本發(fā)明屬于虹膜識(shí)別領(lǐng)域，特別涉及虹膜模版提取和使用虹膜模版重構(gòu)虹膜圖像的方法。
背景技術(shù)：
：近年來，基于生物特征的識(shí)別技術(shù)越來越受人們的歡迎。所謂的生物識(shí)別技術(shù)，就是計(jì)算機(jī)利用光學(xué)、聲學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)原理等高科技手段，利用人的生理特征，如指紋、臉部、虹膜或聲音等來進(jìn)行身份鑒定。生物識(shí)別技術(shù)因其廣泛性、唯一性和可靠性等優(yōu)點(diǎn)，受到越來越多的關(guān)注。虹膜與其他生物特征相比擁有更高的穩(wěn)定性。隨著人年齡的逐漸增長，虹膜的紋理不會(huì)有太大的變化，且采集時(shí)不需要接觸儀器，不易被盜取復(fù)制，相比于指紋識(shí)別來說更加的可靠和安全。虹膜特征相比于其他生物特征，更適合在廣泛的生物特征識(shí)別系統(tǒng)中應(yīng)用?，F(xiàn)有的虹膜識(shí)別的過程一般是先對(duì)采集到的虹膜圖像進(jìn)行虹膜的定位和分割，然后對(duì)分割出來的環(huán)形圖像進(jìn)行歸一化處理，最后對(duì)處理后的圖像進(jìn)行特征的提取，將提取出來的特征在數(shù)據(jù)庫中注冊(cè)并存儲(chǔ)以備之后的匹配。注冊(cè)時(shí)提取的特征作為模板存儲(chǔ)在數(shù)據(jù)庫中，由于虹膜圖片采集的過程中會(huì)出現(xiàn)有旋轉(zhuǎn)、光照、遮擋等影響，即使是同一個(gè)眼睛，每次采集到的圖片也會(huì)有所不同，而相應(yīng)的虹膜特征也會(huì)有所變化，因而傳統(tǒng)的加密算法如md5不能直接用于特征模板的加密，這個(gè)不加密的模板就會(huì)以“裸”數(shù)據(jù)的形式直接存儲(chǔ)在數(shù)據(jù)庫中。在獲得了數(shù)據(jù)庫中的這些未加密的虹膜特征的條件下，現(xiàn)有的技術(shù)很少有對(duì)利用從虹膜模版重構(gòu)出其對(duì)應(yīng)的虹膜圖像的研究方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于lle和pso的使用虹膜模版的虹膜重構(gòu)方法，嘗試在得到了虹膜模版的前提下，從虹膜模版重構(gòu)出其對(duì)應(yīng)的虹膜圖像。這個(gè)方法使用的是基于局部線性嵌入算法和粒子群優(yōu)化算法的方法，使用迭代的方式向最優(yōu)解逼近。本發(fā)明的目的通過以下技術(shù)方案實(shí)現(xiàn)：一種基于lle和pso的使用虹膜模版的虹膜重構(gòu)方法，包括以下步驟：s1、訓(xùn)練集和測(cè)試集的處理:采用中科院的casia-iris-interval虹膜圖像數(shù)據(jù)庫作為測(cè)試集，casia-iris-syn數(shù)據(jù)庫作為訓(xùn)練集。在特征提取的方法上，使用daugman的特征提取算法。首先，需要根據(jù)給定的參數(shù)(片塊大小和重疊像素大小)來對(duì)訓(xùn)練集中的圖像和其對(duì)應(yīng)的虹膜模版進(jìn)行切割。測(cè)試集中的虹膜模版也與訓(xùn)練集中的虹膜模版切割一樣的大小。s2、計(jì)算重構(gòu)權(quán)重：使用歐氏距離的距離計(jì)算方法，給測(cè)試集中的每一個(gè)虹膜模版片塊從訓(xùn)練集的虹膜模版片塊中找到其k個(gè)最近鄰，通過最小化重構(gòu)誤差，計(jì)算出重構(gòu)權(quán)重。所有的虹膜模版片塊共用一個(gè)重構(gòu)權(quán)重。s3、初步重構(gòu)虹膜圖像：利用重構(gòu)權(quán)重和訓(xùn)練集，可以計(jì)算出每一個(gè)虹膜模版片塊對(duì)應(yīng)的虹膜圖像片塊。然后使用這些重構(gòu)出來的虹膜圖像片塊來合成測(cè)試集的虹膜模版所對(duì)應(yīng)的虹膜圖像。