CN104751186A - 一种基于bp网络和小波变换的虹膜图像质量分类方法 - Google Patents

Abstract

本发明公开了一种基于BP网络和小波变换的虹膜图像质量分类方法，包括构建用于虹膜图像质量分类的BP神经网络模型；选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；将提取的小波变换系数的特征值输入BP神经网络模型进行训练；利用训练后的BP神经网络模型对虹膜图像质量进行分类；输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型；若BP神经网络模型的输出结果与可用虹膜的期望值相同，则判断当前输入虹膜质量可用；否则，若输出结果与不可用虹膜的期望值不同，则判断当前输入虹膜质量不可用。

Description

一种基于BP网络和小波变换的虹膜图像质量分类方法

技术领域

本发明属于图像识别领域，尤其涉及一种基于BP网络和小波变换的虹膜图像质量分类方法。

背景技术

虹膜识别是近年发展起来的一种新型生物特征识别方法。与指纹识别、人脸识别和语音识别等其它生物特征识别方法相比，虹膜识别在准确性、唯一性、稳定性、可采集性和非侵犯性等方面具有更强的优势。在实际应用中，虹膜识别系统的识别效果与采集的图像质量密切相关。虹识别系统要求人必须和设备进行合作。但是由于设备和人之间存在一些不确定、不稳定的因素。在虹膜图像采集的过程中，不均匀的光线条件、人眼与采集装置距离的变化、人眼的生理结构(如眼睑、睫毛等)往往导致虹膜图像亮度不均、虹膜图像位置和大小的变化、遮挡虹膜纹理的有效区域，影响了虹膜识别效果，降低了虹膜识别的准确率。为了提高识别准确率当采集到一幅虹膜图像后，需要对虹膜图像进行质量评价，检验虹膜图像是否合格，以筛选掉采集效果不佳的图像保证后续操作的顺利进行。

目前，已有不少工作研究虹膜识别中的图像质量评价方法。尽管虹膜识别技术得到了迅速发展，但是在实际应用中，由于受到外界环境或人为因素干扰，采集到的虹膜图像会表现出诸多“非理想”特性，而使识别结果受到严重影响。非理想特征表现多样，包括反光(由近红外光源照射或眼镜反射造成)、眼睑/睫毛遮挡、散焦(非聚焦距离拍摄造成)、运动模糊和面部偏转(由人的头部运动造成)、图像对比度过低(由采集现场光照造成)等。因此在前述方法中，许多研究者也考虑到了虹膜图像质量分析问题。在最早的Daugman方法中，作者提出利用频谱中的高频分量大小分析图像散焦，但未就具体方法做出说明；其后期工作中，Daugman提出了一种多重质量分析方法，即通过傅立叶能量谱分析是否散焦，通过检测虹膜区域直方图的峰值个数消除眼睑遮挡。Wildes提出利用边缘对比度实现质量分析；Ma等提出了基于局部图直方图均衡的图像增强策略，同时通过分析图像傅里叶变换中的高、中、低频分量评定图像质量；Vatsa等提出了一种基于SVM(支持向量机)的图像增强方法。Abhyankar等提出的质量分析较为全面，包括通过积分/微分算子计算遮挡比例，通过拉普拉斯算子进行边缘检测以实现散焦分析，最终将上述结果进行融合得到质量分析结果。但是这一方法没有讨论角度形变问题。等研究了不同非理想因素对识别结果的影响，结果表明分割精度影响最大；陈瑞等提出了基于小波-contourlet变换的质量分析方法。上述文献虽然提出了虹膜质量分类方法，但对图像数据的适用性较差，对许多非理想采集环境下获得的虹膜图像进行质量分类效果不够理想。虹膜识别是一种非侵犯性的身份鉴别技术。但是,由于虹膜图像受对比度、光照、干扰等的影响,导致提取的虹膜特征模板中存在一些不稳定的特征,增加了虹膜识别的难度。

