專利名稱：一種虹膜圖像魯棒特征選擇和快速比對(duì)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及數(shù)字圖像處理、模式識(shí)別和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)領(lǐng)域，特 別是一種虹膜圖像魯棒特征選擇和快速比對(duì)的方法。
背景技術(shù)：
虹膜是人眼中介于黑色瞳孔和白色鞏膜之間的圓環(huán)狀區(qū)域，呈現(xiàn) 豐富的紋理。大量醫(yī)學(xué)和計(jì)算機(jī)科學(xué)的研究表明，不同眼睛(包括人 的左右眼和雙胞胎的眼睛)的虹膜紋理是各不相同的，并且自胚胎形
成后8個(gè)月就穩(wěn)定不變，因而虹膜具有唯一性高、穩(wěn)定性強(qiáng)的優(yōu)點(diǎn)。 另外，虹膜是一種外部可見的內(nèi)部器官，因而又具有非侵犯性的優(yōu)點(diǎn)。 這些優(yōu)點(diǎn)使得虹膜特別適合用于人的身份認(rèn)證和識(shí)別，并被成功的應(yīng) 用于機(jī)場(chǎng)、海關(guān)、銀行等場(chǎng)合的身份鑒定。
虹膜識(shí)別系統(tǒng)通過抽取測(cè)試虹膜圖像中的紋理特征，并將該特征 與用戶預(yù)先存儲(chǔ)的特征模板進(jìn)行比對(duì)來完成對(duì)用戶身份的認(rèn)證或識(shí) 別。因此，其識(shí)別精度高度依賴于所使用的虹膜特征，其識(shí)別速度直 接取決于特征模板的比對(duì)速度。
為了有效地對(duì)虹膜圖像進(jìn)行特征抽取和匹配，英國(guó)劍橋大學(xué)的 Daugman (U.S. Pat. No. 5291560)使用Gabor小波抽取虹膜紋理的二 值化相位特征，并使用漢明距離度量?jī)蓚€(gè)特征模板的匹配程度。美國(guó) Samoff公司的Wildes等人(U.S. Pat. No. 5572596)在虹膜圖像的多個(gè) 尺度上計(jì)算LoG (Laplician of Gaussian)系數(shù)對(duì)虹膜圖像進(jìn)行描述，并使 用相關(guān)系數(shù)度量?jī)蓚€(gè)特征之間的相似度。
雖然上述虹膜特征抽取和匹配方法取得了不錯(cuò)的識(shí)別效果，但是 它們?nèi)匀淮嬖诤芏嗳毕?。首先，它們?cè)诓煌缒^(qū)域上采用相同的濾 波參數(shù)，從而沒有充分考慮和利用虹膜不同區(qū)域的紋理分布特性，降 低了其特征的表達(dá)能力。其次，它們都需要計(jì)算濾波器和虹膜圖像的
6二維巻積，因此計(jì)算速度較慢，在濾波器的靈活性和魯棒性方面有待 提高。最后，在進(jìn)行特征模板的比對(duì)時(shí)，即使對(duì)于兩個(gè)明顯不匹配的 特征模板，它們都需要計(jì)算模板中的所有特征，因此特征模板匹配速 度較慢，不適合在大規(guī)模數(shù)據(jù)庫(kù)上應(yīng)用。
綜上所述，現(xiàn)有的虹膜特征抽取和特征比對(duì)算法仍然存在改進(jìn)的 余地，如何抽取最能有效描述虹膜紋理的特征以及如何快速地對(duì)特征 模板進(jìn)行比對(duì)仍然是虹膜識(shí)別系統(tǒng)中一個(gè)亟待解決的難題。

發(fā)明內(nèi)容
(一) 要解決的技術(shù)問題
有鑒于此，本發(fā)明的主要目的在于提供一種虹膜圖像魯棒特征選 擇和快速比對(duì)的方法，以抽取最能有效描述虹膜紋理的特征，并實(shí)現(xiàn) 對(duì)特征模板進(jìn)行快速比對(duì)。
(二) 技術(shù)方案
為達(dá)到上述目的，本發(fā)明提供了一種虹膜圖像魯棒特征選擇和快 速比對(duì)的方法，該方法包括步驟
51、 采用區(qū)域多極子定序測(cè)量特征對(duì)虹膜紋理進(jìn)行表達(dá)；
52、 以相似度為導(dǎo)向的虹膜特征選擇和融合；
S3 、基于層次化分類器對(duì)虹膜特征模板進(jìn)行快速比對(duì)。 優(yōu)選地，所述步驟S1包括
511、 將虹膜圖像沿半徑和角度方向進(jìn)行分割，劃分出虹膜圖像的 局部子區(qū)域；
512、 設(shè)計(jì)多極子濾波器；
513、 采用設(shè)計(jì)的多極子濾波器對(duì)每個(gè)局部子區(qū)域進(jìn)行濾波，抽取 定序測(cè)量特征，用抽取的定序測(cè)量特征表達(dá)虹膜紋理。
優(yōu)選地，步驟S12中所述的多極子濾波器由多個(gè)位置不一、正負(fù) 不一、尺度不一和形狀不一的低通濾波器聯(lián)合組成，每個(gè)低通濾波器 稱為一個(gè)極子，系數(shù)為正值的極子又稱為正極子，系數(shù)為負(fù)值的極子 又稱為負(fù)極子，所有極子的系數(shù)和為零；步驟S13中所述采用設(shè)計(jì)的多極子濾波器對(duì)每個(gè)局部子區(qū)域進(jìn)行 濾波并抽取定序測(cè)量特征包括
分別計(jì)算被多極子濾波器正負(fù)極子覆蓋區(qū)域的平均灰度G+(x,力 和G-(x,力，其計(jì)算公式如下
其中，/(x,力表示預(yù)處理之后的虹膜歸一化圖像，AT,AT分別表示
多極子濾波器中正負(fù)極子的數(shù)目，y;+和分別表示第/和第_/個(gè)正極子
或負(fù)極子，*表示圖像巻積；
得到G+(u)和G-(x,力之后，比較二者大小，如果在某個(gè)像素點(diǎn)上 G+(x，力大于CT(x,少)，那么將圖像的該像素點(diǎn)編碼為1，否則編碼為o。 優(yōu)選地，所述步驟S2包括采用以相似度為導(dǎo)向的特征選擇和融
合方法從定序測(cè)量特征中選取最優(yōu)的、分類能力最強(qiáng)的虹膜特征，構(gòu) 建用于最終的虹膜識(shí)別的單元分類器組合。
優(yōu)選地，所述選取和構(gòu)建的過程具體包括
