CN107256385A - 基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法 - Google Patents
基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法 Download PDFInfo
- Publication number
- CN107256385A CN107256385A CN201710368673.6A CN201710368673A CN107256385A CN 107256385 A CN107256385 A CN 107256385A CN 201710368673 A CN201710368673 A CN 201710368673A CN 107256385 A CN107256385 A CN 107256385A
- Authority
- CN
- China
- Prior art keywords
- iris
- mrow
- msub
- infrared
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法,认证系统包括:用于采集待识别虹膜图像的红外虹膜图像采集模块;用于通过2D Log Gabor滤波器提取虹膜二维纹理特征的虹膜特征提取模块;用于通过复合编码法对所提取特征向量进行编码的虹膜特征向量编码模块;用于采用投影极速学习机作为分类器进行特征分类与识别的虹膜特征码匹配模块。认证方法包括:采集待识别红外虹膜图像并进行图像预处理;提取虹膜纹理特征;对所提取虹膜纹理特征的特征向量进行编码;采用投影极速学习机作为分类器进行特征分类,再根据分类结果计算海明距离,根据海明距离判断虹膜是否来自同一个人。本发明认证精度较高。
Description
技术领域
本发明涉及身份认证领域,具体涉及一种基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法,采用投影极速学习机作为分类器实现特征码的匹配,提高虹膜识别率。
背景技术
近年来随着移动互联网技术的不断发展以及智能手机、平板电脑等移动电子设备的普及,越来越多的人开始享受移动电子设备在网上银行、移动支付、手机办公等方面带来的便利。据统计,仅2016年第3季度,中国第三方移动支付市场交易规模就达到90419亿元人民币。然而在这些私密性应用广泛使用的同时,安全问题也应当被重视,因此对终端的安全认证需求日益增加。传统的密码认证机制多采用密码输入的方式,但是这种措施实际上安全性能十分低,易被网络犯罪所利用,如计算机病毒、黑客等。一旦密码泄露,就可能被犯罪分子利用,造成个人信息泄露、经济损失等后果。推动智能手机为终端载体而发展的移动金融业务,必须解决信息安全问题。近年来,基于生物特征的身份识别技术得到越来越多的关注,成为国内外研究的热点。在各种生物识别技术中,虹膜识别凭借其自身优点脱颖而出。虹膜识别在现有的生物识别技术中的准确率高,而且虹膜图像的获得较为容易,并且不会让被认证者产生被侵犯的感觉。另外活体虹膜不易被他人盗用,这一点极大地保证了其安全性。
传统的虹膜认证方法使用Gabor滤波器,但是Gabor滤波器不是严格带通的,且存在直流分量、频率信息不好控制,与之相比,1D Log Gabor滤波器在具备Gabor滤波器优点的同时,可以克服以上不足。虹膜识别中通过把二维虹膜图像展开成一维信号,然后利用1DLog Gabor提取特征并识别,但是虹膜特征主要表现在二维纹理,展开成一维信号必然导致二维信息的丢失。与之相比,2D Log Gabor滤波器更为适合,该滤波器在对数频率尺度上的传递函数为高斯函数。由于人的视觉系统具有非线性,这种非线性具有对数性质,因此2DLog Gabor滤波器能够更加真实地反映自然纹理图像的频率响应,提高虹膜识别率。
当前特征码匹配时分类器的选择主要有:神经网络、支持向量机等。其中神经网络识别率较高,但学习训练速度慢,此外还存在学习率难以确定、易出现过度训练等缺陷。而支持向量机虽然能取得不错的效果,但是支持向量机的盒宽和惩罚因子对分类效果有重要作用,却由于难以找到最优参数,因此使得模型也表现不稳定。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法,滤波器提取虹膜特征后用复合编码法对特征信息进行编码,采用投影极速学习机作为分类器实现特征码的匹配,识别精度高,操作过程安全可靠。
为了实现上述目的,本发明基于2D Log Gabor与复合编码法的红外虹膜认证系统包括:
用于采集待识别虹膜图像的红外虹膜图像采集模块;
用于通过2D Log Gabor滤波器提取虹膜二维纹理特征的虹膜特征提取模块;
用于通过复合编码法对所提取特征向量进行编码的虹膜特征向量编码模块;
用于采用投影极速学习机作为分类器进行特征分类与识别的虹膜特征码匹配模块。
