特征向量v。
[0069]
本发明还提供一种匹配和识别方法，其用于衡量两个指静脉图像之间的相似性，其特征在于，通过图像特征进行衡量，且其中一个指静脉图像的图像特征采用上述任意的抗干扰的指静脉生物特征识别方法得到，所述匹配和识别方法为：
[0070]
使用归一化相关系数ncc来衡量两个指静脉图像的图像特征之间的相似性，a是训练集指静脉对应的特征向量，b是测试集指静脉对应的特征向量，
[0071]
a＝(a1,a2,...,an),b＝(b1,b2,...,bn)。
[0072][0073]
其中，μa(μb)是特征向量a(b)的均值，σa(σb)是a(b)的标准差，l是a或b的长度值，ncc的取值在-1和1之间；
[0074]
如果ncc接近1，这意味着两个指静脉图像可能是相同的；否则，认为它们不同。
[0075]
本发明的竞争gabor方向二值统计特征直方图是一种有效的图像表示。它通过参考主导方向计算多方向gobar滤波器下相邻三方向的顺序滤波差值关系，得到指静脉图像每个像素点的鉴别力特征。hcgdbs是无训练的，经过精心设计，对光照、平移、噪声和旋转具有鲁棒性，并使用四个广泛使用的指静脉图像数据库验证了所提出的hcgdbs方法的有效性。
附图说明
[0076]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0077]
图1为本发明指静脉生物特征识别方法的流程图。
[0078]
图2为图1中指静脉主导方向的计算过程示意图。
[0079]
图3为图1中cgdbp的形成过程示意图。
[0080]
图4为香港理工大学的指静脉数据库(polyu)的其中一个图像预处理的示意图。
[0081]
图5为山东大学mla实验室的指静脉数据库(sdumla-fv)的其中一个图像预处理的示意图。
[0082]
图6为马来西亚理工大学的指静脉库(fv-usm)的其中一个图像预处理的示意图。
[0083]
图7为天津智能信号与图像处理重点实验室指静脉库(fv-tj)的其中一个图像预处理的示意图。
[0084]
图8为本发明的指静脉数据库roc曲线图。
[0085]
图9为本发明的指静脉数据库匹配分数图。
具体实施方式
[0086]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0087]
本发明的指静脉生物特征识别方法，其提出的竞争gabor方向二值统计特征直方图(hcgdbs)，用于提取具有鉴别力的指静脉结构特征。hcgdbs是一种直方图表示法，它在特征空间对图像中的结构信息进行显式编码。首先，利用多方向gobar滤波器，获取最大滤波响应值索引作为主导方向得到旋转不变特征。其次，依据指静脉图像上每个像素点各方向滤波值，比较相邻三方向顺序差值关系，构建高鉴别性的竞争gabor方向二值模式(cgdbp)。最后，分块提取指静脉cgdbp特征，将离散的特征编码聚合成直方图表示，构造联合特征直方图hcgdbs，克服图像的平移。在四个广泛使用的指静脉数据库上进行大量实验，结果表明，所提出的方法能够有效地提高指静脉识别性能，对光照，平移、噪声和小范围的旋转较鲁棒。
[0088]
实施例1
[0089]
请参阅图1，本发明的指静脉生物特征识别方法主要包括以下步骤：
[0090]
步骤一，基于多方向gobar滤波器提取指静脉图像上每个像素点的主导方向；
[0091]
步骤二，参考所述主导方向，顺序编码每个像素点在相邻三方向上的顺序强度差值关系，构建竞争gabor方向二值模式cgdbp；
[0092]
步骤三，利用所述竞争gabor方向二值模式cgdbp，分块提取所述指静脉图像上的cgdbp特征，将离散的所述cgdbp特征编码聚合成直方图表示，构造联合特征直方图hcgdbs。
[0093]
