CN102194114A - 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 - Google Patents

Abstract

一种基于边缘梯度方向金字塔直方图的虹膜识别方法，属于计算机图像处理技术领域。本方法针对虹膜样本图像和待识别虹膜图像首先对归一化的虹膜图像进行去噪和灰度校正；然后采用水平方向和垂直方向的sobel算子提取边缘像素点、并保留强边缘点；再按边缘点的梯度方向把其分为8类；接着把边缘图映射成一个多分辨率、多维的直方图集；再依据金字塔匹配核公式计算虹膜样本图像和待识别虹膜图像两个直方图集的相关量，从而获得两张虹膜图像的相似度；最后根据相似度门限判断待识别虹膜图像与虹膜样本图像是否一致。本发明能获得理想的识别率的同时，大大减小了特征提取和识别的运算时间，对虹膜识别的嵌入式的应用有很大意义。

Description

一种基于边缘梯度方向金字塔直方图的虹膜识别方法

技术领域

本发明属于计算机图像处理技术领域，涉及虹膜特征提取和识别技术。

背景技术

生物特征识别技术是为了进行身份验证而采用自动技术测量其身体的特征或是个人的行为特点，并将这些特征或特点与数据库的模板数据进行比较，完成认证的一种解决方案。现今，虹膜作为个人身份识别标志已经得到公认，它与生俱来，不易丢失，不易受损，易于识别，是高安全级别应用中进行身份认证的理想手段，相比与其它识别技术，虹膜识别技术具有更高的准确性，有统计表明，虹膜识别的错误率在各种生物特征识别中是最低的。作为生物识别技术中最具有推广价值技术之一，虹膜识别技术在网络，银行，证券，医疗和保险等行业得到了广泛的应用。随着虹膜采集设备的发展，个人的虹膜信息的获得更为方便和快捷，虹膜识别技术可以在更广泛的领域中得以发展。

在虹膜自动识别系统中，虹膜图像的特征提取扮演着关键的角色，它关系到整个识别系统的效率和性能。它主要是把高维的图像数据转换为若干具有代表性的特征，并采用相似度或则距离来对各类特征进行分类。目前，常用的虹膜图像的特征提取和识别方法有：

(1)Daugman[]提出的基于2D Gabor函数来提取归一化图像的信息，得到相应的虹膜编码，并对编码进行异或操作，完成分类过程。High Confidence Visual Recognition of personsBy a Test of StatisticalIndependence，IEEE Trans.On Pattern Analysis and Machine Intelligence，Vol.15，No.11，pp.1148-1161，1993

(2)Wild使用具有4层分辨率的Laplacian金字塔来提取虹膜特征，使用Fisher线性分类器进行模式分类。RWildes，J.Asmuth.A machine-vision system for iris recognition.MachineVision and Applications，1996，91-8

(3)Boles提出的将在虹膜纹理图像上提取的纹理特征看作以为信号，利用在不同尺度下的小波变换来分解信号，小波变换系数的果岭便是被提取用于刻画虹膜的纹理特征。W.W.Boles，J.Asmuth，A Human Identification Technique Using Imagine of the Iris and WaveletTransform，IEEE trans，on Signal Processing，Vo.446，pp.1185-1188，1998

(4)Li Ma提出了一种简单有效的虹膜特征提取方法，该方法主要是通过选择归一化图像的主要灰度信息构成一维特征矢量，然后记录这个一维特征矢量小波变化活的值的突变点，最后记录的这些位置向量进行异或，来区分是否是同一个人的虹膜。LiMa，TieniTan，YunhongWang，DexinZhang，″EfficientIrisReocgnition by Characterizing keyLocalVariations″，IEEEtraps，onImageProcessing，vol.13，No.6，pp.739-750，2004.

