CN108133187B - 尺度变化稳定特征与多算法表决的一对一虹膜识别方法 - Google Patents

尺度变化稳定特征与多算法表决的一对一虹膜识别方法 Download PDF

Info

Publication number
CN108133187B
CN108133187B CN201711400589.4A CN201711400589A CN108133187B CN 108133187 B CN108133187 B CN 108133187B CN 201711400589 A CN201711400589 A CN 201711400589A CN 108133187 B CN108133187 B CN 108133187B
Authority
CN
China
Prior art keywords
iris
computer
image
feature
card
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.)
Active
Application number
CN201711400589.4A
Other languages
English (en)
Other versions
CN108133187A (zh
Inventor
刘元宁
刘帅
朱晓冬
董立岩
冯家凯
郑少阁
沈椿壮
苏丹扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201711400589.4A priority Critical patent/CN108133187B/zh
Publication of CN108133187A publication Critical patent/CN108133187A/zh
Application granted granted Critical
Publication of CN108133187B publication Critical patent/CN108133187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种尺度变化稳定特征与多算法表决的一对一虹膜识别方法，将有关虹膜以及识别人的个人信息存储进一个红外射频扫描身份卡中，作为对比实验中的对比方，之后正式采集的时候，采集测试人的虹膜，作为对比实验中的测试方。本发明在保证提取虹膜有效特征的前提下，减少冗余和噪音的干扰，并通过多种算法投票表决，降低出现因为采集环境影响导致的识别错误的情况的风险，增加虹膜正确识别率与鲁棒性，增加安全性，可靠性，操作简单，容易掌握。

