专利名称：一种基于多分辨率分析的虹膜识别方法
专利说明一种基于多分辨率分析的虹膜识别方法 技术领域：
本发明涉及图像处理和模式识别技术领域，主要涉及生物特征鉴别中的虹膜身份识别技术。
背景技术：
在当今生活中，密码口令、IC卡、条纹妈、磁卡或钥匙是几乎每天都会出现在我们生活中的事物，然而它们都存在着丢失、遗忘、复制及被盗等问题。因此，出现了基于人体特征的生物特征识别技术，由于人体特征具有人体所固有的不可复制的唯一性，这一生物密钥无法复制，失窃或被遗忘，利用生物识别技术进行身份认定，安全、可靠、准确。该技术被广泛的用于政府、军队、社会福利保障和安全防务中。这些人体特性包括指纹，掌纹、声音、签名、虹膜、步态等等。虹膜身份识别是一种新兴的生物识别技术，利用虹膜作为身份识别的依据，具有高独特性、高稳定性、天然防伪性和无侵犯性等优点。详见文献Anil K.Jain，Arun Ross，Salil Prabhakar，“AnIntroduction to Biometric Recognition”，IEEE Transaction on Circuitsand Systems for Video Technology，Volume 14，No.1，pp.4-20，2004和文献John G.Daugman，“How Iris Recognition Works，”IEEE Transactionon Circuits and Systems for Video Technology，Volume 14，Issue 1，pp.21-30，2004所述。
虹膜匹配在整个虹膜识别系统中是最为重要的一个部分，它直接影响到虹膜识别的准确率和效率。高效的虹膜匹配算法应该在尽量有限的存储空间内提取尽量多的有效虹膜信息，并设计出能将错误率降到最低的分类器。实际中，由于虹膜识别系统对实时性的要求较高，在设计算法时不但要考虑识别率的问题，也需要考虑算法的耗时。目前虹膜匹配算法较多，但往往匹配部分的算法为了确保高识别率而影响到识别的效率。如何在保证系统识别率的前提下提高识别的速度，以及避免噪声的干扰是我们研究的主要问题。详见文献John G.Daugman，“High Confidence Visual Recognition ofPersons by a Test of Statistical Independence”，IEEE Transaction onPattern Analysis and Machine Intelligence，Volume15，No.11，pp.1148-1161，1993和文献R.P.Wildes，“Iris RecognitionAn EmergingBiometric Technology”，Proceedings of the IEEE Volume 85，No.9，pp.1348-1363，1997所述。
目前已有虹膜质量评估方法有 (1)基于2D-Gabor变换和汉明距离的方法。它对归一化虹膜区域分块，然后对每个子块进行不同频率，不同方向的2D-Gabor变换编码，得到一串二进制的编码，在进行分类的时候，根据两幅图像编码的汉明距离进行分类。该算法识别率较高，每幅虹膜图像编码占用的存储空间较小，然而由于多次Gabor变换编码，所以耗时较长。详见文献John G.Daugman，“HighConfidence Visual Recognition of Persons by a Test of StatisticalIndependence”，IEEE Transaction on Pattern Analysis and MachineIntelligence，Volume15，No.11，pp.1148-1161，1993。
