專利名稱：基于紋理基元統(tǒng)計特性分析的虹膜分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識別領(lǐng)域，涉及圖像處理和計算機視覺等技術(shù)， 特別是涉及一種基于紋理基元統(tǒng)計特性分析的虹膜分類方法。
背景技術(shù)：
隨著生物特征識別技術(shù)的發(fā)展和生物特征識別技術(shù)在人們?nèi)粘Ｉ?活中的普及，以及使用生物特征識別技術(shù)人數(shù)的增加，特別是虹膜識 別用戶的增加，必然導(dǎo)致虹膜特征數(shù)據(jù)庫的不斷擴大。這種規(guī)模的擴 大不僅表現(xiàn)在數(shù)據(jù)存儲量的擴大上面，還表現(xiàn)在從數(shù)據(jù)庫中搜索某一 條記錄所耗費的時間的增加上。
例如，在一對多的超大規(guī)模(如一個城市， 一個國家的用戶)生
物特征識別應(yīng)用中，完成一次識別(identification)所需的時間將會讓 人無法忍受。這是任何一項成熟的生物特征識別技術(shù)從小規(guī)模應(yīng)用向 大規(guī)模應(yīng)用轉(zhuǎn)化時不可避免的問題。它在生物特征識別系統(tǒng)的評價中 被稱為"尺度(scale)問題"。雖然可以釆用并行計算技術(shù)來減少每次 識別的時間，但是這將帶來硬件成本增加和并行軟件開發(fā)的難題。
如果我們能夠研究出一種虹膜分類的方法就能夠?qū)崿F(xiàn)分層次的虹 膜識別根據(jù)虹膜特征向量將虹膜數(shù)據(jù)庫中的所有模板分成若干個大 類別，在進行大規(guī)模識別的時候，首先判斷輸入的虹膜圖像所屬的大 類別，然后再和這個大類別中的所有模板進行比對，這樣就可以(至 少是從期望值上)減少等待識別結(jié)果的時間。
目前已采用粗分類方法加快特征模板匹配速度的生物特征模態(tài)包 括指紋，臉像和掌紋等。例如在指紋識別中可以根據(jù)奇異點的數(shù)目和 位置分成拱形，尖拱形，左旋形，右旋形和螺旋形等幾大類。在臉像 識別中可以把人分成男女，東西方等幾類。在掌紋識別中可以根據(jù)手 掌主紋路的數(shù)目及其交叉點的數(shù)目和位置將掌紋分成幾大類。因此，如何提高虹膜識別技術(shù)在大規(guī)模數(shù)據(jù)庫中進行特征模板比 對的速度，成為了目前急需解決的重要技術(shù)問題。

發(fā)明內(nèi)容
(一) 要解決的技術(shù)問題
有鑒于此，本發(fā)明的主要目的是提供一種基于紋理基元統(tǒng)計特性 分析的虹膜分類方法，以加快虹膜識別技術(shù)在大規(guī)模數(shù)據(jù)庫中進行特 征模板比對的速度。
(二) 技術(shù)方案
為達到上述目的，本發(fā)明提供了一種基于紋理基元統(tǒng)計特性分析 的虹膜分類方法，該方法包括
51、 對訓(xùn)練集中清晰的虹膜圖像進行預(yù)處理，得到感興趣區(qū)域
ROI，對ROI區(qū)域進行特征提取，對提取的紋理特征進行訓(xùn)練并建模， 獲得虹膜粗分類模型；
52、 對任意輸入的清晰虹膜圖像進行預(yù)處理，得到ROI區(qū)域，然 后進行特征提取，將提取得到的虹膜紋理特征輸入到步驟S1訓(xùn)練得到 的模型中，獲得輸入虹膜圖像的類別信息。
上述方案中，所述步驟S1包括
511、 對輸入的虹膜圖像進行預(yù)處理；
