一种基于bp网络和小波变换的虹膜图像质量分类方法

文档序号:8431210阅读:417来源:国知局
一种基于bp网络和小波变换的虹膜图像质量分类方法
【技术领域】
[0001] 本发明属于图像识别领域,尤其涉及一种基于BP网络和小波变换的虹膜图像质 量分类方法。
【背景技术】
[0002] 虹膜识别是近年发展起来的一种新型生物特征识别方法。与指纹识别、人脸识别 和语音识别等其它生物特征识别方法相比,虹膜识别在准确性、唯一性、稳定性、可采集性 和非侵犯性等方面具有更强的优势。在实际应用中,虹膜识别系统的识别效果与采集的图 像质量密切相关。虹识别系统要求人必须和设备进行合作。但是由于设备和人之间存在一 些不确定、不稳定的因素。在虹膜图像采集的过程中,不均匀的光线条件、人眼与采集装置 距离的变化、人眼的生理结构(如眼睑、睫毛等)往往导致虹膜图像亮度不均、虹膜图像位 置和大小的变化、遮挡虹膜纹理的有效区域,影响了虹膜识别效果,降低了虹膜识别的准确 率。为了提高识别准确率当采集到一幅虹膜图像后,需要对虹膜图像进行质量评价,检验虹 膜图像是否合格,以筛选掉采集效果不佳的图像保证后续操作的顺利进行。
[0003] 目前,已有不少工作研宄虹膜识别中的图像质量评价方法。尽管虹膜识别技术得 到了迅速发展,但是在实际应用中,由于受到外界环境或人为因素干扰,采集到的虹膜图像 会表现出诸多"非理想"特性,而使识别结果受到严重影响。非理想特征表现多样,包括反光 (由近红外光源照射或眼镜反射造成)、眼睑/睫毛遮挡、散焦(非聚焦距离拍摄造成)、运 动模糊和面部偏转(由人的头部运动造成)、图像对比度过低(由采集现场光照造成)等。 因此在前述方法中,许多研宄者也考虑到了虹膜图像质量分析问题。在最早的Daugman方 法中,作者提出利用频谱中的高频分量大小分析图像散焦,但未就具体方法做出说明;其后 期工作中,Daugman提出了一种多重质量分析方法,即通过傅立叶能量谱分析是否散焦,通 过检测虹膜区域直方图的峰值个数消除眼睑遮挡。Wildes提出利用边缘对比度实现质量分 析;Ma等提出了基于局部图直方图均衡的图像增强策略,同时通过分析图像傅里叶变换中 的高、中、低频分量评定图像质量;Vatsa等提出了一种基于SVM(支持向量机)的图像增强 方法。Abhyankar等提出的质量分析较为全面,包括通过积分/微分算子计算遮挡比例,通 过拉普拉斯算子进行边缘检测以实现散焦分析,最终将上述结果进行融合得到质量分析结 果。但是这一方法没有讨论角度形变问题。Proenpa等研宄了不同非理想因素对识别结果 的影响,结果表明分割精度影响最大;陈瑞等提出了基于小波-contourlet变换的质量分 析方法。上述文献虽然提出了虹膜质量分类方法,但对图像数据的适用性较差,对许多非理 想采集环境下获得的虹膜图像进行质量分类效果不够理想。虹膜识别是一种非侵犯性的身 份鉴别技术。但是,由于虹膜图像受对比度、光照、干扰等的影响,导致提取的虹膜特征模 板中存在一些不稳定的特征,增加了虹膜识别的难度。

【发明内容】

[0004] 为了解决现有技术的缺点,本发明针对不同质量的虹膜图像,提供了一种基于BP 网络和小波变换的虹膜图像质量分类方法。
[0005] 本发明采用以下技术方案:
[0006] -种基于BP网络和小波变换的虹膜图像质量分类方法,包括:
[0007] 步骤(1):构建用于虹膜图像质量分类的BP神经网络模型;所述BP神经网络模型 的输出节点个数为2,表示两种输出结果:虹膜图像可用和虹膜图像不可用;
[0008] 步骤(2):选定若干虹膜图像样本,对其进行小波变换,提取小波变换系数的特征 值;
[0009] 步骤⑶:将提取的小波变换系数的特征值输入BP神经网络模型进行训练;
[0010] 步骤⑷:利用训练后的BP神经网络模型对虹膜图像质量进行分类;
[0011] 输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型;若BP神经 网络模型的输出结果与可用虹膜的期望值相同,则判断当前输入虹膜质量可用;否则,若输 出结果与不可用虹膜的期望值不同,则判断当前输入虹膜质量不可用。
[0012] 所述BP神经网络的模型表达式为:
[0013] net = newff (PR, [S&,? ? ?,SN],{TFi,TF2, ? ? ?,TFN},BTF,BLF,PF) (1)
[0014] 其中,net:建构得到的神经网络;newff :建构函数;PR :pX2的矩阵以定义输入 向量的最小值和最大值,P为输入节点的个数;Si:第i层神经元个数;TF i:第i层的传递函 数,默认函数为tansig函数;BTF :训练函数,默认函数为trainlm函数;BLF :权值/阀值学 习函数,默认函数为learngdm函数;PF :性能函数,默认函数为mse函数。
[0015] 所述步骤(2)中的对选定的若干虹膜图像样本进行小波变换的具体过程为:
[0016] 假设Q表示全体虹膜图像,Qsamp为选定的若干虹膜图像样本,则,令I k 表示QS?P中的第k幅图像,则I ke D samp,对Ik进行小波变换,
[0017] [ck, sk] = wavedec (Ik, N, wname) (2)
[0018] 其中,wavedec表示小波分解运算符,ck表示对图像I k进行小波变换后得到的小 波系数,sk对图像I k进行小波变换后各层小波系数的长度,N表示变换层数,wname表示变 换采用的小波基函数的名称。
[0019] 所述步骤(2)中提取小波变换的变换系统的特征值的具体过程为:
[0020] 图像Ik经过小波分解后,得到一系列不同分辨率的子图像c k:
[0021] c,=Y〇k^cf,cf,c^\ i=\,…,N (3)
[0022] 其中,cM表示最低频子图像的系数,cf 表示训练样本中第k幅虹膜图像 经小波变换得到的第i层子图像系数,其中cf表示水平高通-垂直低通系数,cf表示水 平低通-垂直高通系数,表示水平高通-垂直高通系数;
[0023] 对cM,c*f,qf,〇^的数据按照绝对值从大到小进行排序:
【主权项】
1. 一种基于BP网络和小波变换的虹膜图像质量分类方法,其特征在于,包括: 步骤(1):构建用于虹膜图像质量分类的BP神经网络模型;所述BP神经网络模型的输 出节点个数为2,表示两种输出结果:虹膜图像可用和虹膜图像不可用; 步骤(2):选定若干虹膜图像样本,对其进行小波变换,提取小波变换系数的特征值; 步骤(3):将提取的小波变换系数的特征值输入BP神经网络模型进行训练; 步骤(4):利用训练后的BP神经网络模型对虹膜图像质量进行分类; 输入虹膜图像样本提取的小波系数特征值至训练的BP神经网络模型;若BP神经网络 模型的输出结果与可用虹膜的期望值相同,则判断当前输入虹膜质量可用;否则,若输出结 果与不可用虹膜的期望值不同,则判断当前输入虹膜质量不可用。
2. 如权利要求1所述的一种基于BP
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1