CN105069428A - 一种基于相似性原理的多模板虹膜识别方法及装置 - Google Patents

Abstract

本发明提供了一种基于相似性原理的多模板虹膜识别方法及装置，方法包括如下步骤：取得多个人脸图像，生成图像模板集；对模板图像进行分割与提取，得到虹膜图像模板集；基于相似性原理对模板虹膜图像进行线性表示，得到目标图像；利用标准互信息确认身份。本发明利用测试者的历史虹膜模板图像进行线性加权得到测试者的虹膜图像，解决了光照不一致、物距不一致、拍摄角度有偏差导致图像灰度不均匀、尺度不一致、扭曲畸变等引起的传统的单模版算法识别率下降问题，提高了虹膜识别的效率以及准确率。

Description

一种基于相似性原理的多模板虹膜识别方法及装置

技术领域

本发明属于虹膜识别领域，尤其是涉及一种基于相似性原理的多模板虹膜识别方法及装置。

背景技术

生物识别技术基于个体拥有的固有特征进行个体的辨别，目前利用生物识别技术如指纹识别、手掌几何学识别、声音识别、视网膜识别、虹膜识别、签名识别、面部识别等来识别个人的身份具有不易遗忘、防伪性能好、不易伪造、安全性高、保密性好等特点。虹膜识别拥有高可靠性、唯一性、不可伪造性以及不可侵犯等优点得到广泛的应用。

在传统的单模板虹膜识别方法中，利用测试者的模板图片进行特征提取以及匹配，然而，在获取测试者的虹膜图像过程中，由于光照、拍摄角度等原因造成图像的灰度不一致、尺度不一致、扭曲畸变等引起算法的识别率下降，这也给利用虹膜识别技术进行身份的验证带来了困难。因此，研究一种高效率、高精度的虹膜识别方法也是人们研究的重点。

发明内容

有鉴于此，本发明旨在提出一种基于相似性原理的多模板虹膜识别方法及装置，以克服单模板算法识别率低的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于相似性原理的多模板虹膜识别方法，包括如下步骤：

(1)取得多个人脸图像，生成图像模板集；

(2)对模板图像进行分割与提取，得到虹膜图像模板集；

(3)基于相似性原理对模板虹膜图像进行线性表示，得到目标图像；

(4)计算标准互信息值，与设定阈值进行比较进行身份确认。

进一步的，所述步骤(2)具体还包括如下步骤：

(a)基于级联的haar特征的人脸检测与定位；

(b)基于级联的haar特征的人眼的检测与定位；

(c)基于霍夫变换的瞳孔与虹膜的轮廓定位；

(d)基于极坐标变换的虹膜图像的展开；

(e)对图像灰度进行归一化处理。

进一步的，所述步骤(3)具体包括如下步骤：

其中Y是表示后的目标图像，D是模板图像，X是当前待测图像，ω为相似性系数，为归一化后的系数，为相似性计算

进一步的，所述步骤(4)中标准互信息计算公式如下：其中X为当前待测图像，Y为线性表示后的图像，p(x,y)为联合概率分布，p(x)、p(y)为边缘概率分布，

$I(X;Y)=\underset{y\∈Y}{\Σ}\underset{x\∈X}{\Σ}p(x,y)log\left(\frac{p(x,y)}{p\left(x\right)p\left(y\right)}\right)$

I取值范围为0到1。

相对于现有技术，本发明所述的一种基于相似性原理的多模板虹膜识别方法具有以下优势：

(一)本发明利用测试者的历史虹膜模板图像进行线性加权得到测试者的虹膜图像，解决了光照不一致、物距不一致、拍摄角度有偏差导致图像灰度不均匀、尺度不一致、扭曲畸变等引起的传统的单模版算法识别率下降问题，提高了虹膜识别的效率以及准确率；

(二)提出利用标准互信息对身份进行确认。

本发明的另一目的在于提出一种基于相似性原理的多模板虹膜识别装置，以实现上述的多模板虹膜识别方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于相似性原理的多模板虹膜识别装置，包括：

