CN101154265A - 基于局部二值模式特征和图匹配的虹膜识别方法 - Google Patents
基于局部二值模式特征和图匹配的虹膜识别方法 Download PDFInfo
- Publication number
- CN101154265A CN101154265A CNA2006101406408A CN200610140640A CN101154265A CN 101154265 A CN101154265 A CN 101154265A CN A2006101406408 A CNA2006101406408 A CN A2006101406408A CN 200610140640 A CN200610140640 A CN 200610140640A CN 101154265 A CN101154265 A CN 101154265A
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- node
- iris image
- local binary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008878 coupling Effects 0.000 claims description 23
- 238000010168 coupling process Methods 0.000 claims description 23
- 238000005859 coupling reaction Methods 0.000 claims description 23
- 239000004744 fabric Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000013519 translation Methods 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 210000001747 pupil Anatomy 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 210000000720 eyelash Anatomy 0.000 description 6
- 210000000744 eyelid Anatomy 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000003818 cinder Substances 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003786 sclera Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000790351 Iris latifolia Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004224 protection Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种基于局部二值模式特征和图匹配的虹膜识别方法:首先根据虹膜图像邻域内两两像素灰度值之间的大小顺序关系提取局部二值模式编码,用于描述具有光照不变特性的虹膜纹理结构特征;然后把虹膜图像分成若干个图像块,计算每个块中的局部二值模式直方图,用于描述对平移和形变具有鲁棒性的虹膜纹理统计特征。把每个图像块看成是一个节点,图像块的局部二值模式直方图作为节点的属性,每幅虹膜图像的特征表达成一个图模式。在虹膜识别时通过图匹配的方法来搜索两个图模式中的匹配节点对。识别图像和注册图像的匹配节点对个数表明它们之间的相似性,从而判定用户的身份。本发明用于自动识别个人身份,例如门禁、考勤、通关等应用领域。
Description
技术领域
本发明涉及数字图像处理、模式识别、计算机视觉和信息编码,特别是基于局部二值模式特征(Local Binary Pattern)和图匹配(GraphMatching)的虹膜识别方法。
背景技术
有效的身份认证方法可以给我们的生活带来安全、便利和效益,可以给我们的社会带来安定、秩序和效率。在网络高度发达、人员交往和流动频繁的现代社会里,人们对身份识别技术有了更高的期望:自动、快速、准确、防伪、方便、不可抵赖。在需求的驱动下,基于指纹、人脸、虹膜、手形、笔迹等生物特征的身份鉴别方法应运而生,试图取代基于知识或者标志物的传统方法。
虹膜是位于人眼表面黑色瞳孔和白色巩膜之间的圆环状区域,在红外光下呈现出丰富的纹理信息,如斑点、条纹、细丝、隐窝等细节特征。并且这些特征稳定不变,虹膜图像采集越来越方便,识别过程非接触,所以基于虹膜识别的身份认证方法具有许多独特的优势。
由于眼科医生经常检查病人的眼睛,最早是由他们发现了虹膜的独特性,并提出了将虹膜图像应用于身份识别的思想。但是第一套成功的虹膜识别算法是由英国剑桥大学的John Daugman博士在1993年提出。
虹膜识别不仅是学术研究的热点,它的广阔应用前景还吸引了松下、LG、OKI、Sarnoff、Iridian等国际著名公司和众多的科研机构。由于虹膜识别的精度极高,所以虹膜也是少数能够用于一对多识别方式的生物特征,特别适合于大规模人群的身份识别,而且防伪性强。自从“9·11”恐怖事件发生后,世界各国都加大了高性能身份认证技术的研发投入,虹膜识别备受各国政府安防应用的青睐,国际民航组织(ICAO)的生物护照计划(E-passport)中也明确规定虹膜是选用的生物特征之一。随着政府应用的激增和成像成本的持续下滑,这几年国际虹膜识别市场已经进入了高速发展期,每年的增长速度都会超过50%,预计到2009年的年营业收入会达到5.19亿美元,虹膜识别的良好发展前景已经得到了普遍的共识。虹膜识别系统已经被广泛应用于金融、边防、海关、网络、电子商务、社会福利、保险、身份证、门禁、信息安全等关键领域,甚至还用于查找失踪儿童。