上述算法从不同角度切入提取特征，且各自都有优缺点和适用的范围。至今还没有哪一种算法可以说在各个方面都优于其它算法，所以虹膜特征提取仍然具有很高的研究价值。

发明内容

本发明把在场景分类中广泛应用的BOW模型和金字塔匹配核结合起来，提出了边缘梯度方向金字塔直方图的虹膜特征提取方法，通过大量的实验论证了该方法良好的性能，同时，该方法最大的特点就是效率高，在特征提取和识别两个环节所需的计算量都很小，满足实时性虹膜识别系统对效率的要求。

本发明的详细技术方案为：

一种基于边缘梯度方向金字塔直方图的虹膜识别方法，如图1所示，包括虹膜样本特征提取过程和虹膜识别过程；所述虹膜样本特征提取过程包括以下步骤：

步骤1：原始虹膜样本图像预处理。

对虹膜采集装置所采集的原始虹膜样本图像进行包括归一化、去噪和灰度校正的预处理，将原始虹膜图像归一化成64×512像素大小、去除了睫毛和眼睑、且灰度等级为[0，255]的有效虹膜区域图像。

步骤2：采用sobel算子提取边缘像素点，并保留强边缘像素点。

步骤2-1：提取边缘像素点。采用水平和垂直方向的两个Sobel边缘提取算子来提取有效虹膜区域图像的边缘像素点，其中水平方向的Sobel边缘提取算子为 $\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right],$ 垂直方向的Sobel边缘提取算子为 $\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$ 用Gx表示水平方向梯度、Gy表示垂直方向梯度，则每个边缘像素点的梯度向量表示为(Gx，Gy)，其模表示为：

梯度方向为θ＝arctan(G_y/G_x)。

步骤2-2：保留强边缘像素点。将Grad＞0.2的边缘像素点判定为强边缘像素点，将所有强边缘像素点灰度值设为1，其它像素点设为0，得到二值化强边缘像素点图像。

步骤3：对步骤2-2所得二值化强边缘像素点图像中的强边缘像素点按梯度方向进行分类。

将梯度方向θ在[0，π/4)的强边缘像素点归为第一类强边缘像素点，将将梯度方向θ在[π/4，π/2)的强边缘像素点归为第二类强边缘像素点，将梯度方向θ在[π/2，3π/4)的强边缘像素点归为第三类强边缘像素点，将梯度方向θ在[3π/4，π)的强边缘像素点归为第四类强边缘像素点，将梯度方向θ在[π，5π/4)的强边缘像素点归为第五类强边缘像素点，将梯度方向θ在[5π/4，3π/2)的强边缘像素点归为第六类强边缘像素点，将梯度方向θ在[3π/2，7π/4)的强边缘像素点归为第七类强边缘像素点，将梯度方向θ在[7π/4，2π)的强边缘像素点归为第八类强边缘像素点。

步骤4：结合步骤2和步骤3所得结果，构建边缘梯度方向金字塔直方图。

对步骤2-2所得64×512像素大小的二值化强边缘像素点图像进行分解，首先均分成32个32×32像素大小的子块，统计每个子块的直方图，得到第一层直方图集

然后均分成128个16×16像素大小的子块，统计每个子块的直方图，得到第二层直方图集再均分成512个8×8像素大小的子块，统计每个子块的直方图，得到第三层直方图集

最后均分成1024个4×8像素大小的子块，统计每个子块的直方图，得到第四层直方图集四层直方图集构成金字塔直方图，每个直方图的横坐标为步骤3中八类强边缘像素点的编号，纵坐标为每类强边缘像素点的数目。

步骤5：边缘梯度方向金字塔直方图的归一化。

对步骤4所得边缘梯度方向金字塔直方图中的每一个直方图进行归一化操作，即每个直方图的横坐标保持不变、纵坐标由每类强边缘像素点的数目修改为每类强边缘像素点在所有强边缘像素点中所占比例。

通过步骤1至步骤5，将每张虹膜样本图像映射成由四层归一化的边缘梯度方向直方图集构成的金字塔直方图，作为每张虹膜样本图像的虹膜特征。

所述虹膜识别过程包括以下步骤：

将步骤6：采集待识别虹膜图像，并对其进行包括归一化、去噪和灰度校正的预处理，将待识别虹膜图像归一化成64×512像素大小、去除了睫毛和眼睑、且灰度等级为[0，255]的有效虹膜区域图像。

