CN106446804A - 一种基于elm的多粒度虹膜识别方法 - Google Patents

Abstract

本发明公开了一种基于ELM的多粒度虹膜识别方法，解决了现有虹膜识别方法中提取的特征不完整及识别的速度慢问题，包括图像采集并标记；图像预处理；灰度共生矩阵特征提取过程；2D‑Gabor滤波器组特征提取过程；构建多粒度特征向量；虹膜识别模型获取；虹膜类别测试；识别精度计算。本发明将灰度共生矩阵和2D‑Gabor滤波器组相结合生成多粒度特征向量，既包含了高频纹理信息，又包含了中低频纹理信息，所以包含较全面的虹膜特征，增强了虹膜的识别特性，提高了虹膜的识别精度，又将ELM应用到虹膜识别过程中，提高了虹膜识别的速度。适用于对识别精度和实时性要求较高的安全信息领域。

Description

一种基于ELM的多粒度虹膜识别方法

技术领域

本发明属于生物特征识别领域，主要涉及虹膜识别，具体是一种基于ELM的多粒度虹膜识别方法。广泛应用于电子商务、门禁和考勤等众多技术领域。

背景技术

目前的生物识别主要包括：指纹、脸型、声纹等，虹膜识别是目前公认的稳定性最好、非侵犯性最强的生物识别技术，已广泛应用于电子商务、门禁和考勤等众多领域。在过去的几十年里，虹膜识别技术在理论和应用上均取得了重大突破。在虹膜的特征提取方面，Daugman提出了使用Gabor滤波器对虹膜图像进行滤波，按相位响应进行编码；Boles提出了使用小波过零点检测和相关性分析方法对虹膜图像进行特征提取；Wildes提出了使用低通滤波器对虹膜图像进行特征提取。这些方法是现有的虹膜特征识别算法中的主流算法，所提取的特征具有较好的识别特性，但仍存在一些不足，如使用单一Gabor滤波器容易丢弃有效虹膜信息，而Boles的虹膜系统只使用了信息量很少的虹膜边缘纹理信息。

近年来，神经网络由于其鲁棒性强以及强大的自学习能力被广泛地应用于各种领域。在虹膜的识别算法方面，曹国辉、刘霏等人将BP神经网络应用于虹膜识别和分类；Byungjun、周治平等人提出了将支持向量机(SVM)应用于虹膜识别。这些方法在一定程度上都提高了虹膜的正确识别率，但仍存在些不足，如BP神经网络的识别时间较长，而SVM主要针对的是两分类问题，对于多分类情况，要结合决策树来解决，增加了识别算法的计算复杂度和识别时间。

发明内容

本发明的目的在于克服现有技术中存在的不足，提出一种基于ELM的多粒度虹膜识别方法，以快速有效地实现虹膜的正确识别。

本发明是一种基于ELM的多粒度虹膜识别方法，其特征在于，包括如下步骤：

(1)图像获取，对采集到的虹膜图像进行类别标记，标记方法是：不同人的虹膜图像标记的类别号不同，同一人的不同虹膜图像的类标号相同，将标记好类别号的图像集作为输入；

(2)对输入的虹膜图像进行预处理，为了避免眼睑、睫毛、巩膜等非虹膜以外的信息对虹膜的特征提取和识别过程产生不利影响，首先对采集到的虹膜图像进行预处理，预处理过程包括：虹膜定位、分割以及归一化，将虹膜的有效区域归一化到一个512*64的极坐标上；

(3)对归一化后的虹膜有效区域进行灰度共生矩阵特征提取，采用灰度共生矩阵对预处理后的虹膜图像进行特征提取，首先计算角二阶矩(UNI)、熵(ENT)、对比度(CON)及相关性(COR)四个纹理参数，然后分别对上述四个纹理参数进行均值运算，得到对应虹膜图像的一个4*1的灰度共生矩阵特征向量；

(4)对归一化后的虹膜有效区域进行2D-Gabor滤波，采用2D-Gabor滤波器组对预处理后的虹膜图像进行特征提取，具体实现步骤如下：

(4.1)根据虚部滤波器的奇对偶性，选取4个方向，5个频率，组成20个滤波器，构建滤波器组；

(4.2)对归一化后的虹膜图像进行分块，每幅分成2*16(32)个图像块；

(4.3)将步骤(4.1)中构建的滤波器组与步骤(4.2)中分块后的每个图像块在空域进行卷积运算，每个图像块会得到20个滤波器输出；

(4.4)每个图像块经过滤波器组滤波得到的是20个与图像块大小相同的输出，对这20个输出分别进行均值运算，也就是对其进行“浓缩”得到一个20*1的特征向量作为该图像块的特征向量；

