CN102693421B - 基于sift 特征包的牛眼虹膜图像识别方法 - Google Patents

基于sift 特征包的牛眼虹膜图像识别方法 Download PDF

Info

Publication number
CN102693421B
CN102693421B CN2012101770230A CN201210177023A CN102693421B CN 102693421 B CN102693421 B CN 102693421B CN 2012101770230 A CN2012101770230 A CN 2012101770230A CN 201210177023 A CN201210177023 A CN 201210177023A CN 102693421 B CN102693421 B CN 102693421B
Authority
CN
China
Prior art keywords
image
sift
iris
buphthalmos
sift feature
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.)
Active
Application number
CN2012101770230A
Other languages
English (en)
Other versions
CN102693421A (zh
Inventor
赵林度
孙胜楠
杨世才
宋阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN2012101770230A priority Critical patent/CN102693421B/zh
Publication of CN102693421A publication Critical patent/CN102693421A/zh
Priority to EP12877671.3A priority patent/EP2858007B1/en
Priority to PCT/CN2012/082165 priority patent/WO2013177878A1/zh
Application granted granted Critical
Publication of CN102693421B publication Critical patent/CN102693421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于SIFT特征包的牛眼虹膜图像识别方法，包括以下步骤：对虹膜图像进行预处理获取有效区域；用SIFT方法获取特征点；用主动轮廓线方法进行内边缘定位；移除内边缘内的特征点得到有效SIFT特征点集；通过与最佳SIFT特征包对比获得特征直方图；计算待识别图像和目标虹膜库中每一幅图像的直方图距离，以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别结果。本发明在待识别牛眼虹膜图像存在旋转、偏移、局部遮挡或尺度不一致的情况下也能够较准确地进行识别，从而有助于提高牛眼虹膜图像识别的准确性和可靠性，推动虹膜识别方法在食品溯源体系中的应用。