Description

尺度变化稳定特征与多算法表决的一对一虹膜识别方法
技术领域
本发明涉及电学、数字图像处理、数字信号传输和生物特征识别领域。提出尺度变化稳定特征的概念。并提取采集到的虹膜的尺度变化稳定特征的信息，利用多算法表决的方式，用一对一的形式判定两虹膜是否是同类别的方法。
背景技术
目前生物识别技术应用相当的广泛，人脸识别，虹膜识别，指纹识别等都已经开始大量出现在我们的日常生活中。针对一些需要高机密，高安全性的场所，如监狱，银行，军事基地等，虹膜是最有效和可信赖的生物特征。虹膜识别的关键是特征的提取与表达。
虹膜特征提取目前主要分成三类方法：第一类为基于滤波器的方法，最具代表性的是Daugman提出的多尺度二维Gabor滤波器。第二类是基于图像变换的方法：Dwivedi等人利用旋转不变特征向量生成的小数矢量加入滤波中提取虹膜特征。这两类都是基于频率域提取虹膜特征，第三类是基于空间域提取虹膜特征：Li提出的统计特征中心对称局部二值模式方法提取虹膜特征。
三类算法在实验中都取得了很好的效果，但是也都存在一些问题，首先，第一类与第二类算法针对像素纹理信息，对图像质量要求高，因此抗噪音干扰能力差。而第三类算法特征提取较为复杂，并且受光照影响较大。其次，虹膜纹理特征分布并不稳定，因此虹膜特征提取效果可能会出现偏差。因此面对同样的两张虹膜图像，进行同类判断，三类算法判断的结果可能不同，并且都有判断错误的可能性。
因此，就需要一种应用于监狱，银行，军事基地等高机密场所，可以有效避免纹理分布不均匀问题，对不同拍摄环境下拍摄出来的虹膜图像都可以进行有效识别，具有良好鲁棒性以及设备无关性，并对虹膜质量不会太高，仅满足基本质量要求即可的快速虹膜身份判断方法。这种判断方法可以应用于身份识别，门禁等多个地方。
发明内容
本发明公开了一种尺度变化稳定特征与多算法表决的一对一虹膜识别方法(简称：眼证通)，将有关虹膜以及识别人的个人信息存储进一个红外射频扫描身份卡中，作为对比实验中的对比方，之后正式采集的时候，采集测试人的虹膜，作为对比实验中的测试方。
本发明所述的一种尺度变化稳定特征与多算法表决的一对一虹膜识别方法，包括以下步骤：
1、一种尺度变化稳定特征与多算法表决的一对一虹膜识别方法，包括以下步骤：
1)通过虹膜采集仪采集待测人的眼睛图像，根据清晰度和有效虹膜区域对图像进行质量判断；
清晰度：计算机通过Tenengrad梯度法判断判断图像的清晰程度；
有效虹膜区域：计算机通过canny边缘检测以及hough检测圆法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例：提取比例大于六分之一的虹膜信息；比例小于六分之一重新采集；
对合格眼睛图像的虹膜区域进行归一增强化，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理形成归一增强图像；
根据虹膜归一增强图像中的尺度变化稳定特征(简称：SCSF)，调整图像的维度构建5层的差分高斯金字塔，具体方法如下；
第一层维度为512×64，第二层维度为256×32，后三层维度分别为128×16，64×8，32×4；每一层用五个不同的高斯滤波G(x)进行处理：
计算公式如下：
σ为平滑因子；
σ初始值设为5；
每张图像的平滑因子乘以k，组成新的平滑因子k×σ；
x为图像点的灰度值；
将每层的5张图像依次相减，构成差分图像层，每层有4张差分图像；将每层的差分图像利用插值法将维数统一调整为256×32；读取将5层中经过同样高斯滤波处理的4张图像中滤波处理值，比较4组滤波处理值；4组值均不为0的点为稳定特征点；所有的稳定特征点构成尺度变化稳定特征SCSF，SCSF共计T个特征点；
通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器将SCSF表示为二进制特征码，形成3段特征码；
拓展统计的局部二值模式：以每个特征点为中心，建立N组圆形邻域，每个圆形邻域内含有多个像素点；
比较每个圆形邻域内像素点与特征点的大小，像素点大于特征点则用1表示像素点，像素点小于特征点则用0表示像素点；
统计N组圆形领域内像素点中1的个数，并按照由内到外，像素点由少到多的顺序设置N位特征码，若圆形区域内像素点中1的个数大于等于像素点总个数的一半，则用1表示该位的特征码，若圆形区域内像素点中1的个数小于像素点总个数的一半，则用0表示该位的特征码；最终将纹理特征转化为N×T位二进制特征码；
过零点检测Haar小波：计算机将虹膜归一增强图像用Haar小波进行处理，将第三层子块维度调整为256×32，提取SCSF特征点的水平，垂直和对角三个方向的高频系数，并根据高频系数的值设定特征码；如果高频系数大于等于0，则特征码用1表示，如果高频系数小于0，则特征码用0表示，最终形成3×T位特征码；
基于免疫粒子群算法的Gabor滤波器将虹膜信息转为频率域内的振荡幅度，振荡幅度计算公式如下：
xr＝xcosθ+ysinθ
yr＝-xsinθ+ycosθ
f0为中心震荡频率；γ＝f0/α，α为高斯函数的x方向的宽度；θ为Gabor核函数的旋转角度；xr为在旋转角度θ下x方向向量下的宽度，yr为在旋转角度θ下y方向向量下的宽度，η＝f0/β，β为高斯函数y方向的宽度；令y＝η＝δ/2π，将振荡幅度改写如下；
