[发明专利]一种基于BP网络和小波变换的虹膜图像质量分类方法

说明书

本发明公开了一种基于BP网络和小波变换的虹膜图像质量分类方法，包括构建用于虹膜图像质量分类的BP神经网络模型；选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；将提取的小波变换系数的特征值输入BP神经网络模型进行训练；利用训练后的BP神经网络模型对虹膜图像质量进行分类；输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型；若BP神经网络模型的输出结果与可用虹膜的期望值相同，则判断当前输入虹膜质量可用；否则，若输出结果与不可用虹膜的期望值相同，则判断当前输入虹膜质量不可用。

技术领域

本发明属于图像识别领域，尤其涉及一种基于BP网络和小波变换的虹膜图像质量分类方法。

背景技术

虹膜识别是近年发展起来的一种新型生物特征识别方法。与指纹识别、人脸识别和语音识别等其它生物特征识别方法相比，虹膜识别在准确性、唯一性、稳定性、可采集性和非侵犯性等方面具有更强的优势。在实际应用中，虹膜识别系统的识别效果与采集的图像质量密切相关。虹识别系统要求人必须和设备进行合作。但是由于设备和人之间存在一些不确定、不稳定的因素。在虹膜图像采集的过程中，不均匀的光线条件、人眼与采集装置距离的变化、人眼的生理结构(如眼睑、睫毛等)往往导致虹膜图像亮度不均、虹膜图像位置和大小的变化、遮挡虹膜纹理的有效区域，影响了虹膜识别效果，降低了虹膜识别的准确率。为了提高识别准确率当采集到一幅虹膜图像后，需要对虹膜图像进行质量评价，检验虹膜图像是否合格，以筛选掉采集效果不佳的图像保证后续操作的顺利进行。

目前，已有不少工作研究虹膜识别中的图像质量评价方法。尽管虹膜识别技术得到了迅速发展，但是在实际应用中，由于受到外界环境或人为因素干扰，采集到的虹膜图像会表现出诸多“非理想”特性，而使识别结果受到严重影响。非理想特征表现多样，包括反光(由近红外光源照射或眼镜反射造成)、眼睑/睫毛遮挡、散焦(非聚焦距离拍摄造成)、运动模糊和面部偏转(由人的头部运动造成)、图像对比度过低(由采集现场光照造成)等。因此在前述方法中，许多研究者也考虑到了虹膜图像质量分析问题。在最早的Daugman方法中，作者提出利用频谱中的高频分量大小分析图像散焦，但未就具体方法做出说明；其后期工作中，Daugman提出了一种多重质量分析方法，即通过傅立叶能量谱分析是否散焦，通过检测虹膜区域直方图的峰值个数消除眼睑遮挡。Wildes提出利用边缘对比度实现质量分析；Ma等提出了基于局部图直方图均衡的图像增强策略，同时通过分析图像傅里叶变换中的高、中、低频分量评定图像质量；Vatsa等提出了一种基于SVM(支持向量机)的图像增强方法。Abhyankar等提出的质量分析较为全面，包括通过积分/微分算子计算遮挡比例，通过拉普拉斯算子进行边缘检测以实现散焦分析，最终将上述结果进行融合得到质量分析结果。但是这一方法没有讨论角度形变问题。等研究了不同非理想因素对识别结果的影响，结果表明分割精度影响最大；陈瑞等提出了基于小波-contourlet变换的质量分析方法。上述文献虽然提出了虹膜质量分类方法，但对图像数据的适用性较差，对许多非理想采集环境下获得的虹膜图像进行质量分类效果不够理想。虹膜识别是一种非侵犯性的身份鉴别技术。但是,由于虹膜图像受对比度、光照、干扰等的影响,导致提取的虹膜特征模板中存在一些不稳定的特征,增加了虹膜识别的难度。

发明内容

为了解决现有技术的缺点，本发明针对不同质量的虹膜图像，提供了一种基于BP网络和小波变换的虹膜图像质量分类方法。

本发明采用以下技术方案：

一种基于BP网络和小波变换的虹膜图像质量分类方法，包括：

步骤(1)：构建用于虹膜图像质量分类的BP神经网络模型；所述BP神经网络模型的输出节点个数为2，表示两种输出结果：虹膜图像可用和虹膜图像不可用；

步骤(2)：选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；

步骤(3)：将提取的小波变换系数的特征值输入BP神经网络模型进行训练；