512、 對訓(xùn)練集中的歸一化的虹膜圖像進行紋理分析，抽取得到每 一個像素點及其鄰域的紋理特征；
513、 對得到的紋理特征進行聚類，得到N個類別；
514、 對每一幅虹膜圖像，將得到的與其對應(yīng)的紋理基元直方圖作 為該圖像的全局紋理特征；
515、 抽取訓(xùn)練集中的所有虹膜圖像的紋理基元直方圖后，再次利 用聚類方法，將虹膜圖像分成M類，獲得虹膜粗分類模型。
上述方案中，步驟S1中所述對輸入的虹膜圖像進行預(yù)處理包括虹 膜定位和歸一化，具體包括首先對輸入的灰度圖像進行虹膜檢測與 分割，然后將笛卡爾坐標系下的虹膜圖像用雙線性差值的方式變換到極坐標下，極坐標的原點就是瞳孔的圓心，在極坐標系下將所有的虹 膜圖像縮放到統(tǒng)一的大小，實現(xiàn)虹膜圖像的歸一化。 上述方案中，所述步驟S2包括
521、 對當前輸入的虹膜圖像進行預(yù)處理，得到歸一化虹膜圖.像；
522、 對得到的歸一化虹膜圖像，根據(jù)步驟S13中訓(xùn)練得到的紋理 基元，計算得到其紋理基元直方523、 載入步驟S15中獲得的模型，并將紋理基元直方圖特征輸入 粗分類模塊，分別計算輸入特征和每一大類中心的距離；
524、 選取距離最小的類別標號作為該輸入圖像的類別標號，完成 粗分類過程。
(三)有益效果 從上述技術(shù)方案可以看出，本發(fā)明具有以下有益效果
1、 本發(fā)明提供的這種基于紋理基元統(tǒng)計特性分析的虹膜分類方 法，通過提取虹膜圖像的紋理特征，將虹膜圖像分成若干個類別，數(shù) 據(jù)庫中的虹膜特征模板就按照其圖像所屬的類別排列。當進行虹膜比 對的時候，首先迸行虹膜的粗分類，得到輸入圖像的類別信息，然后 再將輸入圖像和與其屬于同一類的特征模板進行比較，從而使得完成 一次虹膜比對的平均時間縮短，達到實時的效果，有效地加快了虹膜 識別技術(shù)在大規(guī)模數(shù)據(jù)庫中進行特征模板比對的速度。
2、 本發(fā)明提供的這種基于紋理基元統(tǒng)計特性分析的虹膜分類方 法，能夠有效提高大規(guī)模虹膜識別系統(tǒng)的實時性。首先判斷出虹膜的 類別，然后只在此類別中搜索當前使用者的身份，可以減小算法的搜 索空間，從而大大降低進行虹膜特征比對所需的時間。
3、 本發(fā)明提供的這種基于紋理基元統(tǒng)計特性分析的虹膜分類方 法，能夠提高大規(guī)模虹膜識別系統(tǒng)的準確性。首先判讀出虹膜的類別， 相當于減少了虹膜識別問題的規(guī)模，也就減少了虹膜識別出錯的概率， 從而提高虹膜識別算法的準確性。
4、 本發(fā)明提供的這種基于紋理基元統(tǒng)計特性分析的虹膜分類方 法，研究了虹膜紋理與基因遺傳之間的關(guān)系，研究了具有相似基因的用戶是否具有相似的虹膜紋理圖像。


圖l是本發(fā)明提供的基于紋理基元統(tǒng)計特性分析虹膜分類方法的 流程圖，包括訓(xùn)練和分類兩個部分。
圖2是虹膜預(yù)處理得到感興趣區(qū)域(ROI)的結(jié)果示例。 圖3是從訓(xùn)練集中的R0I區(qū)域得到虹膜紋理基元的過程。 圖4是從任意一幅虹膜圖像的ROI區(qū)域根據(jù)學習得到的虹膜紋理基
元得到該圖的虹膜紋理基元直方圖。
圖5是將虹膜圖像根據(jù)紋理基元直方圖聚類得到五個子類時，各
個子類中典型的虹膜圖像示例。
具體實施例方式