步骤7：对步骤6所得待识别虹膜图像的有效虹膜区域图像按照步骤2至步骤5所述的方法提取待识别虹膜图像的虹膜特征，即将待识别虹膜图像映射成由四层边缘梯度方向直方图集构成的金字塔直方图，并作归一化处理，作为待识别虹膜图像的虹膜特征；将待识别虹膜图像的四层边缘梯度方向直方图集记为：第一层直方图集 $H_Y^1\left(1\right),H_Y^1\left(2\right),...,H_Y^1\left(31\right),$ $H_Y^1\left(32\right);$ 第二层直方图集 $H_Y^2\left(1\right),H_Y^2\left(2\right),...,H_Y^2\left(127\right),H_Y^2\left(128\right);$ 第三层直方图集 $H_Y^3\left(1\right),$ $H_Y^3\left(2\right),...,H_Y^3\left(511\right),H_Y^3\left(512\right);$ 第四层直方图集 $H_Y^4\left(1\right),H_Y^4\left(2\right),...,H_Y^4\left(1023\right),H_Y^4\left(1024\right).$

步骤6：按照金字塔匹配核求虹膜样本图像与待识别虹膜图像之间的相似度。

步骤6-1：每层直方图集中每个直方图子块的金字塔核计算。

根据虹膜样本图像的金字塔直方图和待识别虹膜图像的金字塔直方图，计算虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每个直方图子块的金字塔核，即虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每个对应直方图子块中相同类型强边缘点的匹配总数J；其中J＝J^1，m+J^2，m+J^3，m+J^4，m，m＝1，2，L，8；J^1，m、J^2，m、J^3，m和J^4，m分别表示虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每一层直方图集中m类型强边缘点的匹配数目；而第l层直方图集中m类型强边缘点的匹配数目Γ^l，m用直方图交叉公式来表示为：

${\mathrm{\Γ}}^{l,m}=\underset{i=1}{\overset{D}{\mathrm{\Σ}}}\min (H_X^{l,m}\left(i\right),H_Y^{l,m}\left(i\right))$

其中：H_X表示虹膜样本图像直方图集；H_Y表示待识别虹膜图像直方图集；l表示金字塔直方图集的层数，且l＝1，2，3，4；i来表示第l层直方图集的某一个子块；D表示第l层直方图集中子块的数量，且D＝32，128，512，1024；

或

表示虹膜样本图像直方图集或待识别虹膜图像直方图集第l层直方图集中m类型强边缘点落入第i个子块的数量；min表示两者之间取较小者。

因为在第l层匹配的m类型强边缘点数目包括了所有的在第l+1层匹配的m类型强边缘点数目，所以在第l层尺度新找到的匹配点数目实际为Γ^l-Γ^l+1；用公式描述每多增加一层直方图集实际增加m类型强边缘点的匹配数目为：

J^1，m＝Γ^1，m；

。

J^l+1，m＝Γ^l，m-Γ^l+1，m；其中l＝1，2，3，4

步骤6-2：计算所有直方图集中所有类型强边缘点匹配点总数的加权和，并得出相似度simi(X，Y)。

为了惩罚在更大尺度上找的匹配点，因为它们的匹配更不可信，因此，在计算所有直方图集中所有类型强边缘点匹配点总数时，引入加权系数

即系数反比与直方图集层数的增加，相似度simi(X，Y)的计算公式为：

$\mathrm{simi}(X,Y)=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\frac{1}{2^{l-1}}{J}^{l,m}$

其中，L表示总的直方图集层数，且L＝4；M表示总的特征类型，且M＝8。

步骤7：通过以上步骤，能够求得待识别虹膜图像和虹膜样本图像之间的相似度，只要根据识别率要求选定一个合适的门限值，若相似度大于门限，则判断待识别虹膜图像与虹膜样本图像一致；若相似度没有超过门限值，则判断待识别虹膜图像与虹膜样本图像不一致。

本发明的创新之处在于：

1.第一次把用于场景分类的空间金字塔方法应用到虹膜识别系统中来。

2.采用Sobel算子计算边缘点，创新性地采用特征点的梯度角作为分类特征点的依据，实现了虹膜的图像的BOW特征的建立，使得接下来的金子匹配核的顺利应用。

本发明采用最简单的边缘提取算子，相比于Daugman的Gabor滤波，计算时间大大缩小；同时采用金字塔匹配核，不需要太多的数学计算，而只是数量的统计使得本发明计算效率较高，对虹膜识别的嵌入式应用有很大的意义。

