CN105139019A - 虹膜图像筛选的方法及装置 - Google Patents

Abstract

本发明公开了一种虹膜图像筛选的方法及装置，属于生物识别领域，所述方法包括获取用户的虹膜图像；提取所述虹膜图像的MSCN系数统计特征；利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；提取所述虹膜图像的DCT统计特征；利用所述DCT统计特征对所述虹膜图像进行二次筛选。与现有技术相比，本发明的虹膜图像筛选的方法能够快速、准确的对虹膜图像进行筛选，得到清晰可用的虹膜图像。

Description

虹膜图像筛选的方法及装置

技术领域

本发明涉及生物识别领域，特别是指一种虹膜图像筛选的方法及装置。

背景技术

虹膜是人眼瞳孔和巩膜之间的环形可视区域，是由一种随瞳孔直径的变化而可以伸缩的、复杂的纤维状组织结构。具有长期稳定性和良好的防伪性，因而虹膜识别被认为是最安全、最精确的识别方法之一。

在虹膜图像采集过程中，由于人头部晃动，眨眼，采集装置离焦等因素的影响，采集到的图像大多为模糊图像，在非合作采集或远距离采集的情况下影响更为严重。而模糊的虹膜图像会使整个虹膜识别系统的性能降低。

因此，必须对采集到的虹膜图像进行筛选，获得清晰可用的虹膜图像，以供后续的识别之用。

发明内容

本发明提供一种能够快速、准确的对虹膜图像进行筛选的虹膜图像筛选的方法及装置。

为解决上述技术问题，本发明提供技术方案如下：

一种虹膜图像筛选的方法，包括：

获取用户的虹膜图像；

提取所述虹膜图像的MSCN系数统计特征；

利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；

提取所述虹膜图像的DCT统计特征；

利用所述DCT统计特征对所述虹膜图像进行二次筛选。

一种虹膜图像筛选的装置，包括：

图像获取模块，用于获取用户的虹膜图像；

第一提取模块，用于提取所述虹膜图像的MSCN系数统计特征；

第一筛选模块，用于利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；

第二提取模块，用于提取所述虹膜图像的DCT统计特征；

第二筛选模块，用于利用所述DCT统计特征对所述虹膜图像进行二次筛选。

本发明具有以下有益效果：

与现有技术相比，本发明的虹膜图像筛选的方法中，首先获取用户的虹膜图像；然后提取虹膜图像的MSCN系数统计特征，并利用该特征对虹膜图像进行初次筛选；再提取虹膜图像的DCT统计特征，并利用该特征对虹膜图像进行二次筛选，即可得到清晰可用的虹膜图像。通过MSCN系数统计特征进行初次筛选，能够快速过滤大量的模糊虹膜图像，通过DCT统计特征进行二次筛选，能够准确的筛选出清晰可用的虹膜图像，初次筛选与二次筛选相结合，能够快速、准确的对虹膜图像进行筛选，最终筛选出来的虹膜图像可用率达97％，从而大大提高了虹膜识别的性能，使用户操作更为友好。

附图说明

图1为本发明的虹膜图像筛选的方法的流程图一；

图2为本发明的虹膜图像筛选的方法的流程图二；

图3为本发明的虹膜图像筛选的方法的流程图三；

图4为本发明的虹膜图像筛选的方法的流程图四；

图5为本发明的虹膜图像筛选的方法的流程图五；

图6为本发明的虹膜图像筛选的方法的流程图六；

图7为根据对角线方向分成三个部分的示意图；

图8为根据反对角线方向提取低频、中频、高频分区的示意图；

图9为本发明的虹膜图像筛选的装置的结构图一；

图10为本发明的第一提取模块的结构图；

图11为本发明的第一截取单元的结构图；

图12为本发明的第二提取模块的结构图；

图13为本发明的第一筛选模块的结构图；

图14为本发明的第一筛选模块的结构图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种虹膜图像筛选的方法，如图1所示，包括：