对于虹膜识别,不管是外行还是内行,人们首先想到的问题就是:机器是用什么特征进行虹膜识别的?什么是虹膜图像中凸现个性化差异的本质特征?这就是虹膜识别的基本的、原理性的问题,因为虹膜识别通过对比虹膜图像特征之间的相似性来确定人们的身份。在虹膜识别系统中,对蕴藏在虹膜图像数据中的特征信息的有效表达是决定系统性能指标的关键因素。受成像时环境、距离、姿态、噪声、睫毛等因素的影响,同一只眼睛在不同时刻采集的虹膜图像不可能完全相同,相应的特征也会不同。可能引起虹膜图像类内差异的主要因素包括:光照和对比度的变化、睫毛和眼皮的遮挡、瞳孔的弹性形变、校准误差、质量退化、不同采集设备造成的差异、戴眼镜带来的变化等。为了将不同时刻采集的虹膜图像分到同一类,在特征表达时必须尽最大可能滤除与身份无关的因素的影响,使虹膜图像的特征描述模型对于类内信号差异具有鲁棒性。在尽量提高虹膜图像特征表达模型的抗噪能力的同时,又要保证它对类间信息差异的敏感性。同样是信号差异,虹膜纹理的特征必须针对类内和类间两种情况具有相反的感应特性,这本身是一个矛盾,也是虹膜图像特征表达最大的难点,即要达到类内特征分布的方差小,同时类间特征分布的方差大。所以在提取虹膜图像的特征时要把握两条原则:尽量提高虹膜图像特征的信息含量;尽量保证虹膜特征的鲁棒性。由于虹膜的唯一性和可区分性来源于虹膜纹理中随机分布的细微图像结构,如斑点、细丝、冠状、条纹、隐窝等,所以现有的主流虹膜识别方法都是使用局部特征来描述人与人之间存在的细微虹膜图像差异。这些方法的弊端就是虹膜识别性能受环境噪声和定位精度的影响,造成系统的脆弱性,产生较大的错误拒绝率。例如旋转校正误差在虹膜识别中是很难避免的,假设识别系统具有友好的用户界面,容许用户头部绕光轴的旋转角度在[-30°,30°]的范围内。对于实际的虹膜识别系统,两幅虹膜图像之间的必然存在着较大的旋转校正误差。因为如果我们想控制误差在1°的范围内,则需要将其中一幅虹膜图像的模板至少旋转60次,和另一幅图像的模板依次匹配,最优的匹配结果对应最佳的旋转角度。而旋转匹配次数越多,系统的运算速度就大打折扣,并且会优化异类匹配的结果,导致系统错误接收率的上升。一般的虹膜识别系统控制旋转校正在20次以内,这就是说抽取的虹膜特征和识别算法应该容忍3°以内的旋转误差。
和特征抽取一样,特征匹配也是虹膜识别系统中的一个重要环节,但是在虹膜识别领域却被长期忽视。现有的虹膜特征匹配方法都是属于统计分类器,例如Hamming距离、欧氏距离、相关系数、神经网络等,还没有基于结构信息的匹配算法。
发明内容
为了解决现有技术的问题,本发明的目的是提高虹膜识别系统的鲁棒性,减少错误拒绝率,拓展虹膜识别系统的应用范围,为此,本发明提供一种基于局部二值模式特征和图匹配的虹膜识别方法。
为实现上述目的,本发明基于局部二值模式特征和图匹配的虹膜识别方法包括步骤:
使用虹膜图像获取装置采集用户的虹膜图像;
对虹膜图像进行预处理,生成极坐标下的归一化虹膜图像;
提取归一化虹膜图像中每个邻域的局部二值模式特征;
把归一化虹膜图像分成若干个图像块,按图像块生成局部二值模式直方图;
把每个图像块作为一个节点,且把图像块的局部二值模式直方图作为节点的属性,使之利用图模式表达每幅虹膜图像的特征;
用图匹配搜索虹膜注册图像和输入虹膜图像两个图模式中的匹配节点对,对虹膜图像匹配识别;
根据计算所得的匹配节点对的个数判断所述的两幅虹膜图像是否来自同一人的同一只眼睛。
根据本发明的实施例,所述的局部二值模式特征包括步骤:
某个图像邻域内中心像素分别与周围的几个像素的灰度值之间进行顺序比对,比对产生二值编码,将二值编码串联起来构成的代码。
根据本发明的实施例,所述的把归一化虹膜图像分成若干个图像块包括步骤:
把虹膜图像切分成互相重叠或者不重叠的区域,这些区域的形状可以是椭圆形或方形、平行四边形、三角形等多边形。
根据本发明的实施例,所述的局部二值模式直方图是在所切分的虹膜图像区域里,不同类型的局部二值模式编码出现频数所形成的分布。
根据本发明的实施例,所述的匹配节点对需要满足两个条件:
纹理相似性条件是利用两个节点的属性,使局部二值模式直方图的匹配分数高过其他所有的节点对组合的相似度,这两个节点分别来自两个图模式,并且其中一个节点就是匹配节点对之一;
拓扑一致性条件是使得所述两个节点都处于图模式中相同的上下文空间位置。
根据本发明的实施例,所述的搜索注册图像和输入虹膜图像两个图模式中的匹配节点对是利用图匹配算法,按照匹配节点对的两个条件要求采取排除法进行判别。先计算拓扑一致节点对的局部二值模式直方图之间的相似性是否高于一个阈值,以减少纹理不相似但拓扑相同的节点对的验证时间。在验证匹配节点对时采取一票否决的原则,即一旦发现当前拓扑一致节点对的相似度低于拓扑不一致节点对的相似度就停止验证。
根据本发明的实施例,所述判断两幅虹膜图像是否来自同一人的同一只眼睛,根据它们的匹配节点对的个数来衡量。
本发明有益的效果包括:
●局部二值模式特征描述了图像中一个像素分别和邻域内多个像素的灰度值之间的大小顺序关系,对灰度的单调增函数变换具有不变性,所以局部二值模式特征能够抵抗虹膜识别中的光照和对比度变化。
●虹膜可看成是一种纹理,存在着大量的细微图像结构信息,局部二值模式特征可以有效描述虹膜纹理基元的结构特征。