下面結(jié)合附圖詳細說明本發(fā)明技術(shù)方案中所涉及的各個細節(jié)問 題。應(yīng)指出的是，所描述的實施例僅旨在便于對本發(fā)明的理解，而對 其不起任何限定作用。
在現(xiàn)有虹膜識別系統(tǒng)中，輸入虹膜圖像必須和數(shù)據(jù)庫中的所有虹 膜圖像進行一一比對才能得出最后的比對結(jié)果，雖然虹膜比對一般是 采用速度非常快的漢明距離比對方式，但是隨著數(shù)據(jù)庫中用戶人數(shù)的 不斷增加， 一次比對所需要的時間也不斷增加，在超大規(guī)模的虹膜數(shù) 據(jù)庫中無法滿足系統(tǒng)對實時性的需求。本發(fā)明通過提取虹膜圖像的紋 理特征，將虹膜圖像分成若干個類別，數(shù)據(jù)庫中的虹膜特征模板就按 照其圖像所屬的類別排列。當進行虹膜比對的時候，首先進行虹膜的 粗分類，得到輸入圖像的類別信息，然后再將輸入圖像和與其屬于同 一類的特征模板進行比較，從而使得完成一次虹膜比對的平均時間縮 短，達到實時的效果。
基于紋理分析的虹膜粗分類方法對于提高大規(guī)模虹膜識別系統(tǒng)的 實時性和準確度具有很重要的作用。利用學習得到紋理基元的方法， 本發(fā)明實現(xiàn)了一個基于紋理基元統(tǒng)計特性分析虹膜分類方法。圖1是 本發(fā)明提供的基于紋理基元統(tǒng)計特性分析虹膜分類方法的流程圖，包括訓(xùn)練和分類兩個部分
所述的訓(xùn)練過程包括步驟Sl:對訓(xùn)練集中清晰的虹膜圖像進行預(yù) 處理，得到感興趣區(qū)域——ROI區(qū)域，對ROI區(qū)域進行特征提取，對 提取的紋理特征進行訓(xùn)練并建模，獲得虹膜粗分類模型。
在本步驟中，對ROI區(qū)域進行特征提取是提取ROI區(qū)域的局部紋
理特征，提取后得到虹膜紋理基元，將局部紋理特征根據(jù)虹膜紋理基
元映射后得到虹膜紋理基元直方圖，采用聚類方法將虹膜圖像分成N
個子類。所述提取虹膜圖像的紋理特征并進行訓(xùn)練，獲得虹膜分類模 型用于虹膜圖像的粗分類。所述訓(xùn)練，是通過自定義或者學習過程得 到表征虹膜紋理的最小單位一虹膜紋理基元，然后通過構(gòu)建虹膜紋 理基元直方圖作為虹膜圖像的紋理特征。
所述的分類過程包括步驟S2:對任意輸入的清晰虹膜圖像進行預(yù)
處理，得到ROI區(qū)域，然后進行特征提取，將提取得到的虹膜紋理特 征輸入到步驟S1訓(xùn)練得到的模型中，獲得輸入虹膜圖像的類別信息。
在本步驟中，在虹膜分類中，是使用直方圖匹配的方法計算輸入 圖像和類別模型之間的距離得到分類信息。虹膜分類可以看作虹膜的
粗匹配(coarse-level matching),它可以和其他的虹膜識別方法構(gòu)成一 個精確快速的虹膜識別系統(tǒng)。
上述訓(xùn)練步驟Sl具體包括如下步驟
步驟Slh對輸入的虹膜圖像進行預(yù)處理。即首先對輸入的灰度圖
像進行虹膜檢測與分割，然后將笛卡爾坐標系下的虹膜圖像用雙線性 差值的方式變換到極坐標下，極坐標的原點就是瞳孔的圓心，在極坐
標系下將所有的虹膜圖像縮放到統(tǒng)一的大小，稱為歸一化虹膜圖像； 步驟S12:對訓(xùn)練集中的歸一化的虹膜圖像進行紋理分析，對每一
個像素點及其鄰域進行紋理特征抽取，這樣的每一個紋理特征就表達
了當前這個像素點附近的紋理特性。
步驟S13:對步驟S12中的紋理特征進行聚類，得到N個類別，
