一种虹膜定位与特征提取方法和系统技术方案

本申请实施例中提供了一种虹膜定位与特征提取方法和系统，其中，该方法的步骤包括：S1、基于预先构建的局部灰度分布统计模型，选取虹膜区域分割阈值；S2、利用基于虹膜区域分割阈值构建的双阈值耦合分类器，对虹膜所在区域进行筛选，获得瞳孔区域图像和虹膜区域图像；S3、利用基于瞳孔区域图像和虹膜区域图像构建的边界检测器，确定有效虹膜区域；S4、利用基于有效虹膜区域构建的局部小波高频能量塔式跃迁模型，对有效虹膜区域的有效虹膜像素进行编码，获得虹膜特征编码。本方案克服了低质虹膜图像中的噪声干扰和不稳定特征的影响，从而有利于提高虹膜识别系统的准确率和鲁棒性。

【技术实现步骤摘要】
一种虹膜定位与特征提取方法和系统
本申请涉及虹膜生物识别领域，特别涉及一种以确定有效虹膜区域为基础，结合局部小波高频能量塔式跃迁模型进行虹膜精确定位与稳定特征提取的方法和系统。
技术介绍
虹膜识别以其准确性、稳定性、安全性和非接触性等显著优势已成为生物识别领域的重点研究方向和发展趋势。但是由于虹膜尺寸很小，易受噪声干扰，以及用户姿态的影响，在采集到的虹膜图像中，虹膜区域往往存在污染和形变，因此如何解决低质图像虹膜精确定位和稳定特征提取的问题，是虹膜识别的关键和难点。目前典型的虹膜特征提取和匹配方法存在以下缺点：1.缺乏适应性强的虹膜定位拟合模型，对于低质图像，虹膜定位受噪声干扰影响较大，定位不准确，使虹膜稳定特征的提取变得更加困难；2.缺乏鲁棒性强的虹膜特征度量算子，对于低质图像，特征提取受虹膜形变影响较大，难以提取稳定的虹膜特征，使虹膜识别的准确率大大降低；3.对于低质图像，为了避免虹膜识别的准确率下降，采取舍弃当前图像进行重新采集的策略，从而严重影响了虹膜识别系统的效率。
技术实现思路
为解决上述问题之一，本申请提供了一种虹膜定位与特征提取方法，解决低质图像虹膜精确定位和稳定特征提取的问题，从而有效增强虹膜识别的准确率和鲁棒性。根据本申请实施例的第一个方面，提供了一种虹膜定位与特征提取方法，该方法的步骤包括：S1、基于预先构建的局部灰度分布统计模型，选取虹膜区域分割阈值；S2、利用基于虹膜区域分割阈值构建的双阈值耦合分类器，对虹膜所在区域进行筛选，获得瞳孔区域图像和虹膜区域图像；S3、利用基于瞳孔区域图像和虹膜区域图像构建的边界检测器，确定有效虹膜区域；S4、利用基于有效虹膜区域构建的局部小波高频能量塔式跃迁模型，对有效虹膜区域的有效虹膜像素进行编码，获得虹膜特征编码。根据本申请实施例的第二个方面，提供了一种虹膜定位与特征提取系统，该系统包括：阈值选取模块，基于预先构建的局部灰度分布统计模型，选取虹膜区域分割阈值；图像筛选模块，利用基于虹膜区域分割阈值构建的双阈值耦合分类器，对虹膜所在区域进行筛选，获得瞳孔区域图像和虹膜区域图像；有效区域确定模块，利用基于瞳孔区域图像和虹膜区域图像构建的边界检测器，确定有效虹膜区域；特征提取模块，利用基于有效虹膜区域构建的局部小波高频能量塔式跃迁模型，对有效虹膜区域的有效虹膜像素进行编码，获得虹膜特征编码。本申请所述技术方案根据具体的虹膜图像的局部灰度统计分布自适应地选取虹膜区域分割阈值，然后结合双阈值耦合分类器和精细设计的虹膜边界检测器准确地筛选和定位有效的虹膜区域，最后通过构建局部小波高频能量塔式跃迁模型提取稳定的虹膜特征并进行编码。本方案克服了低质虹膜图像中的噪声干扰和不稳定特征的影响，从而有利于提高虹膜识别系统的准确率和鲁棒性。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出本申请所述虹膜定位与特征提取方法的示意图。具体实施方式为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本方案的核心思路是从虹膜图像中选取虹膜区域分割阈值，通过构建的分类器和边界检测器确定有效虹膜区域，最后通过构建局部小波高频能量塔式跃迁模型提取稳定的虹膜特征并进行编码。通过该方法能够有效增强低质图像虹膜定位的适应性和特征提取的鲁棒性，从而提高虹膜识别系统的准确率和识别效率。本方案公开了一种虹膜精确定位与稳定特征提取方法，该方法能够克服低质虹膜图像中的噪声干扰和不稳定特征的影响，从而有利于提高虹膜识别系统的准确率和鲁棒性。下面通过具体一组实例对本方案进行详细描述。该方法的步骤如下：第一步，通过构建局部灰度分布统计模型自适应地选取虹膜区域分割阈值。为了实现自适应的虹膜区域分割，首先需要自适应地确定虹膜区域分割阈值，包括光斑检测高灰度阈值和瞳孔检测低灰度阈值。设局部灰度均值统计算子为其中，repmat表示二维扩展函数，num为行、列扩展频数。当num＝H时，得到高灰度阈值局部灰度统计算子FM(H)，统计步长设为SH；当num＝L时，得到低灰度阈值局部灰度统计算子FM(L)，统计步长设为SL。具体地，取H＝7，L＝11，SH＝5，SL＝5。设虹膜图像为IRM×N，M×N为像素分辨率。高灰度阈值局部灰度统计模型为其中，hist表示灰度分布统计函数，表示卷积运算，SH表示滑动步长；低灰度阈值局部灰度统计模型为其中，hist表示灰度分布统计函数，表示卷积运算，SL表示滑动步长。STH、STL分别为高、低灰度阈值局部灰度统计分布序列，取STH灰度分布对应的后h个最高灰度值的中值为高灰度阈值TH＝median(gs(STH(end-h+1:end)))(4)其中，mean表示取中值函数，gs表示取灰度值函数，具体地，取h＝7；取STL灰度分布对应的前l个最低灰度值的中值为低灰度阈值TL＝median(gs(STL(1:l)))(5)其中，mean表示取中值函数，gs表示取灰度值函数，具体地，取l＝9。因此，得到用于虹膜区域分割的高灰度阈值TH和低灰度阈值TL。第二步，利用双阈值耦合分类器筛选出虹膜所在区域。根据虹膜区域分割的高、低灰度阈值构建双阈值耦合分类器IS＝repmat(isinner(TL，TH)，S)(6)其中，repmat表示二维扩展函数，S表示分类器IS的行、列尺寸，具体地，取S＝21，isinner表示灰度区间关系运算符，当前灰度值位于区间(TL,TH)时，返回0，当前灰度值位于区间[0,TL]时，返回-1，当前灰度值位于区间[TH,255]时，返回1。利用虹膜区域双阈值耦合分类器IS从虹膜图像中分割出瞳孔所在的区域其中，numel表示非零元素计数函数，find表示关系匹配函数，表示卷积运算，nh、nl分别表示高、低灰度检出数门限，具体地，取nh＝20，取nl＝240，Ω表示从虹膜图像IR中检出的瞳孔所在区域，IP即为瞳孔区域图像块。由IP扩展出虹膜区域其中，size表示取图像矩阵二维尺寸函数，getcore表示取图像中心像素块函数，Φ表示从虹膜图像IR中分割出的虹膜区域，IB即为虹膜区域图像块，m、n分别表示IB的行、列像素数，具体地，取m＝240，n＝320。第三步，通过构建虹膜内、外边界检测器准确定位有效的虹膜区域。在分割出的瞳孔区域图像块IP和虹膜区域图像块IB中分别构建虹膜内、外边界检测器准确定位虹膜边界，得到有效的虹膜区域。构建虹膜区域内边界检测器其中，rot45表示逆时针旋转函数，α表示检测方向权重向量，具体地，取α＝[3/8，1/8，3/8，1/8]，EI即为虹膜内边界检测器；构建虹膜区域外边界检测器其中，rot45表示逆时针旋转函数，β表示检测方向权重向量，具体地，取β＝[3/8，1/8，3/8，1/8]，EO即为虹膜内边界检测器。定位虹膜内边界其中，sum表示求和函数，表示卷积运算，ep表示虹膜内边界邻域灰度梯度跃变门限，具体地，取ep＝32本文档来自技高网...