●局部二值模式直方图刻画的是纹理区域的特征,比单个的特征更鲁棒,尤其是可以克服虹膜识别中普遍存在的定位误差和配准误差。
●局部二值模式特征的计算效率高,局部二值模式特征提取和快速图匹配方法使本发明能够很好地满足虹膜识别的实时性需求。满足虹膜识别实时性的需求。
●图像的主要特征体现在局部区域特征和这些局部区域的上下文位置关系,在计算机视觉领域中的成功图像识别算法要同时抓住这两个主要属性,例如马尔可夫随机场就是要试图建立图像中不同像素或者区域在空间位置上的依赖关系。本发明用图来表达虹膜图像特征,是一种强大的图像分析方法,用带属性的节点(node)去描述虹膜纹理局部区域特征,用边缘(edge)去建立节点间的位置关系。
●本发明的图匹配方法基于最优配对法则,即如果两个虹膜图模式来自于同一只眼睛,那么对应的节点之间应该具有最高的匹配度。这样图匹配的程度就可以用满足最优配对法则的节点对个数来衡量。并且本发明的图匹配方法计算速度快。
●基于本发明的图匹配方法,异类虹膜图像匹配分数可以用二项分布建模,即虹膜识别的错误接收率可以从理论上进行估计和控制。唯一性(Individuality)是生物特征识别最关键的性能指标。当然通过实验的方法,可以评估一种生物识别方法的总体识别精度,包括在不同阈值下的错误接收率和错误拒绝率,但是实验结果都是依赖于测试样本数据。所以如果能够从理论上分析一种身份认证方法的唯一性将是一件很有意义的事情,这样可以比较客观、科学地给出生物特征识别方法的唯一性指标,选择合适阈值来控制错误接收率,提供严格可信的司法证据。在本发明的虹膜图像块匹配方法中,如果虹膜纹理的分布完全随机,就可以假设第一幅图像的任意块在来自不同类的另一幅虹膜图像中找到最优配对块的概率为1/M(M是图模式中的节点个数,即将归一化虹膜图像切分的区域个数)。这样异类图像匹配分数应该满足二项分布:
●根据本发明图匹配方法的唯一性数学模型,当M=32时可以推测绝大部分的类间匹配分数不会超过5,在实际虹膜图像库的实验结果也验证了本发明的想法,也就是说对于类内匹配而言,只需要在32次配对中抓住1/5的机会就可以非常高的概率断定参与匹配的两幅图像来自同一只眼睛。而对于主流的虹膜识别方法一般需要70%的iriscode匹配上,从这一点本发明可以推理出基于虹膜块图匹配的方法对于遮挡应该比较鲁棒,即使大部分虹膜图像区域都被睫毛和眼皮“污染”,本发明的方法仍然有可能从中找到足够说明两幅虹膜图像同源的证据。
本发明可用于需要身份认证、进行安全性防范的诸多应用系统中,如门禁、考勤、通关、边检等。
附图说明
图1为本发明基于局部二值模式特征和图匹配的虹膜识别方法流程框图;
图2为八邻域局部二值模式特征编码的示意图;
图3为本发明虹膜图像预处理示意图,其中,
图3a是虹膜图像;
图3b是图3a的定位结果;
图3c是图3b的归一化结果。
图4为对图3c进行局部二值模式特征提取的结果示意图;
图5为本发明对虹膜归一化图像进行区块划分的示意图;
图6为本发明某个图像块的局部二值模式直方图;
图7为本发明虹膜图像特征的图模式表达;
图8为本发明虹膜识别图匹配方法示意图;
图9为本发明中类间虹膜图像特征匹配分数的理论分布(当图模式节点个数M=32时)
具体实施方式
虹膜识别系统一般工作在两种状态下:注册模式和识别模式。在注册模式,合法用户向系统提交自己的虹膜特征模板;在识别模式,系统通过对比存储的模板和用户临时采集的虹膜图像的特征来确定这个用户身份是否合法。不论是注册模式还是识别模式,虹膜识别算法都要进行图像预处理和特征提取,在识别模式下还要进行特征匹配。本发明提出的方法将主要应用于虹膜特征提取与匹配。
本发明提出一种新颖的基于局部二值模式特征和图匹配的虹膜识别方法,与当前其他虹膜识别方法相比,本发明的新颖性主要在于:
1)用纹理基元直方图的特征表达模型来刻画虹膜图像中的结构和统计纹理信息;
2)将虹膜图像特征表达成图模式,把图像块看成是图节点,把图像块的局部二值模式直方图作为节点的属性。
3)基于最优配对法则来计算两个虹膜图模式的相似度。
4)特征匹配采用的分类器是基于结构模式识别方法,不是主流的统计模式识别方法。
如图1,本发明提出的基于局部二值模式特征和图匹配的虹膜识别方法流程框图所示,采用PC计算机或嵌入式计算平台,虹膜图像获取装置,和虹膜图像处理和识别软件来实现本发明。包含七个主要步骤:
步骤S1:虹膜图像采集
在波长为800-900nm的近红外光的充分照射下,使用虹膜图像获取装置例如:用普通的CCD或者CMOS摄像头就可以拍摄到富含细节纹理信息的清晰的虹膜图像。
步骤S2:虹膜图像预处理
图3a是虹膜图像,虹膜图像中不仅包括虹膜,还有瞳孔、巩膜、眼皮和睫毛等。瞳孔和虹膜的外轮廓都很接近圆形,因此虹膜图像预处理的任务是找到拟合瞳孔和虹膜边界的圆的坐标和半径,然后将虹膜圆环归一化到固定尺寸的矩形区域,即虹膜定位和归一化。
①虹膜定位
人眼瞳孔的灰度远低于周围区域,所以可以使用阈值法分离出瞳孔区域,然后将该区域的重心作为初步的瞳孔中心,在该点附近用可变尺寸的模板去拟合瞳孔的边缘,最佳的拟合结果就是瞳孔定位的结果。虹膜的中心接近瞳孔的中心,所以可以使用同样的方法找到虹膜的中心和半径。图3b是对图3a中的虹膜定位之后的例子,其中白色的圆圈表示拟合后瞳孔和虹膜的外边界。
②归一化虹膜图像
以双线性插值的方式,可以将定位好的虹膜圆环进行空间变换到一个固定尺寸的矩形区域。图3c是虹膜归一化之后的结果。水平方向对应于原始虹膜图像的角度方向(逆时针为正方向),归一化到0°~360°,竖直方向对应于原始虹膜图像的径向方向,归一化到0~1。
步骤S3:提取局部二值模式特征