σ为高斯函数标准差；为了得到在不同的方向和频率尺度的振荡幅度用下述公式计算：
kn＝kmax/fv
φm＝πm/8
和kv分别为Gabor滤波的方向和频率，σ＝2π；kmax为最大频率，fv是相邻两个Gabor核之间的频率差，v＝1,2,3...m；构造m个不同的频率尺度；将方向从0°到180°区间分为n份；共计使用m×n组的Gabor滤波器组；
将免疫算法与粒子群优化结合，形成免疫粒子群算法，对Gabor滤波中的kmax和fv进行优化：输入待测人虹膜作为测试虹膜，同类别及异类别训练虹膜各N张；设立W组粒子群，每组粒子群中包含一个Gabor滤波器，使用Gabor滤波器提取虹膜SCSF的特征，将虹膜特征转为二进制特征码；计算测试虹膜与训练虹膜之间的Hamming距离；将测试虹膜视为免疫系统中的抗原，训练虹膜视为免疫系统中的抗体，计算测试虹膜与训练虹膜的亲和度；
计算公式如下：
Qi＝1/(1+Hi)
Qi表示测试虹膜与第i个训练虹膜的亲和度；
Hi表示测试虹膜与第i个训练虹膜的Hamming距离；
计算适应度，公式如下：
Qi表示测试虹膜与同类别第i个训练虹膜的亲和度总和；
Qt表示测试虹膜与不同类别第t个训练虹膜的亲和度总和；
计算新的适应度QC，并将新的适应度QC与原来的适应度进行比较；如果新的QC大于原来的QC，将新的pBest设为新的QC对应的滤波参数；比较W组滤波器中QC，并将最大的QC对应的滤波参数设为新的gBest。新的pBest和gBest确定下来后，计算机对粒子进行进化。
进化公式为：
vi＝vi×ω+c1×rand1×(p Besti-xd)+c2×rand2×(g Best-xi)
xi＝xi+vi
ω为惯量权重，设为0.729；
c1和c2是加速系数，设为1.49445；
xi为第i组粒子的值；
vi为第i组粒子的运动速度；
pBesti为第i组粒子的历史最优；
gBest为参数在全体粒子中的最优；
rand1和rand2是两个[0,1]区间上的随机数；
若每次进化结束后，未达到结束条件，则使用进化后的粒子重新迭代，直到300次迭代后，最终的gBest作为识别时Gabor滤波器的参数；
参数训练好后，开始正式提取虹膜信息；用m种频率、n种方向的Gabor滤波器按顺时针方向，频率由小到大的顺序进行编号，方向编号为1～n，频率编号为1～m；
提取SCSF特征点的特征，找到每个特征点幅度值最大的滤波器；将该滤波器的频率和方向分别按编号编为s位二进制码，并以频率在前、方向在后的顺序拼接在一起，即将每个特征点特征编写成2×s位特征编码，最终形成2×s×T位的二进制特征码；
向计算机中输入待测人的身份信息，通过扫描器中的读卡单元扫描一张空白虹膜身份信息卡，通过计算机将待测人的身份信息，虹膜中的SCSF特征点的坐标、数量、3段特征二进制编码存储进虹膜身份信息卡中；
2)读卡器读取虹膜信息身份卡后，将虹膜信息与身份信息存储在计算机的存储系统内；
3)虹膜采集仪采集测试人的眼睛图像；
4)计算机对采集到的眼睛图像通过清晰度和有效虹膜区域进行质量判断；
5)计算机对判断合格的眼睛图像进行归一增强化；根据有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
6)计算机根据从虹膜信息身份卡中读取的关于SCSF的特征点坐标、数量，分别使用通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取测试人的虹膜特征，将虹膜特征转为3段特征编码；
7)分别计算测试人虹膜的三段二进制特征码与从虹膜信息身份卡中读取的三段二进制特征码的Hamming距离，并分别将Hamming距离与分类阈值进行比较；步骤6中的3种方法中的任意一种的Hamming距离小于等于分类阈值，则计算机认为该方法测试人与卡中记录的持卡人身份一致，投赞成票；大于分类阈值，则计算机认为该方法测试人与卡中记录的持卡人身份不一致，投反对票；
8)根据赞成票与反对票的数量，最终判断测试人与卡中记录的持卡人身份是否一致；赞成票大于等于2票，则计算机判断测试人与卡中记录的持卡人身份一致；反对票大于等于2票，则计算机判断测试人与卡中记录的持卡人身份不一致。
本发明的积极效果在于：
1、公开了一种尺度变化稳定特征SCSF的概念，在经历一系列图像缩小和放大，虹膜旋转消除，图像纹理增强等操作后，仍然能够得到好的检测效果的特征点，可以有效抵制光照，噪音等干扰，具有很大的存活度，同时特征采集的时候效果也比一般像素点要好的多；
2、还公开了多种改进型的虹膜特征提取算法，
本发明提出基于拓展统计的局部二值模式(ES-LBP)，采用多组不同规格的圆形区域提取虹膜纹理信息，并将利用统计方法将虹膜纹理信息转为N×T位二进制特征码。在提取有效虹膜信息的基础上，降低了维数，减少了虹膜的存储量。
本发明将免疫算法的部分原理融入粒子群算法(IPSO)对Gabor滤波器的参数进行优化。IPSO进行参数优化的优势在于，IPSO可以在确立了一个大的搜索范围后，完整的搜索着空间，尽可能不造成搜索空间的浪费，进而保证Gabor滤波器的参数不会陷入局部最优的局面。
本发明针对SCSF特征点使用Haar小波进行过零点检测，在提取有效虹膜信息的基础上，降低了维数，减少了虹膜的存储量。
3、本发明将多算法表决机制引入到虹膜识别中，根据三种算法的投票情况，计算机进行最终判断，进而有效避免判断错误，进而增加虹膜的正确识别率，充实算法的鲁棒性。
