专利名称：基于sift 特征包的牛眼虹膜图像识别方法
技术领域：
本发明涉及牛眼虹膜图像识别方法，特别涉及ー种适用于存在旋转、偏移、局部遮挡或尺度不一致的非完美牛眼虹膜图像的识别方法。
背景技术：
虹膜识别被认为是最可靠的生物特征识别技术之一，可以广泛应用于身份证件识另|J、矿场出入控制、罪犯跟踪等方面。与利用指纹、人脸、步态等其他人体生物特征进行身份鉴别的方法相比，使用虹膜进行鉴别具有更高的准确率和更好的防伪性。传统的动物标识主要采用耳标等人工标签，容易脱落、遗失，给管理带来诸多不便。相比传统的动物标识方式，采用虹膜技术标识动物具有安全性好，防伪性强等特征。 然而，与人眼虹膜识别相比，现有的动物虹膜图像识别技术至少存在两个方面的问题第一，在实际应用中，待识别动物无法像人一样主动配合，导致获取图像的旋转、偏移、局部遮挡或尺度不一致等情況。第二，现有虹膜定位技术很难获得准确的虹膜外边缘，进而影响归ー化虹膜图像的质量。在这些情况下，现有技术很难获得准确的识别结果，从而限制了动物虹膜识别技术在食品溯源体系中的应用。
发明内容
本发明的目的是针对现有牛眼虹膜识别技术存在的问题，提供一种能够对非完美牛眼虹膜图像进行准确识别的方法。本发明采用的技术方案是在对本发明方法进行具体描述之前，首先给出相关定义Ca)非完美牛眼虹膜图像存在旋转、偏移、局部遮挡或尺度不一致，但内边缘轮廓完整的牛眼虹膜图像。(b)目标牛眼虹膜库存储已知身份的牛眼虹膜的图像库，待识别图像通过与该图像库对比来确定身份。(c) SIFT特征采用尺度不变特征变换(SIFT，ScaleInvariant Feature Transform)方法获得的图像特征描述子。一种基于SIFT特征包的牛眼虹膜图像识别方法，包括以下步骤(I)若识别机制未训练好，则执行步骤2，否则转到步骤10 ；(2)获得用于获取SIFT特征包的训练图像集；
(3)根据训练图像集获取最佳SIFT特征包；(4)获得目标牛眼虹膜库；(5)对每一幅目标牛眼虹膜图像进行预处理；(6)对每一幅目标牛眼虹膜图像进行虹膜内边缘定位；(7)利用SIFT方法获得每一幅目标牛眼虹膜图像的SIFT特征点；(8)移除虹膜内边缘中的SIFT特征点，得到每一幅目标牛眼虹膜图像的有效SIFT特征点；(9)将每一幅目标牛眼虹膜图像的SIFT特征点与最佳SIFT特征包对比，获得每一幅目标牛眼虹膜图像的特征直方(10)接收待识别图像；(11)对待识别图像进行预处理；(12)对待识别图像进行虹膜内边缘定位；(13)利用SIFT方法获得待识别图像的SIFT特征点；(14)移除虹膜内边缘中的SIFT特征点，得到待识别图像的有效SIFT特征点；(15)将待识别图像的SIFT特征点与最佳SIFT特征包对比，获取待识别图像的特征直方图；(16)计算待识别图像与目标牛眼虹膜库中每一幅图像的直方图距离；(17)以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别結果；(18)结束。作为优选，所述的获取最佳SIFT特征包的步骤是(I)获得训练图像集；(2)对每一幅训练牛眼虹膜图像进行预处理；(3)对每一幅训练牛眼虹膜图像进行虹膜内边缘定位；(4)利用SIFT方法获得每一幅训练牛眼虹膜图像的SIFT特征点；(5)移除虹膜内边缘中的SIFT特征点，得到训练图像的有效SIFT特征点集；(6)合并所有训练图像的SIFT特征点集，得到训练样本的SIFT特征点空间；(7)采用K最邻近法对训练样本的SIFT特征点空间进行聚类分析，得到K个类及对应的特征均值；(8)为每ー个特征均值赋予一个标签用以标识该特征均值代表的类，得到由K个带标签的特征均值构成的最佳SIFT特征包；(9)结束。有益效果由于不需要进行虹膜外边缘精确定位和虹膜图像归一化，本发明方法在待识别牛眼虹膜图像存在旋转、偏移、局部遮挡或尺度 不一致的情况下也能够较准确地进行识别，有助于提高牛眼虹膜图像识别的准确性与可靠性。