所述的红外虹膜图像采集模块包括用于提供红外光线的红外光源以及用于采集人眼虹膜图像的摄像头模组;所述的摄像头模组包括配备有红外滤光镜和感光芯片的镜头。
所述的红外光源采用红外LED照明灯,红外滤光镜的滤光波长为850nm。
所述的2D Log Gabor滤波器能够选取n1个频率尺度,每个尺度选取n2个方向,构造一族不同频率尺度和方向的多通道滤波器,从径向和角度两个方向上提取虹膜纹理特征的信息。
所述的虹膜特征向量编码模块将特征向量用两位二进制码(hr,hi)表示,hr和hi分别为实部码和虚部码,通过虹膜特征向量编码模块得到所有尺度和方向下的虹膜特征码。
所述的投影极速学习机将N个虹膜数据库中的虹膜特征向量作为训练样本获得m个特征模型,认证时将测试样本输入到训练好的投影极速学习机中获得1个测试模型,通过求取每个测试模型与m个特征模型之间的海明距离,比较海明距离判断虹膜是否来自同一人。
本发明基于2D Log Gabor与复合编码法的红外虹膜认证方法,包括以下步骤:
1)采集待识别红外虹膜图像并进行图像预处理;
2)通过2D Log Gabor滤波器对红外虹膜图像提取虹膜纹理特征;
3)通过复合编码法对所提取虹膜纹理特征的特征向量进行编码;
4)通过投影极速学习机将N个虹膜数据库中的虹膜特征向量作为训练样本,获得m个特征模型,认证时将测试样本输入到训练好的投影极速学习机中,获得1个测试模型,通过求取每个测试模型与m个特征模型之间的海明距离,比较海明距离判断虹膜是否来自同一人。
步骤2)2D Log Gabor滤波器的具体构造过程如下:
2.1)创建与虹膜图像大小一致的64×256的矩阵,设矩阵的中心为原点(0,0),则矩阵中的其他点相对于原点表示为(x,y),其中x∈[-128,127],y∈[-32,31];
矩阵中任一点与原点的距离为
2.2)确定合理的滤波器波长wavelength,则滤波器的中心频率为:
2.3)确定径向频率带宽和相邻滤波器中心频率的比例因子σf/f;
2.4)创建2D Log Gabor滤波器的径向部分
2.5)计算滤波器矩阵中任意点(x,y)与滤波器中心的角度偏差:
θ=arctan(-y,x);
2.6)计算矩阵中每一点与滤波器方向角度上的距离θ-θ0;
通过改变方向带宽确定参数σθ,并以此构建方向分量
步骤3)假设对虹膜纹理特征Fkj的特征向量Pkj进行编码,每个特征向量Pkj的相位信息用两位二进制码(hr,hi)表示,hr和hi分别为实部码和虚部码;
对于第k个尺度、j个方向的卷积结果,编码规则如下:
通过虹膜特征向量编码模块得到所有尺度和方向下的虹膜特征码。
所述步骤4)投影极速学习机构造的具体步骤如下:
4.1)给定一个矩阵形式的输入XN×m,N为样本数量,m为属性数量;
4.2)对X进行奇异值分解:
svd(X)=PSQT
上式中,矩阵P和矩阵Q分别为左、右奇异矩阵,S是奇异值矩阵;奇异值沿左对角线降序排列,奇异值的大小表征奇异矢量在奇异矩阵所张成空间中的重要性,选取d个最大的奇异值及其对应的奇异矢量逼进原矩阵X,得到X的最佳低秩表示为:
bestd(X)=PdSdQd
高维数据XN×m在由Qd所张成低维空间中的表示形式是:
XQd=PdSd
Qd称为投影矢量;
4.3)在极速学习机中,输入权值W采用随机赋值的方法确定,在多分类投影极速学习机中,输入权值经投影矢量Qd确定,二者之间的关系为W=Qd;
4.4)输入权值W=Qd确定后,隐层输出矩阵H按以下公式计算获得:
H=g(XQd)=g(PdSd)
其中,g(x)为SLFN的传递函数;
4.5)通过最小二乘法求解输出权值β:
Hβ=T
类别标识矩阵T为训练样本中的类别标识向量的集合;
海明距离的计算公式如下:
P、Q表示两个待比较模板的特征向量,N表示特征向量的维数;
若两幅虹膜图像特征码的海明距离小于预设阈值,则认证成功;否则,认证不成功。
与现有技术相比,本发明红外虹膜认证系统具有如下的有益效果:利用2D LogGabor滤波器对红外虹膜图像进行特征提取,2D Log Gabor滤波器具有方向选择性和频率选择性,因此能够从径向和角度两个方面提取虹膜二维纹理特征信息。之后再利用复合编码法对所提取特征向量进行编码,最后采用投影极速学习机作为分类器以实现虹膜特征码的匹配,投影极速学习机通过设置适当的隐层节点数,并给输入权值和隐层偏差随机赋值,输出层权值通过最小二乘法计算获得,整个过程无需迭代,一次完成,因此在识别率、学习训练速度方面要优于支持向量机和神经网络。本发明为身份认证提供了准确、有效的途径。
进一步的,本发明红外光源采用红外LED照明灯,避免了使用可见光发生反射使所采集虹膜图像出现光斑的问题,且相对于可见光,红外光不会刺激人眼。摄像头模组的镜头上安装有红外滤光镜,红外滤光镜的滤光波长为850nm,滤除其他频段的光线干扰,图像清晰。