(4.5)将属于同一幅虹膜图像的32个图像块的特征向量进行合并，作为该幅归一化后的虹膜图像的2D-Gabor滤波特征向量，即用2D-Gabor滤波器组提取到的特征向量；

(4.6)对所有的输入图像依次执行步骤(4.2)到步骤(4.5)的处理，得到每一幅归一化后虹膜图像的2D-Gabor滤波特征向量。

(5)多粒度特征向量的构建，用灰度共生矩阵和2D-Gabor滤波器组提取到的特征向量构建实验样本文件，具体步骤包括：

(5.1)将每幅虹膜图像用灰度共生矩阵法提取到的的特征向量与用2D-Gabor滤波器组编码得到的特征向量进行结合，组成多特征向量，其中灰度共生矩阵提取得到的特征向量在前，2D-Gabor滤波器组提取到的特征向量在后；

(5.2)将每幅虹膜图像的类别号与该幅虹膜图像的多特征向量进行匹配结合，组成该幅虹膜图像的多粒度特征向量，将所有采集到的虹膜图像的多粒度特征向量按类别号顺序排列共同生成实验样本文件，作为极限学习机(ELM)分类识别模型的输入文件；

(6)利用极限学习机(ELM)对实验样本文件中的每个类别的30％实验样本集进行训练学习，得到分类识别模型；

(7)根据训练学习得到的分类识别模型对剩下的70％实验样本进行类别测试，得到虹膜图像类别号，将虹膜图像类别号返还给用户；

(8)用户将实验得到的图像类别号与图像实际的类别号进行对比，得到虹膜识别精度。

本发明的基于ELM的多粒度虹膜识别方法，由于本发明采用了多粒度特征向量，使得特征向量具有更好的识别特性，另外，由于本发明使用ELM对特征向量进行分类识别，有效提高了识别速度，所以本发明适用于识别精度高和实时性要求高等信息安全场合。

与现有技术相比，本发明具有如下优点：

①由于本发明采用了2D-Gabor滤波器组对虹膜图像进行多通道滤波，其中滤波器组是由20个不同方向和不同频率的滤波器组成的，所以能保留虹膜图像在多个频段上的纹理信息，使所提取的虹膜特征更全面，避免了采用单一滤波器提取的特征时的片面性缺陷；

②由于本发明采用灰度共生矩阵和2D-Gabor滤波器组相结合构建多粒度虹膜特征向量，使所提取的虹膜特征既包括虹膜图像的高频信息又包括了中低频信息，所以避免了单一特征提取方法容易造成有效信息流失等缺陷；

③由于本发明采用极限学习机ELM对提取到的多粒度特征向量进行分类识别，而现有虹膜识别方法中没有人应用该方法，因而较于其它虹膜识别方法具有识别率更高、识别速度更快等优点，满足虹膜识别的高识别度和实时性要求。

附图说明

图1为本发明的流程框图；

图2为本发明进行虹膜图像预处理时的各个过程的处理结果图，其中图2(a)是采集到的虹膜图像，图2(b)是定位后的虹膜图像，图2(c)是虹膜图像的有效区域，图2(d)是归一化的采样圆周图，图2(e)是对虹膜有效区域进行归一化后的虹膜图像；

图3为本发明在不同频率，不同方向的滤波器对同一图像进行滤波的滤波效果图，其中图3(a)是f＝1/4,θ＝0°时构成的滤波器的滤波效果图，图3(b)是f＝1/4,θ＝45°构成的滤波器的滤波效果图，图3(c)是f＝1/4,θ＝90°构成的滤波器的滤波效果图，图3(d)是f＝1/4,θ＝135°构成的滤波器的滤波效果图，图3(e)是f＝1/12,θ＝0°构成的滤波器的滤波效果图，图3(f)是f＝1/12,θ＝45°构成的滤波器的滤波效果图，图3(g)是f＝1/12,θ＝90°构成的滤波器的滤波效果图，图3(h)是f＝1/12,θ＝135°构成的滤波器的滤波效果图；

图4为本发明中ELM的网络结构图；

图5为本发明在CASIA Ver1.0虹膜库中，随着类别数的增加不同方法的识别精度变化图；

图6为本发明在CASIA Ver4.0虹膜库中，随着类别数的增加不同方法的识别精度变化图。

具体实施方式

以下参照附图对本发明详细描述。

实施例1：

近几年来，由于虹膜具有很好的稳定性和很强的非侵犯性，所以相较于指纹、面部识别等，其具有了更多的应用领域，受到越来越多的关注。所以被越来越广泛地应用到电子商务、门禁和考勤等众多领域。虹膜识别技术的发展现状如下：

在虹膜的特征提取方面，Gabor滤波法、小波过零点检测法、相关性分析法以及低通滤波法所提取的虹膜特征具有较好的识别特性，但使用单一Gabor滤波器容易丢弃有效虹膜信息，而小波过零点检测和相关性分析方法只使用了信息量很少的虹膜边缘纹理信息。

