CN111582099A - 一种基于虹膜远源特征交运算决策的身份验证方法 - Google Patents

Abstract

本发明公开了一种基于虹膜远源特征交运算决策的身份验证方法，其方法为：步骤一、采集虹膜灰度图像m张；步骤二、转化为256×32维度的模板虹膜归一增强图像；步骤三、纹理走势特征的认证参数；步骤四、各自分组中纹理走势特征的单一类别标签；步骤五、灰度差值特征的单一类别标签；步骤六、集测试虹膜灰度图像一张；步骤七、转化为256×32维度的测试虹膜归一增强图像；步骤八、模板虹膜类别中的其中一个分组；步骤九、得到纹理走势特征的判断结论；步骤十、得到灰度差值特征的判断结论；步骤十一、测试虹膜与模板虹膜属于相同的类别；有益效果：更好地在非稳态虹膜条件下进行认证；尽可能使得认证方法可以用在多个类别中。

Description

一种基于虹膜远源特征交运算决策的身份验证方法

技术领域

本发明涉及一种基于虹膜的身份验证方法，特别涉及一种基于虹膜远源特征交运算决策的身份验证方法。

背景技术

目前，随着社会信息化的发展，以人脸、虹膜、指纹为首的生物识别技术已经开始大规模运用在实际的生产生活中。而虹膜作为一种不容易被复制的人体特征，更受到那些高机密、高警备的场所，如军事基地、金库等方面的青睐。当前在提高虹膜识别的准确率上还有以下问题需要解决：

1、虹膜非稳态对特征表达影响：由于不同时刻采集虹膜的状态(外部环境以及自身状态)会发生改变，会造成虹膜特征的表达造成一定的影响，因此需要考虑非稳态特征对特征表达的影响。

2、虹膜特征表达的来源：当前针对虹膜特征的表达主要是以单源特征与多源特征为主，单源特征以一种特征提取方式为主，配合该特征的表达形式设计识别方法，但会受到环境以及先决条件方面的制约。多源特征是采用多种特征提取方式，基于特征融合或者识别结果决策对虹膜类别进行验证，这种方式需要考虑不同特征之间的相关性，避免多源效果的降低。

3、不同类别特征区分度：一对一认证是指在经过相同的方法将虹膜图像转化为某种数字形式后进行同类别的认证，判断测试虹膜是否隶属于模板标签。因此认证结果的判断值的区分度是关键。如果不同类别的认证结果的判断值在相同的区间范围内，会很难确保认证的可信性。

因此，这三个问题是当前提高一对一认证准确率的难点，也是当前虹膜识别身份验证问题的一个需要解决重点。

发明内容

本发明的主要目的是为了解决现有的基于虹膜识别的身份验证方法中所存在的一些问题；

本发明的另一个目的是为了提高非稳态虹膜识别身份验证的准确率；

本发明为了解决上述问题、达到上述目的而提供的一种基于虹膜远源特征交运算决策的身份验证方法；

本发明提供的基于虹膜远源特征交运算决策的身份验证方法，其方法如下所述：

步骤一、任意使用市面常见虹膜采集仪，采集模板测试人员的模板虹膜灰度图像m张；

步骤二、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将所有模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像；

步骤三、计算机系统计算每张模板虹膜归一增强图像中全部特征点的标准差，根据标准差值的大小，将m张训练虹膜划分为n个分组，并根据m张模板虹膜归一增强图像得到模板测试人员的纹理走势特征的认证参数；

步骤四、计算机系统根据m张模板虹膜归一增强图像的认证参数得到模板测试人员的纹理走势特征的参数标签，并根据模板测试人员所有模板虹膜归一增强图像纹理走势特征的参数标签得到该模板测试人员在各自分组中纹理走势特征的单一类别标签；

步骤五、计算机系统根据m张模板虹膜归一增强图像得到模板测试人员单张虹膜图像的灰度差值特征参数标签，计算所有m张训练虹膜中相同位置的参数标签的平均值，作为该模板测试人员虹膜类别的灰度差值特征参数标签；并根据模板测试人员的所有模板虹膜归一增强图像灰度差值特征的参数标签得到该模板测试人员灰度差值特征的单一类别标签；

步骤六、通过虹膜采集仪采集测试虹膜灰度图像一张；

步骤七、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像；

步骤八、计算机系统计算测试虹膜的纹理走势特征认证参数，并计算测试虹膜归一增强图像中全部特征点的标准差，根据标准差值的大小，将测试虹膜对应到需要判断是否同类别的模板虹膜类别中的其中一个分组；

步骤九、根据测试虹膜的纹理走势特征认证参数与需要判断是否同类别的模板虹膜的分组的类别标签，得到纹理走势特征的判断结论；

步骤十、计算机系统根据测试虹膜归一增强图像得到测试人员的灰度差值特征的参数标签；根据测试虹膜的灰度差值特征的参数标签与需要判断是否同类别的模板虹膜的单一类别标签，得到灰度差值特征的判断结论；