发明内容

为了解决现有技术的缺点，本发明针对不同质量的虹膜图像，提供了一种基于BP网络和小波变换的虹膜图像质量分类方法。

本发明采用以下技术方案：

一种基于BP网络和小波变换的虹膜图像质量分类方法，包括：

步骤(1)：构建用于虹膜图像质量分类的BP神经网络模型；所述BP神经网络模型的输出节点个数为2，表示两种输出结果：虹膜图像可用和虹膜图像不可用；

步骤(2)：选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；

步骤(3)：将提取的小波变换系数的特征值输入BP神经网络模型进行训练；

步骤(4)：利用训练后的BP神经网络模型对虹膜图像质量进行分类；

输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型；若BP神经网络模型的输出结果与可用虹膜的期望值相同，则判断当前输入虹膜质量可用；否则，若输出结果与不可用虹膜的期望值不同，则判断当前输入虹膜质量不可用。

所述BP神经网络的模型表达式为：

net＝newff(PR,[S₁S₂,...,S_N],{TF₁,TF₂,...,TF_N},BTF,BLF,PF)   (1)

其中，net:建构得到的神经网络；newff：建构函数；PR：p×2的矩阵以定义输入向量的最小值和最大值，p为输入节点的个数；S_i：第i层神经元个数；TF_i：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。

所述步骤(2)中的对选定的若干虹膜图像样本进行小波变换的具体过程为：

假设Ω表示全体虹膜图像，Ω_samp为选定的若干虹膜图像样本，则令I_k表示Ω_samp中的第k幅图像，则I_k∈Ω_samp，对I_k进行小波变换，

[c_k，s_k]＝wavedec(I_k，N，wname)   (2)

其中，wavedec表示小波分解运算符，c_k表示对图像I_k进行小波变换后得到的小波系数，s_k对图像I_k进行小波变换后各层小波系数的长度，N表示变换层数，wname表示变换采用的小波基函数的名称。

所述步骤(2)中提取小波变换的变换系统的特征值的具体过程为：

图像I_k经过小波分解后，得到一系列不同分辨率的子图像c_k：

$c_k=[c_{k0},c_{\mathrm{ki}}^{\mathrm{HG}},c_{\mathrm{ki}}^{\mathrm{GH}},c_{\mathrm{ki}}^{\mathrm{HH}}],i=1,...,N---\left(3\right)$

其中，c_k0表示最低频子图像的系数，表示训练样本中第k幅虹膜图像经小波变换得到的第i层子图像系数，其中表示水平高通-垂直低通系数，表示水平低通-垂直高通系数，表示水平高通-垂直高通系数；

对c_k0,的数据按照绝对值从大到小进行排序：

c_{k0_asc}＝ascend(|c_k0|)   (4)

$c_{1i\_\mathrm{asc}}^{\mathrm{HG}}=\mathrm{ascend}\left(\right|c_{1i}^{\mathrm{HG}}\left|\right)---\left(5\right)$

$c_{1i\_\mathrm{asc}}^{\mathrm{GH}}=\mathrm{ascend}\left(\right|c_{1i}^{\mathrm{GH}}\left|\right)---\left(6\right)$

$c_{1i\_\mathrm{asc}}^{\mathrm{GG}}=\mathrm{ascend}\left(\right|c_{1i}^{\mathrm{GG}}\left|\right)---\left(7\right)$

其中，c_{k0_asc}表示对c_k0的绝对值|c_k0|进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据；descend表示从排序函数。

所述步骤(3)中训练BP神经网络模型的过程为：

步骤(3.1)：初始化BP神经网络模型参数，所述BP神经网络模型参数包括输入层节点个数、输出层节点个数、隐含层节点个数、BP神经网络权值、初始化输入层阈值和输出层阈值；

步骤(3.2)：计算输入层和输出层；

步骤(3.3)：计算可用虹膜输出端和不可用虹膜输出端的误差；

步骤(3.4)：更新BP神经模型的权值；

步骤(3.5)：更新BP神经模型的输入层和输出层的阈值。

所述步骤(3.1)初始化BP神经网络模型参数的过程为：

步骤(3.1.1)：输入层节点个数初始化为

p＝p_c+p_HG+p_GH+p_GG   (8)

