CN102663443A - 基于图像扰动和相关滤波的生物特征识别方法 - Google Patents

Abstract

本发明公开了一种基于图像扰动和相关滤波的生物特征识别方法。该方法包括局部特征抽取、相关滤波和图像扰动三个环节。局部特征抽取包括，对特定的尺度和多个方向，抽取某一注册类别中每幅归一化生物特征注册样本图像的多幅局部特征图像。相关滤波包括，对每一类别，用特征图像设计特征相关滤波器，对待识别图像的局部特征图像相关滤波得到匹配结果。图像扰动包括，利用级联结构对注册样本图像进行多种扰动，得到多组新的注册样本图像，用其设计新的特征相关滤波器并相关滤波。多个相关滤波结果的融合即为待识别图像与该注册类别的匹配分数。本发明融合生物特征的局部和全局信息，能有效应对注册模板不足的情况，特别适用于低质量生物特征识别。

Description

基于图像扰动和相关滤波的生物特征识别方法

技术领域

本发明涉及数字图像处理和模式识别领域，特别是一种基于图像扰动和相关滤波的生物特征识别方法(Perturbation Enhanced Feature CorrelationFilter，简称PFCF)。

背景技术

生物特征识别是利用人的生理特征或行为特征，进行人的身份鉴定。能够用于身份识别的生物特征均具有如下特点：(1)普遍性：绝大多数人都具有此种生物特征；(2)唯一性：每个人的生物特征均不相同；(3)稳定性：在相当长一段时间内，特征不会改变；(4)安全性：不易盗取和仿冒。可用于识别的生物特征主要有虹膜、指纹、人脸、步态、笔迹等，目前生物特征识别已经应用在多个领域，如机场、银行等。

在实际应用中，由于受到外界环境的干扰，从同一个生物特征上采集到的图像会有很大的不同。以虹膜为例，采集到的图像会受到噪声、眼皮和睫毛遮挡、眼镜反光及模糊等干扰。图1展示了虹膜识别中存在的典型类内差异，图1中：

(a1)和(a2)是形变虹膜图像对比；

(b1)和(b2)是受到镜面反射干扰的虹膜图像对比；

(c1)和(c2)是模糊虹膜图像对比；

(d1)和(d2)是受到遮挡的虹膜图像对比。

如图1所示，不同采集环境下同一虹膜的图像会呈现出非常大的差异，这是生物特征识别目前面临的一个严峻挑战。识别人在注册和识别时，外界干扰通常会有很大的变化，因此不同时刻获取的图像也有很大差异。这给生物特征识别系统带来了很大的类内差异(intra-class difference)，使错误拒绝率增大，大大降低了系统的识别正确率、使用方便性和舒适度。

目前，国内外很多学者着眼于研究低质量生物特征识别问题。以虹膜识别为例，鲁棒的虹膜识别方法主要分为两类：第一：抽取鲁棒的虹膜特征，由于虹膜图像的差异，抽取出的特征也会不同。需要选取合适的特征抽取方法，尽量缩小特征的类内差异，同时扩大类间距离。主流的鲁棒虹膜特征主要分为两大类——局部特征和全局特征。局部特征关注虹膜的细节信息，例如Gabor特征，定序测量特征等。全局特征是对虹膜图像的整体化描述，例如相关滤波器等。第二：选取鲁棒的匹配方法，即使特征不够鲁棒，也可以利用鲁棒的匹配方法，做到在匹配过程中消除外界环境带来的干扰。

虽然现有的生物特征识别方法层出不穷，而且都能达到比较好的识别效果，但是人无完人，识别算法也一样，没有一种特征提取和匹配方法能应对所有外界干扰，达到完美的识别结果。因此可以利用现有识别方法的不同特点，融合互补的特征，使其取长补短，以达到更好的识别效果。

发明内容

在现有的生物特征系统中，特征抽取算法并不能完全消除外界干扰带来的影响，不能满足实际应用中的需要。本发明的目的是针对现有技术中存在的问题，最大程度消除外界环境给识别带来的影响，提供一种快速有效的低质量生物特征识别方法，提升系统识别正确率。