步骤十一、将纹理走势特征的判断结论与灰度差值特征的判断结论进行交运算，如果二个判断结论同时认定测试虹膜与模板虹膜属于相同的类别，则下达最终结论：测试虹膜与模板虹膜属于相同的类别；

如果二个判断结论中有一个认定测试虹膜与模板虹膜不属于相同的类别或者全部认定测试虹膜与模板虹膜不属于相同的类别，则下达最终结论：测试虹膜与模板虹膜不属于相同的类别。

上述步骤三、步骤八中得到纹理走势特征的认证参数的具体过程如下：

第一步、处理虹膜归一增强图像，形成128×16维度池化二值化图像；

第二步、将128×16维度的池化二值化图像平均分割为32个8×8维度的正方形子块，每个子块以左上角点为原点设定坐标，原点坐标为(0,0)，以左下角点为分割基准点，分割基准点的坐标为(0,8)，建立纹理边界分割线性函数，共计13条，所有线性函数都通过分割基准点的坐标点(0,8)，13条线性函数的另一端坐标点分别为(2,0)、(3,0)、(4,0)、(5,0)、(6,0)、(7,0)、(8,0)、(8,1)、(8,2)、(8,3)、(8,4)、(8,5)和(8,6)，根据公式1计算图像边缘占有比例，以坐标点为(8,0)的线性函数为分界，端坐标点的纵坐标为0的坐标所构成的线性函数为F₁，端坐标点的横坐标为8的坐标所构成的线性函数为F₂，公式1如下：

其中：y₁代表端坐标点的纵坐标为0的特征点的横坐标，y₂代表坐标点的横坐标为0的特征点的纵坐标，x代表线性函数上的特征点的自变量；

第三步、在得到子块的13条线性函数的后，将线性函数分割的两个区域命名为D₁与D₂，分别计算D₁区域与D₂区域中白色特征点与占所属区域的比例，白色特征点的灰度值为255，并计算两个比例值的比值K，如公式2所示：

其中：N(D₁)代表D₁区域中特征点的数量；M(D₂)代表D₂区域中特征点的数量；l_i与l_t分别代表D₁区域与D₂区域中特征点的灰度值；sgn代表符号函数，返回参数的正负；

以13条线性函数中K值的线性函数的斜率作为该子块的的认证参数，共计得到32个认证参数，第i个认证参数设定为K_i。

上述步骤四中得到模板测试人员纹理走势特征的参数标签的具体过程如下：

第一步、根据全部的m张训练虹膜对认证参数进行分类，将认证参数划分稳定参数与非稳定参数；

每个认证参数的种类判断值T_i通过公式3进行划定，共计有i个认证参数，公式3如下：

其中：K_i-t代表第t张训练虹膜图像中的第i个认证参数的值，计算m张训练虹膜中32个认证参数中相同位置数据的参数平均值，用每张图像的相同位置的认证参数的值与参数平均值的差值的绝对值与参数平均值的一半的值的绝对值之间的比值作为种类判断值，并统计T_i>1的训练虹膜个数，如果T_i>1的训练虹膜个数大于m的值的一半，则认定该认证参数在目前的训练虹膜数量下属于稳定参数；反之认定该认证参数在目前的训练虹膜数量下属于非稳定参数；

第二步、得到认证参数的分类之后，根据之前对训练虹膜的分组，设定每组的参数标签；

稳定参数的参数标签为该组训练虹膜中相同位置的所有稳定参数的平均值，如公式4所示：

其中：W_i代表第i个稳定参数的参数标签值；z表示该训练虹膜组有z张训练图像；K_i-r代表在该训练虹膜组中第r张训练虹膜图像中的第i个稳定参数的值；

计算该组训练虹膜中相同位置的所有非稳定参数的平均值L_i，共计有i个非稳定参数，之后计算该组所有训练图像中第i个非稳定参数中小于L_i的概率p_i，根据公式5计算信息熵，公式5如下：

H1_i＝-p_i×log(p_i) H2_i＝-(1-p_i)×log((1-p_i)) (5)

其中：H1_i代表第i个非稳定参数小于L_i的信息熵，H2_i代表第i个非稳定参数大于L_i的信息熵，最终，H1_i×p_i+H2_i×(1-p_i)作为第i个非稳定参数的参数标签值。

上述步骤四中得到模板测试人员纹理走势特征的单一类别标签的具体过程如下：

第一步、根据公式6计算纹理走势特征的某一个类别标签，公式6如下：

其中：a1表示进行同类认定的模板类别中经训练认定的稳定参数的个数；a2表示进行同类认定的非模板类别中经训练认定的稳定参数的个数；Kc_o代表测试虹膜的第o个稳定参数的参数标签；W_o代表进行同类认定的模板类别中经训练认定的第o个稳定参数的参数标签；Kc_t代表测试虹膜的第t个非稳定参数的参数标签；K_t代表进行同类认定的模板类别中经训练认定的第t个非稳定参数的参数标签；H1_t代表第t个非稳定参数小于进行同类认定的模板类别中经训练认定的第t个非稳定参数的平均值的信息熵；H2_i代表第t个非稳定参数大于进行同类认定的模板类别中经训练认定的第t个非稳定参数的平均值的信息熵；H1_i×p_i+H2_i×(1-p_i)为第t个非稳定参数的参数标签.E为同类别认证得到的函数判定结果值；sgn代表符号函数，返回参数的正负，sgn与公式2相同；e代表指数函数中作为底数的自然常数e；

