用于异质虹膜识别的信息融合方法
【专利摘要】本发明公开了一种用于异质虹膜识别的信息融合方法，包括：步骤S1、对训练集中成对的不同状态下的异质虹膜图像进行预处理，得到ROI并变换到极坐标系下，再进行特征提取，对得到的二值特征编码进行训练，利用概率图模型建模获得由测试虹膜图像编码到注册虹膜图像编码的映射关系和注册状态虹膜图像编码中相邻位间的相容关系；步骤S2、对输入的单幅或多幅的虹膜图像进行预处理，得到ROI区域并变换到极坐标系下，再进行特征提取得到二值特征编码，利用步骤S1得到的映射和相容关系将其融合，获得对应的注册状态虹膜图像编码和加权比对模板。本发明能有效减小识别时输入的测试虹膜样本和注册虹膜样本间的异质性，使异质虹膜识别具有更好的准确性和鲁棒性。
【专利说明】用于异质虹膜识别的信息融合方法
【技术领域】
[0001]本发明涉及数字图像处理、模式识别和统计学习等【技术领域】，特别是涉及一种用于异质虹膜识别的信息融合方法。
【背景技术】
[0002]随着社会的发展和进步，人们对于身份认证的要求不断提高。生物特征识别作为一种优秀的认证手段，具有很多特有的优良性质，在近些年取得了迅速的发展。生物特征识别一般可以分为基于形态特征和生理特征这样两类。其中，虹膜作为一种生理特征，具有很高的稳定性和防伪性，虹膜识别近些年取得了很大的发展，并且已经有了很多非常成功的应用实例，特别是在大规模以及高精度要求的情况下。
[0003]随着现在社会信息化进程的深入发展，物联网和移动互联网下的光学图像获取装置呈现泛在发展的趋势，同时互联网中的图像和视频数据规模呈爆炸式增长，其中大量的图像和视频都涉及到人脸和虹膜等生物特征信息，为获取多种模态的生物特征提供了新的途径和数据基础。在这些应用场景下采集到的虹膜图像可能存在图像获取设备上的差异，包括近红外和可见光间的差异以及高清和低分辨率的差异等，还有用户状态上的差异，包括戴眼镜的和裸眼的差异以及正眼与斜视的区别，除此之外可能还有获取场景上的差异，比如室内和室外的差异。
[0004]对于这些来源广泛、质量各异的虹膜图像，他们之间的识别和匹配造成了限制现阶段虹膜识别学科及应用发展的瓶颈问题。目前国内外解决异质虹膜识别的方法并不多，且所解决的问题也比较单一。[Connaughton, TIFS2012]分析了跨设备的虹膜识别问题，并指出了虹膜传感器和虹膜识别算法的选择都会影响到虹膜识别的准确率。[Sunpreet，BTAS2012]为解决跨设备的虹膜识别问题，提出了基于传感器判定的选择性图像增强算法以提升虹膜图像获取设备间的互用性。[Nguyen，TIFS2011]关注于低分辨率的虹膜识别问题，并提出了基于图像质量加权的虹膜图像超分辨率算法。德国Robert Bosch GmbH公司的Liu等人在其专利US2010 / 0201798A1中提出了一种虹膜图像的去模糊方法。该方法通过深度传感器来获得人与成像设备间的距离，估计离焦情况下的点扩散函数，再进行模糊虹膜图像的修复。
[0005]现有方法仅面向异质虹膜识别框架下的某一个或几个特殊的问题并提出解决方案，且这些方法的处理层级均处于像素级，即以原虹膜图像为基础进行操作。然后，在处理后的虹膜图像之上再进行常规的虹膜识别算法。这样的算法容易受到虹膜图像上噪声以及图像序列间误对准的影响，产生不准确的结果。此外，现有方法只能单一地以虹膜图像为输入或者以虹膜图像序列为输入，这在一定程度上限制了其可应用的范围。
[0006]综上所述，现有的异质虹膜识别算法仍存在一定的改进余地，如何同时处理多种异质源，可以同时以单幅图像和图像序列为输入，以及如何在虹膜编码层充分利用内在结构信息并得到鲁棒、准确的结果仍然是一个亟待解决的难题。
【发明内容】
[0007](一 )要解决的技术问题
[0008]有鉴于此，本发明的主要目的是针对上述现有技术中存在的问题，提供一种用于异质虹膜识别的信息融合方法，以准确、鲁棒地实现异质虹膜识别的增强。
[0009]( 二 )技术方案
[0010]为解决上述技术问题，本发明提出一种用于异质虹膜识别的信息融合方法，其特征在于，该方法包括:
[0011]步骤S1、构建包含有异质虹膜图像的训练数据库，对该训练数据库中成对的不同状态下的异质虹膜图像进行预处理，得到ROI并将其变换到极坐标系下，再进行特征提取得到二值特征编码，对该特征二值特征编码进行训练，利用概率图模型建模获得由测试虹膜图像编码到注册虹膜图像编码的映射关系和注册状态虹膜图像编码中相邻位间的相容关系;
[0012]步骤S2、对要识别的单幅虹膜图像或连续的多幅虹膜图像进行预处理，得到ROI并将其变换到极坐标系下，然后进行特征提取得到二值特征编码或编码序列，利用步骤Si得到的所述映射关系和相容关系将二值编码序列融合，获得一个对应的注册状态虹膜图像编码和加权比对模板，将该注册状态虹膜编码以及加权匹配模板与数据库中的注册样本进行比对，完成识别。
[0013]根据本发明的一种【具体实施方式】，所述步骤SI包括:
[0014]步骤S11、构建包含异质虹膜图像的训练数据库，训练数据库包括注册图像数据库和测试图像数据库，将对应于系统注册状态的虹膜图像存储于注册图像数据库，对应于识别输入状态的虹膜图像存储于测试图像数据库，并且要求注册图像数据库中每一个虹模图像和测试图像数据库中每一个虹膜图像一一对应，且每一对对应的虹膜图像均来自于同一个虹膜，并对训练图像数据库中的测试状态图像和注册状态图像进行预处理，得到训练图像数据库中的测试状态图像和注册状态图像的ROI ；
[0015]步骤S12、对所述训练图像数据库中的测试状态图像和注册状态图像的ROI进行归一化，将训练图像数据库中的测试状态图像和注册状态图像的ROI从直角坐标系转换到极坐标系，得到训练图像数据库中的测试状态图像和注册状态图像的ROI在极坐标系下的虹膜图像；
[0016]步骤S13、使用特征提取算法对在训练图像数据库中极坐标系下的虹膜图像上进行编码，得到训练图像数据库中的测试状态图像和注册状态虹膜图像的二值特征编码；
[0017]步骤S14、在训练图像数据库中的测试状态图像和注册状态图像的二值特征编码上，统计一对测试虹膜图像编码和注册虹膜图像编码的对应位置上的不同状态出现的条件概率，再由此得到由测试虹膜图像编码到注册虹膜图像编码的映射关系；
[0018]步骤S15、在训练图像数据库中注册状态图像的二值特征编码上，统计注册虹膜图像编码的相邻位置上的不同状态出现的条件概率，并得到注册状态虹膜图像编码中相邻位间的相容关系。
[0019]根据本发明的一种【具体实施方式】，所述异质虹膜图像包括不同质量和不同状态的两类，不同质量的异质虹膜图像的识别指的是使用低质量的虹膜图像对高质量的注册虹膜图像进行比对，其中低质量包括低分辨率、运动模糊和离焦模糊等因素；不同状态的异质虹膜图像的识别指的是测试虹膜图像样本和注册虹膜图像样本在获取的时候具有用户状态或设备状态上的不同。
[0020]根据本发明的一种【具体实施方式】，步骤S14中一对测试虹膜图像编码和注册虹膜图像编码的对应位置上的不同组合值出现的条件概率具有如下形式:
[0021]P (Xjlyj, NH4(Yj)),
[0022]其中Xj和yj分别代表在位置j上注册状态和测试状态的虹膜编码值，NH4(Yj)为Yj四邻域的编码，因此该条件概率代表已知测试状态编码中yj及其周围四邻域上共五位编码信息时，对应的注册状态编码中&为O或I的可能性。
[0023]步骤S15中所述注册状态虹膜图像编码的相邻位置上的不同组合值出现的条件概率具有如下形式:
[0024]P (Xj I xk) , xk e Adj (Xj),
[0025]Adj (Xj) — {xj-1, xJ+1},
[0026]其中Xj代表在位置j上注册状态的一位虹膜编码，Xk属于与Xj相邻的编码位Adj (Xj),且Adj (Xj)由与Xj纵向相邻的虹膜编码Xp1和xj+1构成。
[0027]根据本发明的一种【具体实施方式】，所述步骤S2包括:
[0028]步骤S21、对要识别的单幅虹膜图像或者连续的多幅虹膜图像进行预处理，得到该要识别的虹膜图像或者序列的ROI ；
[0029]步骤S22、对所述要识别的虹膜图像或者序列的ROI进行归一化，将测试虹膜图像或者序列的ROI从直角坐标系转换到极坐标系，得到极坐标系下的测试虹膜图像或者序列的 ROI ；
[0030]步骤S23、使用特征提取算法对在极坐标系下的所述要识别的虹膜图像或者序列上进行编码，得到要识别的虹膜图像或者序列的二值特征编码；
[0031]步骤S24、将步骤S23中得到的二值特征编码，根据步骤S14中训练得到的由测试虹膜图像编码到注册虹膜图像编码的映射关系和步骤S15中训练得到的注册状态虹膜图像编码中相邻位间的相容关系，逐位估计并得到所述要识别的虹膜图像或者序列所对应的注册状态虹膜编码以及其加权匹配模板；
[0032]步骤S25、使用步骤S24得到的注册状态虹膜编码以及其加权匹配模板，与所述训练数据库中的系统注册状态的虹膜图像样本进行比对并做出身份识别结果，完成异质虹膜的识别过程。
[0033]根据本发明的一种【具体实施方式】，步骤S25中的对应注册状态虹膜编码的估计过程是根据步骤S14和步骤S15中训练得到的映射关系和相容关系所得到的，并且在估计注册状态虹膜编码的同时能够得到反映其每一位编码可靠性的加权匹配模板。
[0034]根据本发明的一种【具体实施方式】，步骤S24中，使用基于概率图模型的方法对未知注册状态进行估计，将具有最大可能性的状态记为估计得到的状态。
[0035]根据本发明的一种【具体实施方式】，所述步骤S24包括:
[0036]将输入的测试虹膜图像的二值特征编码或者经过对齐的要识别的虹膜序列的二值特征编码，根据步骤S14中训练得到的由测试虹膜图像编码到注册虹膜图像编码的映射关系P1 (Xj I YjjNH4 (Yj))和步骤S15中训练得到的注册状态虹膜图像编码中相邻位间的相容关系P2 (X」xk)，利用下式中最大后验概率的解来对其未知的注册状态虹膜编码进行估计，
【权利要求】
1.一种用于异质虹膜识别的信息融合方法，其特征在于，该方法包括: 步骤S1、构建包含有异质虹膜图像的训练数据库，对该训练数据库中成对的不同状态下的异质虹膜图像进行预处理，得到ROI并将其变换到极坐标系下，再进行特征提取得到二值特征编码，对该特征二值特征编码进行训练，利用概率图模型建模获得由测试虹膜图像编码到注册虹膜图像编码的映射关系和注册状态虹膜图像编码中相邻位间的相容关系; 步骤S2、对要识别的单幅虹膜图像或连续的多幅虹膜图像进行预处理，得到ROI并将其变换到极坐标系下，然后进行特征提取得到二值特征编码或编码序列，利用步骤SI得到的所述映射关系和相容关系将二值编码序列融合，获得一个对应的注册状态虹膜图像编码和加权比对模板，将该注册状态虹膜编码以及加权匹配模板与数据库中的注册样本进行比对，完成识别。
2.根据权利要求1所述的用于异质虹膜识别的信息融合方法，其特征在于，所述步骤SI包括: 步骤S11、构建包含异质虹膜图像的训练数据库，训练数据库包括注册图像数据库和测试图像数据库，将对应于系统注册状态的虹膜图像存储于注册图像数据库，对应于识别输入状态的虹膜图像存储于测试图像数据库，并且要求注册图像数据库中每一个虹模图像和测试图像数据库中每一个虹膜图像一一对应，且每一对对应的虹膜图像均来自于同一个虹膜，并对训练图像数据库中的测试状态图像和注册状态图像进行预处理，得到训练图像数据库中的测试状态图像和注册状态图像的ROI ； 步骤S12、对所述训练图像数据库中的测试状态图像和注册状态图像的ROI进行归一化，将训练图像数据库中的测试状态图像和注册状态图像的ROI从直角坐标系转换到极坐标系，得到训练图像数据库中的测试状态图像和注册状态图像的ROI在极坐标系下的虹膜图像； 步骤S13、使用特征提取 算法对在训练图像数据库中极坐标系下的虹膜图像上进行编码，得到训练图像数据库中的测试状态图像和注册状态虹膜图像的二值特征编码； 步骤S14、在训练图像数据库中的测试状态图像和注册状态图像的二值特征编码上，统计一对测试虹膜图像编码和注册虹膜图像编码的对应位置上的不同状态出现的条件概率，再由此得到由测试虹膜图像编码到注册虹膜图像编码的映射关系； 步骤S15、在训练图像数据库中注册状态图像的二值特征编码上，统计注册虹膜图像编码的相邻位置上的不同状态出现的条件概率，并得到注册状态虹膜图像编码中相邻位间的相容关系。
3.根据权利要求1所述的用于异质虹膜识别的信息融合方法，其特征在于，所述异质虹膜图像包括不同质量和不同状态的两类，不同质量的异质虹膜图像的识别指的是使用低质量的虹膜图像对高质量的注册虹膜图像进行比对，其中低质量包括低分辨率、运动模糊和离焦模糊等因素；不同状态的异质虹膜图像的识别指的是测试虹膜图像样本和注册虹膜图像样本在获取的时候具有用户状态或设备状态上的不同。
4.根据权利要求2所述的用于异质虹膜识别的信息融合方法，其特征在于， 步骤S14中一对测试虹膜图像编码和注册虹膜图像编码的对应位置上的不同组合值出现的条件概率具有如下形式:P (Xj I yj，NH4 (yj))， 其中Xj和yj分别代表在位置j上注册状态和测试状态的虹膜编码值，NH4 (yj)为yj四邻域的编码，因此该条件概率代表已知测试状态编码中yj及其周围四邻域上共五位编码信息时，对应的注册状态编码中&为O或I的可能性。 步骤S15中所述注册状态虹膜图像编码的相邻位置上的不同组合值出现的条件概率具有如下形式:
P (Xj I Xk)，Xk e Adj (Xj),
Adj (Xj) {Xj-1? Xj+il， 其中Xj代表在位置j上注册状态的一位虹膜编码，Xk属于与Xj相邻的编码位Adj (Xj)，且Adj (Xj)由与Xj纵向相邻的虹膜编码Xp1和xj+1构成。
5.根据权利要求4所述的用于异质虹膜识别的信息融合方法，其特征在于，所述步骤S2包括: 步骤S21、对要识别的单幅虹膜图像或者连续的多幅虹膜图像进行预处理，得到该要识别的虹膜图像或者序列的ROI ; 步骤S22、对所述要识别的虹膜图像或者序列的ROI进行归一化，将测试虹膜图像或者序列的ROI从直角坐标系转换到极坐标系，得到极坐标系下的测试虹膜图像或者序列的ROI ； 步骤S23、使用特征提取算法对在极坐标系下的所述要识别的虹膜图像或者序列上进行编码，得到要识别的虹膜图像或者序列的二值特征编码； 步骤S24、将步骤S23中得到的二值特征编码，根据步骤S14中训练得到的由测试虹膜图像编码到注册虹膜图像编码的映射关系和步骤S15中训练得到的注册状态虹膜图像编码中相邻位间的相容关系，逐位估计并得到所述要识别的虹膜图像或者序列所对应的注册状态虹膜编码以及其加权匹配模板； 步骤S25、使用步骤S24得到的注册状态虹膜编码以及其加权匹配模板，与所述训练数据库中的系统注册状态的虹膜图像样本进行比对并做出身份识别结果，完成异质虹膜的识别过程。
6.根据权利要求5所述的用于异质虹膜识别的信息融合方法，其特征在于，步骤S25中的对应注册状态虹膜编码的估计过程是根据步骤S14和步骤S15中训练得到的映射关系和相容关系所得到的，并且在估计注册状态虹膜编码的同时能够得到反映其每一位编码可靠性的加权匹配模板。
7.根据权利要求5所述的用于异质虹膜识别的信息融合方法，其特征在于， 步骤S24中，使用基于概率图模型的方法对未知注册状态进行估计，将具有最大可能性的状态记为估计得到的状态。
8.根据权利要求7所述的用于异质虹膜识别的信息融合方法，其特征在于，所述步骤S24包括: 将输入的测试虹膜图像的二值特征编码或者经过对齐的要识别的虹膜序列的二值特征编码，根据步骤S14中训练得到的由测试虹膜图像编码到注册虹膜图像编码的映射关系P1 (Xj I Yj, NH4 (Yj))和步骤S15中训练得到的注册状态虹膜图像编码中相邻位间的相容关系P2 U」xk)，利用下式中最大后验概率的解来对其未知的注册状态虹膜编码进行估计，
【文档编号】G06K9/64GK103577813SQ201310602989
【公开日】2014年2月12日 申请日期:2013年11月25日 优先权日:2013年11月25日
【发明者】谭铁牛, 孙哲南, 刘京 申请人:中国科学院自动化研究所