步骤S101：获取用户的虹膜图像；

可以通过虹膜采集镜头获取虹膜图像，也可以通过上位机的传输获取虹膜图像；

步骤S102：提取虹膜图像的MSCN系数统计特征；

MSCN系数(去均值对比度归一化系数)统计特征是图像的空间域特征，可以用一个向量来表示；

步骤S103：利用MSCN系数统计特征对虹膜图像进行初次筛选；

通过本领域技术人员能够想到的各种方法进行初次筛选，如使用支持向量机、神经网络等对MSCN系数统计特征进行分类筛选，通过筛选的进入下一步，未通过的直接舍弃；

步骤S104：提取虹膜图像的DCT统计特征；

DCT(离散余弦变换)统计特征是图像的频率域特征，可以用一个向量来表示；

步骤S105：利用DCT统计特征对虹膜图像进行二次筛选。

通过本领域技术人员能够想到的各种方法进行初次筛选，如使用支持向量机、神经网络等对DCT统计特征进行分类筛选，通过筛选的即为清晰可用的虹膜图像。

与现有技术相比，本发明的虹膜图像筛选的方法中，首先获取用户的虹膜图像；然后提取虹膜图像的MSCN系数统计特征，并利用该特征对虹膜图像进行初次筛选；再提取虹膜图像的DCT统计特征，并利用该特征对虹膜图像进行二次筛选，即可得到清晰可用的虹膜图像。通过MSCN系数统计特征进行初次筛选，能够快速过滤大量的模糊虹膜图像，通过DCT统计特征进行二次筛选，能够准确的筛选出清晰可用的虹膜图像，初次筛选与二次筛选相结合，能够快速、准确的对虹膜图像进行筛选，最终筛选出来的虹膜图像可用率达97％，从而大大提高了虹膜识别的性能，使用户操作更为友好。

作为本发明虹膜图像筛选的方法的一种改进，如图2所示，提取虹膜图像的MSCN系数统计特征(步骤S102)包括：

步骤S1021：对虹膜图像进行截取；

虹膜图像不仅包括虹膜区域，还包括其他区域，例如巩膜、瞳孔以及眼睛之外的区域等，直接提取整个虹膜图像的MSCN系数统计特征不仅计算量大，而且其他区域还会对计算产生干扰，故应当对虹膜图像进行截取，以避免干扰，加快计算速度，使筛选更加快速、准确；

步骤S1022：计算截取后的虹膜图像的MSCN系数，得到MSCN系数概率密度曲线；

步骤S1023：利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线，提取第一空间域特征向量；

步骤S1024：利用非对称广义高斯分布参数模型拟合水平、垂直、主对角线和副对角线四个方向相邻的MSCN系数概率密度曲线，提取第二空间域特征向量，第三空间域特征向量，第四空间域特征向量和第五空间域特征向量；

步骤S1023、S1024提取各个空间域特征向量的方法计算简单，进一步的加快了筛选速度。

上述各个空间域特征向量即为虹膜图像的MSCN系数统计特征，该方法不仅加快了计算速度，而且避免了干扰，使筛选更加快速、准确。

进一步的，如图3所示，对虹膜图像进行截取(步骤S1021)包括：

步骤S10211：将虹膜图像进行二值化处理，得到二值图像；

将虹膜图像大小缩放，取阈值进行二值化处理，得到二值图像；

步骤S10212：利用二值图像提取虹膜图像中的瞳孔边缘点；

步骤S10213：对瞳孔边缘点使用圆形模板进行边缘拟合，得到虹膜图像的瞳孔位置；

步骤S10214：以圆形拟合得到的圆心点为基准，截取圆心点下方的虹膜图像；截取圆心点下方的虹膜图像可以避免睫毛噪声的影响。

利用二值图像将瞳孔进行粗定位后，截取瞳孔下方的虹膜图像，使截取到的虹膜图像中虹膜区域的比例尽可能的多，而且避免了因睫毛噪声或背景清晰导致的误判情况，故本方法提高了筛选的时间效率的同时，避免了干扰，提高筛选的准确率。

作为本发明虹膜图像筛选的方法的另一种改进，如图4所示，提取虹膜图像的DCT统计特征(步骤S104)包括：

步骤S1041：对通过初次筛选的虹膜图像进行截取；

对虹膜图像进行截取，以避免干扰，加快计算速度，使筛选更加快速、准确；

对通过初次筛选的虹膜图像进行截取可以有多种情况，例如可以是在虹膜图像上直接截取，也可以是在前述已经截取后的虹膜图像上再次截取，还可以是直接使用前述已经截取后的虹膜图像；

步骤S1042：将截取后的虹膜图像分为若干个子块，并对各个子块进行离散余弦变换；

步骤S1043：对每个子块利用零均值广义高斯分布参数模型拟合，提取第一频率域特征向量；

步骤S1044：将各个子块根据对角线方向分成三个部分，对三个部分分别进行高斯拟合，提取第二频率域特征向量；

步骤S1045：对各个子块根据反对角线方向提取低频、中频、高频分区，提取第三频率域特征向量；

步骤S1046：生成高斯校验矩阵，将虹膜图像与高斯校验矩阵卷积后进行下采样，对下采样后的虹膜图像重复执行步骤S1042至步骤S1045，提取下采样后的虹膜图像的第一频率域特征向量，第二频率域特征向量以及第三频率域特征向量，然后执行步骤S1047；