Description

基于SIFT 特征包的牛眼虹膜图像识别方法
技术领域
本发明涉及牛眼虹膜图像识别方法，特别涉及一种适用于存在旋转、偏移、局部遮挡或尺度不一致的非完美牛眼虹膜图像的识别方法。
背景技术
虹膜识别被认为是最可靠的生物特征识别技术之一，可以广泛应用于身份证件识别、矿场出入控制、罪犯跟踪等方面。与利用指纹、人脸、步态等其他人体生物特征进行身份鉴别的方法相比，使用虹膜进行鉴别具有更高的准确率和更好的防伪性。传统的动物标识主要采用耳标等人工标签，容易脱落、遗失，给管理带来诸多不便。相比传统的动物标识方式，采用虹膜技术标识动物具有安全性好，防伪性强等特征。
然而，与人眼虹膜识别相比，现有的动物虹膜图像识别技术至少存在两个方面的问题：第一，在实际应用中，待识别动物无法像人一样主动配合，导致获取图像的旋转、偏移、局部遮挡或尺度不一致等情况。第二，现有虹膜定位技术很难获得准确的虹膜外边缘，进而影响归一化虹膜图像的质量。在这些情况下，现有技术很难获得准确的识别结果，从而限制了动物虹膜识别技术在食品溯源体系中的应用。
发明内容
本发明的目的是针对现有牛眼虹膜识别技术存在的问题，提供一种能够对非完美牛眼虹膜图像进行准确识别的方法。
本发明采用的技术方案是：在对本发明方法进行具体描述之前，首先给出相关定义：（a）非完美牛眼虹膜图像：存在旋转、偏移、局部遮挡或尺度不一致，但内边缘轮廓完整的牛眼虹膜图像。（b）目标牛眼虹膜库：存储已知身份的牛眼虹膜的图像库，待识别图像通过与该图像库对比来确定身份。（c）SIFT特征：采用尺度不变特征变换（SIFT，Scale Invariant Feature Transform）方法获得的图像特征描述子。
一种基于SIFT 特征包的牛眼虹膜图像识别方法，包括以下步骤：（1）若识别机制未训练好，则执行步骤2，否则转到步骤10；（2）获得用于获取SIFT特征包的训练图像集；（3）根据训练图像集获取最佳SIFT特征包；（4）获得目标牛眼虹膜库；（5）对每一幅目标牛眼虹膜图像进行预处理；（6）对每一幅目标牛眼虹膜图像进行虹膜内边缘定位；（7）利用SIFT方法获得每一幅目标牛眼虹膜图像的SIFT特征点；（8）移除虹膜内边缘中的SIFT特征点，得到每一幅目标牛眼虹膜图像的有效SIFT特征点；（9）将每一幅目标牛眼虹膜图像的SIFT特征点与最佳SIFT特征包对比，获得每一幅目标牛眼虹膜图像的特征直方图；（10）接收待识别图像；（11）对待识别图像进行预处理；（12）对待识别图像进行虹膜内边缘定位；（13）利用SIFT方法获得待识别图像的SIFT特征点；（14）移除虹膜内边缘中的SIFT特征点，得到待识别图像的有效SIFT特征点；（15）将待识别图像的SIFT特征点与最佳SIFT特征包对比，获取待识别图像的特征直方图；（16）计算待识别图像与目标牛眼虹膜库中每一幅图像的直方图距离；（17）以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别结果；（18）结束。
作为优选，所述的获取最佳SIFT特征包的步骤是：（1）获得训练图像集；（2）对每一幅训练牛眼虹膜图像进行预处理；（3）对每一幅训练牛眼虹膜图像进行虹膜内边缘定位；（4）利用SIFT方法获得每一幅训练牛眼虹膜图像的SIFT特征点；（5）移除虹膜内边缘中的SIFT特征点，得到训练图像的有效SIFT特征点集；（6）合并所有训练图像的SIFT特征点集，得到训练样本的SIFT特征点空间；（7）采用K最邻近法对训练样本的SIFT特征点空间进行聚类分析，得到K个类及对应的特征均值；（8）为每一个特征均值赋予一个标签用以标识该特征均值代表的类，得到由K个带标签的特征均值构成的最佳SIFT特征包；（9）结束。
有益效果：由于不需要进行虹膜外边缘精确定位和虹膜图像归一化，本发明方法在待识别牛眼虹膜图像存在旋转、偏移、局部遮挡或尺度不一致的情况下也能够较准确地进行识别，有助于提高牛眼虹膜图像识别的准确性与可靠性。
附图说明
图1是本发明的基本框图；
图2是本发明方法的详细工作流程图；
图3是本发明获取SIFT特征包的工作流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明：
如图1所示，通过虹膜图像采集装置获取牛眼虹膜数字灰度图像，然后根据目测对图像进行预处理获取图像的有效区域。通过虹膜内边缘定位和SIFT特征提取方法获得有效的牛眼虹膜图像有效SIFT特征点集合。然后就由识别机制来处理，通常包括获取虹膜图像的特征直方图和与目标牛眼虹膜库中的已有图像进行比对。
本发明的详细工作流程如图2所示。步骤10是初始动作。步骤11判断识别机制是否训练好，如果是则执行步骤21；否则执行步骤12。步骤12判断是否已获得最佳SIFT特征包，如果是则执行步骤15；否则执行步骤13。步骤13获取用于获取最佳SIFT特征包的训练图像集，该图像集中每个牛眼至少有两张图像。步骤14根据训练图像集选择出最佳SIFT特征包，该特征包中包含K个SIFT特征均值，这里K是用户指定的整数值，例如1000。这一选择过程采用本发明专门设计的算法，该步骤在后面的部分结合图3进行具体介绍。
最佳SIFT特征包选择好后，步骤15获取目标牛眼虹膜库，该库中每个牛眼至少有一幅图像。步骤16对虹膜图像进行预处理，获得图像的有效区域。这里的通过目测，选择覆盖虹膜区域的最大矩形区间为图像的有效区域。步骤17在图像的有效区域内对内边缘进行定位。这里采用主动轮廓线法对虹膜内边缘进行定位。步骤18在图像的有效区域内用SIFT方法获得图像的SIFT特征点。步骤19移除落在虹膜内边缘内部的SIFT特征点，获得有效SIFT特征点集。步骤20，采用近似最邻近法（ANN，Approximate Nearest Neighbor）将有效SIFT特征点集中的每个特征与最佳SIFT特征包中的特征均值进行比对，为每一个有效SIFT特征点赋上对应最佳SIFT特征包中特征均值的标签，并计数，进而获得对应目标牛眼虹膜图像的特征直方图。步骤21，接收待识别图像。步骤22、23、24、25、26采用与步骤16、17、18、19、20相同的方法对待识别图像进行预处理、虹膜内边缘定位、SIFT特征提取、获得有效SIFT特征点集，最终获得图像的特征直方图。步骤27采用近似最邻近法比较待识别图像特征直方图与目标牛眼虹膜库中各图像特征直方图距离。步骤28输出结果，直方图距离最小的目标虹膜图像对应的对象为识别结果。步骤29为结束状态。
值得指出的是图2的步骤13和14专门用于获得最佳SIFT特征包，该特征包一旦被选择出来，就能够直接用于不同的目标牛眼虹膜图像库。图3详细说明了图2中的步骤14，该步骤的作用是根据训练图像集选择出具有K个特征均值的最佳SIFT特征包，这里K是用户指定的整数值。图3的步骤1400是起始状态。步骤1401、1402、1403、1404与采用与图2中的步骤16、17、18、19相同的方法对每一幅训练图像进行预处理、虹膜内边缘定位、SIFT特征提取，最终对应训练图像的有效SIFT特征点集。步骤1405合并所有训练图像的SIFT特征点集，得到训练样本的SIFT特征点空间。步骤1406采用K最邻近法（KNN，K-Nearest Neighbor）对训练样本的SIFT特征点空间进行聚类分析，得到K个类及对应的K个特征均值。这里的K由用户指定，例如1000。一般而言，根据SIFT特征点空间大小，K的值在几百到几千之间。步骤1407为每一个特征均值赋予一个标签用以标识该特征均值代表的类，这样就得到由K个带标签的特征均值构成的最佳SIFT特征包。最后，步骤1408为图3的结束状态。
应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (2)

