CN102542243A - 一种基于lbp图像和分块编码的虹膜特征提取方法 - Google Patents

Abstract

本发明公开了一种基于LBP图像和分块编码的虹膜特征提取方法，首先对归一化虹膜图像采用LBP算子得到虹膜的LBP图像，然后使用基于虹膜统计信息的分块编码方法从LBP图像中提取虹膜特征，最后用汉明距离作为分类器得到识别结果。特征提取方法中的LBP算子和分块编码的参数通过训练得到。本发明较传统的特征提取方法具有更高的识别率，对光照变化的鲁棒性强。

Description

一种基于LBP图像和分块编码的虹膜特征提取方法

技术领域

本发明属于生物特征识别领域，涉及数字图像处理、统计学习和模式识别等技术，特别是涉及一种基于LBP图像和分块编码的虹膜特征提取方法。

背景技术

生物识别技术是一种有效的个人身份识别的方法。人体有很多固有的物理特征和行为特征可以使用，例如人脸、指纹、虹膜、静脉、语音等。由于具有唯一性、稳定性和非侵犯性等优点，虹膜识别是目前最可靠的方法，具有更高的识别率和更低的等错误率。如今，虹膜识别已成为生物识别技术的研究重点，而特征提取是虹膜识别算法中的一个关键问题。

最早的自动虹膜识别系统是由Daugman研发的，他利用2D Gabor滤波器对虹膜纹理进行一种简单的粗量化和相位编码。目前，这种方法成为许多商业系统的基础。近年来，大量的虹膜特征提取算法已提出。但大多数特征提取方法需要复杂的数学计算，而且可能需要很长的时间得到结果。

目前的许多纹理分析方法，基本上可分为统计法和结构法两类。统计法是纹理分析中最基本的一类方法，一般原理简单，较易实现，但适用范围受到限制；结构法将研究重点放在分析纹理元之间的相互关系和排列规则上，对于分析自然纹理图像很难取得满意的效果。

局部二进制模式(LBP，Local Binary Patterns)是在1996年首次作为局部图像对比度补偿措施由TimoOjala提出的，它利用结构法分析固定窗口特征，再利用统计法做整体的特征提取。与Gabor小波相比，LBP特征可以通过对原始图像的简单扫描快速提取得到，并处在低维空间中，同时仍保留虹膜丰富的纹理信息。而基于虹膜LBP特征图像的直接匹配，存储空间大、匹配速度慢。如何既能提取虹膜丰富且有效的纹理信息，又能减少存储空间、提高匹配速度，仍然是虹膜识别系统中一个亟待解决的难题。

发明内容

(一)要解决的技术问题

本发明的目的在于克服现有技术不足之处，提供一种基于LBP图像和分块编码的虹膜特征提取方法。此方法能提取虹膜丰富的纹理信息，减少存储空间、提高匹配速度，具有更高的正确识别率和更低的等错误率。

(二)技术解决方案

为达到上述目的，本发明提供了一种基于LBP图像和分块编码的虹膜特征提取方法，该方法包括：

S1、对归一化虹膜图像应用LBP算子得到虹膜LBP图像；

S2、采用基于虹膜统计信息的分块编码方法从LBP图像中提取虹膜特征；

S3、用汉明距离作为分类器得到识别结果。

上述方案中，所述步骤S1包括：

S11、基于某个像素点及其周围圆形邻域里的多个像素点，采用圆形LBP算子计算此像素点的LBP值；

S12、对归一化虹膜图像的所有像素，采用圆形LBP算子计算出相应的LBP值；

S13、将整幅图像所有的LBP值线性变换到0～255，得到虹膜的8位归一化LBP图像。

上述方案中，步骤S1中所述的归一化虹膜图像是对拍摄到的虹膜图像进行预处理后得到的，包括虹膜定位和归一化，具体包括：首先对输入灰度图像进行虹膜检测定位与分割，以瞳孔的圆心作为圆心，采用极坐标的方式将虹膜展开成矩形，并缩放到统一的尺寸，实现虹膜图像的归一化。

上述方案中，所述步骤S2包括：

S21、将归一化LBP图像分成同等大小的矩形块，每一块作为局部区域；

S22、将当前块的灰度均值和方差与整幅图像、相邻块的灰度均值和方差分别进行比较，用0或1表示比较结果，得到当前块的4位二进制编码；

S23、按照从上到下、从左到右的顺序，将所有矩形块的4个编码位串接起来，得到表示虹膜特征的二进制虹膜代码。

上述方案中，所述步骤S3包括：

采用汉明距离作为分类器，计算两个虹膜代码之间的相似度，得到虹膜识别结果。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

1、本发明提供的这种基于LBP图像和分块编码的虹膜特征提取方法，通过LBP圆形算子作用于归一化虹膜图像得到的LBP特征图像，能够充分表征虹膜丰富的纹理信息；LBP算子不会受到平均亮度的影响，所以LBP特征图像具有灰度不变性；选取了最佳的LBP圆形算子参数，能够更加有效地对虹膜纹理进行个性化的表达和描述。

