[发明专利]基于图像分割和二维小波变换的虹膜识别方法

摘要

基于图像分割和二维小波变换的虹膜识别方法，属于生物特征模式识别技术领域。先把虹膜定位分成内边缘定位和外边缘定位两个部分，并把重点放在内边缘定位上。接着采用直角坐标与极坐标映射理论把定位后的图像归一化到一个固定的灰度矩阵中。并对归一化后的图像进行两次图像分割，最终分割成18个小区域。再通过对归一化处理后虹膜图像的各个小分割区域进行二维小波变换，提取出主要小波通道的小波系数均值和方差作为特征值。在匹配识别算法中，采用方差倒数加权求和的匹配算法进行识别判决。最后用不同的系数来加权这3个识别结果，得到最终的识别结果。与已有的虹膜识别方法相比本发明在满足系统实时性要求的前提下具有较好的抗噪性能和较高的识别率。

主权项

1、基于图像分割和二维小波变换的虹膜识别方法，其特征是，它包含下列步骤：步骤1：采集虹膜图像通过虹膜图像的采集装置采集虹膜图像，得到可用于进一步处理的虹膜图像灰度矩阵H(x，y)；步骤2：虹膜图像中值滤波对步骤1所得的虹膜图像灰度矩阵H(x，y)做平滑处理得到灰度矩阵I(x，y)；步骤3：虹膜内边缘定位，具体包括以下步骤：步骤1)：图像二值化求出灰度矩阵I(x，y)的灰度直方图，找出灰度直方图内中灰度值在(20～125)范围内的峰值所对应的灰度值M，把灰度值M与一安全系数D相加得到可用于灰度图像二值化的阈值Y；以Y为阈值对虹膜灰度图像I(x，y)进行二值化，得到二值化图像B(x，y)；步骤2)：找内边缘粗略圆心计算出二值化矩阵B在x方向的灰度投影量P(x)，在y方向的灰度投影量P(y)；在一维数组P(x)中，找到其最小值，并找到该最小值对应的x1；同理在一维数组P(y)中，找到其最小值，并找到该最小值对应的y1；(x1，y1)即为虹膜内边缘的粗略圆心；步骤3)：边缘检测对二值化后的图像B(x，y)用Roberts算子进行图像的边缘检测，得到一个含有边缘的二值图像BW(x，y)；步骤4)：将边缘点分成4个象限在BW(x，y)中以步骤3)中得到的内边缘粗略圆心(x1，y1)为坐标原点建立坐标系，把离散边缘点分为四个象限；在每个象限内，在距离原点30个像素和50个像素的扇形范围内，随机选取3个像素相差在10个单位以上的边缘点；同理，在其他象限内也是如此选择3个像素点，这样4个象限共有12个像素点；步骤5)：4个象限联合精确定位在步骤4)的12个点中选出3个不在同一直线上的点，由这个3个点构成一个圆，求出其余9个点到这个圆的距离d；12个点最多能构成220个圆，也即有220个距离d，在这220个距离中找到最小的d对应的那个圆即为虹膜的内边缘，设得到的虹膜内边缘的圆心为(xa，ya)，半径为ra；步骤4：虹膜外边缘定位，具体包括以下步骤：步骤1)：限定圆边缘检测模板的迭代范围在步骤2得到I(x，y)中，用圆形边缘检测器进行迭代求灰度积分值；在迭代过程中把内边缘的圆心(xa，ya)作为迭代(x0，y0)的初始值，并把(x0，y0)的搜索范围限定在以(xa-10，ya-10)、(xa-10，ya+10)、(xa+10，ya-10)、(xa+10，ya+10)为顶点的矩形内，并把r的搜索范围限定在70～110个单位像素内；在搜索的过程中，并不是在整个圆上对灰度做圆积分，而是在以(x0，y0)建立的直角坐标系中，角度为-45°～45°、135°～225°的圆形弧线上求灰度的积分；步骤2)：迭代中找出外边缘在步骤1)的范围内迭代参数空间的(r，x0，y0)的值，求出灰度积分变化最大的那个圆即为虹膜的外边缘，对应的参数值(r，x0，y0)即为虹膜外边缘的半径和圆心值(rb，xb，yb)；步骤5：虹膜图像归一化，具体包括以下步骤：步骤1)：建立坐标转换模型、并将虹膜图像归一化由步骤3和步骤4得到虹膜内、外边缘的圆周参数(ra，xa，ya)、(rb，xb，yb)，以内圆圆心(xa，ya)作为坐标系的原点建立将直角坐标转换为极坐标的数学模型；在该模型中从原点开始做与水平线成θ角的射线，它与内、外边界各有一个交点，分别记作B(xi，yi)，A(x0，y0)；射线上两个交点A，B之间的任何一点的坐标(x，y)都可以用A(x0(θ)，y0(θ)，B(xi(θ)，yi(θ))的线性组合来表示：$\left\{\begin{array}{c}x(r,\theta )=(1-r)*x_i\left(\theta \right)+r*x_0\left(\theta \right)\\ y(r,\theta )=(1-r)*y_i\left(\theta \right)+r*y_0\left(\theta \right)\end{array}\right.,$ 这样就可以将虹膜图像归一化为以θ为横轴，r为纵轴的固定尺寸的灰度矩阵P(x，y)；步骤2)：直方图均衡化对步骤1)得到的灰度矩阵P(x，y)做直方图均衡化处理得到归一化灰度矩阵PI(x，y)；步骤6：归一化后灰度矩阵第一次图像分割在PI(x，y)中，选取灰度矩阵上方16×1024的部分作为虹膜纹理区域(A)；选取行宽为17～48，列的范围分别是1～128、384～640、896～1024共3小块区域作为虹膜纹理区域(B)；选取行宽为49～64，列的范围分别是1～64、448～576、980～1024共3小块区域作为虹膜纹理区域(C)；步骤7：归一化后灰度矩阵第二次图像分割。把步骤6中的纹理区域(A)分成8个小块的灰度矩阵：行宽为1～16，列宽分别为1～128、129～256、257～384、385～512、513～640、641～768、769～896、897～1024；把虹膜纹理区域(B)也分成8个小块的灰度矩阵：行宽为17～32，列宽分别为1～128、385～512、513～640、897～1024；行宽为33～48，列宽分别为1～128、385～512、513～640、897～1024；把虹膜纹理区域(C)分成2个小块的灰度矩阵：行宽为49～64，列宽为1～64、961～1024的两个灰度矩阵区域结合在一起；行宽为49～64，列宽为449～578的灰度矩阵区域；步骤8：对每个分割区域进行二维小波变换对步骤7中的每个小分割区域以Haar小波为小波基进行3阶二维小波变换，二维小波变换后共得到10个小波通道，把这些通道分别记为LL3、LH3、HL3、HH3、LH2、HL2、HH2、LH1、HL1、HH1；舍弃HH1、HH2、HH3这三个通道只保留剩余的7个通道；步骤9：提取小波系数均值和方差作为特征值对某个小分割区域二维小波变换后的每个小波通道提取其均值和样本方差：$E_n=\frac{1}{M\times N}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}\left|x(i,j)\right|,D_n=\frac{\underset{i-1}{\overset{M}{\Sigma }}\underset{j-1}{\overset{N}{\Sigma }}{\left[\right|x(i,j)|-E_n]}^2}{M\times N-1}$ 作为特征值，这样该小分割区域每个小波通道能提取出两个特征值，7个小波通道就能提取出14个特征值；对每个小分割区域都重复此过程，共能提取出252个特征值；步骤10：用方差倒数加权均值差进行匹配识别，具体包括以下步骤：步骤1)：提取完整特征做为虹膜特征样本在系统的学习阶段，对要学习的每幅虹膜图像都按照步骤2到步骤9的处理过程进行处理，每幅虹膜图像能提取出252个特征值，把这些特征值作为该虹膜图像的样本存储在虹膜样本数据库中，用于后面识别判定；步骤2)：提取均值特征用于识别在系统的识别阶段，对一幅未知的虹膜图像，对该图像按照步骤2到步骤9的处理过程进行处理，并在步骤9中只提取128个均值En用于识别；步骤3)：分3个部分分别进行匹配识别在匹配识别过程中，把样本中的252个特征值按照步骤6的三个纹理区域分成3个部分：EA、EB、EC：EA为虹膜纹理区域(A)经变换提取的特征值，EB为虹膜纹理区域(B)经变换提取的特征值，EC为虹膜纹理区域(C)经变换提取的特征值；同理也把待识别虹膜图像的128个特征值分成3个部分：eA、eB、eC；按照方差倒数加权求和的匹配识别算法对3个部分分别进行匹配识别运算，即$P_j=\underset{i=1}{\overset{N}{\Sigma }}\frac{{(e_{\mathrm{ji}}-E_{\mathrm{ji}})}^2}{D_{\mathrm{ji}}},$ j＝A，B，C；步骤4)：用不同的系数加权3个识别结果由步骤3)可以得到PA、PB、PC，对每部分的识别结果乘以加权系数即得到了最终的识别结果P，即P＝a*PA+b*PB+c*PC；步骤5)：设定阈值T进行识别判决设定一个阈值T，当P当P＜T时，即判定待识别的虹膜图像与数据库中的当前虹膜图像样本来自同一只眼睛；当P＞T时，即判定待识别的虹膜图像与数据库中的当前虹膜图像样本来自不同的眼睛。