虹膜图像筛选的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及生物识别领域，特别是指一种虹膜图像筛选的方法及装置。
【背景技术】
[0002] 虹膜是人眼瞳孔和巩膜之间的环形可视区域，是由一种随瞳孔直径的变化而可以 伸缩的、复杂的纤维状组织结构。具有长期稳定性和良好的防伪性，因而虹膜识别被认为是 最安全、最精确的识别方法之一。
[0003] 在虹膜图像采集过程中，由于人头部晃动，眨眼，采集装置离焦等因素的影响，采 集到的图像大多为模糊图像，在非合作采集或远距离采集的情况下影响更为严重。而模糊 的虹膜图像会使整个虹膜识别系统的性能降低。
[0004] 因此，必须对采集到的虹膜图像进行筛选，获得清晰可用的虹膜图像，以供后续的 识别之用。
【发明内容】
[0005] 本发明提供一种能够快速、准确的对虹膜图像进行筛选的虹膜图像筛选的方法及 装置。
[0006] 为解决上述技术问题，本发明提供技术方案如下：
[0007] 一种虹膜图像筛选的方法，包括：
[0008] 获取用户的虹膜图像；
[0009] 提取所述虹膜图像的MSCN系数统计特征；
[0010] 利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；
[0011] 提取所述虹膜图像的DCT统计特征；
[0012] 利用所述DCT统计特征对所述虹膜图像进行二次筛选。
[0013] -种虹膜图像筛选的装置，包括：
[0014] 图像获取模块，用于获取用户的虹膜图像；
[0015] 第一提取模块，用于提取所述虹膜图像的MSCN系数统计特征；
[0016] 第一筛选模块，用于利用所述MSCN系数统计特征对所述虹膜图像进行初次筛选；
[0017] 第二提取模块，用于提取所述虹膜图像的DCT统计特征；
[0018] 第二筛选模块，用于利用所述DCT统计特征对所述虹膜图像进行二次筛选。
[0019] 本发明具有以下有益效果：
[0020] 与现有技术相比，本发明的虹膜图像筛选的方法中，首先获取用户的虹膜图像；然 后提取虹膜图像的MSCN系数统计特征，并利用该特征对虹膜图像进行初次筛选；再提取虹 膜图像的DCT统计特征，并利用该特征对虹膜图像进行二次筛选，即可得到清晰可用的虹 膜图像。通过MSCN系数统计特征进行初次筛选，能够快速过滤大量的模糊虹膜图像，通过 DCT统计特征进行二次筛选，能够准确的筛选出清晰可用的虹膜图像，初次筛选与二次筛选 相结合，能够快速、准确的对虹膜图像进行筛选，最终筛选出来的虹膜图像可用率达97%， 从而大大提高了虹膜识别的性能，使用户操作更为友好。
【附图说明】
[0021] 图1为本发明的虹膜图像筛选的方法的流程图一；
[0022] 图2为本发明的虹膜图像筛选的方法的流程图二；
[0023] 图3为本发明的虹膜图像筛选的方法的流程图三；
[0024] 图4为本发明的虹膜图像筛选的方法的流程图四；
[0025] 图5为本发明的虹膜图像筛选的方法的流程图五；
[0026] 图6为本发明的虹膜图像筛选的方法的流程图六；
[0027] 图7为根据对角线方向分成三个部分的示意图；
[0028] 图8为根据反对角线方向提取低频、中频、高频分区的示意图；
[0029] 图9为本发明的虹膜图像筛选的装置的结构图一；
[0030] 图10为本发明的第一提取模块的结构图；
[0031] 图11为本发明的第一截取单元的结构图；
[0032] 图12为本发明的第二提取模块的结构图；
[0033] 图13为本发明的第一筛选模块的结构图；
[0034] 图14为本发明的第一筛选模块的结构图。
【具体实施方式】
[0035] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。
[0036] -方面，本发明提供一种虹膜图像筛选的方法，如图1所示，包括：
[0037] 步骤SlOl :获取用户的虹膜图像；
[0038] 可以通过虹膜采集镜头获取虹膜图像，也可以通过上位机的传输获取虹膜图像；
[0039] 步骤S102 :提取虹膜图像的MSCN系数统计特征；
