1.一种尺度变化稳定特征与多算法表决的一对一虹膜识别方法,包括以下步骤:
1)通过虹膜采集仪采集待测人的眼睛图像,根据清晰度和有效虹膜区域对图像进行质量判断;
清晰度:计算机通过Tenengrad梯度法判断图像的清晰程度;
有效虹膜区域:计算机通过canny边缘检测以及hough检测圆法,找到瞳孔以及虹膜边界的所在位置,计算两个边界内环的面积,并根据灰度直方图找到虹膜区域的灰度分布,进而根据灰度分布计算虹膜区域的面积在环中所占的比例:提取比例大于六分之一的虹膜信息;比例小于六分之一重新采集;
对合格眼睛图像的虹膜区域进行归一增强化,将虹膜区域图像映射到256×32矩形区域中,并通过增强算法突出虹膜纹理形成归一增强图像;
根据虹膜归一增强图像中的尺度变化稳定特征,简称:SCSF,调整图像的维度构建5层的差分高斯金字塔,具体方法如下;
第一层维度为512×64,第二层维度为256×32,后三层维度分别为128×16,64×8,32×4;每一层用五个不同的高斯滤波G(x)进行处理:计算公式如下:
σ为平滑因子;
σ初始值设为5;
每张图像的平滑因子乘以k,组成新的平滑因子k×σ;
x为图像点的灰度值;
将每层的5张图像依次相减,构成差分图像层,每层有4张差分图像;将每层的差分图像利用插值法将维数统一调整为256×32;读取每层中经过同样的高斯滤波处理后的4张图像的滤波处理值,比较4组滤波处理值;4组值均不为0的点为稳定特征点;所有的稳定特征点构成尺度变化稳定特征SCSF,SCSF共计T个特征点;
通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器将SCSF表示为二进制特征码,形成3段特征码;
拓展统计的局部二值模式:以每个特征点为中心,建立N组圆形邻域,每个圆形邻域内含有多个像素点;
比较每个圆形邻域内像素点与特征点的大小,像素点大于特征点则用1表示像素点,像素点小于特征点则用0表示像素点;
统计N组圆形领域内像素点中1的个数,并按照由内到外,像素点由少到多的顺序设置N位特征码,若圆形区域内像素点中1的个数大于等于像素点总个数的一半,则用1表示该位的特征码,若圆形区域内像素点中1的个数小于像素点总个数的一半,则用0表示该位的特征码;最终将纹理特征转化为N2×T位二进制特征码;
过零点检测Haar小波:计算机将虹膜归一增强图像用Haar小波进行处理,将第三层子块维度调整为256×32,提取SCSF特征点的水平,垂直和对角三个方向的高频系数,并根据高频系数的值设定特征码;如果高频系数大于等于0,则特征码用1表示,如果高频系数小于
0,则特征码用0表示,最终形成3×T位特征码;
基于免疫粒子群算法的Gabor滤波器将虹膜信息转为频率域内的振荡幅度,振荡幅度计算公式如下:xr=xcosθ+ysinθ
yr=-xsinθ+ycosθ
f0为中心震荡频率;γ=f0/α,α为高斯函数的x方向的宽度;θ为Gabor核函数的旋转角度;xr为在旋转角度θ下x方向向量下的宽度,yr为在旋转角度θ下y方向向量下的宽度,η=f0/β,β为高斯函数y方向的宽度;j代表取f0xr结果值的实部;
令y=η=δ/2π, δ为高斯函数y方向的幅度值从笛卡尔坐标系转化为极坐标系下的值;j′代表取θ结果值的实部;将振荡幅度 改写如下;
σ1为高斯滤波的标准差;j1代表取 结果值的实部;为了得到在不同的方向和频率尺度的振荡幅度 用下述公式计算:kn=kmax/fv
φm=πm/8
φm为Gabor滤波的方向,kn分别为Gabor滤波的频率,σ1=2π;kmax为最大频率,fv是相邻两个Gabor核之间的频率差,v=1,2,3...m;构造m个不同的频率尺度;将Gabor滤波的方向从0°到180°区间分为n份;j2代表取 结果值的实部;i代表取φm结果值的虚部;共计使用m×n组的Gabor滤波器组;
将免疫算法与粒子群优化结合,形成免疫粒子群算法,对Gabor滤波中的kmax和fv进行优化:输入待测人虹膜作为测试虹膜,同类别及异类别训练虹膜各N1张;设立W组粒子群,每组粒子群中包含一个Gabor滤波器,使用Gabor滤波器提取虹膜SCSF的特征,将虹膜特征转为二进制特征码;计算测试虹膜与训练虹膜之间的Hamming距离;将测试虹膜视为免疫系统中的抗原,训练虹膜视为免疫系统中的抗体,计算测试虹膜与训练虹膜的亲和度;
计算公式如下:
Qi=1/(1+Hi)
Qi表示测试虹膜与第i个训练虹膜的亲和度;
Hi表示测试虹膜与第i个训练虹膜的Hamming距离;
计算适应度,公式如下:
Qi表示测试虹膜与同类别第i个训练虹膜的亲和度总和;
Qt表示测试虹膜与不同类别第t个训练虹膜的亲和度总和;
计算新的适应度QC,并将新的适应度QC与原来的适应度进行比较;如果新的QC大于原来的QC,将新的pBest设为新的QC对应的滤波参数;比较W组滤波器中QC,并将最大的QC对应的滤波参数设为新的gBest;新的pBest和gBest确定下来后,计算机对粒子进行进化;
进化公式为:
vi=vi×ω+c1×rand1×(pBesti-xi)+c2×rand2×(gBest-xi)xi=xi+vi
ω为惯量权重,设为0.729;
c1和c2是加速系数,设为1.49445;
xi为第i组粒子的值;
vi为第i组粒子的运动速度;
pBesti为第i组粒子的历史最优;
gBest为参数在全体粒子中的最优;
rand1和rand2是两个[0,1]区间上的随机数;
若每次进化结束后,未达到结束条件,则使用进化后的粒子重新迭代,直到300次迭代后,最终的gBest作为识别时Gabor滤波器的参数;
参数训练好后,开始正式提取虹膜信息;用m种频率、n种方向的Gabor滤波器按顺时针方向,频率由小到大的顺序进行编号,方向编号为b1~bn,频率编号为g1~gm;
提取SCSF特征点的特征,找到每个特征点幅度值最大的滤波器;将该滤波器的频率和方向分别按编号编为s位二进制码,并以频率在前、方向在后的顺序拼接在一起,即将每个特征点特征编写成2×s位特征编码,最终形成2×s×T位的二进制特征码;
向计算机中输入待测人的身份信息,通过扫描器中的读卡单元扫描一张空白虹膜身份信息卡,通过计算机将待测人的身份信息,虹膜中的SCSF特征点的坐标、数量、3段特征二进制编码存储进虹膜身份信息卡中;
2)读卡器读取虹膜信息身份卡后,将虹膜信息与身份信息存储在计算机的存储系统内;
3)虹膜采集仪采集测试人的眼睛图像;
4)计算机通过清晰度和有效虹膜区域对采集到的眼睛图像进行质量判断;
5)计算机对判断合格的眼睛图像进行归一增强化;根据有效虹膜区域,将虹膜区域图像映射到256×32矩形区域中,并通过增强算法突出虹膜纹理,形成归一增强图像;
6)计算机根据从虹膜信息身份卡中读取的关于SCSF的特征点坐标、数量,分别使用通过拓展统计的局部二值模式、基于过零点检测Haar小波、基于免疫粒子群算法的Gabor滤波器提取测试人的虹膜特征,将虹膜特征转为3段特征编码;
7)分别计算测试人虹膜的三段二进制特征码与从虹膜信息身份卡中读取的三段二进制特征码的Hamming距离,并分别将Hamming距离与分类阈值进行比较;步骤6)中的3种方法中的任意一种的Hamming距离小于等于分类阈值,则计算机认为该方法测试人与卡中记录的持卡人身份一致,投赞成票;大于分类阈值,则计算机认为该方法测试人与卡中记录的持卡人身份不一致,投反对票;
8)根据赞成票与反对票的数量,最终判断测试人与卡中记录的持卡人身份是否一致;
赞成票大于等于2票,则计算机判断测试人与卡中记录的持卡人身份一致;反对票大于等于
2票,则计算机判断测试人与卡中记录的持卡人身份不一致。