步骤S1047：将下采样后的虹膜图像再次与高斯校验矩阵卷积后再次进行下采样，对再次下采样后的虹膜图像重复执行步骤S1042至步骤S1045，提取再次下采样后的虹膜图像的第一频率域特征向量，第二频率域特征向量以及第三频率域特征向量，然后结束步骤S104。

步骤S1043-S1047提取各个频率域特征向量的方法计算简单，进一步的加快了筛选速度。

上述各个频率域特征向量即为虹膜图像的DCT统计特征，该方法不仅加快了计算速度，而且避免了干扰，使筛选更加快速、准确。

进一步的，如图5所示，利用MSCN系数统计特征对虹膜图像进行初次筛选(步骤S103)包括：

步骤S1031：使用正样本和负样本的MSCN系数统计特征对SVM进行训练学习；

SVM(支持向量机)是一种分类器，是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，分类和回归分析等(当然，这里也可以用其他的分类器，如神经网络等)；SVM在进行分类前需要先进行训练学习。具体到本步骤中，首先应当准备一定数量的正样本(清晰可用的虹膜图像)以及负样本(模糊的虹膜图像)，使用正样本和负样本的MSCN系数统计特征对SVM进行训练学习，训练能够初步评估虹膜图像是否清晰的分类器；

步骤S1032：利用SVM对虹膜图像的MSCN系数统计特征进行判定。

SVM训练完毕后，使用它对虹膜图像的MSCN系数统计特征进行0-1分类，判定为0的虹膜图像不通过初次筛选，判定为1的虹膜图像通过初次筛选，进行下面的步骤(当然也可以判定为1的虹膜图像不通过初次筛选，判定为0的虹膜图像通过初次筛选)。

SVM对MSCN系数统计特征进行初步分类，其速度快，精确度好，并且仅需少量的正样本和负样本即可完成训练学习，简单方便。

进一步的，如图6所示，利用DCT统计特征对虹膜图像进行二次筛选(步骤S105)包括：

步骤S1051：使用正样本和负样本的DCT统计特征对SVM进行训练学习；

使用正样本和负样本的DCT统计特征对SVM进行训练学习，训练能够精细评估虹膜图像是否清晰的分类器；

步骤S1052：利用SVM对虹膜图像的DCT统计特征进行判定。

SVM训练完毕后，使用它对虹膜图像的DCT统计特征进行0-1分类，判定为0的虹膜图像不通过初次筛选，判定为1的虹膜图像即为清晰可用的虹膜图像(当然也可以判定为1的虹膜图像不通过二次筛选，判定为0的虹膜图像即为清晰可用的虹膜图像)。

SVM对DCT统计特征进行精细分类，其速度快，精确度好，并且仅需少量的正样本和负样本即可完成训练学习，简单方便。

本发明虹膜图像筛选的方法的一个具体实施例如下：

步骤S101’：通过虹膜图像的采集装置获得用户的虹膜图像帧序列；

步骤S10211’：将虹膜图像大小缩放为原图像的0.25倍，取阈值为0.8进行二值化处理，得到二值图像；

然后选择最大连通区域以消除干扰像素区域的噪声影响，再选取圆盘半径为5的结构元素进行开运算和闭运算滤波去除粘连、填补缺失；

步骤S10212’：利用二值图像提取虹膜图像中的瞳孔边缘点；

步骤S10213’：对瞳孔边缘点使用圆形模板进行边缘拟合，得到虹膜图像的瞳孔位置；

步骤S10214’：以圆形拟合得到的圆心点(x₀，y₀)为基准，取点(x₁，y₁)的集合，其中x₀+20＜x₁＜x₀+140，y₀-100＜y₁＜y₀+100，若圆心点过于偏离图像中心位置，取290＜x₁＜410，215＜y₁＜415。

步骤S1022’：根据公式(1)计算虹膜图像的MSCN系数，得到MSCN系数概率密度曲线；

$\hat{I}(i,j)=\frac{I(i,j)-\mathrm{\μ}(i,j)}{\mathrm{\σ}(i,j)+C}---\left(1\right)$