在虹膜的识别算法方面，应用在虹膜识别邻域的神经网络主要有：BP神经网络和支持向量机(SVM)。这些方法都在一定程度上提高了虹膜的正确识别率，但BP神经网络的识别时间较长，而对于多分类情况，SVM的计算复杂度较高而且识别时间较长。

针对上述现状，本发明在借鉴已有虹膜识别方法的基础上开展了创新与研究，提出了一种基于ELM的多粒度虹膜识别方法，参见图1，具体步骤包括如下：

(1)图像获取，对采集到的虹膜图像进行类别标记，标记方法是：不同人的虹膜图像标记的类别号不同，同一人的不同虹膜图像的类标号相同，将标记好类别号的图像集作为输入。

(2)对输入的虹膜图像进行预处理，为了避免眼睑、睫毛、巩膜等非虹膜以外的信息对特征提取和虹膜识别过程产生不利影响，首先对采集到的虹膜图像进行预处理，预处理过程包括：虹膜定位、分割以及归一化，将虹膜的有效区域归一化到一个极坐标上，本例中归一化后的图像大小是512*64，因为本发明仿真中用的是数据库CASIS-Iris Ver1.0和数据库CASIS-Iris Ver4.0中的虹膜图像，这两个数据库中的虹膜图像归一化到512*64大小的极坐标中比归一化到其他大小的极坐标中效果更好，更有利于后面的特征提取和识别过程，实际操作中，可根据实际采集到的虹膜情况，选取适合大小的极坐标。参见图2，其中图2(a)是采集到的虹膜图像，不难看出，该图中包含着眼睑、睫毛、巩膜等大量非虹膜信息，为了屏蔽这些非虹膜信息，对该图像进行了虹膜定位和有效区域检测操作；其中图2(b)是定位后的虹膜图像，具体就是将图像中的虹膜部分用环形区域定位出来；但该图中还存在眼睑及睫毛等非虹膜信息，所以用有效区域检测方法对其进行了区域检测，得到图2(c)，具体就是将环形区域中的非虹膜信息屏蔽掉，即完成分割；为了将图2(c)中的有效区域归一化到极坐标中，需要对其进行采样圆周扫描，扫描结果如图2(d)所示；对采样圆周进行极坐标转换就得到了如图2(e)所示的归一化后的虹膜图像。

(3)对归一化后的虹膜有效区域进行灰度共生矩阵特征提取，采用灰度共生矩阵对预处理后的虹膜图像进行特征提取，首先计算角二阶矩(UNI)、熵(ENT)、对比度(CON)及相关性(COR)四个纹理参数，然后分别对上述四个纹理参数进行均值运算，得到对应虹膜图像的一个灰度共生矩阵特征向量，由于本发明中采用的只是灰度共生矩阵的四个纹理参数，所以得到的是一个4*1的特征向量。

(4)对归一化后的虹膜图像，归一化后的图像是虹膜图像的有效区域，进行2D-Gabor滤波，采用2D-Gabor滤波器组对预处理后的虹膜图像进行特征提取，具体实现步骤如下：

(4.1)根据虚部滤波器的奇对偶性，选取4个方向，5个频率，组成20个滤波器，构建滤波器组；

(4.2)对归一化后的虹膜图像进行分块，每幅虹膜图像分成2*16(32)个图像块；

(4.3)将步骤(4.1)中构建的滤波器组与步骤(4.2)中分块后的每个图像块在空域进行卷积运算，每个图像块会得到20个滤波器输出；

(4.4)每个图像块经过滤波器组滤波得到的是20个与图像块大小相同的输出，对这20个输出分别进行均值运算，对其进行“浓缩”得到一个20*1的特征向量作为该图像块的特征向量；

(4.5)将属于同一幅虹膜图像的32个图像块的特征向量进行合并，作为该幅归一化后的虹膜图像的2D-Gabor滤波特征向量，即用2D-Gabor滤波器组提取到的特征向量。本例中，因为每个图像块得到的是一个20*1的特征向量，一幅虹膜图像分成了32个图像块，所以一幅虹膜图像得到的是一个640*1的特征向量。

(4.6)对所有的输入图像依次执行步骤(4.2)到步骤(4.5)的处理，得到每一幅归一化后虹膜图像的2D-Gabor滤波特征向量。

(5)多粒度特征向量的构建，用灰度共生矩阵和2D-Gabor滤波器组提取到的特征向量构建实验样本文件，具体步骤包括：

(5.1)将每幅虹膜图像用灰度共生矩阵法提取到的特征向量与用2D-Gabor滤波器组编码得到的特征向量进行结合，组成多特征向量，其中灰度共生矩阵提取得到的特征向量在前，2D-Gabor滤波器组提取到的特征向量在后；本例中，因为灰度共生矩阵提取到的是一个4*1的特征向量，而2D-Gabor滤波器组提取到的是一个640*1的特征向量，所以两者结合得到的是一个644*1的特征向量。

