基于方向特征的识别论文理解

基于纹理分析方法，提取掌静脉图像的方向、频率、相位、幅度等纹理特征: 这类方法大多借鉴掌纹识别方法，通过各种滤波器提取静脉图像纹理特征，编码纹理特征并进行匹配识别。
它有3 个核心步骤: 滤波器选择、编码方式、匹配方式。对于滤波器的选择，现应用于掌脉的有正交高斯滤波器、多尺度匹配滤波器、Gabor 滤波器等。而编码方式主要有竞争编码( competitive code) ，序数编码( ordinal code) 。
最后，针对所选择的滤波器和编码方式选择最佳的匹配方法，比如以Gabor 滤波器为基础的汉明距离匹配方式等。这类算法利用数学变换工具提取静脉图像统计特征，即多个频率或尺度等局部纹理特征，因此识别率较高。
但现应用于掌脉的纹理分析方法，提高识别率时，往往计算复杂度高、冗余信息过多，且对特征信息未能有效充分地提取，从而降低了算法的识别效率和精度。
NMＲT( neighborhood matching radon transform)，邻域匹配radon变换方法提取静脉纹理图像的方向特征，并提出一种分块求汉明距离的新匹配方法，实验结果表明，NMＲT 方法要优于现应用于掌静脉识别的大部分算法。
相比其他纹理分析方法，NMＲT 有两个优点: 1) 无需过多参数设置，方向滤波器设计简明，降低计算复杂度;2) 以方向特征为匹配特征，增强了算法对光照变化、旋转变化的鲁棒性。
但该算法也有不足: 1) 匹配方法的计算复杂度较高，且方法原理本身存在一定问题; 2) 方向滤波器提取的方向特征矩阵包含过多的冗余信息，导致有效信息不足。

基于NMＲT 方法提取方向特征的思想，提出一种计算简单、快速且充分利用掌静脉图像中有效方向信息的识别方法。（one）在构建新邻域模板的基础上，设计了相应的方向滤波器并优化，（two）通过提取掌静脉图像的方向特征，得到了对静脉纹理响应最小的方向滤波器索引值矩阵———方向特征矩阵( OM) ，并对其进行编码; （three）同时采用汉明距离计算方法，提出了全局匹配算法，用于计算待测静脉OM 与数据库中已有OM 的相似度。

与现有掌静脉识别方法相比，本文构建的邻域模板，充分提取了掌静脉图像的方向纹理信息，并减少了冗余信息的提取; 方向滤波器的优化进一步增强了算法对旋转变化的鲁棒性，提高了算法的识别精度; 同时编码进一步降低了算法的计算复杂度，提高了算法识别效率并减少存储负担。实验结果表明，与NMＲT 方法相比，本文方法有更高的识别率和更快的识别速度。

对感兴趣区域分块，每个子块大小为32 ×32，计算每个子块的平均灰度值，利用双三次插值方法得到ＲOI 图像的背景灰度估计值矩阵。其次，通过对图像背景灰度估计值矩阵和原图像作差得到增强图像。
最后，采用CLAHE［7］ ( contrast limited adaptive histogram equalization ) 或HE ( histogram equalization) 的增强方法进一步增强图像，最终得到ＲOI 图像为待提取方向特征的原始图像。

为了提高系统的识别性能，方向特征矩阵应包含尽可能多的有效信息和尽可能少的冗余信息。通常，中心像素邻域内的像素点，离中心像素越远则影响越小，反之则影响越大。根据像素点对中心像素的影响大小，将影响小的像素点定义为冗余信息，影响大的像素点定义为有效信息。

但Ｒadon 变换是对于整个平面进行积分，若要提取长度较短的直线，则效果不佳，基于这点和上述邻域模板提出一种新算法:

需要注意的是每个方向滤波器中Lk包含的像素点总个数应相等。假定方向滤波器个数为6( 即k有6 个不同取值) ，线宽为2( 即中心像素( i0，j
0) 为2 × 2 大小的矩阵) ，则如图3 表示方形邻域模板的方向滤波器示意图，图4 表示本文邻域模板下方向滤波器示意图。由图3、图4 可以看出，圆形邻域模板下的方向滤波器，可将原描述冗余信息的像素点转换成为描述方向信息的像素点，这样不仅减少了冗余信息，同时有效表达了方向纹理信息。

上述圆形邻域模板下的方向滤波器虽然很好地去除了冗余信息，但仍存在一些问题: 1) 每个方向滤波器中Lk包含的总像素数并不相等( 如图4，0，3π/6 方向上Lk包含的总像素数为32，而π/6，2π/6，4π/6，5π/6上Lk包含的总像素数为34) ; 2) 由于采用的k 为精确斜率或方向，提取到的方向信息有限，对旋转不变性的适应性较差。因此，方向滤波器需要进一步优化。

优化规则为: 1) 定义角度区间，以增强方向滤波器的旋转不变性，并提取更多的方向信息作为有效辨识信息; 2) 取角度区间内Lk重叠的部分以保证每个方向滤波器中Lk包含的总像素数应相等。

O 为方向滤波器个数。O 的取值与方向辨识信息的充分与否有直接的联系; 若O 取值过小，则提取的方向特征矩阵不足以描述静脉纹理方向，若O取值过大，尽管方向辨识信息增多，但冗余信息也随之增加，导致可分性下降。因此本文选择O = 6，既保证了有效方向信息的提取，又保证了可分性。