目前已经有很多成熟的生物特征识别技术及专利，并已成功应用于生物特征识别领域，例如排序测度特征抽取与识别方法。此方法利用多极子滤波器对归一化生物特征图像进行空域滤波，并利用不同区域灰度值的大小关系对滤波结果进行二值编码，构建图像的排序测度特征。两幅图像特征向量的汉明距离即为二者的匹配值。此方法可以有效地描述局部特征，但是无法宏观描述全局特性。除此之外还有相关滤波器方法，此方法用于描述生物特征图像的全局特征，它利用多幅注册样本图像设计滤波器，待识别图像和滤波器的相关滤波结果作为待识别图像和该注册类别的匹配分数。此方法可以看作是一体化的特征抽取和匹配过程，它对于个别像素点的变化不敏感，但是如果输入图像质量非常低，例如含有大量噪声，本方法的性能会大大下降。

目前存在的生物特征识别算法都各有优劣，为了解决公开技术方案存在的问题，本发明提出一种基于图像扰动和相关滤波的生物特征识别方法。本发明融合了局部特征和全局特征，全面有效地将不同类型的特征结合在一起，并且加入了人为扰动的生物特征图像以解决在匹配过程中注册样本不够的情况。本发明可以更加全面地描述生物特征，更好地应对低质量生物特征匹配问题。

为了实现上述目的，基于图像扰动和相关滤波的生物特征识别方法主要包括以下几个步骤：

步骤S1，对于生物特征数据库中已存在的图像，每一注册类别中均随机选取若干幅归一化生物特征图像作为注册样本图像；

步骤S2，根据预先定义的尺度和多个方向，抽取某一注册类别中每幅注册样本图像的多幅局部特征图像，以及待识别图像的多幅局部特征图像；

步骤S3，对于某一特定的方向，利用该注册类别中多幅注册样本图像的所有局部特征图像设计一个特征相关滤波器，并利用所述特征相关滤波器对待识别图像在该特定的方向上的局部特征图像进行相关滤波；求取多个方向上的相关滤波结果的平均值作为最终相关滤波结果，若该最终相关滤波结果不在预设的区间范围内，则直接输出此结果作为待识别图像和该注册类别的匹配分数，否则进入步骤S4；

步骤S4，将该注册类别中所有注册样本图像作为一组依次进行多种扰动，对于每种扰动分别使用多组扰动参数，得到多组扰动注册样本图像，根据所述多组扰动注册样本图像按照所述步骤S2和S3设计多组扰动特征相关滤波器，利用得到的多组扰动特征相关滤波器对待识别图像的局部特征图像进行相关滤波，取使用所述特征相关滤波器和所述扰动特征相关滤波器得到的所有相关滤波结果中的最大值作为该待识别图像和该类别的匹配分数；

步骤S5，判断相关滤波器是否被扰动，如是则输出该待识别图像和该类别的匹配分数，如否，则返回步骤S4。

步骤S6，如果输出的所述匹配分数大于一匹配阈值，则判断待识别图像属于该类别，否则，不属于该类别

本发明的有益效果：(1)本发明利用生物特征图像的局部特征图作为相关滤波器的输入，可以在局部特征抽取步骤滤除大部分噪声、光照变化等，有效消除外界干扰对相关滤波结果的影响；(2)它融合了局部特征和全局特征，解决了生物特征识别中单一特征不能对所有干扰鲁棒的问题；(3)它以现有模板为基础，利用图像扰动方法，对其进行扰动以增加注册样本数，更好地模拟多种场景下采集到的生物特征图像，大大提升了系统识别性能。由于本发明高效率和高鲁棒性等特点，它对提高生物特征识别的系统性能有着重要的作用，非常适用于现实中的生物特征识别系统。