E的表示采用科学技术法，即c×10^b的形式，每组的训练虹膜通过Tenengrad梯度法计算训练虹膜的识别区域清晰度G；

第二步、将每张训练虹膜依次作为测试对象进行函数判定结果值的计算，统计每组训练虹膜所得到的函数判定结果值的G,c,b的分布，并根据G,c,b的分布将设定清晰度范围，数量级，关键指数范围，并将三者组合在一起，共同构成一组类别组合标签，即清晰度范围在[G₁,G₂]内，数量级为b的情况下，关键指数范围为[c₁,c₂]的情况下构成该类别的一个类别标签，清晰度范围单位间隔与关键指数范围单位间隔都是根据训练虹膜数据设置的经验值，每组训练虹膜由多个相同形式的类别标签组合而成，构成该组训练虹膜的组合标签，所有分组的组合标签的集合，构成该类别的单一类别标签。

上述步骤五、步骤十中得到灰度差值特征的参数标签的具体过程如下：

第一步、模板虹膜归一增强图像通过第一阶段图像处理流程进行处理；

首先，采用四个模块并列的虹膜处理过程，每个过程包括卷积、池化、稀释和标准化四步骤；其中四个模块的卷积核以分别为水平方向卷积，垂直方向卷积，左斜方向卷积，右斜方向卷积；四个卷积图像如下所示；

模板虹膜归一增强图像同时并列通过4个卷积图像处理，形成4个256×32维度的卷积处理图像；

之后，四个256×32维度的卷积图像通过2×2平均池化的方式转化为四个128×16维度池化图像；

之后，四个128×16维度池化图像通过Softplus函数进行稀疏化操作，转化为四个128×16维度稀疏图像；Softplus函数如公式7所示，公式7如下：

Softplus(x)＝log(1+e^x) (7)

其中：Softplus(x)为结果值，x代表池化图像单个像素点的像素值；

最后，四个128×16维度稀疏图像通过最临近插值填充算法转化为四个256×32维度填充图像；

四个填充图像为第一阶段图像处理的输出结果；

第二步、第一阶段图像处理的输出的四个填充图像进行第二阶段图像处理；

首先，第一阶段图像处理的输出的四个填充图像同时通过以5为中心的四邻域拉普拉斯算子进行卷积操作，形成4个256×32维度的卷积处理图像；

拉普拉斯算子：

-1	0	-1
			0	5	0
-1	0	-1

之后，四个256×32维度的卷积图像通过2×2平均池化的方式转化为四个128×16维度池化图像；

之后，四个128×16维度池化图像通过公式7的Softplus函数进行稀疏化操作，转化为四个128×16维度稀疏图像；

最后，四个128×16维度稀疏图像通过最临近插值填充算法转化为四个256×32维度填充图像；

这四个填充图像为第二阶段图像处理的输出结果；

第三步、第二阶段图像处理的输出的四个填充图像进行第三阶段图像处理；

首先，采用四个模块并列的虹膜处理过程，每个过程包括卷积、池化和稀释三个步骤；其中四个模块的卷积核以分别为水平方向卷积，垂直方向卷积，左斜方向卷积，右斜方向卷积；四个卷积核与第一步的卷积核相同；

第二阶段图像处理的输出的四个填充图像同时并列通过4个卷积图像处理，形成4个256×32维度的卷积处理图像；

之后，四个256×32维度的卷积图像通过2×2平均池化的方式转化为四个128×16维度池化图像；

之后，四个128×16维度池化图像通过公式7的Softplus函数进行稀疏化操作，转化为四个128×16维度稀疏图像；

这四个稀疏图像为第三阶段图像处理的输出结果；

第四步、对第三阶段图像处理所得到的四个稀疏图像：水平方向处理图像、垂直方向处理图像、左斜方向处理图像、右斜方向处理图像同时采用多种不同的维度进行池化，对128×16维度稀疏图像分别采用3组2×2平均池化，2组4×4平均池化，1组8×8平均池化，1组16×16平均池化，将每个稀疏图像分别输出为2个16×2维度图像以及2个8×1维度图像，共计16个处理图像；

第五步、在得到16个处理图像后，读取16个处理图像的灰度值，组成一个由16个数构成的一维数组，将每相邻两个值的差值的绝对值组合在一起，虹膜归一增强图像转化为构成一个由15个数组成的参数标签。

