WO2013087028A1

WO2013087028A1 - 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法

Info

Publication number: WO2013087028A1
Application number: PCT/CN2012/086678
Authority: WO
Inventors: 王琪; 张祥德; 单成坤; 刘洋
Original assignee: 北京天诚盛业科技有限公司
Priority date: 2011-12-16
Filing date: 2012-12-14
Publication date: 2013-06-20
Also published as: CN102521575B; CN102521575A

Abstract

本发明公开了一种虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法，以上方法包括：步骤1）对归一化的虹膜图像提取二维Gabor特征；以及步骤2）使用Adaboost算法对步骤1）中得到的特征进行分类识别。其中特征提取采用同一尺度下多方向的Gabor小波，同时将展开的虹膜图像进行分块，结合虹膜的整体和局部信息，同时提取整个虹膜图像和虹膜图像子模块的Gabor特征并且编码，然后将整体与局部结合起来形成多维特征向量，并且引入Adaboost算法进行特征选择，最后构造分类器进行识别。本发明的有益效果为：仅使用虹膜中少含噪声的一部分进行识别，减少了噪声的影响，很好的解决了低质量虹膜图像的识别问题，具有很好的识别性能。

Description

虹膜识别方法和基于多方向 Gabor和 Adaboost虹膜识别方法技术领域本发明涉及数字图像处理和模式识别，尤其涉及一种虹膜识别方法和基于多方向

Gabor和 Adaboost的虹膜识别方法，属于生物特征识别及安全认证技术领域。背景技术在现代社会中，随着网络技术的高度发展、人员流动的急剧频繁， -种安全可靠、方便髙效的身份认证系统显得尤为重要。传统的身份识别主要有两种：标识物品（钥匙、身份证件等）和标识知识（用户名、密码等）。但在实际应用中，其存在易丢失性、易伪造性、非唯一性和应用范 ( 相对较小等不足，使人们迫切需要一种可以克服上述缺陷的身份识别方法。在需求的驱动下，基于人脸、指纹、虹膜、手形、笔迹等生物特征的识别技术应运而生。目前，国内外有很多虹膜识别系统。虹膜特征提取是影响虹膜识别系统性能的主要因素之一，现有的虹膜识别算法大多对虹膜图像的质量要求较高。然而，自然光下采集得到的虹膜图像会受到睫毛、眼睑、光照、晃动等丙素的影响，致使采集到的虹膜图像质量欠佳，针对这类低质量虹膜图像，需要一种有效的虹膜特征提取和识别算法。发明内容本发明的目的是提供 -种虹膜识别方法，尤其是一种基于多方向 Gabor 和 Adaboost虹膜识别方法，具有很好的识别性能，克服了现有技术上述方面的不足。本发明的目的是通过以下技术方案来实现：一种基于多方向 Gabor和 Adaboost虹膜识别方法，其包括如下步骤：

1 ) 对归一化的虹膜图像提取二维 Gabor特征，其具体包括以下步骤：

1.1 ) 将展开的虹膜图像均匀划分为 M行、 N列，得到 M XN个虹膜图像子模块；

替换页（细则第 26条) 1.2) 使用同尺度八个方向的 Gabor滤波器作用于步骤 1.1) 屮归 ·化后的虹膜图像子模块，然后根据 Gabor实部对图像滤波结果的正负进行编码；其屮 Gabor滤波器的表达式如下：

(j{x, y) = exp ^{1 1} exp ， x =xcos9 + ysm0 ， χ >

y' = -xsm0 + ycose , 是 Gabor滤波器的方向， 6» = z'r/8， = 0,1,2,···7 , [/和分别为 Gabor滤波器的水平和垂直中心频率， δ和分别是高斯包络沿着 X轴和轴的空间常数，其代表 Gabor滤波器的尺度；特征编码的表达式如下：

^C{R_e.Im} y) = ^Sgⁿ{Re.Imi U ^， * ^G(^X^ ]；其屮 /是虹膜图像， G是 Gabor滤波器， sgn(_Relmi表示滤波结果的实部， c_{ReIm>为特征编码：