附图说明

图1是不同干扰情况下虹膜图像的对比示意图；

图2是本发明基于图像扰动和相关滤波的生物特征识别方法流程图；

图3是特征相关滤波器的工作流程图；

图4是扰动图像示例；

图5是扰动特征相关滤波器设计示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

在不同的图像采集环境下，外界环境变化会对采集到的图像产生很大的干扰，例如噪音、光照变化等，使同一虹膜的多幅图像有所差异。这些干扰加大了虹膜图像的类内差异，从而增大了识别系统的错误拒绝率，大大降低系统的识别正确率、使用方便性和舒适度。

虽然目前有很多方法提取虹膜鲁棒特征，但是单一特征并不能完全应对所有干扰。例如Gabor特征仅描述虹膜的纹理细节特征，相关滤波器只关注于虹膜图像的表观全局特征。

本发明提出了基于图像扰动和相关滤波的生物特征识别方法。首先抽取局部特征以描述虹膜图像的细节信息，并且利用相关度量方法保留全局信息，再加入扰动模板，用于更好地描述多种低质量虹膜图像，增大注册样本数，因此这种方法对噪声、光照变化等鲁棒。另外，本发明利用级联的结构流程，仅将第一级中无法很好识别的样本放入至第二级，进行重新处理，不仅可以保证识别正确率，还可以有效节约时间，非常适用于实际应用。

图2为本发明提出的基于图像扰动和相关滤波的生物特征识别方法流程图，如图2所示，所述基于图像扰动和相关滤波的生物特征识别方法包括以下几个步骤：

步骤S1，对于生物特征数据库中已存在的图像，每一注册类别中均随机选取若干幅归一化生物特征图像作为注册样本图像。

步骤S2，根据预先定义的尺度和多个方向，抽取某一注册类别中每幅注册样本图像的多幅局部特征图像，以及待识别图像的多幅局部特征图像。

此处以利用Gabor滤波器抽取归一化虹膜图像的Gabor特征为例。Gabor滤波器具有多个参数，本发明中采用8方向、大小为7×21像素的Gabor滤波。在时域中，2维的Gabor滤波器G(x，y)可以写做：

G(x，y)＝e^u·e^v

u＝-π[(x-x₀)²/α²+(y-y₀)²/β²]            (1)

v＝-2πi[u₀(x-x₀)+v₀(y-y₀)]

其中，(x₀，y₀)为给定图像的固定某一点，(α，β)为滤波器的长和宽，(u₀，v₀)为调制参数。

通过对图像进行上述Gabor滤波的处理，得到该归一化虹膜图像的8幅Gabor特征图像以及待识别图像的8幅局部特征图像。

步骤S3，对于某一特定的方向，利用该注册类别中多幅注册样本图像的所有局部特征图像设计一个特征相关滤波器，并利用所述特征相关滤波器对待识别图像在该特定的方向上的局部特征图像进行相关滤波；求取多个方向上的相关滤波结果的平均值作为最终相关滤波结果，若该最终相关滤波结果不在预设的区间范围内，则直接输出此结果作为待识别图像和该注册类别的匹配分数，否则进入步骤S4。

抽取出多幅局部特征图像之后，本发明利用注册样本图像的局部特征图像设计特征相关滤波器并对待识别图像的局部特征图像进行相关滤波，具体处理过程如下：

首先，从任意一类归一化虹膜图像中随机选择三幅原始注册样本图像x₁，x₂，x₃，对于某一特定的方向，其对应的局部特征图像分别为y₁，y₂，y₃，利用局部特征图像y₁，y₂，y₃设计在该特定的方向上的四分相位最小相关能量滤波器(quad-phase minimum average correlation energy filter，QP-MACE)。假设待识别图像为x_p，其在所述特定的方向上对应的局部特征图像为y_p。如图3所示，局部特征图像y_p经过相关滤波之后，如果滤波结果中有非常尖锐的峰值，则判定待识别图像和注册样本图像属于同一类，否则不是一类。