每一個聚類中心的特征向量代表了一種在虹膜圖像中出現(xiàn)頻率較高的
紋理圖案，被稱為紋理基元。
8步驟S14:對每一幅虹膜圖像，將得到的與其對應(yīng)的紋理基元直方 圖作為該圖像的全局紋理特征。
步驟S15:根據(jù)步驟S14，對于訓(xùn)練集中的所有虹膜圖像抽取紋理 基元直方圖后，再次利用聚類方法，將虹膜圖像分成M類。每一類的 平均紋理基元直方圖就是該類別的平均表達，也就是訓(xùn)練得到的模型 參數(shù)。
上述分類步驟S2具體包括如下步驟
步驟S21:對當前輸入的虹膜圖像進行預(yù)處理，得到歸一化虹膜圖像。
步驟S22:對步驟S21得到的歸一化虹膜圖像，根據(jù)步驟S13中
訓(xùn)練得到的紋理基元，計算得到其紋理基元直方圖。
步驟S23:載入步驟S15中獲得的模型，并將紋理基元直方圖特
征輸入粗分類模塊，分別計算輸入特征和每一大類中心的距離。
步驟S24:使用步驟S23中獲得的距離，選取距離最小的類別標 號作為該輸入圖像的類別標號，完成粗分類過程。
下面對本發(fā)明的方法涉及的關(guān)鍵步驟進行逐一詳細說明，本發(fā)明
的方法中的基本步驟相同，具體形式如下所述
第一、是虹膜圖像的預(yù)處理。虹膜圖像中不僅包括虹膜，還有瞳 孔、鞏膜、眼皮和睫毛等。因此要進行虹膜分類，第一步應(yīng)該是從虹 膜圖像中把虹膜分離出來，然后將虹膜圓環(huán)歸一化到固定尺寸的矩形 區(qū)域，即虹膜的預(yù)處理(虹膜定位和歸一化)，這是關(guān)鍵性的一步。
1、虹膜定位
人眼的瞳孔和虹膜外輪廓都很接近圓形，因此我們采用圓模型來 擬合瞳孔和虹膜邊界。人眼瞳孔的灰度低于周圍區(qū)域，所以可以使用 閾值法分割出瞳孔區(qū)域，然后將該區(qū)域的重心作為初步的瞳孔中心， 在該點的附近用可變尺度的模板去擬合瞳孔的邊緣，最佳的擬合結(jié)果 就是瞳孔的定位結(jié)果。虹膜的中心接近瞳孔的中心，所以可以用同樣 的方法找到虹膜的中心和半徑。由于人眼是人體的一個內(nèi)部器官，虹 膜很容易被眼皮睫毛遮擋，為了提高整個方法的可靠性，我們選取了最不容易被遮擋的虹膜區(qū)域作為我們感興趣的區(qū)域(ROI)。圖2(b)是
對圖2(a)中的虹膜定位后的例子，其中白色實線圓圈表示擬合后瞳孔和虹膜的外邊界，虛線矩形表示感興趣區(qū)域2、歸一化
以雙線性差值的方式，可以將定位好的虹膜圓環(huán)進行空間變換到一個固定尺寸的矩形區(qū)域。圖2(c)是虹膜歸一化之后的結(jié)果，虛線矩形表示了ROI區(qū)域在歸一化圖像中的位置。
每一幅清晰的虹膜圖像經(jīng)過虹膜預(yù)處理后，都能得到大小為256x60的ROI區(qū)域進行下面的特征抽取。
第二、是訓(xùn)練過程中虹膜紋理基元的獲得。
虹膜圖像可以從某種意義上看成是一種紋理分布，而且這種紋理是由許許多多具有某種特性的虹膜紋理基元構(gòu)成的。不同眼睛的虹膜圖像中這些紋理基元所處的位置各不相同，這使得虹膜成為一種非常準確的生物特征模態(tài)。但是在某些虹膜圖像中各種紋理基元的數(shù)目和分布情況類似，使得這些虹膜圖像從視覺上看起來非常相像。因此我們從直觀上認為這些相像的虹膜圖像應(yīng)該可以劃分成同一類。
要進行虹膜分類，我們首先需要定義虹膜紋理基元。在本發(fā)明中我們有兩種方法來獲得紋理基元第一是自定義紋理基元，第二是通過機器學習的方法獲得紋理基元。