1.基于SIFT特征包的牛眼虹膜图像识别方法，其特征在于，该方法包括以下步骤：
（1）若识别机制未训练好，则执行步骤（2），否则转到步骤（10）；
（2）获得用于获取SIFT特征包的训练图像集；
（3）根据训练图像集获取最佳SIFT特征包；
（4）获得目标牛眼虹膜库；
（5）对每一幅目标牛眼虹膜图像进行预处理；
（6）对每一幅目标牛眼虹膜图像进行虹膜内边缘定位；
（7）利用SIFT方法获得每一幅目标牛眼虹膜图像的SIFT特征点；
（8）移除虹膜内边缘中的SIFT特征点，得到每一幅目标牛眼虹膜图像的有效SIFT特征点集；
（9）将每一幅目标牛眼虹膜图像的SIFT特征点与最佳SIFT特征包对比，获得目标牛眼虹膜图像的特征直方图；
（10）接收待识别图像；
（11）对待识别图像进行预处理；
（12）对待识别图像进行虹膜内边缘定位；
（13）利用SIFT方法获得待识别图像的SIFT特征点；
（14）移除虹膜内边缘中的SIFT特征点，得到待识别图像的有效SIFT特征点集；
（15）将待识别图像的SIFT特征点与最佳SIFT特征包对比，获取待识别图像的特征直方图；
（16）计算待识别图像与目标牛眼虹膜库中每一幅图像的直方图距离；
（17）以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别结果；
（18）结束。
2.根据权利要求1所述的基于SIFT特征包的牛眼虹膜图像识别方法，其特征在于，所述的获取最佳SIFT特征包的步骤是：
（1）获得训练图像集；
（2）对每一幅训练牛眼虹膜图像进行预处理；
（3）对每一幅训练牛眼虹膜图像进行虹膜内边缘定位；
（4）利用SIFT方法获得每一幅训练牛眼虹膜图像的SIFT特征点；
（5）移除虹膜内边缘中的SIFT特征点，得到训练图像的有效SIFT特征点集；
（6）合并所有训练图像的SIFT特征点集，得到训练样本的SIFT特征点空间；
（7）采用K最邻近法对训练样本的SIFT特征点空间进行聚类分析，得到k个类及对应的特征均值；k是用户指定的整数值；
（8）为每一个特征均值赋予一个标签用以标识该特征均值代表的类，得到由k个带标签的特征均值构成的最佳SIFT特征包；
（9）结束。
CN2012101770230A 2012-05-31 2012-05-31 基于sift 特征包的牛眼虹膜图像识别方法 Active CN102693421B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN2012101770230A CN102693421B (zh) 2012-05-31 2012-05-31 基于sift 特征包的牛眼虹膜图像识别方法
EP12877671.3A EP2858007B1 (en) 2012-05-31 2012-09-27 Sift feature bag based bovine iris image recognition method
PCT/CN2012/082165 WO2013177878A1 (zh) 2012-05-31 2012-09-27 基于sift特征包的牛眼虹膜图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012101770230A CN102693421B (zh) 2012-05-31 2012-05-31 基于sift 特征包的牛眼虹膜图像识别方法