(2)基于拉普拉斯金字塔的方法。对虹膜图像进行拉普拉斯塔式分解，得到4幅分解后的图像作为虹膜特征。求归一化的相关系数，对每个频段取8*8的块，然后求中值，作为这个频段的特征值，得到4个特征值，最后用Fisher线形判别分类器来做决策。该方法的缺点是进行拉普拉斯变换的耗时较长。详见文献R.P.Wildes，“Iris RecognitionAn Emerging BiometricTechnology”，Proceedings of the IEEE，Volume 85，No.9，pp.1348-1363，1997。
(3)基于小波过零点检测的方法。它取瞳孔圆心作为参考点，把图像归一化成标准图像大小。在几个分辨率下，对图像作基于二进小波的过零点检测，将过零点作为特征值。该方法的缺点是对图像的旋转和位移较为敏感。详见文献W.Boles and B.Boashash，“A Human Identification Techniqueusing Images of Iris and Wavelet Transform，”IEEE Transaction onSignal Processing， Volume 46，pp.1185-1188，1998。
上述的虹膜图像匹配算法都在一定程度上存在问题，计算量过大、对旋转和位移较为敏感，抗噪声能力不强等等。
发明内容
本发明的任务是设计一种识别率高的虹膜图像识别方法，同时要求耗时较短以适应大规模虹膜库的要求，并且算法有一定的抗噪性。
本发明的是这样实现 一种基于多分辨率分析的虹膜识别方法，其特征在于其包括下列步骤 步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，从含有虹膜图像的原始灰度图像中得到尺寸为64×272的归一化虹膜图像f(x，y)。(x，y)表示像素点的坐标，f(x，y)表示坐标为(x，y)的像素点的灰度值； 步骤2、将归一化虹膜图像f(x，y)划分成4×17个小区域，每个小区域的大小为16×16； 步骤3、统计每个小区域所有像素灰度的平均值bm，n，bm，n的计算公式为其中m＝1，2，…4；n＝1，2，…17，f(x，y)表示归一化虹膜图像上坐标为(x，y)的像素点的灰度值；由bm，n构成大小为4×17的平均灰度矩阵B； 步骤4、通过双三次插值将平均灰度矩阵B扩展成和原始归一化灰度图像大小相同的背景照度图像f′(x，y)，步骤4中首先取平均灰度矩阵的第一行的前4个值b11，b12，b13，b14作为插值点进行插值，插值公式为 其中x＝1，2，…33。按照同样的方法以b14，b15，L16，b17为插值点进行插值运算，直到完成第一行的插值运算，按照同样的方法对平均灰度矩阵B的每一行进行双三次插值，最后对每一列进行双三次插值；双三次插值的方法为对平均灰度矩阵B的每一行进行每4个点的3次插值； 步骤5、将原始归一化虹膜图像f(x，y)减去步骤4中得到的背景照度图像f′(x，y)，得到光照不均校正后的归一化虹膜图像
步骤6、对步骤5中得到的光照不均校正后的归一化虹膜图像
进行直方图均衡化操作，以增强图像的对比度，得到对比度增强后的归一化虹膜图像F(x，y)； 步骤7、考虑到虹膜图像采集时脸部的旋转问题，所以将步骤6中得到的对比度增强后的归一化虹膜图像F(x，y)标记为有部分重叠的5个矩形区域Fi(x，y)，i＝1，2，3，4，5，其中Fi(x，y)＝F((i-1)*4+x，y)，x＝1，2，…256，y＝1，2，…64； 步骤8、将每个矩形区域Fi(x，y)划分为水平的8个等宽度的带状区域，并取每个带状区域的中间一行作为特征向量dij，dij表示了步骤7中的第i个区域的第8*(j-1)+4行的灰度序列，具体来说dij(x)＝Fi(x，8*(j-1)+4)，其中j＝1，2，…8，i＝1，2，…5，x＝1，2，…256； 步骤9、对步骤8中得到的特征向量dij进行2层小波变换，一维小波变换的公式为