所謂自定義紋理基元就是人為的將滿足某種特定關(guān)系的圖像像素及其鄰域定義成一種紋理基元。例如LBP (局部二值化模式，LocalBinary Pattern)就是一種自定義的紋理基元。
在本發(fā)明的實例中，我們采用機器學習的方法獲得紋理基元。如圖3所示，對于訓(xùn)練庫中我們得到的ROI區(qū)域，我們先用一組濾波器對其進行濾波，每一個像素點的濾波結(jié)果可以用一個特征向量來表示。然后將所有的這些特征向量送入機器學習算法程序(這里我們采用K均值算法)進行聚類，得到N個(本實例中N二64)聚類中心，每一個聚類中心代表一種紋理基元。
第三、是虹膜紋理基元直方圖的計算。
對于每一幅虹膜圖像的ROI區(qū)域，我們經(jīng)過濾波器組濾波后得到一系列濾波結(jié)果。每個像素的濾波結(jié)果就是一個局部紋理的特征向量，計算這個向量到各個紋理基元的歐氏距離，取其中最小的一個紋理基元作為當前這個像素的映射結(jié)果。
這樣每一個ROI區(qū)域的所有像素經(jīng)過濾波后都可以通過映射得到虹膜紋理基元的直方圖。雖然單個的虹膜紋理基元表達的是一個像素及其周圍鄰域內(nèi)的局部紋理信息，但是虹膜紋理基元直方圖還表達了一幅虹膜圖像的全局紋理信息，這對于虹膜分類是一種非常有效的信息。
第四、是在訓(xùn)練集上計算虹膜分類模型。
對于訓(xùn)練集中的所有ROI區(qū)域，我們都可以得到其對應(yīng)的虹膜紋理基元直方圖作為其紋理特征。在本發(fā)明中，我們采用卡方距離來衡量兩個紋理基元直方圖之間的相似程度?？ǚ骄嚯x的具體公式如下
,2(機/Z2;^i,:夠2 (1)
其中Hl和H2分別代表兩個虹膜紋理基元直方圖。由于可能等于零，所以我們只考慮非零項。
定義了距離計算公式后，我們將再次采用機器學習的方法得到虹膜分類模型的參數(shù)，本實例中我們采用K均值聚類方法訓(xùn)練得到五類虹膜圖像的模型參數(shù)，其中每一類虹膜圖像的平均紋理基元直方圖就是該類別的模型參數(shù)。圖5給出了最后分類結(jié)果中的每個類別中的典型圖像。在實際的虹膜分類系統(tǒng)中，如果分類的類別太少，將不能有效縮短完成一次虹膜識別所需的時間；如果分類類別太多，又很難保證虹膜分類的準確度。經(jīng)過權(quán)衡之后，在本實例中，我們選擇&=5。
第五、是進行虹膜分類。
在應(yīng)用過程中，對于任意一幅輸入的虹膜圖像，通過上面的步驟，我們不難得到其對應(yīng)的虹膜紋理基元直方圖。我們將這個直方圖代入訓(xùn)練過程中得到的分類模型中，計算該直方圖和各個類別的相似度，并進行排序，最后用相似度最大的類別標號標記輸入圖像。
在接下來的虹膜比對過程中，我們將輸入圖像首先和與其屬于同一類別的特征模板進行比對，從而使得完成一次虹膜比對的平均時間縮短。
為了驗證算法有效性，使用CASIA虹膜數(shù)據(jù)庫對提出的算法進行了測試。CASIA虹膜數(shù)據(jù)庫是由中科院自動化所創(chuàng)建的一個共享數(shù)據(jù)庫，用于評測虹膜識別算法，目前已經(jīng)被國際上多家研究單位采用。CASIA虹膜數(shù)據(jù)庫包含800只眼睛的虹膜圖像。根據(jù)算法測試，正確分類率為95.0%。而加入虹膜分類算法的虹膜識別系統(tǒng)的準確率也有了一定的提高，其等錯誤率(EER)從1.1%降低到0.88%.