1.3) 按照公式：

HQ

maskA Π maskB 计算需匹配的两个虹膜图像对应的 MXN个虹膜图像子模块各自的汉明距离，对于每个虹膜图像子模块，可以得到 8个汉明距离，将 8个汉明距离构成的特征向量记为 V_whole , V_M = [ D_Khalel ' HD_HhoIe2 ,···, HD_Klwk ]；其中 code A和 code B分别表示两个虹膜图像的 Gabor特征编码； mask A和 mask B 分别表示两个虹膜图像的噪声模板，其值为 "1 "时代表有效虹膜部分，为" 0"时代表噪声； 1.4)令L=MXN，按照步骤 1.3) 中汉明计算公式得到 8XL个汉明距离 V_part，记为：

V ^HD ―、, HD 、—₂,"' Dy .. 、,"'

1.5) 将整个虹膜图像的汉明距离 V_part与虹膜图像子模块的汉明距离 ^ ^合并，组成一个维数是 8+8XMXN的特征向量 V， V=[V_whoi_e,V_part], 即：

替换页（细则第 26条) ^V = i^HD、、'h。，…， ^HD、、h ， ^HDpan\-，…， ^HDpar,L \，…， ^HD partL % 1；

2)使用 Adaboost算法对步骤 1)屮得到的特征进行分类识别，其具体包括以下步骤：

2.1) 设置一个样本训练集 {(X,， )，···，(½， )}， X, = {¾,···,¾»}， , e{+l,-l} . i=l , 2， ...， N， M是向量 jc,.的维数，其巾：

X是整个虹膜图像形成的特征向量与分块之后的特征向量结合而成的多维特征向量，当两张虹膜图像子模块来自同 -人眼时， y=l，否则 y=-l _;

2.2) 通过公式：

, 对样本训练集进行权重初始化，然后对有权重分布的样本训练集进行训练学习，得到一个弱分类器

Λ, : →{-1,1} ; t=l， 2, ...， T, Τ为迭代次数；

2.3) 选择步骤 1) 中的一个特征，然后通过公式- =∑,C ,)， ^m=1， ²'…' ^Μ' 计算出弱分类器 ,在样本训练集中的分类错误率^，记 s, =mi_{n m}，当 f,≥0.5时，令 T=t-1，并跳出循环；

2.4) 通过公式： α₍ = 0.5 xln[(l ，计算出弱分类器的权重《,；

2.5) 通过公式：

D_l+l(i) = D_t(i)_exp[-a,y,h, ,)]/Z_l ' 更新样本训练集权重，并且对样本训练集进行归一化，在式屮，其中 A(0是第个样本在第 <次训练时的权重系数，是归一化闲子；

2.6) 最后根据公式：

替换页（细则第 26条) H(x) = sign(^a,h,(^) > 获得最终的分类器，该分类器的特征即为虹膜图像屮特征向量 V的特征，识别完成。根据本发明的另一个方面还提出了一种虹膜识别方法。该虹膜识别方法，包括如下步骤：步骤 1 )将虹膜图像进行归 -化，提取归一化后的虹膜图像的二维 Gabor特征；以及步骤 2) 计算两幅虹膜图像对应 Gabor特征之间的汉明距离，将计算结果作为样本使用 Adaboost算法对二维 Gabor特征进行分类识别。进一步地，步骤 1)包括：对归 -化后的虹膜图像进行 Gabor滤波；根据 Gabor 滤波器的实部对滤波后的虹膜图像进行编码，得到归一化后的虹膜图像的特征编码，特征编码作为归 · -化后的虹膜图像的初始二维 Gabor特征。进…步地，步骤 1)还包括：对归 ·化后的虹膜图像进行区域划分，得到多个虹膜图像子模块；对多个虹膜图像子模块分别进行 Gabor滤波；根据 Gabor滤波器的实部对滤波后的多个虹膜图像子模块分别进行编码，得到多个虹膜图像子模块的特征编码，多个虹膜图像子模块的特征编码作为归 -化后的虹膜图像的初始二维 Gabor特征。进 -步地，上述对归一化后的虹膜图像进行区域划分包括：将归一化的虹膜图像划分为 M行、 N列，按照行列进行划分得到 MXN个虹膜图像子模块。进一步地，步骤 1) 中对多个虹膜图像子模块分别进行 Gabor滤波包括：使用同 -尺度 8个方向的 Gabor滤波器多个虹膜图像子模块进行滤波，其中， Gabor滤波器的表