2、本发明提供的这种基于LBP图像和分块编码的虹膜特征提取方法，通过对LBP特征图像进行分块编码，避免了将虹膜LBP特征图像直接用于匹配的复杂和匹配缓慢，得到的二进制虹膜代码不仅能有效且正确地表示虹膜特征，而且能减少虹膜特征的存储空间、提高识别速度。

附图说明

图1是虹膜特征提取流程图；

图2是LBP算子示意图；

图3是同一虹膜的LBP_8，1，LBP_8，2，LBP_16，2，LBP_16，4特征图像；

图4是虹膜代码生成示意图。

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。

一般来说，虹膜识别系统的基本构成为：图像获取、图像预处理、特征提取和分类决策。虹膜识别系统通过提取测试虹膜图像中的纹理特征，并将该特征与用户预先存储的特征模板进行匹配来完成对用户身份的认证或识别。因此，其识别精度高度依赖于所使用的虹膜特征，其识别速度直接取决于特征模板的匹配速度。可见，特征提取是虹膜识别算法中的一个关键环节。

本发明提出的基于LBP图像和分块编码的虹膜特征提取方法，其流程框图如图1所示，包括以下步骤：

S1、对归一化虹膜图像应用LBP算子得到虹膜LBP图像；

S2、采用基于虹膜统计信息的分块编码方法从LBP图像中提取虹膜特征；

S3、用汉明距离作为分类器得到识别结果。

下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述：

首先，步骤S1是对归一化虹膜图像应用LBP算子得到虹膜LBP图像。为了对虹膜纹理进行正确的提取和表达，我们对已经预处理完毕的归一化虹膜图像应用LBP算子，计算每一个像素的LBP值，最终得到能表示虹膜特征的LBP图像。

S11、基于某个像素点及其周围圆形邻域里的多个像素点，采用圆形LBP算子计算此像素点的LBP值。LBP算子是一种有效的纹理描述算子，它具有旋转不变性和灰度不变性等显著优点。LBP算子以每一个像素点的灰度值为阈值，将以此为中心的领域点与之作比较，小于阈值则标示为0，否则标示为1，然后将这些二进制数按一定顺序排列起来，形成一个多位的二进制数，其对应的十进制数即为此中心点的LBP值。

用LBP_P，R来表示任意邻域像素以及任意半径的圆形邻域LBP算子，其计算公式为：

${\mathrm{LBP}}_{P,R}=\underset{p=0}{\overset{P-1}{\mathrm{\&Sigma;}}}s(g_p-g_c)2^p,s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.---\left(1\right)$

其中，P表示像素数目，R表示邻域半径，g_c为中心点的灰度值，g_p为圆形邻域点的灰度值，采用双线性插值算法计算没有完全落在像素位置的点的灰度值。算子示意图如图2所示，分别为LBP_8，1，LBP_8，2，LBP_16，2，LBP_16，4算子。

S12、对归一化虹膜图像的所有像素，采用圆形LBP算子计算出相应的LBP值。

对归一化虹膜图像的每一个像素进行LBP值的计算。对于图像的边缘像素，将其圆形邻域中超出图像像素的部分用0值表示，基于此种相同约定，计算每幅图像相应像素的LBP值。

S13、将整幅图像所有的LBP值线性变换到0～255，得到虹膜的8位归一化LBP图像。

LBP算子的圆形邻域像素数目和邻域半径两个参数的不同，则LBP值的取值范围也不同。为了便于与其他领域点的LBP图像匹配，统一将LBP值线性变换到0～255的范围内。

通过以上步骤，就能得到归一化虹膜图像的LBP特征图像。如图3所示，为同一虹膜的LBP_8，1，LBP_8，2，LBP_16，2，LBP_16，4特征图像。可以看出，随着邻域半径不断增大，特征图像的纹理尺度逐渐增大。实验证明虹膜的LBP_16，4特征与原灰度图像的纹理具有明显的对应关系，用来描述虹膜的纹理特征最为合适。

其次，步骤S2是采用基于虹膜统计信息的分块编码方法从LBP图像中提取虹膜特征。

基于虹膜统计信息的分块编码方法将纹理图像的局部信息作为依据，通过局部信息与全局信息、局部信息与局部信息之间的不同关系来表示纹理特征。

S21、将归一化LBP图像分成同等大小的矩形块，每一块就是一个局部区域。

相对于整幅图像而言，任何一条纹理都是一个局部区域，描述该纹理的信息就是局部信启、。但是，不经过复杂的图像处理或者信号处理等手段，无法找到这些虹膜纹理。此方法不需要准确地提取出虹膜纹理，采用对图像分块的方式来覆盖纹理。将虹膜纹理图像划分成大小相等的矩形块，则每一块就是一个局部区域。实验结果表明，当分块大小取8×8时，能够更好地表示虹膜纹理特征。

