CN106778631A - 一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法 - Google Patents

Abstract

本发明公开了一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，此分类器的设计包括改进的伪造虹膜数据库的设计、基于MSE分析的虹膜图像评估、基于SNR分析的虹膜图像评估、边缘检测、基于改进的边缘锐度分析的虹膜图像评估流程。在虹膜识别领域创新性的采用了双边滤波、MSE分析以及SNR分析相结合的虹膜图像评估体系针对无关类别虹膜攻击、散焦虹膜图像、运动模糊虹膜图像、美瞳虹膜图像的灰度特征及噪声分布特征实现对其高效且稳定的滤除。进一步针对仿真度较高的合成虹膜的边缘锐度特征创新性的设计基于改进的边缘锐度分析的虹膜图像评估体系。最终实现虹膜识别预处理过程中伪造虹膜快速、稳定的滤除。

Description

一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分 类器设计方法

技术领域

本发明涉及计算机图像领域，具体涉及基于中科院自动化所CAISA虹膜数据库和C++图像处理函数、图像中指定灰度提取、降噪以及处理结果的可视化显示。

背景技术

随着网络和信息化技术的飞速发展，信息安全问题日益凸显。软硬件技术的提升使计算机及智能电子设备得以普及和使用，加速了网络技术对社会生活各个方面的渗透。通过网络技术非法获取用户的个人信息的事情时有发生，防不胜防，这使得人们更多的关注个人信息安全。传统的身份验证手段依据密码口令、证件信息，但是，由于其易于丢失、窃取、遗忘、伪造的缺陷，弊端凸显，也愈来愈满足不了当今信息化社会的安全需求，跟不上人们安全观念的提升。这就需要更加可靠的身份识别手段提高信息安全级别，增加身份识别的难度。而虹膜特征以其唯一性、稳定性、可采集性、非侵犯性、防规避性等特性，使得虹膜特征识别技术成为当前身份认证技术领域的热点。随着虹膜识别的推广，大量的异质虹膜(伪造虹膜和低质虹膜)也不断充斥着市场，对虹膜识别***的识别性能和分类性能提出了更高的要求。

目前主要的伪造虹膜攻击及其典型特征：

(1)无关类别虹膜攻击：非虹膜图像检测；

(2)打印虹膜攻击：高清彩色打印虹膜图像检测；

(3)彩色隐形眼镜：美瞳；

(4)合成虹膜：取本人真实虹膜图像的有效虹膜区域与另外其他人虹膜进行合成。

目前主要的低质虹膜的典型特征：

(1)过度噪声遮挡；

(2)光线明暗不稳导致的散焦模糊；

(3)运动引起的运动模糊。

目前市场上的伪造虹膜和低质虹膜鱼目混珠的现象愈演愈烈，使得异质虹膜分类器技术受到学术界与企业界的关注。本文基于目前市场上主流的伪造虹膜攻击及低质虹膜攻击，从图像质量评估角度，摆脱了传统异质虹膜分类器依赖虹膜纹理特征进行分类的特性，设计了一种在虹膜识别***实现定位之前即可滤除绝大多数异质虹膜的快速分类器。

发明内容

本发明的目的是针对传统的基于虹膜纹理特征的异质虹膜分类器需要在特征提取环节才能进行异质虹膜的滤除操作导致整个虹膜预处理、定位与分割及归一化操作环节几乎作废，因而浪费了大量的计算资源同时也降低虹膜识别***的整体执行效率的问题。设计了基于MSE分析的虹膜图像评估、基于SNR分析的虹膜图像评估和基于改进的边缘锐度分析的虹膜图像评估三种评估方式为核心的异质虹膜分类器。该分类器分析了目前市场上主流的伪造虹膜攻击方式以及低质虹膜的攻击方式，有针对性的采用了上述的评估方式，可以在虹膜预处理环节过滤掉绝大多数的伪造及低质虹膜攻击，节约了计算机的计算资源，有效提升了效率。实验结果表明，在相同硬件环境、相同的综合虹膜样本集合中传统的虹膜分类器平均耗时875.33毫秒，而本文设计的异质虹膜分类器平均耗时433.79毫秒；传统分类器异质虹膜接收率为7％，而本文的分类器异质虹膜接收率为2％。因此，相比传统的基于虹膜纹理特征分类器，本文设计的分类器过滤效果更加全面。

