[发明专利]一种虹膜识别法

说明书

技术领域

本发明涉及生物特征识别技术的领域，具体地说，是一种基于二维log-Gabor滤波的改进的虹膜识别法。

背景技术

在高度数字化社会中，身份识别渗透到了人们的日常生活中。传统身份识别的方法具有易假冒、易丢失、易遗忘等缺点，不能满足现代信息化社会的需求。近年来，基于生物特征的身份识别技术引起人们的广泛关注，相对于传统身份识别技术，其具有稳定、可靠、便捷和不易伪造等优点，已经成为身份识别研究中的热点。而在各种生物识别技术中，虹膜具有采集性、非侵犯性、唯一性和稳定性等特点，在过去的十多年里得到了广泛研究。

虹膜识别主要包括虹膜纹理特征提取与虹膜特征码匹配两个关键步骤，两者对主要采用Gabor滤波器的虹膜纹理特征提取方法，普通的Gabor滤波器存在直流分量，最大带宽限制在1倍频的缺陷，影响虹膜纹理特征的提取效果。后来有学者对其进行改进，提出了一维log-Gabor和二维log-Gabor纹理特征提取方法，有效解决了普通Gabor滤波器缺陷，提高了虹膜识别率。

当前虹膜特征码匹配主要采用欧式距离、汉明距离、神经网络等方式，判断两个虹膜是否来自同一个人。其中，欧式距离、汉明距离容易实现、速度快，但是识别正确率低；神经网络要求样本大，花费代价高，同时存在网络结构复杂、识别效率低等难题，不适合于实时性要求高等应用领域。

支持向量机（support vector machine，SVM）是一种小样本、非线性分类能十分优异的分类算法。

因此，提供一种改进的虹膜识别率高的识别法实为必要。

发明内容

为了提高虹膜识别的正确率，本发明开发了一种虹膜识别法，该方法按以下步骤实施：

步骤1. 虹膜纹理特征的提取：

a. 小波分解：将虹膜图像分解为水平高频（LH1）、垂直高频（HL1）、对角高频（HH1）和低频逼近（LL1）四个子带图像；

b. 多通道滤波器组提取：构造多个滤波器，通过改进的二维log-Gabor滤波算法，对低频逼近（LL1）子带图像从径向和角度两个方向上提取虹膜纹理特征的信息，函数表达式如下：

log-Gabor函数定义为：

式中，为滤波器的中心频率，为滤波器的方向，为高斯函数标准差；

二维log-Gabor函数定义为：

式中，U、V分别为径向中心频率两个轴的分量；

提取虹膜纹理特征的公式为：

式中，为处理后虹膜图像，为卷积运算，表示第个尺度，表示第个方向，包含幅值信息和相位信息。

步骤2. 虹膜纹理特征的编码：

通过格雷码对每一个特征的相位信息进行编码：

式中，为相位信息；

步骤3. 虹膜特征码的匹配：

a. 采用支持向量机进行虹膜特征码匹配：给定数据集：，式中，，，当两个虹膜纹理特征属于同一虹膜时，，否则；

支持向量机最优分类超平面为：，式中，为超平面的法向量，b为超平面的偏移向量；

引入Lagrange乘子加快分类速度，支持向量机的超平面分类函数为：

式中，为符号函数，为Lagrange乘子；

对于线性不可分的分类，支持向量机用核函数代替点积，支持向量机的最终分类函数为：。

b. 基于支持向量机的虹膜匹配器构造：输入虹膜纹理特征集，选择最优核函数及核参数，将纹理特征集规范化处理，构造核矩阵，求解拉格朗日系数、支持向量以及最优类超平面系数，建立虹膜纹理持征的最优决策超平面，计算待识别虹膜的相应决策输出值，得到虹膜是否来自同一人，输出识别结果。

本发明的有益效果是：提高了虹膜识别的准确率，加快了虹膜识别的速度，更加适合于实时虹膜识别。

附图说明

图1是虹膜图像小波分解的结构图。

图2是支持向量机的最优超平面。

图3是本发明中的特征匹配法与其他特征匹配法识别正确率的比较图。

具体实施方式

下面结合附图对本发明进行详细的说明：

一种虹膜识别法，该方法按以下步骤实施：

步骤1. 虹膜纹理特征的提取：

a.   小波分解：小波分解是一种多分辨率分析的方法，将虹膜图像分解为水平高频（LH1）、垂直高频（HL1）、对角高频（HH1）和低频逼近（LL1）四个子带图像，具体如图1所示；