其中，p_c、p_HG、p_GH、p_GG分别为c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}所包含的系数的个数；c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}就是BP神经网络的输入，c_{k0_asc_mc}表示c_{k0_asc}中前mc％大的归一化系数，c_{k0_asc_mHG}表示中前mHG％大的归一化系数，c_{k0_asc_mGH}表示中前mGH％大的归一化系数，c_{k0_asc_mHH}表示中前mGG％大的归一化系数；mc％、mHG％、mGH％和mGG％表示百分比；

步骤(3.1.2)：隐含层节点个数为p_Hide；

步骤(3.1.3)：输出层节点个数为2；

步骤(3.1.4)：初始化BP神经网络权值W_i,j＝1,W_jk＝1,W_i,j表示连接第i个输入节点与第j个隐含层节点的权值，W_jk表示连接第j个输入节点与第k个隐含层节点的权值，1≤i≤p,1≤j≤p_Hide,1≤k≤2；

步骤(3.1.5)：初始化输入层阈值TH_in和输出层阈值TH_out。

所述步骤(3.2)中计算输入层的过程为

$H_j=f(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{x}_i-{\mathrm{TH}}_{\mathrm{in}}),i=\mathrm{1,2},....,p;j=\mathrm{1,2},....,p_{\mathrm{Hide}}---\left(9\right)$

$f\left(x\right)=\frac{1}{1+e^x}---\left(10\right)$

这里H_j表示隐含层第j个节点的权值；

所述步骤(3.2)中计算输出层的计算过程如下：

$O_k=\underset{i=1}{\overset{p_{\mathrm{Hide}}}{\mathrm{\Σ}}}{H}_j{W}_{\mathrm{jk}}-{\mathrm{TH}}_{\mathrm{out}},i=\mathrm{1,2},....,p;j=\mathrm{1,2},....,p_{\mathrm{Hide}}---\left(11\right)$

其中，O_k表示第k个输出节点的输出。

所述步骤(3.3)中计算可用虹膜输出端和不可用虹膜输出端的误差的过程如下：

Δ_yes＝T_yes-O₁   (12)

Δ_no＝T_no-O₂   (13)

其中，T_yes和T_no分别表示可用虹膜图像质量的期望输出和不可用虹膜图像质量的期望输出，Δ_yes表示可用虹膜图像质量的期望输出与可用虹膜图像质量实际输出的误差，Δ_no表示不可用虹膜图像质量的期望输出与不可用虹膜图像质量实际输出的误差。

所述步骤(3.4)中更新BP神经模型的权值的过程如下

$W_{\mathrm{ij}}=W_{\mathrm{ij}}+H_j(1-H_j)x_i\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{e}_k,i=\mathrm{1,2},...,p,j=\mathrm{1,2},...,p_{\mathrm{Hide}}---\left(14\right)$

W_jk＝W_jk+H_je_k,k＝1,2   (15)

其中，e_k表示第k个输出节点的误差，且e_k∈[Δ_yes,Δ_no]；

所述步骤(3.5)中更新BP神经模型的输入层和输出层的阈值的过程如下：

TH'_out＝TH_out+e_k   (17)

其中，TH′_in表示更新后的BP神经模型的输入层阈值；TH'_out表示更新后的BP神经模型的输出层阈值。

本发明的有益效果为：

(1)针对不稳定特征影响虹膜的正确分类问题，本发明提出了一种基于BP神经网络和小波变换的虹膜图像质量分类方法运算速度较快，识别效果良好，对严重不符合质量规范的采集到的虹膜图像将予以拒绝；