(5.2)将每幅虹膜图像的类别号与该幅虹膜图像的多特征向量进行匹配结合，组成该幅虹膜图像的多粒度特征向量，将所有采集到的虹膜图像的多粒度特征向量按类别号顺序排列共同生成实验样本文件，作为极限学习机(ELM)分类识别模型的输入文件；本例中，因为类标号是1*1的，而多特征向量是644*1的，所以得到的多粒度特征向量是645*1的特征向量。

(6)利用极限学习机(ELM)对实验样本文件中的每个类别的30％实验样本集进行训练学习，得到分类识别模型；

(7)根据训练学习得到的分类识别模型对剩下的70％实验样本进行类别测试，得到虹膜图像类别号，将虹膜图像类别号返还给用户；

(8)用户将实验得到的图像类别号与图像实际的类别号进行对比，得到虹膜识别精度。

首先，由于本发明采用了2D-Gabor滤波器组对虹膜图像进行多通道滤波，其中滤波器组是由20个不同方向和不同频率的滤波器组成的，能保留虹膜图像在多个频段上的纹理信息，使所提取的虹膜特征更全面，有效避免了采用单一滤波器提取特征时的片面性缺陷；其次，本发明构建的多粒度特征向量既包含了虹膜的高频纹理特征又包含了虹膜的中低频纹理特征，比使用单一特征提取方法提取到的特征向量具有更好的识别特性；最后，本发明将ELM应用到了虹膜的识别中，因为在多分类方面，与BP神经网络和SVM相比，ELM具有更快分类速度和更高的分类精度，所以本发明具有更高的识别精度和更快的识别速度。

实施例2：

基于ELM的多粒度虹膜识别方法同实施例1，其中步骤(3)所述的灰度共生矩阵4个纹理特征是在像素对(i,j)距离d＝1，扫描方向分别为θ＝0°、θ＝45°、θ＝90°、θ＝135°的情况下计算得到的，上述四个纹理特征的计算公式如下：

(3.1)：角二阶矩(UNI)，也叫能量，是灰度共生矩阵的平方和，反映的是图像灰度分布均匀程度和纹理粗细度；

(3.2)：熵(ENT)，熵是图像所具有的信息量的度量，是一个随机性的度量，它表示了图像中纹理的非均匀程度或复杂程度；

(3.3)：对比度(CON)，即惯性矩，它直接反映了某个像素值及其邻域像素值的亮度的对比情况，同时，它也反映了图像的清晰度和纹理沟纹深浅的程度；

(3.4)：相关性(COR)，它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此它反映了图像中局部灰度相关性；

其中，P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j}，是像素对(i,j)的联合分布概率，即灰度共生矩阵；i，j表示像素点的灰度级，f(x,y)为归一化后的虹膜灰度图，其大小为M×N，(x,y)是像素点坐标，#(x)表示集合x中的元素个数，μ_x表示x的期望，μ_y表示y的期望，σ_x表示x的方差，σ_y表示y的方差。

对上述四个纹理参数求取均值，得到对应虹膜图像的一个4*1的特征矩。灰度共生矩阵共有13个纹理参数，本发明中之所以仅选取这四个纹理参数来生成特征向量，是因为这四个纹理参数在能最大程度地体现出虹膜特性的同时，还能缩减纹理参数计算时间，有效提高了提取特征的速度。

因为通过Gabor滤波器滤波提取到的特征只包括虹膜的中低频纹理信息，所以本发明在使用2D-Gabor滤波器组提取特征的同时，还使用了灰度共生矩阵对虹膜的高频纹理进行特征提取，有效将归一化后虹膜图像中的高频纹理信息保留了下来，使提取到的特征具有更好的识别特性。

实施例3：

基于ELM的多粒度虹膜识别方法同实施例1-2，其中步骤(4.1)中所述的由4个方向，5个频率组成的20个滤波器构建得到的2D-Gabor滤波器组，其中4个方向是：θ＝0°、45°、90°、135°，这里是滤波器的滤波方向，与灰度共生矩阵中扫描方向概念不同，5个频率是：f＝0.25、f＝0.167、f＝0.125、f＝0.0625、f＝0.0417，本发明中选择这5个频率，是因为相较于其它频率，这5个频率在本发明仿真中具有较好的滤波效果。