下面说明如何来确定所述四分相位最小相关能量滤波器。

对于任意一幅虹膜图像x_i，其局部特征图像为y_i，所述局部特征图像的抽取过程可以看作y_i＝f(x_i)，其中f为Gabor函数。如图3所示，为了得到高识别正确率，需要使滤波结果中的峰值尽量尖锐，且旁瓣尽量小。为达到此目的，设计所述四分相位最小相关能量滤波器的一个有效的方法是最小化相关滤波结果(相关平面)中的能量。

假定设计的相关滤波器为h，则y_i的相关滤波结果为

其中，

表示相关运算。令G_i，Y_i和H分别为g_i，y_i和h的频域表达，并且它们均为m*n的矩阵。那么可以得到：G_i(p，q)＝Y_i(p，q)·H^*(p，q)，其中，H^*(p，q)为H(p，q)的转置。根据帕萨瓦尔定理|H^*(p，q)|²＝|H(p，q)|²，可以得到相关平面的平均相关能量(AverageCorrelation Energy，ACE)为：

$\mathrm{ACE}=\frac{1}{3\·m\·n}\underset{i}{\overset{3}{\mathrm{\Σ}}}\underset{p}{\overset{m}{\mathrm{\Σ}}}\underset{q}{\overset{n}{\mathrm{\Σ}}}{\left|G_i(p,q)\right|}^2---\left(2\right)$

$=\frac{1}{3\·m\·n}\underset{i}{\overset{3}{\mathrm{\Σ}}}\underset{p}{\overset{m}{\mathrm{\Σ}}}\underset{q}{\overset{n}{\mathrm{\Σ}}}{\left|Y_i(p,q)\right|}^2{\left|H(p,q)\right|}^2$

将Y_i(p，q)变换为对角矩阵Z_i(p，q)，其中，Z_i(p，q)的对角元素均为Y_i(p，q)的元素，其余元素全为0，然后将H写为矢量

则ACE为：

$\mathrm{ACE}=\frac{1}{3\·m\·n}\underset{i}{\overset{3}{\mathrm{\Σ}}}\underset{p}{\overset{m}{\mathrm{\Σ}}}\underset{q}{\overset{n}{\mathrm{\Σ}}}({\tilde{h}}^{\′}\·Z_i)\·(Z_i^{*}\·\tilde{h})---\left(3\right)$

$={\tilde{h}}^{\′}\·(\frac{1}{3\·m\·n}\underset{i}{\overset{3}{\mathrm{\Σ}}}\underset{p}{\overset{m}{\mathrm{\Σ}}}\underset{q}{\overset{n}{\mathrm{\Σ}}}\·Z_i\·Z_i^{*})\·\tilde{h}$

$={\tilde{h}}^{\′}\·D\·\tilde{h}$

其中，上标′表示共轭转置。

为了最小化ACE，需要抑制相关平面上的旁瓣的大小，因此，需要先设定一个约束条件，令r为限定矩阵，用来定义相关平面上原点处的值，则约束条件可以写做：

$W^{\′}\tilde{h}=r---\left(4\right)$

其中，矩阵W的列向量为Y_i傅里叶变换的矢量表达。

在式(4)的约束下最小化式(3)中的ACE，可以得到：

$\tilde{h}=D^{-1}W{\left(W^{\′}{D}^{-1}W\right)}^{-1}r---\left(5\right)$

仅保留滤波器的相位信息，则QP-MACE滤波器可以写做：

h_QP-MACE(u，v)＝a+bi

$a=\left\{\begin{array}{cc}+1& \mathrm{ifR}\left(\tilde{h}(u,v)\right)\&GreaterEqual;0\\ -1& \mathrm{ifR}\left(\tilde{h}(u,v)\right)<0\end{array}\right.---\left(6\right)$

$b=\left\{\begin{array}{cc}+1& \mathrm{ifS}\left(\tilde{h}(u,v)\right)\&GreaterEqual;0\\ -1& \mathrm{ifS}\left(\tilde{h}(u,v)\right)<0\end{array}\right.$