和其中W(l，k)和Wψ(l，k)分别是分辨率为2′下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2}，l，k(x)为尺度函数，ψl，k(x)为小波函数，M＝256，选取的小波为DMeyer小波； 步骤10、通过步骤9中得到的分辨率2-2下的尺度系数W(-2，k)重构dij(x)在分辨率2-2下的近似分量A2-2dij(x)；重构公式为
其中A2-2dij(x)表示分辨率2-2下坐标x的近似分量的值，W(-2，k)表示分辨率2-2下的尺度系数，-2，k(x)为分辨率2-2下的尺度函数； 步骤11、对于步骤7中的每一个矩形区域，得到一组特征向量Di。Di由第i个区域中的8个水平带的特征向量dij的近似分量A2-2dij组成，对于每一幅虹膜图像，可以得到5组特征向量{Di}，i＝1，2，3，4，5； 步骤12、计算任意两幅虹膜图像之间特征向量的欧式距离，计算公式为其中{Dk′}，k＝1，2，…5和{Dl′}，l＝1，2，…5分别表示两幅不同虹膜图像的5组特征向量，()T表示矩阵的转置运算，min(k，l)表示遍历k和l后
的最小值，M＝256，N＝64； 步骤13、将步骤12中得到的O与预先设定的用于判断是否是同一个人虹膜的阈值TO进行比较，若O＞TO，则认为是不同人的虹膜图像，若O＜TO，则认为是同一个人的虹膜图像。
如上所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤4中进行每一列的双三次插值时，由于每一列只有4个插值点，所以对于每一列只需要进行一次双三次插值运算。
如上所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤7中划分的5个区域，每个区域的大小是64×256，第一个区域为增强后的归一化虹膜图像Fi(x，y)的最左边的一块区域，每次依次水平位移4个像素，构成剩下的4个区域。
如上所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤9中选择向量dij在分辨率2-2下的近似分量A2-2dij(x)构成特征向量，主要是消除包含在高频细节分量中的噪声。
如上所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤13中用于判断是否是同一个人虹膜的阈值TO，是通过大量样本的训练得到的，该阈值TO使得匹配时的等错误概率最低。
本发明的创新之处在于采用了多分辨率分析的方法，通过提取虹膜图像特征分量的近似分量并计算其欧式距离来实现分类虹膜的目的。本发明首先对原始虹膜图像进行定位，之后得到归一化虹膜图像。通过对归一化虹膜图像进行光照估计和直方图增强，得到可以进行特征提取的图像。将增强后的归一化虹膜图像分为8个带，并对每一个带的中间一行像素点构成的灰度序列进行小波多分辨率分解，提取其在分辨率2-2下的近似分量构成最后的特征向量。最后，计算不同虹膜图像之间特征向量的欧式距离来判别是否是同一个人的虹膜。利用多分辨率的思想进行虹膜图像特征提取是本发明的一个特色，与一般的虹膜图像匹配方法相比，本发明的稳定性很强，不易受噪声的影响。
图1是虹膜图像预处理过程； 其中，(a)为虹膜定位结果图，1表示瞳孔；2表示虹膜；3表示巩膜；(b)为归一化虹膜图像；(c)为背景照度图像；(d)为增强后的归一化虹膜图像。
图2是增强后归一化虹膜图像的区域划分。
图3是向量dij及其在分辨率2-2下的近似分量A2-2dij(x)； 其中，(a)是向量dij的灰度曲线，(b)是向量dij在分辨率2-2下的近似分量A2-2dij(x)。
具体实施方式
为了方便地描述本发明内容，首先对一些术语进行定义 定义1虹膜。眼珠的中心是黑色的瞳孔，瞳孔外缘间的环形组织即为虹膜。其呈现出相互交错的类似与斑点、细丝、条纹、隐窝的纹理特征。同一个人的虹膜在人的一生中几乎不会发生改变，不同人的虹膜是完全不一样的。
定义2灰度图像。图像中只包含亮度信息而没有任何其他颜色信息的图像。