图I是本发明的基本框 图2是本发明方法的详细工作流程 图3是本发明获取SIFT特征包的工作流程图。
具体实施例方式下面结合附图和具体实施方式
对本发明作进ー步说明
如图I所示，通过虹膜图像采集装置获取牛眼虹膜数字灰度图像，然后根据目测对图像进行预处理获取图像的有效区域。通过虹膜内边缘定位和SIFT特征提取方法获得有效的牛眼虹膜图像有效SIFT特征点集合。然后就由识别机制来处理，通常包括获取虹膜图像的特征直方图和与目标牛眼虹膜库中的已有图像进行比对。本发明的详细工作流程如图2所示。步骤10是初始动作。步骤11判断识别机制是否训练好，如果是则执行步骤21 ;否则执行步骤12。步骤12判断是否已获得最佳SIFT特征包，如果是则执行步骤15 ;否则执行步骤13。步骤13获取用于获取最佳SIFT特征包的训练图像集，该图像集中每个牛眼至少有两张图像。步骤14根据训练图像集选择出最佳SIFT特征包，该特征包中包含K个SIFT特征均值，这里K是用户指定的整数值，例如1000。这ー选择过程采用本发明专门设计的算法，该步骤在后面的部分结合图3进行具体介绍。最佳SIFT特征包选择好后，步骤15获取目标牛眼虹膜库，该库中每个牛眼至少有一幅图像。步骤16对虹膜图像进行预处理，获得图像的有效区域。这里的通过目测，选择覆盖虹膜区域的最大矩形区间为图像的有效区域。步骤17在图像的有效区域内对内边缘进行定位。这里采用主动轮廓线法对虹膜内边缘进行定位。步骤18在图像的有效区域内用SIFT方法获得图像的SIFT特征点。步骤19移除落在虹膜内边缘内部的SIFT特征点，获得有效SIFT特征点集。步骤20,采用近似最邻近法(ANN, Approximate Nearest Neighbor)将有效SIFT特征点集中的每个特征与最佳SIFT特征包中的特征均值进行比对，为每ー个有效SIFT特征点赋上对应最佳SIFT特征包中特征均值的标签，并计数，进而获得对应目标牛眼虹膜图像的特征直方图。步骤21，接收待识别图像。步骤22、23、24、25、26采用与步骤16、17、18、19、20相同的方法对待识别图像进行预处理、虹膜内边缘定位、SIFT特征提取、获得有效SIFT特征点集，最終获得图像的特征直方图。步骤27采用近似最邻近法比较待识别图像特征直方图与目标牛眼虹膜库中各图像特征直方图距离。步骤28输出结果，直方图距离最小的目标虹膜图像对应的对象为识别結果。步骤29为结束状态。值得指出的是图2的步骤13和14专门用于获得最佳SIFT特征包，该特征包一旦被选择出来，就能够直接用于不同的目标牛眼虹膜图像库。图3详细说明了图2中的步骤14，该步骤的作用是根据训练图像集选择出具有K个特征均值的最佳SIFT特征包，这里K是用户指定的整数值。图3的步骤1400是 起始状态。步骤1401、1402、1403、1404与采用与图2中的步骤16、17、18、19相同的方法对每一幅训练图像进行预处理、虹膜内边缘定位、SIFT特征提取，最终对应训练图像的有效SIFT特征点集。步骤1405合并所有训练图像的SIFT特征点集，得到训练样本的SIFT特征点空间。步骤1406采用K最邻近法(KNN，K-Nearest Neighbor)对训练样本的SIFT特征点空间进行聚类分析，得到K个类及对应的K个特征均值。这里的K由用户指定，例如1000。一般而言，根据SIFT特征点空间大小，K的值在几百到几千之间。步骤1407为每ー个特征均值赋予一个标签用以标识该特征均值代表的类，这样就得到由K个带标签的特征均值构成的最佳SIFT特征包。最后，步骤1408为图3的结束状态。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