指静脉生物特征识别方法对指静脉结构信息显式编码提取高鉴别性特征进行图像识别。提出基于多方向gobar滤波器提取指静脉每个像素点的主导方向。参考主导方向顺序编码每个像素点相邻三方向顺序强度差值关系，构建竞争gobar方向二值模式(cgdbp)。然后分块提取指静脉图像特征联合成直方图，构成竞争gabor方向二值统计特征直方图
(hcgdbs)。对于测试样本，根据一维指静脉特征，用归一化相关系数(ncc)进行分类识别。
[0094]
在步骤一中，gobar滤波器的设计比较关键。gabor滤波器作为一种方向可调的线性滤波器，其频率和方向表达同人类视觉系统类似，可以很好地近似单细胞的感受野函数。此外，gabor滤波器具有良好的纹理二维光谱特性，以及其纹理会随二维空间位置变化。由于这些优良特性，使得gabor滤波器能够很好地刻画图像的特征，因此被广泛用于指静脉特征识别。典型的二维gabor滤波器具有以下一般形式：
[0095][0096]
其中μ是以弧度为单位的径向频率，θ是以弧度为单位的gabor函数方向，σ是高斯函数标准差，与竞争编码方法类似，gabor滤波器的实部用于提取指静脉的特征。为了更准确地提取特征，将gabor滤波器的实部转换为“倒置”形式，所以最大的响应对应最小的卷积值。变换后的gabor滤波器定义为:
[0097][0098]
其中，(j＝1,2,.....,n
θ
)，n
θ
＝8。
[0099]
步骤一中的主导方向就是指静脉主导方向。由于受采集环境，光照变化，手指姿态等因素的影响，捕获的指静脉图像中存在旋转，平移，噪声等无关信息，影响识别性能。这里，我们采用gobar滤波器对静脉图像滤波得到像素点的主导方向，以此克服图像的旋转。首先，对预处理后的图像使用八个方向为jπ/8(j＝0,1,...,7)的gabor滤波器对指静脉图像进行滤波。假设gj是方向为jπ/8(j＝0,1,...,7)的g的实部，其与指静脉图像的卷积为：
[0100]gj
(x,y)＝gj*i(x,y)(3)
[0101]
其中i是指静脉图像，“*”是卷积操作，gj(x,y)是指静脉图像i(x,y)与gj的滤波响应值，(x,y)表示像素在i中的位置。
[0102]
指静脉主导方向的确定对我们的编码至关重要。gobar滤波器产生较大滤波响应的可能性较小，提取其最大滤波响应值索引作为主导方向更具鉴别力。我们通过使用八个不同方向的gabor滤波器对指静脉图像进行卷积，提取滤波响应值最大的方向为主导方向，使用最大滤波响应可以提高计算特征的识别能力以及对噪声和旋转的鲁棒性。
[0103][0104]
其中c(x,y)作为像素点(x,y)处的主导方向，其为最大滤波响应对应的索引值。
[0105]
在获得主导方向后，我们循环旋转序列，直到由c(x,y)索引的点位于第一个位置：
[0106]g’0(x,y),g
’1(x,y),...,g’t
(x,y),...,g
’7(x,y)：＝gc(x,y),...,g7(x,y),g0(x,y),...,g
c-1
(x,y)(5)
[0107]
其中，符号“：＝”执行元素赋值(如图2所示，为指静脉上某一像素点主导方向提取过程示意图)。
[0108]
在步骤二中，局部二元模式(lbp)及其多种变体已显示出提取静脉特征的鉴别力。然而，这些lbp方法大多侧重于编码中心像素与其相邻之间的局部强度差异，没有充分考虑像素点相邻方向间的局部强度顺序关系。为解决这个问题，本发明提出了基于gobar滤波获
取主导方向，然后，对指静脉图像上每个像素点相邻三方向的强度顺序差值关系进行编码，提高提取特征的鉴别力。
[0109]
请参阅图3，基于gobar滤波八个方向的滤波响应值，我们将循环序列中的点均匀地分布在圆上。依据上述提到的主导方向对其循环排序(见式(5))，本发明中采用的是八个方向，因此有8个分组，即：
[0110][0111][0112]
φ(j)＝mod(mod(j,n
θ
)+1,n
θ
)(8)
[0113]
其中，是一个向量，其元素组成是像素点在j方向下的滤波值，和φ(j)是j的左右相邻方向的索引。
[0114]
接下来，对每组中的三个滤波值进行排序，得到：
