CN104036245A - 一种基于在线特征点匹配的生物特征识别方法 - Google Patents

Abstract

本发明提供一种基于在线特征点匹配的生物特征识别方法。本发明利用每次采集到的生物特征信息，根据基于特征点匹配的生物特征识别方法的特点，引入虚拟生物特征样本的概念，采用在线训练的方法，将采集到的生物特征信息和数据库中的生物特征样本进行融合，生成新的生物特征样本，能够通过少量的输入样本，对提取出的各个特征点的质量和稳定性进行鉴别，产生出具有更高稳定性和独特性的生物特征样本，提高了系统的识别稳定性与准确率。

Description

一种基于在线特征点匹配的生物特征识别方法

技术领域

本发明属于图像处理与模式识别技术领域，涉及虹膜识别技术。

背景技术

近年来，生物特征识别技术以其不会被丢失、遗忘和难以复制、伪造的特点被广泛视为解决上述问题的希望。所谓生物特征识别，指的是利用计算机技术，通过采集人的生物特征样本进行人的身份识别。根据能够利用的生物特征的不同，可以将生物特征分为生理特征和行为特征。生理特征是人生来就具有的，如人脸、指纹、虹膜和DNA等；行为特征是人后天习惯养成的，如签名笔迹、走路姿态、击键节奏等。其中虹膜特征识别技术以其非接触性，不易伪造，可用特征多等特点，被认为是可靠性最高的生物特征识别技术。

如图1所示，典型的虹膜识别系统包括虹膜采集、预处理、特征提取、模式匹配四个步骤。虹膜采集阶段首先判断采集到的虹膜图像是否存在失焦、运动模糊、过度遮挡等情况，评估该幅图像是否能够用于接下来的识别。在通过质量评估的虹膜图像上定位虹膜的位置，也就是确定虹膜内外圆的坐标和半径。预处理阶段通过图像处理的手段对定位到的图像进行增强，尽可能的消除因为头部偏移、眼球转动、瞳孔缩放、光照不均等带来的负面作用，将环形的虹膜区域归一化为64×256像素的矩形图像。特征提取阶段将预处理后的虹膜图像通过某种算法进行处理，对图像中包含的纹理信息进行分析提取，压缩，将这些信息转换成用于计算机识别的二进制描述，即虹膜编码。模式匹配阶段将待识别样本生成的虹膜编码与事先存储在虹膜识别系统数据库中的注册虹膜编码进行比对，计算其相似度或是距离，并根据匹配程度做出分类判断，以确定用户的身份。

虽然人的虹膜定型后几乎不再发生改变，但是实际应用中采集环境和采集设备不一定是固定的，所以通过采集设备获得的图像就存在着各种各样的变化，包括形变、缺损、遮挡等等，这就会影响到虹膜识别系统的识别准确率。目前现有的虹膜识别系统生成虹膜数据库以后，数据库中的模板信息只依赖于注册时的虹膜样本信息，如果注册时的样本不够全面或者质量不高，那么就会严重影响整个系统的识别准确率。

发明内容

本发明所要解决的技术问题是，能提高识别准确率的，基于在线特征点匹配的生物特征识别方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于在线特征点匹配的生物特征识别方法，包括以下步骤：

生物特征采集、特征提取步骤：当采集到输入的训练图像或待识别图像时，对当前输入的图像进行预处理，对预处理后的图像提取特征点的特征向量，并对特征向量进行编码，将输入图像中所有特征点的位置信息与特征编码加入目标集，设置目标集中每个特征点的匹配能力参数为匹配能力参数范围的中间值，之后进入匹配步骤；

匹配步骤：将目标集与虚拟生物特征样本的基准集中的特征点进行匹配，获得匹配对集，计算根据匹配对集中特征点匹配对的数量计算样本距离；匹配对集中特征点匹配对的数目越多，图像样本间距离越小；如样本距离大于阈值则表示匹配失败，识别结束；如样本距离大于阈值则表示匹配成功，并进入虚拟生物特征样本更新步骤；所述虚拟生物特征样本的初始化为：对样本图片的特征点的特征向量进行编码，将样本图片中所有特征点的位置信息与特征编码加入虚拟生物特征样本的基准集，并设置基准集中每个特征点的匹配能力参数初始值为匹配能力参数范围的中间值；

虚拟生物特征样本更新步骤：

1)设定虚拟生物特征样本可容纳的最大特征点数目N；

2)对匹配对集中每一匹配对的特征点的特征向量进行融合，对融合后的特征向量进行编码，用融合特征编码来替换基准集中对应特征点的特征编码，并增加该特征点的匹配能力参数值；减少基准集中每一个未匹配上的特征点的匹配能力参数值；