那么多大的數(shù)據(jù)庫使用本發(fā)明的方法才能提高系統(tǒng)的速度呢？我們假設(shè)虹膜數(shù)據(jù)庫的大小為N， Tl表示抽取進行虹膜識別所需特征的時間，T2表示抽取進行虹膜分類所需特征的時間，T3表示進行一次虹膜比對的時間，T4表示進行虹膜分類的時間。在本實例中，虹膜分類速度非?？?，可以認為丁4=0，而其他時間分別為T^45ms， T2=660ms和T34.1ms.如果虹膜分類所需時間T2小于采用新方法后虹膜匹配節(jié)約的對間，就可以認為先進行虹膜分類是有效的。
當不采用虹膜分類時，完成一次虹膜匹配的平均時間為
U+0，巧 (2)
當采用分成五類且正確分類率為95.0%的虹膜分類算法后，完成一次虹膜匹配的平均時間為
K油二；+; +(950%*0.2+5%*1)*0.5*#*石 (3)
令^她。 尸7^油我們不難求出^= 1579.也就是所當數(shù)據(jù)庫中已注冊虹膜特征模板的數(shù)目大于1579時，采用本發(fā)明的方法會提高虹膜識別系統(tǒng)的平均性能。假設(shè)虹膜數(shù)據(jù)庫中有IO， 000個虹膜特征模板，我們不難求出采用本方法將會節(jié)約63%左右的虹膜匹配時間，隨著數(shù)據(jù)庫規(guī)模的增加，節(jié)約的時間將更加可觀。
本發(fā)明提供的具體實施例如下
本發(fā)明尤其適合于擁有大規(guī)模虹膜數(shù)據(jù)庫的虹膜識別系統(tǒng)。如某機場的自助登機系統(tǒng)采用的是虹膜識別技術(shù)，這個系統(tǒng)和公安局的在逃犯罪嫌疑人的虹膜數(shù)據(jù)庫(規(guī)模大概有一百萬)相連。當張三由于貪污公款被公安機關(guān)通緝，他的虹膜信息就被放進了在逃犯罪嫌疑人
12的虹膜數(shù)據(jù)庫(也稱為黑名單)中。當張三喬裝打扮，使用假護照準備乘飛機出逃，在使用自助登機系統(tǒng)時，系統(tǒng)拍攝了張三的虹膜圖像，自動提取出它的類別信息，最后將該虹膜圖像和黑名單中同類別的虹膜圖像注冊模板進行一一比對，確認了張三的真實身份，自助登機系統(tǒng)開始報警，整個過程在5秒鐘之內(nèi)就完成了。雖然張三偽造了證件，但是在本發(fā)明的幫助下他還是被抓捕歸案。
本發(fā)明能夠在識別速度和準確率方面有效提高虹膜識別系統(tǒng)的整體性能，是下一代虹膜識別系統(tǒng)中的關(guān)鍵技術(shù)。
以上所述，僅為本發(fā)明中的具體實施方式
，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求書的保護范圍為準。
權(quán)利要求
1、一種基于紋理基元統(tǒng)計特性分析的虹膜分類方法，其特征在于，該方法包括S1、對訓(xùn)練集中清晰的虹膜圖像進行預(yù)處理，得到感興趣區(qū)域ROI，對ROI區(qū)域進行特征提取，對提取的紋理特征進行訓(xùn)練并建模，獲得虹膜粗分類模型；S2、對任意輸入的清晰虹膜圖像進行預(yù)處理，得到ROI區(qū)域，然后進行特征提取，將提取得到的虹膜紋理特征輸入到步驟S1訓(xùn)練得到的模型中，獲得輸入虹膜圖像的類別信息。