其中，i∈{1，2，…，M}，j∈{1，2，…，N}，M为截取后的虹膜图像的高，N为截取后的虹膜图像的宽，I(i，j)为截取后的虹膜图像中第i行，第j列的像素点的灰度值；

μ(i，j)为截取后的虹膜图像中第i行，第j列的像素点的灰度值I(i，j)的局部均值，σ(i，j)为截取后的虹膜图像中第i行，第j列的像素点的灰度值I(i，j)的局部标准差，C为趋近于零的一个正常数，其作用是避免公式(1)的分母趋于0造成的不稳定(例如，瞳孔区域的局部标准差趋近于0)；μ(i，j)和σ(i，j)分别可以通过公式(2)和公式(3)计算得到。

$\mathrm{\μ}(i,j)={\mathrm{\Σ}}_{a=-A}^A{\mathrm{\Σ}}_{b=-B}^B{\mathrm{\ω}}_{a,b}{I}_{a,b}(i,j)---\left(2\right)$

$\mathrm{\σ}(i,j)=\sqrt{{\mathrm{\Σ}}_{a=-A}^A{\mathrm{\Σ}}_{b=-B}^B{\mathrm{\ω}}_{a,b}{(I_{a,b}(i,j)-\mathrm{\μ}(i,j))}^2}---\left(3\right)$

其中，ω_a，b是由一个二维标准化的高斯函数生成的加权系数模板，此处取，A＝B＝3，因此ω_a，b即为7*7的高斯模板矩阵，如下所示：

公式(2)中，对于第i行，第j列的像素点，首先以该像素点为中心取7*7的像素块，将该像素块的各个像素点的灰度值I_a，b(i，j)分别乘以7*7的加权系数ω_a，b(也就是由中心点到边缘点权重由高到低)，然后求和得到的结果作为该像素点的局部均值μ(i，j)。对于虹膜图像的其他像素点，同理是以该点为中心取像素块进行计算。

公式(3)中，将上述7*7的像素块中各个像素点的灰度值I_a，b(i，j)减去之前得到的局部均值μ(i，j)，平方后乘上加权系数ω_a，b，然后求和开方，得到的即为该像素点的局部标准差σ(i，j)。

因为虹膜图像每一个像素点点的均值和标准差都是以该像素点为中心的A*B(此处为7*7)的像素块加权得到，这样可以弱化由背景突变产生的影响(即噪声点的影响)，可以有效地减少图像背景与虹膜纹理的相关性。

步骤S1023’：利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线，提取第一空间域特征向量

其中，为MSCN系数概率密度曲线的方差，且为MSCN系数概率密度曲线的均值，由于MSCN系数概率密度曲线是零均值广义高斯分布，故

${\widehat{\mathrm{\σ}}}^2=\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N{(\hat{I}(i,j)-\widehat{\mathrm{\μ}})}^2---\left(4\right)$

计算的绝对值的期望

$E\left[\right|\hat{I}(i,j)\left|\right]=\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N\left|\hat{I}(i,j)\right|---\left(5\right)$

计算特征值ρ；

$\mathrm{\ρ}=\frac{{\widehat{\mathrm{\σ}}}^2}{E^2\left[\right|\hat{I}(i,j)\left|\right]}---\left(6\right)$

取γ＝0.2∶0.001∶10，计算r(γ)；

$r\left(\mathrm{\γ}\right)=\frac{\mathrm{\Γ}\left(\frac{1}{\mathrm{\γ}}\right)\mathrm{\Γ}\left(\frac{3}{\mathrm{\γ}}\right)}{{\mathrm{\Γ}}^2\left(\frac{2}{\mathrm{\γ}}\right)}---\left(7\right)$

其中，Γ为伽马函数，其定义为：

取使|ρ-r(γ)|为最小值的γ的值，最终得到第一空间域特征向量

步骤S1024’：利用非对称广义高斯分布参数模型拟合水平、垂直、主对角线和副对角线四个方向相邻的MSCN系数概率密度曲线，提取第二空间域特征向量第三空间域特征向量第四空间域特征向量第五空间域特征向量

水平方向的MSCN系数概率密度曲线为：

$D_1(i,j)=\hat{I}(i,j)\hat{I}(i,j+1)---\left(8\right)$

垂直方向的MSCN系数概率密度曲线为：

$D_2(i,j)=\hat{I}(i,j)\hat{I}(i+1,j)---\left(9\right)$

主对角线方向的MSCN系数概率密度曲线为：

$D_3(i,j)=\hat{I}(i,j)\hat{I}(i+1,j+1)---\left(10\right)$

副对角线方向的MSCN系数概率密度曲线为：

$D_4(i,j)=\hat{I}(i,j)\hat{I}(i+1,j-1)---\left(11\right)$

${\mathrm{\σ}}_{\mathrm{lX}}=\sqrt{\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^n{\left(D_X(i_1,j)\right)}^2}---\left(12\right)$