本发明方法在保证提取虹膜有效特征的前提下，减少冗余和噪音的干扰，并通过多种算法投票表决，降低出现因为采集环境影响导致的识别错误的情况的风险。增加虹膜正确识别率与鲁棒性。增加安全性，可靠性，操作简单，容易掌握。
具体实施方式
通过以下实施例进一步举例描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。
实施例1：
在权利要求1的框架下对某一个人(命名A)进行的操作全过程：
1)通过虹膜采集仪采集A的眼睛图像、并通过计算机将A的眼睛图像中的虹膜信息提取出来；
采集到眼睛图像后，计算机通过Tenengrad梯度法认定采集到的眼睛图像清晰度可以提取到虹膜信息。通过canny边缘检测以及hough检测圆的方法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例，虹膜比例占虹膜环比例的三分之一，因此计算机认定拍摄到的眼睛图像中虹膜区域能提取足够多的虹膜信息；
虹膜图像清晰度可以保证提取到虹膜信息，并且虹膜区域的面积也足够大，因此计算机认定采集到的A的眼睛图像为合格图像；
计算机对A的眼睛图像的虹膜区域进行归一增强化，根据质量评价时得到的有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
寻找A的虹膜归一增强图像的尺度变化稳定特征(SCSF)，最终得到84个稳定特征点，并通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取稳定特征点的特征，分别形成840位，252位，504位的二进制特征码；
向计算机中输入A的身份信息，通过扫描器中的读卡单元扫描一张空白虹膜身份信息卡，通过计算机将A的身份信息，虹膜中的SCSF特征点的坐标，数量，3段特征二进制编码存储进虹膜身份信息卡中，发放给A；
2)A拿到虹膜信息身份卡后，由A进行测试。A通过读卡器的读卡单元，扫描A的虹膜信息身份卡，并将卡中存储的A虹膜信息(虹膜中的SCSF特征点的坐标，数量，3段特征二进制编码)与身份信息存储在计算机的存储系统内；
3)A通过虹膜采集仪，重新采集一次眼睛图像；
4)计算机对A重新采集的眼睛图像进行质量评价，计算机通过Tenengrad梯度法认定采集到的眼睛图像清晰度可以提取到虹膜信息。通过canny边缘检测以及hough检测圆的方法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例，虹膜比例占虹膜环比例的80％，因此计算机认定拍摄到的眼睛图像中虹膜区域能提取足够多的虹膜信息；
虹膜图像清晰度可以保证提取到虹膜信息，并且虹膜区域的面积也足够大，因此计算机认定采集到的A第二次采集到的眼睛图像为合格图像；
5)计算机对质量判断合格的眼睛图像进行归一增强化；根据质量评价时得到的有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
6)计算机根据从虹膜信息身份卡中读取的关于SCSF的特征点坐标，数量，分别使用通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取A的虹膜特征，将虹膜特征转为3段特征码；
7)计算机分别计算A虹膜的三段特征码与从虹膜信息身份卡中读取的三段特征码的Hamming距离，并分别将Hamming距离与设定好的分类阈值进行比较，依照比较结果投赞成票与反对票；拓展统计的局部二值模式的结果为赞成票，基于过零点检测Haar小波的结果为赞成票，基于免疫粒子群算法的Gabor滤波器的结果为赞成票；
8)计算机统计赞成票与反对票的数量，统计结果，赞成票3票，反对票0票，计算机判定进行测试的A与虹膜身份信息卡中的登记的A是同一个人。
实施例2：
在权利要求1的框架下对由两个人(命名B和C)进行的操作全过程：
1)通过虹膜采集仪采集B的眼睛图像、并通过计算机将B的眼睛图像中的虹膜信息提取出来；
采集到眼睛图像后，计算机通过Tenengrad梯度法认定采集到的眼睛图像清晰度可以提取到虹膜信息。之后，计算机通过canny边缘检测以及hough检测圆的方法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例，虹膜比例占虹膜环比例的50％，因此计算机认定拍摄到的眼睛图像中虹膜区域能提取足够多的虹膜信息；
虹膜图像清晰度可以保证提取到虹膜信息，并且虹膜区域的面积也足够大，因此计算机认定采集到的B的眼睛图像为合格图像；
计算机对B的眼睛图像的虹膜区域进行归一增强化，根据质量评价时得到的有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
寻找B的虹膜归一增强图像的尺度变化稳定特征(SCSF)，最终得到100个稳定特征点，并通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取稳定特征点的特征，分别形成1000位，300位，600位的二进制特征码；
向计算机中输入B的身份信息，通过扫描器中的读卡单元扫描一张空白虹膜身份信息卡，通过计算机将B的身份信息，虹膜中的SCSF特征点的坐标，数量，3段特征二进制编码存储进虹膜身份信息卡中，发放给B；
