[發(fā)明專利]一種從眼部灰度圖像似然圖對虹膜圖像編碼檢索的方法

在審

• 申請?zhí)枺?/td>: 201811306066.8
• 申請日: 2018-11-02
• 公開（公告）號: CN109284744A
• 公開（公告）日: 2019-01-29
• 發(fā)明（設(shè)計(jì)）人: 張彥龍
• 申請（專利權(quán)）人: 張彥龍
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種從眼部灰度圖像似然圖對虹膜圖像編碼檢索的方法，其特征在于，具體步驟為：

步驟一：首先將圖進(jìn)行縮放用于生成似然圖：

讓RF成為一個降尺度因子,該縮小的圖像的值RD從像素Pix-i∈Img(Pix-I＝Pi),基于方形滑動窗口Width(W)與L＝2*RF+1像素和像素計(jì)算步幅RF兩側(cè)，對于Width的每個位置，窗口中的平均強(qiáng)度u被計(jì)算為

計(jì)算窗口強(qiáng)度直方圖Hist，并且圖像中的相對應(yīng)像素值d計(jì)算公式為

步驟二：生成似然圖：

利用似然圖生成四個不同的局部特征，即均值、標(biāo)準(zhǔn)差、偏度和水平邊緣，對于縮小圖RD中的每個像素，這些特征都是從以該像素為中心的鄰域中導(dǎo)出的，在一個大小為7像素的局部矩形窗口上計(jì)算均值、標(biāo)準(zhǔn)差和偏度，并充當(dāng)旋轉(zhuǎn)不變稀疏邊緣濾波器；此外，這些濾波器還可以作為旋轉(zhuǎn)不變稀疏邊緣濾波器，對睫毛部分覆蓋的邊緣也作出處理反饋；計(jì)算平均值為第一階矩(M1)，并以縮小圖像的補(bǔ)碼作為輸入(加權(quán)靠近眼皮較高的小陰影)；計(jì)算平均標(biāo)準(zhǔn)偏差為第二階矩(M2)；計(jì)算平均偏度為第三階矩(M3)；使用Prwitt算子檢測水平邊緣，去掉部分偽邊緣，對噪聲進(jìn)行平滑處理，并作為似然圖中水平邊緣的強(qiáng)化；值得注意的是，即使眼睛與攝像機(jī)水平不對齊，眼皮的某些部分也會由于眼皮的弧形性質(zhì)而引起生物反應(yīng)，每個特征都產(chǎn)生一個相關(guān)的圖：均值(M1)、標(biāo)準(zhǔn)差(M2)、傾斜度(M3)和水平邊緣(E)圖，這些逐點(diǎn)進(jìn)行乘除地組合起來生成似然圖L為

有效地實(shí)現(xiàn)了E、M1和M2的高通濾波器和M3的低通濾波器，在L上采用了一個高度為3個像素、覆蓋了L寬度30％的均值濾波器，以連接水平不相交的高似然區(qū)域，并增加了直線水平邊緣部分的響應(yīng)，這一操作引入了一些噪聲，通過將可忽略的設(shè)置為0，可以部分消除這些噪聲(比如值小于最大值0.1％到1％都可以改為0),此外，我們也將似然眼皮區(qū)域外的似然映射值設(shè)置為零；

步驟三：在似然圖的基礎(chǔ)上歸一化虹膜圖像計(jì)算三個特征向量：

首先將歸一化虹膜圖像分成N個圖像塊；

然后在N中提取一組統(tǒng)計(jì)紋理特征，并將每個圖像塊的特征串聯(lián)起來表示該圖像；

其次，利用PCA對高維特征進(jìn)行壓縮，挖掘其主要成分；

最后，通過ITQ對紋理特征進(jìn)行編碼檢索。

2.根據(jù)權(quán)利要求1所述的一種從眼部灰度圖像似然圖對虹膜圖像編碼檢索的方法，其特征在于，步驟三中詳細(xì)的編碼檢索步驟為：

3.1.靜態(tài)紋理特征提取：

以LBP直方圖作為一個矢量特征，用平均LBP、平均灰度值和圖像熵作為三個標(biāo)量特征。在歸一化的虹膜圖像劃分成n個非重疊的紋理塊o_i標(biāo)識，i＝1，2，…，n，o_i圖像塊中的像素點(diǎn)用p_i,j,j＝1，2，…，m表示，經(jīng)過測試選取n＝96,m＝64；提取o_i塊中紋理特征：

