一种基于Matlab虹膜特征提取的图像处理方法技术

本发明专利技术涉及虹膜识别技术领域，尤其为一种基于Matlab虹膜特征提取的图像处理方法，其方法包括如下步骤：使用红外摄像器材对人的整个眼部进行拍摄，并将拍摄到的图像传输到虹膜识别系统中的图像预处理软件，获取人眼中的虹膜的红外图像。本发明专利技术利用虹膜纹理本身具有的生理特征，对不同区域采用不同的纹理单元来重构，具备可以分类对虹膜特征进行提取，且能够有效增强特征提取准确性的优点，同时在虹膜特征提取时滤除掉那些用处不大的信息而使得处理过程更高效，解决了目前在进行虹膜图像处理时没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别准确率的问题。题。

【技术实现步骤摘要】
一种基于Matlab虹膜特征提取的图像处理方法


[0001]本专利技术涉及虹膜识别
，具体为一种基于Matlab虹膜特征提取的图像处理方法。

技术介绍

[0002]虹膜识别技术是基于眼睛中的虹膜进行身份识别，应用于安防设备，以及有高度保密需求的场所，人眼睛的外观图由巩膜、虹膜、瞳孔三部分构成。巩膜即眼球外围的白色部分，约占总面积的30％；眼睛中心为瞳孔部分，约占5％；虹膜位于巩膜和瞳孔之间，包含了最丰富的纹理信息，占据65％，外观上看，由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一。
[0003]虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理、颜色和总的外观。除非极少见的反常状况、身体或精神上大的创伤才可能造成虹膜外观上的改变外，虹膜形貌可以保持数十年没有多少变化。另一方面，虹膜是外部可见的，但同时又属于内部组织，位于角膜后面，要改变虹膜外观，需要非常精细的外科手术，而且要冒着视力损伤的危险，虹膜的高度独特性、稳定性及不可更改的特点，是虹膜可用作身份鉴别的物质基础。
[0004]在进行虹膜识别的过程中，一般会通过红外摄影头采集当前用户的虹膜图像，并实时地将采集的虹膜图像作为预览图像直接展示给当前用户预览，以便引导用户配合虹膜特征的采集。
[0005]但是目前在进行虹膜特征提取时存在较大的缺陷，没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别的准确率，为此我们提出一种基于Matlab虹膜特征提取的图像处理方法来解决此问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于Matlab虹膜特征提取的图像处理方法，具备可以分类对虹膜特征进行提取，且能够有效增强特征提取准确性的优点，解决了目前在进行虹膜图像处理时没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别准确率的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于Matlab虹膜特征提取的图像处理方法，其方法包括如下步骤：
[0008](1)虹膜图像获取：使用红外摄像器材对人的整个眼部进行拍摄，并将拍摄到的图像传输到虹膜识别系统中的图像预处理软件，获取人眼中的虹膜的红外图像；
[0009](2)虹膜定位：根据人眼瞳孔特点，利用最大面积检测和粒子群寻优结合的方法实现对虹膜内圆的拟合定位；
[0010](3)虹膜区域切分：利用分区域去噪和粒子群寻优结合的方法实现对虹膜外圆的定位，克服自制虹膜库中光斑的干扰影响，高效地完成虹膜区域的切分，利用坐标变化法对
定位后的图像做归一化；
[0011](4)卷缩轮提取：根据卷缩轮灰度分布特点，利用Matlab完成红外图像滤波的仿真分析，通过结构模式识别的方法对卷缩轮进行提取；
[0012](5)色素斑提取：根据色素斑灰度特点，利用K
‑
S检测算法将色素斑提取问题转化为检测图像中各代表块灰度概率分布的问题，实现对色素班的提取；
[0013](6)坑洞和放射沟提取：根据坑洞和放射沟的形态特点，利用形态学提取出所有目标纹理，利用SVM分类器将坑洞和放射沟从干扰特征中分类，最后设置放射沟判定条件判定放射沟。
[0014]优选的，所述步骤(1)中，图像预处理首先对眼部图像进行图像平滑、边缘检测和图像分离的操作。
[0015]优选的，所述步骤(1)中，获取红外图像中的眼部特征点的步骤包括：利用图像分割模型，从红外人脸图像中获取眼部区域；利用深度卷积网络，从图像中识别眼部特征点。
[0016]优选的，所述步骤(2)中，粒子群算法步骤如下：初始化粒子群个体；计算每个个体的适应度值作为评判好坏的标准；找到每个个体自己在所有迭代过程中的最优解Pbest；找到所有个体在所有迭代过程中的最优解zbest；根据速度公式更新速度；根据位置公式更新位置。