Publications (2)

Publication Number Publication Date
CN102693421A CN102693421A (zh) 2012-09-26
CN102693421B true CN102693421B (zh) 2013-12-04

Family

ID=46858839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012101770230A Active CN102693421B (zh) 2012-05-31 2012-05-31 基于sift 特征包的牛眼虹膜图像识别方法

Country Status (3)

Country Link
EP (1) EP2858007B1 (zh)
CN (1) CN102693421B (zh)
WO (1) WO2013177878A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI503760B (zh) * 2014-03-18 2015-10-11 Univ Yuan Ze Image description and image recognition method

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693421B (zh) * 2012-05-31 2013-12-04 东南大学 基于sift 特征包的牛眼虹膜图像识别方法
CN103034860A (zh) * 2012-12-14 2013-04-10 南京思创信息技术有限公司 基于sift特征的违章建筑检测方法
CN103336835B (zh) * 2013-07-12 2017-02-08 西安电子科技大学 基于权值color‑sift特征字典的图像检索方法
CN104751143B (zh) * 2015-04-02 2018-05-11 北京中盾安全技术开发公司 一种基于深度学习的人证核验系统及方法
CN105550633B (zh) 2015-10-30 2018-12-11 小米科技有限责任公司 区域识别方法及装置
CN108121972A (zh) * 2017-12-25 2018-06-05 北京航空航天大学 一种局部遮挡条件下的目标识别方法
CN113536968B (zh) * 2021-06-25 2022-08-16 天津中科智能识别产业技术研究院有限公司 一种自动获取虹膜内外圆边界坐标的方法
CN113657231B (zh) * 2021-08-09 2024-05-07 广州中科智云科技有限公司 一种基于多旋翼无人机的图像识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1599913A (zh) * 2001-12-03 2005-03-23 株式会社斯耐克斯技术 虹膜识别系统和方法以及具有其程序的存储介质
CN101447025A (zh) * 2008-12-30 2009-06-03 东南大学 一种大型动物虹膜识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424727B1 (en) * 1998-11-25 2002-07-23 Iridian Technologies, Inc. System and method of animal identification and animal transaction authorization using iris patterns
KR20050025927A (ko) * 2003-09-08 2005-03-14 유웅덕 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법
CA2736609C (en) * 2008-02-14 2016-09-20 Iristrac, Llc System and method for animal identification using iris images
CN102693421B (zh) * 2012-05-31 2013-12-04 东南大学 基于sift 特征包的牛眼虹膜图像识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1599913A (zh) * 2001-12-03 2005-03-23 株式会社斯耐克斯技术 虹膜识别系统和方法以及具有其程序的存储介质
CN101447025A (zh) * 2008-12-30 2009-06-03 东南大学 一种大型动物虹膜识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Iris recognition system design and development of large animals for tracing source of infection;Xiaoqiang Wang et.al;《2009 International Joint Conference on Computational Sciences and Optimization》;20091231;第610-613页 *
LINDU ZHAO et.al.TRACKING AND TRACEABILITY SYSTEM USING LIVESTOCK IRIS CODE IN MEAT SUPPLY CHAIN.《International Journal of Innovative Computing,Information and Control》.2011,第7卷(第5期),
TRACKING AND TRACEABILITY SYSTEM USING LIVESTOCK IRIS CODE IN MEAT SUPPLY CHAIN;LINDU ZHAO et.al;《International Journal of Innovative Computing,Information and Control》;20110531;第7卷(第5期);第2201-2212页 *
Xiaoqiang Wang et.al.Iris recognition system design and development of large animals for tracing source of infection.《2009 International Joint Conference on Computational Sciences and Optimization》.2009,
李超等.牛眼虹膜定位算法研究及其在肉食品追溯系统中的应用.《中国安全科学学报》.2011,第21卷(第3期),
牛眼虹膜定位算法研究及其在肉食品追溯系统中的应用;李超等;《中国安全科学学报》;20110331;第21卷(第3期);第124-130页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI503760B (zh) * 2014-03-18 2015-10-11 Univ Yuan Ze Image description and image recognition method