521、 產(chǎn)生訓(xùn)練樣本；
522、 學(xué)習(xí)和建立虹膜組合分類器。
優(yōu)選地，所述步驟S21包括從數(shù)據(jù)庫(kù)中選擇虹膜圖像用作訓(xùn)練 集，對(duì)選擇的虹膜圖像進(jìn)行預(yù)處理，在每幅預(yù)處理后的圖像上抽取局 域化的定序測(cè)量特征作為待選的特征，并計(jì)算任意兩幅圖像之間的差 值圖像，將計(jì)算任意兩幅圖像之間差值圖像時(shí)得到的相似度分?jǐn)?shù)作為 該局域定序測(cè)量特征的一個(gè)訓(xùn)練樣本。
所述對(duì)選擇的虹膜圖像進(jìn)行預(yù)處理，是對(duì)選擇的虹膜圖像進(jìn)行虹 膜定位和虹膜歸一化；所述計(jì)算任意兩幅圖像之間的差值圖像，是通
過計(jì)算任意兩幅圖像之間對(duì)應(yīng)的局域化定序測(cè)量特征編碼的相似度實(shí) 現(xiàn)的。
優(yōu)選地，所述步驟S22包括以相似度為導(dǎo)向的特征選擇和融合
方法通過迭代地調(diào)用特征選擇器，從候選特征集合里不斷選擇在當(dāng)前樣本權(quán)重分布情況下最優(yōu)的特征，同時(shí)根據(jù)該特征在正負(fù)樣本上的分 布來構(gòu)建相應(yīng)的單元分類器，并將構(gòu)建的單元分類器組合成為虹膜組 合分類器。
優(yōu)選地，所述步驟S22具體包括
S22K初始化訓(xùn)練樣本的權(quán)重；
5222、 在當(dāng)前樣本權(quán)重分布下選擇最優(yōu)特征；
5223、 根據(jù)當(dāng)前最優(yōu)特征建立單元分類器；
5224、 更新訓(xùn)練樣本權(quán)重；
5225、 迭代地調(diào)用步驟S222至S224，構(gòu)建虹膜組合分類器。 優(yōu)選地，步驟S222中所述選擇最優(yōu)特征采用丄ogJf/C作為特征
選擇器進(jìn)行選擇，具體包括計(jì)算每個(gè)特征對(duì)應(yīng)的Z。g-Xt/C，選擇使 丄og-^t/C最小的特征作為當(dāng)前最好的特征。
所述每個(gè)特征對(duì)應(yīng)的Z。g-^t/C通過下式計(jì)算
一 一 MR
j『=[M^/log(層)^ f ^^^
其中層(False Acc印t Rate)和，(False Reject Rate)分 別表示使用該特征在訓(xùn)練集上分類時(shí)的錯(cuò)誤接受率和錯(cuò)誤拒絕率，取 值范圍為
，即每 一 個(gè)(E4凡i^i )是( Receiver Operator Characteristics)曲線上的一個(gè)點(diǎn)。
優(yōu)選地，步驟S223中所述單元分類器A,W)為任意的單調(diào)遞增函 數(shù)，即當(dāng)0,一l時(shí)，須有WA)〉W&);所述步驟S223具體包括
選擇一個(gè)單調(diào)遞增函數(shù)/v求出當(dāng)前特征的特征值A(chǔ)，最后計(jì)算單 元分類器的輸出化W,)。所述單調(diào)遞增函數(shù)為sigmoid函數(shù)。
優(yōu)選地，步驟S224中所述更新訓(xùn)練樣本權(quán)重采用如下公式
w, (x, )sigmf (—少力,W (x)), yg, 0) (x,) =-^-
其中，w,0c,)是樣本x,的當(dāng)前權(quán)重，M^(;c,)是經(jīng)過權(quán)重更新后的樣 本權(quán)重，sigmf(x,/ ,0)是一個(gè)sigmoid函數(shù)；x e《+l,-l》是訓(xùn)練樣本jc,的 類別標(biāo)號(hào)，正樣本取值為l，負(fù)樣本取值為-l; Z,是一個(gè)歸一化系數(shù)， 使得w,+,(x,)在所有訓(xùn)練樣本上能夠組成一個(gè)概率密度函數(shù)。優(yōu)選地，所述步驟S225包括迭代地調(diào)用步驟S222至S224，不 斷選擇出在當(dāng)前樣本權(quán)重分布下分類能力最強(qiáng)的虹膜局域化定序測(cè)量 特征，并根據(jù)該定序測(cè)量特征在正負(fù)訓(xùn)練樣本上的分布情況構(gòu)建單元 分類器，然后將構(gòu)建的單元分類器組合成為虹膜組合分類器。
優(yōu)選地，所述步驟S3包括
531、 構(gòu)建層次化的虹膜分類器；
532、 使用層次化虹膜分類器對(duì)輸入的虹膜特征模板進(jìn)行快速比對(duì)。
優(yōu)選地，所述步驟S31包括使用層次化的分類器結(jié)構(gòu)對(duì)選擇出 來的定序測(cè)量特征進(jìn)行重新優(yōu)化組合，把該定序測(cè)量特征分成幾組， 每--組稱為一個(gè)層次分類器。
優(yōu)選地，所述步驟S32包括輸入兩個(gè)待比對(duì)的虹膜特征模板， 把這兩個(gè)虹膜特征模板對(duì)應(yīng)的特征依次通過各個(gè)層次分類器，只要任 意一層的層次分類器認(rèn)為這兩個(gè)模板不匹配，就直接輸出不匹配結(jié)果， 只有通過所有層次分類器驗(yàn)證的兩個(gè)模板才認(rèn)為是相互匹配的兩個(gè)模 板。
(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)明提供的這種虹膜圖像魯棒特征選擇和快速比對(duì)的方法， 能夠抽取最能有效描述虹膜紋理的特征，并實(shí)現(xiàn)了對(duì)特征模板進(jìn)行快 速比對(duì)。
2、 本發(fā)明提供的這種虹膜圖像魯棒特征選擇和快速比對(duì)的方法，
基于局部多極子定序測(cè)量特征的虹膜紋理魯棒表達(dá)所使用的多極子濾 波器，具有配置簡(jiǎn)單靈活、計(jì)算速度快、魯棒性高、表達(dá)能力強(qiáng)的優(yōu)