式屮， x'-cosS + jvsin6>， = - xsin0 + ycos >， 6>是 Gabor滤波器的方向， 6> = /;r/8， ι = 0,1, 2,·-·7 , U和 V分别为 Gabor滤波器的水平和垂直中心频率， ^和分别是高斯包络沿着 X轴和. V轴的空间常数。进一步地，根据 Gabor滤波器的实部对滤波后的多个虹膜图像子模块分别进行编码包括：使用以下公式根据 Gabor滤波器的实部对滤波后的虹膜图像子模块分别进行编码： c(Re,in,} y) = sgn_{{Re lm}}[/( , y) * G(x, y)]；

替换页（细则第 26条) 在式中，I(x，y)是虹膜图像的表达式， G(x， y)是 Gabor滤波器的表达式， sgn_(ReIni} 表示滤波结果的实部， c_(Relm)为特征编码。进一步地，计算两幅虹膜图像对应 Gabor特征之间的汉明距离包括- 按照公式： HD ^^co<^^e^ ® ^coc^^e^ Π maskA Π

maskA Π maskB 计算两幅虹膜图像对应 Gabor特征之间的汉明距离，在式屮， codeA和 codeB分别表示两幅虹膜图像的对应的特征编码； maskA和 maskB分别表示两幅虹膜图像的噪声模板。进一步地，步骤 2) 中将计算结果作为样本使用 Adaboost算法对二维 Gabor特征进行分类识别包括：利用两幅虹膜图像对应 Gabor特征之间的汉明距离的计算结果构建- --个向量，该向量作为样本使用 Adaboost算法进行分类识别。进 -步地，步骤 2) 屮该向量作为样本使用 Adaboost算法进行分类识别包括：步骤 2.1)设置 -个样本训练集 {(Χ,, ) .·,^^)}， A ={½，···， }， . e{+l，- 1}， i=l, 2， ...， N， M是向量; c,的维数，其屮， ^x是归一化后两张虹膜图像的汉明距离组成的向量， y的取值为：两张虹膜图像子模块来自同一人眼时， ^=1，否则 y = 步骤 2.2)通过公式： D、{T} = \lN,i = \,'''N , 对样本训练集进行权重初始化，然后对有权重分布的样本训练集进行训练学习，得到 ·个弱分类器 _; h_t :x^{-\,\) t^l, 2， ...， T，其屮 Τ为迭代次数；步骤 2.3 ) 选择步骤 1 ) 中的一个二维 Gabor 特征，然后通过公式： =∑_Λ,₍ , _m=l， 2， …， M，计算出弱分类器/ 在样本训练集屮的分类错误率，记ε_t =min^，当 _£,≥0.5时，令 T=t-1，并跳出循环；步骤 2.4)通过公式： a, =0.5xln[(l_s)/f,]，计算出弱分类器的权重 _;

替换页（细则第 26条) 步骤 2.5 )通过公式： ί ,₊ ） = £), (^_Χρ[-_α /ί₍ (χ, )]/Ζ,，更新样本训练集权重，并且对样本训练集进行归一化，在式屮，其屮 Dt(i)是第 i个样本在第 t次训练时的权重系数，是归一化因子；步骤 2.6 )根据公式： H(x) = ^«( «»))，获得最终的分类器，该分类器的特征 Η ( x) 即为最终分类器，完成训练；步骤 2.7 )把 Adaboost训练出来的分类器对应的 Gabor编码作为最终的虹膜特征，用于虹膜图像对比。本发明的有益效果为：仅使用虹膜中少含噪声的一部分进行识别，减少了噪声的影响，很好地解决了低质量虹膜图像的识别问题，具有很好的识别性能。虹膜图像的特征提取采用同一尺度下多方向的 Gabor小波，同时将展幵的虹膜图像进行分块，结合虹膜的整体和局部信息，同时提取整个虹膜图像和虹膜图像子模块的 Gabor特征并且编码，然后将整体与局部结合起来形成多维特征向量，并且引入 Adaboost算法进行特征选择，最后构造分类器进行识别。附图说明构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图屮- 图 1是本发明实施例所述的基于多方向 Gabor和 Adaboost虹膜识别方法的流程图；图 2 ( a) 至图 2 (h) 是本发明实施例屮 8个方向的 Gabor实部滤波器的示意图；图 3 ( a) 至图 3 (h) 是本发明实施例屮 Gabor的编码过程图；图 4 (a) 至图 4 ( d) 是本发明实施例屮虹胰分块的示意图。具体实施方式如图 1 所示，本实施例所述的一种虹膜识别方法，该方法基于多方向 Gabor和 Adaboost算法，其包括如下步骤：步骤 1 ) 将虹膜图像进行归一化，提取归 -化后的虹膜图像的二维 Gabor特征；以及