2)B拿到虹膜信息身份卡后，由另一人C进行测试。B通过读卡器的读卡单元，扫描B的虹膜信息身份卡，并将卡中存储的B虹膜信息(虹膜中的SCSF特征点的坐标，数量，3段特征二进制编码)与身份信息存储在计算机的存储系统内；
3)C通过虹膜采集仪，重新采集一次眼睛图像；
4)计算机对采集的C眼睛图像进行质量评价，计算机通过Tenengrad梯度法认定采集到的眼睛图像清晰度可以提取到虹膜信息。之后，计算机通过canny边缘检测以及hough检测圆的方法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例，虹膜比例占虹膜环比例的75％，因此计算机认定拍摄到的眼睛图像中虹膜区域能提取足够多的虹膜信息；
虹膜图像清晰度可以保证提取到虹膜信息，并且虹膜区域的面积也足够大，因此计算机认定采集到的C第二次采集到的眼睛图像为合格图像；
5)计算机对质量判断合格的眼睛图像进行归一增强化；根据质量评价时得到的有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
6)计算机根据从虹膜信息身份卡中读取的关于SCSF的特征点坐标，数量，分别使用通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取C的虹膜特征，将虹膜特征转为3段特征码；
7)计算机分别计算C虹膜的三段特征码与从虹膜信息身份卡中读取的三段特征码的Hamming距离，并分别将Hamming距离与设定好的分类阈值进行比较，依照比较结果投赞成票与反对票；拓展统计的局部二值模式的结果为反对票，基于过零点检测Haar小波的结果为反对票，基于免疫粒子群算法的Gabor滤波器的结果为反对票；
8)计算机统计赞成票与反对票的数量，统计结果，赞成票0票，反对票3票，计算机判定进行测试的C与虹膜身份信息卡中的登记的B不是同一个人。
实施例3：
在权利要求1的框架下对对某一个人(命名D)进行的操作全过程：
1)通过虹膜采集仪采集D的眼睛图像、并通过计算机将D的眼睛图像中的虹膜信息提取出来；
采集到眼睛图像后，计算机通过Tenengrad梯度法认定采集到的眼睛图像清晰度可以提取到虹膜信息。通过canny边缘检测以及hough检测圆的方法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例，虹膜比例占虹膜环比例的69％，因此计算机认定拍摄到的眼睛图像中虹膜区域能提取足够多的虹膜信息；
虹膜图像清晰度可以保证提取到虹膜信息，并且虹膜区域的面积也足够大，因此计算机认定采集到的D的眼睛图像为合格图像；
计算机对D的眼睛图像的虹膜区域进行归一增强化，根据质量评价时得到的有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
寻找A的虹膜归一增强图像的尺度变化稳定特征(SCSF)，最终得到95个稳定特征点，并通过通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取稳定特征点的特征，分别形成950位，285位，570位的二进制特征码；
向计算机中输入D的身份信息，通过扫描器中的读卡单元扫描一张空白虹膜身份信息卡，通过计算机将D的身份信息，虹膜中的SCSF特征点的坐标，数量，3段特征二进制编码存储进虹膜身份信息卡中，发放给D；
2)D拿到虹膜信息身份卡后，由D进行测试；D通过读卡器的读卡单元，扫描D的虹膜信息身份卡，并将卡中存储的D虹膜信息(虹膜中的SCSF特征点的坐标，数量，3段特征二进制编码)与身份信息存储在计算机的存储系统内；
3)D通过虹膜采集仪，重新采集一次眼睛图像；
4)计算机对D重新采集的眼睛图像进行质量评价，计算机通过Tenengrad梯度法认定采集到的眼睛图像清晰度可以提取到虹膜信息。之后，计算机通过canny边缘检测以及hough检测圆的方法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例，虹膜比例占虹膜环比例的74％，因此计算机认定拍摄到的眼睛图像中虹膜区域能提取足够多的虹膜信息；
虹膜图像清晰度可以保证提取到虹膜信息，并且虹膜区域的面积也足够大，因此计算机认定采集到的D第二次采集到的眼睛图像为合格图像；
5)计算机对质量判断合格的眼睛图像进行归一增强化。根据质量评价时得到的有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
6)计算机根据从虹膜信息身份卡中读取的关于SCSF的特征点坐标，数量，分别使用通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取A的虹膜特征，将虹膜特征转为3段特征码；
7)计算机分别计算D虹膜的三段特征码与从虹膜信息身份卡中读取的三段特征码的Hamming距离，并分别将Hamming距离与设定好的分类阈值进行比较，依照比较结果投赞成票与反对票；拓展统计的局部二值模式的结果为赞成票，过零点检测Haar小波的结果为赞成票，基于免疫粒子群算法的Gabor滤波器的结果为反对票；
8)计算机统计赞成票与反对票的数量，统计结果，赞成票2票，反对票1票，计算机判定进行测试的D与虹膜身份信息卡中的登记的D是同一个人。