s4、設(shè)計(jì)粒子群算法的適應(yīng)函數(shù)和粒子運(yùn)動(dòng)速度更新公式：粒子群算法是一個(gè)迭代的算法，它的目的是通過不斷地迭代，逐漸向目標(biāo)逼近，嘗試尋求最優(yōu)解，它需要一個(gè)適應(yīng)函數(shù)來停止迭代。使用海明距的方法來衡量在粒子群算法中各粒子與目標(biāo)的距離，當(dāng)其中一個(gè)粒子與目標(biāo)距離小于一個(gè)閾值時(shí)，就可以停止迭代，這就是粒子群算法的適應(yīng)函數(shù)。在每次迭代中，需要更新每個(gè)粒子的運(yùn)動(dòng)速度，這個(gè)速度是根據(jù)當(dāng)前與目標(biāo)距離最近的粒子來決定的。當(dāng)距離目標(biāo)比較近時(shí)，速度會(huì)比較小，反之則速度會(huì)比較大。s5、粒子群算法迭代：以前面計(jì)算得到的初步的重構(gòu)虹膜圖像作為粒子群算法的初始粒子，而在算法開始前也會(huì)給每個(gè)粒子賦予一個(gè)初始運(yùn)動(dòng)速度。在每一次迭代中，計(jì)算出當(dāng)前與目標(biāo)最接近的一個(gè)粒子，然后其他粒子都朝著這個(gè)粒子運(yùn)動(dòng)，在粒子位置改變之后，再使用上面的速度更新公式，更新用于下一次迭代的速度。當(dāng)當(dāng)前所有粒子與目標(biāo)的最大距離和最小距離小于一個(gè)閾值時(shí)，需要對(duì)粒子進(jìn)行變異操作，以防陷入局部最優(yōu)的困境。優(yōu)選的，步驟s1中對(duì)訓(xùn)練集和測(cè)試集的處理步驟如下：s1.1、s1.1、選取casia-iris-interval中全部定位準(zhǔn)確的虹膜圖像作為測(cè)試集，casia-iris-syn中隨機(jī)的n張圖像作為訓(xùn)練集；對(duì)測(cè)試集和訓(xùn)練集的圖像進(jìn)行定位、切割、歸一化操作；使用daugman的特征提取算法對(duì)歸一化后的矩形虹膜圖像提取特征，使用2d-gabor濾波器對(duì)歸一化矩形進(jìn)行濾波，再對(duì)濾波后得到的矩陣進(jìn)行二值化的處理，值大于0的為1，小于等于0的為0，這樣出來的二值矩陣就是該虹膜的特征；用xt表示輸入的待重構(gòu)的虹膜特征，yt表示使用lle重構(gòu)的歸一化虹膜圖像，xs表示在訓(xùn)練集中的虹膜特征，ys表示虹膜特征對(duì)應(yīng)的虹膜圖像；s1.2、把訓(xùn)練集和測(cè)試集中的圖像進(jìn)行切割操作，切割出的片塊大小為n*n，其中n＝3,5,7...；片塊間重疊的大小為m個(gè)像素，其中m＜n；而圖像對(duì)應(yīng)的虹膜特征也切割出相同數(shù)量的片塊，一個(gè)圖像片塊會(huì)對(duì)應(yīng)一個(gè)特征片塊；用n來表示每個(gè)圖像或虹膜特征分割出的小片塊的數(shù)量，這些小片塊可以表示為其中，優(yōu)選的，所述步驟s2包括以下步驟：s2.1、對(duì)于每一個(gè)在xt中的片塊使用歐氏距離作為計(jì)算距離的標(biāo)準(zhǔn)，在中找到k個(gè)最近鄰；s2.2、定義重構(gòu)誤差公式：其中，ε表示重構(gòu)誤差，w表示重構(gòu)權(quán)重，同時(shí)，公式需要滿足∑w＝1。s2.3、求解最小化重構(gòu)誤差時(shí)的重構(gòu)權(quán)重w。所述步驟s2.3包括以下步驟：s2.3.1、定義局部協(xié)方差矩陣c：其中，j＝1,2,...,k,k＝1,2,...,k，η表示的k個(gè)最近鄰。s2.3.2、重構(gòu)權(quán)重w可以由公式(3)求解獲得。其中，cjk和clm都可通過公式(2)求得。優(yōu)選的，步驟s3包括以下步驟：s3.1、使用的k個(gè)最近鄰和步驟s2.3中求得的重構(gòu)權(quán)重w，可以求得對(duì)應(yīng)的虹膜圖像片塊如公式(4)所示s3.2、使用合成一個(gè)完整的歸一化虹膜圖像yt。合成的過程很簡單，只需按照切割的位置，把放在原位置即可。在使用來合成yt時(shí)，片塊與片塊之間會(huì)出現(xiàn)重疊的部分，這是因?yàn)樵谇懈顣r(shí)是重疊地切割的。在這些重疊的地方，我們使用直接計(jì)算像素值均值的方法來獲得該像素點(diǎn)的像素值。