2、 根據(jù)權(quán)利要求1所述的基于紋理基元統(tǒng)計特性分析的虹膜分類 方法，其特征在于，所述步驟S1包括511、 對輸入的虹膜圖像進行預(yù)處理；512、 對訓(xùn)練集中的歸一化的虹膜圖像進行紋理分析，抽取得到每 --個像素點及其鄰域的紋理特征；513、 對得到的紋理特征進行聚類，得到N個類別；514、 對每一幅虹膜圖像，將得到的與其對應(yīng)的紋理基元直方圖作 為該圖像的全局紋理特征；515、 抽取訓(xùn)練集中的所有虹膜圖像的紋理基元直方圖后，再次利 用聚類方法，將虹膜圖像分成M類，獲得虹膜粗分類模型。
3、 根據(jù)權(quán)利要求2所述的基于紋理基元統(tǒng)計特性分析的虹膜分類 方法，其特征在于，步驟S1中所述對輸入的虹膜圖像進行預(yù)處理包括 虹膜定位和歸一化，具體包括首先對輸入的灰度圖像進行虹膜檢測與分割，然后將笛卡爾坐標 系下的虹膜圖像用雙線性差值的方式變換到極坐標下，極坐標的原點 就是瞳孔的圓心，在極坐標系下將所有的虹膜圖像縮放到統(tǒng)一的大小， 實現(xiàn)虹膜圖像的歸一化。
4、 根據(jù)權(quán)利要求2所述的基于紋理基元統(tǒng)計特性分析的虹膜分類 方法，其特征在于，所述步驟S2包括S21、對當前輸入的虹膜圖像進行預(yù)處理，得到歸一化虹膜圖像；S22、 對得到的歸一化虹膜圖像，根據(jù)步驟S13中訓(xùn)練得到的紋理 基元，計算得到其紋理基元直方圖；S23、 載入步驟S15中獲得的模型，并將紋理基元直方圖特征輸入 粗分類模塊，分別計算輸入特征和每一大類中心的距離；S24、 選取距離最小的類別標號作為該輸入圖像的類別標號，完成 粗分類過程。
全文摘要
本發(fā)明公開了一種基于紋理基元統(tǒng)計特性分析的虹膜分類方法，包括S1.對訓(xùn)練集中清晰的虹膜圖像進行預(yù)處理，得到感興趣區(qū)域ROI，對ROI區(qū)域進行特征提取，對提取的紋理特征進行訓(xùn)練并建模，獲得虹膜粗分類模型；S2.對任意輸入的清晰虹膜圖像進行預(yù)處理，得到ROI區(qū)域，然后進行特征提取，將提取得到的虹膜紋理特征輸入到步驟S1訓(xùn)練得到的模型中，獲得輸入虹膜圖像的類別信息。利用本發(fā)明，使得完成一次虹膜比對的平均時間縮短，達到實時的效果，有效地加快了虹膜識別技術(shù)在大規(guī)模數(shù)據(jù)庫中進行特征模板比對的速度。
文檔編號G06K9/62GK101540000SQ20081010231
公開日2009年9月23日 申請日期2008年3月20日 優(yōu)先權(quán)日2008年3月20日
發(fā)明者何召鋒, 孫哲南, 譚鐵牛, 邱顯超 申請人:中國科學院自動化研究所