一种快速虹膜识别方法

文档序号:9727758阅读:545来源:国知局
一种快速虹膜识别方法
【技术领域】
[0001 ]本发明设及一种生物识别技术,特别是一种虹膜识别方法。
【背景技术】
[0002] 虹膜识别技术是利用人体的虹膜生理特征进行身份鉴定的技术。其技术过程主要 包括虹膜图像获取、虹膜图像分割、虹膜图像识别Ξ个部分。
[0003] 相比传统刷卡、指纹识别等,虹膜识别具有识别精度极高、识别稳定及非接触性等 优点,在各个行业应用越来越广泛,尤其是在国家公安、刑侦、司法、互联网身份认证等等方 面有着广阔的应用前景。
[0004] 传统的虹膜识别方法虽然已经达到了一个较高的识别率,但是在大规模的虹膜图 像识别比对上,其识别速度与精度依然存在一些瓶颈。

【发明内容】

[0005] 本发明的目的是为了解决上述问题,设计了 一种虹膜识别方法。
[0006] 实现上述目的本发明的技术方案为,一种虹膜快速识别方法,该方法包括:
[0007] 制作能区分任意两张虹膜样本是否为同一类别人的AdaBoost-soft级联分类器数 据库;
[000引对待识别虹膜图像进行识别:将待识别虹膜图像的特征输入AdaBoost-soft级联 分类器中进行计算,并将计算结果与AdaBoost-soft级联分类器数据库中的数据进行对比 判断,如存在相同的虹膜样本,则该相同的虹膜样本所属虹膜类别即为待识别虹膜图形所 述的类别。
[0009] 在上述技术方案中,所述制作AdaBoost-soft级联分类器数据库包括:
[0010] (a)将已知分类好的虹膜样本进行分块处理,利用定序滤波器,对每块的虹膜样本 数据进行计算,得出每块虹膜样本数据的定序特征图;
[0011] (b)得到所有虹膜样本的分块特征图后,计算其中同类虹膜的两个相同位置特征 图块的汉明距离,并将它作为分类器的正样本库。
[0012] 对所有虹膜样本中同一个人的任意两张不同的虹膜样本上的相同位置的定序特 征图进行汉明距离计算,得到正样本特征库;
[0013] (C)得到所有虹膜样本的分块特征图后,计算其中同类虹膜的两个相同位置特征 图块的汉明距离,并将它作为分类器的正样本库。
[0014] (d)将正负样本特征库中的数据输入到AdaBoost-soft级联分类器中进行运算,得 到一个区分任意两张虹膜样本是不是同一类别人的AdaBoost-soft级联分类器数据库。
[0015] 在上述技术方案中,其特征在于对待识别虹膜图像进行识别包括:
[0016] (e)对待识别的虹膜图像进行步骤(a)的操作得到每块待识别虹膜样本数据的定 序特征图;
[0017] (f)将待识别的虹膜图像上的每块虹膜样本数据的定序特征图与AdaBoost-sof t 级联分类器数据库中的所有虹膜样本在相同位置上的定序特征图进行汉明距离计算得到 特征数据;
[001引(g)将所述的特征数据输入AdaBoost-sof t级联分类器中进行运算,并与 AdaBoost-soft级联分类器数据库中的数据进行对比判断,判断数据结果相同的虹膜样本 所属的虹膜类别就是待识别的虹膜图形属于的类别。
[0019] 本发明与现有技术相比具有W下有益效果:在提取虹膜特征过程中,利用定序滤 波算子相融合的方法来提取的虹膜特征更精确,对光照、姿态变化具有很好的鲁棒性,识别 率更高;把Adaboost-soft级联分类器引入到虹膜多分类问题中,运用一对多策略从而把多 类问题转化为两类问题,提高了运行速度,使虹膜识别性能得到了显著的提高;采用了 soft 级联来训练分类器,采用样本特征响应累加和来进行样本类别判定,每一级均设置一个口 限值,避免了传统级联仅考虑本级分类器而忽略掉前面级,造成信息浪费及脆弱判定的问 题;采用了 soft级联训练分类器,减轻了分类器中后面级的分类负担,使得所有级都有相当 的分类压力,传统级联方式会导致越靠后的级,分类压力越大,不仅需要选择较多的特征, 有时甚至达不到分类要求;采用了 soft级联训练分类器,可W利用R0C曲线,在给定分类器 的整体检测率和误检率的前提下,快速找到需要的特征数,进而推算出训练级数,使得训练 过程更加可控。传统级联方式每一级的训练时,由于在分类性能和训练时间上取了平衡,为 了达到每一级的分类性能(检测率、误检率),不断的重复训练W得到满足性能要求的参数, 导致训练时间过长,训练时间往往达到几周W上。另外,为了降低整体的误检率,必须不断 的训练新的级,不可避免的降低了整体的检测率。
