CN104751150A - 基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法 - Google Patents

Abstract

本发明涉及一种基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法，采用了奇对称2D Log-Gabor滤波器解决了2D Log-Gabor滤波器提取虹膜特征存在部分非有效特征点问题，通过对虹膜纹理的相位和幅度信息在不同频率和方向进行分析，运用特征融合技术消除冗余信息，从而形成特征编码，并利用Adaboost算法进行训练，组成最强分类器进行特征识别。

Description

基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法

技术领域

本发明涉及一种基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法，属于图像处理技术领域。

背景技术

虹膜的特征提取是虹膜识别的关键环节，它关系到能否正确识别虹膜，因此虹膜的特征提取是虹膜识别研究的重点和难点之一。虹膜主要是纹理特征，可以利用纹理分析的方法来提取特征，纹理分析的基本原理是图像中的某个局部纹理结构是与该局部邻域的灰度变化规律密切相关的，纹理特征的度量必然依赖于以这一邻域组成的子图像。纹理结构的频域分析侧重于结构的整体性质，需要采用较大的子图像，而空域分析侧重于纹理结构所具有的局部性质，需要采用较小的子图像。同时在纹理分割和识别中。如下问题：一是区域分割的精度及边界位置的确定；二是区域识别的准确度及类别正确率。上述两个要求是相互矛盾的，也就是说如果子图像较大，则区域识别的正确性可以提高，但分割的结果会留下相当于子图像大小的模糊区域；反之，如果子图像取得较小，则对识别所需要的纹理结构信息的抽取就不够充分，于是识别类型的正确率就会下降。在对虹膜图像进行特征提取并编码以后，就可以把它保存到虹膜数据库中，当要求登陆者进行身份验证时，首先通过虹膜采集装置获取登陆者的虹膜图像，然后进行虹膜编码，把该编码与数据库中的已知虹膜编码进行逐一对比，计算码字间的相似度，加以判决。

发明内容

本发明的目的在于：针对2D Log-Gabor滤波器提取虹膜特征存在部分非有效特征点等问题，采用了奇对称2D Log-Gabor滤波器解决了上述问题，首先对虹膜纹理的相位和幅度信息在不同频率和方向进行分析，运用特征融合技术消除冗余信息，从而形成特征编码，接着利用Adaboost算法进行训练，组成最强分类器进行特征识别。

本发明所采用的技术方案是：一种基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法：包括如下步骤：

步骤1、对虹膜图像的归一化，并通过公式下面公式将2D Log-Gabor滤波器分解为二维奇对称滤波器函数，它能够把产生于角度方向上的带宽转变为二维纹理方向上的带宽，不仅扩大了频宽而且合理增加了覆盖频谱，从而避免了由于周期性导致的最大带宽所产生的图像月牙状频域波形问题

$\begin{array}{c}{G}^o(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\\ \exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)\sin \left(2\mathrm{\π}{f}_0{u}_1\right)\end{array};$

步骤2、对归一化及增强后的虹膜纹理图像按滤波器大小划分为多区域的M＊N子块，并获取每一子块的频率及方向，由下式求得：

$C(i,j)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}I(i+x-\frac{N}{2},j+y-\frac{M}{2})G^o(u,v)$

其中Go(u，v)为奇对称2D Log-Gabor滤波器，(i，j)为子块中心坐标，N，M为子块大小；

步骤2、利用奇对称2D Log-Gabor滤波器分别提取m个频率尺度，每个尺度的n个方向上的变化最大的n/2个特征子块作为最有效特征值；

步骤3、提取子块的幅值及相位，在2D Log-Gabor提取出第(k，j)子块的特征信息基础上，通过下面两式提取对应子块的幅值信息M_kj和相位信息P_kj

$M_{\mathrm{kj}}(x,y)=\sqrt{F_{\mathrm{kj}}(x,y)\×\stackrel{\‾}{F_{\mathrm{kj}}(x,y)}}$

$P_{\mathrm{kj}}(x,y)=\arctan \left(\frac{\stackrel{\‾}{i{F}_{\mathrm{kj}}(x,y)}-F_{\mathrm{kj}}(x,y)}{\stackrel{\‾}{F_{\mathrm{kj}}(x,y)}+F_{\mathrm{kj}}(x,y)}\right);$

