CN109389094A - 一种稳定的虹膜特征提取与匹配方法 - Google Patents

Abstract

本发明公开了一种稳定的虹膜特征提取与匹配方法，包括：自定义主特征保持与交变相位检测算子，构建虹膜特征提取卷积核，虹膜注册，利用虹膜特征提取卷积核提取特征，并利用序列图像特征相似度训练强分类器，生产增强型虹膜特征模板，虹膜识别，利用虹膜特征提取卷积核提取特征，并利用多样本加权特征空间投影和投票融合特征，生成稳定的样本特征，增加新的虹膜模式特征模板，根据风险预测自适应更新分类阈值，根据更新后的分类阈值，对虹膜特征模板和样本特征进行匹配和分类判别。本发明中稳定的虹膜特征提取与匹配方法，有利于提高虹膜识别***的准确率和鲁棒性。

Description

一种稳定的虹膜特征提取与匹配方法

技术领域

本发明涉及一种虹膜模式分类方法，具体为一种稳定的虹膜特征提取与匹配方法。

背景技术

虹膜识别以其准确性、稳定性、安全性和非接触性等显著优势已成为生物识别领域的重点研究方向和发展趋势。但是由于虹膜尺寸很小，并且易受到光斑、眼皮、睫毛等噪声干扰，而且在远距离识别场景中，由于用户形态各异，虹膜图像易产生变形，因此如何获取到一定数量的、稳定有效的虹膜特征并进行准确分类，是虹膜识别的关键和难点。目前典型的虹膜特征提取和匹配方法存在以下缺点：

1.没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别的准确率；

2.没有充分利用虹膜注册模板和识别样本之间的相关性，稳定的虹膜特征没有得到增强，不稳定的虹膜特征没有得到抑制，难以提升虹膜识别的准确率；

3.选取固定的阈值进行特征匹配，进一步加剧了不稳定特征造成的影响，使正确分类的置信度降低，不利于虹膜识别准确率和鲁棒性的提升。

因而，需要提供一种稳定的虹膜特征提取与匹配方法，在虹膜注册端，通过特征增强形成增强型特征模板，在虹膜识别端，通过特征融合提取稳定的特征样本，并根据风险预测自适应地确定分类阈值，然后进行特征匹配与虹膜分类，从而有效提高虹膜识别的准确率和鲁棒性。

发明内容

本发明的目的在于提供一种稳定的虹膜特征提取与匹配方法，解决不稳定特征和固定阈值严重影响虹膜识别准确率的问题，从而有效增强虹膜识别的准确率和鲁棒性。

为达到上述目的，本发明采用下述技术方案：

一种稳定的虹膜特征提取与匹配方法，其特征在于，所述方法包括：

步骤S1：自定义主特征保持与交变相位检测算子，构建虹膜特征提取卷积核。

步骤S11：自适应地计算检测虹膜边缘特性，并抑制其平滑特性；

步骤S12：根据虹膜边缘特性，检测虹膜角度方向边缘的相位变化，生成稳定的虹膜特征；

步骤S2：虹膜注册，利用虹膜特征提取卷积核提取特征，并利用序列图像特征相似度训练强分类器，生产增强型虹膜特征模板。

步骤S21：利用虹膜图像计算得出移位比对能抗虹膜旋转干扰，逐幅迭代特征图，构建强特征分类器；

步骤S22：利用迭代特征图形成特征掩模图，生成的增强型虹膜特征模板；

步骤S3：虹膜识别，利用虹膜特征提取卷积核提取特征，并利用多样本加权特征空间投影和投票融合特征，生成稳定的样本特征。

步骤S31：利用基准样本特征图计算得出加权特征空间；

步骤S32：根据加权特征空间投票选取稳定的特征点，生成的稳定的虹膜样本特征图；

步骤S4：增加新的虹膜模式特征模板，根据风险预测自适应更新分类阈值。

步骤S41：在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，得出初始分类阈值；

步骤S42：根据新注册的虹膜模式类，自适应地更新分类阈值；

步骤S5：根据更新后的分类阈值，对虹膜特征模板和样本特征进行匹配和分类判别。

优选地，通过自定义虹膜主特征保持算子Fm，检测虹膜主要的边缘特性，并抑制其平滑特性，

设归一化虹膜图像为I(x,y)，x∈[1,2,…,w]，y∈[1,2,…,h]，w、h分别为图像的宽和高，虹膜边缘特性图像为I_m(x,y)，

其中，其中，x∈[1,2,…,w]，y∈[1,2,…,h]；通过自定义虹膜交变相位检测算子Fp，检测虹膜角度方向边缘的相位变化，提取稳定的虹膜特征，

F_p＝[-1 -1 -1 2 2 2 -1 -1 -1]。

进一步优选地，虹膜特征图像为I_F(x,y)，

其中，x∈[1,2,…,w]，y∈[1,2,…,h]；设虹膜特征卷积核为C_F，

C_F＝f(F_m,F_p)

有

优选地，虹膜注册时，采集n＝5幅符合质量要求的归一化虹膜图像I_i，i＝0,1,…,n-1，按照小波高频系数谱加权能量和由高到低排序I_i，

E_i＝α|W_h|²+β|W_v|²+λ|W_d|²,

其中，WT表示小波变换，优选地，采用二维离散(5,3)小波基进行一阶小波分解；W_a、W_h、W_v和W_d分别为小波低频、水平高频、垂直高频和对角线高频系数谱，E_i为加权能量和，α、β、λ为加权系数，优选地，取α＝0.4，β＝0.4，λ＝0.2；对I_i进行特征提取，得到序列特征图像I_Fi，i＝0,1,…,n-1，

M_i为与其对应的特征掩模图像，值为1的点表示相应位置为稳定特征，值为0的点表示相应位置为不稳定特征，已被噪声或其他干扰污染。

以I_F0为基准特征图像，归一化特征图相似度为判据，计算其他特征图像与基准特征图像的归一化相似度sim，

其中，sim∈[0.0,1.0]，||·||₂为矩阵的2-范数，shift表示特征图比对移位位数，优选地，取shift＝-8,-7,…,7,8，正号表示右移，负号表示左移，移位比对能抗虹膜旋转干扰，获得两幅比对特征图的最大相似度。

从j＝1至j＝n-1，逐幅迭代特征图，构建强特征分类器。

进一步优选地，

M₀＝update(M₀,j),

其中，j＝1,2,…,n-1，当基准特征图像与比对特征图像的相似度不等于1.0时，修正不匹配特征点的掩模标记，更新M₀，将其对应点元素置0，直到最后一幅比对特征图像迭代完成，所有特征图像的相似度均等于1.0，得到特征掩模图M_F，

M_F＝update(M₀,n-1)

生成的增强型虹膜特征模板为I_T＝{I_F0；M_F}。

优选地，捕获m＝8幅符合质量要求的归一化虹膜样本图像P_i，i＝0,1,…,m-1。按照质量得分由高到低排列P_i，然后对P_i进行特征提取，得到多样本特征图像P_Fi，i＝0,1,…,m-1，

L_i为与其对应的特征掩模图像，值为1的点表示相应位置为稳定特征，值为0的点表示相应位置为不稳定特征，已被噪声或其他干扰污染。

以P_F0为基准样本特征图，根据图像相似度res将其他样本特征图与基准样本特征图进行特征点对齐，

其中，j＝1,2,…,m-1，||·||₂为矩阵的2-范数，shift表示样本特征图比对移位位数，优选地，取shift＝-8,-7,…,7,8，正号表示右移，负号表示左移，L_j根据P_Fj的移位情况进行相应的移位更新。

将多样本特征图P_Fi投影到加权特征空间WF。

进一步优选地，

其中，w_i为特征加权系数，m为样本数。根据加权特征投票选取稳定的特征点，

其中，σ_F为稳定特征判别阈值，优选地，取σ_F＝0.73，L_F为稳定特征掩模图像，生成的稳定的虹膜样本特征图为P_S＝{P_F0；L_F}。

优选地，定义任意两个虹膜特征模式I_A＝{P_A；M_A}和I_B＝{P_B；M_B}之间的相似度ms为，

其中，ms∈[0.0,1.0]，P表示虹膜特征模式，M表示特征模式掩模，w、h分别为特征模式的宽和高。。

在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，根据风险预测确定初始的相似度判别阈值，

其中，T_c为初始分类阈值，D(Z_i|same)表示同类虹膜的特征相似度在分类阈值Z_i下的概率密度，D(Z_i|difference)表示非同类虹膜的特征相似度在分类阈值Z_i下的概率密度，μ为风险参数，μ>1说明错误接受率在决策时更重要，μ<1说明错误拒绝率在决策时更重要，μ＝1说明决策时优先考虑等错率，优选地，取μ＝10³。

随着注册虹膜模式类的增加，自适应地实时更新分类阈值。计算新增模式I_new与特征模板库中所有模式的最大相似度T_c’。

进一步优选地，

其中，IO_i表示特征模板库中原有的虹膜模式类。通过与原先的分类阈值比较，更新分类阈值T，

优选地，计算虹膜特征模板I_T＝{I_F0；M_F}与样本特征P_S＝{P_F0；L_F}之间的相似度，

利用更新后的分类阈值进行判别，完成虹膜特征匹配分类，

本发明所述技术方案，从虹膜注册特征增强、虹膜识别特征筛选、自适应特征相似度匹配判别三个方面增强稳定特征的提取和匹配，生成增强型虹膜特征模板和稳定的样本特征，并自适应更新虹膜特征分类阈值，克服了不稳定特征的干扰和影响，从而有利于提高虹膜识别***的准确率和鲁棒性。

附图说明

图1为一种稳定的虹膜特征提取与匹配方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种稳定的虹膜特征提取与匹配方法的具体步骤是：

第一步，设计主特征保持与交变相位检测算子，对归一化的虹膜图像进行边缘检测和特征提取。

通过自定义虹膜主特征保持算子F_m，检测虹膜主要的边缘特性，并抑制其平滑特性，

设归一化虹膜图像为I(x,y)，x∈[1,2,…,w]，y∈[1,2,…,h]，w、h分别表示图像的宽和高，虹膜边缘特性图像为I_m(x,y)，

其中，x∈[1,2,…,w]，y∈[1,2,…,h]；通过自定义虹膜交变相位检测算子F_p，检测虹膜角度方向边缘的相位变化，提取稳定的虹膜特征，

F_p＝[-1 -1 -1 2 2 2 -1 -1 -1]

虹膜特征图像为I_F(x,y)，

其中，x∈[1,2,…,w]，y∈[1,2,…,h]；设虹膜特征卷积核为C_F，

C_F＝f(F_m,F_p)

有

第二步，在虹膜注册端，利用序列虹膜图像构建强特征分类器，生成增强型虹膜特征模板。

虹膜注册时，采集n幅符合质量要求的归一化虹膜图像I_i，i＝0,1,…,n-1，具体地，取n＝5。按照小波高频系数谱加权能量和由高到低排序I_i，

E_i＝α|W_h|²+β|W_v|²+λ|W_d|²,

其中，WT表示小波变换，W_a、W_h、W_v和W_d分别为小波低频、水平高频、垂直高频和对角线高频系数谱，具体地，采用二维离散(5,3)小波基进行一阶小波分解；E_i为加权能量和，α、β、λ为加权系数，具体地，取α＝0.4，β＝0.4，λ＝0.2。对I_i进行特征提取，得到序列特征图像I_Fi，i＝0,1,…,n-1，

M_i为与其对应的特征掩模图像，值为1的点表示相应位置为稳定特征，值为0的点表示相应位置为不稳定特征，已被噪声或其他干扰污染。

以I_F0为基准特征图像，归一化特征图相似度为判据，计算其他特征图像与基准特征图像的归一化相似度sim，

其中，sim∈[0.0,1.0]，||·||₂为矩阵的2-范数，shift表示特征图比对移位位数，正号表示右移，负号表示左移，具体地，取shift＝-8,-7,…,7,8，移位比对能抗虹膜旋转干扰，获得两幅比对特征图的最大相似度。

从j＝1至j＝n-1，逐幅迭代特征图，构建强特征分类器，

M₀＝update(M₀,j),

其中，j＝1,2,…,n-1，当基准特征图像与比对特征图像的相似度不等于1.0时，修正不匹配特征点的掩模标记，更新M₀，将其对应点元素置0，直到最后一幅比对特征图像迭代完成，所有特征图像的相似度均等于1.0，得到特征掩模图M_F，

M_F＝update(M₀,n-1)

生成的增强型虹膜特征模板为I_T＝{I_F0；M_F}。

第三步，在虹膜识别端，根据多样本的特征映射与融合，生成稳定的虹膜样本特征图。

虹膜识别时，捕获m幅符合质量要求的归一化虹膜样本图像P_i，i＝0,1,…,m-1，具体地，取m＝8。按照质量得分由高到低排列P_i，然后对P_i进行特征提取，得到多样本特征图像P_Fi，i＝0,1,…,m-1，

L_i为与其对应的特征掩模图像，值为1的点表示相应位置为稳定特征，值为0的点表示相应位置为不稳定特征，已被噪声或其他干扰污染。

以P_F0为基准样本特征图，根据图像相似度res将其他样本特征图与基准样本特征图进行特征点对齐，

其中，j＝1,2,…,m-1，||·||₂为矩阵的2-范数，shift表示样本特征图比对移位位数，正号表示右移，负号表示左移，具体地，取shift＝-8,-7,…,7,8，L_j根据P_Fj的移位情况进行相应的移位更新。

将多样本特征图P_Fi投影到加权特征空间W_F，

其中，w_i为特征加权系数，m＝8为样本数。根据加权特征投票选取稳定的特征点，

其中，σ_F为稳定特征判别阈值，具体地，取σ_F＝0.73，L_F为稳定特征掩模图像，生成的稳定的虹膜样本特征图为P_S＝{P_F0；L_F}。

第四步，通过自适应风险预测确定虹膜特征相似度判别阈值。

定义任意两个虹膜特征模式I_A＝{P_A；M_A}和I_B＝{P_B；M_B}之间的相似度ms为，

其中，ms∈[0.0,1.0]，P表示虹膜特征模式，M表示特征模式掩模，w、h分别为特征模式的宽和高。

在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，根据风险预测确定初始的相似度判别阈值，

其中，T_c为初始分类阈值，D(Z_i|same)表示同类虹膜的特征相似度在分类阈值Z_i下的概率密度，D(Z_i|difference)表示非同类虹膜的特征相似度在分类阈值Z_i下的概率密度，μ为风险参数，μ>1说明错误接受率在决策时更重要，μ<1说明错误拒绝率在决策时更重要，μ＝1说明决策时优先考虑等错率，具体地，取μ＝10³。

随着注册虹膜模式类的增加，自适应地实时更新分类阈值。计算新增模式I_new与特征模板库中所有模式的最大相似度T_c’，

其中，IO_i表示特征模板库中原有的虹膜模式类。通过与原先的分类阈值比较，更新分类阈值T，

第五步，根据更新后的分类阈值进行虹膜特征匹配分类。

计算虹膜特征模板I_T＝{I_F0；M_F}与样本特征P_S＝{P_F0；L_F}之间的相似度，

利用更新后的分类阈值进行判别，完成虹膜特征匹配分类，

综上所述，本发明所述技术方案，在虹膜注册时通过构建序列图像特征强分类器生成增强型特征模板，在虹膜识别时通过多样本加权特征空间投影和投票生成稳定的样本特征，在特征匹配时利用自适应更新的分类阈值进行判别，有效地剔除了干扰特征的影响，从而提高了虹膜识别***的准确率和鲁棒性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种稳定的虹膜特征提取与匹配方法，其特征在于，所述方法包括：

步骤S1：自定义主特征保持与交变相位检测算子，构建虹膜特征提取卷积核，包括：

步骤S11：自适应地计算检测虹膜边缘特性，并抑制其平滑特性；

步骤S12：根据虹膜边缘特性，检测虹膜角度方向边缘的相位变化，生成稳定的虹膜特征；

步骤S2：虹膜注册，利用虹膜特征提取卷积核提取特征，并利用序列图像特征相似度训练强分类器，生产增强型虹膜特征模板，包括：

步骤S21：利用虹膜图像计算得出移位比对能抗虹膜旋转干扰，逐幅迭代特征图，构建强特征分类器；

步骤S22：利用迭代特征图形成特征掩模图，生成的增强型虹膜特征模板；

步骤S3：虹膜识别，利用虹膜特征提取卷积核提取特征，并利用多样本加权特征空间投影和投票融合特征，生成稳定的样本特征，包括：

步骤S31：利用基准样本特征图计算得出加权特征空间；

步骤S32：根据加权特征空间投票选取稳定的特征点，生成的稳定的虹膜样本特征图；

步骤S4：增加新的虹膜模式特征模板，根据风险预测自适应更新分类阈值，包括：

步骤S41：在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，得出初始分类阈值；

步骤S42：根据新注册的虹膜模式类，自适应地更新分类阈值；

步骤S5：根据更新后的分类阈值，对虹膜特征模板和样本特征进行匹配和分类判别。

2.根据权利要求1所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S11具体包括：

通过自定义虹膜主特征保持算子F_m，检测虹膜主要的边缘特性，并抑制其平滑特性，

设归一化虹膜图像为I(x,y)，x∈[1,2,…,w]，y∈[1,2,…,h]，w、h分别为图像的宽和高，虹膜边缘特性图像为I_m(x,y)，

其中，x∈[1,2,…,w]，y∈[1,2,…,h]；

通过自定义虹膜交变相位检测算子F_p，检测虹膜角度方向边缘的相位变化，提取稳定的虹膜特征，

F_p＝[-1 -1 -1 2 2 2 -1 -1 -1]。

3.根据权利要求2所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S12具体包括：

虹膜特征图像为I_F(x,y)，

其中，x∈[1,2,…,w]，y∈[1,2,…,h]；

设虹膜特征卷积核为C_F，

C_F＝f(F_m,F_p)

则有

4.根据权利要求1所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S21具体包括：

虹膜注册时，采集n幅符合质量要求的归一化虹膜图像I_i，i＝0,1,…,n-1，按照小波高频系数谱加权能量和由高到低排序I_i，

其中，WT表示小波变换，W_a、W_h、W_v和W_d分别为小波低频、水平高频、垂直高频和对角线高频系数谱，E_i为加权能量和，α、β、λ为加权系数；

对I_i进行特征提取，得到序列特征图像I_Fi，i＝0,1,…,n-1，

M_i为与其对应的特征掩模图像，值为1的点表示相应位置为稳定特征，值为0的点表示相应位置为不稳定特征，已被噪声或其他干扰污染；

以I_F0为基准特征图像，归一化特征图相似度为判据，计算其他特征图像与基准特征图像的归一化相似度sim，

其中，sim∈[0.0,1.0]，||·||₂为矩阵的2-范数，shift表示特征图比对移位位数，正号表示右移，负号表示左移，移位比对能抗虹膜旋转干扰，获得两幅比对特征图的最大相似度；

从j＝1至j＝n-1，逐幅迭代特征图，构建强特征分类器。

5.根据权利要求4所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S22具体包括：

其中，j＝1,2,…,n-1；

当基准特征图像与比对特征图像的相似度不等于1.0时，修正不匹配特征点的掩模标记，更新M₀，将其对应点元素置0，直到最后一幅比对特征图像迭代完成，所有特征图像的相似度均等于1.0，得到特征掩模图M_F，

M_F＝update(M₀,n-1)

生成的增强型虹膜特征模板为I_T＝{I_F0；M_F}。

6.根据权利要求1所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S31具体包括：

虹膜识别时，捕获m幅符合质量要求的归一化虹膜样本图像P_i，i＝0,1,…,m-1，按照质量得分由高到低排列P_i，然后对P_i进行特征提取，得到多样本特征图像P_Fi，i＝0,1,…,m-1，

L_i为与其对应的特征掩模图像，值为1的点表示相应位置为稳定特征，值为0的点表示相应位置为不稳定特征，已被噪声或其他干扰污染；

以P_F0为基准样本特征图，根据图像相似度res将其他样本特征图与基准样本特征图进行特征点对齐，

其中，j＝1,2,…,m-1，||·||₂为矩阵的2-范数，shift表示样本特征图比对移位位数，正号表示右移，负号表示左移，L_j根据P_Fj的移位情况进行相应的移位更新；

将多样本特征图PFi投影到加权特征空间WF。

7.根据权利要求6所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S32具体包括：

其中，w_i为特征加权系数，m为样本数；

根据加权特征投票选取稳定的特征点，

其中，σ_F为稳定特征判别阈值，L_F为稳定特征掩模图像，生成的稳定的虹膜样本特征图为P_S＝{P_F0；L_F}。

8.根据权利要求1所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S41具体包括：

定义任意两个虹膜特征模式I_A＝{P_A；M_A}和I_B＝{P_B；M_B}之间的相似度ms为，

其中，ms∈[0.0,1.0]，P表示虹膜特征模式，M表示特征模式掩模，w、h分别为特征模式的宽和高；

在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，根据风险预测确定初始的相似度判别阈值，

其中，T_c为初始分类阈值，D(Z_i|same)表示同类虹膜的特征相似度在分类阈值Z_i下的概率密度，D(Z_i|difference)表示非同类虹膜的特征相似度在分类阈值Z_i下的概率密度，μ为风险参数，μ>1说明错误接受率在决策时更重要，μ<1说明错误拒绝率在决策时更重要，μ＝1说明决策时优先考虑等错率；

随着注册虹膜模式类的增加，自适应地实时更新分类阈值；

计算新增模式Inew与特征模板库中所有模式的最大相似度Tc’。

9.根据权利要求8所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S42具体包括：

其中，IO_i表示特征模板库中原有的虹膜模式类；

通过与原先的分类阈值比较，更新分类阈值T，

10.根据权利要求1所述的虹膜特征提取与匹配方法，其特征在于，所述步骤S5具体包括：

计算虹膜特征模板I_T＝{I_F0；M_F}与样本特征P_S＝{P_F0；L_F}之间的相似度，

利用更新后的分类阈值进行判别，完成虹膜特征匹配分类，