本发明采用的技术方案如下：一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计，包括基于SNR分析的虹膜图像评估、基于MSE分析的虹膜图像评估和基于改进的边缘锐度分析的虹膜图像评估流程；具体的步骤如下：

步骤1：SNR分析的虹膜图像评估；

引入虹膜样本图像，生成虹膜图像灰度直方图，提取标准虹膜样本和伪造虹膜样本的图像像素灰度值，分别对其进行高斯平滑，再次计算标准虹膜样本和伪造虹膜样本的图像像素灰度值，带入SNR公式计算图像信噪比值。

步骤2：基于MSE分析的虹膜图像评估；

引入通过基于SNR分析的图像评估的虹膜样本图像，获取SNR图像评估获取的标准虹膜样本图像和伪造虹膜样本图像的像素灰度值，带入MSE均方误差计算公式，通过原始图像的灰度信息，计算出伪造虹膜图像相对于原始图像的失真程度。

步骤3：基于改进的边缘锐度分析的虹膜图像评估；

引入通过基于MSE分析的图像评估的虹膜样本图像，分析统计出图像某一边缘法向方向的灰度变化情况对图像进行评价。首先利用Sobel边缘检测算子提取出边缘，提取出边缘两侧像素灰度值，求出边缘法向的灰度变化率；提取边缘两侧总体像素灰度，求出该方向上的总体灰度变化，带入改进的边缘锐度分析公式计算出点锐度。

进一步，所述步骤1中，生成引入的虹膜样本图像的灰度直方图，提取标准虹膜样本和伪造虹膜样本的图像像素灰度值分别记为α(i,j)和β(i,j)；对标准虹膜样本和伪造虹膜样本分别进行高斯平滑降噪，再提取标准虹膜样本和伪造虹膜样本的图像像素灰度值分别记为α′(i,j)和β′(i，j)，带入图像信噪比的计算公式。如式(1)、式(2)所示。

式(1)、式(2)中的M和N分别代表图像长度和宽度上的像素个数。求出的信噪比值为SNR1和SNR2，图像信噪比值越大，图像质量越高。而打印虹膜和无关类别虹膜经过人为处理，噪声相对标准虹膜图像较多，基于SNR分析可以有效的实现滤除。

进一步，所述步骤2的具体过程为：引入通过基于SNR分析的图像评估的虹膜样本图像，获取SNR图像评估获取的标准虹膜样本图像和伪造虹膜样本图像的像素灰度值α(i,j)和β(i,j)，带入MSE均方误差计算公式如式(3)所示。

式(3)中的M和N分别代表图像长度和宽度上的像素个数。根据标准虹膜样本图像与伪造虹膜样本图像的灰度值，计算出MSE均方误差值，该值反映出伪造虹膜图像相对于原始图像的失真程度，图像失真越大(灰度变化较大)均方误差值越高，超过一定的误差范围即可认定为伪造虹膜。该方法有效的针对彩色隐形眼镜、散焦模糊、运动模糊等灰度变化较大的异质虹膜过滤效果很好，而且该方法相对于传统的纹理特征分析计算简单，执行效率高。

进一步，所选步骤(3)的具体过程为：引入通过基于MSE分析的图像评估的虹膜样本图像，分析统计出图像某一边缘法向方向的灰度变化情况对图像进行评价。首先利用Sobel边缘检测算子提取出边缘，提取出边缘两侧像素灰度值，求出边缘法向的灰度变化率记为d_f/d_x；提取边缘两侧总体像素灰度，求出该方向上的总体灰度变化记为f(b)-f(a)。

由于传统的锐度分析算法只对特定边缘区域统计，不能代表整个图像的锐度，此外，进行边缘锐度计算前需要人为确定边缘，不方便实现***的自动化。本发明在传统的锐度分析算法的基础上做出改进：