权利要求
1.基于SIFT特征包的牛眼虹膜图像识别方法，其特征在于，该方法包括以下步骤 (1)若识别机制未训练好，则执行步骤2，否则转到步骤10； (2)获得用于获取SIFT特征包的训练图像集； (3)根据训练图像集获取最佳SIFT特征包； (4)获得目标牛眼虹膜库； (5)对每一幅目标牛眼虹膜图像进行预处理； (6)对每一幅目标牛眼虹膜图像进行虹膜内边缘定位； (7)利用SIFT方法获得每一幅目标牛眼虹膜图像的SIFT特征点； (8)移除虹膜内边缘中的SIFT特征点，得到每一幅目标牛眼虹膜图像的有效SIFT特征点集； (9)将每一幅目标牛眼虹膜图像的SIFT特征点与最佳SIFT特征包对比，获得目标牛眼虹膜图像的特征直方图； (10)接收待识别图像； (11)对待识别图像进行预处理； (12)对待识别图像进行虹膜内边缘定位； (13)利用SIFT方法获得待识别图像的SIFT特征点； (14)移除虹膜内边缘中的SIFT特征点，得到待识别图像的有效SIFT特征点集； (15)将待识别图像的SIFT特征点与最佳SIFT特征包对比，获取待识别图像的特征直方图； (16)计算待识别图像与目标牛眼虹膜库中每一幅图像的直方图距离； (17)以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别结果； (18)结束。
2.根据权利要求I所述的基于SIFT特征包的牛眼虹膜图像识别方法，其特征在干，所述的获取最佳SIFT特征包的步骤是 (1)获得训练图像集； (2)对每一幅训练牛眼虹膜图像进行预处理； (3)对每一幅训练牛眼虹膜图像进行虹膜内边缘定位； (4)利用SIFT方法获得每一幅训练牛眼虹膜图像的SIFT特征点； (5)移除虹膜内边缘中的SIFT特征点，得到训练图像的有效SIFT特征点集； (6)合并所有训练图像的SIFT特征点集，得到训练样本的SIFT特征点空间； (7)采用K最邻近法对训练样本的SIFT特征点空间进行聚类分析，得到K个类及对应的特征均值； (8)为每ー个特征均值赋予一个标签用以标识该特征均值代表的类，得到由K个带标签的特征均值构成的最佳SIFT特征包； (9)结束。
全文摘要
本发明公开了一种基于SIFT特征包的牛眼虹膜图像识别方法，包括以下步骤对虹膜图像进行预处理获取有效区域；用SIFT方法获取特征点；用主动轮廓线方法进行内边缘定位；移除内边缘内的特征点得到有效SIFT特征点集；通过与最佳SIFT特征包对比获得特征直方图；计算待识别图像和目标虹膜库中每一幅图像的直方图距离，以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别结果。本发明在待识别牛眼虹膜图像存在旋转、偏移、局部遮挡或尺度不一致的情况下也能够较准确地进行识别，从而有助于提高牛眼虹膜图像识别的准确性和可靠性，推动虹膜识别方法在食品溯源体系中的应用。
文档编号G06K9/00GK102693421SQ20121017702
公开日2012年9月26日 申请日期2012年5月31日 优先权日2012年5月31日
发明者孙胜楠, 宋阳, 杨世才, 赵林度 申请人:东南大学