实际操作中还可以根据实际采集到的虹膜图像，以及归一化后的虹膜图像选取适合的四个方向和五个频率，组建不同的20个滤波器。

为了证明不同频率和不同方向滤波器的滤波效果不同，图3给出了八个不同滤波器的滤波结果图，其中图3(a)是f＝1/4,θ＝0°构成的滤波器的滤波结果图，得到的是虹膜水平方向上的纹理图，3(b)是f＝1/4,θ＝45°构成的滤波器的滤波结果图，得到的是虹膜45°方向上的纹理图，图3(c)是f＝1/4,θ＝90°构成的滤波器的滤波结果图，得到的是虹膜垂直方向上的纹理图，图3(d)是f＝1/4,θ＝135°构成的滤波器的滤波效果图，得到的是虹膜135°方向上的纹理图；图3(e)是f＝1/12,θ＝0°构成的滤波器的滤波效果图，得到的是虹膜水平方向上的纹理图，图3(f)是f＝1/12,θ＝45°构成的滤波器的滤波效果图，得到的是虹膜45°方向的纹理图，图3(g)是f＝1/12,θ＝90°构成的滤波器的滤波结果图，得到的是虹膜垂直方向上的纹理图，图3(h)是f＝1/12,θ＝135°构成的滤波器的滤波效果图，得到的是135°方向的纹理图。从图3(a)—3(h)中可以看出当频率相同方向不同时，得到的是虹膜图像不同方向的纹理图，当方向相同频率不同时，可以得到不同频段的纹理图，而且随着频率的不断减小，所得纹理的纹理越来越粗。

本发明中，滤波方向可以选取0°到180°之间的任意方向，本发明只选择了0°、45°、90°、135°4个方向，是因为相较于其它方向这4个方向上包含了大部分的虹膜有效信息，选取这4个方向具有较高的特征提取率，所以只选取这4个方向在最大程度包含虹膜信息的同时，还能大大减少特征提取的时间。

实施例4：

基于ELM的多粒度虹膜识别方法同实施例1-3，其中步骤(6)所述的利用ELM对每个类别的30％实验样本进行训练学习，具体包括如下步骤：

(6.1)在已知训练样本集的情况下，选取径向基函数(RBF)作为ELM的隐含节点函数G(α_i,b_i,x),i＝1,...L，即：

G(α_i,b_i,x)＝g(b_i||x-a_i||)

其中N是训练样本的总数，x_j是第j个样本的多粒度特征向量，t_j是第j个样本的类别号，m是类别号的总数，α_i是第i个隐含节点的输入权重，b_i是第i个隐含节点的偏置，L是隐含节点的数量。

(6.2)随机设置隐含节点参数(α_i,b_i)，i＝1,...,L，计算隐含层输出矩阵H：

Hβ＝T

其中，β是输出权重矩阵，T是类标号矩阵，具体表示如下：

(6.3)输出权重矩阵β的计算如下：

其中是H的M-P广义逆矩阵。

本例中，ELM的网络结构图如图4所示，它包括了输入层、隐含层以及输出层，本发明中输入层输入的是虹膜的多粒度特征向量，ELM相较于BP和SVM之所以学习速度快，是因为ELM隐含节点参数(α_i,b_i)的选取是随机的，不需要通过迭代得到，本发明采用ELM，大大减少了运算时间，隐含层对输入的多粒度特征向量进行学习，得到识别模型，最后将计算得到的虹膜类标号经输出层输出，返还给用户，用于识别精度的计算，另外，ELM在多分类情况下优于SVM的原因是，ELM可以根据实际情况在输出层设置多个输出节点，而SVM不能。

本发明中，训练学习的样本数量占总样本数量的30％，选择这些样本的原因是，在本发明中当训练学习的样本数量多于30％时，识别精度略有上涨，但几乎是恒定的，而少于30％时，识别精度大大降低，考虑到当训练样本过多时，生成识别模型的时间会增加，所以本发明在不影响识别精度的情况下，选择总样本数的30％进行学习训练，有效减少了识别模型生成的时间。

实际操作中，可以根据实际要求，适当增加学习样本的比重。

因为与BP网络和SVM相比，本发明采用ELM不仅有效适用于多分类问题，而且具有分类速度快、分类精度高的优点。有效提高了虹膜的识别精度和识别速度。

下面给出一个完整的例子，参照附图对本发明作进一步详细的描述。

实施例5：

基于ELM的多粒度虹膜识别方法同实施例1-4，

参照图1，本发明基于ELM的多粒度虹膜识别方法包括如下步骤：

步骤1，为了后面进行虹膜识别方便，首先要对采集到的图像进行类标记，标记方法是：不同人的虹膜图像标记的类别号不同，同一人的不同虹膜图像的类标号相同，将标记好类别号的图像集作为输入。

步骤2，为了避免眼睑、睫毛、巩膜等非虹膜以外的信息对虹膜的特征提取和识别过程产生不利影响，首先对采集到的虹膜图像进行预处理。预处理过程包括：虹膜定位、分割以及归一化，目的是将虹膜有效区域归一化到一个512*64的极坐标上，参见图2，图2为本发明在进行特征提取之前对虹膜图像进行预处理的过程图，目的是为了避免非虹膜部分对后续工作产生不良干扰。

