基于局部序列图像虹膜特征提取与分类研究.docVIP

基于局部序列图像虹膜特征提取与分类研究 　　【摘要】目前虹膜识别的算法主要都集中在单幅图像的优化上，它忽视了人眼序列图像中存在的必然联系。本文选取受光照、眼睑、睫毛等影响较少的区域作为特征点采样区，并通过比对序列图像不断剔除特征模板中不可靠特征点，达到提高虹膜识别准确率的目的。实验结果表明适当的增加注册图像数量可以明显拉大类内类间距离，从而提高虹膜识别的准确率。 　　【关键词】局部；虹膜；图像 　　【中图分类号】TP 【文献标识码】A 　　【文章编号】1007-4309（2012）07-0093-2 　　由于虹膜图像采集过程中容易受到光照、眼睑、睫毛等影响，使得采集到的图像存在大量噪声，而有用虹膜纹理区域只是被噪声覆盖图像的一个部分，因此需要将虹膜区域从原始图像中分离出来，并采取一系列措施消除上述不利因素对后继虹膜特征提取及识别算法精度的影响。虹膜图像预处理过程通常包括：图像质量评价、虹膜边界定位、规范化和图像增强等过程。 　　一、虹膜识别系统的工作原理 　　（一）虹膜图像预处理 　　由于虹膜图像采集过程中容易受到光照、眼睑、睫毛等影响，使得采集到的图像存在大量噪声，而可信度高的虹膜纹理区域只是被噪声覆盖图像的一个部分，因此需要将虹膜区域从采集图像中分离出来，并应用一系列措施消除上述不利因素对后继虹膜特征提取及识别算法精度的影响。虹膜图像预处理过程通常包括：图像质量评价、虹膜边界定位、干扰检测、归一化和图像增强等过程。 　　（二）虹膜纹理特征点提取算法 　　虹膜特征采样区域的选取。 　　由上图可以看出，经过预处理的图像已经消除了眼睑、睫毛、光斑等干扰，但这些处理后区域所包含的可靠纹理信息数量相较于那些未被干扰或很少被干扰区域来说仍然低很多。另外，虹膜纹理信息相当丰富，只要用于虹膜识别的有效区域大于虹膜总面积的1/6，其虹膜特征的唯一性就可以得到保证。 　　因此，本文选择虹膜图像中受干扰相对较小的局部区域，作为虹膜特征提取的数据采样区，该区域也是整个虹膜图像中可靠纹理信息分布密度最大的区域，从中提取出来的特征模板的唯一性和可靠性也是相对较高的。 　　值得注意的是在该区域中仍然可能包含眼睑、睫毛干扰等，所以前面提到的虹膜预处理过程仍然是必要的。 　　（三）可靠特征模板的生成算法 　　目前有很多虹膜特征提取算法，如Gabor滤波方法、局部过零检测方法、小波变换等方法。这些方法都是将虹膜的纹理特征用二值相位特征表示，在识别时提取的特征都参与了比较。但由于这些特征中存在大量不稳定的干扰点，就使得相似度计算受到了很大的影响。从相似度的统计来看，同类虹膜比对的相似度和不同虹膜比对的相似度形成了大的交叉区域，难以得到较高的分类正确率，分类阈值的选择范围也很小。即使阈值大小有小的变化也会引起错分率明显增大。增大分类阈值的选择范围，减小错分率一直是模式识别领域的学者所关注的问题。 　　本文采用2D-Gabor滤波器，选取0°、45°、90°、135°四个方向分别进行特征提取，以响应最剧烈的方向作为特征，并用该方向所对应的符号信息进行特征编码。 　　1.2D-Gabor滤波器加波 　　由于虹膜纹理在几何特征上呈现出多方向、不规则的特性，而2D-Gabor滤波器的方向选择性和频率选择性恰好可以将虹膜的这种特性完整的表示出来，它可以提取出纹理在不同频率下的方向特征。 　　因此本文选择2D-Gabor滤波器进行虹膜纹理方向编码。其直角坐标系下变化函数如下： 　　Gabor（x，y）=exp[-〔（x-x0）2/？琢2+（y-y0）2/？茁2〕]×esp[2？仔i〔u0（x-x0）+v0（y-y0）〕]（1） 　　其中：（x0，y0）表示滤波器中心位置，（？琢，？茁）表示高斯函数的有效宽度和长度，（u0，v0）表示滤波器的频率和方向。（1）式也可以写成如下形式： 　　Gabor（x，y）=exp[-〔（x-x0）2/？琢2+（y-y0）2/？茁2〕]×esp[2？仔i〔ω（x-x0）cosθ+ω（y-y0）〕sinθ]（2） 　　其中，ω和θ分别表示滤波器的频率和方向，ω=，θ=arctan（v0/u0）那么由（？琢，？茁，x0，y0，ω，θ）六个参数就可以确定不同性能的滤波器。 　　选取0°、45°、90°、135°四个方向分别进行特征提取，其对应的方向符号为0，1，2，3；Intensity[]是用来评判响应剧烈程度的函数，它是幅值的平方，它值越大表示响应越剧烈；Sign表示相应最剧烈时所对应的特征点方向符号。那么经过（2）-（4）可以的得到虹膜纹理方向特征矩阵S。 　　intensity[k]=mag2[k]=Re2[k]+Im2[k]（3） 　　S[ij]=sign〔max（intensity[k]）〕=kman kman∈{0，1，2，3}（