[0115][0116]
其中，是一个向量，其元素组成是降序排列。
[0117]
最后，我们依据每组中三个方向下的滤波值之间的强度顺序差值关系按式(10)进行编码：
[0118][0119][0120]
(a)经过预处理指静脉的roi图像，(b)指静脉图像上某一像素点与gobar滤波器卷积的八个滤波响应值，(c)根据滤波响应最大值对八个方向的滤波结果循环移位，(d)分组，将各个方向与相邻两方向滤波值划分为一组，(e)各个组内的滤波值排序，(f)根据图中公式计算每个像素点各个方向与相邻方向的顺序强度差值关系，(g)根据公式(10)计算指静脉图像某个像素点对应的cgdbp值。
[0121]
为了提高识别能力，基于直方图的描述方法可以很好的克服图像本身存在的平移获取鉴别力特征。将一幅特征图像分成若干个子图像，并从每个子图像中构造出子直方图。然后，将构造的子直方图归一化并连接在一起。首先，将特征图像划分成小cell(m
×
n)，然后，将每几个cell组成一个block(k
×
l)，计算一个block内所有cell的cgdbp，cell的大小作为移动步长。根据上式(10)可知，cgdbp的取值范围为[0,255]，将4作为[0,255]内的移动
步长，这样可以降低提取的特征维数，将每一块的特征维数从255降维至64。一幅指静脉图像(h
×
w)的hcgdbs特征维数为
[0122]
length(hcgdbs)＝((h-k)/m+1)*((w-l)/n+1)*64(12)
[0123]
本发明提出的hcgdbs具有以下性质。首先，通过参考主导方向对指静脉图像旋转具有鲁棒性，然后使用局部顺序差值关系计算cgdbp获得鉴别力特征对光照变化具有鲁棒性。其次，hcgdbs直方图通过分块提取指静脉图像的特征，既获取了局部细节信息，又克服了图像的平移，提高指静脉识别性能。第三，hcgdbs丰富了局部特征，包括局部主导方向、局部相邻三方向和它们的顺序差值关系。这些都未在gobar和lbp中探索。
[0124]
本发明的指静脉生物特征识别方法在应用时，可设计成相应的指静脉生物特征识别系统，如app软件安装包的形式，不论采用什么样的方式，，所述指静脉生物特征识别系统的工作过程如表1所示。
[0125]
表1为hcgdbs特征提取详细步骤
[0126][0127]
在识别实验中，本发明采用的匹配和识别方法为：使用归一化相关系数(ncc)来衡量两个指静脉图像之间的相似性。a是训练集指静脉对应的特征向量，b是测试集指静脉对应的特征向量，a＝(a1,a2,...,an),b＝(b1,b2,...,bn)。
[0128][0129]
其中，μa(μb)是特征向量a(b)的均值，σa(σb)是a(b)的标准差，l是a或b的长度值，ncc的取值在-1和1之间。如果ncc接近1，这意味着两个指静脉图像可能是相同的；否则，认为它们不同。
[0130]
认证实验中，指静脉图像的类标签是已知的。我们通过在四个不同的指静脉数据库上进行真假匹配分析来评估实验性能。
[0131]
实施例2
[0132]
实施例2是针对实施例1的方法进行实验验证。
[0133]
为了评估所提出方法的有效性，我们在四个公共的指静脉数据库上进行了大量实
验，包括polyu、sdumla-fv、fv-usm和fv-tj指静脉数据库。
[0134]
a.指静脉数据库
[0135]
香港理工大学的指静脉数据库(polyu)，在polyu数据集中，指静脉图像分两次采集，最短间隔为一个月，最长间隔超过六个月，平均间隔为66.8天。在我们实验中采用的是第一阶段数据库，共有156名受试者提供指静脉图像，每个人提供2个手指，每个手指提供6张图像样本。由于同一个体中不同手指之间是有差异的，所以来自同一个体的不同指静脉图像属于不同的类别，即312(156个对象
×
2个手指)类，每类6个样本。图像经过进行一系列的预处理操作，图像的大小为150
×
96。在我们的实验中，选择样本1，3，5用于训练，样本2，4，6用于测试。