(2)本发明具有较好的环境适应性，能够根据虹膜采集环境的改变而具备自主学习能力，减少人工干预，自动化程度较高。

附图说明

图1为本发明的方法流程图

图2为本发明采用的三层BP神经网络结构图；

图3为对虹膜图像进行三层小波变换的结果；

图4为BP神经网络的训练过程示意图；

图5a)为对无遮挡的虹膜图像质量的预测结果图；

图5b)为对无遮挡的虹膜图像质量的输出误差图；

图6a)为对存在眼镜遮挡的虹膜图像质量的预测结果图；

图6b)为对存在眼镜遮挡的虹膜图像质量的输出误差图；

图7a)为存在眼睑遮挡的虹膜图像质量的预测结果图；

图7b)为存在眼睑遮挡的虹膜图像质量的输出误差图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

如图1所示，一种基于BP网络和小波变换的虹膜图像质量分类方法，包括：

步骤(1)：构建用于虹膜图像质量分类的BP神经网络模型；所述BP神经网络模型的输出节点个数为2，表示两种输出结果：虹膜图像可用和虹膜图像不可用；

步骤(2)：选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；

步骤(3)：将提取的小波变换系数的特征值输入BP神经网络模型进行训练；

步骤(4)：利用训练后的BP神经网络模型对虹膜图像质量进行分类；

输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型；若BP神经网络模型的输出结果与可用虹膜的期望值相同接则判断当前输入虹膜质量可用；否则，若输出结果与不可用虹膜的期望值不同，则判断当前输入虹膜质量不可用。

其中，所述BP神经网络的模型表达式为：

net＝newff(PR,[S₁S₂,...,S_N],{TF₁,TF₂,...,TF_N},BTF,BLF,PF)   (1)

其中，net:建构得到的神经网络；newff：建构函数；PR：p×2的矩阵以定义输入向量的最小值和最大值，p为输入节点的个数；S_i：第i层神经元个数；TF_i：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。

所述步骤(2)中的对选定的若干虹膜图像样本进行小波变换的具体过程为：

假设Ω表示全体虹膜图像，Ω_samp为选定的若干虹膜图像样本，则令I_k表示Ω_samp中的第k幅图像，则I_k∈Ω_samp，对I_k进行小波变换，

[c_k，s_k]＝wavedec(I_k，N，wname)   (2)

其中，wavedec表示小波分解运算符，c_k表示对图像I_k进行小波变换后得到的小波系数，s_k对图像I_k进行小波变换后各层小波系数的长度，N表示变换层数，wname表示变换采用的小波基函数的名称。本实施例中N＝3，小波基函数采用Meyer小波基函数。不同子图像对应的频率是不相同的。高分辨率子图像上大部分点的数值都接近于0，所以可以用低频部分表现一幅图像的主要信息。如图2所示为一幅虹膜图像经过三层二维小波变换后的图像，图像大小为300×300。经过一层分解得到的子带图像大小为151×151，经过二层分解得到的为77×77，经过三层分解得到子带图像大小为40×40。

所述步骤(2)中提取小波变换的变换系统的特征值的具体过程为：

图像I_k经过小波分解后，得到一系列不同分辨率的子图像c_k：

$c_k=[c_{k0},c_{\mathrm{ki}}^{\mathrm{HG}},c_{\mathrm{ki}}^{\mathrm{GH}},c_{\mathrm{ki}}^{\mathrm{HH}}],i=1,...,N---\left(3\right)$

其中，c_k0表示最低频子图像的系数，表示训练样本中第k幅虹膜图像经小波变换得到的第i层子图像系数，表示水平高通-垂直低通系数，表示水平低通-垂直高通系数，表示水平高通-垂直高通系数；

对c_k0,的数据按照绝对值从大到小进行排序：

c_{k0_asc}＝ascend(|c_k0|)   (4)

$c_{1i\_\mathrm{asc}}^{\mathrm{HG}}=\mathrm{ascend}\left(\right|c_{1i}^{\mathrm{HG}}\left|\right)---\left(5\right)$

$c_{1i\_\mathrm{asc}}^{\mathrm{GH}}=\mathrm{ascend}\left(\right|c_{1i}^{\mathrm{GH}}\left|\right)---\left(6\right)$

$c_{1i\_\mathrm{asc}}^{\mathrm{GG}}=\mathrm{ascend}\left(\right|c_{1i}^{\mathrm{GG}}\left|\right)---\left(7\right)$

其中，c_{k0_asc}表示对c_k0的绝对值|c_k0|进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据；descend表示从大到小排序函数，得到的小波变换后的虹膜图像结果如图3所示。

如图4所示，步骤(3)中训练BP神经网络模型的过程为：

步骤(3.1)：初始化BP神经网络模型参数，所述BP神经网络模型参数包括输入层节点个数、输出层节点个数、隐含层节点个数、BP神经网络权值、初始化输入层阈值和输出层阈值；