附图说明

图1为本发明流程示意图。

具体实施方式

本发明采用以上技术方案，利用matlabe开发环境和CASIA虹膜库，实现了整个算法。其中，虹膜系统中从图像获取到归一化过程中的所有算法，都采用了Daugman先生提出的算法。最后，通过批处理运算，得出类间相似度和类内相似度，绘制出ROC曲线，其性能优于Daugman的方法，同时，算法效率远远高于现有其它算法。

Claims (1)

1.一种基于边缘梯度方向金字塔直方图的虹膜识别方法，包括虹膜样本特征提取过程和虹膜识别过程；所述虹膜样本特征提取过程包括以下步骤：

步骤1：原始虹膜样本图像预处理；

对虹膜采集装置所采集的原始虹膜样本图像进行包括归一化、去噪和灰度校正的预处理，将原始虹膜图像归一化成64×512像素大小、去除了睫毛和眼睑、且灰度等级为[0，255]的有效虹膜区域图像；

步骤2：采用sobel算子提取边缘像素点，并保留强边缘像素点；

步骤2-1：提取边缘像素点；

采用水平和垂直方向的两个Sobel边缘提取算子来提取有效虹膜区域图像的边缘像素点，其中水平方向的Sobel边缘提取算子为 $\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right],$ 垂直方向的Sobel边缘提取算子为 $\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$ 用Gx表示水平方向梯度、Gy表示垂直方向梯度，则每个边缘像素点的梯度向量表示为(Gx，Gy)，其模表示为：

梯度方向为θ＝arctan(Gy/Gx)；

步骤2-2：保留强边缘像素点；

将Grad＞0.2的边缘像素点判定为强边缘像素点，将所有强边缘像素点灰度值设为1，其它像素点设为0，得到二值化强边缘像素点图像；

步骤3：对步骤2-2所得二值化强边缘像素点图像中的强边缘像素点按梯度方向进行分类；

将梯度方向θ在[0，π/4)的强边缘像素点归为第一类强边缘像素点，将将梯度方向θ在[π/4，π/2)的强边缘像素点归为第二类强边缘像素点，将梯度方向θ在[π/2，3π/4)的强边缘像素点归为第三类强边缘像素点，将梯度方向θ在[3π/4，π)的强边缘像素点归为第四类强边缘像素点，将梯度方向θ在[π，5π/4)的强边缘像素点归为第五类强边缘像素点，将梯度方向θ在[5π/4，3π/2)的强边缘像素点归为第六类强边缘像素点，将梯度方向θ在[3π/2，7π/4)的强边缘像素点归为第七类强边缘像素点，将梯度方向θ在[7π/4，2π)的强边缘像素点归为第八类强边缘像素点；

步骤4：结合步骤2和步骤3所得结果，构建边缘梯度方向金字塔直方图；

对步骤2-2所得64×512像素大小的二值化强边缘像素点图像进行分解，首先均分成32个32×32像素大小的子块，统计每个子块的直方图，得到第一层直方图集

然后均分成128个16×16像素大小的子块，统计每个子块的直方图，得到第二层直方图集

再均分成512个8×8像素大小的子块，统计每个子块的直方图，得到第三层直方图集

最后均分成1024个4×8像素大小的子块，统计每个子块的直方图，得到第四层直方图集

四层直方图集构成金字塔直方图，每个直方图的横坐标为步骤3中八类强边缘像素点的编号，纵坐标为每类强边缘像素点的数目；

步骤5：边缘梯度方向金字塔直方图的归一化；

对步骤4所得边缘梯度方向金字塔直方图中的每一个直方图进行归一化操作，即每个直方图的横坐标保持不变、纵坐标由每类强边缘像素点的数目修改为每类强边缘像素点在所有强边缘像素点中所占比例；