【附图说明】
[0020] 图1是本发明提出的虹膜识别方法的流程示意图;
[0021 ]图2是虹膜图像经过定序滤波处理后的定序特征图。
【具体实施方式】
[0022]为便于本发明技术方案的理解,下面结合具体的实施方式进行介绍。如图1所示, 一种虹膜识别方法,该方法的训练模块包括W下步骤:(a)将已知分类好的虹膜样本进行分 块处理,利用定序滤波器,对每块的虹膜样本数据进行计算,得出每块虹膜样本数据的定序 特征图;经过定序滤波处理后的定序特征图如图2所示;(b)对所有虹膜样本中同一个人的 任意两张不同的虹膜样本上的相同位置的定序特征图进行汉明距离计算,得到正样本特征 库;(C)对所有虹膜样本中不同人的任意两张虹膜样本上的相同位置的定序特征图进行汉 明距离计算,得到负样本特征库;(d)将正负样本特征库中的数据输入到AdaBoost-soft级 联分类器中进行运算,得到一个区分任意两张虹膜样本是不是同一类别人的AdaBoost-soft级联分类器数据库。该方法的识别模块包括W下步骤:(e)对待识别的虹膜图像进行步 骤(a)的操作得到每块虹膜样本数据的定序特征图;(f)将待识别的虹膜图像上的每块虹膜 样本数据的定序特征图与AdaBoost-sof t级联分类器数据库中的所有虹膜样本(在相同位 置上)的定序特征图进行汉明距离计算得到特征数据;(g)将所述的特征数据输入 AdaBoost-soft级联分类器中进行运算,并与AdaBoost-soft级联分类器数据库中的数据进 行对比判断,判断数据结果相同的虹膜样本所属的虹膜类别就是待识别的虹膜图形属于的 类别。
[0023] 在步骤(a)中所述的虹膜样本数据是指对虹膜样本的尺寸和灰度进行数据归一化 处理所得到的数据值,其中虹膜样本的尺寸是根据虹膜
[0024] 图像进行分割得到。
[0025] 汉明距离定义为计算虹膜定序二值特征之间的相似程度,通过按位比较两个特征 模版上对应的位编码是否一致,将不一致的位数占总模板的比例作为运两个特征模板间的 归一化距离,距离越小表明运两个虹膜特征模板越相似。
[00%]所述的定序滤波器构造方法是:
[0027]高斯核函数作为基本极子,通常构造一个定序滤波器需要四个参数:第一是尺度 参数0,第二是两个极子之间的距d,第Ξ个是极子之间的方向Θ,第四极子的个数。
[002引
[0029] Cp,Cn表示正极子和负极子系数,值得注意的是构造的极子系数和必须为1;化i与 dnj指的是正负极子的中屯、位置,其坐标由正负极子间的距离d和方向决定;Νρ,Νη表示正负 极子个数。
[0030] 所述定序征图计算算法是:
[0031] 将每幅虹膜图用每个定序滤波器提取定序图特征。
[0032]
[0033] 即滤波后大于0的数变为1,小于0的数变为0。
[0034] 通过所述的定序滤波器计算得到的所有特征数据,通过运算程序AdaBoost级联分 类器,把定序滤波算子对应的特征数据进行分类,得到可W区分同一个人的虹膜和不是同 一个人的虹膜的特征数据集合。同时,AdaBoost-soft级联分类器将多个人的虹膜分类问题 转化为两个人之间的虹膜分类问题。所述AdaBoost-soft级联分类器分类的具体实现方法 是:
[00对 1)给定训练样本{(山71)、(趴72)。'(^,7。)},71£{1,0}分别表示正负样本;单独 每一级允许拒绝正样本比例{V1,V2…ντ};
[0036] 2)利用AdaBoost训练出Τ个弱分类器(:山1,。2-'。了}(此处的弱是相对于3〇的级联训 练出的分类器而言)
[0037] 3)初始化每一个样本的响应值为0,允许拒绝正样本比例P为0;
[0038] 4)t从1到T,循环执行W下步骤:
[0039] a)遍历弱分类器集C,根据最大化正负样本间隔从C中选择出本
[0040] 级的弱分类器ct:
[0041]
[00创其中,f t, i, j = dt, i-1+c j,bt、at分别为本级的正负样本总数
[0043] b)计算出样本在本级分类器的响应值ct(xi),与前t-1级的样本响应值累加和 dt-i,i进行累加,更新前t级样本的响应值累加和dt,i:
[0044] dt'i = dt
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