局部二值模式特征是某个像素分别与其等距离的N个像素(这些像素的位置均匀分布在半径为R的圆周上)灰度值之间的定序测量特征的组合体。图2给出了一个八邻域局部二值模式特征的例子,将中心像素Ic的灰度值作为阈值,和Ic距离为R的八个邻域像素Ij(j=0,1,2,...,7)根据其灰度值与Ic的大小关系分别编码成1或0,然后把这八位Bit转化成一个十进制的整数,作为以点(xc,yc)为中心的小邻域的纹理基元代码LBPN,R。
上式中函数“sgn”的定义为
所以对于一个N邻域的局部二值模式特征编码,它的取值范围是从0到2N-1的一个整数。图4为对归一化虹膜图像图3(c)进行局部二值模式特征提取的结果示意图(N=8,R=2),其中每个像素的灰度值就是以这个像素为中心的邻域的局部二值模式特征编码(从0到255)。
步骤S4:按图像块生成局部二值模式直方图
输入虹膜图像先通过定位和归一化得到80×512的极坐标图像,将靠近瞳孔的64×512的归一化图像(这个区域不容易受到睫毛和眼皮遮挡的影响)分割成2×16=32个32×32的方块,如图5,本发明对虹膜归一化图像进行区块划分的示意图所示,把虹膜图像切分成互相重叠或者不重叠的区域,这些区域为多边形状可以灵活变化,并不局限于正方形,可以是椭圆、平行四边形等。在纹理方块区域中每个像素可以得到一个局部二值模式特征编码,统计该区域每种局部二值模式特征代码出现的频率就可以得到局部二值模式特征直方图Hk:
上式中函数“count”的定义为
图6就是某个图像块的局部二值模式直方图,直方图的横坐标是局部二值模式特征代码,纵坐标就是该方块中每个代码出现的频数。局部二值模式代码中有许多的代码在纹理中出现的频率非常少,不但不能带来有益的纹理信息,反而会降低局部二值模式直方图的鲁棒性,所以在本实施方案里将这些代码合并成一个代码。
步骤S5:将虹膜图像特征表达成图模式S5
将归一化虹膜图像的每个方块作为一个图节点,将这个方块的局部二值模式直方图作为这个节点的属性。在保存虹膜特征时记录了这些节点之间的位置关系。这样就完成了基于图的虹膜特征模板构建,如图7,本发明虹膜图像特征的图模式表达所示。
步骤S6:快速图匹配算法
由于虹膜纹理中存在着大量的纹理基元,它们分布的随机性造成不同虹膜区域具有不同的纹理特征,即不同的局部二值模式直方图。所以虹膜局部二值模式图匹配的基本思想就是最优配对法则,即如果两个虹膜图模式来自于同一只眼睛,那么对应的节点之间应该具有最高的匹配度,这样图匹配的程度就可以用满足最优配对法则的节点对个数是否足够多来衡量。如图8,本发明虹膜识别图匹配方法示意图所示,上图中的A4图像块可能和下图中的B1到B32都进行匹配,但如果上下图来自于同一只眼睛,则A4应该和B4的相似度最高。
假设两幅虹膜图像A和B的LBP特征表达分别为HA{HA1,HA2,…,HA32}和HB{HB1,HB2,…,HB32},对于图像A中节点HAi(i=1,2,…,32),如果在HB中能找到最优配对节点HBj,它们必须满足两个条件:
1)纹理相似性条件
纹理相似性条件是指两个节点的属性,即局部二值模式直方图的匹配分数高过其他所有的节点对组合的相似度;这两个节点分别来自两个图模式,并且其中一个节点是匹配节点对之一;
Distance(x,y)是一个计算两个直方图之间距离的函数。在应用中还要求最小距离必须小于一个事先选定的阈值CTh,选择依据是在测试集80%的类内匹配对应节点对的距离都小于CTh。可供选用的直方图之间的距离函数包括:
●Histogram intersection
●Log-likelihood statistic
●Chi-square statistic(χ2)
在本实施方案中采用的是Chi-square距离。
2)拓扑一致性条件
节点HAi和HBj在图A和图B中的拓扑位置必须一致。如果不考虑大范围的旋转和平移,而且方块是按照固定的位置顺序标号的话,j必须等于i。
基于上述思想,计算两个局部二值模式图的相似性S的算法伪代码如下所示,S取值范围是从0到32,S越大,说明这两幅图像来自同一人的可能性越大。如果期望匹配分数的结果是归一化的数值,则输出S/32即可,它的取值范围就是[0,1]。
Set S=0
for i=1:32
compute χ2(HAi,HBi)
if χ2(HAi,HBi)<CTh
set Flag=0
for j=1:32
if(j≠i)
compute χ2(HAi,HBj)
if χ2(HAi,HBj)<χ2(HAi,HBi)
Flag=1;
break;
end
end
end
if Flag=0
S=S+1
end
end
end
步骤S7:识别决策
根据虹膜识别系统不同的应用场合设置不同的阈值,对应着不同的错误接收率(FAR,False Accept Rate)和错误拒绝率(FRR,FalseReject Rate)。当匹配分数S大于预先定义的阈值时,判断用户通过身份认证,否则给出未通过认证的信息。为了计算本发明不同FAR所对应的决策阈值,可以根据图匹配方法的数学模型进行估计。
在上述的虹膜图像块匹配方法中,如果虹膜纹理的分布完全随机,就可以假设第一幅图像的任意块在来自不同类的另一幅虹膜图像中找到最优配对块的概率为1/32。这样异类图像匹配分数应该满足二项分布:
该分布曲线,如图9,本发明中类间虹膜图像特征匹配分数的理论分布所示,当应用场合需要把FAR控制在1/L,对应的决策阈值应为T,使得
本发明提出了一种基于局部二值模式特征和图匹配的虹膜识别方法。本发明方法的优点在于以下两个方面:
1.识别精度高。由于局部二值模式特征能很好地刻画虹膜纹理中的结构和统计特征,所以得到的特征向量有很强的区分性能。将虹膜图像特征表达成图模式,同时对虹膜图像局部区域特征和这些局部区域的上下文位置关系进行了建模。并且基于最优配对原则的图匹配方法可以严格控制错误接收率。