點(diǎn)；同時(shí)局域分割的方法充分考慮了虹膜不同區(qū)域之間紋理分布的特 性，能夠更加有效地對(duì)虹膜紋理進(jìn)行個(gè)性化的表達(dá)和描述。
3、 本發(fā)明提供的這種虹膜圖像魯棒特征選擇和快速比對(duì)的方法， 提出的以相似度為導(dǎo)向的虹膜特征選擇和融合算法，打破了以往特征 選擇算法完全依賴樣本分布的統(tǒng)計(jì)意義而忽略樣本的物理意義的局
10限；所使用的特征選擇器能夠直接優(yōu)化樣本分類的錯(cuò)誤率；所使用的
單元分類器(Unit Classifier)是基于正負(fù)樣本的累積分布建立的，從 而在考慮樣本統(tǒng)計(jì)意義的同時(shí)充分考慮了樣本內(nèi)在的物理含義(相似 度含義)；最后，所使用的基于Sigmoid函數(shù)的權(quán)重更新方法更加靈活， 充分考慮了特征訓(xùn)練過程中收斂速度和魯棒性的折衷。上述優(yōu)點(diǎn)使得 該方法所選的特征分類能力強(qiáng)，能夠更加有效地對(duì)虹膜進(jìn)行分類。
4、 本發(fā)明提供的這種虹膜圖像魯棒特征選擇和快速比對(duì)的方法， 提出的基于層次化分類器的虹膜特征模板快速比對(duì)算法，打破了以往 方法在特征模板比對(duì)時(shí)需要計(jì)算模板中所有特征的局限。對(duì)于一對(duì)明 顯不匹配的特征模板，該方法僅僅利用少數(shù)幾個(gè)特征就可以認(rèn)定該特 征模板對(duì)不匹配，因此可以大大節(jié)省特征模板比對(duì)的速度(在本發(fā)明 的實(shí)驗(yàn)中，往往可以提高4至5倍的比對(duì)速度)。
5、 本發(fā)明提供的這種虹膜圖像魯棒特征選擇和快速比對(duì)的方法， 使魯棒、快速的虹膜識(shí)別成為可能，可廣泛應(yīng)用于使用虹膜識(shí)別進(jìn)行 身份認(rèn)證或者識(shí)別的系統(tǒng)中，比如虹膜機(jī)場(chǎng)安檢系統(tǒng)、虹膜出入境身 份認(rèn)證系統(tǒng)、虹膜ATM機(jī)、虹膜門禁系統(tǒng)、虹膜手機(jī)、虹膜PC登錄 系統(tǒng)等。


圖l是本發(fā)明提供的虹膜圖像魯棒特征選擇和快速比對(duì)的方法流 程圖2是虹膜圖像的局域化分割示意圖，圖中T20示出了一個(gè)局域化 虹膜子區(qū)域在原始虹膜圖像和在預(yù)處理后的歸一化虹膜圖像上的對(duì)應(yīng) 關(guān)系；
圖3是三個(gè)典型的多極子濾波器及其定序測(cè)量編碼過程示例，其 中，T301至T303示出三個(gè)典型的以高斯濾波器為極子的多極子濾波器， T321至T322示出兩個(gè)局域化的虹膜子區(qū)域，T311至T316示出了T301至 T303分別在T321至T322上進(jìn)行多極子定序測(cè)量特征編碼的結(jié)果； 圖4是以相似度為導(dǎo)向的虹膜特征選擇和融合的方法流程框圖； 圖5是特征概率密度函數(shù)、累計(jì)分布函數(shù)以及基于該特征建立的單元分類器的示例，其中，
(a) 是該特征在正負(fù)樣本上的概率密度分布函數(shù)；
(b) 是該特征在正負(fù)樣本上的累積分布函數(shù)；
(c) 是基于該特征的累積分布構(gòu)建的單元分類器； 圖6是使用以相似度為導(dǎo)向的虹膜特征選擇和融合方法挑選出的
前四個(gè)分類能力最強(qiáng)的局域定序測(cè)量特征的位置及其對(duì)應(yīng)的多極子濾 波器；
圖7是傳統(tǒng)組合分類器和層次化分類器的特征模板比對(duì)流程，其中
(a) 是傳統(tǒng)的組合分類器的特征模板比對(duì)流程，所有特征都需要 計(jì)算；
(b) 是層次化分類器的分類流程，只要任意一個(gè)層次分類器認(rèn)為 比對(duì)失敗，該比對(duì)過程失敗。
具體實(shí)施例方式
下面結(jié)合

本發(fā)明技術(shù)方案中所涉及的技術(shù)問題。應(yīng)指出 的是，所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何 限定作用。
虹膜是人眼中介于黑色瞳孔和白色鞏膜之間的圓環(huán)狀區(qū)域，呈現(xiàn) 豐富的紋理，虹膜識(shí)別就是指根據(jù)每個(gè)人的虹膜紋理的不同來識(shí)別人 的身份。大量醫(yī)學(xué)和計(jì)算機(jī)科學(xué)的研究表明，虹膜紋理的分布具有很
多優(yōu)良的特性，比如
1. 隨機(jī)性和唯一性不同眼睛的虹膜紋理高度隨機(jī)、各不相同；
2. 角度方向的自相似性同一虹膜圖像的不同角度方向上的虹膜
紋理分布具有某種程度的相似性，如圖2 (a)中的虹膜圖像所示。
3. 半徑方向的延伸性虹膜紋理沿著半徑方向延伸。 一般來講， 半徑越大，虹膜紋理斑塊越大，紋理的'密度'越低。
上述虹膜紋理的分布特性啟發(fā)我們，虹膜圖像中不同區(qū)域的紋理 尺度各不相同，在不同的區(qū)域應(yīng)該使用不同的濾波器對(duì)虹膜紋理進(jìn)行 特征抽取，從而達(dá)到對(duì)虹膜紋理進(jìn)行個(gè)性化描述的目的。
本發(fā)明采用圖像的定序測(cè)量特征對(duì)局域化的虹膜紋理進(jìn)行表達(dá)和描述。定序測(cè)量特征通過比較圖像中兩個(gè)不同區(qū)域的灰度高低對(duì)圖像 進(jìn)行定性地表達(dá)和描述，即編碼。大量計(jì)算機(jī)科學(xué)和認(rèn)知心理學(xué)的研 究表明，定序測(cè)量特征對(duì)光照和噪聲魯棒、計(jì)算速度快。同時(shí)，利用 信息論的知識(shí)可以證明，大量定序測(cè)量特征的組合可以包含非常龐大 的信息量。上述優(yōu)點(diǎn)使得定序測(cè)量特征特別適合用于描述具有高度隨 機(jī)性的虹膜紋理。
根據(jù)上述分析，本發(fā)明提出虹膜圖像魯棒特征選擇和快速比對(duì)方 法，其流程框圖如圖l所示，包括以下步驟
51、 采用區(qū)域多極子定序測(cè)量特征對(duì)虹膜紋理進(jìn)行表達(dá)；
52、 以相似度為導(dǎo)向的虹膜特征選擇和融合；
53、 基于層次化分類器對(duì)虹膜特征模板進(jìn)行快速比對(duì)。
下面對(duì)本發(fā)明涉及的關(guān)鍵步驟進(jìn)行逐一說明。本發(fā)明所述方法中
各個(gè)基本步驟的具體形式如下所述
首先，步驟S1是采用區(qū)域多極子定序測(cè)量特征對(duì)虹膜紋理進(jìn)行表達(dá)。
為了對(duì)不同虹膜區(qū)域的紋理進(jìn)行個(gè)性化的描述和表達(dá)，我們沿半 徑和角度方向?qū)⒑缒D像分成很多小塊，然后使用多尺度、多方向的 多極子濾波器對(duì)每個(gè)小塊進(jìn)行濾波，得到該局域小塊的定序測(cè)量特征 用于表達(dá)其紋理。具體過程如下
511、 將虹膜圖像沿半徑和角度方向進(jìn)行分割，劃分出虹膜圖像的 局部子區(qū)域。虹膜紋理具有多尺度性、角度方向的自相似性和半徑方 向的延伸性等固有特性?；谶@些特性，我們把虹膜圖像沿半徑和角
度方向進(jìn)行分割，圖2示出了一種虹膜局域分割的示意圖，其中圖2 (a)示出了在直角坐標(biāo)系下的虹膜圖像分割示意圖，圖2 (b)示出虹 膜圖像預(yù)處理后在虹膜歸一化圖像上對(duì)應(yīng)的分割示意圖。在實(shí)際使用 中，我們可以產(chǎn)生更多的類似分割結(jié)果，所得到的子區(qū)域之間相互重 疊，從而能夠充分覆蓋整個(gè)虹膜區(qū)域。
512、 設(shè)計(jì)多極子濾波器。多極子濾波器由多個(gè)位置不一、正負(fù)不 一、尺度不一和形狀不一的低通濾波器(如高斯濾波器)聯(lián)合組成。每個(gè)低通濾波器稱為一個(gè)'極子，，所有'極子，的系數(shù)和為零，因此多極 子濾波器可以看作是一種形式靈活的差分濾波器。多極子濾波器可以 二值化編碼被正負(fù)極子覆蓋的圖像區(qū)域的灰度定序測(cè)量關(guān)系。大量定 序測(cè)量系數(shù)的組合具有非常高的信息容量，因此可以有效地對(duì)圖像紋
理進(jìn)行表達(dá)和描述。圖3中T301-T303示出三個(gè)典型的以高斯濾波器 作為單個(gè)'極子'的多極子濾波器。
S13、采用設(shè)計(jì)的多極子濾波器對(duì)分割得到的每個(gè)局部子區(qū)域進(jìn)行 濾波，抽取定序測(cè)量特征，用抽取的定序測(cè)量特征表達(dá)虹膜紋理。使 用步驟S12產(chǎn)生的多極子濾波器(假設(shè)共有M)對(duì)每個(gè)局部子區(qū)域?yàn)V
波后抽取定序測(cè)量特征，過程如下
分別計(jì)算被多極子濾波器正負(fù)極子覆蓋區(qū)域的平均灰度G+(;c,力
和cr(x,力，其計(jì)算公式如下
G+(x,;;)=f/(x,;;)*y;+(x,>0 (1.1)
G—(x，力=i>(x,W*/,(x，:K) (1.2) 其中/(x,力表示預(yù)處理之后的虹膜歸一化圖像，iV+，AT分別表示多
極子濾波器中正負(fù)極子的數(shù)目，/+和y;-分別表示第/和第7'個(gè)正極子或 負(fù)極子，*表示圖像巻積；
得到g+"力和cr(u)之后，比較二者大小，如果在某個(gè)像素點(diǎn)上 (T(x,W大于G-(x,力，那么將圖像的該像素點(diǎn)編碼為i,否則編碼為o。 圖3給出了三個(gè)典型的多極子濾波器在兩個(gè)虹膜局部子區(qū)域上的濾波 編碼過程。從中我們可以看出，不同的多極子濾波器產(chǎn)生不同的局域 化定序測(cè)量特征，并且該特征能夠很好地表達(dá)不同虹膜紋理的差異。
假設(shè)我們?cè)诓襟ESll中共劃分了 N個(gè)子區(qū)域，在步驟S12中共生 成了 M個(gè)多極子濾波器，那么就會(huì)產(chǎn)生N*M個(gè)候選的局域化定序測(cè) 量特征。比如圖3中我們有3個(gè)多極子濾波器T301-T303， 2個(gè)局部子 區(qū)域T321-T322,那么就可以生成如圖3中T311-T316所示的6個(gè)局域
定序測(cè)量特征。這些特征是高度冗余的，這種冗余一方面來自于不同 區(qū)域之間的相關(guān)性， 一方面來自于不同濾波器之間的相關(guān)性。其次，步驟S2是以相似度為導(dǎo)向的虹膜特征選擇和融合。該步驟 采用以相似度為導(dǎo)向的特征選擇和融合方法從定序測(cè)量特征中選取最 優(yōu)的、分類能力最強(qiáng)的虹膜特征，構(gòu)建用于最終的虹膜識(shí)別的單元分 類器組合。
如前所述，Sl產(chǎn)生了大量高度冗余的虹膜紋理定序測(cè)量特征。冗 余特征在提高識(shí)別精度的同時(shí)也帶來了很高的存儲(chǔ)和計(jì)算負(fù)擔(dān)。為了 減少所需的存儲(chǔ)空間和計(jì)算消耗，以相似度為導(dǎo)向的特征選擇和融合 算法通過一種機(jī)器學(xué)習(xí)機(jī)制選取最優(yōu)的、分類能力最強(qiáng)的虹膜特征， 并構(gòu)建相應(yīng)的單元分類器組合后用于最終的虹膜識(shí)別。該方法的流程 圖如圖4所示，過程如下
521、 產(chǎn)生訓(xùn)練樣本。從數(shù)據(jù)庫(kù)中選擇虹膜圖像用作訓(xùn)練集，對(duì)選
擇的虹膜圖像進(jìn)行預(yù)處理，在每幅預(yù)處理后的圖像上抽取局域化的定 序測(cè)量特征作為待選的特征，并計(jì)算任意兩幅圖像之間的差值圖像， 將計(jì)算任意兩幅圖像之間差值圖像時(shí)得到的相似度分?jǐn)?shù)作為該局域定 序測(cè)量特征的一個(gè)訓(xùn)練樣本。
為了選擇最優(yōu)的虹膜特征首先需要一組訓(xùn)練樣本，為此，我們從
