基于多模式LBP 与深度森林的指静脉识别

来源：计算机技术与发展杂志2018年第07期北京时间：

作者：刘广东;邱晓晖

摘要：深度森林(gcForest)是基于深度模型提出的级联随机森林集合方法,以解决深度学习网络模型中对大样本训练数据和对设备要求过高的问题。 深度森林不像深度神经网络那样具有很多的调节参数,对训练模型的选取需要耗费大量的时间与精力,gcForest 允许使用者可以根据设备的资源决定训练的耗费,且能自适应地调节训练模型层数。 指静脉图像含有丰富的纹理信息,文中基于多模式 LBP 提取指静脉图像的基本 LBP 特征,统一模式 LBP 分块直方图特征并将它们与深度森林结合取得的识别率达到 99.46%,训练时间大幅减少,并解决了 gcForest 在旋转适应性方面的不足。与随机森林分类器(random forest)、KNN 分类器、支持向量机分类器(SVM)、罗格斯特回归分类器(logistic regression)等进行比较,证明了深度森林识别器的有效性。

关键词：指静脉识别;深度森林;LBP;特征提取;随机森林