[0136]
为了评估所提出方法的有效性，我们在四个公共的指静脉数据库上进行了大量实验，包括polyu、sdumla-fv、fv-usm和fv-tj指静脉数据库。
[0137]
b.指静脉数据库
[0138]
如图4所示，香港理工大学的指静脉数据库(polyu)，在polyu数据集中，指静脉图像分两次采集，最短间隔为一个月，最长间隔超过六个月，平均间隔为66.8天。在我们实验中采用的是第一阶段数据库，共有156名受试者提供指静脉图像，每个人提供2个手指，每个手指提供6张图像样本。由于同一个体中不同手指之间是有差异的，所以来自同一个体的不同指静脉图像属于不同的类别，即312(156个对象
×
2个手指)类，每类6个样本。图像经过进行一系列的预处理操作，图像的大小为150
×
96。在我们的实验中，选择样本1，3，5用于训练，样本2，4，6用于测试。
[0139]
如图5所示，山东大学mla实验室的指静脉数据库(sdumla-fv)。sdumla-fv数据库包含了从106个人获得的指静脉图像，每个人提供6个手指，每个手指提供6张图像样本。由于手指静脉在同一个体中的不同手指之间是不同的，所以来自同一个体的不同指静脉图像属于不同的类别，即636(106个对象
×
6个手指)类，每类6个样本。图像经过进行一系列的预处理操作，图像的大小为150
×
96。在我们的实验中，选择样本1，3，5用于训练，样本2，4，6用于测试。
[0140]
如图6所示，马来西亚理工大学的指静脉库(fv-usm)。fv-usm数据库包含来自123个不同的受试者每人提供4个不同的手指，每个手指采集6幅图像，由于相同个体的不同手指表示不同的类别，即492(123个对象
×
4个手指)类，每类6个样本。图像的大小为300
×
100，在我们的实验中，选择样本1，3，5用于训练，样本2，4，6用于测试。
[0141]
如图7所示，天津智能信号与图像处理重点实验室指静脉库(fv-tj)。fv-tj数据库包含从64个不同的手指中获得指静脉图像，每个手指采集15幅图像，共有64类，且数据库中的样本图像都经过预处理，图像大小为172
×
76。在我们的实验中，选择前5个样本用于训练，后10个样本用于测试。
[0142]
c.参数选择
[0143]
在本实验中，我们研究了本发明提出的指静脉识别方法在不同参数值下的性能，参数包括频率u和标准差σ。使竞争gabor方向二值统计特征直方图在指静脉识别方法中能够达到最优的识别效果，分别在polyu、sdumla-fv、fv-usm和fv-tj数据库上分析不同的u和σ对识别效果的影响。使用rr和eer这两个指标来量化性能。rr是指本发明中对数据集的识别率。eer是等错误率的缩写，它与错误接受率(far)和错误拒绝率(frr)有关。eqn.(14)和
eqn.(15)显示了它是如何计算far和frr的。
[0144][0145][0146]
其中，far＝frr时，错误率为eer。
[0147]
首先，我们评估gabor滤波器中的频率u对识别性能的影响，并选择最佳值用于后续实验。频率u在0.0085到0.0435之间变化，间隔为0.005。从表中可以观察到当u＝0.0385时，在polyu数据库上实验效果达到最优，实验性能也是最好的。在频率u参数固定时，可以看出标准差σ对实验结果影响也是很明显的，通过下面八组实验的对比，当标准差σ＝12.2998时，polyu数据库识别率达到99.89％，等错误率达到0.5342％。sdumla-fv数据库在u＝0.0385，σ＝13.2998时，识别率为99.11％，等错误率为0.8386％。sdumla-fv数据库相较于polyu数据库，其图像不是特别清晰，所以识别率有所下降。fv-usm数据库受参数影响较小，识别率为99.73％，等错误率为0.2710％。fv-tj数据库中的指静脉图像清晰，识别率可以达到100％，等错误率达到0％。
[0148]
表2指静脉库上参数u的测试结果