替换页（细则第 26条) 步骤 2) 计算两幅虹膜图像对应 Gabor特征之间的汉明距离，将计算结果作为样本使用 Adaboost算法对所述二维 Gabor特征进行分类识别。其屮，步骤 1)对归一化的虹膜图像提取二维 Gabor特征， 2D Gabor滤波器由于在时域和频域具有良好的分辨能力，表达式如下：

2πδ_χδ₎. 其中， 0为像素点（x， y) 的方向对应的角度，也即 Gabor滤波器的方向， x' 轴与 X轴的夹角为 0。其中， 0 = *^，ί' = Ο，1,2...，7时，八方向滤波器依次如图 2 (a) 至

8

图 2 (h) 所示，和分别是高斯包络沿着 X轴和 y轴的空间常数，和的取值优选为 4.0， f为纹线频率。如图 2所示，本发明的实施例使用同一尺度多方向的 Gabor 滤波器，具体地，可以使用 8个方向的 Gabor滤波器，从而 8个方向分别对应 0 = /8， !' = 0，1,2，···7。将这 8个二维 Gabor滤波器作用于归一化后的虹膜图像，使用滤波结果的象限进行编码，表示如下： c_iReMi ( y) = sgn_{{Rc lm)} [I(x, y) * G(x, y)] ( 2 ) 其屮 I是虹膜图像， G是 Gabor滤波器， sgn_|Relmi表示滤波结果的实部， c_(ReIm>为特征编码。整个虹膜区域包含了光斑、睫毛等噪声，因此当仅使用虹膜屮少含噪声的某 _ -部分进行识别时，可以从一定程度上减少噪声的影响，反而有可能提高识别性能。闵此，本实施例屮可以将展开的虹膜图像均匀划分为 M行、 N列，这样就得到 Λ xN个子块，图 4 (a)至图 4 (d) 是本发明实施例中虹膜分块的示意图，其中图 4 (a)和图 4 (b) 为待分块的虹膜图像，按照虹膜图像的环形区域分为 3行 4列（即 M=3、 N=4)，从而得到 12个子块，图中 Rl、 R2、 R3、 Ul、 U2、 U3> Ll、 L2、 L3、 Dl、 D2、 D3就是分块后得到的 12个子块。为了方便 Gabor编码，将原虹膜图像的扇形区域运用双二次线性插值映射为方形区域，图 4 (c)和图 4 (d)即为得到的用于 Gabor编码的 M X N =12 个子块。从而除了整体识别之外，同吋对图像的不同部分分别进行识别，提高识别的正确性。

替换页（细则第 26条) 按照图 4 (a)至图 4 (d) 的划分方法，上述按照虹膜图像的环形区域分为 3行 4 列的具体方式可以为：按照虹膜屮心的作为圆心，按照不同半径做圆，划分为 3个圆环，按照弧度均匀分为 4个弧度，从而得到 12个区域分块，以进行插值映射。本发明步骤 2) 中釆用汉明距离（Hamming distance)作为相似性度量，将两幅图像的 Gabor编码进行异或运算。如图 3所示，图 3 (a)和图 3 (b) 分别是 Gabor滤波器的实部和虚部示意图，图 3 (c) 和图 3 (d) 是两幅归 -化虹膜图像，图 3 (e) 和图 3 (0是第一幅虹膜图像图 3 (c)利用图 3 (a) 和图 3 (b) 屮的 Gabor滤波器滤波得到的 Gabor编码，图 3 (g)和图 3 (h) 是第二幅虹膜图像图 3 (d)利 |†j图 3 (a) 和图 3 (b) 中的 Gabor滤波器滤波得到的 Gabor编码。计算需要分别将图 3 (e)和图 3 (g) 进行异或运算、图 3 (f) 和图 3 (h) 进行异或运算。即匹配时分别将图 3 (e) 和图 3 (g) 进行比对、图 3 (f) 和图 3 (h) 进行比对。考虑两幅图像屮的噪声，将有效像素点的异或结果加和除以有效像素点的个数作为一个特征值，即为汉明距离，公式如下：