与现有技术相比,本发明红外虹膜认证方法具有如下的有益效果:利用2D LogGabor滤波器对红外虹膜图像进行特征提取,然后利用复合编码法对所提取虹膜纹理特征的特征向量进行编码,最后采用投影极速学习机作为分类器实现特征码的匹配。传统技术经常在生物特征识别领域应用Gabor滤波器,但是Gabor滤波器不是严格带通的,并且存在直流分量、频率信息不好控制的缺陷,Log-Gabor滤波器在具备Gabor滤波器优点的同时,能够克服以上不足,但是红外虹膜图像特征主要表现在二维纹理,因此采用2D Log Gabor滤波器进行提取。2D Log Gabor滤波器具有方向选择性和频率选择性,仅需选取合适的几个尺度和方向,即能够从径向和角度两个方向上提取虹膜纹理特征。此外,投影极速学习机是一种简单易用、有效的单隐层前馈神经网络SLFN机器学习算法,通过设置适当的隐层节点数,给输入权和隐层偏差随机赋值,然后输出层权值能够通过最小二乘法计算获得。投影极速学习机是一种引入投影操作、结合奇异值分解方法来进行输入权赋值的改进极速学习机,基于投影极速学习机的虹膜分类器能够将N个虹膜数据库中的虹膜特征向量作为训练样本输入,最终获得m个特征模型,认证时,输入测试样本到训练好的投影极速学习机中获得1个测试模型,分别求取测试模型与训练得到的m个特征模型之间的海明距离,若两幅虹膜图像特征码的海明距离小于预设阈值,判定虹膜来自同一人,认证成功,反之则认证不成功,识别精度较高。
附图说明
图1本发明虹膜认证系统总体原理图;
图2本发明红外虹膜图像采集装置结构框图;
图3本发明滤波编码方法流程图;
图4本发明投影极速学习机原理图;
附图中:1-人眼;2-红外LED照明灯;3-红外滤光镜;4-镜头;5-感光芯片。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
参见图1,本发明基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法,利用2D Log Gabor滤波器对虹膜进行特征提取,然后利用复合编码法对特征信息进行编码,最后采用投影极速学习机作为分类器实现特征码的匹配,能够实现实时准确地进行虹膜认证。认证方法包含以下三个部分:红外虹膜图像的采集、虹膜特征提取及编码、虹膜特征码的匹配。
参见图2,红外虹膜图像采集模块主要由红外光源和摄像头模组构成。摄像头模组包括镜头4、红外滤光镜3和感光芯片5,镜头4放置在红外滤光镜3和感光芯片5之间。
红外光源采用红外LED照明灯,由于可见光反射会使采集的虹膜图像上出现光斑,而红外光采集的图像则没有这种问题,而且相对于可见光,红外光不刺激人眼。
镜头配备滤光波长为850nm的红外滤光镜,以滤除其他频段的光线干扰。
虹膜特征提取及编码模块是通过2D Log Gabor滤波器提取虹膜纹理特征,然后利用相位信息生成虹膜特征码。生物特征识别领域经常应用Gabor滤波器,但是Gabor滤波器不是严格带通的,且存在直流分量、频率信息不好控制的缺点。Log-Gabor滤波器在具备Gabor滤波器优点的同时,可以克服以上不足,但是虹膜特征主要表现在二维纹理,因此本发明采用2D Log Gabor滤波器提取虹膜二维纹理特征信息,该滤波器具有方向选择性和频率选择性,因此只需选取合适的几个尺度和方向,从径向和角度两个方向上虹膜纹理特征的信息,然后通过复合编码法对提取到的特征向量进行编码。此外,本发明使用投影极速学习机(Projection Extreme Learning Machine,简称PELM)作为虹膜分类器,通过设置适当的隐层节点数,给输入权和隐层偏差随机赋值,然后输出层权值可通过最小二乘法计算获得。整个过程无需迭代,一次完成,在识别率、学习训练速度方面要优于支持向量机和神经网络。
参见图3-4,本发明基于2D Log Gabor及复合编码法的红外虹膜认证方法,具体步骤如下:
步骤1:红外虹膜图像预处理;预处理步骤包括边缘定位、归一化和图像增强方法。
步骤2:2D Log Gabor滤波器提取虹膜纹理特征。
本发明选取n1个频率尺度,每个尺度选取n2个方向,构造了一族不同频率尺度和方向的多通道滤波器,从径向和角度两个方向上虹膜纹理特征的信息。
在极坐标下,频域的2D Log Gabor可表达为H(f,θ)=Hf×Hθ,Hf为径向分量,Hθ为方向分量。具体的函数表达式如下:
式中,f0为中心频率,θ0为滤波器的方向,σf用于确定径向带宽Bf,σθ确定方向带宽Bθ,
提取虹膜纹理特征的具体公式为:
式中,I(x,y)为预处理后虹膜图像,表示卷积运算,k表示第k个尺度,k=1,…,n1,j表示第j个方向,j=1,…,n2,Fkj(x,y)包含幅值信息和相位信息。
2D Log Gabor滤波器的具体构造过程如下:
(1)创建与虹膜图像大小一致的64×256的矩阵,设矩阵的中心为原点(0,0),则矩阵中其他点相对于原点可表示为(x,y),其中x∈[-128,127],y∈[-32,31]。
矩阵中任一点与原点的距离为
(2)根据多次实验,确定合理的滤波器波长wavelength,则滤波器的中心频率为:
(3)确定径向的频率带宽和相邻滤波器的中心频率的比例因子mult。根据已知规律,可通过实验确定合理的参数σf/f来计算mult;