步骤3，采用灰度共生矩阵对预处理后的虹膜图像进行特征提取，计算下面四个纹理参数，计算方程表示如下：

(3.1)角二阶矩(UNI)：即能量。

(3.2)熵(ENT)：

(3.3)对比度(CON)：即惯性矩。

(3.4)相关性(COR)

其中，P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j}，是像素对(i,j)的联合分布概率，即灰度共生矩阵；i，j表示像素点的灰度级，f(x,y)为归一化后的虹膜灰度图，其大小为M×N，(x,y)是像素点坐标，#(x)表示集合x中的元素个数，μ_x表示x的期望，μ_y表示y的期望，σ_x表示x的方差，σ_y表示y的方差。

对上述四个纹理参数求取均值，得到对应图像的一个4*1的特征矩。其中这4个纹理参数分别是在i,j相距d＝1，θ＝0°、45°、90°、135°的情况下求取的。

步骤4，采用2D-Gabor滤波器组对预处理后的虹膜进行特征提取，具体实现步骤如下：

(4.1)根据虚部滤波器的寄对偶性，选取4个方向，5个频率，组成20个滤波器，构建滤波器组，其中4个方向选取的是：θ＝0°、45°、90°、135°，5个频率选取的是f＝0.25、f＝0.167、f＝0.125、f＝0.0625、f＝0.0417。

(4.2)对预处理后的虹膜图像进行分块，分成2*16(32)的图像块；

(4.3)将步骤(4.1)中构建的2D-Gabor滤波器组与步骤(4.2)中分块后的每个图像块在空域进行卷积运算，则每个图像块会得到20个滤波器输出；

(4.4)每个图像块经过滤波器组滤波得到的是20个与图像块大小相同的输出，对其进行“浓缩”得到一个20*1的特征向量作为该图像块的特征向量；

(4.5)最终将每幅虹膜图像编码为640*1的特征向量。

(4.6)对所有的输入图像依次执行步骤(4.2)到步骤(4.5)的处理，得到每一幅归一化后虹膜图像的2D-Gabor滤波特征向量。

参见图3，从图3可以看出，当滤波器的方向和频率不同时，得到的纹理信息也不同，为了获取不同频段和不同方向上的纹理信息，使所获取的虹膜纹理信息更全面，所以本发明采用了20个不同的滤波器。

步骤5，构建多粒度特征向量，生成试验样本文件。具体步骤如下：

(5.1)将用灰度共生矩阵法提取到的4*1的特征向量与用2D-Gabor滤波器组编码得到的640*1的特征向量一一对应结合，组成多特征向量；

(5.2)将每幅虹膜图像的类别号与多特征结合，生成多粒度向量，将多粒度向量按类别号顺序排序生成训练样本文件，作为ELM分类识别模型的输入文件。

步骤6，利用ELM对训练样本文件进行分析，得到分类识别模型；详细步骤如下：在已知训练样本的情况下，

首先：选取RBF函数作为ELM的隐含节点函数G(α_i,b_i,x),i＝1,...L，即：

G(α_i,b_i,x)＝g(b_i||x-a_i||) (5)

其中L是隐含节点的数量，N是训练样本的总数，x_j是第j个样本的多粒度特征向量，t_j是第j个样本的类别号，m是类别号的总数，α_i是第i个隐含节点的输入权重，b_i是第i个隐含节点的偏置。

然后：随机设置隐含节点参数(α_i,b_i)，i＝1,...,L，由公式(6)计算隐含层输出矩阵H：

Hβ＝T (6)

其中，β是输出权重矩阵，T是类标号矩阵，具体表示如下：

最后：由公式(7)计算输出权重矩阵β：

其中是H的M-P广义逆矩阵。

步骤7，根据训练学习得到的分类识别模型对测试样本文件进行类别测试，将得到的虹膜图像类别号返还给用户，本发明中使用步骤6中得到的β，代入公式(6)得到的类标矩阵T就是ELM的输出。

图4为本发明进行虹膜识别使用的ELM的网络结构图，从图4可以看出ELM是一种广义的单隐层前馈神经网络，它的工作原理和神经网络一样。

本发明的效果可通过以下仿真进一步说明：

实施例6：

基于ELM的多粒度虹膜识别方法同实施例1-5，

为了验证本发明方法的有效性和泛化性，分别在数据库CASIS-Iris Ver1.0和数据库CASIS-Iris Ver4.0上进行了仿真实验，实验结果如图5和图6所示，