当O = 6 时，每个方向滤波器对应的角度分别为0、π/6、2π/6、3π/6、4π/6、5π/6; 而当O = 8 时，每个方向滤波器对应的角度分别为0、π/8、2π/8、3π/8、4π/8、5π/8、6π/8、7π/8。设O = 6，为满足优化规则1) ，方向滤波器的方向尽量向着O = 8 时的临近角度偏，如方向为π/6 的滤波器，尽量偏向临近的π/8 和2π/8 角度，这可以使得的滤波器提取到一些π/8 和2π/8 角度上的方向信息。方向为π/6 计算公式为［( π/6 + π/8) /2 + ( π/6 + 2π/8) /2］/2 = 17π/96。

以此类推，得到优化后的6 个方向分别为0、17π/96、31π/96、48π/96、65π/96、79π/96。
同时为保证满足优化规则2) ，取优化前后的方向滤波器上Lk重合的区域，因此每个方向滤波器对应的角度区间分别为0、［π/6，17π/96］、［31π/96，2π/6］、3π/6、［4π/6、65π/96］、［79π/96、5π/6 ］。

图5 所示为6 个角度区间上优化后的方向滤波器，此优化有两个优点: 1) 相比6 个方向增加了方向信息量，相比8 个方向减少计算时间和计算复杂度;2) 将精确角度扩展成为角度区间，模糊方向的边界性，加强了算法旋转不变性。

式中，p，q 为ＲOI 图像大小，c 为线宽，得到的m，n为特征矩阵大小。

这样的编码方式不仅方便匹配时汉明距离的计算，同时大大降低计算复杂度和计算时间。图6 分别为增强后的手掌静脉ＲOI 图像、及其在6 个方向滤波器下卷积响应的累加响应、方向特征矩阵。图6 表明，本文方法可以提取手掌静脉ＲOI 图像中尽可能多且有效的方向纹理信息。

使用全局匹配方法，定义2 幅静脉特征模板图像的匹配分计算方式，即

本文方法无需分块平移，而考虑整体平移，在同样的参数下，只需要计算12 + 1 = 13 次汉明距离值，进而确定匹配分即可。

实际上，如果测试图像与模板图像的身份相同，ＲOI 提取时带来的误差是针对整体而言的，而非各个子块，即汉明距离值最小的、所有子块组的方向分布应相同，而不可能呈现多种分布。

而本文方法在特征提取时，通过调整方向滤波器大小、线宽等参数来获取所需的邻域信息，进而全局匹配直接确定匹配分，弥补了各子块平移带来的不足。

采自同一时期的图像中，由光照、形变等影响造成的图像畸变远远小于采自不同时期的图像。为排除这类干扰，将第一个阶段采集到的图像作为数据库模板图像，剩下的图像作为测试图像，可得到更可靠的实验结果。

若O 取值过小，则提取的方向特征矩阵不足以描述静脉纹理方向，
若O 取值过大，描述各个方向的方向滤波器重合像素会增多，导致可分性下降。因此本文选择O = 6，既保证了有效方向信息的提取，又保证了可分性。

在数据库模板数为1，编码方向特征模板，全局匹配方法的条件下，比较使用方形邻域模板、圆形邻域模板、优化后的圆形邻域模板下方向滤波器的EEＲ。表4 为数据库模板数为1 的条件下，不同邻域模板下的EEＲ。从表4 中可以看出，圆形邻域模板比方形邻域模板EEＲ 要低，这是因为减少了冗余信息的同时，增强了有效方向信息的表达。而优化后的圆形邻域模板的EEＲ 更低，原因是使用角度区间替换精确角度值可以增加算法的旋转不变性，并增加方向信息量。

特征提取方面，全局匹配需要花费更多的时间，这是由于编码方向特征矩阵的缘故，但编码所用的时间为后续减少匹配时间做出了很大贡献，可以看出在特征匹配上，全局匹配的速度大大提高了。

全局匹配比分块匹配的EEＲ 要低，这也验证了全局匹配的优点———弥补分块平移产生的不足。并且还应考虑到，识别时，特征提取每幅图像只需进行1 次，而特征匹配则随着数据库图像数的增加而增加。从整体时间来看，对特征匹配的时间要求要比特征提取的时间要求更为严格。因此本文全局匹配在特征匹配上的速度提升更有意义。

随着数据库模板数的增加，两种方法均呈现识别率提高、EEＲ 下降的趋势。当数据库模板数从一个模板增加到两个模板时，识别率有显著提高;但随着模板数增加，识别率提高幅度明显减小，尤其是当模板数大于3 的时候，提高幅度基本为0。
这是因为数据库模板所包含的特征信息随着数据库模板数的增加而增加，同时冗余信息也在增加，会造成内存和速度的负担。因此数据库模板数不易太多，一般取3 个为宜。

本文真匹配分的分布更为集中，真假匹配分重合区域更小，分界更明显，EEＲ 更低。而本文真匹配分分布接近于1，NMＲT 方法刚好相反，真匹配分分布接近于0。原因是NMＲT 的匹配方法直接计算汉明距离，即求特征矩阵中不相等的像素点的个数中最小值。而本文是求1-汉明距离值，即求特征矩阵中相等的像素点的个数中最大值。