其屮 codeA和 codeB分别是虹膜图像 A和虹膜图像 B的 Gabor特征编码；和分别表示虹膜图像 A和虹膜图像 B的噪声模板，其值为 "1"时代表有效虹膜部分，为 "0"时代表噪声。首先，计算整个虹膜展开图像的 Gabor编码的汉明距离，由于本发明选取了 8个方向的 Gabor滤波器，所以可以得到 8个汉明距离构成的向量，记为： V_whole = [HD_KhM , HD_Me2， ...， HD_Khokt ] ( 4 ) 然后，计算两个虹膜图像对应的个分块各自对应的汉明距离，对于每个子块，可以对应得到 8个汉明距离，令 = ATxN，就可以得到 8>< 个汉明距离，记为：

= iHD —、, HD _₂，-- - , HD —_S,"'， HD _L―、，… ' U (5) 最后' 将 ^与 ^,,合并' 得到向量 = 、。_te，^„]，即： = [^_Ao,_fl, ，。_fe8，^—,— ,HZ) ，---,HD —₈] (6)

替换页（细则第 26条) 从而得到两个虹膜归化后两个虹膜图像的汉明距离构成的向量，维数为： 8 + 8xMxN。

Adaboost算法是利用大量分类能力一般的简单分类器（弱分类器），通过一定的方法结合起来，构成分类能力很强的分类器。使用 Adaboost算法对上述向量进行分类识别具体过程如下：输入：训练集 {(w' U ，其屮 X, = { ,···， } ' y, e{+l,-\}， i = ,\,l -'N， M是向量 c,.的维数；迭代次数 T和弱学习算法。初始化：权重！) ）：^ ，/:^… 。（7) 操作：对于 ζ = 0,1，2，·--Γ 1) 对有权重分布的训练集学习，得到一个弱分类器

¾,:χ→{-1,1} (8)

2) 选择最好的特征使得分类错误率^„最小，其屮

^£ _m =∑ M^y ^W^ (9) m = 0,1,2,…… M , 并且记 =min£_m。如果 ≥0.5，令 Γ = ί_1并跳出循环。 3) 计算弱分类器的权重：

4) 更新样本权重： +ι (0 = A ('·) exp[- {x_t (11) 其中 4是归一化因子。输出： H(;c) = g"(∑ a,A,(x))。

替换页（细则第 26条) 虹膜识别问题是 -个典型的分类问题。只要令每个弱分类器（上述计算得出的汉明距离）对应于 1个 Gabor编码，并根据弱分类器阈值的大小来进行分类判断，则虹膜识别过程就是 Adaboost挑选特征的过程，也就是挑选弱分类器的过程。在两幅图像进行分类的过程中，使用 V = [HD'_hoM，…， HD , HD^ ^,- , HZ) — ₈ ] ( 12 ) 作为样本，即训练集中的 _{X ;} 对于相同人眼拍摄得到的两个图像，令 = 1，不同人眼拍摄得到的两个图像，令^ = -1。然后采用 Adaboost算法进行训练，选取好的分类特征，再将这些分类特征组合成更强的分类器。将上述 Adaboost算法训练得出的分类器进行组合，每一个分类器对应特定的某个子块的 Gabor编码。该 Gabor编码即为最终的虹膜 Gabor特征，用于虹膜比对。使用上述实施例屮的方法，虹膜图像的特征提取采用同尺度下多方向的 Gabor 小波，同时将展开的虹膜图像进行分块，结合虹膜的整体和局部信息，同时提取整个虹膜图像和虹膜图像子模块的 Gabor特征并且编码，然后将整体与局部结合起来形成多维特征向量，并且引入 Adaboost算法进行特征选择，最后构造分类器进行识别。显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们屮的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。以上所述仅为本发明的优选实施例而已，并不 /11于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

替换页（细则第 26条)

Claims

权利要求书、一种基于多方向 Gabor和 Adaboost虹膜识别方法，其特征在于，其包括如下步骤： 1 ) 对归 -化的虹膜图像提取二维 Gabor特征；以及 2) 使 ffl Adaboost算法对步骤 1) 中得到的特征进行分类识别。、根据权利要求 1所述的基于多方向 Gabor和 Adaboost虹膜识别方法，其特征在于，歩骤 1 ) 具体包括以下步骤-