[0149][0150]
表3指静脉库上u＝0.0385时，参数σ的测试结果
[0151][0152]
d.指静脉识别
[0153]
指静脉识别是确定测试指静脉图像类别标签的一对多匹配过程。通常，选择一组具有已知类别标签的指静脉图像作为训练样本，测试样本将与训练样本进行比较，与测试样本具有最大相似性的训练样本的类标签被视为测试样本的类标签。
[0154]
在接下来的识别实验中，数据库训练样本和测试样本的设置在数据库介绍中已阐述。为了验证本发明提出方法的有效性，我们对比了基于空域和基于频域的指静脉特征提取方法，如lbp、全局wld、分块wld、hog、dbc、dbd、dcgwld和rdgt。此外，我们还对比了三种基于深度学习的指静脉识别方法，包括fcn&cnn、dnn和gobar&cnn。
[0155]
表4总结了在polyu、sdumla-fv、fv-usm和fv-tj数据库上进行指静脉识别的比较结果。基于空域的指静脉特征提取方法：lbp、hog是广泛使用的局部描述子，计算简单而且对光照鲁棒，但是易受噪声影响。全局wld和分块wld，全局wld易受光照、平移和旋转等影响，所以其识别性能不如分块wld。dbc和dbd是通过特征学习方法提取局部特征，相比于lbp、wld和hog，性能有了明显的提升，但是它们不仅包含了提取特征还有特征学习的过程，相对而言，时间上不及传统的手工局部描述符。dcgwld相较于其他的局部描述符，考虑了静脉的弯曲程度，效果有了明显的改进，但是采集的静脉图像易受旋转的影响，单一考虑静脉弯曲度不足以反映其鉴别力信息，因此没有达到最优的效果。基于频域的指静脉特征提取方法：rdgt是通过离散gobar变换将其变换到空间-频率域，其形成的特征维数低，计算量小，但是识别效果不是很明显。基于深度学习的指静脉特征提取方法：fcn&cnn是基于cnn学习指静脉特征，fcn恢复静脉图像解决预处理和特征提取造成的损失。dnn自动从图像中学习特征，不依赖于手工提取的特征，直接从图像原始像素中学习鲁棒的特征表示。gobar&cnn通过卷积神经网络，自适应学习gobar滤波器的参数，解决了gobar滤波器参数难以调整的问题。
[0156]
表4指静脉数据库上不同方法的比较
[0157][0158]
从表4可以观察到，提出的hcgdbs优于列出的基于空域、频域和深度学习的指静脉特征提取方法。因为此方法不仅克服了图像的光照、平移、旋转等影响，还考虑了相邻三方向下gobar滤波响应值顺序差值关系，得到高鉴别性的局部特征直方图。polyu数据库上提出的hcgdbs相较于其他指静脉特征提取方法，等错误率比其他几种方法的平均等错误率下降了1.9883％。因为polyu数据库样本图像存在平移和旋转，本发明提出的hcgdbs能够很好的解决这个问题，所以实验有了较好的效果。对于sdumla-fv数据库，相比基于频域和深度学习指静脉特征提取方法有所改进，但是对比空域中的dcgwld方法上升了0.0524％。因为sdumla-fv数据库的图像模糊而且存在严重形变，dcgwld构造的可变曲率gabor滤波器考虑了指静脉的弯曲程度，丰富了指静脉图像的线特征。在后期的实验中，我们会考虑静脉的弯曲程度和静脉曲线的凹凸性，从而提取高鉴别性的静脉结构特征。fv-usm相较于空域特征提取方法和频域特征提取方法等错误率降低了1.3167％、0.2033％，同三种深度学习方法相比等错误率降低了0.6590％。本发明提出的方法在fv-usm达到了较好的实验效果。fv-tj数据库图像清晰，提取的特征具有很高的鉴别率，相比于与之比较的其他方法，其实验效果显著，识别率达到了100％，等错误率降至0％。综上分析，在polyu、sdumla-fv、fv-tj和fv-usm数据库上，本发明提出的方法不仅对图像的噪声具有较强的鲁棒性，还对存在平移与旋转的图像具有很好的鲁棒性，且能够很好地克服同类样本间的差异，提取高鉴别性特征。图8显示了每种方法基于手工特征的roc曲线。结果表明，该方法对指静脉图像特征提取具有较好的性能。