上述步骤五中得到模板测试人员灰度差值特征的单一类别标签的具体过程如下：

第一步、以每个训练虹膜依次作为测试对象，根据公式8计算每个训练虹膜的认证函数结果值，公式8如下：；

其中：T代表灰度差值特征的认证函数结果值；λ_h代表第h个参数标签的认证权重；c_h代表测试对象第h个的参数标签的值；b_h代表模板虹膜第h个的参数标签的值；e代表指数函数中作为底数的自然常数e；

第二步、根据训练虹膜认证函数结果值的分布设定不同的认证区间[g₁,g₂],[g₃,g₄],[g₅,g₆]...[g_u,g_n]作为灰度差值特征的单一类别的类别标签，认证区间的区间间隔为z₁,z₂,z₃...z_n。

上述步骤九中得到测试人员的纹理走势特征的判断结论的具体过程如下：

第一步、明确需要判断是否同类别的模板虹膜类别的稳定参数和非稳定参数的参数分类信息，将测试虹膜的纹理走势特征认证参数划分为该类别比较有用的稳定参数和非稳定参数，作为测试虹膜的纹理走势特征参数标签；

第二步、以测试虹膜的纹理走势特征的参数标签与需要判断是否同类别的模板虹膜中对应分组的纹理走势特征的参数标签作为自变量，通过公式6计算测试虹膜的纹理走势特征的认证函数结果值；

第三步、将测试虹膜的纹理走势特征的认证函数结果值与模板虹膜所属分组的类别标签进行比较；

如果测试虹膜的纹理走势特征的认证函数结果值同时满足清晰度范围在类别标签的清晰度范围内，数量级与类别标签的数量级相同，关键指数范围在类别标签关键指数范围内，则认定纹理走势特征结论：测试虹膜与该模板虹膜属于相同类别；

如果测试虹膜的纹理走势特征的认证函数结果值不能同时满足清晰度范围在类别标签的清晰度范围内，数量级与类别标签的数量级相同，关键指数范围在类别标签关键指数范围内，则认定纹理走势特征结论：测试虹膜与该模板虹膜不属于相同类别。

上述步骤十中得到测试人员的灰度差值特征的判断结论的具体过程如下：

第一步、以测试虹膜的灰度差值特征的参数标签与需要判断是否同类别的模板虹膜的中灰度差值特征的参数标签作为自变量，通过公式8计算测试虹膜的灰度差值特征的认证函数结果值；

第二步、将测试虹膜的灰度差值特征的认证函数结果值与模板虹膜的类别标签进行比较；

如果测试虹膜的灰度差值特征的认证函数结果值属于任意一个灰度差值特征范围内，则认定灰度差值特征结论：测试虹膜与该模板虹膜属于相同类别；

如果测试虹膜的灰度差值特征的认证函数结果值不属于任意一个灰度差值特征范围内，则认定灰度差值特征结论：测试虹膜与该模板虹膜不属于相同类别。

本发明的有益效果：

1、本发明提供的方法考虑了非稳态虹膜会造成灰度值相对关系的不稳定以及不同特征之间的关联性，针对关联程度低的特征，在虹膜数字化表达上采用了两个关联性很低的远源特征(纹理走势特征与灰度差值特征)；

2、两种远源特征采用对虹膜特征采取多标签的策略，让特征标签与适应更广泛的条件，更好地在非稳态虹膜条件下进行认证；

3、两种方法通过设计新的特征数字化表达方式，使不同类别的虹膜特征标签的类别范围彼此独立，避免重合。同时在认证方面，本文的两种特征识别方法都避免使用softmax类型的判断函数所造成的结果映射范围过小的问题，通过非模板匹配方式将测试虹膜与模板虹摸共同作为认证函数参数进行计算，通过判断特征值与类别标签的契合关系进行同类别决策。尽可能使得认证方法可以用在多个类别中。

附图说明

图1为本发明所述方法整体运作过程示意图。

图2为虹膜纹理走势特征的类别标签训练过程示意图。

图3为得到虹膜灰度差值特征参数标签过程示意图。

具体实施方式

请参阅图1、图2、图3所示：

实施例1：

在权利要求1的框架下对某一个人(命名A，之前未录入过A的信息，测试虹膜与模板虹膜采用相同的虹膜采集仪进行采集)进行的操作全过程：

1)任意使用市面常见虹膜采集仪，采集A的模板虹膜灰度图像5000张。

2)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将A的5000张模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像。

3)计算机系统计算A的每张模板虹膜归一增强图像中全部特征点的标准差，以50为分界线，将A的5000张训练虹膜划分为2个分组，标准差大于50的训练虹膜为一组，设定为第1组，共计2785张。标准差小于或者等于50的训练虹膜为一组，设定为第2组，共计2215张。

4)根据A的5000张模板虹膜归一增强图像得到A的纹理走势特征的认证参数。

5)计算机系统根据A的5000张模板虹膜归一增强图像的认证参数得到5000组A的纹理走势特征的参数标签，并根据A的纹理走势特征的5000组参数标签得到A的两个组中纹理走势特征的单一类别标签。

6)计算机系统根据A的5000张模板虹膜归一增强图像得到5000组A的虹膜图像的灰度差值特征参数标签，计算所有据A的5000张训练虹膜中相同位置的参数标签的平均值，作为A的灰度差值特征参数标签，以此得到A的灰度差值特征的单一类别标签。

7)通过虹膜采集仪采集A的测试虹膜灰度图像一张。

8)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将A的测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

9)计算机系统计算A的测试虹膜的纹理走势特征的认证参数，计算A的测试虹膜归一增强图像中全部特征点的标准差，标准差值为53.48，隶属于A的第1组。

10)根据A的测试虹膜的纹理走势特征认证参数与A的模板虹膜第1组的类别标签，得到A的纹理走势特征的判断结论：测试虹膜属于A。

11)计算机系统根据A的测试虹膜归一增强图像得到A的灰度差值特征的参数标签。根据A的测试虹膜的灰度差值特征的参数标签与A的模板虹膜的单一类别标签，得到A的灰度差值特征的判断结论：测试虹膜属于A。

12)A的灰度差值特征的判断结论与A的纹理走势特征的判断结论相同，都认定测试虹膜测试虹膜属于A，因此得出最终结论：测试虹膜属于A。

实施例2：

在权利要求1的框架下对某两个人(命名B，C，之前未录入过B的信息，之前录入过C的信息，测试虹膜与模板虹膜采用相同的虹膜采集仪进行采集)进行的操作全过程：

1)任意使用市面常见虹膜采集仪，采集B的模板虹膜灰度图像5000张。

2)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将B的5000张模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像。

3)计算机系统计算B的每张模板虹膜归一增强图像中全部特征点的标准差，以30和60为分界线，将B的5000张训练虹膜划分为3个分组，标准差大于60的训练虹膜为一组，设定为第1组，共计1487张。标准差范围在[30,60)的训练虹膜为一组，设定为第2组，共计2236张。标准差小于30的训练虹膜为一组，设定为第3组，共计1277张。

4)根据B的5000张模板虹膜归一增强图像得到B的纹理走势特征的认证参数。

5)计算机系统根据B的5000张模板虹膜归一增强图像的认证参数得到5000组B的纹理走势特征的参数标签，并根据B的纹理走势特征的5000组参数标签得到B的三个组中纹理走势特征的单一类别标签。

6)计算机系统根据B的5000张模板虹膜归一增强图像得到5000组B的虹膜图像的灰度差值特征参数标签，计算所有据B的5000张训练虹膜中相同位置的参数标签的平均值，作为B的灰度差值特征参数标签，以此得到B的灰度差值特征的单一类别标签。

7)通过虹膜采集仪采集C的测试虹膜灰度图像一张。

8)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将C的测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

9)计算机系统计算C的测试虹膜的纹理走势特征的认证参数，计算C的测试虹膜归一增强图像中全部特征点的标准差，标准差值为49.45，隶属于B类别分组的第2组。

10)根据C的测试虹膜的纹理走势特征参数标签与B的模板虹膜第2组的类别标签，得到C的纹理走势特征的判断结论：测试虹膜不属于B。

11)计算机系统根据C的测试虹膜归一增强图像得到C的灰度差值特征的参数标签。根据C的测试虹膜的灰度差值特征的参数标签与B的模板虹膜的单一类别标签，得到B的灰度差值特征的判断结论：测试虹膜不属于B。

12)C的灰度差值特征的判断结论与C的纹理走势特征的判断结论相同，都认定测试虹膜不属于B，因此得出最终结论：测试虹膜不属于B。

实施例3：

在权利要求1的框架下对某两个人(命名D，E，之前录入过D和E的信息，其中D作为测试虹膜，E作为模板虹膜(E的训练虹膜划分为2个分组，标准差大于40的训练虹膜为一组，设定为第1组。标准差小于或者等于40的训练虹膜为一组，设定为第2组。)，测试虹膜与模板虹膜采用相同的虹膜采集仪进行采集)进行的操作全过程：

1)通过虹膜采集仪采集D的测试虹膜灰度图像一张。

2)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将D的测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

3)计算机系统计算D的测试虹膜归一增强图像中全部特征点的标准差，标准差值为41.57，隶属于E类别分组的第1组。

4)根据D的测试虹膜的纹理走势特征参数标签与E的模板虹膜的类别标签，得到D的纹理走势特征的判断结论：测试虹膜属于E。

5)计算机系统根据D的测试虹膜归一增强图像得到D的灰度差值特征的参数标签。根据D的测试虹膜的灰度差值特征的参数标签与E的模板虹膜的单一类别标签，得到E的灰度差值特征的判断结论：测试虹膜不属于E。

6)D的灰度差值特征的判断结论与D的纹理走势特征的判断结论不相同，根据交运算原理，得出最终结论：测试虹膜不属于E。

Claims (8)

1.一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：其方法如下所述：

步骤一、任意使用市面常见虹膜采集仪，采集模板测试人员的模板虹膜灰度图像m张；

步骤二、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将所有模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像；

步骤三、计算机系统计算每张模板虹膜归一增强图像中全部特征点的标准差，根据标准差值的大小，将m张训练虹膜划分为n个分组，并根据m张模板虹膜归一增强图像得到模板测试人员的纹理走势特征的认证参数；

步骤四、计算机系统根据m张模板虹膜归一增强图像的认证参数得到模板测试人员的纹理走势特征的参数标签，并根据模板测试人员所有模板虹膜归一增强图像纹理走势特征的参数标签得到该模板测试人员在各自分组中纹理走势特征的单一类别标签；

步骤五、计算机系统根据m张模板虹膜归一增强图像得到模板测试人员单张虹膜图像的灰度差值特征参数标签，计算所有m张训练虹膜中相同位置的参数标签的平均值，作为该模板测试人员虹膜类别的灰度差值特征参数标签；并根据模板测试人员的所有模板虹膜归一增强图像灰度差值特征的参数标签得到该模板测试人员灰度差值特征的单一类别标签；

步骤六、通过虹膜采集仪采集测试虹膜灰度图像一张；

步骤七、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像；

步骤八、计算机系统计算测试虹膜的纹理走势特征认证参数，并计算测试虹膜归一增强图像中全部特征点的标准差，根据标准差值的大小，将测试虹膜对应到需要判断是否同类别的模板虹膜类别中的其中一个分组；

步骤九、根据测试虹膜的纹理走势特征认证参数与需要判断是否同类别的模板虹膜的分组的类别标签，得到纹理走势特征的判断结论；

步骤十、计算机系统根据测试虹膜归一增强图像得到测试人员的灰度差值特征的参数标签；根据测试虹膜的灰度差值特征的参数标签与需要判断是否同类别的模板虹膜的单一类别标签，得到灰度差值特征的判断结论；

步骤十一、将纹理走势特征的判断结论与灰度差值特征的判断结论进行交运算，如果二个判断结论同时认定测试虹膜与模板虹膜属于相同的类别，则下达最终结论：测试虹膜与模板虹膜属于相同的类别；

如果二个判断结论中有一个认定测试虹膜与模板虹膜不属于相同的类别或者全部认定测试虹膜与模板虹膜不属于相同的类别，则下达最终结论：测试虹膜与模板虹膜不属于相同的类别。

2.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述的步骤三、步骤八中得到纹理走势特征的认证参数的具体过程如下：

第一步、处理虹膜归一增强图像，形成128×16维度池化二值化图像；

第二步、将128×16维度的池化二值化图像平均分割为32个8×8维度的正方形子块，每个子块以左上角点为原点设定坐标，原点坐标为(0,0)，以左下角点为分割基准点，分割基准点的坐标为(0,8)，建立纹理边界分割线性函数，共计13条，所有线性函数都通过分割基准点的坐标点(0,8)，13条线性函数的另一端坐标点分别为(2,0)、(3,0)、(4,0)、(5,0)、(6,0)、(7,0)、(8,0)、(8,1)、(8,2)、(8,3)、(8,4)、(8,5)和(8,6)，根据公式1计算图像边缘占有比例，以坐标点为(8,0)的线性函数为分界，端坐标点的纵坐标为0的坐标所构成的线性函数为F₁，端坐标点的横坐标为8的坐标所构成的线性函数为F₂，公式1如下：

其中：y₁代表端坐标点的纵坐标为0的特征点的横坐标，y₂代表坐标点的横坐标为0的特征点的纵坐标，x代表线性函数上的特征点的自变量；

第三步、在得到子块的13条线性函数的后，将线性函数分割的两个区域命名为D₁与D₂，分别计算D₁区域与D₂区域中白色特征点与占所属区域的比例，白色特征点的灰度值为255，并计算两个比例值的比值K，如公式2所示：

其中：N(D₁)代表D₁区域中特征点的数量；M(D₂)代表D₂区域中特征点的数量；l_i与l_t分别代表D₁区域与D₂区域中特征点的灰度值；sgn代表符号函数，返回参数的正负；

以13条线性函数中K值的线性函数的斜率作为该子块的的认证参数，共计得到32个认证参数，第i个认证参数设定为K_i。

3.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述步骤四中得到模板测试人员纹理走势特征的参数标签的具体过程如下：

第一步、根据全部的m张训练虹膜对认证参数进行分类，将认证参数划分稳定参数与非稳定参数；

每个认证参数的种类判断值T_i通过公式3进行划定，共计有i个认证参数，公式3如下：

其中：K_i-t代表第t张训练虹膜图像中的第i个认证参数的值，计算m张训练虹膜中32个认证参数中相同位置数据的参数平均值，用每张图像的相同位置的认证参数的值与参数平均值的差值的绝对值与参数平均值的一半的值的绝对值之间的比值作为种类判断值，并统计T_i>1的训练虹膜个数，如果T_i>1的训练虹膜个数大于m的值的一半，则认定该认证参数在目前的训练虹膜数量下属于稳定参数；反之认定该认证参数在目前的训练虹膜数量下属于非稳定参数；

第二步、得到认证参数的分类之后，根据之前对训练虹膜的分组，设定每组的参数标签；

稳定参数的参数标签为该组训练虹膜中相同位置的所有稳定参数的平均值，如公式4所示：

其中：W_i代表第i个稳定参数的参数标签值；z表示该训练虹膜组有z张训练图像；K_i-r代表在该训练虹膜组中第r张训练虹膜图像中的第i个稳定参数的值；

计算该组训练虹膜中相同位置的所有非稳定参数的平均值L_i，共计有i个非稳定参数，之后计算该组所有训练图像中第i个非稳定参数中小于L_i的概率p_i，根据公式5计算信息熵，公式5如下：

H1_i＝-p_i×log(p_i) H2_i＝-(1-p_i)×log((1-p_i)) (5)

其中：H1_i代表第i个非稳定参数小于L_i的信息熵，H2_i代表第i个非稳定参数大于L_i的信息熵，最终，H1_i×p_i+H2_i×(1-p_i)作为第i个非稳定参数的参数标签值。

4.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述步骤四中得到模板测试人员纹理走势特征的单一类别标签的具体过程如下：

第一步、根据公式6计算纹理走势特征的某一个类别标签，公式6如下：

其中：a1表示进行同类认定的模板类别中经训练认定的稳定参数的个数；a2表示进行同类认定的非模板类别中经训练认定的稳定参数的个数；Kc_o代表测试虹膜的第o个稳定参数的参数标签；W_o代表进行同类认定的模板类别中经训练认定的第o个稳定参数的参数标签；Kc_t代表测试虹膜的第t个非稳定参数的参数标签；K_t代表进行同类认定的模板类别中经训练认定的第t个非稳定参数的参数标签；H1_t代表第t个非稳定参数小于进行同类认定的模板类别中经训练认定的第t个非稳定参数的平均值的信息熵；H2_i代表第t个非稳定参数大于进行同类认定的模板类别中经训练认定的第t个非稳定参数的平均值的信息熵；H1_i×p_i+H2_i×(1-p_i)为第t个非稳定参数的参数标签.E为同类别认证得到的函数判定结果值；sgn代表符号函数，返回参数的正负，sgn与公式2相同；e代表指数函数中作为底数的自然常数e；

E的表示采用科学技术法，即c×10^b的形式，每组的训练虹膜通过Tenengrad梯度法计算训练虹膜的识别区域清晰度G；

第二步、将每张训练虹膜依次作为测试对象进行函数判定结果值的计算，统计每组训练虹膜所得到的函数判定结果值的G,c,b的分布，并根据G,c,b的分布将设定清晰度范围，数量级，关键指数范围，并将三者组合在一起，共同构成一组类别组合标签，即清晰度范围在[G₁,G₂]内，数量级为b的情况下，关键指数范围为[c₁,c₂]的情况下构成该类别的一个类别标签，清晰度范围单位间隔与关键指数范围单位间隔都是根据训练虹膜数据设置的经验值，每组训练虹膜由多个相同形式的类别标签组合而成，构成该组训练虹膜的组合标签，所有分组的组合标签的集合，构成该类别的单一类别标签。

5.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述步骤五、步骤十中得到灰度差值特征的参数标签的具体过程如下：

第一步、模板虹膜归一增强图像通过第一阶段图像处理流程进行处理；

首先，采用四个模块并列的虹膜处理过程，每个过程包括卷积、池化、稀释和标准化四步骤；其中四个模块的卷积核以分别为水平方向卷积，垂直方向卷积，左斜方向卷积，右斜方向卷积；四个卷积图像如下所示；

模板虹膜归一增强图像同时并列通过4个卷积图像处理，形成4个256×32维度的卷积处理图像；

之后，四个256×32维度的卷积图像通过2×2平均池化的方式转化为四个128×16维度池化图像；

之后，四个128×16维度池化图像通过Softplus函数进行稀疏化操作，转化为四个128×16维度稀疏图像；Softplus函数如公式7所示，公式7如下：

Softplus(x)＝log(1+e^x) (7)

