[發明專利]一種基于小波包分解的虹膜識別方法

在審

• 申請號: 202011196683.4
• 申請日: 2020-10-31
• 公開（公告）號: CN112270271A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 周俊;王帥
• 申請（專利權）人: 重慶商務職業學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46;G06K9/52;G06K9/62
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 楊鳳娟

本發明公開了一種基于小波包分解的虹膜識別方法，首先，對人眼圖像進行采集，并進行虹膜圖像預處理，得到處理后的虹膜圖像，其次，利用閾值將虹膜圖像小波包分解的對角高頻信息調制為虹膜特征碼，并提取虹膜特征，最后，采用海明距離分類器對虹膜特征進行分類與匹配計算，其通過計算當前虹膜特征碼和虹膜模板庫內虹膜編碼的相似度來判斷兩個特征碼是否來自于同一虹膜，從而對虹膜圖像進行分類。通過本發明的識別方法提取的虹膜特征具有較好的分類性能，從而提高虹膜識別精度。

技術領域

本發明屬于生物識別技術領域，具體涉及一種基于小波包分解的虹膜識別方法。

背景技術

虹膜識別是生物特征識別技術中的一種，相比指紋、人臉等生物識別技術具有更高的識別率和安全性。虹膜識別中特征提取是關鍵性環節，從虹膜紋理中提取識別身份的特征，然后利用模式識別方法進行身份確認或識別。早期的虹膜識別算法主要包括：Daugman的二維Gabor方法、Wildes的高斯-拉普拉斯金字塔方法，Daugman方法在識別質量較差的虹膜圖像時效果往往大幅度下降，而且該算法只是從定性角度表示虹膜的特征，在表示虹膜紋理細節特征上有所欠缺。Wildes方法由于提取的特征復雜，匹配復雜度高，所以該算法只能在認證模式(Verification)下工作，在實際應用中存在局限性。隨著人工神經網絡的發展，也有學者將神經網絡應用于虹膜識別中，但由于深度學習中的人工神經網絡結構較復雜，應用在虹膜識別中識別速度有待提高，而傳統的淺層網絡如BP神經網絡較容易陷入局部極值而影響虹膜識別精度。

Boles利用小波變換的積分平均值來表示虹膜特征,該算法將二維虹膜圖像轉化成一維信號提取特征，削弱了虹膜圖像作為二維紋理之間的相關性。Lim利用Haar小波作為母小波對虹膜歸一化區域經過4次濾波分解，對分解得到的第4層高頻區域進行調制，與第1至第3層的小波分解高頻系數的均值形成87位虹膜特征編碼，使用學習向量化(learningvector quantization,LVQ)網絡對提取的特征分類，識別率為98.4％，Lim的算法提取的虹膜特征空間較小，運算速度較快且節省了儲存空間，但其僅用87個二進制位表征虹膜紋理，在海量數據下的識別率難以保證。

發明內容

針對上述存在的問題，本發明旨在提供一種基于小波包分解的虹膜識別方法，利用閾值將虹膜圖像小波包分解的對角高頻信息調制為虹膜特征碼，并且利用海明距離對特征進行識別。

為實現本發明目的，本發明的技術解決方案為：

一種基于小波包分解的虹膜識別方法，其特征在于，包括以下步驟：

步驟1：采集人眼圖像，并進行虹膜圖像預處理，得到處理后的虹膜圖像；

步驟2：根據虹膜紋理分布，劃分虹膜有效區域，在虹膜有效區域內選取特征提取區域；

步驟3：在得到的特征提取區域上進行基于小波包變換進行二層分解，得到對角高頻信息，并將得到的對角高頻信息進行二進制編碼，得到虹膜特征碼；

步驟4：對得到的虹膜特征碼進行虹膜特征的分類與匹配，最終得到分類結果。

進一步地，步驟1所述的虹膜圖像預處理操作包括：虹膜定位、虹膜干擾檢測與歸一化處理以及虹膜圖像歸一化處理。

進一步地，步驟2的具體操作步驟包括：

S21：將虹膜區域分為R₁和R₂區域，分別對應于虹膜瞳孔部和虹膜睫狀體部；

S22：初步選定R₁區域為虹膜有效區域，并將R₁區域再劃分為R₃和R₄區域，選定受干擾小的區域R₄為虹膜有效區域；

S23：在虹膜有效區域內由上向下、由右至左選取選取固定大小的特征提取區域R₅。