基于局部序列图像虹膜特征提取及分类探究.docxVIP

基于局部序列图像虹膜特征提取及分类探究 【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 (-)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-yO) 2/? 茁 2) ] Xesp[2?仔 i (uO (x~x0) +v0 (y-yO)) ] (1) 其中：(xO, yO)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，(uO, vO)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)二exp[- ((x-xO) 2/?琢 2+ (y-yO) 2/? 茁 2) ] Xesp[2?仔 i ( 3 (x-xO) cos 9 + w (y-yO)) sin 9 ] (2) 其中，3和9分别表示滤波器的频率和方向，3二， 9 =arctan (vO/uO)那么由(？琢，？茁，xO, yO, o , 0 ) 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]