2.鲁棒性强。根据定义,局部二值模式特征对灰度值的单调增函数变化具有不变性,即能够克服光照变化对成像的影响。从虹膜图像区域提取的直方图统计特征可以克服一定程度的形变、定位误差和睫毛眼皮遮挡的影响。虹膜图像的图匹配方法使得正确接收的门槛降低,只要能够找到1/5的最优匹配图像块就可以确认用户的身份,使系统的容错率达到了新的高度。
3.计算效率高。局部二值模式特征提取和快速图匹配方法使本发明能够很好地满足虹膜识别的实时性需求。
综上所述,本发明是一种优秀的虹膜图像特征提取和特征匹配方法,可以提高现有的虹膜识别算法的一些不足之处。本发明具有广阔的应用范围,它可用于门禁、考勤、通关、安检,以及其他需要进行准确身份鉴别的领域。
实施例1:虹膜识别在矿井工人管理系统中的应用
我国拥有丰富的煤矿资源,一些大的矿井每天有几千名矿工下井作业。为了实时监控矿工和安监员的上下井情况,我们可以在矿井出入口和井下安装虹膜识别系统,要求矿工和安监员在指定终端进行虹膜识别,这样可以方便人员管理和考勤,避免了人工点名或签名(出错,作弊,统计不方便,工作效率低)、IC卡(携带不方便,可能作弊)、人脸识别(人脸图像受煤渣的影响)和指纹识别(指纹图像受煤渣的影响)等身份认证方法存在的种种弊端。
由于煤矿环境相对恶劣,井上井下光照条件变化大,造成瞳孔形变严重、定位误差大,以及图像灰度与对比度变化,所以虹膜图像的类内差异大,对主流的基于局部特征的虹膜识别方法形成挑战,本发明的虹膜识别方法鲁棒性强、识别率高,正好可以满足煤矿工人和安监员的身份识别需求。
Claims (7)
1.一种基于局部二值模式特征和图匹配的虹膜识别方法,包括步骤:
使用虹膜图像获取装置采集用户的虹膜图像;
对虹膜图像进行预处理,生成极坐标下的归一化虹膜图像;
提取归一化虹膜图像中每个邻域的局部二值模式特征;
把归一化虹膜图像分成若干个图像块,按图像块生成局部二值模式直方图;
把每个图像块作为一个节点,且把图像块的局部二值模式直方图作为节点的属性,使之利用图模式表达每幅虹膜图像的特征;
用图匹配搜索虹膜注册图像和输入虹膜图像两个图模式中的匹配节点对,对虹膜图像匹配识别;
根据计算所得的匹配节点对的个数判断所述的两幅虹膜图像是否来自同一人的同一只眼睛。
2.按权利要求1所述的方法,其特征在于,所述的局部二值模式特征包括步骤:
某个图像邻域内中心像素分别和与周围的几个像素的灰度值之间进行顺序比对,比对产生二值编码,将二值编码串联起来构成的代码。
3.按权利要求1所述的方法,其特征在于,所述的把归一化虹膜图像分成若干个图像块包括步骤:
把虹膜图像切分成互相重叠或者不重叠的区域,这些区域的形状可以是椭圆形或方形、平行四边形、三角形等多边形。
4.按权利要求1所述的方法,其特征在于,所述的局部二值模式直方图是在所切分的虹膜图像区域里,不同类型的局部二值模式编码出现频数所形成的分布。
5.按权利要求1所述的方法,其特征在于,所述的匹配节点对需要满足两个条件:
纹理相似性条件是利用两个节点的属性,使局部二值模式直方图的匹配分数高过其他所有的节点对组合的相似度,这两个节点分别来自两个图模式,并且其中一个节点就是匹配节点对之一;
拓扑一致性条件是使得所述两个节点都处于图模式中相同的上下文空间位置。
6.按权利要求1所述的方法,其特征在于,所述的搜索注册图像和输入虹膜图像两个图模式中的匹配节点对是利用图匹配算法,按照匹配节点对的两个条件要求采取排除法进行判别。先计算拓扑一致节点对的局部二值模式直方图之间的相似性是否高于一个阈值,以减少纹理不相似但拓扑相同的节点对的验证时间。在验证匹配节点对时采取一票否决的原则,即一旦发现当前拓扑一致节点对的相似度低于拓扑不一致节点对的相似度就停止验证。
7.按权利要求1所述的方法,其特征在于,所述判断两幅虹膜图像是否来自同一人的同一只眼睛,根据它们的匹配节点对的个数来衡量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101406408A CN101154265A (zh) | 2006-09-29 | 2006-09-29 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101406408A CN101154265A (zh) | 2006-09-29 | 2006-09-29 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101154265A true CN101154265A (zh) | 2008-04-02 |
Family
ID=39255913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006101406408A Pending CN101154265A (zh) | 2006-09-29 | 2006-09-29 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101154265A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136074A (zh) * | 2011-03-03 | 2011-07-27 | 浙江农林大学 | 一种基于mmi的木材图像纹理分析与识别方法 |
CN101388115B (zh) * | 2008-10-24 | 2011-07-27 | 北京航空航天大学 | 一种结合纹理信息的深度图像自动配准方法 |