其中，和分别表示的实部和虚部。该滤波器仅保留了量化的相位信息，每点仅需要2个bit的存储空间，它能够在不影响系统性能的前提下节约存储空间，并提升运算效率。

另外，可以利用峰值旁瓣比(peak-to-sidelobe ratio，PSR)度量相关平面中峰值的尖锐程度，PSR定义为：

$\mathrm{PSR}=\frac{p-\mathrm{\&mu;}}{\mathrm{\&sigma;}}---\left(7\right)$

其中，p表示相关平面中的最大值，μ和σ分别表示相关平面的平均值和标准差。PSR并不是单纯的度量相关峰值，而是峰值和旁瓣的相对比值，峰值越尖锐，PSR值越大。此参数可以有效地描述待识别图像和相关滤波器的匹配程度。

本发明采用两级级联的流程进行特征匹配以节约计算时间。在步骤S3描述的第一阶段匹配中，原始注册样本图像用于抽取局部特征图像并设计特征相关滤波器。在此阶段，大部分待识别图像可以被正确识别。但当待识别图像和该类别的匹配分数在决策阈值附近时，不能果断下结论，而是需要将注册样本图像和待识别图像放入至下一阶段的匹配。在此定义两个阈值t_l和t_h，其中t_l＜t_h，如果第一阶段的相关滤波结果大于t_l并且小于t_h，则进入步骤S4描述的第二阶段的匹配。

步骤S4，将该注册类别中所有注册样本图像作为一组依次进行多种扰动，对于每种扰动分别使用多组扰动参数，得到多组扰动注册样本图像，根据所述多组扰动注册样本图像按照所述步骤S2和S3设计多组扰动特征相关滤波器、利用得到的多组扰动特征相关滤波器对待识别图像的局部特征图像进行相关滤波，取使用所述特征相关滤波器和所述扰动特征相关滤波器得到的所有相关滤波结果中的最大值作为该待识别图像和该类别的匹配分数。

所述步骤S4中，根据所述多组扰动注册样本图像设计多组扰动特征相关滤波器、利用得到的多组扰动特征相关滤波器对待识别图像的局部特征图像进行相关滤波的方法类似于所述步骤S2和S3中描述的方法，即根据预先定义的尺度和多个方向，抽取得到一组扰动注册样本图像的多幅局部特征图像；对于某一特定方向，利用该组扰动注册样本图像的所有局部特征图像设计一个扰动特征相关滤波器，并利用所述扰动特征相关滤波器对待识别图像在该特定的方向上的局部特征图像进行相关滤波；求取多个方向上的相关滤波结果的平均值作为该扰动特征相关滤波器对于该待识别图像的局部特征图像的最终相关滤波结果。

为了应对实际应用中外界干扰给虹膜图像带来的类内差异，实际操作的经验是增大注册样本数量，这可以在一定程度上解决此问题。但是实际上，通常无法获取到足够数量的注册样本，因此本发明采用人工扰动的方法，对已有的注册样本图像进行形变、模糊、平移等一系列扰动，以增大注册样本图像数。

经过人工扰动的图像如图4所示，所述人工扰动方法包括：(1)形变图像：设f(x，y)为原始归一化虹膜图像，g(u，v)为它对应的形变图像。首先将y坐标归一化到[0，1]，并且将归一化后的新坐标记为t。定义：

$\left\{\begin{array}{c}u=x\\ v=\mathrm{\&omega;}(a,t)\end{array}\right.---\left(8\right)$

其中，a为非零常数，ω(a，t)为形变函数：

$\mathrm{\&omega;}(a,t)=\left\{\begin{array}{cc}0.5*\frac{1-e^{-2\mathrm{at}}}{1-e^{-a}}& 0\&le;t\&le;0.5\\ 0.5+0.5*\frac{{1-e}^{2a(t-0.5)}}{1-e^a}& 0.5<t\&le;1\end{array}\right.---\left(9\right)$