通过步骤1至步骤5，将每张虹膜样本图像映射成由四层归一化的边缘梯度方向直方图集构成的金字塔直方图，作为每张虹膜样本图像的虹膜特征；

所述虹膜识别过程包括以下步骤：

将步骤6：采集待识别虹膜图像，并对其进行包括归一化、去噪和灰度校正的预处理，将待识别虹膜图像归一化成64×512像素大小、去除了睫毛和眼睑、且灰度等级为[0，255]的有效虹膜区域图像；

步骤7：对步骤6所得待识别虹膜图像的有效虹膜区域图像按照步骤2至步骤5所述的方法提取待识别虹膜图像的虹膜特征，即将待识别虹膜图像映射成由四层边缘梯度方向直方图集构成的金字塔直方图，并作归一化处理，作为待识别虹膜图像的虹膜特征；将待识别虹膜图像的四层边缘梯度方向直方图集记为：第一层直方图集 $H_Y^1\left(1\right),H_Y^1\left(2\right),...,H_Y^1\left(31\right),$ $H_Y^1\left(32\right);$ 第二层直方图集 $H_Y^2\left(1\right),H_Y^2\left(2\right),...,H_Y^2\left(127\right),H_Y^2\left(128\right);$ 第三层直方图集 $H_Y^3\left(1\right),$ $H_Y^3\left(2\right),...,H_Y^3\left(511\right),H_Y^3\left(512\right);$ 第四层直方图集 $H_Y^4\left(1\right),H_Y^4\left(2\right),...,H_Y^4\left(1023\right),H_Y^4\left(1024\right);$

步骤6：按照金字塔匹配核求虹膜样本图像与待识别虹膜图像之间的相似度；

步骤6-1：每层直方图集中每个直方图子块的金字塔核计算；

根据虹膜样本图像的金字塔直方图和待识别虹膜图像的金字塔直方图，计算虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每个直方图子块的金字塔核，即虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每个对应直方图子块中相同类型强边缘点的匹配总数J；其中J＝J^1，m+J^2，m+J^3，m+J^4，m，m＝1，2，L，8；J^1，m、J^2，m、J^3，m和J^4，m分别表示虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每一层直方图集中m类型强边缘点的匹配数目；而第l层直方图集中m类型强边缘点的匹配数目Γ^l，m用直方图交叉公式来表示为：

${\mathrm{\Γ}}^{l,m}=\underset{i=1}{\overset{D}{\mathrm{\Σ}}}\min (H_X^{l,m}\left(i\right),H_Y^{l,m}\left(i\right))$

其中：H_X表示虹膜样本图像直方图集；H_Y表示待识别虹膜图像直方图集；l表示金字塔直方图集的层数，且l＝1，2，3，4；i来表示第l层直方图集的某一个子块；D表示第l层直方图集中子块的数量，且D＝32，128，512，1024；或

表示虹膜样本图像直方图集或待识别虹膜图像直方图集第l层直方图集中m类型强边缘点落入第i个子块的数量；min表示两者之间取较小者；

因为在第l层匹配的m类型强边缘点数目包括了所有的在第l+1层匹配的m类型强边缘点数目，所以在第l层尺度新找到的匹配点数目实际为Γ^l-Γ^l+1；用公式描述每多增加一层直方图集实际增加m类型强边缘点的匹配数目为：

J^1，m＝Γ^1，m；

                                            ；

J^l+1，m＝Γ^l，m-Γ^l+1，m；其中l＝1，2，3，4

步骤6-2：计算所有直方图集中所有类型强边缘点匹配点总数的加权和，并得出相似度simi(X，Y)；

为了惩罚在更大尺度上找的匹配点，因为它们的匹配更不可信，因此，在计算所有直方图集中所有类型强边缘点匹配点总数时，引入加权系数

即系数反比与直方图集层数的增加，相似度simi(X，Y)的计算公式为：

$\mathrm{simi}(X,Y)=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\frac{1}{2^{l-1}}{J}^{l,m}$

其中，L表示总的直方图集层数，且L＝4；M表示总的特征类型，且M＝8；

步骤7：通过以上步骤，能够求得待识别虹膜图像和虹膜样本图像之间的相似度，只要根据识别率要求选定一个合适的门限值，若相似度大于门限，则判断待识别虹膜图像与虹膜样本图像一致；若相似度没有超过门限值，则判断待识别虹膜图像与虹膜样本图像不一致。

Images