CN102542243A (zh) * | 2010-12-17 | 2012-07-04 | 北京理工大学 | 一种基于lbp图像和分块编码的虹膜特征提取方法 |
CN102542245A (zh) * | 2010-12-24 | 2012-07-04 | 财团法人工业技术研究院 | 纹理特征点比对方法及系统 |
CN101777180B (zh) * | 2009-12-23 | 2012-07-04 | 中国科学院自动化研究所 | 基于背景建模和能量最小化的复杂背景实时替换方法 |
CN102136024B (zh) * | 2010-01-27 | 2013-01-02 | 中国科学院自动化研究所 | 生物特征识别性能测评和诊断优化系统 |
CN103605811A (zh) * | 2013-12-10 | 2014-02-26 | 三峡大学 | 一种纹理图像的检索方法和装置 |
CN103688289A (zh) * | 2011-03-02 | 2014-03-26 | 艾克斯-马赛大学 | 用于估计两幅二进制图像之间相似性的方法和系统 |
CN103843009A (zh) * | 2011-09-06 | 2014-06-04 | 茂福公司 | 通过虹膜识别进行鉴定 |
CN103942543A (zh) * | 2014-04-29 | 2014-07-23 | Tcl集团股份有限公司 | 一种图像识别方法及装置 |
CN103974108A (zh) * | 2013-12-20 | 2014-08-06 | 乐视网信息技术(北京)股份有限公司 | 基于身份认证的智能电视控制方法和系统 |
CN104317946A (zh) * | 2014-10-31 | 2015-01-28 | 上海交通大学 | 一种基于多张关键图的图像内容检索方法 |
CN105424330A (zh) * | 2014-08-29 | 2016-03-23 | 北京航空航天大学 | 一种货车轴端螺栓故障检测方法及装置 |
CN105654021A (zh) * | 2014-11-12 | 2016-06-08 | 株式会社理光 | 检测人群对目标位置关注度的方法及设备 |
TWI553501B (zh) * | 2014-08-13 | 2016-10-11 | Iris feature identification method and its system | |
CN106027995A (zh) * | 2016-07-08 | 2016-10-12 | 钟林超 | 一种具有身份验证功能的电力设备检视系统 |
CN107358244A (zh) * | 2017-07-17 | 2017-11-17 | 湖南优象科技有限公司 | 一种快速局部不变特征提取与描述方法 |
CN107506754A (zh) * | 2017-09-19 | 2017-12-22 | 厦门中控智慧信息技术有限公司 | 虹膜识别方法、装置及终端设备 |
CN108009503A (zh) * | 2017-12-04 | 2018-05-08 | 北京中科虹霸科技有限公司 | 基于眼周区域的身份识别方法 |
CN108090426A (zh) * | 2017-12-07 | 2018-05-29 | 江苏大学 | 一种基于机器视觉的群养猪身份识别方法 |
CN108470171A (zh) * | 2018-07-27 | 2018-08-31 | 上海聚虹光电科技有限公司 | 二维非同步编码比对方法 |
CN109190505A (zh) * | 2018-08-11 | 2019-01-11 | 石修英 | 基于视觉理解的图像识别方法 |
CN109409342A (zh) * | 2018-12-11 | 2019-03-01 | 北京万里红科技股份有限公司 | 一种基于轻量卷积神经网络的虹膜活体检测方法 |
CN109598262A (zh) * | 2019-02-11 | 2019-04-09 | 华侨大学 | 一种儿童人脸表情识别方法 |
CN110781747A (zh) * | 2019-09-23 | 2020-02-11 | 杭州电子科技大学 | 一种基于变异系数的睫毛遮挡区域预检测方法 |
CN111401211A (zh) * | 2020-03-11 | 2020-07-10 | 山东大学 | 一种采用图像增广和小样本学习的虹膜识别方法 |
CN111582746A (zh) * | 2020-05-15 | 2020-08-25 | 深圳看齐信息有限公司 | 一种智能英语口语考试系统 |
CN112394507A (zh) * | 2020-10-21 | 2021-02-23 | 天津中科智能识别产业技术研究院有限公司 | 一种基于液体透镜的虹膜成像景深扩展方法 |
CN113221736A (zh) * | 2021-05-11 | 2021-08-06 | 菏泽学院 | 基于多特征协同非负矩阵分解的心电身份识别方法及系统 |
CN113837117A (zh) * | 2021-09-28 | 2021-12-24 | 上海电力大学 | 基于新型归一化和深度神经网络的虹膜编码方法 |
-
2006
- 2006-09-29 CN CNA2006101406408A patent/CN101154265A/zh active Pending
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388115B (zh) * | 2008-10-24 | 2011-07-27 | 北京航空航天大学 | 一种结合纹理信息的深度图像自动配准方法 |
