比较图像特别是虹膜识别的方法以及实现通过应用统计学习模型确定的至少一个质量测度的方法技术

本发明专利技术涉及一种比较至少一个测试图像与至少一个参考图像的方法，包括以下步骤：ａ）从所述测试图像（Ｉ）生成多个小块图像；ｂ）为每个小块图像计算：与该小块图像相关的至少一个质量测度（Ｑｊ（ｂ）），和表示与所述参考图像或所述参考图像的子图像的相关性（Ｃｉ）的至少一个量；以及ｃ）为所述测试图像（Ｉ）计算用于与所述参考图像（Ｊ）的比较得分Ｓ（Ｉ，Ｊ），该得分是表示所述相关性（Ｃｉ）的一个或多个量和所述一个或多个质量测度（Ｑｊ（ｂ））的函数。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术特别涉及一种比较至少一个参考图像与至少一个测试图像之间的生物测量图像(biometric images)的方法，其用于评估所述测试图像与参考图像之间的相关度(degree of correlation)。 本专利技术更特别应用于但不限于个体的生物测量识别，例如通过获取虹膜图像并比较该图像与先前获取的相同个体的虹膜图像来实现个体的生物测量识别。
技术介绍
虹膜识别是一种相对可靠的识别个体的方法。 专利US 4 141 349公开了一种虹膜识别系统，但其没有给出所涉及的数据处理的细节。 专利US 5 291 560公开了一种处理方法，其包括将虹膜和瞳孔从眼睛图像的其余部分中分割，归一化虹膜盘的尺寸，应用相位解调，在相位解调中，通过Gabor小波滤波操作将虹膜的纹理转换为二进制码。涉及测试图像与参考图像之间的相关度的确定基于Bernoulli概率模型。 专利US 5 572 596公开了一种分割虹膜和瞳孔的方法，以及一种基于不同分辨率水平的相关性的识别方法。 专利US 7 031 539公开了一种基于圆形Hilbert滤波器的识别方法，其假设虹膜的纹理在径向方向上变化，但是在角度方向上保持恒定。 E.Krichen，L.Allano，S.Garcia-Salicetti和B.Dorizzi发表的“Specific texture analysis for iris recognition”公开了一种虹膜识别方法，其中，在两个图像之间的相关性测度过程中，考虑独立于这些图像的质量的相关性的峰值及其位置的值。 当在受限的模式中执行图像获取时，现有的方案比较令人满意，所谓受限的模式是指待获取其虹膜图像的人与照相机之间的距离是固定的，并且这个人显然希望可以获取图像。 但是，当获取条件变差时，现有方案的性能可能下降，并可能产生质量下降的图像，从而需要对图像执行预处理。 因此，除了所有已提出的研究成果，仍需要借助于一种在适当条件下相对有效、快速和兼容的图像比较方法和图像比较系统，从而可以相对简便地获取待识别的个体的生物测量图像，并且因此所述个体受到相对较少的限制。
技术实现思路
根据本专利技术的一方面，本专利技术的主题是一种比较至少一个测试图像与至少一个参考图像的方法，包括以下步骤 a)从测试图像中生成多个小块图像(imagette)； b)为每个小块图像计算 -其通过应用统计学习模型(statistical learning model)来确定与该小块图像相关的至少一个质量测度(quality measure)，以及 -表示其与参考图像或者参考图像的子图像的相关性的至少一个量； c)为测试图像(I)计算用于与参考图像(J)相比较的比较得分S(I，J)，该得分是表示相关性(Ci)的一个或多个量和表示一个或多个质量测度(Qj)的函数，例如对于N个相关性量和P个质量测度，该得分可以表示如下 S(I，J)＝F(C1...Ci...，CN，Q1...，Qj...，QP) 表述“与小块图像相关的质量测度”应被理解为表示该质量测度可以与该小块图像相关联或者与其经过至少一种数学变换的可能表示相关联。 