一種基于Adaboost算法的虹膜特征提取方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及圖像特征提取方法。更具體地，涉及一種基于Adaboost算法的虹膜特 征提取方法。
【背景技術(shù)】
[0002] 虹膜識別以其準確性、穩(wěn)定性、安全性、生物活性和非接觸性等顯著優(yōu)勢漸已成為 生物識別領(lǐng)域的研究熱點和發(fā)展趨勢。虹膜圖像經(jīng)過預處理之后，得到的是歸一化的虹膜 圖像，其中的紋理含有大量的特征信息，可以用來鑒定一個人的身份。虹膜特征提取的任務 就是有效的提取這些特征信息，并將其描述為便于按一定的規(guī)則進行比對分類的特征向量 或特征編碼，并按特定的決策規(guī)則判斷匹配或不匹配。虹膜特征提取在整個虹膜識別過程 中是至關(guān)重要的一步，特征的好壞直接影響最后的識別結(jié)果，因此也最受人關(guān)注。
[0003] 習慣上，把圖像中局部不規(guī)則的，而宏觀有規(guī)律的特性稱之為紋理。實際上紋理是 圖像中一個重要而又難以描述的特性，由于自然界物質(zhì)變化的多樣性，關(guān)于圖像紋理迄今 為止仍無一個公認的、一致的嚴格定義。紋理作為一種重要的視覺信息，幾乎出現(xiàn)在所有的 圖像中。它反映了圖像象素的自身特征以及象素之間的空間關(guān)系。由于紋理特征能兼顧到 圖像的宏觀結(jié)構(gòu)和微觀結(jié)構(gòu)兩個方面，在圖像的識別和分類中得到了廣泛的應用。根據(jù)圖 像紋理的基本特征，出現(xiàn)了許多紋理分析的方法。
[0004]目前在虹膜識別系統(tǒng)中，常用的虹膜特征提取方法主要有以下幾種：
[0005] (1)基于相位分析的方法：
[0000]這類方法的代表是Daugmanl提出的基于多尺度Gabor濾波器的方法，其依據(jù)為 Gabor小波具有與人類簡單視覺細胞相似的視覺特性，能夠很好地分析現(xiàn)實世界中的各種 模式。二維小波濾波器在極坐標下的形式為：
[0008] 其中α、β在ω的反方向隨ω共同變換，這樣產(chǎn)生一組求積分形式的選擇頻率的濾 波器。用這組濾波器對圖像進行濾波，得到在不同尺度下表示虹膜相位結(jié)構(gòu)的復值相位矢 量，然后對這些復數(shù)向量的相位進行較粗的量化來構(gòu)造虹膜的特征碼得到二進制的虹膜代 碼。
[0009] Gabor變換的不足在于:時一頻窗口大小設置依賴經(jīng)驗，不具備小波窗口的自適應 性，不適合分析多尺度信號的過程和突變過程;而且其離散形式?jīng)]有正交展開，編碼冗余性 較大。
[0010] (2)、基于過零點檢測的方法：
[0011] Boles等采用一維小波對沿虹膜中心同心圓的一條采樣曲線進行過零點檢測，由 細到粗地表示不同分辨率下的虹膜特征。首先將虹膜圖像中的一些同心圓表示為一維信 號，然后計算這些一維信號在不同分辨率下的小波變換過零點。過零點代表曲線上變化劇 烈的那些點。記錄小波變換結(jié)果中過零點的位置以及兩個相鄰過零點之間小波變換結(jié)果的 積分值，并將其表示為虹膜特征，最后采用自定義的相異性函數(shù)即可實現(xiàn)模式匹配。
[0012] Boles的方法主要利用的是虹膜紋理中一系列同心圓上的一維信號，但是從虹膜 圖像中可以看出，虹膜紋理在各個方向上，特別是徑向，都有著豐富的細節(jié)，因此，采用一維 信號的某種特征來描述虹膜紋理的特征是不夠的，實際的應用中采用這種算法的系統(tǒng)并不 多見。
[0013] (3)、基于紋理分析的方法：
[0014] Wildes采用Gaussian-Laplace金字塔的多分辨率技術(shù)，在不同尺度下計算給定 的兩個虹膜圖像的歸一化相關(guān)系數(shù)，分類器使用的是Fisher線性判據(jù)。缺點是計算復雜性 高，只在認證模式下工作。Ma等采用圓對稱的濾波器提取不同虹膜區(qū)域在不同頻率下的紋 理信息，分類器是改進的最近特征線分類器。Park使用方向濾波器組將虹膜圖像分解為八 個方向子帶輸出，歸一化的方向能量作為虹膜特征，利用歐式距離進行最終模式匹配。 [0015] (4)、基于局部特征分析的方法：
[0016] Ma等提出了一種基于空間濾波器的方法，該方法采用一組特殊的空間濾波器提取 虹膜的局部特征，并將提取出的局部特征作為可區(qū)分性特征用于虹膜識別。Ma等又提出了 一種基于局部尖峰變化點的方法，該方法首先建立一系列的一維灰度信號來表示原始二維 圖像中最重要的信息，然后同樣用一組特殊的小波從這些一維信號中得到局部尖峰變化點 的位置序列，最后采用異或操作計算兩個位置序列之間的相似性。