CASIA—IrisV3一Lamp數(shù)據(jù)庫(kù)中選擇了 6000幅虹膜圖像用作訓(xùn)練集。對(duì) 這6000幅圖像進(jìn)行預(yù)處理(即虹膜定位、虹膜歸一化)之后，我們?cè)?每幅歸一化好的圖像上按照S1所述方法抽取局域化的定序測(cè)量特征作 為待選的特征。同時(shí)，我們計(jì)算任意兩幅圖像之間的差值圖像，此處 差值圖像是通過計(jì)算該圖像對(duì)之間對(duì)應(yīng)的局域化定序測(cè)量特征編碼的 相似度得到的，每一個(gè)相似度分?jǐn)?shù)作為該局域定序測(cè)量特征的一個(gè)訓(xùn) 練樣本。因此，每一個(gè)訓(xùn)練樣本都具有一個(gè)內(nèi)在的物理含義——相似 度。另外，如果該差值圖像對(duì)應(yīng)的兩幅圖像來自相同的眼睛，那么該 差值圖像為正樣本，否則為負(fù)樣本。
522、 學(xué)習(xí)和建立虹膜組合分類器。以相似度為導(dǎo)向的特征選擇和 融合方法通過迭代地調(diào)用特征選擇器，從候選特征集合里不斷選擇在 當(dāng)前樣本權(quán)重分布情況下最優(yōu)的特征，同時(shí)根據(jù)該特征在正負(fù)樣本上 的分布來構(gòu)建相應(yīng)的單元分類器，并將構(gòu)建的單元分類器組合成為虹
15膜組合分類器。
以相似度為導(dǎo)向的特征選擇和融合方法通過迭代地調(diào)用特征選擇
器(Feature Selector)從候選特征集合里不斷選擇在當(dāng)前樣本權(quán)重分布 情況下最優(yōu)的特征《("，同時(shí)根據(jù)該特征在正負(fù)樣本上的分布構(gòu)建相
應(yīng)的單元分類器W-,OO)。所有選擇出的單元分類器組合后成為一個(gè)強(qiáng) 的組合分類器
<formula>formula see original document page 16</formula>
其中，sign(x)是一個(gè)示性函數(shù)，當(dāng);oO時(shí)輸出為l，否則輸出為0;
《(x)表示在第/步時(shí)訓(xùn)練樣本分布下最優(yōu)的特征；/7,W0O)是基于《0O建
立的單元分類器。
上述特征選擇和融合過程S22又包括如下四個(gè)子流程
S221、初始化訓(xùn)練樣本的權(quán)重。假設(shè)在,S21中我們產(chǎn)生了A^個(gè)正
樣本和AT個(gè)負(fù)樣本，則第/個(gè)訓(xùn)練樣本x,的初始化權(quán)重為
如果x,為正樣本
2f (3)
如果x,.為負(fù)樣本
S222、在當(dāng)前樣本權(quán)重分布下選擇最優(yōu)特征。最優(yōu)特征選擇是指 選取在當(dāng)前訓(xùn)練樣本權(quán)重分布條件下分類能力最強(qiáng)的局域化定序測(cè)量 特征。為此，本發(fā)明提出使用丄og^C/C作為特征選擇器來選擇最優(yōu)的 特征。此處，使用某個(gè)特征在訓(xùn)練樣本上進(jìn)行分類的丄og^C/C的計(jì)算 方式如下<formula>formula see original document page 16</formula>
其中化W (False Accept Rate)是指使用該特征在訓(xùn)練集上分類時(shí) 的錯(cuò)誤接受率，F(xiàn)朋(False Reject Rate)是指使用該特征在訓(xùn)練集上分 類時(shí)的錯(cuò)誤拒絕率，即每一個(gè)(^4i ,F朋)是i (9C (Receiver Operator Characteristics)曲線上的一個(gè)點(diǎn)。
在計(jì)算每個(gè)特征對(duì)應(yīng)的kg - ^/7C之后，我們選擇使log - 最小 的特征作為當(dāng)前最好的特征，即
Zc^-爿6C二 :+M/^log(層)—(4)<formula>formula see original document page 17</formula>
其中，0,表示當(dāng)前分類能力最強(qiáng)的特征，①表示所有待選局域化定
序測(cè)量特征。
5223、 根據(jù)當(dāng)前最優(yōu)特征建立單元分類器。單元分類器/z,^,0O)的 作用是根據(jù)樣本在特征《("上的取值輸出一個(gè)置信度分?jǐn)?shù)，分?jǐn)?shù)越高， 說明輸入樣本x (此處指參與比對(duì)的一個(gè)虹膜圖像對(duì))為正樣本(即該 虹膜圖像對(duì)比對(duì)成功)的可能性越大。本發(fā)明中，單元分類器WA)可 以為任意的單調(diào)遞增函數(shù)，即當(dāng)《一&時(shí)，須有A,W,)〉W^)。
步驟S223具體包括選擇一個(gè)單調(diào)遞增函數(shù)A,，求出當(dāng)前特征的
特征值-,，最后計(jì)算單元分類器的輸出A,W,)。
舉例來講，單元分類器可通過下式得到
/z,(《)=2sigmf (C:④-C:④,a, 0) -1 (6 )
其中sigmf(x,a,c)M/(l + exp(-a0-c)))是一個(gè)斜率為a ， 中心為c的 sigmoid函數(shù)；C:W,),C:W)分別是正負(fù)訓(xùn)練樣本的雙向累積分布，通過 下式計(jì)算
C，= 「' (7)
上式中/CW,),P"7W,)是A00在正負(fù)訓(xùn)練樣本上的概率密度函數(shù)。圖 5(a)示出一個(gè)特征《(x)在訓(xùn)練樣本上的概率密度函數(shù)，圖5(b)示出《(x) 對(duì)應(yīng)的雙向累積分布函數(shù)，圖5(c)給出了根據(jù)《(x)和公式(6)建立的 單元分類器的分類輸出曲線。注意，此處sigmoid函數(shù)可以替換為其他 的單調(diào)遞增函數(shù)。
5224、 更新訓(xùn)練樣本權(quán)重。每次選擇出一個(gè)最優(yōu)特征并構(gòu)建單元