3)将目标集中未匹配成功的特征点的位置信息、特征点编码以及匹配能力参数加入基准集，构成新的基准集；

4)对新的基准集按匹配能力参数值从大到小进行降序排序，保留新的基准集中前N个特征点的位置信息、特征点编码以及匹配能力参数形成新的虚拟生物特征样本的的基准集用于下一次匹配步骤。

本发明利用每次采集到的生物特征信息，根据基于特征点匹配的生物特征识别方法的特点，引入虚拟生物特征样本的概念，采用在线训练的方法，将采集到的生物特征信息和数据库中的生物特征样本进行融合，生成新的生物特征样本，能够通过少量的输入样本，对提取出的各个特征点的质量和稳定性进行鉴别，产生出具有更高稳定性和独特性的生物特征样本，提高了系统的识别稳定性与准确率。

本发明的有益效果是，使系统在长期使用的过程中能够逐步稳定的增加正识率，减少误拒率，并且对采集环境和采集器材的变化拥有一定的自适应性。

附图说明

图1是现有虹膜识别系统的流程示意图。

图2是含匹配能力参数的虹膜编码示意图。

图3是实施例虚拟虹膜样本的更新流程图。

具体实施方式

为了方便地描述本实施例内容，首先对一些术语进行定义。

特征点：特征点及其附近区域代表图像中稳定的、信息量丰富、具有代表性的区域，是图像局部特征匹配的基础。常用的特征点检测方法包括快速角点检测、尺度不变特征转换SIFT特征检测和基于加速鲁棒SURF特征检测。

特征描述子：特征描述子Descriptor是对特征点附近区域局部特征的定量化数据描述，一个好的特征描述子应该能够充分表达特征点局部图像的形状和纹理结构，具备高的鲁棒性、独特性和匹配速度。特征点的坐标信息与特征编码包含在特征描述子中。

虹膜编码：虹膜编码就是从虹膜图像中提取到的用来匹配识别的特征向量，实际上就是将虹膜图像每个特征点的特征描述子连接起来得到。

特征点匹配。特征点匹配就是把两幅图像中取得的特征点进行逐一比对，计算其特征点描述子间的距离，来判断两个特征点是否在原图像中对应同一个位置。代表图像相同位置的特征点对应当具有较小的距离，从两幅图像的特征点集合中找到两两距离最近的特征点匹配对，这些匹配对可以确定两幅图像间的对应关系，从而断定两幅图像是否采集自同一目标。

图像样本距离：经过特征点匹配得到的匹配对数目就能用来衡量两幅图像的匹配程度，很显然，特征点匹配对数目越多，图像样本间距离越小。现有各种计算图像样本间距离的方法均可适用于本发明。本实例为了使距离比较均匀的分布在[0，1]区间内，我们采用下面的公式来归一化两幅图像样本的距离，D为样本距离，n为匹配对集中特征点匹配对的数目，e为自然对数的底数。

$D=1-e^{-\frac{n}{10}}$

虚拟虹膜样本：虚拟虹膜样本是相对于实际采集到的虹膜样本而言的，它是在训练过程中由算法根据各采集样本动态生成的，如图2所示。它并不包含真正的图像信息，但其和普通的图像采集样本一样，其编码记录了各特征点的位置信息及其特征编码。

匹配能力参数：为了度量各个特征点的有效性，虚拟虹膜样本的编码中必须包含一些额外的信息，用于保存该特征点的历史匹配记录。因此为虚拟虹膜样本中的每个特征点引入一个新参数w，范围为[0,255]，用于衡量特征点在同类虹膜中正确匹配的能力，每个特征点的初始w＝128。特征点的参数w值越大，表明这个特征点越频繁的被匹配成功，也就越能代表该虹膜的特征。

实施例以虹膜特征识别为例，依照本发明思想也同样适用于其他基于特征点匹配的生物特征识别场合，流程如下，其中对虚拟虹膜样本的更新流程如图3所示：

步骤1：对采集到的虹膜图像进行质量评估，定位虹膜的位置。

步骤2：将步骤1定位到的虹膜区域归一化为64×256像素的灰度图像，并采用图像处理的办法进行增强。

步骤3：采用改进的SURF方法在归一化的虹膜图像上定位特征点的位置，对定位到的特征点附近区域进行描述，生成虹膜编码。

步骤4：初始化虚拟虹膜样本。对于第一幅用于初始化的虹膜归一化图片，直接采纳其所有的特征点的特征描述子加入基准集{p_i}，构成虚拟虹膜样本，并给每个特征点的匹配能力参数赋予初始值128。设定虚拟虹膜样本可容纳的最大特征点数目N，确定一个样本是否应当纳入训练的距离阈值T。

步骤5：对于之后输入的每一幅带识别的虹膜图片，对图片进行归一化后，进行如下操作：

5-1.对其特征点进行编码，将特征点的特征描述子构成目标集{q_j}，初始化每个特征点的匹配能力参数w＝128；

5-2.将目标集{q_j}与基准集{p_i}中的特征点进行匹配，获得匹配对集{<p_i,q_j>}，计算样本距离D；如果样本距离D≤T，则表示匹配成功，则将该样本纳入训练，进入后续步骤，产生新的虚拟虹膜样本。若样本距离D>T，则放弃对这幅图片的训练，跳过后续步骤。

5-3.对于基准集中每一个匹配成功的特征点p_i，进行如下操作：

a)对p_i和q_j中的特征进行融合，并重新进行二进制编码，替换p_i原有中的编码；

b)增加p_i的参数w的值，其绝对值与该匹配对<p_i,q_j>的距离成负相关。

对于基准集中每一个未匹配上的特征点p_e，进行如下操作：

c)减少p_e的参数w的值，其绝对值与匹配对<p_i,q_j>的距离成正相关。可选的，对参数w的增减也可以按照固定的步长或预定步长进行。实施例给出一个按样本距离增加参数w可以更切实地优化虚拟虹膜。

5-4.将未匹配成功的目标集{q_e}归一化，然后和原基准集{p_i}合并，构成新的基准集{p_n}，然后按参数w进行降序排序，保留{p_n}中前N个特征点，形成新的虚拟虹膜样本。

步骤6：在虹膜使用过程中，对每一个待识别的虹膜归一化图片，重复步骤5中的操作。

通过以上步骤，就能使虹膜识别系统在使用的过程中，不断提高虹膜模板的匹配能力，进而提高系统的识别能力。

采用本实施例的方法，将虚拟虹膜样本的生成和训练模块加入已有的虹膜识别系统，采用中科院CASIA v3.0lamp库中的虹膜样本进行了测试。测试结果表明，本方法与系统原有算法相比，在显著提高识别准确率(等错误率和FMR₁₀₀₀降低了超过50％)的情况下，算法的耗时和内存占用仅仅增加了5％。

综上所述，本发明的方法根据基于特征点匹配的模式识别方法的特点，引入虚拟虹膜样本的概念，采用在线训练的方法，在提高虹膜识别系统的识别正确率和稳定性的同时，控制了算法的时间和空间复杂度，符合实时性的要求。

Claims (4)

1.一种基于在线特征点匹配的生物特征识别方法，其特征在于，包括以下步骤：

生物特征采集、特征提取步骤：当采集到输入的训练图像或待识别图像时，对当前输入的图像进行预处理，对预处理后的图像提取特征点的特征向量，并对特征向量进行编码，将输入图像中所有特征点的位置信息与特征编码加入目标集，设置目标集中每个特征点的匹配能力参数为匹配能力参数范围的中间值，之后进入匹配步骤；

匹配步骤：将目标集与虚拟生物特征样本的基准集中的特征点进行匹配，获得匹配对集，计算根据匹配对集中特征点匹配对的数量计算样本距离；匹配对集中特征点匹配对的数目越多，图像样本间距离越小；如样本距离大于阈值则表示匹配失败，识别结束；如样本距离大于阈值则表示匹配成功，并进入虚拟生物特征样本更新步骤；所述虚拟生物特征样本的初始化为：对样本图片的特征点的特征向量进行编码，将样本图片中所有特征点的位置信息与特征编码加入虚拟生物特征样本的基准集，并设置基准集中每个特征点的匹配能力参数初始值为匹配能力参数范围的中间值；

虚拟生物特征样本更新步骤：

1)设定虚拟生物特征样本可容纳的最大特征点数目N；

2)对匹配对集中每一匹配对的特征点的特征向量进行融合，对融合后的特征向量进行编码，用融合特征编码来替换基准集中对应特征点的特征编码，并增加该特征点的匹配能力参数值；减少基准集中每一个未匹配上的特征点的匹配能力参数值；

3)将目标集中未匹配成功的特征点的位置信息、特征点编码以及匹配能力参数加入基准集，构成新的基准集；

4)对新的基准集按匹配能力参数值从大到小进行降序排序，保留新的基准集中前N个特征点的位置信息、特征点编码以及匹配能力参数形成新的虚拟生物特征样本的的基准集用于下一次匹配步骤。

2.如权利要求1所述一种基于在线特征点匹配的生物特征识别方法，其特征在于，匹配能力参数范围为0-255，匹配能力参数范围的中间值为128。

3.如权利要求1所述一种基于在线特征点匹配的生物特征识别方法，其特征在于，样本距离的计算方法为：

$D=1-e^{-\frac{n}{10}}$

其中，D为样本距离，n为匹配对集中特征点匹配对的数目，e为自然对数的底数。

4.如权利要求1所述一种基于在线特征点匹配的生物特征识别方法，其特征在于，虚拟生物特征样本更新步骤的步骤4)中，增加或减少的匹配能力参数值与样本距离呈负相关。