步骤(3.2)：计算输入层和输出层；

步骤(3.3)：计算可用虹膜输出端和不可用虹膜输出端的误差；

步骤(3.4)：更新BP神经模型的权值；

步骤(3.5)：更新BP神经模型的输入层和输出层的阈值。

所述步骤(3.1)初始化BP神经网络模型参数的过程为：

步骤(3.1.1)：输入层节点个数初始化为

p＝p_c+p_HG+p_GH+p_GG   (8)

其中，p_c、p_HG、p_GH、p_GG分别为c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}所包含的系数的个数；c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}就是BP神经网络的输入，c_{k0_asc_mc}表示c_{k0_asc}中前mc％大的归一化系数，c_{k0_asc_mHG}表示中前mHG％大的归一化系数，c_{k0_asc_mGH}表示中前mGH％大的归一化系数，c_{k0_asc_mHH}表示中前mGG％大的归一化系数；mc％、mHG％、mGH％和mGG％表示百分比；

步骤(3.1.2)：隐含层节点个数为p_Hide，p_Hide＝40；

步骤(3.1.3)：输出层节点个数为2；

步骤(3.1.4)：初始化BP神经网络权值W_i,j＝1,W_jk＝1,W_i,j表示连接第i个输入节点与第j个隐含层节点的权值，W_jk表示连接第j个输入节点与第k个隐含层节点的权值，1≤i≤p,1≤j≤p_Hide,1≤k≤2；

步骤(3.1.5)：初始化输入层阈值TH_in和输出层阈值TH_out；本实施例中初始化网络权值W_i,j＝1,W_jk＝1,最后，初始化输入层阈值TH_in和输出层阈值TH_out，TH_in＝10，TH_out＝10。

所述步骤(3.2)中计算输入层的过程为

$H_j=f(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{x}_i-{\mathrm{TH}}_{\mathrm{in}}),i=\mathrm{1,2},....,p;j=\mathrm{1,2},....,p_{\mathrm{Hide}}---\left(9\right)$

$f\left(x\right)=\frac{1}{1+e^x}---\left(10\right)$

这里H_j表示隐含层第j个节点的权值；

所述步骤(3.2)中计算输出层的计算过程如下：

$O_k=\underset{i=1}{\overset{p_{\mathrm{Hide}}}{\mathrm{\Σ}}}{H}_j{W}_{\mathrm{jk}}-{\mathrm{TH}}_{\mathrm{out}},i=\mathrm{1,2},....,p;j=\mathrm{1,2},....,p_{\mathrm{Hide}}---\left(11\right)$

其中，O_k表示第k个输出节点的输出。

所述步骤(3.3)中计算可用虹膜输出端和不可用虹膜输出端的误差的过程如下：

Δ_yes＝T_yes-O₁   (12)

Δ_no＝T_no-O₂   (13)

其中，T_yes和T_no分别表示可用虹膜图像质量的期望输出、不可用虹膜图像质量的期望输出，Δ_yes表示可用虹膜图像质量的期望输出与可用虹膜图像质量实际输出的误差，Δ_no表示不可用虹膜图像质量的期望输出与不可用虹膜图像质量实际输出的误差。

所述步骤(3.4)中更新BP神经模型的权值的过程如下

$W_{\mathrm{ij}}=W_{\mathrm{ij}}+H_j(1-H_j)x_i\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{e}_k,i=\mathrm{1,2},...,p,j=\mathrm{1,2},...,p_{\mathrm{Hide}}---\left(14\right)$

W_jk＝W_jk+H_je_k,k＝1,2   (15)

其中，e_k表示第k个输出节点的误差，且e_k∈[Δ_yes,Δ_no]；

所述步骤(3.5)中更新BP神经模型的输入层和输出层的阈值的过程如下：

TH'_out＝TH_out+e_k   (17)

其中，TH′_in表示更新后的BP神经模型的输入层阈值；TH'_out表示更新后的BP神经模型的输出层阈值。

本发明实验采用的虹膜数据来自国际上广泛采用的UBIRIS.v2虹膜数据库。在虹膜图像质量分类前必须从上述数据库中选择若干样本进行人工质量分类。本发明从UBIRIS.v2虹膜数据库中依据如下三种类型分别选择了样本：