S22、将当前块的灰度均值和方差与整幅图像、相邻块的灰度均值和方差分别进行比较，用0或1表示比较结果，得到当前块的4位二进制编码。

考虑到特征表示的有效性和方法实现的计算代价，将灰度均值和标准差作为描述信息的参量。全局均值和标准差对整幅图像进行度量，是对整幅图像强度和衬比度的描述；局部均值和标准差是对某个区域内强度和衬比度的度量。

设输入图像I为256位的灰度图像，其大小为H×W，则可以按公式(2)来计算全局信息μ和σ：

$\left\{\begin{array}{c}\mathrm{\&mu;}=\frac{1}{W\&times;H}\underset{x=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{H}{\mathrm{\&Sigma;}}}f(x,y)\\ \mathrm{\&sigma;}=\sqrt{\frac{1}{W\&times;H}\underset{x=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{H}{\mathrm{\&Sigma;}}}{[f(x,y)-\mathrm{\&mu;}]}^2}\end{array}\right.---\left(2\right)$

式中，μ表示均值，σ表示标准差，f(x，y)表示图像I中坐标为(x，y)处的灰度值。同样地，局部信息也可以由公式(2)计算得到。

将当前图像块的均值μ_i和标准差σ_i分别与全局信息μ和σ、右侧相邻图像块的均值μ_i+1和标准差σ_i+1作比较，用0或者1表示比较结果，得到当前图像块的4位二进制编码。

S23、按照从上到下、从左到右的顺序，将所有矩形块的4个编码位串接起来，得到表示虹膜特征的二进制虹膜代码。

用每块的四个编码位记录下来图像内部的两种关系以后，按照从上至下、从左至右的顺序，将Block₁至Block_n的编码位全部串接起来(设共分成n块)，就得到了能够表示纹理图像可区分特征的二进制代码，记为

图5给出了虹膜代码的生成示意图。

最后，步骤S3是用汉明距离作为分类器得到识别结果。

经过虹膜分块编码的操作，得到能够有效地表示图像内部对应关系的二进制虹膜代码，采用汉明距离对不同的虹膜代码进行模式分类。之所以选择汉明距离，是因为这种分类方法简单实用、计算量小，且足以保证虹膜识别的模式匹配要求。设虹膜代码长度为L位，则虹膜代码A和B之间的归一化汉明距离H可以表示为：

$H=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{A}_j\&CirclePlus;B_j---\left(3\right)$

式中A_j和B_j分别表示虹膜代码A和B在第j位上的代码，

表示异或运算。

为了验证算法有效性，使用CASIA虹膜数据库1.0版本对提出的算法进行了测试。CASIA虹膜数据库是由中科院自动化所创建的一个共享数据库，用于评测虹膜识别算法，目前已经被国际上多家研究单位采用。CASIA-V1.0版本虹膜数据库共有756幅、大小为320×280的虹膜灰度图像，由108只眼睛、每只眼睛7幅不同的图像组成。本发明将定位后的虹膜图像归一化为512×64。为了消除眼睑、睫毛等的噪声干扰，只截取了右上1/4部分作为有效区域进行特征提取与识别。实验对虹膜图像进行了类间和类内两两匹配，当判定阈值取0.227～0.234时，正确识别率CRR为99.60％，等错误率EER为0.26％。

综上所述，本发明能够在准确率、识别速度和大的阈值选择范围方面有效提高虹膜识别系统的整体性能，是虹膜识别系统中的特征提取关键技术。

Claims (3)

1.一种基于LBP图像和分块编码的虹膜特征提取方法，其特征在于，该方法包括：

S1、对归一化虹膜图像应用LBP算子得到虹膜LBP图像；

S2、采用基于虹膜统计信息的分块编码方法从LBP图像中提取虹膜特征；

S3、用汉明距离作为分类器得到识别结果。

2.根据权利要求1所述的基于LBP图像和分块编码的虹膜特征提取方法，其特征在于，所述步骤S1包括：

S11、基于某个像素点及其周围圆形邻域里的多个像素点，采用圆形LBP算子计算此像素点的LBP值；

S12、对归一化虹膜图像的所有像素，采用圆形LBP算子计算出相应的LBP值；

s13、将整幅图像所有的LBP值线性变换到0～255，得到虹膜的8位归一化LBP图像。

3.根据权利要求1所述的基于LBP图像和分块编码的虹膜特征提取方法，其特征在于，所述步骤S2包括：

S21、将归一化LBP图像分成同等大小的矩形块，每一块作为局部区域；

S22、将当前块的灰度均值和方差与整幅图像、相邻块的灰度均值和方差分别进行比较，用0或1表示比较结果，得到当前块的4位二进制编码；

S23、按照从上到下、从左到右的顺序，将所有矩形块的4个编码位串接起来，得到表示虹膜特征的二进制虹膜代码。

Images