Also Published As

Publication number Publication date
EP2858007A4 (en) 2016-04-06
CN102693421A (zh) 2012-09-26
EP2858007A1 (en) 2015-04-08
WO2013177878A1 (zh) 2013-12-05
EP2858007B1 (en) 2018-08-15

Similar Documents

Publication Publication Date Title
CN102693421B (zh) 基于sift 特征包的牛眼虹膜图像识别方法
CN104794464B (zh) 一种基于相对属性的活体检测方法
CN106557723B (zh) 一种带交互式活体检测的人脸身份认证系统及其方法
Chen et al. Iris segmentation for non-cooperative recognition systems
Thalji et al. Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding
CN104102903A (zh) 一种基于src的二次人脸识别方法
Chawla et al. A robust algorithm for iris segmentation and normalization using hough transform
CN110574036A (zh) 一系列回波描记图像中的神经的检测
Dey et al. A novel approach to iris localization for iris biometric processing
CN104573628A (zh) 一种三维人脸识别方法
CN101567045A (zh) 一种人脸特征点精确定位方法
Agrawal et al. A hybrid partial fingerprint matching algorithm for estimation of equal error rate
CN113034440A (zh) 一种基于ctp脑灌注影像数据的梗死分类方法及系统
Alvarez-Betancourt et al. A fast iris location based on aggregating gradient approximation using QMA-OWA operator
Hamd et al. Fourier descriptors for iris recognition
Betaouaf et al. A biometric identification algorithm based on retinal blood vessels segmentation using watershed transformation
CN103390150A (zh) 人体部件检测方法和装置
Sanchez-Gonzalez et al. A comparison of fused segmentation algorithms for iris verification
Resmi et al. An empirical study and evaluation on automatic ear detection
US9633259B2 (en) Apparatus and method for recognizing iris
Kurniawan et al. A review on 2D ear recognition
Manchanda et al. A survey: Various segmentation approaches to Iris recognition
Khan et al. Fast and efficient iris segmentation approach based on morphology and geometry operation
CN112328826A (zh) 一种船只图像检索方法、装置、电子设备以及存储介质
Abd Almisreb et al. Kernel graph cut for robust ear segmentation in various illuminations conditions

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant