用于运动模糊虹膜识别的加权比对方法
用于运动模糊虹膜识别的加权比对方法
【专利摘要】本发明公开了一种用于运动模糊虹膜识别的加权比对方法，包括：步骤S1、收集并构建训练集，其包含清晰和人工模糊的虹膜图像，对训练集进行预处理得到ROI并转换到极坐标系下，再进行特征提取，使用成对的清晰和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图并归一化得到针对运动模糊的加权匹配模板；步骤S2、对要识别的虹膜图像进行预处理得到ROI同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的长度和方向自适应的利用步骤S1得到的针对运动模糊的加权匹配模板与注册库中样本进行加权比对。本发明可以有效减小运动模糊虹膜图像对系统识别性能的不利影响，提高系统的鲁棒性。
【专利说明】用于运动模糊虹膜识别的加权比对方法
【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】，特别是涉及ー种用于运动模糊虹膜识别的加权比对方法。
【背景技术】
[0002]虹膜识别作为生物特征识别中的ー种，其具有很高的稳定性和准确性，并且在近些年中得到了很大的发展。现阶段，可控场景下的虹膜识别已经发展得比较成熟，并有很多成功的应用实例，特别是在一些大规模以及高精度要求的场景中。然而，对于在非可控场景下的识别系统，例如远距离、
[0003]行进中的虹膜识别系统，它们当中还存在一些我们未能完全解决的问题，而这些问题主要是由获取的虹膜图像质量不理想造成的。
[0004]在非可控场景下的虹膜识别系统中，由于现阶段硬件エ艺水平的限制且虹膜本身直径仅有12_左右，在图像采集过程中捕获到运动模糊的虹膜图像是很难避免的。对于这些运动模糊的虹膜图像，其虹膜的纹理细节信息在一定程度上有所损失，导致了虹膜识别性能的下降，特别是错误拒绝率的升高。因此，在可控场景下的虹膜识别系统获取虹膜图像的时候，为了采集到清晰的虹膜图片会对用户提出一些比较苛刻的要求，即为了采集到足够清晰的虹膜图像以成功通过识别系统，用户不得不去尽量地配合虹膜识别系统。这种对用户配合的严格要求，在一定程度上限制了虹膜识别的应用范围，造成了虹膜识别中最大的瓶颈。
[0005]目前国内外解决运动模糊虹膜识别的方法并不多，且多集中在图像的修复和增强。[Kang, Optical Engineering]提出了运动虹膜图像的去模糊方法,对模糊的虹膜图像首先进行去卷积并试图恢复模糊图像中丢失的纹理细节，再进行常规的虹膜识别算法。[Shukri, PR Letters]提出针对运动模糊虹膜图像的图像增强算法，先后使用同态滤波和多尺度视网膜-大脑皮层算法对低质量图像进行阴影区域的去除和对比度的增强。
[0006]上面所述的方法虽然在运动模糊虹膜图像的识别问题上都取得了一定效果，但是它们仍存在ー些不足。他们仅对虹膜图像本身操作而且主要关注于图像的视觉效果，并没有触及到更高的处理层级，因此带来的识别性能的效果改善也会受到限制。而且在图像增强的过程中，它们过多的依赖于图像的先验信息，并没有充分考虑到运动虹膜图像的特殊属性，因此在一定程度上降低了其针对性和鲁棒性。
[0007]综上所述，现有的针对运动模糊虹膜识别的方法仍存在一定的改进余地，如何充分的考虑运动模糊虹膜图像的特性，更深入的触及识别本质带来更加鲁棒、准确的运动模糊虹膜识别结果仍然是ー个亟待解决的难题。
【发明内容】
[0008](一 )要解决的技术问题
[0009]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，提供一种用于运动模糊虹膜识别的加权比对方法，在比对过程中同时根据运动模糊的长度和方向和其对于运动模糊的鲁棒性，自适应的对不同编码位设置比对权值，以准确、鲁棒的实现运动模糊虹膜识别性能的提升。
[0010](ニ)技术方案
[0011]为达成上述目的，本发明撮出ー种用于运动模糊虹膜识别的加权比对方法，该方法包括:步骤S1、收集并构建训练集，使训练集包含多个虹膜图像对，每个虹膜图像对包括来源于同一虹膜的一幅清晰的虹膜图像和一幅人工模糊的虹膜图像，接着，对训练集中的所有虹膜图像进行预处理得到R0I，并将其转换到极坐标系下，再对各ROI进行特征提取，得到训练集中各虹膜图像的ニ值特征编码，然后在得到的ニ值编码中使用所述各虹膜图像对中的清晰虹膜图像和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图，并归ー化得到针对运动模糊的加权匹配模板；步骤S2、对需要识别的测试虹膜图像进行预处理得到ROI同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的长度和方向自适应的利用步骤SI得到的针对运动模糊的加权匹配模板与注册虹膜图像库中的虹膜图像样本进行加权比对。
[0012]根据本发明的ー种【具体实施方式】，所述步骤SI包括:步骤S11、收集和构建包含运动模糊虹膜图像的训练集，将收集到的清晰虹膜图像人工合成运动模糊虹膜图像，并使清晰虹膜图像和人工合成的运动模糊图像具有一一对应关系，对应的清晰虹膜图像和人工合成的运动模糊图像构成虹膜图像对，然后对训练集中所有虹膜图像进行预处理，得到各虹膜图像的ROI ;步骤S12、对所述训练集中清晰和运动模糊的虹膜图像的ROI进行归一化，将训练集中清晰和运动模糊的虹膜图像的ROI从直角坐标系转换到极坐标系，得到训练集中的清晰虹膜图像和运动模糊虹膜图像的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集中极坐标系下的清晰虹膜图像和人工合成的运动模糊虹膜图像的ROI进行编码，得到训练集中清晰虹膜图像和人工合成的运动模糊虹膜图像的ニ值特征编码；步骤S14、在训练集中的清晰虹膜图像和人工合成的运动模糊的虹膜图像的ニ值编码上，使用所述训练集的虹膜图像对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对，得到虹膜编码中不同位置的编码位对于运动模糊的可靠性，即可信图，并将此可信图归ー化得到一般的针对运动模糊的加权匹配模板。
[0013]根据本发明的ー种【具体实施方式】，步骤Sll中人工合成运动模糊的虹膜图像的过程看作是ー个卷积的过程，其具有如下形式:
[0014]7 = X ? / + /7,
[0015]其中，y代表经过人工合成得到的模糊图像，X代表已知的清晰虹膜图像，f是点扩散函数表示图像的模糊原因，n是加性白噪声，?为卷积操作子。
[0016]根据本发明的ー种【具体实施方式】，所述步骤S14中，根据训练集中的清晰虹膜图像是否具有类别标记，有两种不同的方法用于得到虹膜编码中的可信图，当不具有类别标记时，仅使用所述训练集中成对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对；当具有类别信息时，在属于同一类的多幅清晰虹膜图像和模糊虹膜图像的编码间进行比对，每ー类都能得到一个对应的比对结果，然后再对多类的结果求取平均值，得到一般情况下的不同位置上的虹膜编码位对于运动模糊的可靠性。
[0017]根据本发明的ー种【具体实施方式】，所述步骤S2包括:步骤S21、对需要识别的虹膜图像进行预处理得到该测试虹膜图像的ROI，然后判定此测试虹膜图像的运动模糊的长度和方向；步骤S22、对所述测试虹膜图像的ROI进行归一化，将所要识别的虹膜图像的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的ROI ;步骤S23、使用特征提取算法在极坐标系下的所要识别的虹膜图像上进行编码，得到所要识别的虹膜图像的ニ值特征编码；步骤S24、对步骤S23中得到的所要识别的虹膜图像的ニ值编码，根据步骤S21中得到所要识别的虹膜图像的运动模糊的长度和方向和步骤S14中训练得到的一般的针对运动模糊的加权匹配模板，赋予所要识别的虹膜图像的ニ值编码中每一位编码不同的权值，然后与注册虹膜图像库中的虹膜图像样本进行比对并做出身份识别结果，完成运动模糊虹膜图像的识别过程。
[0018]根据本发明的ー种【具体实施方式】，所述的赋予其中每一位编码不同的权值是根据步骤S21得到的所述识别的虹膜图像的运动模糊的长度和方向对步骤S14中训练得到的一般的针对运动模糊的加权匹配模板进行调整所得到的。
[0019]根据本发明的ー种【具体实施方式】，在步骤S21中，使用參数化的运动模糊点扩散函数模型，然后使用虹膜图像质量评价方法中的运动模糊判断方法对其运动模糊的长度和方向进行估计。
[0020](三)有益效果
[0021]从上述技术方案可以看出，本发明提供的这种用于运动模糊虹膜识别的加权比对方法，对于提高虹膜识别系统对运动模糊的虹膜图像的可靠性和鲁棒性都具有重要的意义，其主要优点如下:
[0022]1、本发明提出的用于运动模糊虹膜识别的加权比对方法，通过在训练集中成对的清晰和模糊虹膜图像间的比对，得到虹膜编码中不同位置的编码位对于运动模糊的可靠性，即可信图，并将此可信图归ー化得到一般的针对运动模糊的加权匹配模板，所得到的加权匹配模板能够充分考虑到运动模糊虹膜图像的特性，并且使得后续对测试虹膜图像加权匹配的过程能够高效的利用这些从训练过程中学习得到的运动模糊虹膜图像的特性。
[0023]2、本发明中所述方法所在的处理层级为比对阶段，加权匹配是在计算两个虹膜样本匹配分数的时候进行加权，其处理对象是虹膜图像的ニ值编码。而现有其它算法一般处于预处理阶段，他们的处理对象为原始虹膜图像的灰度像素值。相对于原始灰度值，虹膜的ニ值编码直接决定最終的匹配距离所以更触及识别的本质内容，而且是经过特征提取之后所得因此也更加鲁棒。现有的处于预处理阶段的方法，均是通过图像处理的手段，例如去模糊、对比度增强等，对虹膜图像的视觉效果进行提升，但是并不能保证识别效果的提升，因此并不能很好地适用于虹膜识别的应用场景。与此相对的，本发明所述方法直接在比对过程中进行处理，能够避开视觉效果的考虑，直接以提高识别性能为目标进行相应的操作。
[0024]3、本发明提出的加权比对方法首先根据清晰和人工合成模糊的虹膜图像计算ー般的运动模糊虹膜图像的可信图，由于运动模糊的虹膜图像是按照真实模糊模型人工合成得到的，其不但具有真实模糊的效果还同时具有可控、可调节的特性，即可以按照给定的要求呈现出统ー的模糊状态，使得能够得到针对运动模糊的加权匹配模板。然后根据这ー模板在匹配测试虹膜样本的过程中赋予测试样本每一位编码不同的权值，此模板需要根据估计出的测试虹膜图像的运动模糊的长度和方向进行调整，因此其能够同时考虑一般模糊虹膜图像的通性和单个模糊虹膜图像的个性。[0025]4、本发明提出的加权匹配方法能够和现有预处理阶段的运动模糊虹膜图像增强技术级联使用，带来进一歩的性能提升，即运动模糊的虹膜图像在预处理阶段进行视觉效果的增强之后再使用本发明所述方法根据增强后图像的情况进行自适应的加权匹配。
[0026]5、本发明采用的加权匹配方法，采用离线学习在线使用的结构，可以实时地对运动模糊虹膜图像进行加权匹配。
[0027]得益于上述优点，本发明使快速有效的运动模糊虹膜识别成为可能，极大地提高了现有虹膜识别系统的可靠性和可扩展性，本方法不要求添加任何硬件设备，不需要额外的虹膜相机信息，可广泛应用于使用虹膜识别进行身份认证或者识别的大規模、长期、非配合场景下的系统中，比如虹膜出入境身份认证系统、基于虹膜识别的智能视频监控系统、虹膜手机认证系统等等。
【专利附图】
【附图说明】
[0028]图1A和图1B显不了清晰虹膜图像与运动模糊虹膜图像的不例,其中，图1A是清晰的虹膜图像，图1B是运动模糊的虹膜图像；
[0029]图2是本发明提供的用于运动模糊虹膜识别的加权比对方法的流程图；
[0030]图3显示了ー个针对运动模糊的加权匹配模板的示例。
【具体实施方式】
[0031]下面结合【专利附图】
【附图说明】本发明技术方案中所涉及的技术问题。应指出的是，所描述的实施例仅g在便于对本发明的理解，而对其不起任何限定作用。
[0032]虹膜识别系统在通过成像装置获取虹膜图像吋，由于虹膜本身仅有12_左右而且现阶段成像技术在硬件上的限制，使得在使用者不是完全配合的场景下采集到的测试虹膜图像很难避免的会存在运动模糊。运动模糊虹膜图像的纹理细节相对于清晰图像有所变化。如图2A和图2B所不,其中，图1A是清晰的虹膜图像的一个不例，图1B是运动模糊的虹膜图像的ー个示例。如图1A和图1B所示，特别是虹膜图像的纹理细节会有所缺失。对于运动模糊虹膜识别的问题，由于其中的模糊图像中纹理细节信息的缺失，其导致了虹膜识别性能的下降，特别是错误拒绝率的升高。
[0033]为了能够解决运动模糊虹膜识别中存在的问题，本发明提出了ー种用于运动模糊虹膜识别的加权比对方法，通过在训练集上的学习得到针对运动模糊的加权匹配模板，然后对于输入的测试虹膜图像在经过运动模糊的长度和方向的判断之后根据一般的针对运动模糊的加权匹配模板自适应的为每ー个编码位赋予相应的比对权值。其流程图如图2所示，包括以下步骤:
[0034]步骤S1、收集并构建训练集，使训练集包含多个虹膜图像对，每个虹膜图像对包括来源于同一虹膜的一幅清晰的虹膜图像和一幅人工模糊的虹膜图像。接着，对训练集中的所有虹膜图像进行预处理，得到感兴趣区域(ROI)并将该ROI转换到极坐标系下；再对各ROI进行特征提取，得到训练集中各虹膜图像的ニ值特征编码；然后在得到的ニ值编码中使用所述各虹膜图像对中的清晰虹膜图像和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图，并将其归ー化得到针对运动模糊的加权匹配模板；
[0035]步骤S2、对需要识别的测试虹膜图像进行预处理，得到R0I，同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的方向和长度自适应的利用步骤SI得到的针对运动模糊的加权匹配模板与注册虹膜图像库中的虹膜图像样本进行加权比对。
[0036]下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述:
[0037]首先，针对运动模糊的虹膜加权比对方法的先验知识学习步骤SI，，此步骤SI为本发明中所述方法的训练步骤，通过在训练集上的学习，为后续的实际测试过程提供先验知识，使得针对运动模糊的加权匹配过程能够顺利完成，从而提升系统对于运动模糊虹膜识别的鲁棒性。此步骤Si仅需要准备清晰的虹膜图像作为训练样本，为了能够充分学习此先验知识，我们先对已有的清晰虹膜图像进行运动模糊的人工合成，由此构成训练集。因此，并不需要收集对应的运动模糊虹膜图像，保证了方法的便捷性。然后，对训练集中成对的清晰和模糊的虹膜图像进行预处理和特征提取，得到对应的虹膜二值编码；然后，在得到的二值编码中使用成对的清晰和人工模糊的样本进行比对，得到一般的运动模糊虹膜图像的可信图，并将其归ー化得到针对运动模糊的加权匹配模板。该模板用于指导后续的加权比对过程。步骤SI具体包括:
[0038]步骤S11、收集和构建运动模糊的虹膜图像训练集。收集清晰虹膜图像X=Ix1,X2, , xn}作为训练集中的清晰虹膜图像，然后在此清晰虹膜图像上人工合成运动模糊得到人工模糊的虹膜图像。此人工合成运动模糊的虹膜图像的过程可以看作是ー个卷积的过程，其具有如下形式
[0039]
【权利要求】
1.ー种用于运动模糊虹膜识别的加权比对方法，其特征在于，该方法包括: 步骤S1、收集并构建训练集，使训练集包含多个虹膜图像对，每个虹膜图像对包括来源于同一虹膜的一幅清晰的虹膜图像和一幅人工模糊的虹膜图像，接着，对训练集中的所有虹膜图像进行预处理得到ROI，并将其转换到极坐标系下，再对各ROI进行特征提取，得到训练集中各虹膜图像的二值特征编码，然后在得到的二值编码中使用所述各虹膜图像对中的清晰虹膜图像和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图，并归一化得到针对运动模糊的加权匹配模板； 步骤S2、对需要识别的测试虹膜图像进行预处理得到ROI同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的长度和方向自适应的利用步骤SI得到的针对运动模糊的加权匹配模板与注册虹膜图像库中的虹膜图像样本进行加权比对。
2.根据权利要求1所述的用于运动模糊虹膜识别的加权比对方法，其特征在于，所述步骤SI包括: 步骤S11、收集和构建包含运动模糊虹膜图像的训练集，将收集到的清晰虹膜图像人工合成运动模糊虹膜图像，并使清晰虹膜图像和人工合成的运动模糊图像具有一一对应关系，对应的清晰虹膜图像和人工合成的运动模糊图像构成虹膜图像对，然后对训练集中所有虹膜图像进行预处理，得到各虹膜图像的ROI ； 步骤S12、对所述训练集中清晰和运动模糊的虹膜图像的ROI进行归一化，将训练集中清晰和运动模糊的虹膜图像的ROI从直角坐标系转换到极坐标系，得到训练集中的清晰虹膜图像和运动模糊虹膜图像的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集中极坐标系下的清晰虹膜图像和人工合成的运动模糊虹膜图像的ROI进·行编码，得到训练集中清晰虹膜图像和人工合成的运动模糊虹膜图像的二值特征编码； 步骤S14、在训练集中的清晰虹膜图像和人工合成的运动模糊的虹膜图像的二值编码上，使用所述训练集的虹膜图像对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对，得到虹膜编码中不同位置的编码位对于运动模糊的可靠性，即可信图，并将此可信图归ー化得到一般的针对运动模糊的加权匹配模板。
3.根据权利要求2所述的用于运动模糊虹膜识别的加权比对方法，其特征在干， 步骤Sll中人工合成运动模糊的虹膜图像的过程看作是ー个卷积的过程，其具有如下形式: 7 = X 0 / + /?, 其中，y代表经过人工合成得到的模糊图像，X代表已知的清晰虹膜图像，f是点扩散函数表示图像的模糊原因，n是加性白噪声，0为卷积操作子。
4.根据权利要求3所述的用于运动模糊虹膜识别的加权比对方法，其特征在干， 所述步骤S14中，根据训练集中的清晰虹膜图像是否具有类别标记，有两种不同的方法用于得到虹膜编码的可信图，当不具有类别标记时，仅使用所述训练集中成对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对；当具有类别信息时，在属于同一类的多幅清晰虹膜图像和模糊虹膜图像的编码间进行比对，每ー类都能得到一个对应的比对结果，然后再对多类的结果求取平均值，得到一般情况下的不同位置上的虹膜编码位对于运动模糊的可靠性。
5.根据权利要求1所述的用于运动模糊虹膜识别的加权比对方法，其特征在于，所述步骤S2包括: 步骤S21、对需要识别的虹膜图像进行预处理得到该测试虹膜图像的ROI，然后判定此测试虹膜图像的运动模糊的长度和方向； 步骤S22、对所述测试虹膜图像的ROI进行归一化，将所要识别的虹膜图像的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的ROI ； 步骤S23、使用特征提取算法在极坐标系下的所要识别的虹膜图像上进行编码，得到所要识别的虹膜图像的二值特征编码； 步骤S24、对步骤S23中得到的所要识别的虹膜图像的二值编码，根据步骤S21中得到所要识别的虹膜图像的运动模糊的长度和方向和步骤S14中训练得到的一般的针对运动模糊的加权匹配模板，赋予所要识别的虹膜图像的二值编码中每一位编码不同的权值，然后与注册虹膜图像库中的虹膜图像样本进行比对并做出身份识别结果，完成运动模糊虹膜图像的识别过程。
6.根据权利要求5所述的用于运动模糊虹膜识别的加权比对方法，其特征在于，所述的赋予其中每一位编码不同的权值是根据步骤S21得到的所述识别的虹膜图像的运动模糊的长度和方向对步骤S14中训 练得到的一般的针对运动模糊的加权匹配模板进行调整所得到的。
7.根据权利要求5所述的用于运动模糊虹膜识别的加权比对方法，其特征在干， 在步骤S21中，使用參数化的运动模糊点扩散函数模型，然后使用虹膜图像质量评价方法中的运动模糊判断方法对其运动模糊的长度和方向进行估计。
【文档编号】G06K9/00GK103577814SQ201310603622
【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
【专利摘要】本发明公开了一种用于运动模糊虹膜识别的加权比对方法，包括：步骤S1、收集并构建训练集，其包含清晰和人工模糊的虹膜图像，对训练集进行预处理得到ROI并转换到极坐标系下，再进行特征提取，使用成对的清晰和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图并归一化得到针对运动模糊的加权匹配模板；步骤S2、对要识别的虹膜图像进行预处理得到ROI同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的长度和方向自适应的利用步骤S1得到的针对运动模糊的加权匹配模板与注册库中样本进行加权比对。本发明可以有效减小运动模糊虹膜图像对系统识别性能的不利影响，提高系统的鲁棒性。
【专利说明】用于运动模糊虹膜识别的加权比对方法
【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】，特别是涉及ー种用于运动模糊虹膜识别的加权比对方法。
【背景技术】
[0002]虹膜识别作为生物特征识别中的ー种，其具有很高的稳定性和准确性，并且在近些年中得到了很大的发展。现阶段，可控场景下的虹膜识别已经发展得比较成熟，并有很多成功的应用实例，特别是在一些大规模以及高精度要求的场景中。然而，对于在非可控场景下的识别系统，例如远距离、
[0003]行进中的虹膜识别系统，它们当中还存在一些我们未能完全解决的问题，而这些问题主要是由获取的虹膜图像质量不理想造成的。
[0004]在非可控场景下的虹膜识别系统中，由于现阶段硬件エ艺水平的限制且虹膜本身直径仅有12_左右，在图像采集过程中捕获到运动模糊的虹膜图像是很难避免的。对于这些运动模糊的虹膜图像，其虹膜的纹理细节信息在一定程度上有所损失，导致了虹膜识别性能的下降，特别是错误拒绝率的升高。因此，在可控场景下的虹膜识别系统获取虹膜图像的时候，为了采集到清晰的虹膜图片会对用户提出一些比较苛刻的要求，即为了采集到足够清晰的虹膜图像以成功通过识别系统，用户不得不去尽量地配合虹膜识别系统。这种对用户配合的严格要求，在一定程度上限制了虹膜识别的应用范围，造成了虹膜识别中最大的瓶颈。
[0005]目前国内外解决运动模糊虹膜识别的方法并不多，且多集中在图像的修复和增强。[Kang, Optical Engineering]提出了运动虹膜图像的去模糊方法,对模糊的虹膜图像首先进行去卷积并试图恢复模糊图像中丢失的纹理细节，再进行常规的虹膜识别算法。[Shukri, PR Letters]提出针对运动模糊虹膜图像的图像增强算法，先后使用同态滤波和多尺度视网膜-大脑皮层算法对低质量图像进行阴影区域的去除和对比度的增强。
[0006]上面所述的方法虽然在运动模糊虹膜图像的识别问题上都取得了一定效果，但是它们仍存在ー些不足。他们仅对虹膜图像本身操作而且主要关注于图像的视觉效果，并没有触及到更高的处理层级，因此带来的识别性能的效果改善也会受到限制。而且在图像增强的过程中，它们过多的依赖于图像的先验信息，并没有充分考虑到运动虹膜图像的特殊属性，因此在一定程度上降低了其针对性和鲁棒性。
[0007]综上所述，现有的针对运动模糊虹膜识别的方法仍存在一定的改进余地，如何充分的考虑运动模糊虹膜图像的特性，更深入的触及识别本质带来更加鲁棒、准确的运动模糊虹膜识别结果仍然是ー个亟待解决的难题。
【发明内容】
[0008](一 )要解决的技术问题
[0009]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，提供一种用于运动模糊虹膜识别的加权比对方法，在比对过程中同时根据运动模糊的长度和方向和其对于运动模糊的鲁棒性，自适应的对不同编码位设置比对权值，以准确、鲁棒的实现运动模糊虹膜识别性能的提升。
[0010](ニ)技术方案
[0011]为达成上述目的，本发明撮出ー种用于运动模糊虹膜识别的加权比对方法，该方法包括:步骤S1、收集并构建训练集，使训练集包含多个虹膜图像对，每个虹膜图像对包括来源于同一虹膜的一幅清晰的虹膜图像和一幅人工模糊的虹膜图像，接着，对训练集中的所有虹膜图像进行预处理得到R0I，并将其转换到极坐标系下，再对各ROI进行特征提取，得到训练集中各虹膜图像的ニ值特征编码，然后在得到的ニ值编码中使用所述各虹膜图像对中的清晰虹膜图像和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图，并归ー化得到针对运动模糊的加权匹配模板；步骤S2、对需要识别的测试虹膜图像进行预处理得到ROI同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的长度和方向自适应的利用步骤SI得到的针对运动模糊的加权匹配模板与注册虹膜图像库中的虹膜图像样本进行加权比对。
[0012]根据本发明的ー种【具体实施方式】，所述步骤SI包括:步骤S11、收集和构建包含运动模糊虹膜图像的训练集，将收集到的清晰虹膜图像人工合成运动模糊虹膜图像，并使清晰虹膜图像和人工合成的运动模糊图像具有一一对应关系，对应的清晰虹膜图像和人工合成的运动模糊图像构成虹膜图像对，然后对训练集中所有虹膜图像进行预处理，得到各虹膜图像的ROI ;步骤S12、对所述训练集中清晰和运动模糊的虹膜图像的ROI进行归一化，将训练集中清晰和运动模糊的虹膜图像的ROI从直角坐标系转换到极坐标系，得到训练集中的清晰虹膜图像和运动模糊虹膜图像的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集中极坐标系下的清晰虹膜图像和人工合成的运动模糊虹膜图像的ROI进行编码，得到训练集中清晰虹膜图像和人工合成的运动模糊虹膜图像的ニ值特征编码；步骤S14、在训练集中的清晰虹膜图像和人工合成的运动模糊的虹膜图像的ニ值编码上，使用所述训练集的虹膜图像对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对，得到虹膜编码中不同位置的编码位对于运动模糊的可靠性，即可信图，并将此可信图归ー化得到一般的针对运动模糊的加权匹配模板。
[0013]根据本发明的ー种【具体实施方式】，步骤Sll中人工合成运动模糊的虹膜图像的过程看作是ー个卷积的过程，其具有如下形式:
[0014]7 = X ? / + /7,
[0015]其中，y代表经过人工合成得到的模糊图像，X代表已知的清晰虹膜图像，f是点扩散函数表示图像的模糊原因，n是加性白噪声，?为卷积操作子。
[0016]根据本发明的ー种【具体实施方式】，所述步骤S14中，根据训练集中的清晰虹膜图像是否具有类别标记，有两种不同的方法用于得到虹膜编码中的可信图，当不具有类别标记时，仅使用所述训练集中成对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对；当具有类别信息时，在属于同一类的多幅清晰虹膜图像和模糊虹膜图像的编码间进行比对，每ー类都能得到一个对应的比对结果，然后再对多类的结果求取平均值，得到一般情况下的不同位置上的虹膜编码位对于运动模糊的可靠性。
[0017]根据本发明的ー种【具体实施方式】，所述步骤S2包括:步骤S21、对需要识别的虹膜图像进行预处理得到该测试虹膜图像的ROI，然后判定此测试虹膜图像的运动模糊的长度和方向；步骤S22、对所述测试虹膜图像的ROI进行归一化，将所要识别的虹膜图像的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的ROI ;步骤S23、使用特征提取算法在极坐标系下的所要识别的虹膜图像上进行编码，得到所要识别的虹膜图像的ニ值特征编码；步骤S24、对步骤S23中得到的所要识别的虹膜图像的ニ值编码，根据步骤S21中得到所要识别的虹膜图像的运动模糊的长度和方向和步骤S14中训练得到的一般的针对运动模糊的加权匹配模板，赋予所要识别的虹膜图像的ニ值编码中每一位编码不同的权值，然后与注册虹膜图像库中的虹膜图像样本进行比对并做出身份识别结果，完成运动模糊虹膜图像的识别过程。
[0018]根据本发明的ー种【具体实施方式】，所述的赋予其中每一位编码不同的权值是根据步骤S21得到的所述识别的虹膜图像的运动模糊的长度和方向对步骤S14中训练得到的一般的针对运动模糊的加权匹配模板进行调整所得到的。
[0019]根据本发明的ー种【具体实施方式】，在步骤S21中，使用參数化的运动模糊点扩散函数模型，然后使用虹膜图像质量评价方法中的运动模糊判断方法对其运动模糊的长度和方向进行估计。
[0020](三)有益效果
[0021]从上述技术方案可以看出，本发明提供的这种用于运动模糊虹膜识别的加权比对方法，对于提高虹膜识别系统对运动模糊的虹膜图像的可靠性和鲁棒性都具有重要的意义，其主要优点如下:
[0022]1、本发明提出的用于运动模糊虹膜识别的加权比对方法，通过在训练集中成对的清晰和模糊虹膜图像间的比对，得到虹膜编码中不同位置的编码位对于运动模糊的可靠性，即可信图，并将此可信图归ー化得到一般的针对运动模糊的加权匹配模板，所得到的加权匹配模板能够充分考虑到运动模糊虹膜图像的特性，并且使得后续对测试虹膜图像加权匹配的过程能够高效的利用这些从训练过程中学习得到的运动模糊虹膜图像的特性。
[0023]2、本发明中所述方法所在的处理层级为比对阶段，加权匹配是在计算两个虹膜样本匹配分数的时候进行加权，其处理对象是虹膜图像的ニ值编码。而现有其它算法一般处于预处理阶段，他们的处理对象为原始虹膜图像的灰度像素值。相对于原始灰度值，虹膜的ニ值编码直接决定最終的匹配距离所以更触及识别的本质内容，而且是经过特征提取之后所得因此也更加鲁棒。现有的处于预处理阶段的方法，均是通过图像处理的手段，例如去模糊、对比度增强等，对虹膜图像的视觉效果进行提升，但是并不能保证识别效果的提升，因此并不能很好地适用于虹膜识别的应用场景。与此相对的，本发明所述方法直接在比对过程中进行处理，能够避开视觉效果的考虑，直接以提高识别性能为目标进行相应的操作。
[0024]3、本发明提出的加权比对方法首先根据清晰和人工合成模糊的虹膜图像计算ー般的运动模糊虹膜图像的可信图，由于运动模糊的虹膜图像是按照真实模糊模型人工合成得到的，其不但具有真实模糊的效果还同时具有可控、可调节的特性，即可以按照给定的要求呈现出统ー的模糊状态，使得能够得到针对运动模糊的加权匹配模板。然后根据这ー模板在匹配测试虹膜样本的过程中赋予测试样本每一位编码不同的权值，此模板需要根据估计出的测试虹膜图像的运动模糊的长度和方向进行调整，因此其能够同时考虑一般模糊虹膜图像的通性和单个模糊虹膜图像的个性。[0025]4、本发明提出的加权匹配方法能够和现有预处理阶段的运动模糊虹膜图像增强技术级联使用，带来进一歩的性能提升，即运动模糊的虹膜图像在预处理阶段进行视觉效果的增强之后再使用本发明所述方法根据增强后图像的情况进行自适应的加权匹配。