(2)模糊图像：利用圆平均滤波器对原始归一化虹膜图像进行滤波，从而达到模糊图像的效果。

(3)平移图像：将原始归一化虹膜图像向左或者向右平移若干像素得到平移图像。

如图5所示，I₁，I₂和I₃是来自于同一类的注册归一化虹膜图像，首先依次对他们进行形变、模糊和平移三种扰动，并且每一步扰动的结果分别标记为DI_i(i＝1，2，3)，BI_i(i＝1，2，3)和RI_i(i＝1，2，3)。如果在扰动的每一步分别使用m，n，k组扰动参数，则经过三步人工扰动之后可得到m*n*k组扰动图像(每组三幅)，进而在特定方向通过多组扰动图像的局部特征图像可设计得到m*n*k个扰动特征相关滤波器。根据上述计算，一共可以得到m*n*k+1个相关滤波器，其中包括1个原始的特征相关滤波器和m*n*k个扰动特征相关滤波器。

因此，对于任意一幅待识别图像，利用m*n*k+1个相关滤波器，可以得到m*n*k+1个相关滤波结果，即

其中，CR_i为经过第i个相关滤波器得到的相关滤波结果，img表示待识别图像，CF_i(i＝0，1，...，m*n*k)表示m*n*k+1个相关滤波器，CF₀表示原始特征相关滤波器。最终，取相关滤波结果最大的那个值作为待识别图像和注册样本图像的匹配分数。

步骤S5，判断相关滤波器是否被扰动，如是则输出该待识别图像和该类别的匹配分数，如否，则返回步骤S4。

步骤S6，如果输出的所述匹配分数大于一匹配阈值，则判断待识别图像属于该类别，否则，不属于该类别。

在实际应用中，为了安全考虑，通常会设定较高的匹配阈值以保证低错误接收率，本发明中的匹配阈值可以设为30。

应用场景1：基于图像扰动和相关滤波的生物特征识别方法适用于远距离生物特征识别设备。

本发明可广泛应用于远距离生物特征识别系统。随着科学技术的发展，远距离生物特征识别设备已慢慢趋于成熟，它标志着生物特征识别中“人配合机器”向“机器配合人”的转变。在实际应用中，由于人离设备较远，因此采集到的生物特征图像通常会受到噪音、光照、遮挡等干扰。比起传统的近距离识别设备，远距离设备采集到的图像质量通常很低，而且为了保证识别速度和用户使用舒适度，通常在注册和识别时仅采集若干幅图像。现有的生物特征识别方法由于其特征单一性，不可能对所有干扰鲁棒，因此时常拒绝已注册用户，大大降低了系统识别正确率和使用舒适度。本发明可以在远距离生物特征识别设备中发挥重要的作用。虽然存在外界各类干扰，本发明还是可以有效地进行匹配，并且即使注册样本数不够，本发明也能有效地自动生成多个注册样本。无论外界环境怎么变化，已注册的识别人还是可以很快地被系统识别。

应用场景2：基于图像扰动和相关滤波的生物特征识别方法在多模态生物特征识别系统中的应用。

本发明可广泛应用到多模态生物特征识别系统中。生物特征识别系统在鉴别或验证用户身份时，通常可以捕捉不同的生物特征以增强系统的识别性能。本发明可以在多模态生物特征识别系统中发挥重要作用。首先，本发明利用级联的方法进行多次比对，能够有效节约时间。另外，由于其融合了局部特征和全局特征，并用人工扰动的方法增大样本数量，可以在一定程度上保证高识别正确率。因此它可以确保多模态生物特征识别系统的识别速度和精度，为融合打下了坚实的基础。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像扰动和相关滤波的生物特征识别方法，其特征在于，该方法包括以下步骤：

步骤S1，对于生物特征数据库中已存在的图像，每一注册类别中均随机选取若干幅归一化生物特征图像作为注册样本图像；

步骤S2，根据预先定义的尺度和多个方向，抽取某一注册类别中每幅注册样本图像的多幅局部特征图像，以及待识别图像的多幅局部特征图像；

步骤S3，对于某一特定的方向，利用该注册类别中多幅注册样本图像的所有局部特征图像设计一个特征相关滤波器，并利用所述特征相关滤波器对待识别图像在该特定的方向上的局部特征图像进行相关滤波；求取多个方向上的相关滤波结果的平均值作为最终相关滤波结果，若该最终相关滤波结果不在预设的区间范围内，则直接输出此结果作为待识别图像和该注册类别的匹配分数，否则进入步骤S4；

