一种基于小波变换过零表示的虹膜识别方法

摘要

本发明公开了一种基于小波变换过零表示的虹膜身份识别算法，此算法能够在欠理想的情况下，即所采集的虹膜图像存在一定眼皮遮挡和一定形变的，仍然能够通过小波变换过零表示的方法准确的提取特征点，并进行虹膜编码，从而完成正确的身份识别。同时，本发明对原来图像进行了基于一定阀值的二值化处理，所以能够提高瞳孔粗定位的精度和简化瞳孔精定位，并能提高精度。提出基于虹膜外缘粗定位的双阀值处理，进行中值滤波后，能够有效提取虹膜的大概部分，并进行快速比较准确的粗定位。在之后的Hough变换精定位过程中要使用粗定位的结果，并且比较精确的定位虹膜外缘。使用4阶B－样条小波滤波器进行特征提前并进行虹膜编码，有效的提取信息部分，简化编码，提高匹配的效果。

主权项

1.一种基于小波变换过零表示的虹膜身份识别算法，其特征在于包括如下步骤：步骤1，将虹膜摄像采集装置靠近人眼，在人眼进入摄像范围内后进行图像采集，通过数字图像采集CCD的光电转换得到含有虹膜图像的原始灰度图像I(x，y)，图像左上角为I(x，y)的零点I(0，0)，图像向右令横坐标x递增，图像向下令纵坐标y递增，得到人眼图像，虹膜图像的原始灰度图像I(x，y)的取值范围为0～255，x的范围为1～M，y的范围为1～N，原图像大小为M×N；步骤2，显示原始灰度图像I(x，y)的直方图，标识1左面的第一个峰值为瞳孔区域的灰度值，取阈值T0为其向右的第一个谷值；步骤3，对步骤1中得到的原始灰度图像I(x，y)，用阈值T0进行二值化处理；原始灰度图像I(x，y)小于T0的点I(x，y)的值取为0，I(x，y)大于T0的点I(x，y)的值取为1，组成二值矩阵I’(x，y)，得到的二值化图像I’(x，y)大小等于原图像I(x，y)；步骤4，瞳孔粗定位；通过步骤3得到原始灰度图像I(x，y)的二值化后的图像I’(x，y)，用式子 $P\left(x\right)=\underset{y}{\Sigma }{I}^{\prime }(x,y),$ $P\left(y\right)=\underset{x}{\Sigma }{I}^{\prime }(x,y)$将二值化后的图像进行水平方向上和垂直方向上的投影，得到二值化后的图像水平方向上和垂直方向上的投影值P(x)，P(y)；并且通过计算 $X_p=\arg \underset{x}{\min }P\left(x\right),$ $Y_p=\arg \underset{y}{\min }P\left(y\right),$得到瞳孔粗定位圆的圆心在直角坐标上的结果(x_p，y_p)，如说明书附图3(c)所示；从水平的投影值P(x)谷值点X_p向左搜索，得到点P1，满足在P1以后的点的投影值变化比较平缓(在5以内)，同理，从谷值点X_p向右搜索得到P2，满足在P2以后的点的投影值变化比较平缓(在5以内)；取P1、P2之间部分的范围为瞳孔的粗定位直径，并且可以得到瞳孔粗定位圆的半径r_p＝P2-P1；步骤5，瞳孔精定位方法：根据步骤4的瞳孔粗定位结果，圆心(x_p，y_p)、半径r_p，通过迭代运算求得瞳孔精确定位结果，圆心(x₀，y₀)、半径r，方法为： $\max (r,x_0,y_0)|\underset{m}{\Sigma }{I}^{\prime }(x_{m,k},y_{m,k})-\underset{m}{\Sigma }{I}^{\prime }(x_{m,k-1},y_{m,k-1})|,---\left(1\right)$其中X_m，k＝r×cos(m×Δθ)+x₀，x₀＝x_p+α，α＝-10～+10，y_m，k＝r×sin(m×Δθ)+y₀，y₀＝yp+β，β＝-10～+10，r＝r_p+k×Δr，k＝-10～+10，α、β、k为变量Δθ是圆周上的一个角度采样间隔，取Δθ＝1°，所以m＝0～360，Δr为在半径方向上的间隔，取Δr＝1；通过α、β、k的代入运算，求得当式子(1)得到最大值时的x₀、y₀、r的值，则瞳孔的精确定位结果：圆心为(x₀，y₀)、半径为r₀；步骤6，虹膜外缘粗定位方法：从步骤5得到的瞳孔精定位结果，由虹膜外缘半径范围的先验知识，取一个与瞳孔同心、半径值为比瞳孔半径值大20个像素的同心圆，求出这个圆和瞳孔圆之间的虹膜部分的灰度值平均值Avg：Avg＝位于这环形区域点的灰度值的和÷位于这环形区域之间的总点数；计算过程是：环形区域中的点的集合s：{(x，y)|瞳孔圆心²≤x²+y²≤(瞳孔圆心+20)²}原图像上的灰度值为I(x，y)，位于这环形区域点的灰度值的和为位于这环形区域之间的总点数为集合s的点的总数；令阈值T1＝Avg-15，阈值T2＝Avg+15，作为双阈值对原灰度图像I(x，y)进行如下处理：这样得到图像矩阵I”(x，y)是基本上只包含虹膜部分的图像，再对其进行中值滤波，得到图像矩阵I₂(x，y)；求I₂(x，y)在水平投影值 $P^{\prime }\left(x\right)=\underset{v}{\Sigma }{I}_2(x,y),$然后求 ${X_p}^{\prime }=\arg \underset{x}{\min }{P}^{\prime }\left(x\right),$从谷值点X_p′向左搜索，得到点P1’，满足在P1’以后的点的点间灰度值变化比较平缓(在5以内)；同理，从谷值点X_p′向右搜索得到P2’，满足在P2’以后的点的点间灰度值变化比较平缓(在5以内)；取P1’、P2’之间部分的范围为虹膜外缘的粗定位直径，并且可以得到虹膜外缘粗定位圆的半径R’＝P2’-P1’，虹膜外缘粗定位圆心设为与瞳孔精定位圆心一样，为(x₀，y₀；步骤7，虹膜外缘精定位方法：对步骤3二值化后的图像，进行基于Canny算子的边缘提取，得到关于边缘的二值图像，1为边缘，0为其他点；根据步骤6的虹膜外缘粗定位半径R’和圆心(x₀，y₀)，在R’±δ，x₀±α，y₀±β范围内和在图像的-45°～45°and 135°～225°范围内进行Hough变换，其中δ、α、β为待定常数，其取值与精度和运算量有关，它们的值越大精度越高、运算量越大，反之亦然；这样就可以得到虹膜外缘的精定位结果：半径为R，圆心为(x_i，y_i)；步骤8，对原图像进行归一化处理：由步骤5的瞳孔精定位结果(x₀，y₀，r₀)和步骤7的虹膜外缘精定位结果(x_i，y_i，R)，进行虹膜图像归一化处理；把原灰度图像的虹膜部分归一化为64×512的矩形图像I_nor(i，j)，1≤i≤64、1≤j≤512；步骤9，对步骤8得到的图像进行光照不均的校正，然后进行直方图均衡化，得到总体亮度均匀、纹理清晰的图像I_adj(i，j)，1≤i≤64、1≤j≤512；步骤10，虹膜编码：对步骤9所得到的图像进行特征点提取；先用4阶B-样条小波滤波器对步骤9所得到的图像I_adj(i，j)分别在水平方向和垂直方向进行卷积滤波；4阶B-样条小波滤波器：是一个小波滤波器，其参数如下：表1 4阶B-样条小波滤波器K是变量，ψ(K)是相应的小波函数值；卷积方法如下：temp_h(i，j)＝ψ(-i)*I_adj(i，j)……行方向上卷积，j固定temp_v(i，j)＝ψ(-j)*I_adj(i，j)……列方向上卷积，i固定分别得到行和列方向上的卷积滤波后的临时存储矩阵temp_h(i，j)，temp_v(i，j)，并且进行如下判决得到行和列方向上编码，行和列方向上的编码进行与操作得到虹膜编码：3.令code(i，j)＝code_h(i，j)And code_v(i，j)，这里的And为求两个数的与运算，以上i＝1～64，j＝1～512；这样二值化矩阵code(i，j)就是由虹膜特征点所组成的虹膜编码，大小为64×512；步骤11，编码匹配：由步骤9得到的矩阵code(i，j)可以代表原始图像的虹膜的编码，如果要把两个虹膜编码code1(i，j)和code2(i，j)进行匹配，可以使用下面的Hamming距离的式子，其表征的意义为两个虹膜编码之间的相似程度： $\mathrm{Ham}\min g\_\mathrm{Dis}\tan \mathrm{ce}=\underset{\phi }{\mathrm{Min}}\left\{\frac{1}{M\times N}\underset{i=0}{\overset{M}{\Sigma }}\underset{j=0}{\overset{N}{\Sigma }}\left(\mathrm{code}1(i+\phi ,j)\right)\mathrm{Xor}\left(\mathrm{code}2(i,j)\right)\right\}$for-10≤φ≤10如果HammingDistance小于某阈值T，则两个虹膜是相同虹膜；如果HammingDistance大于T，则两个虹膜是不相同虹膜；其中T的取值和样本的性质有关，可以在数据统计的时候决定最优的阈值T。