其中：Softplus(x)为结果值，x代表池化图像单个像素点的像素值；

最后，四个128×16维度稀疏图像通过最临近插值填充算法转化为四个256×32维度填充图像；

四个填充图像为第一阶段图像处理的输出结果；

第二步、第一阶段图像处理的输出的四个填充图像进行第二阶段图像处理；

首先，第一阶段图像处理的输出的四个填充图像同时通过以5为中心的四邻域拉普拉斯算子进行卷积操作，形成4个256×32维度的卷积处理图像；

拉普拉斯算子：

-1 0 -1 0 5 0 -1 0 -1

之后，四个256×32维度的卷积图像通过2×2平均池化的方式转化为四个128×16维度池化图像；

之后，四个128×16维度池化图像通过公式7的Softplus函数进行稀疏化操作，转化为四个128×16维度稀疏图像；

最后，四个128×16维度稀疏图像通过最临近插值填充算法转化为四个256×32维度填充图像；

这四个填充图像为第二阶段图像处理的输出结果；

第三步、第二阶段图像处理的输出的四个填充图像进行第三阶段图像处理；

首先，采用四个模块并列的虹膜处理过程，每个过程包括卷积、池化和稀释三个步骤；其中四个模块的卷积核以分别为水平方向卷积，垂直方向卷积，左斜方向卷积，右斜方向卷积；四个卷积核与第一步的卷积核相同；

第二阶段图像处理的输出的四个填充图像同时并列通过4个卷积图像处理，形成4个256×32维度的卷积处理图像；

之后，四个256×32维度的卷积图像通过2×2平均池化的方式转化为四个128×16维度池化图像；

之后，四个128×16维度池化图像通过公式7的Softplus函数进行稀疏化操作，转化为四个128×16维度稀疏图像；

这四个稀疏图像为第三阶段图像处理的输出结果；

第四步、对第三阶段图像处理所得到的四个稀疏图像：水平方向处理图像、垂直方向处理图像、左斜方向处理图像、右斜方向处理图像同时采用多种不同的维度进行池化，对128×16维度稀疏图像分别采用3组2×2平均池化，2组4×4平均池化，1组8×8平均池化，1组16×16平均池化，将每个稀疏图像分别输出为2个16×2维度图像以及2个8×1维度图像，共计16个处理图像；

第五步、在得到16个处理图像后，读取16个处理图像的灰度值，组成一个由16个数构成的一维数组，将每相邻两个值的差值的绝对值组合在一起，虹膜归一增强图像转化为构成一个由15个数组成的参数标签。

6.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述步骤五中得到模板测试人员灰度差值特征的单一类别标签的具体过程如下：

第一步、以每个训练虹膜依次作为测试对象，根据公式8计算每个训练虹膜的认证函数结果值，公式8如下：；

其中：T代表灰度差值特征的认证函数结果值；λ_h代表第h个参数标签的认证权重；c_h代表测试对象第h个的参数标签的值；b_h代表模板虹膜第h个的参数标签的值；e代表指数函数中作为底数的自然常数e；

第二步、根据训练虹膜认证函数结果值的分布设定不同的认证区间[g₁,g₂],[g₃,g₄],[g₅,g₆]...[g_u,g_n]作为灰度差值特征的单一类别的类别标签，认证区间的区间间隔为z₁,z₂,z₃...z_n。

7.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述步骤九中得到测试人员的纹理走势特征的判断结论的具体过程如下：

第一步、明确需要判断是否同类别的模板虹膜类别的稳定参数和非稳定参数的参数分类信息，将测试虹膜的纹理走势特征认证参数划分为该类别比较有用的稳定参数和非稳定参数，作为测试虹膜的纹理走势特征参数标签；

第二步、以测试虹膜的纹理走势特征的参数标签与需要判断是否同类别的模板虹膜中对应分组的纹理走势特征的参数标签作为自变量，通过公式6计算测试虹膜的纹理走势特征的认证函数结果值；

第三步、将测试虹膜的纹理走势特征的认证函数结果值与模板虹膜所属分组的类别标签进行比较；

如果测试虹膜的纹理走势特征的认证函数结果值同时满足清晰度范围在类别标签的清晰度范围内，数量级与类别标签的数量级相同，关键指数范围在类别标签关键指数范围内，则认定纹理走势特征结论：测试虹膜与该模板虹膜属于相同类别；

如果测试虹膜的纹理走势特征的认证函数结果值不能同时满足清晰度范围在类别标签的清晰度范围内，数量级与类别标签的数量级相同，关键指数范围在类别标签关键指数范围内，则认定纹理走势特征结论：测试虹膜与该模板虹膜不属于相同类别。

8.根据权利要求1所述的一种基于虹膜远源特征交运算决策的身份验证方法，其特征在于：所述步骤十中得到测试人员的灰度差值特征的判断结论的具体过程如下：

第一步、以测试虹膜的灰度差值特征的参数标签与需要判断是否同类别的模板虹膜的中灰度差值特征的参数标签作为自变量，通过公式8计算测试虹膜的灰度差值特征的认证函数结果值；

第二步、将测试虹膜的灰度差值特征的认证函数结果值与模板虹膜的类别标签进行比较；

如果测试虹膜的灰度差值特征的认证函数结果值属于任意一个灰度差值特征范围内，则认定灰度差值特征结论：测试虹膜与该模板虹膜属于相同类别；

如果测试虹膜的灰度差值特征的认证函数结果值不属于任意一个灰度差值特征范围内，则认定灰度差值特征结论：测试虹膜与该模板虹膜不属于相同类别。

Images