[发明专利]一种虹膜图像鲁棒特征选择和快速比对的方法

说明书

技术领域

本发明涉及数字图像处理、模式识别和统计学习等技术领域，特别是一种虹膜图像鲁棒特征选择和快速比对的方法。

背景技术

虹膜是人眼中介于黑色瞳孔和白色巩膜之间的圆环状区域，呈现丰富的纹理。大量医学和计算机科学的研究表明，不同眼睛(包括人的左右眼和双胞胎的眼睛)的虹膜纹理是各不相同的，并且自胚胎形成后8个月就稳定不变，因而虹膜具有唯一性高、稳定性强的优点。另外，虹膜是一种外部可见的内部器官，因而又具有非侵犯性的优点。这些优点使得虹膜特别适合用于人的身份认证和识别，并被成功的应用于机场、海关、银行等场合的身份鉴定。

虹膜识别系统通过抽取测试虹膜图像中的纹理特征，并将该特征与用户预先存储的特征模板进行比对来完成对用户身份的认证或识别。因此，其识别精度高度依赖于所使用的虹膜特征，其识别速度直接取决于特征模板的比对速度。

为了有效地对虹膜图像进行特征抽取和匹配，英国剑桥大学的Daugman(U.S.Pat.No.5291560)使用Gabor小波抽取虹膜纹理的二值化相位特征，并使用汉明距离度量两个特征模板的匹配程度。美国Sarnoff公司的Wildes等人(U.S.Pat.No.5572596)在虹膜图像的多个尺度上计算LoG(Laplician of Gaussian)系数对虹膜图像进行描述，并使用相关系数度量两个特征之间的相似度。

虽然上述虹膜特征抽取和匹配方法取得了不错的识别效果，但是它们仍然存在很多缺陷。首先，它们在不同虹膜区域上采用相同的滤波参数，从而没有充分考虑和利用虹膜不同区域的纹理分布特性，降低了其特征的表达能力。其次，它们都需要计算滤波器和虹膜图像的二维卷积，因此计算速度较慢，在滤波器的灵活性和鲁棒性方面有待提高。最后，在进行特征模板的比对时，即使对于两个明显不匹配的特征模板，它们都需要计算模板中的所有特征，因此特征模板匹配速度较慢，不适合在大规模数据库上应用。

综上所述，现有的虹膜特征抽取和特征比对算法仍然存在改进的余地，如何抽取最能有效描述虹膜纹理的特征以及如何快速地对特征模板进行比对仍然是虹膜识别系统中一个亟待解决的难题。

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的在于提供一种虹膜图像鲁棒特征选择和快速比对的方法，以抽取最能有效描述虹膜纹理的特征，并实现对特征模板进行快速比对。

(二)技术方案

为达到上述目的，本发明提供了一种虹膜图像鲁棒特征选择和快速比对的方法，该方法包括步骤：

S1、采用区域多极子定序测量特征对虹膜纹理进行表达；具体包括：

S11、将虹膜图像沿半径和角度方向进行分割，划分出虹膜图像的局部子区域；

S12、设计多极子滤波器；

S13、采用设计的多极子滤波器对每个局部子区域进行滤波，抽取定序测量特征，用抽取的定序测量特征表达虹膜纹理；

S2、采用以相似度为导向的特征选择和融合方法从定序测量特征中选取最优的、分类能力最强的虹膜特征，构建用于最终的虹膜识别的单元分类器组合；其中，选取和构建的过程具体包括：

S21、产生训练样本；包括从数据库中选择虹膜图像用作训练集，对选择的虹膜图像进行预处理，在每幅预处理后的图像上抽取局域化的定序测量特征作为待选的特征，并计算任意两幅图像之间的差值图像，将计算任意两幅图像之间差值图像时得到的相似度分数作为该局域定序测量特征的一个训练样本；

S22、学习和建立虹膜组合分类器；包括以相似度为导向的特征选择和融合方法通过迭代地调用特征选择器，从候选特征集合里不断选择在当前样本权重分布情况下最优的特征，同时根据该特征在正负样本上的分布来构建相应的单元分类器，并将构建的单元分类器组合成为虹膜组合分类器；

S3、基于层次化分类器对虹膜特征模板进行快速比对；具体包括：

S31、构建层次化的虹膜分类器；包括使用层次化的分类器结构对选择出来的定序测量特征进行重新优化组合，把该定序测量特征分成几组，每一组称为一个层次分类器；

S32、使用层次化虹膜分类器对输入的虹膜特征模板进行快速比对；包括输入两个待比对的虹膜特征模板，把这两个虹膜特征模板对应的特征依次通过各个层次分类器，只要任意一层的层次分类器认为这两个模板不匹配，就直接输出不匹配结果，只有通过所有层次分类器验证的两个模板才认为是相互匹配的两个模板。