${\mathrm{\σ}}_{\mathrm{\γX}}=\sqrt{\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^n{\left(D_X(i_2,j)\right)}^2}---\left(13\right)$

其中，D_X(i₁，j)为D_X(i，j)中小于0的像素点像素值，D_X(i₂，j)为D_X(i，j)中大于0的像素点像素值，X＝1，2，3，4；令k＝σ_l/σ_γ，计算P_X以及ρ_X；

$P_X=\frac{{\left(\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N\right|D_X(i,j)\left|\right)}^2}{\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N{\left(D_X(i,j)\right)}^2}---\left(14\right)$

${\mathrm{\ρ}}_X=P_X\left(\frac{({k_X}^3+1)(k_X+1)}{{({k_X}^2+1)}^2}\right)---\left(15\right)$

取γ_X＝0.2∶0.001∶10，取使公式(16)为最小值的γ_X的值，计算η_X：

$|{\mathrm{\ρ}}_X-\frac{1}{r\left({\mathrm{\γ}}_X\right)}|---\left(16\right)$

${\mathrm{\η}}_X=({\mathrm{\σ}}_{\mathrm{lX}}-{\mathrm{\σ}}_{\mathrm{rX}})\sqrt{\frac{\mathrm{\Γ}\left(\frac{1}{{\mathrm{\γ}}_X}\right)\mathrm{\Γ}\left(\frac{2}{{\mathrm{\γ}}_X}\right)}{\mathrm{\Γ}\left(\frac{3}{{\mathrm{\γ}}_X}\right)\mathrm{\Γ}\left(\frac{1}{{\mathrm{\γ}}_X}\right)}}---\left(17\right)$

将第一空间域特征向量，第二空间域特征向量，第三空间域特征向量，第四空间域特征向量和第五空间域特征向量合并，得到一个18维空间域特征向量，即为虹膜图像的MSCN系数统计特征。

步骤S1031’：使用正样本和负样本的MSCN系数统计特征(18维空间域特征向量)对SVM进行训练学习；

步骤S1032’：利用SVM对虹膜图像的MSCN系数统计特征进行判定，判定为0的虹膜图像直接舍弃，判定为1的虹膜图像进行步骤S1041’；

步骤S1041’：对通过初次筛选的虹膜图像进行截取，取点（x₂，y₂)的集合，其中10＜x₂＜110，55＜y₂＜145；

步骤S1042’：将截取后的虹膜图像按照9*9的像素点分为若干个子块，并对各个子块按照公式(17)进行离散余弦变换；

$F_Y(u_Y,v_Y)=C_Y^T\·f_Y(p_Y,q_Y)\·C_Y---\left(17\right)$

其中，Y∈{1，2，…，Q}，Q为子块的总数，f_Y(p_Y，q_Y)为第Y个子块中第p_Y行，第q_Y列的像素点的灰度值，p_Y∈{1，2，…，9}，q_Y∈{1，2，…，9}，C_Y为第Y个子块的离散余弦变换矩阵，E为单位矩阵；

步骤S1043’：对每个子块利用零均值广义高斯分布参数模型拟合，提取第一频率域特征向量

其中，为各个子块的方差的平均值，为各个子块的方差升序排列后前10％的平均值，为各个子块的特征值ρ_Y的平均值，为各个子块的特征值ρ_Y降序排列后前10％的平均值；

${\mathrm{\ρ}}_Y=\frac{{\widehat{\mathrm{\σ}}}_Y^2}{E^2\left[\right|F_Y(u_Y,v_Y)\left|\right]}---\left(18\right)$

E[|F_Y(u_Y，v_Y)|]为F_Y(u_Y，v_Y)的绝对值的期望；

步骤S1044’：将各个子块沿着对角线方向分成三个部分，如图7所示(其中，标号相同的像素点为同一部分，标号为0的像素点舍去)，对三个部分分别代入公式(18)进行高斯拟合，得到ρ_Y1，ρ_Y2，ρ_Y3，对ρ_Y1，ρ_Y2，ρ_Y3求方差，得到将各个子块的求均值，得到将降序排列，取其前10％的平均值第二频率域特征向量为