1)使用逐个像素邻域梯度计算代替了传统算法中边缘梯度计算，便于图像的整体评估。

2)对方格像素8个邻域灰度变化进行距离加权，0°与90°相邻的像素权值为1，45°和90°相邻的像素权值为

将上述提取的参数带入改进的边缘锐度分析公式计算出点锐度，公式如式(4)所示。

式(4)可以描述为：逐个对图像中的每点取8邻域点与之相减，先求8个差值的加权和(权的大小取决于距离,距离远，则权小，如45°和135°方向的差值需乘以1/2)，再将所有点所得值相加除以像素总个数。

本发明的有益效果是：

(1)对比目前市场上主流的伪造虹膜和低质虹膜样本图像与标准虹膜样本图像，分析出几种主流的伪造、低质虹膜的特征，并在此基础上有针对性的采用基于SNR分析、基于MSE分析、基于边缘锐度分析的虹膜图像评估方式，按照阶梯式的过滤结构，实现异质虹膜的滤除。

(2)针对传统的基于虹膜纹理特征的异质虹膜分类器需要在特征提取环节才能进行异质虹膜的滤除操作导致整个虹膜预处理、定位与分割及归一化操作环节几乎作废，浪费大量的计算资源的问题，设计基于SNR、MSE、边缘锐度分析的图像评估方法为核心的分类器，成功在虹膜预处理环节将异质虹膜的滤除，有效提升了执行的效率。

(3)针对传统的异质虹膜分类器针对虹膜纹理特征进行分类导致过滤异质虹膜种类有限，无法对合成红膜进行有效滤出的问题做出改进。针对合成虹膜边缘锐度变化的特征，将锐度分析引入到异质虹膜图像评估中，提出基于改进边缘锐度分析的虹膜图像评估方法。

(4)针对传统的点锐度算法只对特定边缘区域统计，不能代表整个图像的锐度，且进行边缘锐度计算前需要人为确定边缘，不方便实现***的自动化的问题进行改进。

1)使用逐个像素邻域梯度计算代替了传统算法中边缘梯度计算，便于图像的整体评估。

2)对方格像素8个邻域灰度变化进行距离加权，0°与90°相邻的像素权值为1,45°和90°相邻的像素权值为

(5)采用如4所述的基于改进锐度分析的图像评估方法结合Sobel边缘检测算子检测边缘，可以相互取长补短，Sobel算子简单快速，效率极高但未能将图像主体与背景严格分开(非常适用于采集方式严格，背景相对简单的虹膜图像)，由于本文所述分类器采用如1所述的阶梯式分类结构，SNR与MSE分析图像评估会将明显低质的虹膜去除，保证Sobel算子处理的虹膜样本图像相对稳定，一定程度上也保证了Sobel边缘检测的效果。因此Sobel算子结合基于改进锐度分析的图像评估方法能够稳定、快速地对合成虹膜进行滤除。

(6)为了能够进一步适应现代计算机硬件多核化发展，实现编码的体现多核并行运算的设计思想，改变CPU性能过剩的特征。从硬件角度配合算法优化，实现了虹膜分类器执行效率的进一步改进。

附图说明

图1是本发明的方法实现原理流程图。

图2为本发明的标准虹膜与异质虹膜高斯平滑处理图。

其中，(a)表示标准虹膜图像，(b)表示标准虹膜图像高斯平滑处理图，(c)表示合成虹膜图像，(d)表示合成虹膜高斯平滑处理图。

图3为本发明的标准虹膜与异质虹膜Sobel边缘检测图。

其中，(a)表示，标准虹膜图像，(b)表示，标准虹膜图像Sobel边缘检测图，(c)表示，异质虹膜图像，(d)表示，异质虹膜图像Sobel边缘检测图。

图4为本发明的标准虹膜与异质虹膜SNR分析图。

图5为本发明的标准虹膜与异质虹膜MSE分析图。

图6为本发明的标准虹膜与异质虹膜点锐度分析图。

图7为本发明的异质虹膜分类器整体设计模型图。

具体实施方式

以下结合附图对发明的实施做进一步说明。

如图1所示，本发明的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计，包括以下步骤实现：

步骤1：SNR分析的虹膜图像评估；

引入虹膜样本图像，生成虹膜图像灰度直方图，提取标准虹膜样本和伪造虹膜样本的图像像素灰度值，分别对其进行高斯平滑，再次计算标准虹膜样本和伪造虹膜样本的图像像素灰度值，带入SNR公式计算图像信噪比值。

步骤2：基于均方误差分析MSE的虹膜图像评估；

引入通过基于SNR分析的图像评估的虹膜样本图像，获取SNR图像评估获取的标准虹膜样本图像和伪造虹膜样本图像的像素灰度值，带入MSE均方误差计算公式，通过原始图像的灰度信息，计算出伪造虹膜图像相对于原始图像的失真程度。

步骤3：基于改进的边缘锐度分析的虹膜图像评估；

引入通过基于MSE分析的图像评估的虹膜样本图像，分析统计出图像某一边缘法向方向的灰度变化情况对图像进行评价。首先利用Sobel边缘检测算子提取出边缘，提取出边缘两侧像素灰度值，求出边缘法向的灰度变化率；提取边缘两侧总体像素灰度，求出该方向上的总体灰度变化，带入改进的边缘锐度分析公式计算出点锐度。

所述步骤1的具体过程为：生成引入的虹膜样本图像的灰度直方图，提取标准虹膜样本和伪造虹膜样本的图像像素灰度值分别记为α(i,j)和β(i,j)；对标准虹膜样本和伪造虹膜样本分别进行高斯平滑降噪，如图2所示，再提取标准虹膜样本和伪造虹膜样本的图像像素灰度值分别记为α′(i,j)和β′(i,j)，带入图像信噪比的计算公式如式(1)、式(2)所示。

式(1)、式(2)中的M和N分别代表图像长度和宽度上的像素个数。求出的信噪比值为SNR1和SNR2，如图4所示，图像信噪比值越大，图像质量越高。而打印虹膜和无关类别虹膜经过人为处理，噪声相对标准虹膜图像较多，基于SNR分析可以有效的实现滤除。

所述步骤2的具体过程为：引入通过基于SNR分析的图像评估的虹膜样本图像，获取SNR图像评估获取的标准虹膜样本图像和伪造虹膜样本图像的像素灰度值α(i,j)和β(i,j)，带入MSE均方误差计算公式如式(3)所示。

式(3)中的M和N分别代表图像长度和宽度上的像素个数。根据标准虹膜样本图像与伪造虹膜样本图像的灰度值，计算出MSE均方误差值，该值反映出出伪造虹膜图像相对于原始图像的失真程度，图像失真越大(灰度变化较大)均方误差值越高，如图5所示，超过一定的误差范围即可认定为伪造虹膜。该方法有效的针对彩色隐形眼镜、散焦模糊、运动模糊等灰度变化较大的异质虹膜过滤效果很好，而且该方法相对于传统的纹理特征分析计算简单，执行效率高。本发明采用中科院的虹膜CASIA V1.0版本的虹膜图像样本，阈值设定为83，针对不同的虹膜图像数据库，此阈值的划分也是有区别。

所选步骤3的具体过程为：引入通过基于MSE分析的图像评估的虹膜样本图像，分析统计出图像某一边缘法向方向的灰度变化情况对图像进行评价。首先利用Sobel边缘检测算子提取出边缘，提取出边缘两侧像素灰度值，求出边缘法向的灰度变化率记为d_f/d_x；提取边缘两侧总体像素灰度，求出该方向上的总体灰度变化记为f(b)-f(a)。

Sobel边缘测算子提取边缘过程如下：

滑动图像窗口与Sobel边缘检测算子模板卷积，求得当前窗口中心像素的梯度值。不断滑动卷积窗口求得完整虹膜样本图像像素点的梯度值。生成原图的梯度图像，可以有效的凸显出图像的边缘部分。该发明中Sobel算子卷积模板表示为：

其中S_x表示为水平方向的卷积模板，S_y表示为垂直方向的卷积模板，K[i,j]表示为滤波窗口，a_i表示像素点，i＝1、2、3…。图像像素点梯度值计算公式如式(7)：

其中G_x[i,j]代表水平方向梯度，G_y[i,j]表示垂直方向梯度，G[i,j]表示总的梯度。*代表卷积，h、v分别代表水平、垂直方向梯度权值，取值0或1。该发明中内边缘检测参数(h＝1，v＝1)效果如图5所示，外边缘检测参数(h＝0,v＝1)效果如图3所示。

由于传统的锐度分析算法只对特定边缘区域统计，不能代表整个图像的锐度，此外，进行边缘锐度计算前需要人为确定边缘，不方便实现***的自动化。本发明在传统的锐度分析算法的基础上做出改进：

a)使用逐个像素邻域梯度计算代替了传统算法中边缘梯度计算，便于图像的整体评估；

b)对方格像素8个邻域灰度变化进行距离加权，0°与90°相邻的像素权值为1,45°和90°相邻的像素权值为

按照如上a)、b)的方法改进传统的锐度分析算法便于图像的整体评估，算法的自动化实现；同时对邻域像素的灰度加权，更好的表现出图像特征。

将上述a)、b)中提取的参数带入改进的边缘锐度分析公式计算出点锐度，公式如式(8)所示。

式(8)可以描述为：逐个对图像中的每点取8邻域点与之相减，先求8个差值的加权和(权的大小取决于距离，距离远，则权小，如45°和135°方向的差值需乘以)，再将所有点所得值相加除以像素总个数，类似于对图像点扩展函数能量分布情况的统计。合成虹膜由于需要你对虹膜区域分割，因此往往边缘锐度受损，因此可以通过对比标准虹膜图像与异质虹膜图像的边缘点锐度，区分标准虹膜与异质虹膜，结果如图6所示。

最后发明的异质虹膜分类器整体设计模型图如图7所示。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，包括如下步骤：

步骤1：SNR分析的虹膜图像评估；

引入虹膜样本图像，生成虹膜图像灰度直方图，提取标准虹膜样本和伪造虹膜样本的图像像素灰度值，分别对其进行高斯平滑，再次计算标准虹膜样本和伪造虹膜样本的图像像素灰度值，带入SNR公式计算图像信噪比SNR的值；

步骤2：基于MSE分析的虹膜图像评估；

引入通过基于SNR分析的图像评估的虹膜样本图像，获取SNR图像评估获取的标准虹膜样本图像和伪造虹膜样本图像的像素灰度值，带入MSE均方误差计算公式，通过原始图像的灰度信息，计算出伪造虹膜图像相对于原始图像的失真程度；

步骤3：基于改进的边缘锐度分析的虹膜图像评估；

引入通过基于MSE分析的图像评估的虹膜样本图像，分析统计出图像某一边缘法向方向的灰度变化情况对图像进行评价；首先利用Sobel边缘检测算子提取出边缘，提取出边缘两侧像素灰度值，求出边缘法向的灰度变化率；提取边缘两侧总体像素灰度，求出该方向上的总体灰度变化，带入改进的边缘锐度分析算法公式计算出点锐度。

2.根据权利要求1所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述步骤1的实现包括：生成引入的虹膜样本图像的灰度直方图，提取标准虹膜样本和伪造虹膜样本的图像像素灰度值分别记为α(i，j)和β(i,j)；对标准虹膜样本和伪造虹膜样本分别进行高斯平滑降噪，再提取标准虹膜样本和伪造虹膜样本的图像像素灰度值分别记为α′(i,j)和β′(i,j)，带入图像信噪比的计算公式：

$SNR1=10{\log }_{10}\[\frac{{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N\mathrm{\α}{(i,j)}^2}{{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N\[\mathrm{\α}(i,j)-{\mathrm{\α}}^{\′}{(i,j)}^2\]}\]$