分類器后，需要對(duì)樣本權(quán)重進(jìn)行更新，從而使下次選擇時(shí)能夠更加注
重在上一輪中識(shí)別結(jié)果差的樣本。具體的樣本權(quán)重更新方法如下
，,，"、w,(x,)sigmfC,W(x)),p,0) fQ、 ) =-z -~~ 、 y 乂
上式中w,(x,)是樣本x,的當(dāng)前權(quán)重；w,+,(x,)是經(jīng)過權(quán)重更新后的樣 本權(quán)重；sigmf(x,/ ,0)是一個(gè)sigmoid函數(shù)；乂 e 1}是訓(xùn)練樣本x,的
17類別標(biāo)號(hào)，正樣本取值為l，負(fù)樣本取值為-l; Z,是一個(gè)歸一化系數(shù)， 使得w,+,(x,)在所有訓(xùn)練樣本上能夠組成一個(gè)概率密度函數(shù)。
S225、迭代地調(diào)用步驟S222至S224，構(gòu)建虹膜組合分類器。以 相似度為導(dǎo)向的特征選擇和融合算法通過迭代地調(diào)用上述步驟S222至 S224不斷選擇出在當(dāng)前樣本權(quán)重分布下分類能力最強(qiáng)的虹膜局域化定
序測(cè)量特征，并根據(jù)該特征在正負(fù)訓(xùn)練樣本上的分布情況構(gòu)建單元分 類器。所有單元分類器組合在一起成為一個(gè)增強(qiáng)的虹膜分類器，可以 有效的進(jìn)行虹膜分類。圖6中T601-T604示出通過該特征選擇和融合 算法挑選的前四個(gè)分類能力最強(qiáng)的局域定序測(cè)量特征在虹膜圖像中的 位置及其對(duì)應(yīng)的多極子濾波器，從圖6我們可以看出，該方法選擇出 的特征基本集中在虹膜圖像中靠近瞳孔且眼皮、睫毛和陰影遮擋可能 小的區(qū)域，這充分說明了本發(fā)明提出的特征選擇算法的有效性。
最后，步驟S3是基于層次化分類器對(duì)虹膜特征模板進(jìn)行快速比 對(duì)。虹膜識(shí)別抽取當(dāng)前用戶提供的測(cè)試虹膜圖像的紋理特征，并將抽 取得到的紋理特征與虹膜數(shù)據(jù)庫(kù)中預(yù)先存儲(chǔ)的特征進(jìn)行比對(duì)，以確定 當(dāng)前用戶的身份。如圖6(a)所示，傳統(tǒng)的虹膜識(shí)別算法在特征模板比 對(duì)時(shí)需要把特征模板中存儲(chǔ)的特征一一比對(duì)，圖6中/;,表示第/個(gè)單元 分類器，對(duì)應(yīng)一個(gè)特征。隨著數(shù)據(jù)庫(kù)中模板數(shù)目的不斷增加，使用這 種特征模板比對(duì)方式所需的時(shí)間消耗也越來越大。為了加快特征模板 比對(duì)速度，我們提出一種層次化的虹膜特征模板快速比對(duì)方法，其具 體過程如下
531、 構(gòu)建層次化的虹膜分類器。使用層次化的分類器結(jié)構(gòu)對(duì)選擇 出來的定序測(cè)量特征進(jìn)行重新優(yōu)化組合，把該定序測(cè)量特征分成幾組， 每一組稱為一個(gè)層次分類器。圖6(b)示出一個(gè)層次化分類器的例子；
532、 使用層次化虹膜分類器對(duì)輸入的虹膜特征模板進(jìn)行快速比 對(duì)。輸入兩個(gè)待比對(duì)的虹膜特征模板，把這兩個(gè)虹膜特征模板對(duì)應(yīng)的 特征依次通過各個(gè)層次分類器，只要任意一層的層次分類器認(rèn)為這兩 個(gè)模板不匹配，就直接輸出不匹配結(jié)果，只有通過所有層次分類器驗(yàn) 證的兩個(gè)模板才認(rèn)為是相互匹配的兩個(gè)模板。
如圖6 (b)所示，在使用層次化分類器對(duì)虹膜特征模板進(jìn)行比對(duì)的時(shí)候，只要任意一個(gè)層次分類器認(rèn)為當(dāng)前參與比對(duì)的兩個(gè)模板不匹 配，就直接輸出比對(duì)失敗的結(jié)果。
層次化的虹膜分類器使得我們能夠只用少數(shù)的特征就可以快速的 排除大部分不匹配模板，從而大大提高了特征模板匹配速度。假設(shè)比
對(duì)一個(gè)特征需要的計(jì)算時(shí)間為c。， S2—共選擇了T個(gè)特征。那么，在
沒有使用層次化分類器之前，為了排除一個(gè)負(fù)樣本我們需要的計(jì)算時(shí)
間是
c。一,=《 (10) 在使用了層次化分類器之后，我們需要的計(jì)算時(shí)間為
Cc,。^。K,wft(卜。) (11)
其中，^是層次分類器的數(shù)目；z;為第/個(gè)層次分類器中單元分類 器的數(shù)目，滿足7^2^z;; ^是進(jìn)入了第/個(gè)層次分類器(即通過了前卜i 個(gè)層次分類器的驗(yàn)證但是被第/個(gè)層次分類器拒絕的負(fù)樣本的比例)。
如果在一次實(shí)驗(yàn)中，T二24,s-4,7; —r4 =4,4,8,8,《-尸4 = 0.75，0.68,0.813，1.0 ， 按照這個(gè)配置，C。，,=24c。， C(,_A=4.32c。，因此，經(jīng)過層次化的優(yōu)化 設(shè)計(jì)之后，特征比對(duì)速度提高了近5.56倍。從而為虹膜識(shí)別在大規(guī)模 數(shù)據(jù)庫(kù)下的應(yīng)用提供了可靠的速度保證。