用于取得多个人脸图像，生成图像模板集的图像采集装置；

用于对模板图像进行分割与提取的图像处理装置；

用于对模板虹膜图像进行线性表示，得到目标图像的目标获取装置；

用于计算标准互信息值，与设定阈值进行比较进行身份确认的身份确认装置。

进一步的，其特征在于：所述用于对模板虹膜图像进行分割与提取的图像处理装置还包括如下装置：

基于级联的haar特征的人脸检测与定位的人脸检测与定位装置；

基于级联的haar特征的人眼的检测与定位的人眼检测与定位装置；

基于霍夫变换的瞳孔与虹膜的轮廓定位的瞳孔与虹膜的轮廓定位装置；

基于极坐标变换的虹膜图像的展开的虹膜图像展开装置；

对图像灰度进行归一化处理的图像归一化处理装置。

所述一种基于相似性原理的多模板虹膜识别装置与上述一种基于相似性原理的多模板虹膜识别方法相对于现有技术所具有的优势相同，在此不再赘述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种基于相似性原理的多模板虹膜识别方法的流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

如图1所示，一种基于相似性原理的多模板虹膜识别方法，包括如下步骤：

(1)取得多个人脸图像，生成图像模板集；

(2)对模板图像进行分割与提取，得到虹膜图像模板集；

(a)基于级联的haar特征的人脸检测与定位；

(b)基于级联的haar特征的人眼的检测与定位；

(c)基于Canny边缘检测与霍夫变换的瞳孔与虹膜的轮廓定位；

(d)基于极坐标变换的虹膜图像的展开；

$\left\{\begin{array}{c}r=\sqrt{(x^2+y^2)}\\ \mathrm{\θ}=\arctan (y/x)\end{array}\right.$

(e)对图像灰度进行归一化处理。

归一化公式，数据x_ij是图像X中的i行j列元素，max_X,min_X分别是X中的最大、最小值。

$x_{ij}=\frac{x_{ij}-{\min }_X}{{\max }_X-{\min }_X}$

(3)基于相似性原理，利用模板虹膜图像对输入图像进行线性表示；其中Y是利用模板线性表示后的图像，D是模板图像，X是当前输入待测图像，ω为相似性系数，为归一化后的系数，为相似性计算

其中表示的相似性计算具体计算如下：

设G＝D^t D； $G(i,j)=\frac{<D_i,D_j>}{\left|\right|D_i\left|\right|\left|\right|D_j\left|\right|},$ 其中D_i是D中的一个向量，这里采用余弦相似性，同样可以采用其他相似性度量，D取10个虹膜模板组成模板集；设D＝(d₁,d₂,......d_n)，则 $D^t=\left(\begin{array}{c}{d}_1\\ d_2\\ ...\\ d_n\end{array}\right),$ 令 $D^t\&CircleTimes;D\stackrel{\mathrm{\&Delta;}}{=}\left(\begin{array}{cccc}{d}_1\&CircleTimes;d_1& d_1\&CircleTimes;d_2& ...& d_1\&CircleTimes;d_n\\ d_2\&CircleTimes;d_1& d_2\&CircleTimes;d_2& ...& d_2\&CircleTimes;d_n\\ ...& ...& ...& ...\\ d_n\&CircleTimes;d_1& d_n\&CircleTimes;d_2& ...& d_n\&CircleTimes;d_n\end{array}\right),$

简写为 $G\stackrel{\mathrm{\&Delta;}}{=}\left(\begin{array}{cccc}{g}_{11}& g_{12}& ...& g_{1n}\\ g_{21}& g_{22}& ...& g_{2n}\\ ...& ...& ...& ...\\ g_{n1}& g_{n2}& ...& g_{nn}\end{array}\right),$ 其中g_ij采用余弦相似性计算。

(4)计算标准互信息值，与设定阈值进行比较进行身份确认。

对于输入的待测图像X，基于步骤(3)利用模板D以及相似性函数可以得出一个估计图像Y,可以用标准互信息来计算两者之间的吻合程度。我们遍历所有模板组，找出吻合度最大的模板组来进行身份确认。