步骤S4，将该注册类别中所有注册样本图像作为一组依次进行多种扰动，对于每种扰动分别使用多组扰动参数，得到多组扰动注册样本图像，根据所述多组扰动注册样本图像按照所述步骤S2和S3设计多组扰动特征相关滤波器，利用得到的多组扰动特征相关滤波器对待识别图像的局部特征图像进行相关滤波，取使用所述特征相关滤波器和所述扰动特征相关滤波器得到的所有相关滤波结果中的最大值作为该待识别图像和该类别的匹配分数；

步骤S5，判断相关滤波器是否被扰动，如是则输出该待识别图像和该类别的匹配分数，如否，则返回步骤S4。

步骤S6，如果输出的所述匹配分数大于一匹配阈值，则判断待识别图像属于该类别，否则，不属于该类别。

2.根据权利要求1所述的方法，其特征在于，所述局部特征图像为利用8方向、大小为7×21像素的Gabor滤波器对所述注册样本图像进行滤波得到的。

3.根据权利要求1所述的方法，其特征在于，所述特征相关滤波器为四分相位最小相关能量滤波器(QP-MACE)。

4.根据权利要求3所述的方法，其特征在于，通过在以抑制相关平面上的旁瓣的大小为约束条件下，最小化相关平面中的能量来确定所述四分相位最小相关能量滤波器。

5.根据权利要求4所述的方法，其特征在于，所述四分相位最小相关能量滤波器表示为：

h_QP-MACE(u，v)＝a+bi

$a=\left\{\begin{array}{cc}+1& \mathrm{ifR}\left(\tilde{h}(u,v)\right)\&GreaterEqual;0\\ -1& \mathrm{ifR}\left(\tilde{h}(u,v)\right)<0\end{array}\right.,$

$b=\left\{\begin{array}{cc}+1& \mathrm{ifS}\left(\tilde{h}(u,v)\right)\&GreaterEqual;0\\ -1& \mathrm{ifS}\left(\tilde{h}(u,v)\right)<0\end{array}\right.$

其中，

和分别表示

的实部和虚部，

为滤波器h_QP-MACE(u，v)的频域表达的矢量表示。

6.根据权利要求4所述的方法，其特征在于，利用峰值旁瓣比PSR来度量相关平面中峰值的尖锐程度，所述PSR定义为：

$\mathrm{PSR}=\frac{p-\mathrm{\&mu;}}{\mathrm{\&sigma;}},$

其中，p表示相关平面中的最大值，μ和σ分别表示相关平面的平均值和标准差，PSR值越大，相关平面中的峰值越尖锐。

7.根据权利要求1所述的方法，其特征在于，所述预设的区间范围为[t_l，t_h]，其中，t_l和t_h分别为事先设定的两个阈值。

8.根据权利要求1所述的方法，其特征在于，所述扰动包括形变、模糊和平移。

9.根据权利要求8所述的方法，其特征在于，所述形变进一步为：设f(x，y)为原始注册样本图像，g(u，v)为它对应的形变图像，那么：

$\left\{\begin{array}{c}u=x\\ v=\mathrm{\&omega;}(a,t)\end{array}\right.,$

其中，a为非零常数，t为将y归一化后的新坐标，ω(a，t)为形变函数：

$\mathrm{\&omega;}(a,t)=\left\{\begin{array}{cc}0.5*\frac{1-e^{-2\mathrm{at}}}{1-e^{-a}}& 0\&le;t\&le;0.5\\ 0.5+0.5*\frac{{1-e}^{2a(t-0.5)}}{1-e^a}& 0.5<t\&le;1\end{array}\right..$

10.根据权利要求8所述的方法，其特征在于，所述模糊进一步为利用圆平均滤波器对原始注册样本图像进行滤波；所述平移进一步为将原始注册样本图像向左或者向右平移若干像素。

Images