CN101777180B (zh) * | 2009-12-23 | 2012-07-04 | 中国科学院自动化研究所 | 基于背景建模和能量最小化的复杂背景实时替换方法 |
CN102136024B (zh) * | 2010-01-27 | 2013-01-02 | 中国科学院自动化研究所 | 生物特征识别性能测评和诊断优化系统 |
CN102542243A (zh) * | 2010-12-17 | 2012-07-04 | 北京理工大学 | 一种基于lbp图像和分块编码的虹膜特征提取方法 |
CN102542245B (zh) * | 2010-12-24 | 2014-10-01 | 财团法人工业技术研究院 | 纹理特征点比对方法及系统 |
CN102542245A (zh) * | 2010-12-24 | 2012-07-04 | 财团法人工业技术研究院 | 纹理特征点比对方法及系统 |
CN103688289A (zh) * | 2011-03-02 | 2014-03-26 | 艾克斯-马赛大学 | 用于估计两幅二进制图像之间相似性的方法和系统 |
CN102136074B (zh) * | 2011-03-03 | 2012-09-26 | 浙江农林大学 | 一种基于mmi的木材图像纹理分析与识别方法 |
CN102136074A (zh) * | 2011-03-03 | 2011-07-27 | 浙江农林大学 | 一种基于mmi的木材图像纹理分析与识别方法 |
CN103843009A (zh) * | 2011-09-06 | 2014-06-04 | 茂福公司 | 通过虹膜识别进行鉴定 |
CN103605811A (zh) * | 2013-12-10 | 2014-02-26 | 三峡大学 | 一种纹理图像的检索方法和装置 |
CN103974108A (zh) * | 2013-12-20 | 2014-08-06 | 乐视网信息技术(北京)股份有限公司 | 基于身份认证的智能电视控制方法和系统 |
CN103942543B (zh) * | 2014-04-29 | 2018-11-06 | Tcl集团股份有限公司 | 一种图像识别方法及装置 |
CN103942543A (zh) * | 2014-04-29 | 2014-07-23 | Tcl集团股份有限公司 | 一种图像识别方法及装置 |
TWI553501B (zh) * | 2014-08-13 | 2016-10-11 | Iris feature identification method and its system | |
CN105424330A (zh) * | 2014-08-29 | 2016-03-23 | 北京航空航天大学 | 一种货车轴端螺栓故障检测方法及装置 |
CN104317946A (zh) * | 2014-10-31 | 2015-01-28 | 上海交通大学 | 一种基于多张关键图的图像内容检索方法 |
CN105654021A (zh) * | 2014-11-12 | 2016-06-08 | 株式会社理光 | 检测人群对目标位置关注度的方法及设备 |
CN106027995A (zh) * | 2016-07-08 | 2016-10-12 | 钟林超 | 一种具有身份验证功能的电力设备检视系统 |
CN107358244A (zh) * | 2017-07-17 | 2017-11-17 | 湖南优象科技有限公司 | 一种快速局部不变特征提取与描述方法 |
CN107358244B (zh) * | 2017-07-17 | 2019-08-20 | 湖南优象科技有限公司 | 一种快速局部不变特征提取与描述方法 |
CN107506754A (zh) * | 2017-09-19 | 2017-12-22 | 厦门中控智慧信息技术有限公司 | 虹膜识别方法、装置及终端设备 |
CN108009503A (zh) * | 2017-12-04 | 2018-05-08 | 北京中科虹霸科技有限公司 | 基于眼周区域的身份识别方法 |
CN108090426A (zh) * | 2017-12-07 | 2018-05-29 | 江苏大学 | 一种基于机器视觉的群养猪身份识别方法 |
CN108470171A (zh) * | 2018-07-27 | 2018-08-31 | 上海聚虹光电科技有限公司 | 二维非同步编码比对方法 |
CN109190505A (zh) * | 2018-08-11 | 2019-01-11 | 石修英 | 基于视觉理解的图像识别方法 |
CN109409342A (zh) * | 2018-12-11 | 2019-03-01 | 北京万里红科技股份有限公司 | 一种基于轻量卷积神经网络的虹膜活体检测方法 |
CN109598262A (zh) * | 2019-02-11 | 2019-04-09 | 华侨大学 | 一种儿童人脸表情识别方法 |
CN110781747A (zh) * | 2019-09-23 | 2020-02-11 | 杭州电子科技大学 | 一种基于变异系数的睫毛遮挡区域预检测方法 |
CN110781747B (zh) * | 2019-09-23 | 2022-03-01 | 杭州电子科技大学 | 一种基于变异系数的睫毛遮挡区域预检测方法 |
CN111401211A (zh) * | 2020-03-11 | 2020-07-10 | 山东大学 | 一种采用图像增广和小样本学习的虹膜识别方法 |