定义3归一化虹膜图像。对原始虹膜图像进行定位之后，为消除拍摄时的头部旋转，拍摄距离的远近不一致，瞳孔缩放等问题而进行归一化操作后得到的图像，归一化虹膜图像具有相同的大小。
定义4像素灰度。图像最小组成单元，是一个小矩形或方形点，称为像素。像素灰度是用于描述像素色彩的深浅程度。
定义5矩阵。矩阵是由N行M列数字构成的方阵，一般可以记为
定义6双三次插值。对抽样矩阵以行为单位，每4点为插值点进行3次插值，再以列为单位，每4个点为插值点进行3次插值，称为双三次插值。
定义7背景照度。由于拍摄时，光源的不同位置，产生的图像的明暗不均匀。
定义8直方图。直方图是一个1-D的离散函数p(sk)＝nk/n k＝0，1，…L-1，其中sk为图像f(x，y)的第k级灰度值，nk是f(x，y)中具有灰度值sk的象素的个数，n是图像象素总和。因为p(sk)给出了对sk出现概率的1个估计，所以直方图提供了原图的灰度值分布情况，也可以说给出了一幅图像所有灰度值的整体描述。
定义9直方图均衡化。这个方法的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而达到增强图像整体对比度的效果。具体的方法是通过该公式将输入图像的灰度级为sk的各像素映射到输出图像灰度级为tk的对应像素的得到，其中图像灰度级k＝0，1，…L-1，sk为图像f(x，y)的第k级灰度值，nk是f(x，y)中具有灰度值sk的象素的个数，n是图像象素总和。
定义10小波变换。时间(空间)频率的局部化分析方法，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，可聚焦到信号的任意细节。
定义11尺度系数。在进行小波变换中，原始信号与尺度函数进行卷积之后得到的系数，用于重构信号的近似分量。对于一维小波变换，尺度系数的具体计算公式为
其中，f(x)为原始信号，l，k(x)为尺度函数，W(j，k)为尺度系数，x＝1，2，…M。
定义12尺度函数。尺度函数是由整数平移和实数二值尺度、平方可积函数(x)组成的展开函数集合，即集合{j，k(x)}。其中j，k(x)＝2j/2(2jx-k)，j，k∈Z。
定义13小波系数。在进行小波变换中，原始信号与小波函数进行卷积之后得到的系数，用于重构信号的细节分量。对于一维小波变换，小波系数的具体计算公式为其中，f(x)为原始信号，ψj，k(x)为小波函数，Wψ(j，k)为小波系数。
定义14小波函数。小波函数是用来描述跨越相邻两尺度空间的差异，是由ψ(x)组成的展开函数集合，即集合{ψj，k(x)}。其中ψj，k(x)＝2j/2ψ(2jx-k)，j，k∈Z。
定义15DMeyer小波。离散形式的Meyer小波，是Meyer小波的有效近似，可以看作是离散化的Meyer小波，具有双正交性。它既保持了Meyer小波良好的分频特性，又可以提高数值计算的速度。
定义16近似分量。任何一幅图像都可以分解为主体信息和细节纹理信息，根据多分辨率分析的思想，近似分量指低频段范围内的主体纹理信息。
定义17特征向量。根据识别对象产生的一组基本特征，通过特征提取后形成的向量。
定义18欧式距离。在多为空间中两个向量之间的一种距离度量，欧式距离的具体计算公式为O＝(xk-xl)T(xk-xl)，其中O表示两个向量之间的欧式距离，xk，xl为两向量，()T表示矩阵的转置运算。
定义19矩阵的转置。将矩阵A的各行变成同序数的列得到的矩阵称为A的转置矩阵。具体来说，对于N行M列的矩阵
其转置记为
定义20等错误概率。表示拒识率和误识率相等时的错误概率。拒识率是指将同一类的样本判定为不同类的错误概率；误识率是指将不同类的样本判定为同一类的错误概率。
按照本发明的虹膜识别方法，它包含下列步骤 步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，从含有虹膜图像的原始灰度图像中得到尺寸为64×272的归一化虹膜图像f(x，y)。(x，y)表示像素点的坐标，f(x，y)表示坐标为(x，y)的像素点的灰度值； 步骤2、 将归一化虹膜图像f(x，y)划分成4×17个小区域，每个小区域的大小为16×16； 步骤3、统计每个小区域所有像素灰度的平均值bm，n由bm，n构成大小为4×17的平均灰度矩阵B，具体来说，bm，n的计算公式为其中m＝1，2，…4；n＝1，2，…17，f(x，y)表示归一化虹膜图像上坐标为(x，y)的像素点的灰度值； 步骤4、通过双三次插值将平均灰度矩阵B扩展成和原始归一化灰度图像大小相同的背景照度图像f′(x，y)，双三次插值的方法为对平均灰度矩阵B的每一行进行每4个点的3次插值，具体来说，首先取平均灰度矩阵的第一行的前4个值b11，b12，b13，b14作为插值点进行插值，插值公式为 其中x＝1，2，…33。按照同样的方法以b14，b15，b15，b17为插值点进行插值运算，直到完成第一行的插值运算。按照同样的方法对平均灰度矩阵B的每一行进行双三次插值，最后对每一列进行双三次插值； 步骤5、将原始归一化虹膜图像f(x，y)减去步骤4中得到的背景照度图像f′(x，y)，得到光照不均校正后的归一化虹膜图像
步骤6、对步骤5中得到的光照不均校正后的归一化虹膜图像
进行直方图均衡化操作，以增强图像的对比度，得到对比度增强后的归一化虹膜图像F(x，y)； 步骤7、考虑到虹膜图像采集时脸部的旋转问题，所以将步骤6中得到的对比度增强后的归一化虹膜图像F(x，y)标记为有部分重叠的5个矩形区域Fi(x，y)，i＝1，2，3，4，5，其中Fi(x，y)＝F((i-1)*4+x，y)，x＝1，2，…256，y＝1，2，3…64； 步骤8、将每个矩形区域Fi(x，y)划分为水平的8个等宽度的带状区域，并取每个带状区域的中间一行作为特征向量dij，dij表示了步骤7中的第j个区域的第8*(j-1)+4行的灰度序列，具体来说dij(x)＝Fi(x，8*(j-1)+4)，其中j＝1，2，…8，i＝1，2…5，x＝1，2，…256； 步骤9、对步骤8中得到的特征向量dij进行2层小波变换，具体来说，一维小波变换的公式为
和其中Wψ(l，k)和Wψ(l，k)分别是分辨率为2′下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2}，l，k(x)为尺度函数，ψl，k(x)为小波函数，M＝256，选取的小波为DMeyer小波； 步骤10、通过步骤9中得到的分辨率2-2下的尺度系数W(-2，k)重构dij(x)在分辨率2-2下的近似分量A2-2dij(x)，具体来说，重构公式为
其中A2-2dij(x)表示分辨率2-2下坐标x的近似分量的值，W(-2，k)表示分辨率2-2下的尺度系数，-2，k(x)为分辨率2-2下的尺度函数； 步骤11、对于步骤7中的每一个矩形区域，得到一组特征向量di。Di由第i个区域中的8个水平带的特征向量的dij，的近似分量A2-2dij组成，具体来说对于每一幅虹膜图像，可以得到5组特征向量{Di}，i；1，2，3，4，5； 步骤12、计算任意两幅虹膜图像之间特征向量的欧式距离，具体计算公式为其中{Dk′}，k＝1，2，…5和{Dl′}，l＝1，2，…5分别表示两幅不同虹膜图像的5组特征向量，()T表示矩阵的转置运算，min(k，l)表示遍历k和l后
的最小值，M＝256，N＝64； 步骤13、将步骤12中得到的O与预先设定的用于判断是否是同一个人虹膜的阈值TO进行比较，若O＞TO，则认为是不同人的虹膜图像，若O＜TO，则认为是同一个人的虹膜图像； 通过以上步骤，我们就能提取增强后归一化的虹膜图像的特征向量，通过计算不同图像之间特征向量的欧式距离，判断出两幅图像是否是同一个人的虹膜图像。
需要说明的是 1.步骤1中的虹膜归一化操作，必须是在虹膜定位之后进行。归一化后图像的大小是根据后续的匹配算法决定的。