下面結(jié)合具體實(shí)例說明基于虹膜圖像分析的身份認(rèn)證方法在門禁 控制中的應(yīng)用。本發(fā)明可廣泛應(yīng)用于使用虹膜進(jìn)行身份認(rèn)證和識(shí)別的 場(chǎng)景。 一個(gè)典型的應(yīng)用是門禁控制系統(tǒng)。假設(shè)在某大廈入口處安裝了 一套虹膜識(shí)別系統(tǒng)，當(dāng)何某想要進(jìn)入大廈時(shí)，大廈需要對(duì)何某的身份 做一個(gè)認(rèn)證。此時(shí)，何某只需要注視一下虹膜識(shí)別采集攝像頭，該虹 膜識(shí)別系統(tǒng)就可把采集到的虹膜圖像輸入到基于本發(fā)明開發(fā)的虹膜識(shí) 別算法系統(tǒng)中。算法系統(tǒng)首先準(zhǔn)確分割出輸入圖像中的虹膜有效區(qū)域， 然后識(shí)別系統(tǒng)會(huì)根據(jù)本發(fā)明所述方法進(jìn)行特征抽取，并同數(shù)據(jù)庫(kù)中存 儲(chǔ)的特征模板進(jìn)行比對(duì)，從而驗(yàn)證何某是否是以合法身份進(jìn)入大廈。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)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，
19本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1、一種虹膜圖像魯棒特征選擇和快速比對(duì)的方法，其特征在于，該方法包括S1、采用區(qū)域多極子定序測(cè)量特征對(duì)虹膜紋理進(jìn)行表達(dá)；S2、以相似度為導(dǎo)向的虹膜特征選擇和融合；S3、基于層次化分類器對(duì)虹膜特征模板進(jìn)行快速比對(duì)。
2、 根據(jù)權(quán)利要求1所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，所述步驟S1包括511、 將虹膜圖像沿半徑和角度方向進(jìn)行分割，劃分出虹膜圖像的 局部子區(qū)域；512、 設(shè)計(jì)多極子濾波器；513、 采用設(shè)計(jì)的多極子濾波器對(duì)每個(gè)局部子區(qū)域進(jìn)行濾波，抽取 定序測(cè)量特征，用抽取的定序測(cè)量特征表達(dá)虹膜紋理。
3、 根據(jù)權(quán)利要求2所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，步驟S12中所述的多極子濾波器由多個(gè)位置不一、正負(fù)不一、尺 度不一和形狀不一的低通濾波器聯(lián)合組成，每個(gè)低通濾波器稱為一個(gè) 極子，系數(shù)為正值的極子又稱為正極子，系數(shù)為負(fù)值的極子又稱為負(fù) 極子，所有極子的系數(shù)和為零；步驟S13中所述采用設(shè)計(jì)的多極子濾波器對(duì)每個(gè)局部子區(qū)域進(jìn)行濾波并抽取定序測(cè)量特征包括'分別計(jì)算被多極子濾波器正負(fù)極子覆蓋區(qū)域的平均灰度G+(x,力和G-(x,W，其計(jì)算公式如下<formula>formula see original document page 2</formula>其中，/(x,力表示預(yù)處理之后的虹膜歸一化圖像，,，AT分別表示多極子濾波器中正負(fù)極子的數(shù)目，/;+和//分別表示第,和第y個(gè)正極子或負(fù)極子，*表示圖像巻積；得到(r(u)和G-(x,力之后，比較二者大小，如果在某個(gè)像素點(diǎn)上 G+(x,y)大于G-(x,力，那么將圖像的該像素點(diǎn)編碼為1，否則編碼為0。
4、 根據(jù)權(quán)利要求1所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，所述步驟S2包括采用以相似度為導(dǎo)向的特征選擇和融合方法從定序測(cè)量特征中選 取最優(yōu)的、分類能力最強(qiáng)的虹膜特征，構(gòu)建用于最終的虹膜識(shí)別的單 元分類器組合。
5、 根據(jù)權(quán)利要求4所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，所述選取和構(gòu)建的過程具體包括S21、 產(chǎn)生訓(xùn)練樣本；S22、 學(xué)習(xí)和建立虹膜組合分類器。
6、 根據(jù)權(quán)利要求5所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，所述步驟S21包括從數(shù)據(jù)庫(kù)中選擇虹膜圖像用作訓(xùn)練集，對(duì)選擇的虹膜圖像進(jìn)行預(yù) 處理，在每幅預(yù)處理后的圖像上抽取局域化的定序測(cè)量特征作為待選 的特征，并計(jì)算任意兩幅圖像之間的差值圖像，將計(jì)算任意兩幅圖像 之間差值圖像時(shí)得到的相似度分?jǐn)?shù)作為該局域定序測(cè)量特征的一個(gè)訓(xùn) 練樣本。
7、 根據(jù)權(quán)利要求6所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，所述對(duì)選擇的虹膜圖像進(jìn)行預(yù)處理，是對(duì)選擇的虹膜圖像進(jìn)行虹 膜定位和虹膜歸一化；所述計(jì)算任意兩幅圖像之間的差值圖像，是通過計(jì)算任意兩幅圖 像之間對(duì)應(yīng)的局域化定序測(cè)量特征編碼的相似度實(shí)現(xiàn)的。
8、 根據(jù)權(quán)利要求5所述的虹膜圖像魯棒特征選擇和快速比對(duì)的方 法，其特征在于，所述步驟S22包括以相似度為導(dǎo)向的特征選擇和融合方法通過迭代地調(diào)用特征選擇 器，從候選特征集合里不斷選擇在當(dāng)前樣本權(quán)重分布情況下最優(yōu)的特 征，同時(shí)根據(jù)該特征在正負(fù)樣本上的分布來構(gòu)建相應(yīng)的單元分類器，并將構(gòu)建的單元分類器組合成為虹膜組合分類器。
9、 根據(jù)權(quán)利要求5或8所述的虹膜圖像魯棒特征選擇和快速比對(duì) 的方法，其特征在于，所述步驟S22具體包括5221、 初始化訓(xùn)練樣本的權(quán)重；5222、 在當(dāng)前樣本權(quán)重分布下選擇最優(yōu)特征；5223、 根據(jù)當(dāng)前最優(yōu)特征建立單元分類器；5224、 更新訓(xùn)練樣本權(quán)重；5225、 迭代地調(diào)用步驟S222至S224，構(gòu)建虹膜組合分類器。