CN111401211B (zh) * | 2020-03-11 | 2023-01-06 | 山东大学 | 一种采用图像增广和小样本学习的虹膜识别方法 |
CN111582746A (zh) * | 2020-05-15 | 2020-08-25 | 深圳看齐信息有限公司 | 一种智能英语口语考试系统 |
CN111582746B (zh) * | 2020-05-15 | 2021-02-23 | 深圳看齐信息有限公司 | 一种智能英语口语考试系统 |
CN112394507A (zh) * | 2020-10-21 | 2021-02-23 | 天津中科智能识别产业技术研究院有限公司 | 一种基于液体透镜的虹膜成像景深扩展方法 |
CN113221736A (zh) * | 2021-05-11 | 2021-08-06 | 菏泽学院 | 基于多特征协同非负矩阵分解的心电身份识别方法及系统 |
CN113837117A (zh) * | 2021-09-28 | 2021-12-24 | 上海电力大学 | 基于新型归一化和深度神经网络的虹膜编码方法 |
CN113837117B (zh) * | 2021-09-28 | 2024-05-07 | 上海电力大学 | 基于新型归一化和深度神经网络的虹膜编码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101154265A (zh) | 基于局部二值模式特征和图匹配的虹膜识别方法 | |
CN111488804A (zh) | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 | |
CN111460962B (zh) | 一种口罩人脸识别方法及系统 | |
CN105550657B (zh) | 基于关键点的改进sift人脸特征提取方法 | |
Tapia et al. | Gender classification from iris images using fusion of uniform local binary patterns | |
Fromherz et al. | A survey of face recognition | |
CN105550658A (zh) | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 | |
CN102902980A (zh) | 一种基于线性规划模型的生物特征图像分析与识别方法 | |
Naderi et al. | Fusing iris, palmprint and fingerprint in a multi-biometric recognition system | |
Jana et al. | Offline signature verification using Euclidian distance | |
CN105160305A (zh) | 一种手指多模态特征融合方法 | |
CN117475502B (zh) | 基于矿用的虹膜和人脸融合识别方法及系统 | |
Tee et al. | Facial recognition using enhanced facial features k-nearest neighbor (k-NN) for attendance system | |
Roy et al. | Ear Biometric: A Deep Learning Approach | |
Fromherz | Face recognition: A summary of 1995–1997 | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及系统 | |
Park et al. | Face finder: Filtering a large face database using scars, marks and tattoos | |
Gao et al. | On Designing a SwinIris Transformer Based Iris Recognition System | |
Ishikawa et al. | Pupil Center Detection by Abstracted Contour Graph Analysis for Iris Detection | |
CN102831397A (zh) | 一种基于几何匹配和分合算法的人脸识别方法 | |
Adama et al. | A Clustering-based Offline Signature Verification System for Managing Lecture Attendance | |
TWI781459B (zh) | 手掌靜脈特徵辨識系統及其方法 | |
Zheng | Using Score Fusion for Improving the Performance of Multispectral Face Recognition | |
Jain et al. | Comparison of phase only correlation and neural network for iris recognition | |
Jassim et al. | PERFORMANCE AND RELIABILITY FOR IRIS RECOGNITION BASED ON CORRECT SEGMENTATION. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |