1.一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:其方法如下所述:步骤一、使用虹膜采集仪采集模板测试人员的模板虹膜灰度图像1张;
步骤二、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将模板虹膜灰度图像都转化为180×32维度的模板虹膜归一增强图像;
步骤三、计算机系统通过Gabor滤波的方式表达模板虹膜归一增强图像的模板特征信息,该方式的模板特征信息为1080位模板虹膜二进制编码,该方式的编号设定为1;
步骤四、计算机系统通过Haar小波的方式表达模板虹膜归一增强图像的模板特征信息,该方式的模板特征信息为1080位模板虹膜二进制编码,该方式的编号设定为2;
步骤五、计算机系统通过CS-LBP算子的方式表达模板虹膜归一增强图像的模板特征信息,该方式的模板特征信息为3360位模板虹膜二进制编码,该方式的编号设定为3;
步骤六、计算机系统通过卷积核的方式表达模板虹膜归一增强图像的模板特征信息,该方式的模板特征信息为由15个数组成的模板特征卷积标签,该方式的编号设定为4;
步骤七、计算机系统通过Haar小波的方式表达模板虹膜归一增强图像的模板特征信息,Haar小波与步骤四相同,但表示特征方式与步骤四不同,该方式的模板特征信息为由15个数组成的模板特征频率标签,该方式的编号设定为5;
步骤八、计算机系统将步骤三至步骤七中设定的五个特征信息共同装进一个虹膜信息块中;
步骤九、计算机系统重复步骤八4次,一共建立5个虹膜特征信息相同的虹膜信息块,步骤八建立的1个虹膜信息块以及步骤九建立的4个虹膜信息块,将这五个虹膜信息块组成一个联盟,五个虹膜信息块的编号分别为:K1、K2、K3、K4和K5,通过网络将五个虹膜信息块分布式存储在不同的云空间中,每个虹膜信息块的地址通过链结构连接;
步骤十、测试人员通过与步骤一相同的虹膜采集仪采集测试虹膜灰度图像一张;
步骤十一、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将测试虹膜灰度图像转化为180×32维度的测试虹膜归一增强图像;
步骤十二、计算机系统通过Gabor滤波的方式表达测试虹膜归一增强图像的测试特征信息,Gabor滤波及表达特征方式与步骤三相同,该方式的测试特征信息为1080位测试虹膜二进制编码,该方式的编号设定为1;
步骤十三、计算机系统通过Haar小波的方式表达测试虹膜归一增强图像的测试特征信息,Haar小波及表达特征方式与步骤四相同,该方式的测试特征信息为1080位测试虹膜二进制编码,该方式的编号设定为2;
步骤十四、计算机系统通过CS-LBP算子的方式表达测试虹膜归一增强图像的测试特征信息,CS-LBP算子及表达特征方式与步骤五相同,该方式的测试特征信息为3360位测试虹膜二进制编码,该方式的编号设定为3;
步骤十五、计算机系统通过卷积核的方式表达测试虹膜归一增强图像的测试特征信息,卷积核及表达特征方式与步骤六相同,该方式的测试特征信息为由15个数组成的测试特征卷积标签,该方式的编号设定为4;
步骤十六、计算机系统通过Haar小波的方式表达测试虹膜归一增强图像的测试特征信息,Haar小波及表达特征方式与步骤七相同,该方式的测试特征信息为由15个数组成的测试特征频率标签,该方式的编号设定为5;
步骤十七、计算机系统生成由{x1,x2,x3,x4,x5}组成的特征选择信息;
其中:x1,x2,x3,x4,x5都是由计算机系统通过随机数生成器从1,2,3,4,5中随机生成的数字;
x1对应虹膜信息块K1;
x2对应虹膜信息块K2;
x3对应虹膜信息块K3;
x4对应虹膜信息块K4;
x5对应虹膜信息块K5;
步骤十八、计算机系统分别读取特征选择信息中x1,x2,x3,x4,x5的值,根据x1,x2,x3,x4,x5的值,虹膜信息块K1,K2,K3,K4,K5选取与x1,x2,x3,x4,x5的值一样编号的方式的模板特征信息和测试特征信息进行比对,每个虹膜信息块得到一个匹配结果;
如果虹膜信息块得到的匹配结果为1,说明该虹膜信息块的匹配结论为模板虹膜与测试虹膜为相同类别,该虹膜信息块投赞成票;
如果虹膜信息块得到的匹配结果为0,说明该虹膜信息块的匹配结论为模板虹膜与测试虹膜不是相同类别,该虹膜信息块投反对票;
统计5个虹膜信息块的投票结果,如果赞成票的票数多于反对票的票数,则得到结论:模板虹膜与测试虹膜为相同类别;
如果赞成票的票数少于反对票的票数,则得到结论:模板虹膜与测试虹膜不是相同类别。
2.根据权利要求1所述的一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:所述的步骤三、步骤十二中通过Gabor滤波的方式表达虹膜归一增强图像特征信息的具体过程如下:第一步、通过主成分分析法对180×32维度虹膜归一增强图像进行处理,将其转化为
180×1维度的虹膜处理图像;
第二步、通过Gabor滤波器将虹膜信息计算虹膜处理图像中每个特征点的振荡幅度,每个特征点的振荡幅度 的计算公式如下:其中:σ1代表高斯滤波的标准差,σ1=2π;
φ为Gabor滤波角度方向的基准值,
kn为Gabor滤波的频率;
kmax为最大频率,kmax=0.5π;
f代表相邻两个Gabor核之间频率差的基准值,
j2代表取 结果值的实部;
i代表取φm结果值的虚部;
m代表Gabor滤波角度方向的权重值;
n代表相邻两个Gabor核之间频率差的权重值;
设定m的值为1,2,3,4,5;
设定n的值为1,2,3,4,5,6,7,8;
第三步、计算机系统使用40个Gabor滤波器,每个特征点可得到40个振荡幅度的值,比较40个振荡幅度的值,找到最大的振荡幅度所对应的m的值和n的值,将m的值和n的值分别转化为3位二进制数,并按照m、n的顺序依次结合,每个特征点转化为六位二进制编码;
180个特征点共转化为1080为二进制编码。
3.根据权利要求1所述的一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:所述的步骤四、步骤十三中通过Haar小波的方式表达测试虹膜归一增强图像特征信息,将其转化为1080位二进制编码的具体过程如下:第一步、使用Haar小波对180×32维度虹膜归一增强图像进行分解,将其转化为3个45×8维度的图像;
第二步、读取3个45×8维度的图像中每个点的灰度值,设定判别阈值L,如果灰度值大于L,将被读取灰度值的点用1表示,如果灰度值小于或者等于L,将被读取灰度值的点用0表示,最终将3个45×8维度的图像转化为1080位二进制编码。
4.根据权利要求1所述的一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:所述的步骤五、步骤十四中通过CS-LBP算子的方式表达虹膜归一增强图像特征信息的具体过程如下:第一步、统计每一行中每6个特征点的灰度值的和,计算平均灰度值,用平均灰度值代表这6个特征点,将180×32维度虹膜归一增强图像转化为30×32维度图像;
第二步、通过3×3邻域LBP算子对30×32维度虹膜归一增强图像进行处理,一共统计28×30维度的特征点,以中心特征点的灰度值为阈值,将其邻域的8个灰度值与阈值相比较,大于中心特征点的灰度的点用1表示,小于或者等于中心特征点的灰度的点用0表示;
3×3邻域LBP算子灰度值比较处理示意:
第三步、以右上角为起点,顺时针统计4位邻域的值,形成4位二进制编码,28×30维度的特征点转化为3360位二进制特征码。
5.根据权利要求1所述的一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:所述的步骤六、步骤十五中通过卷积核的方式表达虹膜归一增强图像特征信息的具体过程如下:第一步、将一张虹膜归一增强图像输入进第一卷积层中,采用1个梯度Laplacian卷积核,图像卷积后,在第一池化层中通过2×2最大池化将图像转化为90×16维度图像,并通过第一ReLU层中的Softplus函数对池化图像进行稀疏化操作;
Softplus函数如公式5所示:
Softplus(x)=log(1+ex) (5)其中:Softplus(x)为结果值,x代表第一池化层的图像单个像素点的像素值;
梯度Laplacian卷积核:
1 1 1
1 -8 1
1 1 1
最后第一ReLU层中的结果为1个处理图像;
第二步、第二卷积层采用3个卷积核,分别为:梯度Laplacian卷积核、水平Sobel卷积核和垂直Sobel卷积核,梯度Laplacian卷积核与第一卷积层相同,将1个第一ReLU图像卷积后,形成3个卷积图像,在第二池化层中通过2×2最大池化将图像转化为45×8维度图像,并通过第二ReLU层中的Softplus函数,第二ReLU层采用与第一ReLU层相同的Softplus函数,对第二池化层中的池化图像进行稀疏化操作;
水平Sobel卷积核:
-1 0 1
-2 0 2
-1 0 1
垂直Sobel卷积核:
-1 -2 -1
0 0 0
1 2 1
最后第二ReLU层中的结果为3个处理图像;
第三步、第三卷积层采用5个卷积核,分别为:梯度Laplacian卷积核、水平Sobel卷积核、垂直Sobel卷积核、水平梯度卷积核和垂直梯度卷积核;梯度Laplacian卷积核与第一卷积层相同;水平Sobel卷积核与第二卷积层相同;垂直Sobel卷积核与第二卷积层相同,将3个第二ReLU图像卷积后,形成15个卷积图像,在第三池化层中通过2×2最大池化将图像转化为22×4维度图像,并通过第三ReLU层中的Softplus函数,第三ReLU层采用与第一ReLU层相同的Softplus函数,对第三池化层中的池化图像进行稀疏化操作;
最后第三ReLU层中的结果为15个处理图像;
水平梯度卷积核:
-1 0 1
-1 0 1
-1 0 1
垂直梯度卷积核:
-1 -1 -1
0 0 0
1 1 1
第四步、将第三池化层的图像输入进图像处理层中,图像处理层的目的为锐化图像边缘,增强局部的图像对比度,采用中心为9的8邻域卷积算子与图像卷积;
中心为9的8邻域卷积算子:
-1 -1 -1
-1 9 -1
-1 -1 -1
对图像处理后的图像再通过2×2最大池化将图像转化为11×2维度图像,共计15个,读取15个图像的平均灰度值,输入进平铺层,将图像转化为数字数据,平铺层的结果为15个数字,15个数字为一张虹膜图像的特征卷积标签。
6.根据权利要求1所述的一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:所述的步骤七、步骤十六中通过Haar小波以另一种方式表达模板虹膜归一增强图像特征信息,将其转化为由12个数组成的特征频率标签的具体过程如下:第一步、使用Haar小波对180×32维度虹膜归一增强图像进行分解,将其转化为3个45×8维度的图像;
第二步、通过主成分分析法对3个45×8维度的图像进行处理,将其转化为3个45×1维度的图像;
第三步、读取3个45×1维度的图像中每个特征点的灰度值,以相邻9个特征点为一组,将135个特征点的灰度值分成15组,计算每组中所有特征点的灰度值的平均值,作为特征频率标签中的一个数,最终形成由15个数组成的特征频率标签。
7.根据权利要求1所述的一种基于虹膜特征联盟随机匹配投票机制的身份验证方法,其特征在于:所述的步骤十八中一个虹膜信息块中模板特征信息与测试特征信息进行比对,得到匹配结果的具体过程如下:第一步、确定虹膜信息块所对应的特征选择信息的值;
第二步、
(1)如果特征选择信息的值为1,说明选用了1号方式,则利用公式(1)得到1号方式的模板特征信息与测试特征信息之间的匹配值;
其中:HDG代表1号方式下的模板特征信息与测试特征信息之间的匹配值;
AGi1代表1号方式下的第i1个模板特征信息的值;
BGi1代表1号方式下的第i1个测试特征信息的值;
设定判定阈值为0.3,如果HDG的值小于0.3,说明在1号方式下认定模板虹膜与测试虹膜属于相同类别,则该虹膜信息块的匹配结果为1;
如果HDG的值大于或者等于0.3,说明在1号方式下认定模板虹膜与测试虹膜不属于相同类别,则该虹膜信息块的匹配结果为0;
(2)如果特征选择信息的值为2,说明选用了2号方式,则利用公式(2) 得到2号方式的模板特征信息与测试特征信息之间的匹配值;
其中:HDH代表2号方式下的模板特征信息与测试特征信息之间的匹配值;
AHi2代表2号方式下的第i2个模板特征信息的值;
BHi2代表2号方式下的第i2个测试特征信息的值;
设定判定阈值为0.4,如果HDH的值小于0.4,说明在2号方式下认定模板虹膜与测试虹膜属于相同类别,则该虹膜信息块的匹配结果为1;
如果HDH的值大于或者等于0.4,说明在2号方式下认定模板虹膜与测试虹膜不属于相同类别,则该虹膜信息块的匹配结果为0;
(3)如果特征选择信息的值为3,说明选用了3号方式,则利用公式(3)得到3号方式的模板特征信息与测试特征信息之间的匹配值;
其中:HDL代表3号方式下模板特征信息与测试特征信息之间的匹配值;
ALi3代表3号方式下的第i3个模板特征信息的值;
BLi3代表3号方式下的第i3个测试特征信息的值;
设定判定阈值为0.35,如果HDH的值小于0.35,说明在3号方式下认定模板虹膜与测试虹膜属于相同类别,则该虹膜信息块的匹配结果为1;
如果HDL的值大于或者等于0.35,说明在3号方式下认定模板虹膜与测试虹膜不属于相同类别,则该虹膜信息块的匹配结果为0;
(4)如果特征选择信息的值为4,说明选用了4号方式,则利用公式组(4)得到4号方式的模板特征信息与测试特征信息之间的匹配值;
其中:Zi4代表4号方式下的第i4个测试特征信息与第i4个模板特征信息进行比较的符号参数值;
fi4代表4号方式下的第i4个测试特征信息的值;
fbi4代表4号方式下的第i4个模板特征信息的值;
HDJ代表4号方式的模板特征信息与测试特征信息之间的匹配值;
设定判定阈值为0.85,如果HDJ的值大于0.85,说明在4号方式下认定模板虹膜与测试虹膜属于相同类别,则该虹膜信息块的匹配结果为1;
如果HDJ的值小于或者等于0.85,说明在4号方式下认定模板虹膜与测试虹膜不属于相同类别,则该虹膜信息块的匹配结果为0;
(5)如果特征选择信息的值为5,说明选用了5号方式,则利用3层BP神经网络得到5号方式的模板特征信息与测试特征信息之间的匹配值;
5号方式下的神经网络输入层有15个节点,隐层有3个节点,输出层有1个节点;
5号方式下的输入层的节点采用公式5得到;
SHUi5=BPi5-APi5 (5)其中:SHUi5代表5号方式下输入层第i5个节点的值;
APi5代表5号方式下的第i5个模板特征信息的值;
BPi5代表5号方式下的第i5个测试特征信息的值;
5号方式下的隐层的节点的输入值采用公式组6得到;
YSHU1=SHU1+SHU2+SHU3+SHU4+SHU5YSHU2=SHU6+SHU7+SHU8+SHU9+SHU10YSHU3=SHU11+SHU12+SHU13+SHU14+SHU15 (6)其中:YSHU1代表5号方式下隐层第1个节点的输入值,YSHU2代表5号方式下隐层第2个节点的输入值,YSHU3代表5号方式下隐层第3个节点的输入值,SHU1代表5号方式下输入层第1个节点的值,SHU2代表5号方式下输入层第2个节点的值,SHU3代表5号方式下输入层第3个节点的值,SHU4代表5号方式下输入层第4个节点的值,SHU5代表5号方式下输入层第5个节点的值,SHU6代表5号方式下输入层第6个节点的值;SHU7代表5号方式下输入层第7个节点的值;
SHU8代表5号方式下输入层第8个节点的值;SHU9代表5号方式下输入层第9个节点的值;
SHU10代表5号方式下输入层第10个节点的值;SHU11代表5号方式下输入层第11个节点的值;
SHU12代表5号方式下输入层第12个节点的值;SHU13代表5号方式下输入层第13个节点的值;
SHU14代表5号方式下输入层第14个节点的值;SHU15代表5号方式下输入层第15个节点的值;
5号方式下的隐层的节点的输出值采用公式7得到;
其中:YCHUi6代表5号方式下隐层第i6个节点的输出值;
利用公式8得到6号方式的模板特征信息与测试特征信息之间的匹配值;
其中:HDS代表5号方式下模板特征信息与测试特征信息之间的匹配值;
设定判定阈值为0.8,如果HDS的值大于0.8,说明在5号方式下认定模板虹膜与测试虹膜属于相同类别,则该虹膜信息块的匹配结果为1;
如果HDS的值小于或者等于0.8,说明在5号方式下认定模板虹膜与测试虹膜不属于相同类别,则该虹膜信息块的匹配结果为0。