3.1.1.矢量特征：針對o_i圖像點(diǎn)塊中p_i,j的十進(jìn)制LBP計(jì)算如下：

涉及p_i,j點(diǎn)附近的八個鄰近像素，即G＝8，將斑塊中O_i的所有點(diǎn)映射到LBP直方圖十進(jìn)制值的對應(yīng)二進(jìn)制中，通常將O_i的直方圖用下面的公式定義：

其中，B是直方圖二進(jìn)制的數(shù)量，g是兩個相鄰的二進(jìn)制間隔數(shù)；

設(shè)置B＝16，g＝256/16；注意，八位二進(jìn)制數(shù)的十進(jìn)制值從0到255不等，LBP直方圖反映出了相鄰局部灰度像素值的不同；

3.1.2.計(jì)算平均LBP，平均灰度值和圖像熵：

首先，平均LBP測量一個圖像塊中所有點(diǎn)及其相鄰點(diǎn)的平均灰度差，可以用以下公式計(jì)算

第二個特征是一個圖像塊中所有點(diǎn)的平均灰度值，它反映了圖像的灰度級，它可以用以下公式計(jì)算：

第三圖像熵測量一個圖像塊的灰度值的累加，圖像塊中每一個灰度值0-255出現(xiàn)的概率，圖像熵用Q_v標(biāo)識v＝0,1,…..255；

n_v:是圖像塊中灰度值V的數(shù)

對于一個未包含虹膜紋理的圖像塊，其灰度值集中在很小的范圍內(nèi)，并且該特征值很低，相反，對于同時填充有虹膜紋理的斑塊，灰度值在較大的范圍內(nèi)分散，并且該特征具有較高的值；

結(jié)合以上這些特征；LBP作為虹膜紋理特征表示，取得了良好的識別性能，表明它是一種較好的虹膜紋理圖像描述；同時，考慮到LBP直方圖只提取圖像斑塊的局部特征，采用三個全局標(biāo)量特征進(jìn)行補(bǔ)充輔助；此外，所使用的標(biāo)量特征是相互的；例如，兩個圖像塊具有相同的灰度級，但是相鄰點(diǎn)之間的灰度變化可能不同；或者，兩個具有相似圖像熵的斑塊可能具有不同的灰度變化等；

通過在一個圖像中連接所有塊的特征，它將是一個1536維的小數(shù)特征，即96_16維向量特征，由＝{Hi|i＝1,2,...,n}表示，以及96_3維標(biāo)量特征，由＝{MLBPi,MGi,IEi|i＝1,2,...,n}，因此，為了提高檢索速度，必須對這些特征進(jìn)行壓縮并進(jìn)一步轉(zhuǎn)換成二進(jìn)制模式；

3.2.壓縮特征：

使用PCA分別壓縮向量特征和標(biāo)量特征；以向量特征的壓縮為例；假設(shè)有N個處理圖像塊，它們的矢量特征用v_i＝1，2，…，N表示，這些虹膜特征圖像的協(xié)方差矩陣可以計(jì)算如下

矩陣C的頂部特征向量k被用作PCA基W。因此，每個圖像的矢量特征可以通過以下方式來壓縮：KCW

CV_i＝W*V_i

對向量特征和標(biāo)量特征都設(shè)置了K＝64；

3.3.通過迭代量化方法(ITQ)將壓縮矢量特征和標(biāo)量特征分別編碼為二進(jìn)制模式：

通過旋轉(zhuǎn)特征來保持十進(jìn)制特征與編碼二進(jìn)制模式之間的相似性，矩陣的旋轉(zhuǎn)可以通過矩陣和正交矩陣之間的乘法來實(shí)現(xiàn)；

以矢量特征編碼為例，假設(shè)正交矩陣和編碼的二進(jìn)制模式分別由R和B表示，我們可以通過最小化以下量化損失來獲得二進(jìn)制矢量特征：

其中CV＝[CV1，CV2，…，CVN]，采用交替最小化算法進(jìn)行求解，類似地，可以得到二進(jìn)制標(biāo)量特征，并將兩種二進(jìn)制特征作為檢索代碼進(jìn)行組合；通過壓縮和編碼，將1536維十進(jìn)制特征轉(zhuǎn)換為128維二進(jìn)制代碼，這將極大地加快圖像檢索速度。