優(yōu)選的，步驟s4包括以下步驟：s4.1、設(shè)計(jì)粒子群算法的適應(yīng)函數(shù)。粒子群算法是一個(gè)迭代的算法，它的目的是通過不斷地迭代，逐漸向目標(biāo)逼近，嘗試尋求最優(yōu)解，它需要一個(gè)適應(yīng)函數(shù)來停止迭代。在虹膜識(shí)別的算法中，一般使用海明距來計(jì)算兩個(gè)虹膜特征的距離，所以在這里也使用海明距來衡量兩個(gè)特征的距離，當(dāng)其中一個(gè)粒子與目標(biāo)距離小于閾值τ時(shí)，就可以停止迭代。設(shè)計(jì)的目標(biāo)函數(shù)如公式(5)所示。其中，co表示輸入的待重構(gòu)的虹膜特征向量，ir表示重構(gòu)的虹膜圖像，f(*)代表的是虹膜特征提取的方法，masko是co的掩膜，在計(jì)算海明距時(shí)會(huì)去掉掩膜所覆蓋的位置來計(jì)算，以去除睫毛、眼瞼等對(duì)虹膜圖像的影響。s4.2、設(shè)計(jì)粒子運(yùn)動(dòng)速度更新公式。我們使用從步驟s3.2中獲得的yt作為pso算法的初始粒子，表示為ym(m＝1,2,...,10)。定義vm(i)為第m個(gè)粒子在第i次迭代中的速度。在每一次迭代中，vm(i)會(huì)根據(jù)當(dāng)前最佳粒子被自適應(yīng)地更新，每個(gè)粒子都會(huì)以速度vm(i)朝著當(dāng)前最佳的粒子運(yùn)動(dòng)。設(shè)計(jì)的速度更新公式如公式(6)所示。vm(i+1)＝ω(i)vm(i)+c1r1(pm(i)-ym(i))+c2r2(g(i)-ym(i))(6)其中，i表示當(dāng)前的迭代數(shù)，c1和c2是給定的常數(shù)，r1和r2是在[0,1]區(qū)間的隨機(jī)數(shù)，pm(i)表示粒子ym在歷次迭代中與輸入的虹膜特征最接近的位置，g(i)表示在上一次迭代后所有粒子中與輸入的虹膜特征最接近的粒子的位置，即全局最優(yōu)粒子，ω是一個(gè)自適應(yīng)的權(quán)重，可以由公式(7)計(jì)算獲得。其中，g(1)表示初始的粒子中，即第一次迭代前最好的粒子；公式(7)可以把ω(i)的取值范圍限定在[0.5,1]的區(qū)間內(nèi)。如果相對(duì)于初始粒子，當(dāng)前的全局最優(yōu)粒子沒有特別大的改進(jìn)的話，ω(i)的值將會(huì)變得比較大，使得粒子可以在一個(gè)較大的空間中進(jìn)行搜索；相反地，如果全局最優(yōu)的粒子相對(duì)于初始粒子的改進(jìn)較大的話，ω(i)的值將會(huì)變得比較小，使得粒子可以在一個(gè)較小的空間內(nèi)進(jìn)行更加精確的搜索，以求找到最優(yōu)的結(jié)果。。優(yōu)選的，步驟s5包括以下步驟：s5.1、為每一個(gè)初始粒子設(shè)定初始速度vm(1)。s5.2、找到當(dāng)前迭代的最佳粒子g(i)，然后所有的粒子以速度vm(i)向著粒子g(i)運(yùn)動(dòng)。粒子運(yùn)動(dòng)之后的位置可用公式(8)計(jì)算得到。ym(i+1)＝y(tǒng)m(i)+vm(i+1)(8)其中，m表示粒子的編號(hào)，i表示迭代的次數(shù)。s5.3、判斷是否終止迭代或是進(jìn)行其他操作。所述步驟s5.3包括以下步驟：s5.3.1、如果當(dāng)前迭代是最后一次迭代，轉(zhuǎn)到步驟s5.5，否則繼續(xù)。s5.3.2、判斷是否需要進(jìn)行變異操作，當(dāng)當(dāng)前所有粒子與目標(biāo)的最大距離和最小距離小于一個(gè)閾值時(shí)，則需要進(jìn)行編譯操作，轉(zhuǎn)到步驟s5.4，否則就不需要，則使用公式(7)計(jì)算下一次粒子的運(yùn)動(dòng)速度vm(i+1)，然后轉(zhuǎn)到步驟s5.2。s5.4：進(jìn)行變異操作。所述步驟s5.4包括以下步驟：s5.4.1、隨機(jī)地在粒子里面選取n個(gè)做變異操作。s5.4.2、被選中的粒子將會(huì)根據(jù)公式(9)進(jìn)行變異。