表述“与参考图像的相关性”应被理解为表示相关性可以通过参考图像或者其子图像来确定，或者通过参考图像或子图像的经过至少一种数学变换的任何表示来确定，其中所述数学变换可以与质量测度所涉及的数学变换是相同的变换。 术语“相关性”表示待比较的两个图像、小块图像或其数学变换之间的相似性的测度。该测度可以被定义为在图像之间获得的卷积矩阵上的一个或多个操作。其还可以被定义为重归一化的(距离为1)测度，以基于所讨论的距离(例如Hamming距离等)，获得图像或其表示上的相似性的测度。 在生物测量的应用情况下，比较得分可以允许确定个体的身份。 根据本专利技术的方法可以应用于人的脸、掌纹、指纹、手背静脉、手形或虹膜等的生物测量图像。 在本专利技术的含义内，术语“数学变换”可以包括例如多分辨率分析，傅里叶分析，二元化方法(binarization)，特征轮廓或特征点表示，统计表示，例如原始空间中或者通过内核(分别为KPCA、KLDA、KICA)转换的PCA(主元分析)或LDA(线性鉴别分析)或ICA(独立元分析)，执行至少一种转换之后通过任何方式实现的图像压缩，或者通过任何方式实现的图像压缩。 例如对于脸，其中一种可能的表示是PCA，其中脸的图像被转换为矢量，且矢量的大小要小于图像的大小。对于掌纹或指纹，其中一种可能的转换是通过微小细节表示掌纹或指纹(特别是指纹或掌纹图像中的特殊点)。对于虹膜，其中一种可能的转换是利用Gabor滤波器作为多分辨率分析手段。 在例如M.Volle的作品“Analyse de données[Data analysis]”，Economica，3rd edition，1985中描述了PCA和LDA统计技术；在例如A.Hyvarinen，J.Karhunen和E.Oja的作品“Independent componentanalysis”，John Wiley & Sons，2001中描述了ICA统计技术；在J.Shawe-Taylor和N.Cristianini的作品“Kemel Methods for PatentAnalysis”，Cambridge University Press，2004中描述了KPCA，KLDA和KICA统计技术，上述作品通过引用被包含于此。 本专利技术有利于虹膜图像的获取，当该获取以及从其中生成的识别确定可以进入大量人流要进入的安全区时，可证明本专利技术是有利的。该方法的性能还有利于其在以下图像识别系统中的实现，即图像识别系统包括具有比较便宜的传感器的生物测量(biometry)，从而限制了所获得的图像的质量，这样的系统例如存在于消费品中，例如个人计算机或便携式终端，例如移动电话、数字个人助理或电子锁。 该方法的性能还有利于其在以下图像识别系统中的实现，即图像识别系统包括专业或个人用移动终端上的生物测量，在移动终端上，虽然传感器的质量高，但是环境的获取条件在某些情况下不能保证获取高质量图像。 例如，对于脸的情况，当光照在脸的不同区域上不均匀时，这种类型的移动终端将产生具有阴影区域的脸部图像。 该方法的性能还有利于其在以下图像识别系统中的实现，即图像识别系统包括具有高质量传感器的生物测量，但是其在生成有限质量或更差质量的图像的应用条件下操作。 例如对于视频监视的情况，生物测量图像识别系统可以配备有CCD相机，在可能暴露在近红外光照下的区域中，例如地铁站、火车站、机场、敏感区域等，有些图像识别系统还配备有强大的变焦透镜以获取脸部并放大眼睛区域以获取虹膜。所获得的脸部和虹膜图像的特点是根据图像区域而具有变化的质量。通常，对于给定应用的特定获取条件，尤其是利用移动平台进行生物测量数据获取的所谓的“移动”获取条件(其中光不受控制)，和/或对象不合作的应用，或者虽然每个对象合作、但人流限制了系统在比正常条件下更大的距离处执行获取的应用，将导致生物测量图像根据图像的区域具有变化的质量。 参考图像可以被切割成多个参考小块图像，为参考小块图像计算至少一个质量测度。 可以在根据本本文档来自技高网...

【技术保护点】
一种比较至少一个测试图像与至少一个参考图像的方法，包括以下步骤：ａ）从测试图像（Ｉ）生成多个小块图像；ｂ）为每个小块图像计算：－通过应用统计学习模型确定的至少一个质量测度（Ｑ↓［ｊ］↑［（ｂ）］），所述质量测度与该小块图像相关，以及－表示与所述参考图像或所述参考图像的子图像的相关性（Ｃ↓［ｉ］）的至少一个量；以及ｃ）为所述测试图像（Ｉ）计算用于与所述参考图像（Ｊ）进行比较的比较得分Ｓ（Ｉ，Ｊ），该得分是表示所述相关性（Ｃｉ）的一个或多个量和通过应用统计学习模型确定的所述一个或多个质量测度（Ｑ↓［ｊ］↑［（ｂ）］）的函数。

【技术特征摘要】
【国外来华专利技术】FR 2007-4-20 07546211.一种比较至少一个测试图像与至少一个参考图像的方法，包括以下步骤a)从测试图像(I)生成多个小块图像；b)为每个小块图像计算-通过应用统计学习模型确定的至少一个质量测度(Qj(b))，所述质量测度与该小块图像相关，以及-表示与所述参考图像或所述参考图像的子图像的相关性(Ci)的至少一个量；以及c)为所述测试图像(I)计算用于与所述参考图像(J)进行比较的比较得分S(I，J)，该得分是表示所述相关性(Ci)的一个或多个量和通过应用统计学习模型确定的所述一个或多个质量测度(Qj(b))的函数。2.如权利要求1所述的方法，其中所述参考图像被切割成多个小块图像，为所述小块图像计算通过应用统计学习模型确定的至少一个质量测度(Qj(a))。3.如权利要求2所述的方法，其中所述比较得分S(I，J)是表示所述相关性(Ci)的一个或多个量和通过应用统计学习模型确定的一个或多个质量测度(Qj(b)，Qj(a))的函数。4.如前述权利要求中任一项所述的方法，其中通过两个图像之间的归一化的相关性或者两个图像各自的经过至少一次数学变换的表示之间的归一化的相关性来计算相关性量。5.如权利要求4所述的方法，其中从相关性最大值、次最大值、其位置、相关性矩阵的平均值和标准差中选择一个或多个相关性量。6.如前述权利要求中任一项所述的方法，其中数学变换是通过利用二维Gabor滤波器或通过提取二维Gabor相位来执行的多分辨率分析。7.如前述权利要求中任一项所述的方法，其中通过应用隐马尔可夫模型HMM类型的统计学习模型来确定所述质量测度中的至少一个。8.如权利要求1至8中任一项所述的方法，其中通过应用高斯混合模型GMM类型的统计学习模型来确定所述质量测度中的至少一个。9.如权利要求8所述的方法，其中一个或多个所述参考图像和一个或多个所述测试图像是用于处理的信息的丰富性和质量不均匀的生物测量数据。10.如前述权利要求中任一项所述的方法，其中一个或多个所述参考图像和一个或多个所述测试图像是通过任意传感器直接获取的，或者是从视频序列中提取的。11.如前述权利要求中任一项所述的方法，其中所述参考图像和所述测试图像来自于虹膜图像。12.如前述权利要求中任一项所述的方法，其中通过应用统计模型而确定的质量测度(Qj(a)，Qj(b))表示小块图像中的隐蔽噪声量。13.如权利要求1至12中任一项所述的方法，其中通过应用统计学习模型而确定的质量测度(Qj(a)，Qj(b))表示斑点的量。14.如前述权利要求中任一项所述的方法，其中参考图像和测试图像之间的相关度测度由以下表达式给出其中其中其中WR表示通过具有给定分辨率R的Gabor分析被滤波的测试小块图像与参考小块图像之间的比较，C1(WR)和C2(WR)分别表示比较WR过程中的最大相关性值及其位置，Qj(b)和Qj(a)分别表示在测试小块图像和相应的参考小块图像上计算的质量测度的值，G表示预定阈值。15.如前述权利要求中任一项所述的方法，其中每个测试小块图像的宽度在11至111个像素之间，高度在7至21个像素之间，相应的参考小块图像的宽度在31至131个像素之间，高度在11至25个像素之间。16.如前述权利要求中任一项所述的方法，其中通过比较一个或多个质量测度与预定阈值，从所述多个小块图像选择被计算表示相关性的量的所述小块图像。17.一种识别个体的方法，包括以下步骤获取该个体的至少第一生物测量图像；从该图像生成多个小块图像；获取该个体的至少第二图像；通过执行如权利要求1至16中任一项所述的方法，生成表示所述第一图像与所述第二图像之间的相关度的信息；以及基于该信息，生成关于该个体的身份的决策。18.一种识别个体的方法，包括以下步骤从存储器或介质上读取数据，所述数据表示第一图像或涉及这些数据的标识；获取该个体的至少第二图像；通过执行如权利要求1至16中任一项所述的方法，生成表示所述第一图像或者其经过至少一次数学变换的表示与所述第二图像或...

【专利技术属性】
技术研发人员：B多里齐，S加西亚萨利切蒂，E克里兴，
申请(专利权)人：电信联合大学国立电信学院，
类型：发明
国别省市：FR[法国]