Claims (1)

1.一种尺度变化稳定特征与多算法表决的一对一虹膜识别方法，包括以下步骤：
1)通过虹膜采集仪采集待测人的眼睛图像，根据清晰度和有效虹膜区域对图像进行质量判断；
清晰度：计算机通过Tenengrad梯度法判断图像的清晰程度；
有效虹膜区域：计算机通过canny边缘检测以及hough检测圆法，找到瞳孔以及虹膜边界的所在位置，计算两个边界内环的面积，并根据灰度直方图找到虹膜区域的灰度分布，进而根据灰度分布计算虹膜区域的面积在环中所占的比例：提取比例大于六分之一的虹膜信息；比例小于六分之一重新采集；
对合格眼睛图像的虹膜区域进行归一增强化，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理形成归一增强图像；
根据虹膜归一增强图像中的尺度变化稳定特征，简称：SCSF，调整图像的维度构建5层的差分高斯金字塔，具体方法如下；
第一层维度为512×64，第二层维度为256×32，后三层维度分别为128×16，64×8，32×4；每一层用五个不同的高斯滤波G(x)进行处理：
计算公式如下：
σ为平滑因子；
σ初始值设为5；
每张图像的平滑因子乘以k，组成新的平滑因子k×σ；
x为图像点的灰度值；
将每层的5张图像依次相减，构成差分图像层，每层有4张差分图像；将每层的差分图像利用插值法将维数统一调整为256×32；读取每层中经过同样的高斯滤波处理后的4张图像的滤波处理值，比较4组滤波处理值；4组值均不为0的点为稳定特征点；所有的稳定特征点构成尺度变化稳定特征SCSF，SCSF共计T个特征点；
通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器将SCSF表示为二进制特征码，形成3段特征码；
拓展统计的局部二值模式：以每个特征点为中心，建立N组圆形邻域，每个圆形邻域内含有多个像素点；
比较每个圆形邻域内像素点与特征点的大小，像素点大于特征点则用1表示像素点，像素点小于特征点则用0表示像素点；
统计N组圆形领域内像素点中1的个数，并按照由内到外，像素点由少到多的顺序设置N位特征码，若圆形区域内像素点中1的个数大于等于像素点总个数的一半，则用1表示该位的特征码，若圆形区域内像素点中1的个数小于像素点总个数的一半，则用0表示该位的特征码；最终将纹理特征转化为N2×T位二进制特征码；
过零点检测Haar小波：计算机将虹膜归一增强图像用Haar小波进行处理，将第三层子块维度调整为256×32，提取SCSF特征点的水平，垂直和对角三个方向的高频系数，并根据高频系数的值设定特征码；如果高频系数大于等于0，则特征码用1表示，如果高频系数小于0，则特征码用0表示，最终形成3×T位特征码；
基于免疫粒子群算法的Gabor滤波器将虹膜信息转为频率域内的振荡幅度，振荡幅度计算公式如下：
xr＝xcosθ+ysinθ
yr＝-xsinθ+ycosθ
f0为中心震荡频率；γ＝f0/α，α为高斯函数的x方向的宽度；θ为Gabor核函数的旋转角度；xr为在旋转角度θ下x方向向量下的宽度，yr为在旋转角度θ下y方向向量下的宽度，η＝f0/β，β为高斯函数y方向的宽度；j代表取f0xr结果值的实部；
令y＝η＝δ/2π，δ为高斯函数y方向的幅度值从笛卡尔坐标系转化为极坐标系下的值；j′代表取θ结果值的实部；将振荡幅度改写如下；
σ1为高斯滤波的标准差；j1代表取结果值的实部；为了得到在不同的方向和频率尺度的振荡幅度用下述公式计算：
kn＝kmax/fv
φm＝πm/8
φm为Gabor滤波的方向，kn分别为Gabor滤波的频率，σ1＝2π；kmax为最大频率，fv是相邻两个Gabor核之间的频率差，v＝1,2,3...m；构造m个不同的频率尺度；将Gabor滤波的方向从0°到180°区间分为n份；j2代表取结果值的实部；i代表取φm结果值的虚部；共计使用m×n组的Gabor滤波器组；
将免疫算法与粒子群优化结合，形成免疫粒子群算法，对Gabor滤波中的kmax和fv进行优化：输入待测人虹膜作为测试虹膜，同类别及异类别训练虹膜各N1张；设立W组粒子群，每组粒子群中包含一个Gabor滤波器，使用Gabor滤波器提取虹膜SCSF的特征，将虹膜特征转为二进制特征码；计算测试虹膜与训练虹膜之间的Hamming距离；将测试虹膜视为免疫系统中的抗原，训练虹膜视为免疫系统中的抗体，计算测试虹膜与训练虹膜的亲和度；