ym＝y(tǒng)m+m×β(9)其中，β是一個(gè)均值為0的高斯隨機(jī)矩陣，它的矩陣大小與ym一樣，m是根據(jù)當(dāng)前最優(yōu)值計(jì)算出來的可變的步長，可以用公式(10)計(jì)算得到：其中，127表示灰度值最大值的一半。s5.5、迭代結(jié)束，輸出最后一次迭代后的最優(yōu)值作為最終的結(jié)果，用ybest表示。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：1、本發(fā)明使用lle算法重構(gòu)虹膜圖像需要訓(xùn)練集，但是不需要真實(shí)的虹膜圖像作為訓(xùn)練集，甚至使用非虹膜圖像作為訓(xùn)練集也可以獲得比較好的結(jié)果。2、本發(fā)明使用的虹膜特征提取算法是daugman的算法，并不需要這個(gè)特征提取算法的先驗(yàn)知識(shí)，只是把它當(dāng)做黑盒來使用，即輸入一張虹膜圖像，輸出一個(gè)虹膜特征。3、本發(fā)明使用lle算法為pso算法構(gòu)造初始的粒子，這些構(gòu)造出來的粒子原本就與輸入的虹膜特征有一定程度上的相似。因此，在pso算法的過程中，只需要少量的迭代數(shù)就可以獲得比較滿意的結(jié)果。4、本發(fā)明的算法復(fù)雜度僅有o(n3)。附圖說明圖1是本發(fā)明的虹膜模版重構(gòu)虹膜圖像的流程圖。具體實(shí)施方式下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。實(shí)施例如圖1所示為本發(fā)明的流程圖，具體步驟如下：1、訓(xùn)練集和測(cè)試集的處理：(1)使用中科院的casia-iris-interval虹膜圖像數(shù)據(jù)庫作為測(cè)試集，包括采集自左右眼的共2600張虹膜圖像，其中定位準(zhǔn)確的有2338張。casia-iris-syn數(shù)據(jù)庫中隨機(jī)抽取80張定位準(zhǔn)確的圖像作為訓(xùn)練集。(2)每個(gè)虹膜圖像先進(jìn)行定位、分割、歸一化處理，處理后的歸一化虹膜圖像大小為20*240，在特征提取的方法上，使用daugman的特征提取算法。(3)根據(jù)給定的參數(shù)(片塊大小和重疊像素大小)來對(duì)訓(xùn)練集中的圖像和其對(duì)應(yīng)的虹膜模版進(jìn)行切割。其中，片塊大小和重疊像素大小的取值如表1所示，一共需要取10組參數(shù)。12345678910片塊大小3*35*55*55*57*77*77*79*99*99*9重疊大小1023024246表1lle算法參數(shù)2、計(jì)算重構(gòu)權(quán)重：(1)對(duì)于每一個(gè)在xt中的片塊使用歐氏距離作為計(jì)算距離的標(biāo)準(zhǔn)，在中找到5個(gè)最近鄰。(2)根據(jù)公式(1)計(jì)算重構(gòu)誤差。3、初步重構(gòu)虹膜圖像：(1)根據(jù)公式(4)求得對(duì)應(yīng)的虹膜圖像片塊(2)使用合成一個(gè)完整的歸一化虹膜圖像yt，合成的yt大小也為20*240。4、設(shè)計(jì)粒子群算法的適應(yīng)函數(shù)和粒子運(yùn)動(dòng)速度更新公式：(1)設(shè)定適應(yīng)函數(shù)的閾值τ為0.3。(2)在速度更新公式中，設(shè)定常數(shù)c1＝c2＝2。5、粒子群算法迭代：(1)設(shè)定每一個(gè)初始粒子設(shè)定初始速度vm(1)＝20。(2)使用海明距計(jì)算當(dāng)前粒子與目標(biāo)之間的距離。找到當(dāng)前迭代的最佳粒子g(i)，然后所有的粒子以速度vm(i)向著粒子g(i)運(yùn)動(dòng)。(3)判斷是否終止迭代或是進(jìn)行其他操作，若是當(dāng)前最小距離小于閾值τ或者迭代次數(shù)達(dá)到200次則終止迭代。當(dāng)當(dāng)前所有粒子與目標(biāo)的最大距離和最小距離小于0.1時(shí)，進(jìn)行變異操作。(4)若需要做變異操作，隨機(jī)地在粒子里面選取n個(gè)做變異操作。(5)輸出最終的結(jié)果ybest。上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12