[0159]
e.hcgdbs的消融实验
[0160]
为了进一步阐明hcgdbs的有效性，验证提出的cgdbp具有较高的鉴别力，我们做了以下实验：(1)对确定主导方向后的八方向响应值按照相邻两方向大小关系顺序编码，得到八位二进制序列，记为cgdbp1。(2)对确定主导方向后的八方向响应值按照相邻三方向差值大小关系顺序编码，得到八位二进制序列，记为cgdbp2。(3)对确定主导方向后的八方向响
应值按照相邻三方向降序差值大小关系顺序编码，得到八位二进制序列，记为cgdbp3(hcgdbs)。在上述三种表示中，形成三种局部二值统计特征直方图。在本研究中，为了更好的验证提出的方法的有效性，我们在上述的四个不同的数据库进行实验。
[0161]
从比较结果中，我们可以得出以下观察结果。在四个指静脉数据库上，cgdbp3(hcgdbs)的性能均优于cgdbp1和cgdbp2。这一结果表明，hcgdbs通过编码相邻三方向顺序差值大小关系会提高提取特征的鉴别力。在polyu、fv-usm和fv-tj数据库上cgdbp2比cgdbp1的识别率有所提高，sdumla-fv数据库上cgdbp2比cgdbp1的等错误率下降了0.1612％，是说明提取三方向差值特征相较于提取相邻两方向特征更具鉴别力。
[0162]
表5三种局部描述符比较
[0163][0164]
f.指静脉认证
[0165]
在指静脉认证中，指静脉图像的类标签是已知的。每幅指静脉图像与同一数据库中的所有其他指静脉图像匹配。如果两个指静脉图像都来自同一手指，则匹配称为真匹配；否则，匹配被视为假匹配。即，同类样本间的匹配称为真匹配(genuine match)，异类样本间的匹配称为假匹配(imposter match)。对于polyu指静脉数据库，共有1872个样本，936(312
×
3)个训练样本，其余为测试样本。因此，匹配总数为876096个，其中2808个是真匹配，873288个是假匹配。sdumla-fv数据库包含3640464个匹配项，其中分别包括5724个真匹配和3634740个假匹配。在fv-usm指静脉数据库中，匹配总数为2178576，真匹配和假匹配分别为4428和2174148。fv-tj数据库包含204800个匹配项，其中分别包括3200个真匹配和201600个假匹配。
[0166]
我们使用所提出的方法同时计算了真假匹配分数。通过真假匹配分数的分布情况，可以定性的衡量算法性能的好坏。图9(a)-(d)分别显示了在polyu、sdumla-fv、fv-usm和fv-tj数据库上的真假匹配分数的分布情况。从这些分布中我们可以看到，真匹配分数和假匹配分数在四个指静脉数据库上都有高度独立的分布。其中，真匹配分数主要集中分布在大于0.8的区域，而假匹配分数主要集中分布在小于0.8的区域。说明hcgdbs特征对指静脉图像具有较强的辨别力。从图9可以看出，在polyu、sdumla-fv和fv-usm数据库上，真匹配分数和假匹配分数的分布不像fv-tj数据库上的分布那样独立，有部分交叉。出现这种结果的主要原因在于这三个数据库中的图像存在严重的形变、模糊和尺度变化等问题，这些问题导致由gabor滤波器提取的特征发生变化。在下一步的研究中，我们考虑使用多尺度多方向和多曲率以增强hcgdbs特征对形状和尺度变化的鲁棒性。
[0167]
综上所述，本发明的方法，其提出的竞争gabor方向二值统计特征直方图是一种有效的图像表示。它通过参考主导方向计算多方向gobar滤波器下相邻三方向的顺序滤波差值关系，得到指静脉图像每个像素点的鉴别力特征。hcgdbs是无训练的，经过精心设计，对光照、平移、噪声和旋转具有鲁棒性，并使用四个广泛使用的指静脉图像数据库验证了所提
出的hcgdbs方法的有效性。
[0168]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。