[发明专利]一种稳定的虹膜特征提取与匹配方法

说明书

本发明公开了一种稳定的虹膜特征提取与匹配方法，包括：自定义主特征保持与交变相位检测算子，构建虹膜特征提取卷积核，虹膜注册，利用虹膜特征提取卷积核提取特征，并利用序列图像特征相似度训练强分类器，生产增强型虹膜特征模板，虹膜识别，利用虹膜特征提取卷积核提取特征，并利用多样本加权特征空间投影和投票融合特征，生成稳定的样本特征，增加新的虹膜模式特征模板，根据风险预测自适应更新分类阈值，根据更新后的分类阈值，对虹膜特征模板和样本特征进行匹配和分类判别。本发明中稳定的虹膜特征提取与匹配方法，有利于提高虹膜识别系统的准确率和鲁棒性。

技术领域

本发明涉及一种虹膜模式分类方法，具体为一种稳定的虹膜特征提取与匹配方法。

背景技术

虹膜识别以其准确性、稳定性、安全性和非接触性等显著优势已成为生物识别领域的重点研究方向和发展趋势。但是由于虹膜尺寸很小，并且易受到光斑、眼皮、睫毛等噪声干扰，而且在远距离识别场景中，由于用户形态各异，虹膜图像易产生变形，因此如何获取到一定数量的、稳定有效的虹膜特征并进行准确分类，是虹膜识别的关键和难点。目前典型的虹膜特征提取和匹配方法存在以下缺点：

1.没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别的准确率；

2.没有充分利用虹膜注册模板和识别样本之间的相关性，稳定的虹膜特征没有得到增强，不稳定的虹膜特征没有得到抑制，难以提升虹膜识别的准确率；

3.选取固定的阈值进行特征匹配，进一步加剧了不稳定特征造成的影响，使正确分类的置信度降低，不利于虹膜识别准确率和鲁棒性的提升。

因而，需要提供一种稳定的虹膜特征提取与匹配方法，在虹膜注册端，通过特征增强形成增强型特征模板，在虹膜识别端，通过特征融合提取稳定的特征样本，并根据风险预测自适应地确定分类阈值，然后进行特征匹配与虹膜分类，从而有效提高虹膜识别的准确率和鲁棒性。

发明内容

本发明的目的在于提供一种稳定的虹膜特征提取与匹配方法，解决不稳定特征和固定阈值严重影响虹膜识别准确率的问题，从而有效增强虹膜识别的准确率和鲁棒性。

为达到上述目的，本发明采用下述技术方案：

一种稳定的虹膜特征提取与匹配方法，其特征在于，所述方法包括：

步骤S1：自定义主特征保持与交变相位检测算子，构建虹膜特征提取卷积核。

步骤S11：自适应地计算检测虹膜边缘特性，并抑制其平滑特性；

步骤S12：根据虹膜边缘特性，检测虹膜角度方向边缘的相位变化，生成稳定的虹膜特征；

步骤S2：虹膜注册，利用虹膜特征提取卷积核提取特征，并利用序列图像特征相似度训练强分类器，生产增强型虹膜特征模板。

步骤S21：利用虹膜图像计算得出移位比对能抗虹膜旋转干扰，逐幅迭代特征图，构建强特征分类器；

步骤S22：利用迭代特征图形成特征掩模图，生成的增强型虹膜特征模板；

步骤S3：虹膜识别，利用虹膜特征提取卷积核提取特征，并利用多样本加权特征空间投影和投票融合特征，生成稳定的样本特征。

步骤S31：利用基准样本特征图计算得出加权特征空间；

步骤S32：根据加权特征空间投票选取稳定的特征点，生成的稳定的虹膜样本特征图；

步骤S4：增加新的虹膜模式特征模板，根据风险预测自适应更新分类阈值。

步骤S41：在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，得出初始分类阈值；