[0017] 因此，需要提供一種準確、高效的改進的基于Adaboost算法的虹膜特征提取方法。

【發(fā)明內(nèi)容】

[0018] 本發(fā)明的目的在于提供一種基于Adaboost算法的虹膜特征提取方法，解決現(xiàn)有虹 膜特征提取方法準確性不足且耗時較多等問題。
[0019] 為達到上述目的，本發(fā)明采用下述技術(shù)方案：
[0020 ] -種基于Adaboos t算法的虹膜特征提取方法，該方法包括如下步驟：
[0021] S1、將虹膜圖像歸一化為固定大小的矩形圖像；
[0022] S2、根據(jù)虹膜的生理特征，對所述矩形圖像進行區(qū)域劃分，得到待提取虹膜特征的 矩形子區(qū)域；
[0023] S3、對待提取虹膜特征的子區(qū)域進行虹膜特征提取。
[0024] 優(yōu)選地，步驟S1進一步包括如下子步驟：
[0025] S1.1、將虹膜圖像中虹膜區(qū)域的內(nèi)邊界和外邊界均等分為η段，由各內(nèi)邊界的分割 點至對應的外邊界的分割點做放射線，將虹膜圖像中虹膜區(qū)域分為η個線段區(qū)域；
[0026] S1.2、將各線段區(qū)域等分m份，得到mXn個特征區(qū)域，由向右的水平線開始，沿逆時 針將各特征區(qū)域作為歸一化后矩形圖像的各像素點；
[0027] S1.3、采用雙線性內(nèi)插方法計算歸一化后矩形圖像的各像素點的像素值，得到矩 形圖像。
[0028] 優(yōu)選地，步驟S2進一步包括如下子步驟：
[0029] S2.1、用兩條相互平行的水平直線將所述矩形圖像分為三個矩形子區(qū)域，由上到 下依次為心、1?2和1^*，分別對應虹膜瞳孔區(qū)、睫狀區(qū)域及虹膜鞏膜區(qū)，則各子區(qū)域的寬度分 別為hiXW、h2XW和h3XW，其中hi、h2和h3為劃分系數(shù)，W為矩形圖像的寬度，取矩形子區(qū)域Ri 和R 2用于特征提??；
[0030] S2.2、用三條相互平行的垂直直線將所述矩形圖像等分為四個矩形子區(qū)域，取由 左至右的第一和第三個矩形子區(qū)域R3和R4用于特征提??；
[0031] S2.3、得到待提取虹膜特征的矩形子區(qū)域和R4。
[0032] 優(yōu)選地，所述劃分系數(shù)h^hdPhs的取值分別為1/4、1/2和1/4。
[0033] 優(yōu)選地，步驟S3中對待提取虹膜特征的子區(qū)域進行虹膜特征提取時：
[0034]選取尺度小且對縱向紋理信息敏感的紋理單元對矩形子區(qū)域心進行虹膜特征提 取，選取尺度大且對縱向和橫向紋理信息都敏感的紋理單元對矩形子區(qū)域r2進行虹膜特征 提取。
[0035]本發(fā)明的有益效果如下：
[0036]本發(fā)明利用虹膜紋理本身具有的生理特征，對不同區(qū)域采用不同的紋理單元來重 構(gòu)，亦即特征提取，不僅能增強特征提取的準確性，同時也因為濾除掉了那些用處不大的信 息而使得處理過程更高效。
【附圖說明】
[0037] 下面結(jié)合附圖對本發(fā)明的【具體實施方式】作進一步詳細的說明。
[0038] 圖1示出基于Adaboost算法的虹膜特征提取方法的流程圖。
[0039] 圖2示出虹膜區(qū)域歸一化過程示意圖。
[0040] 圖3示出虹膜區(qū)域生理特征示意圖。
[0041] 圖4示出歸一化虹膜圖像的區(qū)域劃分示意圖。
[0042] 圖5示出常用的Harr特征示意圖。
[0043]圖6示出各個子區(qū)域特征提取的紋理單元示意圖，其中，6-a示出用于矩形子區(qū)域 心的紋理單元的示意圖；6-b示出用于矩形子區(qū)域此的紋理單元的示意圖。
【具體實施方式】
[0044] 為了更清楚地說明本發(fā)明，下面結(jié)合優(yōu)選實施例和附圖對本發(fā)明做進一步的說 明。附圖中相似的部件以相同的附圖標記進行表示。本領(lǐng)域技術(shù)人員應當理解，下面所具體 描述的內(nèi)容是說明性的而非限制性的，不應以此限制本發(fā)明的保護范圍。
[0045] 如圖1所示，本實施例提供的基于Adaboost算法的虹膜特征提取方法，包括如下步 驟：
[0046] S1、將虹膜圖像歸一化為固定大小的矩形圖像；
[0047] S2、根據(jù)虹膜的生理特征，對歸一化后的虹膜圖像進行區(qū)域劃分，得到待提取虹膜 特征的子區(qū)域；
[0048] S3、對待提取虹膜特征的子區(qū)域進行虹膜特征提取。
[0049] 其中
[0050] 步驟Sl"將定位出來的虹膜區(qū)域歸一化"的具體過程為：
[0051] 不同的人的虹膜區(qū)域大小不一，即便是同一個測試者的同一只眼睛，當采集環(huán)境 不同時，例如周圍光照強度不同、焦距變化等這些因素都會導致瞳