分类一：光照条件良好和光照条件不良(人工判决)；

分类二：戴眼镜与不戴眼镜(人工判决)；

分类三：遮挡严重与遮挡不严重(人工判决)；

用本发明提出的方法，通过训练好的BP神经网络预测函数输出，按照分类一的预测结果和输出误差分别如图5a)和图5b)所示，按照分类二的预测结果和输出误差分别如图6a)和图6b)所示，按照分类三的预测结果和输出误差分别如图7a)和图7b)所示,。

对于分类一，即对于光照条件良好和光照条件不佳的图像，本发明选取的小波系数为第三层分解得到的低频小波系数的前百分之五。经观察发现，对于光照条件好的图像，对其小波分解后所得到的三层低频小波系数的绝对值均在1200以上，而对于光照条件不好的图像其对应系数的绝对值均在1000以下。故以此作为BP神经网络的输入,将输出的定义规范为，当输入的是光照好的虹膜图像的小波系数时，输出为1，当输入为光照不好的小波系数时，输出为0。

对于分类二，即戴眼镜反光的虹膜图片和戴眼镜不反光的虹膜图像，本发明选取的小波系数为第三层低频小波系数的最大值与最小值之差。经观察发现，对于戴了眼镜并反光的图像，其小波分解后所得到的三层低频小波系数的最大绝对值之差均在1600以上，而对于戴了眼镜不反光的图像其对应系数的绝对值均在1600以下。故以此作为BP神经网络的输入,将输出的定义规范为，当输入的是戴了眼镜并反光的虹膜图像的小波系数时，输出为1，当输入为戴了眼镜但不反光的的小波系数时，输出为0。

对于分类三，即被眼皮遮挡的虹膜图片和不被眼皮遮挡的虹膜图像，本次选取的小波系数为第三层低频小波系数的和。经观察发现，对于被眼皮遮挡的图像，其小波分解后所得到的三层低频小波系数的和均在1800000以上，而对于戴了眼镜不反光的图像其对应系数的绝对值均在1800000以下。故以此作为BP神经网络的输入,将输出的定义规范为，当输入的是被眼皮遮挡的虹膜图像的小波系数时，输出为1，当输入不被眼皮遮挡的小波系数时，输出为0。

由输出结果可知，BP神经网络对上述三类不同条件的虹膜图像的分类正确率均达到100％。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，包括：

步骤(1)：构建用于虹膜图像质量分类的BP神经网络模型；所述BP神经网络模型的输出节点个数为2，表示两种输出结果：虹膜图像可用和虹膜图像不可用；

步骤(2)：选定若干虹膜图像样本，对其进行小波变换，提取小波变换系数的特征值；

步骤(3)：将提取的小波变换系数的特征值输入BP神经网络模型进行训练；

步骤(4)：利用训练后的BP神经网络模型对虹膜图像质量进行分类；

输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型；若BP神经网络模型的输出结果与可用虹膜的期望值相同，则判断当前输入虹膜质量可用；否则，若输出结果与不可用虹膜的期望值不同，则判断当前输入虹膜质量不可用。

2.如权利要求1所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述BP神经网络的模型表达式为：

net＝newff(PR,[S₁S₂,...,S_N],{TF₁,TF₂,...,TF_N},BTF,BLF,PF)     (1) 

其中，net:建构得到的神经网络；newff：建构函数；PR：p×2的矩阵以定义输入向量的最小值和最大值，p为输入节点的个数；S_i：第i层神经元个数；TF_i：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。

3.如权利要求1所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(2)中的对选定的若干虹膜图像样本进行小波变换的具体过程为：

假设Ω表示全体虹膜图像，Ω_samp为选定的若干虹膜图像样本，则令I_k表示Ω_samp中的第k幅图像，则I_k∈Ω_samp，对I_k进行小波变换，

[c_k，s_k]＝wavedec(I_k，N，wname)     (2) 

其中，wavedec表示小波分解运算符，c_k表示对图像I_k进行小波变换后得到的小波系数，s_k对图像I_k进行小波变换后各层小波系数的长度，N表示变换层数，wname表示变换采用的小波基函数的名称。