【技术保护点】
1.一种虹膜定位与特征提取方法，其特征在于，该方法的步骤包括：S1、基于预先构建的局部灰度分布统计模型，选取虹膜区域分割阈值；S2、利用基于虹膜区域分割阈值构建的双阈值耦合分类器，对虹膜所在区域进行筛选，获得瞳孔区域图像和虹膜区域图像；S3、利用基于瞳孔区域图像和虹膜区域图像构建的边界检测器，确定有效虹膜区域；S4、利用基于有效虹膜区域构建的局部小波高频能量塔式跃迁模型，对有效虹膜区域的有效虹膜像素进行编码，获得虹膜特征编码。

【技术特征摘要】
1.一种虹膜定位与特征提取方法，其特征在于，该方法的步骤包括：S1、基于预先构建的局部灰度分布统计模型，选取虹膜区域分割阈值；S2、利用基于虹膜区域分割阈值构建的双阈值耦合分类器，对虹膜所在区域进行筛选，获得瞳孔区域图像和虹膜区域图像；S3、利用基于瞳孔区域图像和虹膜区域图像构建的边界检测器，确定有效虹膜区域；S4、利用基于有效虹膜区域构建的局部小波高频能量塔式跃迁模型，对有效虹膜区域的有效虹膜像素进行编码，获得虹膜特征编码。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：根据设定局部灰度均值统计算子和虹膜图像的像素分辨率，分别获得高灰度阈值局部灰度统计模型和低灰度阈值局部灰度统计模型；利用高灰度阈值局部灰度统计模型STH和低灰度阈值局部灰度统计模型STL分别确定：光斑检测高灰度阈值：TH＝median(gs(STH(end-h+1:end)))，其中，median表示取中值函数，gs表示取灰度值函数，h为STH中对应的后h个最高灰度值，end为末尾元素的索引；瞳孔检测低灰度阈值：TL＝median(gs(STL(1:l)))，其中，median表示取中值函数，gs表示取灰度值函数，l为STL中对应的前l个最低灰度值。3.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：根据虹膜区域分割的高灰度阈值和低灰度阈值构建双阈值耦合分类器：IS＝repmat(isinner(TL，TH)，S)，其中，repmat表示二维扩展函数，S表示分类器IS的行、列尺寸，isinner表示灰度区间关系运算符；利用所述双阈值耦合分类器从虹膜图像中分割出瞳孔所在的区域：其中，numel表示非零元素计数函数，find表示关系匹配函数，表示卷积运算，nh、nl分别表示高、低灰度检出数门限，Ω表示从虹膜图像IR中检出的瞳孔所在区域，IP即为瞳孔区域图像块；利用瞳孔区域图像块IP扩展出虹膜区域：其中，size表示取图像矩阵二维尺寸函数，getcore表示取图像中心像素块函数，Φ表示从虹膜图像IR中分割出的虹膜区域，IB即为虹膜区域图像块，m、n分别表示IB的行、列像素数。4.根据权利要求3所述的分析方法，其特征在于，所述步骤S3包括：在瞳孔区域图像块IP和虹膜区域图像块IB中，分别构建虹膜内、外边界检测器；虹膜区域内边界检测器：其中，rot45表示逆时针旋转函数，α表示检测方向权重向量，EI即为虹膜内边界检测器；虹膜区域外边界检测器；其中，rot45表示逆时针旋转函数，β表示检测方向权重向量，EO即为虹膜外边界检测器；基于虹膜区域内边界检测器和虹膜区域外边界检测器，定位虹膜内边界：和虹膜外边界：其中，sum表示求和函数，表示卷积运算，ep表示虹膜内边界邻域灰度梯度跃变门限，ω为虹膜内边界像素点，EP即为虹膜内边界，er表示虹膜外边界邻域灰度梯度跃变门限，ψ为虹膜外边界像素点，ER即为虹膜外边界；根据虹膜内外边界，确定有效的虹膜区域为：IC＝(EP∪ER)∩IB。5.根据权利要求4所述的方法，其特征在于，所述步骤S4包括：将有效虹膜区域IC通过径向和弧向采样，变换为有效虹膜像素块RB；将RB分别在lv×lv、2lv×2lv、4lv×4lv三个分辨率尺度上进行分块，然后分别在不同分辨率尺度的子块上进行1、2、3级小波分解，构建局部小波高频能量塔：其中，square表示求平方函数，dwt2表示二维离散小波变换函数，dbi表示小波基，i表示小波分解级数，gethfb表示取小波高频子带系数函数，j表示小波高频子带的层级；根据局部小波高频能量塔，构建局部小波高频能量塔式跃迁模型：其中，mean表示求均值函数，square表示求平方函数，dwt2表示二维离散小波变换函数，dbi表示小波基，i表示小波分解级数，gethfb表示取小波高频子带系数函数，j表示小波高频子带的层级，isgreater表示系数能量关系运算符；利用局部小波高频能量塔式跃迁模型对有效虹膜像素块RB进行编码，得到虹膜特征编码阵列RC。6.一种虹膜定位与特征提取系统，其特征在于，该系统包括：阈值选取模块，基于预先构建的局部灰度分布统计模型，选取虹膜区...

【专利技术属性】
技术研发人员：郭慧杰，韩一梁，杨昆，王超楠，杨倩倩，
申请(专利权)人：北京无线电计量测试研究所，
类型：发明
国别省市：北京,11