图5为本发明对数据库CASIS-Iris Ver1.0使用不同特征提取方法进行特征提取时，随着类别数的增加识别精度的变化曲线。从图5可以看出，单独使用灰度共生矩阵进行特征提取时，识别精度随着类别总数的增加呈不稳定趋势降低，而单独使用2D-Gabor滤波器组进行特征提取时，随着类别总数的增加，识别精度也越来越低，但使用本发明的方法时，识别精度一直很高，且几乎不随类别总数的变化而变化，所以本发明的虹膜识别方法具有识别精度高、鲁棒性好的特点。

图6为本发明对数据库CASIS-Iris Ver4.0使用不同特征提取方法进行特征提取时，随着类别数的增加识别精度的变化曲线。从图6可以看出，本发明的方法在数据库CASIS-Iris Ver4.0上的仿真效果和在数据库CASIS-Iris Ver1.0上的仿真效果一样，即：单独使用灰度共生矩阵进行特征提取时，随着类别总数的增加，虹膜的识别精度呈不稳定状态大幅度下降，单独使用2D-Gabor滤波器组进行特征提取时，虹膜的识别精度虽然比灰度共生矩阵的高，但随着类别总数的增加，识别精度也呈下降趋势，但使用本发明的方法时，虹膜的识别精度一直很高，且几乎无变化，。所以本发明的方法不仅具有较好的鲁棒性，还有很好的泛化性。

综上所述，本发明的一种基于ELM的多粒度虹膜识别方法，解决了现有虹膜识别方法中提取的特征不完全及识别速度慢、计算复杂度高的问题，包括图像采集及标记，即对采集到的虹膜图像进行类别标记；图像预处理，预处理又包括虹膜定位、分割和归一化；灰度共生矩阵特征提取过程，即计算角二阶矩(UNI)、熵(ENT)、对比度(CON)及相关性(COR)这四个纹理参数的均值；2D-Gabor滤波器组特征提取过程，即用20个不同方向和不同频率的2D-Gabor滤波器对分块后的图像块进行滤波编码；多粒度特征向量构建，即将灰度共生矩阵和2D-Gabor滤波器组分别提取到的特征向量结合到一起；虹膜识别模型获取，即用总样本的30％来训练学习ELM，得到识别模型；虹膜类别测试，即用得到的识别模型来测试剩下的70％的样本，得到类别号；识别精度计算，即将测试得到的样本类别号与样本的实际类别号进行比较，计算得到识别精度。本发明通过将灰度共生矩阵和2D-Gabor滤波器组相结合生成多粒度特征向量，不仅包含了虹膜的高频信息还包含了虹膜的中低频信息，所以增强了虹膜的识别特性，进而提高了虹膜的识别精度，本发明将ELM应用到虹膜识别过程中，具有较高的识别速度且适用于多分类问题，所以提高了虹膜识别的速度。适用于对识别精度和实时性要求较高的安全信息邻域。

Claims (4)

1.一种基于ELM的多粒度虹膜识别方法，其特征在于，包括如下步骤：

(1)图像类别标记，为了方便对虹膜进行后续处理，对采集到的虹膜图像进行类别标记，不同人的虹膜图像标记的类别号不同，同一人的不同虹膜图像的类标号相同，将标记好类别号的图像集作为输入；

(2)对输入的虹膜图像进行预处理，预处理过程包括：虹膜定位、分割以及归一化，将虹膜的有效区域归一化到极坐标上；

(3)对归一化后的虹膜有效区域进行灰度共生矩阵特征提取，采用灰度共生矩阵对预处理后的虹膜图像进行特征提取，首先计算角二阶矩、熵、对比度及相关性四个纹理参数，然后分别对上述四个纹理参数进行均值运算，得到对应虹膜图像的一个4*1的灰度共生矩阵特征向量；

(4)对归一化后的虹膜有效区域进行2D-Gabor滤波，采用2D-Gabor滤波器组对预处理后的虹膜图像进行特征提取，包括有如下步骤：

(4.1)根据虚部滤波器的奇对偶性，选取4个方向，5个频率，组成20个滤波器，构建滤波器组；

(4.2)对归一化后的虹膜图像进行分块，每幅分成2*16(32)个图像块；

(4.3)将构建的滤波器组与分块后的每个图像块在空域进行卷积运算，每个图像块会得到20个滤波器输出；

(4.4)每个图像块经过滤波器组滤波得到的是20个与图像块大小相同的输出，对这20个输出分别进行均值运算，也就是得到一个20*1的特征向量作为该图像块的特征向量；