计算公式如下：
Qi＝1/(1+Hi)
Qi表示测试虹膜与第i个训练虹膜的亲和度；
Hi表示测试虹膜与第i个训练虹膜的Hamming距离；
计算适应度，公式如下：
Qi表示测试虹膜与同类别第i个训练虹膜的亲和度总和；
Qt表示测试虹膜与不同类别第t个训练虹膜的亲和度总和；
计算新的适应度QC，并将新的适应度QC与原来的适应度进行比较；如果新的QC大于原来的QC，将新的pBest设为新的QC对应的滤波参数；比较W组滤波器中QC，并将最大的QC对应的滤波参数设为新的gBest；新的pBest和gBest确定下来后，计算机对粒子进行进化；
进化公式为：
vi＝vi×ω+c1×rand1×(pBesti-xi)+c2×rand2×(gBest-xi)
xi＝xi+vi
ω为惯量权重，设为0.729；
c1和c2是加速系数，设为1.49445；
xi为第i组粒子的值；
vi为第i组粒子的运动速度；
pBesti为第i组粒子的历史最优；
gBest为参数在全体粒子中的最优；
rand1和rand2是两个[0,1]区间上的随机数；
若每次进化结束后，未达到结束条件，则使用进化后的粒子重新迭代，直到300次迭代后，最终的gBest作为识别时Gabor滤波器的参数；
参数训练好后，开始正式提取虹膜信息；用m种频率、n种方向的Gabor滤波器按顺时针方向，频率由小到大的顺序进行编号，方向编号为b1～bn，频率编号为g1～gm；
提取SCSF特征点的特征，找到每个特征点幅度值最大的滤波器；将该滤波器的频率和方向分别按编号编为s位二进制码，并以频率在前、方向在后的顺序拼接在一起，即将每个特征点特征编写成2×s位特征编码，最终形成2×s×T位的二进制特征码；
向计算机中输入待测人的身份信息，通过扫描器中的读卡单元扫描一张空白虹膜身份信息卡，通过计算机将待测人的身份信息，虹膜中的SCSF特征点的坐标、数量、3段特征二进制编码存储进虹膜身份信息卡中；
2)读卡器读取虹膜信息身份卡后，将虹膜信息与身份信息存储在计算机的存储系统内；
3)虹膜采集仪采集测试人的眼睛图像；
4)计算机通过清晰度和有效虹膜区域对采集到的眼睛图像进行质量判断；
5)计算机对判断合格的眼睛图像进行归一增强化；根据有效虹膜区域，将虹膜区域图像映射到256×32矩形区域中，并通过增强算法突出虹膜纹理，形成归一增强图像；
6)计算机根据从虹膜信息身份卡中读取的关于SCSF的特征点坐标、数量，分别使用通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取测试人的虹膜特征，将虹膜特征转为3段特征编码；
7)分别计算测试人虹膜的三段二进制特征码与从虹膜信息身份卡中读取的三段二进制特征码的Hamming距离，并分别将Hamming距离与分类阈值进行比较；步骤6)中的3种方法中的任意一种的Hamming距离小于等于分类阈值，则计算机认为该方法测试人与卡中记录的持卡人身份一致，投赞成票；大于分类阈值，则计算机认为该方法测试人与卡中记录的持卡人身份不一致，投反对票；
8)根据赞成票与反对票的数量，最终判断测试人与卡中记录的持卡人身份是否一致；赞成票大于等于2票，则计算机判断测试人与卡中记录的持卡人身份一致；反对票大于等于2票，则计算机判断测试人与卡中记录的持卡人身份不一致。
CN201711400589.4A 2017-12-22 2017-12-22 尺度变化稳定特征与多算法表决的一对一虹膜识别方法 Active CN108133187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711400589.4A CN108133187B (zh) 2017-12-22 2017-12-22 尺度变化稳定特征与多算法表决的一对一虹膜识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711400589.4A CN108133187B (zh) 2017-12-22 2017-12-22 尺度变化稳定特征与多算法表决的一对一虹膜识别方法