步骤4、通过特征融合后，求得有效虹膜特征编码，通过式上式求得的相位信息P_kj作为选取最有效特征值及下式选取在k尺度下的幅值最大方向序号s后，求得所有尺度和方向下的有效虹膜特征编码

$\begin{array}{c}s=\underset{j}{\arg \max }\left[M_{\mathrm{kj}}(x,y)\right]\\ \left\{\begin{array}{cc}(h_t,h_i)=\left(\mathrm{1,1}\right),& 0\≤P_{\mathrm{kj}}(x,y)\mathrm{\≤\π}/2\\ (h_t,h_i)=(0,1),& \mathrm{\π}/2\≤P_{\mathrm{kj}}(x,y)\≤\mathrm{\π}\\ (h_t,h_i)=\left(\mathrm{0,0}\right),& \mathrm{\π}\≤P_{\mathrm{kj}}(x,y)\≤3\mathrm{\π}/2\\ (h_t,h_i)=\left(\mathrm{1,0}\right),& 3\mathrm{\π}/2\≤P_{\mathrm{kj}}(x,y)\≤2\mathrm{\π}\end{array}\right.\end{array};$

步骤5、计算待匹配的两个虹膜整个图像的特征编码的Hamming距离，令m＝n2/2＊n1(n1为频率尺度，n2为方向)记为V_w＝[HD_w1，HD_w2，.....，HD_wm]，将其作为一组特征向量；

步骤6、计算待匹配的两个虹膜对应的M＊N个分块各自的Hamming距离，令L＝M＊N，得到m＊L个Hamming距离，记为V_p＝[HD_p1-1，.....，HD_p1-m，......，HD_pL-m]，作为另一组特征向量；

步骤7、将两组特征向量V_w和V_p合并，得到特征向量V＝[V_m，V_p]，利用adaboot算法进行训练，找到识别性最好的分类特征，组成更强的分类器，从而获得匹配的结果。

在本发明中：所述步骤7的训练步骤如下：

输入：训练集，其中i＝1，2，..，N，M是向量的维数；

初始化：权重＝1/N，i＝1，，，N；

操作：对于t＝1，2，，，T，T为迭代次数

(1)对有权重分布的训练集学习，得到一个弱分类器；

(2)选择最好的特征使得分类错误率最小，其中

${\mathrm{\ϵ}}_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t\left(x_i\right)\×[h_t\left(x_{\mathrm{im}}\right)\≠y_i],$

(5)m＝1，2，，，M，并且记＝min，如果0.5，令T＝t-1并跳出循环；

(6)计算弱分类器的权重：

α_t＝0.5×ln[(1-ε_t)/ε_t].

(5)更新样本权重

D_t+1(i)＝D_t(i)exp[-α_ty_th_t(x_t)]/Z_t

其中是归一化因子

输出： $H\left(x\right)=\mathrm{sgn}\left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\right).$

采用上述技术方案后，本发明的有益效果为：采用了奇对称2D Log-Gabor滤波器解决了2D Log-Gabor滤波器提取虹膜特征存在部分非有效特征点问题，通过对虹膜纹理的相位和幅度信息在不同频率和方向进行分析，运用特征融合技术消除冗余信息，从而形成特征编码，并利用Adaboost算法进行训练，组成最强分类器进行特征识别。

具体实施方式

2D Log-Gabor滤波器由两部分组成，即控制带宽的径向分量和控制方向选择的方向分量，为获得覆盖广和频宽合理的谱频，径向分量的设计需要考虑到带宽和中心频率的比例关系，方向分量是一个围绕中心的高斯函数，其函数表达式为：

$G(f,\mathrm{\θ})=\exp \left[\frac{-{\left[\ln (f/f_0)\right]}^2}{2{\left[\ln ({\mathrm{\σ}}_f/f_0)\right]}^2}\right]\×\exp \left[\frac{-{(\mathrm{\θ}-{\mathrm{\θ}}_0)}^2}{2{\mathrm{\σ}}_0^2}\right],$