步骤S1045’：对各个子块沿着反对角线方向提取低频、中频、高频分区，如图8所示(其中，标号为1，2，3的像素点分别代表低频、中频、高频分区，标号为0的像素点舍去)，对这三个分区分别计算方差，得到，σ₁，σ₂，σ₃，将其代入公式(19)，计算得到E₁，E₂，E₃，将其代入公式(20)得到r₁，r₂，r₃，然后对r₁，r₂，r₃取平均值得到各个子块r，再对所有子块的r取平均值和降序排列后的前10％的平均值得到第三频率域特征向量

$E_n={\mathrm{\σ}}_n^2---\left(19\right)$

$r_n=\frac{|E_n-\frac{1}{n-1}{\mathrm{\&Sigma;}}_{j<n}{E}_j|}{E_n+\frac{1}{n-1}{\mathrm{\&Sigma;}}_{j<n}{E}_j}---\left(20\right)$

步骤S1046’：生成一个3*3的高斯校验矩阵，将截取后的虹膜图像与高斯校验矩阵卷积后进行下采样，对下采样后的虹膜图像重复执行步骤S1042’至步骤S1045’，得到另一组第一频率域特征向量、第二频率域特征向量以及第三频率域特征向量，然后执行步骤S1047’；

步骤S1047’：将下采样后的虹膜图像再次与高斯校验矩阵卷积后再次进行下采样，对再次下采样后的虹膜图像重复执行步骤S1042’至步骤S1045’，得到另一组第一频率域特征向量、第二频率域特征向量以及第三频率域特征向量，然后结束；

将以上各个频率域特征向量合并，得到一个24维频率域特征向量，即为虹膜图像的DCT统计特征。

步骤S1051’：使用正样本和负样本的DCT统计特征(24维频率域特征向量)对SVM进行训练学习；

步骤S1052’：利用SVM对虹膜图像的DCT统计特征进行判定，判定为0的虹膜图像舍弃，判定为1的虹膜图像即为清晰可用的虹膜图像。

将本实施例中的各个参数取不同的值，即可得到不同的实施例。

另一方面，本发明提供一种虹膜图像筛选的装置，如图9所示，包括：

图像获取模块11，用于获取用户的虹膜图像；

第一提取模块12，用于提取虹膜图像的MSCN系数统计特征；

第一筛选模块13，用于利用MSCN系数统计特征对虹膜图像进行初次筛选；

第二提取模块14，用于提取虹膜图像的DCT统计特征；

第二筛选模块15，用于利用DCT统计特征对虹膜图像进行二次筛选。

与现有技术相比，本发明的虹膜图像筛选的装置中，图像获取模块11获取用户的虹膜图像；第一提取模块12提取虹膜图像的MSCN系数统计特征，第一筛选模块13利用该特征对虹膜图像进行初次筛选；第二提取模块14提取虹膜图像的DCT统计特征，第二筛选模块15利用该特征对虹膜图像进行二次筛选，即可得到清晰可用的虹膜图像。通过MSCN系数统计特征进行初次筛选，能够快速过滤大量的模糊虹膜图像，通过DCT统计特征进行二次筛选，能够准确的筛选出清晰可用的虹膜图像，初次筛选与二次筛选相结合，能够快速、准确的对虹膜图像进行筛选，最终筛选出来的虹膜图像可用率达97％，从而大大提高了虹膜识别的性能，使用户操作更为友好。

作为本发明虹膜图像筛选的装置的一种改进，如图10所示，第一提取模块12包括：

第一截取单元121，用于对虹膜图像进行截取；

第一计算单元122，用于计算截取后的虹膜图像的MSCN系数，得到MSCN系数概率密度曲线；

第一提取单元123，用于利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线，提取第一空间域特征向量；

第二提取单元124，用于利用非对称广义高斯分布参数模型拟合水平、垂直、主对角线和副对角线四个方向相邻的MSCN系数概率密度曲线，提取第二空间域特征向量，第三空间域特征向量，第四空间域特征向量和第五空间域特征向量。