Publications (2)

Publication Number Publication Date
CN108133187A CN108133187A (zh) 2018-06-08
CN108133187B true CN108133187B (zh) 2019-11-26

Family

ID=62391402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711400589.4A Active CN108133187B (zh) 2017-12-22 2017-12-22 尺度变化稳定特征与多算法表决的一对一虹膜识别方法

Country Status (1)

Country Link
CN (1) CN108133187B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046363B (zh) * 2019-12-12 2020-12-15 吉林大学 一种基于虹膜特征联盟随机匹配投票机制的身份验证方法
CN111783581A (zh) * 2020-06-19 2020-10-16 何金荣 虹膜识别方法及相关装置
CN113780239B (zh) * 2021-09-27 2024-03-12 上海聚虹光电科技有限公司 虹膜识别方法、装置、电子设备和计算机可读介质
CN114998980B (zh) * 2022-06-13 2023-03-31 北京万里红科技有限公司 一种虹膜检测方法、装置、电子设备及存储介质
CN114944006A (zh) * 2022-06-24 2022-08-26 平安普惠企业管理有限公司 虹膜识别方法、装置、设备及存储介质
CN116343320B (zh) * 2023-03-31 2024-06-07 西南大学 一种虹膜识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042731A (zh) * 2006-03-23 2007-09-26 长春吉大计算机发展有限责任公司 基于小波新技术的虹膜安全认证纹理特征提取方法
CN103605961A (zh) * 2013-11-20 2014-02-26 吉林大学 一种指纹和虹膜融合识别装置
CN106446772A (zh) * 2016-08-11 2017-02-22 天津大学 一种人脸识别系统中的防欺骗方法
CN107480608A (zh) * 2017-07-29 2017-12-15 广东欧珀移动通信有限公司 防伪处理方法及相关产品

Also Published As

Publication number Publication date
CN108133187A (zh) 2018-06-08

Similar Documents

Publication Publication Date Title
CN108133187B (zh) 尺度变化稳定特征与多算法表决的一对一虹膜识别方法
Sun et al. Improving iris recognition accuracy via cascaded classifiers
Poursaberi et al. Iris recognition for partially occluded images: methodology and sensitivity analysis
Wu et al. A secure palm vein recognition system
CN105956578A (zh) 一种基于身份证件信息的人脸验证方法
Poursaberi et al. A novel iris recognition system using morphological edge detector and wavelet phase features
Ghiani et al. Experimental results on fingerprint liveness detection
Zhao et al. Adaptive pore model for fingerprint pore extraction
Azizi et al. Efficient iris recognition through improvement of feature extraction and subset selection
El-Naggar et al. Which dataset is this iris image from?
Onifade et al. Circular Gabor wavelet algorithm for fingerprint liveness detection
Galbally et al. Fingerprint liveness detection based on quality measures
Chen et al. Iris recognition using 3D co-occurrence matrix
Murugan et al. Fragmented iris recognition system using BPNN
Tallapragada et al. Iris recognition based on combined feature of GLCM and wavelet transform
Roy et al. A Personal Biometric Identification technique based on iris recognition
CN106845500A (zh) 一种基于Sobel算子的人脸光照不变特征提取方法
Poursaberi et al. A half-eye wavelet based method for iris recognition
Ghouti et al. Color iris recognition using quaternion phase correlation
Tian et al. A practical iris recognition algorithm
Sarmah et al. Biometric authentication-person identification using iris recognition
CN108491802A (zh) 基于联合加权差分激励和双Gabor方向的掌纹交叉匹配识别方法
Subbarayudu et al. A novel iris recognition system
Vincy et al. Recognition technique for ATM based on iris technology
Azizi et al. A novel method using contourlet to extract features for iris recognition system

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
GR01 Patent grant
GR01 Patent grant