1.1) 将展开的虹膜图像均匀划分为 M行、 N列，得到 MXN个虹膜图像子模块；

1.2) 使用同 -尺度八个方向的 Gabor滤波器作川于步骤 1.1) 中的虹膜图像子模块，然后根据 Gabor实部对图像滤波结果的正负进行编码，其屮，

Gabor滤波器的表达式如下：

θ , y'^-xsm9 + ycos0 , >是 Gabor 滤波器的方向， Θ = ίπ1%, ί = 0，1，2 .·7， ί/和分别为 Gabor滤波器的水平和垂直屮心频率， δ_χ和分别是高斯包络沿着 X轴和 _y轴的空间常数，其代表 Gabor滤波器的尺度；

特征编码的表达式如下：

im} 0， y) = sgn_{Re,_Im, [/ (x, y) * G(x, y)]；其中 /是虹膜图像， G是 Gabor滤波器， sgn^^表示滤波结果的实虚部符号，为特征编码；

1.3) 按照公式：

maskA Π maskB

替换页（细则第 26条) 计算需匹配的两个虹膜图像对应的 MXN个虹膜图像子模块各自的汉明距离，对于每个虹膜图像子模块，可以得到 8个汉明距离，将 8个汉明距离构成的特征向量记为 V_whoie， V_Khole = [HD

其中 code A和 code B分别表示两个虹膜图像的 Gabor特征编码； mask A 和 mask B分别表示两个虹膜图像的噪声模板，其值为 "Γ时代表有效虹膜部分，为" 0"时代表噪声；

1.4) 令 L=MXN，按照步骤 1.3) 屮汉明计算公式得到 8XL个汉明距离 V_par„ 记为： ' , ' ' '，，，，：

1.5) 将整个虹膜图像的汉明距离 _{^与虹膜图像子模块的汉明距离 V_whole 合并，组成 -个维数是 8+8XMXN的特征向量 V， V=[V_wh0,_e,V_part], 即：

V = [ D_thoM，…， HD_M , HD ，■■-， HD^ ,.■·, HD一 ]。

根据权利要求 2所述的基于多方向 Gabor和 Adaboost虹膜识别方法，其特征在于，步骤 2) 具体包括以下步骤：

2.1 ) 设置 '个样本训练集 {(^ ,)，···， V)} , _Xl={x ,-,x_lM} - j_{l G}{+l,-l}, i=l, 2, ...， N， M是向量 χ,.的维数，其中： X是整个虹膜图像形成的特征向量与分块之后的特征向量结合而成的多维特征向量，当两张虹膜图像子模块来自同一人眼时， y = l，否则 - 1;

2.2)通过公式： D\{i、 =

\,-"N，对样本训练集进行权重初始化，然后对有权重分布的样本训练集进行训练学习，得到- ·个弱分类器; i_{i ;}

^ _:;C→{-1，1}_{; t}=l, 2， ...， T, Τ为迭代次数；

2.3) 选择步骤 1) 屮的 · '个特征，然后通过公式：

计算出弱分类器 /ί,在样本训练集屮的分类错误率，记 =1^11^，当 ≥0.5时，令 T=t-1，并跳出循环；

2.4) 通过公式： ct, =0.5χΙη[(1_ίΓ,)/£,]，计算出弱分类器 Α₍的权重 α_{( ;}

替换页（细则第 26条)

2.5 ) 通过公式： £»,₊₁(0

，更新样本训练集权重，并且对样本训练集进行归一化，式中，是第个样本在第 Ζ次训练时的权重系数，是！ )υ · '化因子；

2.6 ) 根据公式： H (； c) =

，获得最终的分类器，该分类器的特征即为虹膜图像屮特征向量 V的特征，识别完成。、一种虹膜识别方法，其特征在于，包括：

步骤 1 ) 将虹膜图像进行归 · 化，提取归一化后的虹膜图像的二维 Gabor 特征；以及

步骤 2 ) 计算两幅虹膜图像对应 Gabor特征之间的汉明距离，将计算结果作为样本使用 Adaboost算法对所述二维 Gabor特征进行分类识别。、根据权利要求 4所述的虹膜识别方法，其特征在于，所述步骤 1 ) 包括：

对所述归一化后的虹膜图像进行 Gabor滤波；

根据所述 Gabor滤波器的实部对滤波后的虹膜图像进行编码，得到所述归一化后的虹膜图像的特征编码，所述特征编码作为归一化后的虹膜图像的初始二维 Gabor特征。、根据权利要求 5所述的虹膜识别方法，其特征在于，所述步骤 1 ) 还包括- 对归一化后的虹膜图像进行区域划分，得到多个虹膜图像子模块；对所述多个虹膜图像子模块分别进行 Gabor滤波；