4.如权利要求1所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(2)中提取小波变换的变换系统的特征值的具体过程为：

图像I_k经过小波分解后，得到一系列不同分辨率的子图像c_k：

其中，c_k0表示最低频子图像的系数，表示训练样本中第k幅虹膜图像经小波变换得到的第i层子图像系数，表示水平高通-垂直低通系数，表示水平低通-垂直高通系数，表示水平高通-垂直高通系数；

对c_k0,的数据按照绝对值从大到小进行排序：

c_{k0_asc}＝ascend(|c_k0|)        (4) 

其中，c_{k0_asc}表示对c_k0的绝对值|c_k0|进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据，表示对的绝对值进行排序后的数据；descend表示从大到小排序函数。

5.如权利要求1所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(3)中训练BP神经网络模型的过程为：

步骤(3.1)：初始化BP神经网络模型参数，所述BP神经网络模型参数包括输入层节点个数、输出层节点个数、隐含层节点个数、BP神经网络权值、初始化输入层阈值和输出层阈值；

步骤(3.2)：计算输入层和输出层；

步骤(3.3)：计算可用虹膜输出端和不可用虹膜输出端的误差；

步骤(3.4)：更新BP神经模型的权值；

步骤(3.5)：更新BP神经模型的输入层和输出层的阈值。

6.如权利要求5所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(3.1)初始化BP神经网络模型参数的过程为：

步骤(3.1.1)：输入层节点个数初始化为

p＝p_c+p_HG+p_GH+p_GG         (8) 

其中，p_c、p_HG、p_GH、p_GG分别为c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}所包含的系数的个数；c_{k0_asc_mc}、c_{k0_asc_mHG}、c_{k0_asc_mGH}和c_{k0_asc_mHH}就是BP神经网络的输入，c_{k0_asc_mc}表示c_{k0_asc}中前mc％大的归一化系数，c_{k0_asc_mHG}表示中前mHG％大的归一化系数，c_{k0_asc_mGH}表示中前mGH％大的归一化系数，c_{k0_asc_mHH}表示中前mGG％大的归一化系数；mc％、mHG％、mGH％和mGG％表示百分比；

步骤(3.1.2)：隐含层节点个数为p_Hide；

步骤(3.1.3)：输出层节点个数为2；

步骤(3.1.4)：初始化BP神经网络权值W_i,j＝1,W_jk＝1,W_i,j表示连接第i个输入节点与第j个隐含层节点的权值，W_jk表示连接第j个输入节点与第k个隐含层节点的权值，1≤i≤p,1≤j≤p_Hide,1≤k≤2；

步骤(3.1.5)：初始化输入层阈值TH_in和输出层阈值TH_out。

7.如权利要求5所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(3.2)中计算输入层的过程为

这里H_j表示隐含层第j个节点的权值；

所述步骤(3.2)中计算输出层的计算过程如下：

其中，O_k表示第k个输出节点的输出。

8.如权利要求5所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(3.3)中计算可用虹膜输出端和不可用虹膜输出端的误差的过程如下：

Δ_yes＝T_yes-O₁         (12) 

Δ_no＝T_no-O₂            (13) 

其中，T_yes和T_no分别表示可用虹膜图像质量的期望输出、不可用虹膜图像质量的期望输出，Δ_yes表示可用虹膜图像质量的期望输出与可用虹膜图像质量实际输出的误差，Δ_no表示不可用虹膜图像质量的期望输出与不可用虹膜图像质量实际输出的误差。

9.如权利要求5所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(3.4)中更新BP神经模型的权值的过程如下

W_jk＝W_jk+H_je_k,k＝1,2            (15) 

其中，e_k表示第k个输出节点的误差，且e_k∈[Δ_yes,Δ_no]。

10.如权利要求5所述的一种基于BP网络和小波变换的虹膜图像质量分类方法，其特征在于，所述步骤(3.5)中更新BP神经模型的输入层和输出层的阈值的过程如下：

TH′_out＝TH_out+e_k          (17) 

其中，TH′_in表示更新后的BP神经模型的输入层阈值；TH′_out表示更新后的BP神经模型的输出层阈值。