$SNR2=10{\log }_{10}\[\frac{{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N\mathrm{\β}{(i,j)}^2}{{\mathrm{\Σ}}_{i=1}^M{\mathrm{\Σ}}_{j=1}^N\[\mathrm{\β}(i,j)-{\mathrm{\β}}^{\′}{(i,j)}^2\]}\]$

式中的M和N分别代表图像长度和宽度上的像素个数；

求出的信噪比值为SNR1和SNR2，图像信噪比值越大，图像质量越高。

3.根据权利要求1所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述步骤2的具体过程为：

引入通过基于SNR分析的图像评估的虹膜样本图像，获取SNR图像评估获取的标准虹膜样本图像和伪造虹膜样本图像的像素灰度值α(i，j)和β(i,j)，带入MSE均方误差计算公式：

$MSE=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{0\&le;i<N}{\mathrm{\&Sigma;}}_{0\&le;j<M}{\left(\mathrm{\&alpha;}\right(i,j)-\mathrm{\&beta;}(i,j\left)\right)}^2$

式中的M和N分别代表图像长度和宽度上的像素个数；

根据标准虹膜样本图像与伪造虹膜样本图像的灰度值，计算出MSE均方误差值，该值反映出伪造虹膜图像相对于原始图像的失真程度，图像失真越大，即灰度变化较大，均方误差值越高，超过误差范围即可认定为伪造虹膜。

4.根据权利要求1所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所选步骤(3)的具体过程为：

引入通过基于MSE分析的图像评估的虹膜样本图像，分析统计出图像某一边缘法向方向的灰度变化情况对图像进行评价；首先利用Sobel边缘检测算子提取出边缘，提取出边缘两侧像素灰度值，求出边缘法向的灰度变化率记为d_f/d_x；提取边缘两侧总体像素灰度，求出该方向上的总体灰度变化记为f(b)-f(a)；

所述Sobel边缘测算子提取边缘的具体过程如下：

滑动图像窗口与Sobel边缘检测算子模板卷积，求得当前窗口中心像素的梯度值；不断滑动卷积窗口求得完整虹膜样本图像像素点的梯度值，生成原图的梯度图像，有效凸显出图像的边缘部分；

所述锐度分析算法采用：a)使用逐个像素邻域梯度计算代替了传统算法中边缘梯度计算，便于图像的整体评估；b)对方格像素8个邻域灰度变化进行距离加权，0°与90°相邻的像素权值为1,45°和90°相邻的像素权值为c)将上述提取的参数带入改进的边缘锐度分析公式计算出点锐度。

5.根据权利要求4所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述Sobel算子卷积模板表示为：

$S_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$

$S_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$

$K\&lsqb;i,j\&rsqb;=\left[\begin{array}{ccc}{a}_0& a_1& a_2\\ a_3& \&lsqb;i,j\&rsqb;& a_5\\ a_6& a_7& a_8\end{array}\right]$

其中S_x表示为水平方向的卷积模板，S_y表示为垂直方向的卷积模板，K[i,j]表示为滤波窗口，a_i表示像素点。

6.根据权利要求4所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述点锐度的计算表达式为：

$P=\frac{{\mathrm{\&Sigma;}}_{i=1}^{M\&times;N}{\mathrm{\&Sigma;}}_{a=1}^8|d_f/d_x|}{M\&times;N}.$

7.根据权利要求4所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述图像像素点梯度值计算表达式为：

$\left\{\begin{array}{c}{G}_x\&lsqb;i,j\&rsqb;=S_x*K\&lsqb;i,j\&rsqb;\\ G_y\&lsqb;i,j\&rsqb;=S_y*K\&lsqb;i,j\&rsqb;\\ G\&lsqb;i,j\&rsqb;=\sqrt{h\&CenterDot;G_x^2+v\&CenterDot;G_y^2}\end{array}\right.$

其中G_x[i,j]代表水平方向梯度，G_y[i,j]表示垂直方向梯度，G[i,j]表示总的梯度。*代表卷积，h、v分别代表水平、垂直方向梯度权值。

8.根据权利要求4所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述h、所述v的取值为0或1。

9.根据权利要求3所述的一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法，其特征在于，所述误差范围设为83。