与上述方法对应的，该装置不仅加快了计算速度，而且避免了干扰，使筛选更加快速、准确。

进一步的，如图11所述，第一截取单元121包括：

二值化单元1211，用于将虹膜图像进行二值化处理，得到二值图像；

第三提取单元1212，用于利用二值图像提取虹膜图像中的瞳孔边缘点；

边缘拟合单元1213，用于对瞳孔边缘点使用圆形模板进行边缘拟合，得到虹膜图像的瞳孔位置；

子截取单元1214，用于以圆形拟合得到的圆心点为基准，截取圆心点下方的虹膜图像。

与上述方法对应的，该装置提高了筛选的时间效率的同时，避免了干扰，提高筛选的准确率。

作为本发明虹膜图像筛选的装置的另一种改进，如图12所示，第二提取模块14包括：

第二截取单元141，用于对通过初次筛选的虹膜图像进行截取；

第二计算单元142，用于将截取后的虹膜图像分为若干个子块，并对各个子块进行离散余弦变换；

第四提取单元143，用于对每个子块利用零均值广义高斯分布参数模型拟合，提取第一频率域特征向量；

第五提取单元144，用于将各个子块根据对角线方向分成三个部分，对三个部分分别进行高斯拟合，提取第二频率域特征向量；

第六提取单元145，用于对各个子块根据反对角线方向提取低频、中频、高频分区，提取第三频率域特征向量；

第一采样单元146，用于生成高斯校验矩阵，将截取后的虹膜图像与高斯校验矩阵卷积后进行下采样，对下采样后的虹膜图像重复执行第二计算单元142、第四提取单元143、第五提取单元144和第六提取单元145，然后执行第二采样单元147；

第二采样单元147，用于将下采样后的虹膜图像再次与高斯校验矩阵卷积后再次进行下采样，对再次下采样后的虹膜图像重复执行第二计算单元142、第四提取单元143、第五提取单元144和第六提取单元145，然后结束第二提取模块14。

与上述方法对应的，该装置不仅加快了计算速度，而且避免了干扰，使筛选更加快速、准确。

进一步的，如图13所示，第一筛选模块13包括：

第一学习单元131，用于使用正样本和负样本的MSCN系数统计特征对SVM进行训练学习；

第一判定单元132，用于利用SVM对虹膜图像的MSCN系数统计特征进行判定。

与上述方法对应的，SVM对MSCN系数统计特征进行初步分类，其速度快，精确度好，并且仅需少量的正样本和负样本即可完成训练学习，简单方便。

进一步的，如图14所示，第二筛选模块包括：

第二学习单元151，用于使用正样本和负样本的DCT统计特征对SVM进行训练学习；

第二判定单元152，用于利用SVM对虹膜图像的DCT统计特征进行判定。

与上述方法对应的，SVM对DCT统计特征进行精细分类，其速度快，精确度好，并且仅需少量的正样本和负样本即可完成训练学习，简单方便。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种虹膜图像筛选的方法，其特征在于，包括：

获取用户的虹膜图像；

提取所述虹膜图像的去均值对比度归一化MSCN系数统计特征；

利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；

提取所述虹膜图像的离散余弦变换DCT统计特征；

利用所述DCT统计特征对所述虹膜图像进行二次筛选。

2.根据权利要求1所述的虹膜图像筛选的方法，其特征在于，所述提取所述虹膜图像的MSCN系数统计特征包括：

对所述虹膜图像进行截取；

计算截取后的虹膜图像的MSCN系数，得到MSCN系数概率密度曲线；

利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线，提取第一空间域特征向量；

利用非对称广义高斯分布参数模型拟合水平、垂直、主对角线和副对角线四个方向相邻的MSCN系数概率密度曲线，提取第二空间域特征向量，第三空间域特征向量，第四空间域特征向量和第五空间域特征向量。

3.根据权利要求2所述的虹膜图像筛选的方法，其特征在于，所述对所述虹膜图像进行截取包括：

将所述虹膜图像进行二值化处理，得到二值图像；

利用所述二值图像提取所述虹膜图像中的瞳孔边缘点；

对所述瞳孔边缘点使用圆形模板进行边缘拟合，得到虹膜图像的瞳孔位置；

以圆形拟合得到的圆心点为基准，截取圆心点下方的虹膜图像。

4.根据权利要求1所述的虹膜图像筛选的方法，其特征在于，所述提取所述虹膜图像的DCT统计特征包括：

步骤S1041：对通过初次筛选的虹膜图像进行截取；

步骤S1042：将截取后的虹膜图像分为若干个子块，并对各个子块进行离散余弦变换；

步骤S1043：对每个子块利用零均值广义高斯分布参数模型拟合，提取第一频率域特征向量；

步骤S1044：将各个子块沿着对角线方向分成三个部分，对三个部分分别进行高斯拟合，提取第二频率域特征向量；

步骤S1045：对各个子块沿着反对角线方向提取低频、中频、高频分区，提取第三频率域特征向量；

步骤S1046：生成高斯校验矩阵，将截取后的虹膜图像与所述高斯校验矩阵卷积后进行下采样，对下采样后的虹膜图像重复执行步骤S1042至步骤S1045，然后执行步骤S1047；