[0017]优选的，所述步骤(3)中，虹膜区域切分后对每一块虹膜区域进行特征编码。
[0018]优选的，所述步骤(4)中，红外图像滤波采用离散平稳小波变换对红外图像进行校波分解，对分解后的高频子带利用所提出的去噪方法结合非线性增强算子进行增强。
[0019]优选的，所述步骤(4)中，结构模式识别包括预处理、模式描述和语法分析，结构模式识别法将卷缩轮表达为一个由基元组成的句子，将模式类表达为由有限或无限个具有相似结构特性的模式组成的集合，进而完成卷缩轮的特征提取。
[0020]优选的，所述步骤(5)中，利用K
‑
S检测算法先对数据进行正态性检验，检验分布是否为正态分布。
[0021]优选的，所述步骤(6)中，训练SVM模型，对于数据处理和可视化需求来说，用python接口opencv的SVM更加直观方便，训练完模型后，将SVM模型保存为xml，可以在实时性应用中通过C++接口调用参数文件，进行实时推断。
[0022]优选的，所述步骤(6)中，在非均衡样本的分类训练中，用opencv中SVM默认的train函数，容易导致分类器偏向数量多的类别，因此采用trainAuto函数进行平衡，trainAuto方法通过选择最佳参数C、gamma、p、nu、coef0、degree来自动训练SVM模型。
[0023]与现有技术相比，本专利技术的有益效果如下：
[0024]本专利技术提出的基于Matlab虹膜特征提取的图像处理方法，可以利用虹膜纹理本身具有的生理特征，对不同区域采用不同的纹理单元来重构，具备可以分类对虹膜特征进行提取，且能够有效增强特征提取准确性的优点，同时在虹膜特征提取时滤除掉那些用处不大的信息而使得处理过程更高效，解决了目前在进行虹膜图像处理时没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别准确率的问题。
具体实施方式
[0025]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]一种基于Matlab虹膜特征提取的图像处理方法，其方法包括如下步骤：
[0027](1)虹膜图像获取：使用红外摄像器材对人的整个眼部进行拍摄，并将拍摄到的图像传输到虹膜识别系统中的图像预处理软件，获取人眼中的虹膜的红外图像；
[0028]具体的，通过图像预处理软件首先对眼部图像进行图像平滑、边缘检测和图像分离的操作。
[0029]进一步的，获取人眼中的虹膜的红外图像以及眼部特征点时，获取红外图像中的眼部特征点的步骤包括：利用图像分割模型，从红外人脸图像中获取眼部区域；利用深度卷积网络，从图像中识别眼部特征点。
[0030](2)虹膜定位：根据人眼瞳孔特点，利用最大面积检测和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Matlab虹膜特征提取的图像处理方法，其特征在于：其方法包括如下步骤：(1)虹膜图像获取：使用红外摄像器材对人的整个眼部进行拍摄，并将拍摄到的图像传输到虹膜识别系统中的图像预处理软件，获取人眼中的虹膜的红外图像；(2)虹膜定位：根据人眼瞳孔特点，利用最大面积检测和粒子群寻优结合的方法实现对虹膜内圆的拟合定位；(3)虹膜区域切分：利用分区域去噪和粒子群寻优结合的方法实现对虹膜外圆的定位，克服自制虹膜库中光斑的干扰影响，高效地完成虹膜区域的切分，利用坐标变化法对定位后的图像做归一化；(4)卷缩轮提取：根据卷缩轮灰度分布特点，利用Matlab完成红外图像滤波的仿真分析，通过结构模式识别的方法对卷缩轮进行提取；(5)色素斑提取：根据色素斑灰度特点，利用K
‑
S检测算法将色素斑提取问题转化为检测图像中各代表块灰度概率分布的问题，实现对色素班的提取；(6)坑洞和放射沟提取：根据坑洞和放射沟的形态特点，利用形态学提取出所有目标纹理，利用SVM分类器将坑洞和放射沟从干扰特征中分类，最后设置放射沟判定条件判定放射沟。2.根据权利要求1所述的一种基于Matlab虹膜特征提取的图像处理方法，其特征在于：所述步骤(1)中，图像预处理首先对眼部图像进行图像平滑、边缘检测和图像分离的操作。3.根据权利要求1所述的一种基于Matlab虹膜特征提取的图像处理方法，其特征在于：所述步骤(1)中，获取红外图像中的眼部特征点的步骤包括：利用图像分割模型，从红外人脸图像中获取眼部区域；利用深度卷积网络，从图像中识别眼部特征点。4.根据权利要求1所述的一种基于Matlab虹膜特征提取的图像处理方法，其特征在于：所述步骤(2)中，粒子群算法步骤如下：初始化粒子群个体；计算每个个体的适应度值作为评判好坏的标准；找到每个个体自己在所有迭代过程中的最优解Pbest；找到所有个体在所有迭代...

【专利技术属性】
技术研发人员：于昊，高嵩，
申请(专利权)人：于昊，
类型：发明
国别省市：