$I(X;Y)=\underset{y\&Element;Y}{\&Sigma;}\underset{x\&Element;X}{\&Sigma;}p(x,y)log\left(\frac{p(x,y)}{p\left(x\right)p\left(y\right)}\right)$

其中，p(x,y)为联合概率分布，p(x),p(y)是边缘概率分布，

设标准互信息值阈值为I＝0.8，当得到的I大于0.8时，取最大值的模板组为最终的身份确认，当得到的I小于0.8时，认为没有模板符合身份。

本发明方法，首先对每个人采集十张虹膜图像，形成虹膜数据库，当需要识别人的时候，采集识别人的图像与模板中的图像进行相似性计算，得到目标图像，然后用标准互信息来计算识别人图像与目标图像之间的吻合程度，遍历所有模板组，找出吻合度最大的模板组来进行身份确认，如果得到的标准互信息的值大于设定阈值0.8，则取最大值的模板组为最终的身份确认，如果得到的标准信息的值小于设定阈值0.8，则认为没有符合的身份。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于相似性原理的多模板虹膜识别方法，其特征在于：包括如下步骤：

(1)取得多个人脸图像，生成图像模板集；

(2)对模板图像进行分割与提取，得到虹膜图像模板集；

(3)基于相似性原理对模板虹膜图像进行线性表示，得到目标图像；

(4)计算标准互信息值，与设定阈值进行比较进行身份确认。

2.根据权利要求1所述的一种基于相似性原理的多模板虹膜识别方法，其特征在于：所述步骤(2)具体还包括如下步骤：

(a)基于级联的haar特征的人脸检测与定位；

(b)基于级联的haar特征的人眼的检测与定位；

(c)基于霍夫变换的瞳孔与虹膜的轮廓定位；

(d)基于极坐标变换的虹膜图像的展开；

(e)对图像灰度进行归一化处理。

3.根据权利要求1所述的一种基于相似性原理的多模板虹膜识别方法，其特征在于：所述步骤(3)具体包括如下步骤：

其中，Y是表示后的目标图像，D是模板图像，X是当前待测图像，ω为相似性系数，为归一化后的系数，为相似性计算

$\mathrm{\&omega;}={(D^t\&CircleTimes;D)}^{-1}*(D^t\&CircleTimes;X)$

4.根据权利要求1所述的一种基于相似性原理的多模板虹膜识别方法，其特征在于：所述步骤(4)中标准互信息计算公式如下：其中X为当前待测图像，Y为线性表示后的图像，p(x,y)为联合概率分布，p(x)、p(y)为边缘概率分布，

$I(X;Y)=\underset{y\&Element;Y}{\&Sigma;}\underset{x\&Element;X}{\&Sigma;}p(x,y)log\left(\frac{p(x,y)}{p\left(x\right)p\left(y\right)}\right)$

I取值范围为0到1。

5.一种基于相似性原理的多模板虹膜识别装置，其特征在于包括：

用于取得多个人脸图像，生成图像模板集的图像采集装置；

用于对模板图像进行分割与提取的图像处理装置；

用于对模板虹膜图像进行线性表示，得到目标图像的目标获取装置；

用于计算标准互信息值，与设定阈值进行比较进行身份确认的身份确认装置。

6.根据权利要求5所述的一种基于相似性原理的多模板虹膜识别装置，其特征在于：所述用于对模板虹膜图像进行分割与提取的图像处理装置还包括如下装置：

基于级联的haar特征的人脸检测与定位的人脸检测与定位装置；

基于级联的haar特征的人眼的检测与定位的人眼检测与定位装置；

基于霍夫变换的瞳孔与虹膜的轮廓定位的瞳孔与虹膜的轮廓定位装置；

基于极坐标变换的虹膜图像的展开的虹膜图像展开装置；

对图像灰度进行归一化处理的图像归一化处理装置。