(4)创建2D Log Gabor滤波器的径向部分
(5)计算滤波器矩阵中任意点(x,y)与滤波器中心的角度偏差:
θ=arctan(-y,x) (3)
(6)计算矩阵中每一点与滤波器方向角度上的距离θ-θ0;
(7)通过改变方向带宽实验确定参数σθ,并以此构建方向分量
步骤3:虹膜纹理特征的编码
给上述提取到的Fkj的相位信息Pkj进行编码:每个特征的相位信息用两位二进制码(hr,hi)表示,hr和hi分别称为实部码和虚部码。对于第k个尺度、j个方向的卷积结果,编码规则如下:
利用上面编码方法可得到所有尺度和方向下的虹膜特征码,将这些特征码组合起来就构成了完整的虹膜特征码。
步骤4:采用投影极速学习机作为分类器进行特征分类,虹膜特征码匹配模块,采用投影极速学习机作为分类器进行特征分类与识别。
极速学习机是一种简单易用、有效的单隐层前馈神经网络SLFN机器学习算法,通过设置适当的隐层节点数,给输入权和隐层偏差随机赋值,然后输出层权值可通过最小二乘法计算获得。所谓投影极速学习机,是一种引入投影操作、结合奇异值分解方法来进行输入权赋值的改进极速学习机。本模块构造的基于投影极速学习机的虹膜分类器,将N个虹膜数据库中的虹膜特征向量作为训练样本输入到投影极速学习机中,最终获得m个特征模型。认证时,输入测试样本到训练好的投影极速学习机中获得1个测试模型,分别求上述测试模型与所述训练得到的m个特征模型的海明距离,根据海明距离比较判断虹膜是否来自同一人,最后输出识别结果,达到虹膜认证要求。投影极速学习机构造的具体实现步骤如下:
(1)给定一个矩阵形式的输入XN×m(N个样本,m个属性);
(2)对X进行奇异值分解,其对应奇异值分解为:
svd(X)=PSQT (5)
矩阵P和Q称为左、右奇异矩阵,S是奇异值矩阵,奇异值沿左对角线降序排列,奇异值的大小可表征奇异矢量在奇异矩阵所张成空间中的重要性,选取d个最大的奇异值及其对应的奇异矢量来逼进原矩阵X,得到X的最佳低秩表示:
bestd(X)=PdSdQd (6)
高维数据XN×m在由Qd所张成的低维空间中的表示形式是:
XQd=PdSd (7)
Qd称为投影矢量。
(3)在极速学习机中,输入权值W采用随机赋值方法确定,导致其在处理高维小样本问题时(例如生物特征识别)权值不是最优参数,识别性能欠佳,因此在多分类投影极速学习机中输入权值不再采用随机赋值方式确定,而是采用投影矢量Qd确定,即W=Qd;即省去了单隐层神经网络SLFN的输入权的随机赋值过程。
(4)输入权W=Qd确定后,隐层输出矩阵H可以按以下公式直接计算获得:
H=g(XQd)=g(PdSd) (8)
其中g(x)为SLFN的传递函数。
(5)求解输出权值β和极速学习机类似,神经网络训练问题最后转化为求解β的线性问题:
Hβ=T (9)
β通过最小二乘法即可获得,类别标识矩阵T为训练样本中的类别标识向量的集合,对应用于虹膜样本集的类别标识。将N个虹膜数据库中的虹膜特征向量作为训练样本输入到投影极速学习机中,最终获得m个特征模型。认证时,输入测试样本到训练好的投影极速学习机中获得1个特征模型,分别求上述测试模型与所述训练得到的m个特征模型的海明距离,即两个合法的码字在相应位不同数字所占的百分比。如果待比较模板来自同一虹膜,海明距离就会越小;反之如果来自不同虹膜,这个距离就会越大。海明距离的计算公式如下:
式中P、Q表示两个待比较模板的特征向量,N表示码长,即特征向量的维数。由上述公式可知,当待比较的两个模板完全不同时,HD=1。由经验值判定,若HD<0.32,则可认为两个模板来自同一个虹膜,此时可得出测试虹膜样本的分类标签,认证成功。否则,认证失败。
以上的具体实施方式仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明精神及原则之内所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于2D Log Gabor与复合编码法的红外虹膜认证系统,其特征在于,包括:
用于采集待识别虹膜图像的红外虹膜图像采集模块;
用于通过2D Log Gabor滤波器提取虹膜二维纹理特征的虹膜特征提取模块;
用于通过复合编码法对所提取特征向量进行编码的虹膜特征向量编码模块;
用于采用投影极速学习机作为分类器进行特征分类与识别的虹膜特征码匹配模块。
2.根据权利要求1所述基于2D Log Gabor与复合编码法的红外虹膜认证系统,其特征在于:所述的红外虹膜图像采集模块包括用于提供红外光线的红外光源以及用于采集人眼虹膜图像的摄像头模组;所述的摄像头模组包括配备有红外滤光镜和感光芯片的镜头。
3.根据权利要求2所述基于2D Log Gabor与复合编码法的红外虹膜认证系统,其特征在于:所述的红外光源采用红外LED照明灯,红外滤光镜的滤光波长为850nm。
