一种基于多分辨率分析的虹膜识别方法

摘要

本发明提供的一种基于多分辨率分析的虹膜图像匹配方法，它首先通过定位，归一化操提取出原始的归一化虹膜图像；然后对归一化虹膜图像进行光照估计和直方图增强；接着将增强后的归一化虹膜图像分为8个水平的带状，并提取每个带的中间一行的灰度序列d_ij(x)在分辨率2^－2下的近似分量A_2－2d_ij(x)构成特征向量；两幅虹膜图像进行匹配时，计算两幅图像特征向量之间的欧式距离，并与预先设定的阈值进行比较，可以判断是否是同一个人的虹膜图像。采用本发明的虹膜图像匹配方法，对有较为稳定的性能，能够避免高频噪声的影响。

主权项

1.一种基于多分辨率分析的虹膜识别方法，其特征在于其包括下列步骤：步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，从含有虹膜图像的原始灰度图像中得到尺寸为64×272的归一化虹膜图像f(x，y)。(x，y)表示像素点的坐标，f(x，y)表示坐标为(x，y)的像素点的灰度值；步骤2、将归一化虹膜图像f(x，y)划分成4×17个小区域，每个小区域的大小为16×16；步骤3、统计每个小区域所有像素灰度的平均值b_m，n，b_m，n的计算公式为：$b_{m,n}=\frac{\underset{x=16m-15}{\overset{16m}{\Sigma }}\underset{y=16n-15}{\overset{16n}{\Sigma }}f(x,y)}{16\times 16},$其中m＝1，2，…4；n＝1， 2，…17，f(x，y)表示归一化虹膜图像上坐标为(x，y)的像素点的灰度值；由b_m，n构成大小为4×17的平均灰度矩阵B；步骤4、通过双三次插值将平均灰度矩阵B扩展成和原始归一化灰度图像大小相同的背景照度图像f′(x，y)，步骤4中首先取平均灰度矩阵的第一行的前4个值b₁₁，b₁₂，b₁₃，b₁₄作为插值点进行插值，插值公式为：$f^{\prime }(x,1)=\frac{(x-17)(x-33)(x-49)}{(1-17)(1-33)(1-49)}{b}_{\mathrm{1,1}}+\frac{(x-1)(x-33)(x-49)}{(17-1)(49-17)(16-49)}{b}_{\mathrm{1,2}}+$$\frac{(x-1)(x-17)(x-49)}{(33-1)(33-17)(33-49)}{b}_{\mathrm{1,3}}+\frac{(x-1)(x-17)(x-33)}{(49-1)(49-17)(49-33)}{b}_{\mathrm{1,4}},$其中x＝1，2，…33。按照同样的方法以b₁₄，b₁₅，b₁₆，b₁₇为插值点进行插值运算，直到完成第一行的插值运算，按照同样的方法对平均灰度矩阵B的每一行进行双三次插值，最后对每一列进行双三次插值；双三次插值的方法为对平均灰度矩阵B的每一行进行每4个点的3次插值；步骤5、将原始归一化虹膜图像f(x，y)减去步骤4中得到的背景照度图像f′(x，y)，得到光照不均校正后的归一化虹膜图像步骤6、对步骤5中得到的光照不均校正后的归一化虹膜图像进行直方图均衡化操作，以增强图像的对比度，得到对比度增强后的归一化虹膜图像F(x，y)；步骤7、考虑到虹膜图像采集时脸部的旋转问题，所以将步骤6中得到的对比度增强后的归一化虹膜图像F(x，y)标记为有部分重叠的5个矩形区域F_i(x，y)，i＝1，2，3，4，5，其中F_i(x，y)＝F((i-1)*4+x，y)，x＝1，2，…256，y＝1，2，…64；步骤8、将每个矩形区域F_i(x，y)划分为水平的8个等宽度的带状区域，并取每个带状区域的中间一行作为特征向量d_ij，d_ij表示了步骤7中的第i个区域的第8*(j-1)+4行的灰度序列，具体来说：d_ij(x)＝F_i(x，8*(j-1)+4)，其中j＝1，2，…8，i＝1，2，…5，x＝1，2，…256；步骤9、对步骤8中得到的特征向量d_ij进行2层小波变换，一维小波变换的公式为：和$W_{\psi }(l,k)=\underset{x=0}{\overset{M-1}{\Sigma }}{d}_{\mathrm{ij}}\left(x\right){\psi }_{l,k}\left(x\right);$其中W_(l，k)和W_(l，k)分别是分辨率为2′下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2}，_l，k(k)为尺度函数，ψ_l，k(x)为小波函数，M＝256，选取的小波为DMeyer小波；步骤10、通过步骤9中得到的分辨率2^-2下的尺度系数W_(-2，k)重构d_ij(x)在分辨率2^-2下的近似分量A_2-2D_ij(x)；重构公式为：其中A_2-2d_ij(x)表示分辨率2^-2下坐标x的近似分量的值，W_(-2，k)表示分辨率2^-2下的尺度系数，_-2，k(x)为分辨率2^-2下的尺度函数；步骤11、对于步骤7中的每一个矩形区域，得到一组特征向量D_i。D_i由第i个区域中的8个水平带的特征向量d_ij的近似分量A_2-2d_ij组成，$D_1=(A_{2^{-2}}{d}_{\mathrm{jl}}{A}_{2^{-2}}{d}_{12},...A_{2^{-2}}{d}_{18});$对于每一幅虹膜图像，可以得到5组特征向量{D_i}，i＝1，2，3，4，5；步骤12、计算任意两幅虹膜图像之间特征向量的欧式距离，计算公式为：$O={\min }_{(k,l)}{\left[{(D_k^{\prime }-D_l^{\prime \prime })}^T(D_k^{\prime }-D_l^{\prime \prime })\right]}^{1/2}/\frac{M*N}{8}$其中{D_k′}，k＝1，2，…5和{D_l′}，l＝1，2，…5分别表示两幅不同虹膜图像的5组特征向量，()^T表示矩阵的转置运算，min(_k，l)表示遍历k和l后的最小值，M＝256，N＝64；步骤13、将步骤12中得到的O与预先设定的用于判断是否是同一个人虹膜的阈值T_O进行比较，若O＞T_O，则认为是不同人的虹膜图像，若O＜T_O，则认为是同一个人的虹膜图像。