2.步骤4中进行每一列的双三次插值时，由于每一列只有4个插值点，所以对于每一列只需要进行一次双三次插值运算。
3.步骤3，4，5进行的光照估计是为了消除每次拍摄时光源位置不一致对匹配造成的影响。
4.步骤7中划分的5个区域，每个区域的大小是64×256。第一个区域为增强后的归一化虹膜图像Fi(x，y)的最左边的一块区域，每次依次水平位移4个像素，构成剩下的4个区域。
5.步骤9中选择向量dij在分辨率2-2下的近似分量A2-2dij(x)构成特征向量，主要是消除包含在高频细节分量中的噪声。
6.步骤13中用于判断是否是同一个人虹膜的阈值TO，是通过大量样本的训练得到的，该阈值TO使得匹配时的等错误概率最低。
本发明首先通过提取原始灰度图像中的虹膜并进行归一化；然后对归一化虹膜图像进行光照估计和图像增强，接着将图像增强后的归一化虹膜图像分为5个区域，分别提取每个区域的特征向量并对其进行多分辨率分解，得到分辨率2-2下的近似分量；最后根据不同虹膜图像的特征向量之间的欧式距离判定是否是同一个人的虹膜。采用本发明提出的基于多分辨率分析的方法，可以有效避免匹配时原始图像高频噪声的影响，提高了识别率。
采用本发明的方法，首先使用Matlab语言编写虹膜图像识别程序；然后把拍摄到的虹膜原始图像作为源数据输入到PC平台上的虹膜识别程序中进行处理。采用1200张拍摄好的、包括60个人(每个人20幅虹膜图像，前后10幅图像拍摄的间隔时间为40天)的不同光照条件、不同拍摄姿势的灰度虹膜图像作为源数据进行测试。将每个人的第一个虹膜图像样本与该人的其它虹膜图像样本进行匹配，因此类内匹配次数为((20*19)/2)*60；将每个人的第一个虹膜图像样本与其它人的第一个虹膜图像样本进行匹配，因此内间匹配次数为(60*59)/2。最后统计出等错误概率为3.95％，每幅虹膜图像从特征提取到匹配完成的耗时＜1s。
综上所述，本发明的方法充分利用虹膜纹理的灰度信息，结合多分辨率分析的方法，避免原始虹膜图像中高频噪声的影响，从而实现了快速准确进行虹膜识别。
权利要求
1.一种基于多分辨率分析的虹膜识别方法，其特征在于其包括下列步骤
步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，从含有虹膜图像的原始灰度图像中得到尺寸为64×272的归一化虹膜图像f(x，y)。(x，y)表示像素点的坐标，f(x，y)表示坐标为(x，y)的像素点的灰度值；
步骤2、将归一化虹膜图像f(x，y)划分成4×17个小区域，每个小区域的大小为16×16；
步骤3、统计每个小区域所有像素灰度的平均值bm，n，bm，n的计算公式为其中m＝1，2，…4；n＝1， 2，…17，f(x，y)表示归一化虹膜图像上坐标为(x，y)的像素点的灰度值；由bm，n构成大小为4×17的平均灰度矩阵B；
步骤4、通过双三次插值将平均灰度矩阵B扩展成和原始归一化灰度图像大小相同的背景照度图像f′(x，y)，步骤4中首先取平均灰度矩阵的第一行的前4个值b11，b12，b13，b14作为插值点进行插值，插值公式为
其中x＝1，2，…33。按照同样的方法以b14，b15，b16，b17为插值点进行插值运算，直到完成第一行的插值运算，按照同样的方法对平均灰度矩阵B的每一行进行双三次插值，最后对每一列进行双三次插值；双三次插值的方法为对平均灰度矩阵B的每一行进行每4个点的3次插值；
步骤5、将原始归一化虹膜图像f(x，y)减去步骤4中得到的背景照度图像f′(x，y)，得到光照不均校正后的归一化虹膜图像
步骤6、对步骤5中得到的光照不均校正后的归一化虹膜图像
进行直方图均衡化操作，以增强图像的对比度，得到对比度增强后的归一化虹膜图像F(x，y)；
步骤7、考虑到虹膜图像采集时脸部的旋转问题，所以将步骤6中得到的对比度增强后的归一化虹膜图像F(x，y)标记为有部分重叠的5个矩形区域Fi(x，y)，i＝1，2，3，4，5，其中Fi(x，y)＝F((i-1)*4+x，y)，x＝1，2，…256，y＝1，2，…64；