4.根据权利要求1所述基于2D Log Gabor与复合编码法的红外虹膜认证系统,其特征在于:所述的2D Log Gabor滤波器能够选取n1个频率尺度,每个尺度选取n2个方向,构造一族不同频率尺度和方向的多通道滤波器,从径向和角度两个方向上提取虹膜纹理特征的信息。
5.根据权利要求1所述基于2D Log Gabor与复合编码法的红外虹膜认证系统,其特征在于:所述的虹膜特征向量编码模块将特征向量用两位二进制码(hr,hi)表示,hr和hi分别为实部码和虚部码,通过虹膜特征向量编码模块得到所有尺度和方向下的虹膜特征码。
6.根据权利要求1所述基于2D Log Gabor与复合编码法的红外虹膜认证系统,其特征在于:所述的投影极速学习机将N个虹膜数据库中的虹膜特征向量作为训练样本获得m个特征模型,认证时将测试样本输入到训练好的投影极速学习机中获得1个测试模型,通过求取每个测试模型与m个特征模型之间的海明距离,比较海明距离判断虹膜是否来自同一人。
7.一种基于2D Log Gabor与复合编码法的红外虹膜认证方法,其特征在于,包括:
1)采集待识别红外虹膜图像并进行图像预处理;
2)通过2D Log Gabor滤波器对红外虹膜图像提取虹膜纹理特征;
3)通过复合编码法对所提取虹膜纹理特征的特征向量进行编码;
4)通过投影极速学习机将N个虹膜数据库中的虹膜特征向量作为训练样本,获得m个特征模型,认证时将测试样本输入到训练好的投影极速学习机中,获得1个测试模型,通过求取每个测试模型与m个特征模型之间的海明距离,比较海明距离判断虹膜是否来自同一人。
8.根据权利要求7所述基于2D Log Gabor与复合编码法的红外虹膜认证方法,其特征在于:步骤2)2D Log Gabor滤波器的具体构造过程如下:
2.1)创建与虹膜图像大小一致的64×256的矩阵,设矩阵的中心为原点(0,0),则矩阵中的其他点相对于原点表示为(x,y),其中x∈[-128,127],y∈[-32,31];
矩阵中任一点与原点的距离为
2.2)确定合理的滤波器波长wavelength,则滤波器的中心频率为:
2.3)确定径向频率带宽和相邻滤波器中心频率的比例因子σf/f;
2.4)创建2D Log Gabor滤波器的径向部分
2.5)计算滤波器矩阵中任意点(x,y)与滤波器中心的角度偏差:
θ=arctan(-y,x);
2.6)计算矩阵中每一点与滤波器方向角度上的距离θ-θ0;
通过改变方向带宽确定参数σθ,并以此构建方向分量
9.根据权利要求7所述基于2D Log Gabor与复合编码法的红外虹膜认证方法,其特征在于,步骤3)假设对虹膜纹理特征Fkj的特征向量Pkj进行编码,每个特征向量Pkj的相位信息用两位二进制码(hr,hi)表示,hr和hi分别为实部码和虚部码;
对于第k个尺度、j个方向的卷积结果,编码规则如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>&pi;</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi>&pi;</mi>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mfrac>
<mrow>
<mn>3</mn>
<mi>&pi;</mi>
</mrow>
<mn>2</mn>
</mfrac>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>r</mi>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mfrac>
<mrow>
<mn>3</mn>
<mi>&pi;</mi>
</mrow>
<mn>2</mn>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
通过虹膜特征向量编码模块得到所有尺度和方向下的虹膜特征码。
10.根据权利要求7所述基于2D Log Gabor与复合编码法的红外虹膜认证方法,其特征在于,所述步骤4)投影极速学习机构造的具体步骤如下:
4.1)给定一个矩阵形式的输入XN×m,N为样本数量,m为属性数量;
4.2)对X进行奇异值分解:
svd(X)=PSQT
上式中,矩阵P和矩阵Q分别为左、右奇异矩阵,S是奇异值矩阵;奇异值沿左对角线降序排列,奇异值的大小表征奇异矢量在奇异矩阵所张成空间中的重要性,选取d个最大的奇异值及其对应的奇异矢量逼进原矩阵X,得到X的最佳低秩表示为:
bestd(X)=PdSdQd
高维数据XN×m在由Qd所张成低维空间中的表示形式是:
XQd=PdSd
Qd称为投影矢量;
4.3)在极速学习机中,输入权值W采用随机赋值的方法确定,在多分类投影极速学习机中,输入权值经投影矢量Qd确定,二者之间的关系为W=Qd;
4.4)输入权值W=Qd确定后,隐层输出矩阵H按以下公式计算获得:
H=g(XQd)=g(PdSd)
其中,g(x)为SLFN的传递函数;