10、 根據(jù)權(quán)利要求9所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，步驟S222中所述選擇最優(yōu)特征采用丄og^t/C作 為特征選擇器進(jìn)行選擇，具體包括計(jì)算每個(gè)特征對(duì)應(yīng)的丄。g — ^t/c ，選擇使丄。g - /(t/C最小的特征作為當(dāng)前最好的特征。
11、 根據(jù)權(quán)利要求IO所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，所述每個(gè)特征對(duì)應(yīng)的丄。g-^"C通過下式計(jì)算Z^-爿LC:OT^log(纖)二^^K^其中/^/ 和月W分別表示使用該特征在訓(xùn)練集上分類時(shí)的錯(cuò)誤接 受率和錯(cuò)誤拒絕率，取值范圍為[O, l]，即每一個(gè)(^4i ,/^/ )是AY C曲線 上的一個(gè)點(diǎn)。
12、 根據(jù)權(quán)利要求9所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，步驟S223中所述單元分類器為任意的單調(diào)遞增函 數(shù)，所述步驟S223具體包括選擇一個(gè)單調(diào)遞增函數(shù)&，求出當(dāng)前特征的特征值A(chǔ)，最后計(jì)算單 元分類器的輸出/7,W,)。
13、 根據(jù)權(quán)利要求12所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，所述單調(diào)遞增函數(shù)為sigmoid函數(shù)。
14、 根據(jù)權(quán)利要求9所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，步驟S224中所述更新訓(xùn)練樣本權(quán)重采用如下公式<formula>formula see original document page 5</formula>其中，w,(x,)是樣本x,的當(dāng)前權(quán)重，w,+，(x,)是經(jīng)過權(quán)重更新后的樣 本權(quán)重，sigmf(x,",0)是一個(gè)sigmoid函數(shù)；_y, e{+1，-1}是訓(xùn)練樣本x,的 類別標(biāo)號(hào)，正樣本取值為l，負(fù)樣本取值為-l; Z,是一個(gè)歸一化系數(shù)， 使得w,+,0O在所有訓(xùn)練樣本上能夠組成一個(gè)概率密度函數(shù)；所述步驟S225包括迭代地調(diào)用步驟S222至S224，不斷選擇出在當(dāng)前樣本權(quán)重分布下分類能力最強(qiáng)的虹膜局域化定序測(cè)量特征，并根據(jù)該定序測(cè)量特征在正負(fù)訓(xùn)練樣本上的分布情況構(gòu)建單元分類器，然后將構(gòu)建的單元分類器組合成為虹膜組合分類器。
15、 根據(jù)權(quán)利要求1所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，所述步驟S3包括S31、 構(gòu)建層次化的虹膜分類器；S32、 使用層次化虹膜分類器對(duì)輸入的虹膜特征模板進(jìn)行快速比對(duì)。
16、 根據(jù)權(quán)利要求15所述的虹膜圖像魯棒特征選擇和快速比對(duì)的 方法，其特征在于，所述步驟S31包括使用層次化的分類器結(jié)構(gòu)對(duì)選擇出來的定序 測(cè)量特征進(jìn)行重新優(yōu)化組合，把該定序測(cè)量特征分成幾組，每一組稱 為一個(gè)層次分類器；所述步驟S32包括輸入兩個(gè)待比對(duì)的虹膜特征模板，把這兩個(gè) 虹膜特征模板對(duì)應(yīng)的特征依次通過各個(gè)層次分類器，只要任意一層的 層次分類器認(rèn)為這兩個(gè)模板不匹配，就直接輸出不匹配結(jié)果，只有通 過所有層次分類器驗(yàn)證的兩個(gè)模板才認(rèn)為是相互匹配的兩個(gè)模板。
全文摘要
本發(fā)明公開了一種虹膜圖像魯棒特征選擇和快速比對(duì)的方法，該方法包括S1.采用區(qū)域多極子定序測(cè)量特征對(duì)虹膜紋理進(jìn)行表達(dá)；S2.以相似度為導(dǎo)向的虹膜特征選擇和融合；S3.基于層次化分類器對(duì)虹膜特征模板進(jìn)行快速比對(duì)。利用本發(fā)明，使用以相似度為導(dǎo)向的特征選擇方法選擇區(qū)域定序測(cè)量特征并構(gòu)建組合分類器，采用層次化分類器結(jié)構(gòu)對(duì)得到的組合分類器進(jìn)行重新優(yōu)化組合，實(shí)現(xiàn)了虹膜特征模板的快速比對(duì)。本發(fā)明自動(dòng)學(xué)習(xí)得到的虹膜局部定序測(cè)量特征魯棒性好、識(shí)別精度高，同時(shí)虹膜特征模板比對(duì)速度大大提高，有效解決了虹膜識(shí)別在大規(guī)模數(shù)據(jù)庫(kù)情況下的應(yīng)用難題。本發(fā)明可廣泛用于使用虹膜進(jìn)行身份識(shí)別和安全性防范的諸多應(yīng)用系統(tǒng)中。
文檔編號(hào)G06F21/00GK101539990SQ200810102308
公開日2009年9月23日 申請(qǐng)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(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所