根据所述 Gabor滤波器的实部对滤波后的所述多个虹膜图像子模块分别进行编码，得到所述多个虹膜图像子模块的特征编码，所述多个虹膜图像子模块的特征编码作为归一化后的虹膜图像的初始二维 Gabor特征。、根据权利要求 6所述的虹膜识别方法，其特征在于，对归一化后的虹膜图像进行区域划分包括- 将所述归一化的虹膜图像划分为 M行、 N列，

按照行列进行划分得到 M XN个虹膜图像子模块。、根据权利要求 6所述的虹膜识别方法，其特征在于，步骤 1 ) 屮对所述多个虹膜图像子模块分别进行 Gabor滤波包括：

替换页（细则第 26条) 使用同- -尺度 8个方向的 Gabor滤波器所述多个虹膜图像子模块进行滤波，其屮， Gabor滤波器的表达式如下：

式屮， X' = cos ^l + _ysin6*， y' = -xsinB + ycosB , (9是 Gabor滤波器的方向， θ = ϊπ , ί· = 0，1,2 ··7， C7和分别为 Gabor滤波器的水平和垂直中心频率，和分别是高斯包络沿着 X轴和轴的空间常数。、根据权利要求 6所述的虹膜识别方法，其特征在于，根据所述 Gabor滤波器的实部对滤波后的所述多个虹膜图像子模块分别进行编码包括：

使用以下公式根据所述 Gabor滤波器的实部对滤波后的虹膜图像子模块分别进行编码：

， = sgn [I(x,y)*G(x,y)]; 在式中， I (x, y)是虹膜图像的表达式， G (x, y)是 Gabor滤波器的表达式' sgn^_lm|表示滤波结果的实部， c^.w为特征编码。、根据权利要求 4 所述的虹膜识别方法，其特征在于，计算两幅虹膜图像对应 Gabor特征之间的汉明距离包括：

按照公式:

计算两幅虹膜图像对应 Gabor特征之间的汉明距离，在式中， code A和 code B分别表示所述两幅虹膜图像的对应的特征编码； mask A和 mask B分别表示所述两幅虹膜图像的噪声模板。 1、根据权利要求 4所述的虹膜识别方法，其特征在于，所述步骤 2) 中将计算结果作为样本使用 Adaboost算法对所述二维 Gabor特征进行分类识别包括：利用两幅虹膜图像对应 Gabor特征之间的汉明距离的计算结果构建- ·个向量，该向量作为样本使用 Adaboost算法进行分类识别。根据权利要求 11所述的虹膜识别方法，其特征在于，所述步骤 2) 屮该向量作为样本使用 Adaboost算法进行分类识别包括-

替换页（细则第 26条) 步骤 2.1) 设置一个样本训练集 {(_½ ),...，(_½， ^)}， X, = {X,,，···，¾}，

^ ei+1,-1} , i=l， 2， ...， N， M是向量 χ,.的维数，其中，是归一化后两张虹膜图像的汉明距离组成的向量， y的取值为：所述两张虹膜图像子模块来自同一人眼时，； = 1, 否则： v = -l; 步骤 2.2) 通过公式： D\{i、

, 对样本训练集进行权重初始化，然后对有权重分布的样本训练集进行训练学习，得到 -个弱分类器

Λ,: →{-1,1}_; t=l, 2, …， T， Τ为迭代次数；步骤 2.3) 选择步骤 1 ) 中的一个二维 Gabor 特征，然后通过公式： ^ (^x'), m=l, 2， …， M, 计算出弱分类器/ 在样本训练集屮的分类错误率^，记 =ηώ！，当 ≥0.5吋，令 T=t-1，并跳出循环；步骤 2.4)通过公式： α₍ = 0.5 xln[(l- 计算出弱分类器的权重《,；步骤 2.5)通过公式： β,₊₁(0 = £>,(ζ χρ[-α^Λ( )]/^ζ ₍，更新样本训练集权重，并且对样本训练集进行归一化，在式屮，其中 (0是第 ί'个样本在第次训练时的权重系数， Ζ,是归一化因子；步骤 2.6)根据公式： H(x) = ^w( iZ,A,(x))，获得最终的分类器，该分类器的特征 Η (X) 即为最终分类器，完成训练；

步骤 2.7) 把 Adaboost训练出来的分类器对应的 Gabor编码作为最终的虹膜特征，用于虹膜图像的对比。

替换页（细则第 26条)