4.5)通过最小二乘法求解输出权值β:
Hβ=T
类别标识矩阵T为训练样本中的类别标识向量的集合;
海明距离的计算公式如下:
<mrow>
<mi>H</mi>
<mi>D</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&CircleTimes;</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>N</mi>
</mfrac>
<mo>;</mo>
</mrow>
P、Q表示两个待比较模板的特征向量,N表示特征向量的维数;
若两幅虹膜图像特征码的海明距离小于预设阈值,则认证成功;否则,认证不成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368673.6A CN107256385A (zh) | 2017-05-22 | 2017-05-22 | 基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368673.6A CN107256385A (zh) | 2017-05-22 | 2017-05-22 | 基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107256385A true CN107256385A (zh) | 2017-10-17 |
Family
ID=60027965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710368673.6A Pending CN107256385A (zh) | 2017-05-22 | 2017-05-22 | 基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256385A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363207A (zh) * | 2018-04-09 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 图像检测和分类器模型的生成方法、装置及设备 |
CN110414300A (zh) * | 2018-04-28 | 2019-11-05 | 北京眼神科技有限公司 | 虹膜特征的合成方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708362A (zh) * | 2012-05-14 | 2012-10-03 | 南京光华科技发展有限公司 | 一种虹膜识别法 |
CN104680144A (zh) * | 2015-03-02 | 2015-06-03 | 华为技术有限公司 | 基于投影极速学习机的唇语识别方法和装置 |
US9530052B1 (en) * | 2013-03-13 | 2016-12-27 | University Of Maryland | System and method for sensor adaptation in iris biometrics |
-
2017
- 2017-05-22 CN CN201710368673.6A patent/CN107256385A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708362A (zh) * | 2012-05-14 | 2012-10-03 | 南京光华科技发展有限公司 | 一种虹膜识别法 |
US9530052B1 (en) * | 2013-03-13 | 2016-12-27 | University Of Maryland | System and method for sensor adaptation in iris biometrics |
CN104680144A (zh) * | 2015-03-02 | 2015-06-03 | 华为技术有限公司 | 基于投影极速学习机的唇语识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
唐荣年 等: "一种Log-Gabor 滤波器结合多分辨率分析的虹膜识别方法", 《西安交通大学学报》 * |
晏国淇 等: "一种基于二代Curvelet和2D Log Gabor滤波器的", 《微电子学与计算机》 * |
许学斌 等: "基于多分类投影极速学习机的快速人脸识别方法", 《微电子学与计算机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363207A (zh) * | 2018-04-09 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 图像检测和分类器模型的生成方法、装置及设备 |