步骤S1047：将下采样后的虹膜图像再次与所述高斯校验矩阵卷积后再次进行下采样，对再次下采样后的虹膜图像重复执行步骤S1042至步骤S1045，然后结束所述提取虹膜图像的DCT统计特征。

5.根据权利要求1-4任一权利要求所述的虹膜图像筛选的方法，其特征在于，所述利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选包括：

使用正样本和负样本的MSCN系数统计特征对支持向量机SVM进行训练学习；

利用SVM对虹膜图像的MSCN系数统计特征进行判定。

6.根据权利要求1-4任一权利要求所述的虹膜图像筛选的方法，其特征在于，所述利用所述DCT统计特征对所述虹膜图像进行二次筛选包括：

使用正样本和负样本的DCT统计特征对SVM进行训练学习；

利用SVM对虹膜图像的DCT统计特征进行判定。

7.一种虹膜图像筛选的装置，其特征在于，包括：

图像获取模块，用于获取用户的虹膜图像；

第一提取模块，用于提取所述虹膜图像的MSCN系数统计特征；

第一筛选模块，用于利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；

第二提取模块，用于提取所述虹膜图像的DCT统计特征；

第二筛选模块，用于利用所述DCT统计特征对所述虹膜图像进行二次筛选。

8.根据权利要求7所述的虹膜图像筛选的装置，其特征在于，所述第一提取模块包括：

第一截取单元，用于对所述虹膜图像进行截取；

第一计算单元，用于计算截取后的虹膜图像的MSCN系数，得到MSCN系数概率密度曲线；

第一提取单元，用于利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线，提取第一空间域特征向量；

第二提取单元，用于利用非对称广义高斯分布参数模型拟合水平、垂直、主对角线和副对角线四个方向相邻的MSCN系数概率密度曲线，提取第二空间域特征向量，第三空间域特征向量，第四空间域特征向量和第五空间域特征向量。

9.根据权利要求8所述的虹膜图像筛选的装置，其特征在于，所述第一截取单元包括：

二值化单元，用于将所述虹膜图像进行二值化处理，得到二值图像；

第三提取单元，用于利用所述二值图像提取所述虹膜图像中的瞳孔边缘点；

边缘拟合单元，用于对所述瞳孔边缘点使用圆形模板进行边缘拟合，得到虹膜图像的瞳孔位置；

子截取单元，用于以圆形拟合得到的圆心点为基准，截取圆心点下方的虹膜图像。

10.根据权利要求7所述的虹膜图像筛选的装置，其特征在于，所述第二提取模块包括：

第二截取单元，用于对通过初次筛选的虹膜图像进行截取；

第二计算单元，用于将截取后的虹膜图像分为若干个子块，并对各个子块进行离散余弦变换；

第四提取单元，用于对每个子块利用零均值广义高斯分布参数模型拟合，提取第一频率域特征向量；

第五提取单元，用于将各个子块根据对角线方向分成三个部分，对三个部分分别进行高斯拟合，提取第二频率域特征向量；

第六提取单元，用于对各个子块根据反对角线方向提取低频、中频、高频分区，提取第三频率域特征向量；

第一采样单元，用于生成高斯校验矩阵，将截取后的虹膜图像与所述高斯校验矩阵卷积后进行下采样，对下采样后的虹膜图像重复执行第二计算单元、第四提取单元、第五提取单元和第六提取单元，然后执行第二采样单元；

第二采样单元，用于将下采样后的虹膜图像再次与所述高斯校验矩阵卷积后再次进行下采样，对再次下采样后的虹膜图像重复执行第二计算单元、第四提取单元、第五提取单元和第六提取单元，然后结束所述第二提取模块。

11.根据权利要求7-10任一权利要求所述的虹膜图像筛选的装置，其特征在于，所述第一筛选模块包括：

第一学习单元，用于使用正样本和负样本的MSCN系数统计特征对SVM进行训练学习；

第一判定单元，用于利用SVM对虹膜图像的MSCN系数统计特征进行判定。

12.根据权利要求7-10任一权利要求所述的虹膜图像筛选的装置，其特征在于，所述第二筛选模块包括：

第二学习单元，用于使用正样本和负样本的DCT统计特征对SVM进行训练学习；

第二判定单元，用于利用SVM对虹膜图像的DCT统计特征进行判定。