步骤8、将每个矩形区域Fi(x，y)划分为水平的8个等宽度的带状区域，并取每个带状区域的中间一行作为特征向量dij，dij表示了步骤7中的第i个区域的第8*(j-1)+4行的灰度序列，具体来说dij(x)＝Fi(x，8*(j-1)+4)，其中j＝1，2，…8，i＝1，2，…5，x＝1，2，…256；
步骤9、对步骤8中得到的特征向量dij进行2层小波变换，一维小波变换的公式为
和其中W(l，k)和W(l，k)分别是分辨率为2′下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2}，l，k(k)为尺度函数，ψl，k(x)为小波函数，M＝256，选取的小波为DMeyer小波；
步骤10、通过步骤9中得到的分辨率2-2下的尺度系数W(-2，k)重构dij(x)在分辨率2-2下的近似分量A2-2Dij(x)；重构公式为
其中A2-2dij(x)表示分辨率2-2下坐标x的近似分量的值，W(-2，k)表示分辨率2-2下的尺度系数，-2，k(x)为分辨率2-2下的尺度函数；
步骤11、对于步骤7中的每一个矩形区域，得到一组特征向量Di。Di由第i个区域中的8个水平带的特征向量dij的近似分量A2-2dij组成，对于每一幅虹膜图像，可以得到5组特征向量{Di}，i＝1，2，3，4，5；
步骤12、计算任意两幅虹膜图像之间特征向量的欧式距离，计算公式为其中{Dk′}，k＝1，2，…5和{Dl′}，l＝1，2，…5分别表示两幅不同虹膜图像的5组特征向量，()T表示矩阵的转置运算，min(k，l)表示遍历k和l后
的最小值，M＝256，N＝64；
步骤13、将步骤12中得到的O与预先设定的用于判断是否是同一个人虹膜的阈值TO进行比较，若O＞TO，则认为是不同人的虹膜图像，若O＜TO，则认为是同一个人的虹膜图像。
2.根据权利要求1所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤4中进行每一列的双三次插值时，由于每一列只有4个插值点，所以对于每一列只需要进行一次双三次插值运算。
3.根据权利要求1所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤7中划分的5个区域，每个区域的大小是64×256，第一个区域为增强后的归一化虹膜图像Fi(x，y)的最左边的一块区域，每次依次水平位移4个像素，构成剩下的4个区域。
4.根据权利要求1所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤9中选择向量dij在分辨率2-2下的近似分量A2-2dij(x)构成特征向量，主要是消除包含在高频细节分量中的噪声。
5.根据权利要求1所述的一种基于多分辨率分析的虹膜识别方法，其特征在于步骤13中用于判断是否是同一个人虹膜的阈值TO，是通过大量样本的训练得到的，该阈值TO使得匹配时的等错误概率最低。
全文摘要
本发明提供的一种基于多分辨率分析的虹膜图像匹配方法，它首先通过定位，归一化操提取出原始的归一化虹膜图像；然后对归一化虹膜图像进行光照估计和直方图增强；接着将增强后的归一化虹膜图像分为8个水平的带状，并提取每个带的中间一行的灰度序列dij(x)在分辨率2-2下的近似分量A2-2dij(x)构成特征向量；两幅虹膜图像进行匹配时，计算两幅图像特征向量之间的欧式距离，并与预先设定的阈值进行比较，可以判断是否是同一个人的虹膜图像。采用本发明的虹膜图像匹配方法，对有较为稳定的性能，能够避免高频噪声的影响。
文档编号G06K9/00GK101231695SQ200810025990
公开日2008年7月30日 申请日期2008年1月19日 优先权日2008年1月19日
发明者争 马, 潘力立, 梅 解 申请人:电子科技大学中山学院