CN110414300A (zh) * | 2018-04-28 | 2019-11-05 | 北京眼神科技有限公司 | 虹膜特征的合成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ross et al. | Handbook of multibiometrics | |
Del Rio et al. | Automated border control e-gates and facial recognition systems | |
CN104700094B (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
Sarhan et al. | Multimodal biometric systems: a comparative study | |
Vishi et al. | An evaluation of score level fusion approaches for fingerprint and finger-vein biometrics | |
CN109446948A (zh) | 一种基于Android平台的人脸和语音多生物特征融合认证方法 | |
Ali et al. | Proposed face recognition system after plastic surgery | |
CN111104852B (zh) | 一种基于启发式高斯云变换的人脸识别技术 | |
Liu et al. | Fingerprint pore matching using deep features | |
CN108960103A (zh) | 一种人脸和唇语相融合的身份认证方法及系统 | |
Gale et al. | Evolution of performance analysis of iris recognition system by using hybrid methods of feature extraction and matching by hybrid classifier for iris recognition system | |
Tomar et al. | Cascade‐based Multimodal Biometric Recognition System with Fingerprint and Face | |
Zhang et al. | Android-based multimodal biometric identification system using feature level fusion | |
CN107256385A (zh) | 基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法 | |
CN103593660B (zh) | 一种稳定特征图像下交叉梯度编码的掌纹识别方法 | |
CN110908718A (zh) | 人脸识别激活语音导航方法、系统、存储介质及设备 | |
Rose et al. | Deep learning based estimation of facial attributes on challenging mobile phone face datasets | |
Sun et al. | Opportunities and challenges for biometrics | |
Agbinya et al. | Design and implementation of multimodal digital identity management system using fingerprint matching and face recognition | |
Chinnappan et al. | Fingerprint recognition technology using deep learning: a review | |
CN114373213A (zh) | 基于人脸识别的未成年人身份识别方法及装置 | |
Falohun et al. | An access control system using bimodal biometrics | |
Jing et al. | An overview of multimode biometric recognition technology | |
Gnanasivam et al. | Ear and fingerprint biometrics for personal identification | |
Rossant et al. | A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171017 |