[0040] MSCN系数（去均值对比度归一化系数）统计特征是图像的空间域特征，可以用一 个向量来表示；
[0041 ] 步骤S103 :利用MSCN系数统计特征对虹膜图像进行初次筛选；
[0042] 通过本领域技术人员能够想到的各种方法进行初次筛选，如使用支持向量机、神 经网络等对MSCN系数统计特征进行分类筛选，通过筛选的进入下一步，未通过的直接舍 弃；
[0043] 步骤S104 :提取虹膜图像的DCT统计特征；
[0044] DCT(离散余弦变换）统计特征是图像的频率域特征，可以用一个向量来表示；
[0045] 步骤S105 :利用DCT统计特征对虹膜图像进行二次筛选。
[0046] 通过本领域技术人员能够想到的各种方法进行初次筛选，如使用支持向量机、神 经网络等对DCT统计特征进行分类筛选，通过筛选的即为清晰可用的虹膜图像。
[0047] 与现有技术相比，本发明的虹膜图像筛选的方法中，首先获取用户的虹膜图像；然 后提取虹膜图像的MSCN系数统计特征，并利用该特征对虹膜图像进行初次筛选；再提取虹 膜图像的DCT统计特征，并利用该特征对虹膜图像进行二次筛选，即可得到清晰可用的虹 膜图像。通过MSCN系数统计特征进行初次筛选，能够快速过滤大量的模糊虹膜图像，通过 DCT统计特征进行二次筛选，能够准确的筛选出清晰可用的虹膜图像，初次筛选与二次筛选 相结合，能够快速、准确的对虹膜图像进行筛选，最终筛选出来的虹膜图像可用率达97%， 从而大大提高了虹膜识别的性能，使用户操作更为友好。
[0048] 作为本发明虹膜图像筛选的方法的一种改进，如图2所示，提取虹膜图像的MSCN 系数统计特征（步骤S102)包括：
[0049] 步骤S1021 :对虹膜图像进行截取；
[0050] 虹膜图像不仅包括虹膜区域，还包括其他区域，例如巩膜、瞳孔以及眼睛之外的区 域等，直接提取整个虹膜图像的MSCN系数统计特征不仅计算量大，而且其他区域还会对计 算产生干扰，故应当对虹膜图像进行截取，以避免干扰，加快计算速度，使筛选更加快速、准 确；
[0051] 步骤S1022 :计算截取后的虹膜图像的MSCN系数，得到MSCN系数概率密度曲线；
[0052] 步骤S1023 :利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线，提 取第一空间域特征向量；
[0053] 步骤S1024 :利用非对称广义高斯分布参数模型拟合水平、垂直、主对角线和副对 角线四个方向相邻的MSCN系数概率密度曲线，提取第二空间域特征向量，第三空间域特征 向量，第四空间域特征向量和第五空间域特征向量；
[0054] 步骤S1023、S1024提取各个空间域特征向量的方法计算简单，进一步的加快了筛 选速度。
[0055] 上述各个空间域特征向量即为虹膜图像的MSCN系数统计特征，该方法不仅加快 了计算速度，而且避免了干扰，使筛选更加快速、准确。
[0056] 进一步的，如图3所示，对虹膜图像进行截取（步骤S1021)包括：
[0057] 步骤S10211 :将虹膜图像进行二值化处理，得到二值图像；
[0058] 将虹膜图像大小缩放，取阈值进行二值化处理，得到二值图像；
[0059] 步骤S10212 :利用二值图像提取虹膜图像中的瞳孔边缘点；
[0060] 步骤S10213 :对瞳孔边缘点使用圆形模板进行边缘拟合，得到虹膜图像的瞳孔位 置；
[0061] 步骤S10214:以圆形拟合得到的圆心点为基准，截取圆心点下方的虹膜图像；截 取圆心点下方的虹膜图像可以避免睫毛噪声的影响。
[0062] 利用二值图像将瞳孔进行粗定位后，截取瞳孔下方的虹膜图像，使截取到的虹膜 图像中虹膜区域的比例尽可能的多，而且避免了因睫毛噪声或背景清晰导致的误判情况， 故本方法提高了筛选的时间效率的同时，避免了干扰，提高筛选的准确率。
[0063] 作为本发明虹膜图像筛选的方法的另一种改进，如图4所示，提取虹膜图像的DCT 统计特征（步骤S104)包括：
[0064] 步骤S1041 :对通过初次筛选的虹膜图像进行截取；
[0065] 对虹膜图像进行截取，以避免干扰，加快计算速度，使筛选更加快速、