2D Log-Gabor滤波器具有如下两个特性：一是带宽不受限制，非零直流分量不会产生；二是高频区域被显著拉伸，弥补了Gabor滤波器在高频区域表达不足的缺点；但是该滤波器在频域上的波形会变为月牙状，经过滤波器的时域处理之后的虹膜编码图，会出现栅格现象，这样就明显减少了类间匹配的海明距离编码量，降低了有效编码率。由此可见，单纯的2D Log-Gabor滤波器是无法保证虹膜特征提取的质量和效率等性能。而通过实验发现，采用奇对称2DLog-Gabor滤波器提取虹膜纹理特征比用偶对称滤波器提取虹膜纹理具有更很好的特征匹配效果，消除了2D Log-Gabor滤波器在虹膜特征提取时，因角度带宽过大产生特征图像栅格化而导致信息冗余的缺陷。

下面将结合实施例对本发明作进一步的说明。

一种基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法：包括如下步骤：

步骤1、对虹膜图像的归一化，并通过公式下面公式将2D Log-Gabor滤波器分解为二维奇对称滤波器函数，它能够把产生于角度方向上的带宽转变为二维纹理方向上的带宽，不仅扩大了频宽而且合理增加了覆盖频谱，从而避免了由于周期性导致的最大带宽所产生的图像月牙状频域波形问题

$\begin{array}{c}{G}^o(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\\ \exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)\sin \left(2\mathrm{\π}{f}_0{u}_1\right)\end{array};$

步骤2、对归一化及增强后的虹膜纹理图像按滤波器大小划分为多区域的M＊N子块，并获取每一子块的频率及方向，由下式求得：

$C(i,j)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}I(i+x-\frac{N}{2},j+y-\frac{M}{2})G^o(u,v)$

其中Go(u，v)为奇对称2D Log-Gabor滤波器，(i，j)为子块中心坐标，N，M为子块大小；

步骤2、利用奇对称2D Log-Gabor滤波器分别提取m个频率尺度，每个尺度的n个方向上的变化最大的n/2个特征子块作为最有效特征值；

步骤3、提取子块的幅值及相位，在2D Log-Gabor提取出第(k，j)子块的特征信息基础上，通过下面两式提取对应子块的幅值信息M_kj和相位信息P_kj

$M_{\mathrm{kj}}(x,y)=\sqrt{F_{\mathrm{kj}}(x,y)\×\stackrel{\‾}{F_{\mathrm{kj}}(x,y)}}$

$P_{\mathrm{kj}}(x,y)=\arctan \left(\frac{\stackrel{\‾}{i{F}_{\mathrm{kj}}(x,y)}-F_{\mathrm{kj}}(x,y)}{\stackrel{\‾}{F_{\mathrm{kj}}(x,y)}+F_{\mathrm{kj}}(x,y)}\right);$

步骤4、通过特征融合后，求得有效虹膜特征编码，通过式上式求得的相位信息P_kj作为选取最有效特征值及下式选取在k尺度下的幅值最大方向序号s后，求得所有尺度和方向下的有效虹膜特征编码

$\begin{array}{c}s=\underset{j}{\arg \max }\left[M_{\mathrm{kj}}(x,y)\right]\\ \left\{\begin{array}{cc}(h_t,h_i)=\left(\mathrm{1,1}\right),& 0\≤P_{\mathrm{kj}}(x,y)\mathrm{\≤\π}/2\\ (h_t,h_i)=(0,1),& \mathrm{\π}/2\≤P_{\mathrm{kj}}(x,y)\≤\mathrm{\π}\\ (h_t,h_i)=\left(\mathrm{0,0}\right),& \mathrm{\π}\≤P_{\mathrm{kj}}(x,y)\≤3\mathrm{\π}/2\\ (h_t,h_i)=\left(\mathrm{1,0}\right),& 3\mathrm{\π}/2\≤P_{\mathrm{kj}}(x,y)\≤2\mathrm{\π}\end{array}\right.\end{array};$

步骤5、计算待匹配的两个虹膜整个图像的特征编码的Hamming距离，令m＝n2/2＊n1(n1为频率尺度，n2为方向)记为V_w＝[HD_w1，HD_w2，.....，HD_wm]，将其作为一组特征向量；

步骤6、计算待匹配的两个虹膜对应的M＊N个分块各自的Hamming距离，令L＝M＊N，得到m＊L个Hamming距离，记为V_p＝[HD_p1-1，.....，HD_p1-m，......，HD_pL-m]，作为另一组特征向量；

步骤7、将两组特征向量V_w和V_p合并，得到特征向量V＝[V_m，V_p]，利用adaboot算法进行训练，找到识别性最好的分类特征，组成更强的分类器，从而获得匹配的结果，其训练步骤如下：

输入：训练集，其中i＝1，2，..，N，M是向量的维数；

初始化：权重＝1/N，i＝1，，，N；

操作：对于t＝1，2，，，T，T为迭代次数

(1)对有权重分布的训练集学习，得到一个弱分类器；

(2)选择最好的特征使得分类错误率最小，其中

${\mathrm{\ϵ}}_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t\left(x_i\right)\×[h_t\left(x_{\mathrm{im}}\right)\≠y_i],$

(7)m＝1，2，，，M，并且记＝min，如果0.5，令T＝t-1并跳出循环；

(8)计算弱分类器的权重：

α_t＝0.5×ln[(1-ε_t)[ε_t].

(5)更新样本权重

D_t+1(i)＝D_t(i)exp[-α_ty_th_t(x_t)]/Z_t

其中是归一化因子

输出： $H\left(x\right)=\mathrm{sgn}\left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left(x\right)\right).$

以上对本发明的具体实施方式进行了描述，但本发明并不限于以上描述。对于本领域的技术人员而言，任何对本技术方案的同等修改和替代都是在本发明的范围之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围。

Claims (2)

1.一种基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法，其特征在于：包括如下步骤：

步骤1、对虹膜图像的归一化，并通过公式下面公式将2D Log-Gabor滤波器分解为二维奇对称滤波器函数，它能够把产生于角度方向上的带宽转变为二维纹理方向上的带宽，不仅扩大了频宽而且合理增加了覆盖频谱，从而避免了由于周期性导致的最大带宽所产生的图像月牙状频域波形问题

步骤2、对归一化及增强后的虹膜纹理图像按滤波器大小划分为多区域的M＊N子块，并获取每一子块的频率及方向，由下式求得：

其中Go(u，v)为奇对称2D Log-Gabor滤波器，(i，j)为子块中心坐标，N，M为子块大小；

步骤3利用奇对称2D Log-Gabor滤波器分别提取m个频率尺度，每个尺度的n个方向上的变化最大的n/2个特征子块作为最有效特征值；

步骤4提取子块的幅值及相位，在2D Log-Gabor提取出第(k，j)子块的特征信息基础上，通过下面两式提取对应子块的幅值信息M_kj和相位信息P_kj

步骤5通过特征融合后，求得有效虹膜特征编码，通过式上式求得的相位 信息P_kj作为选取最有效特征值及下式选取在k尺度下的幅值最大方向序号s后，求得所有尺度和方向下的有效虹膜特征编码

步骤6计算待匹配的两个虹膜整个图像的特征编码的Hamming距离，令m＝n2/2＊n1(n1为频率尺度，n2为方向)记为V_w＝[HD_w1，HD_w2，.....，HD_wm]，将其作为一组特征向量；

步骤7计算待匹配的两个虹膜对应的M＊N个分块各自的Hamming距离，令L＝M＊N，得到m＊L个Hamming距离，记为V_p＝[HD_p1-1，.....，HD_p1-m，......，HD_pL-m]，作为另一组特征向量；

步骤8将两组特征向量V_w和V_p合并，得到特征向量V＝[V_m，V_p]，利用adaboot算法进行训练，找到识别性最好的分类特征，组成更强的分类器，从而获得匹配的结果。

2.根据权利要求1中所述的基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法，其特征在于：所述步骤7的训练步骤如下：

输入：训练集，其中i＝1，2，..，N，M是向量的维数；

初始化：权重＝1/N，i＝1，，，N；

操作：对于t＝1，2，，，T，T为迭代次数

(1)对有权重分布的训练集学习，得到一个弱分类器；

(2)选择最好的特征使得分类错误率最小，其中

(3)m＝1，2，，，M，并且记＝min，如果0.5，令T＝t-1并跳出循环；

(4)计算弱分类器的权重：

α_t＝0.5xln[(1-ε_t)/ε_t].

(5)更新样本权重

D_t+1(i)＝D_t(i)exp[-α_ty_th_t(x_t)]/Z_t

其中是归一化因子

(6)输出：