(4.5)将属于同一幅虹膜图像的32个图像块的特征向量进行合并，作为该幅归一化后的虹膜图像的2D-Gabor滤波特征向量；

(4.6)对所有的输入图像依次执行步骤(4.2)到步骤(4.5)的处理，得到每一幅归一化后虹膜图像的2D-Gabor滤波特征向量；

(5)多粒度特征向量的构建，用灰度共生矩阵和2D-Gabor滤波器组提取到的特征向量构建实验样本文件，包括有以下步骤：

(5.1)将每幅虹膜图像用灰度共生矩阵法提取到的特征向量与用2D-Gabor滤波器组编码得到的特征向量进行结合，组成多特征向量，其中灰度共生矩阵提取得到的特征向量在前，2D-Gabor滤波器组提取到的特征向量在后；

(5.2)将每幅虹膜图像的类别号与该幅虹膜图像的多特征向量进行匹配结合，组成该幅虹膜图像的多粒度特征向量，将所有采集到的虹膜图像的多粒度特征向量按类别号顺序排列共同生成实验样本文件，作为极限学习机分类识别模型的输入文件；

(6)利用ELM对实验样本文件中的每个类别的30％实验样本集进行训练学习，得到分类识别模型；

(7)根据训练学习得到的分类识别模型对剩下的70％实验样本进行类别测试，得到虹膜图像类别号，将虹膜图像类别号返还给用户；

(8)用户将实验得到的图像类别号与图像实际类别号进行对比，得到虹膜识别精度。

2.根据权利要求1所述的基于ELM的多粒度虹膜识别方法，其特征在于，其中步骤(3)所述的灰度共生矩阵4个纹理特征是在d＝1，θ＝0°、45°、90°、135°的情况下计算得到的，上述四个纹理特征的计算公式如下：

(3.1)：角二阶矩(UNI)：

$UNI=\underset{i}{\Σ}\underset{j}{\Σ}{\left\{P(i,j)\right\}}^2$

(3.2)：熵(ENT)：

$ENT=-\underset{i}{\Σ}\underset{j}{\Σ}P(i,j)\log P(i,j)$

(3.3)：对比度(CON)，即惯性矩：

$CON=\underset{i}{\Σ}\underset{j}{\Σ}{(i-j)}^{2}P(i,j)$

(3.4)：相关性(COR)：

$COR=\left(\underset{i}{\Σ}\underset{j}{\Σ}\right(ij\left)P\right(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y)/\[{\mathrm{\σ}}_x{\mathrm{\σ}}_y\]$

其中，P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j}，是像素对(i,j)的联合分布概率，即灰度共生矩阵；i，j表示像素点的灰度级，f(x,y)为归一化后的虹膜灰度图，其大小为M×N，(x,y)是像素点坐标，#(x)表示集合x中的元素个数，μ_x表示x的期望，μ_y表示y的期望，σ_x表示x的方差，σ_y表示y的方差；

对上述四个纹理参数求取均值，得到对应图像的一个4*1的特征矩。

3.根据权利要求1所述的基于ELM的多粒度虹膜识别方法，其特征在于，其中步骤(4.1)中所述的由4个方向，5个频率组成的20个滤波器构建得到的2D-Gabor滤波器组，其中4个方向是：θ＝0°、45°、90°、135°，5个频率是：f＝0.25、0.167、0.125、0.0625、0.0417。

4.根据权利要求1所述的基于ELM的多粒度虹膜识别方法，其特征在于，其中步骤(6)所述的利用ELM对每个类别的30％实验样本进行训练学习，包括如下步骤：

(6.1)在已知训练样本集的情况下，选取RBF函数作为ELM的隐含节点函数G(α_i,b_i,x),i＝1,...L，即：

G(α_i,b_i,x)＝g(b_i||x-a_i||)

其中N是训练样本的总数，x_j是第j个样本的多粒度特征向量，t_j是第j个样本的类别号，m是类别号的总数，α_i是第i个隐含节点的输入权重，b_i是第i个隐含节点的偏置，L是隐含节点的数量；

(6.2)随机设置隐含节点参数(α_i,b_i)，i＝1,...,L，计算隐含层输出矩阵H：

Hβ＝T

其中，β是输出权重矩阵，T是类标号矩阵，具体表示如下：

$H=\left[\begin{array}{c}h\left(x_1\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ h\left(x_N\right)\end{array}\right]={\left[\begin{array}{ccc}G({\mathrm{\α}}_1,b_1,x_1)& ...& G({\mathrm{\α}}_L,b_L,x_1)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ G({\mathrm{\α}}_1,b_1,x_N)& ...& G({\mathrm{\α}}_L,b_L,x_N)\end{array}\right]}_{N\×L}$

$\mathrm{\β}={\left[\begin{array}{c}{{\mathrm{\β}}_1}^T\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {{\mathrm{\β}}_L}^T\end{array}\right]}_{L\×m},T={\left[\begin{array}{c}{t_1}^T\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {t_N}^T\end{array}\right]}_{N\×m}$

(6.3)输出权重矩阵β的计算如下：

其中是H的M-P广义逆矩阵。