[0026]5、本发明采用的加权匹配方法，采用离线学习在线使用的结构，可以实时地对运动模糊虹膜图像进行加权匹配。
[0027]得益于上述优点，本发明使快速有效的运动模糊虹膜识别成为可能，极大地提高了现有虹膜识别系统的可靠性和可扩展性，本方法不要求添加任何硬件设备，不需要额外的虹膜相机信息，可广泛应用于使用虹膜识别进行身份认证或者识别的大規模、长期、非配合场景下的系统中，比如虹膜出入境身份认证系统、基于虹膜识别的智能视频监控系统、虹膜手机认证系统等等。
【专利附图】
【附图说明】
[0028]图1A和图1B显不了清晰虹膜图像与运动模糊虹膜图像的不例,其中，图1A是清晰的虹膜图像，图1B是运动模糊的虹膜图像；
[0029]图2是本发明提供的用于运动模糊虹膜识别的加权比对方法的流程图；
[0030]图3显示了ー个针对运动模糊的加权匹配模板的示例。
【具体实施方式】
[0031]下面结合【专利附图】
【附图说明】本发明技术方案中所涉及的技术问题。应指出的是，所描述的实施例仅g在便于对本发明的理解，而对其不起任何限定作用。
[0032]虹膜识别系统在通过成像装置获取虹膜图像吋，由于虹膜本身仅有12_左右而且现阶段成像技术在硬件上的限制，使得在使用者不是完全配合的场景下采集到的测试虹膜图像很难避免的会存在运动模糊。运动模糊虹膜图像的纹理细节相对于清晰图像有所变化。如图2A和图2B所不,其中，图1A是清晰的虹膜图像的一个不例，图1B是运动模糊的虹膜图像的ー个示例。如图1A和图1B所示，特别是虹膜图像的纹理细节会有所缺失。对于运动模糊虹膜识别的问题，由于其中的模糊图像中纹理细节信息的缺失，其导致了虹膜识别性能的下降，特别是错误拒绝率的升高。
[0033]为了能够解决运动模糊虹膜识别中存在的问题，本发明提出了ー种用于运动模糊虹膜识别的加权比对方法，通过在训练集上的学习得到针对运动模糊的加权匹配模板，然后对于输入的测试虹膜图像在经过运动模糊的长度和方向的判断之后根据一般的针对运动模糊的加权匹配模板自适应的为每ー个编码位赋予相应的比对权值。其流程图如图2所示，包括以下步骤:
[0034]步骤S1、收集并构建训练集，使训练集包含多个虹膜图像对，每个虹膜图像对包括来源于同一虹膜的一幅清晰的虹膜图像和一幅人工模糊的虹膜图像。接着，对训练集中的所有虹膜图像进行预处理，得到感兴趣区域(ROI)并将该ROI转换到极坐标系下；再对各ROI进行特征提取，得到训练集中各虹膜图像的ニ值特征编码；然后在得到的ニ值编码中使用所述各虹膜图像对中的清晰虹膜图像和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图，并将其归ー化得到针对运动模糊的加权匹配模板；
[0035]步骤S2、对需要识别的测试虹膜图像进行预处理，得到R0I，同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的方向和长度自适应的利用步骤SI得到的针对运动模糊的加权匹配模板与注册虹膜图像库中的虹膜图像样本进行加权比对。
[0036]下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述:
[0037]首先，针对运动模糊的虹膜加权比对方法的先验知识学习步骤SI，，此步骤SI为本发明中所述方法的训练步骤，通过在训练集上的学习，为后续的实际测试过程提供先验知识，使得针对运动模糊的加权匹配过程能够顺利完成，从而提升系统对于运动模糊虹膜识别的鲁棒性。此步骤Si仅需要准备清晰的虹膜图像作为训练样本，为了能够充分学习此先验知识，我们先对已有的清晰虹膜图像进行运动模糊的人工合成，由此构成训练集。因此，并不需要收集对应的运动模糊虹膜图像，保证了方法的便捷性。然后，对训练集中成对的清晰和模糊的虹膜图像进行预处理和特征提取，得到对应的虹膜二值编码；然后，在得到的二值编码中使用成对的清晰和人工模糊的样本进行比对，得到一般的运动模糊虹膜图像的可信图，并将其归ー化得到针对运动模糊的加权匹配模板。该模板用于指导后续的加权比对过程。步骤SI具体包括:
[0038]步骤S11、收集和构建运动模糊的虹膜图像训练集。收集清晰虹膜图像X=Ix1,X2, , xn}作为训练集中的清晰虹膜图像，然后在此清晰虹膜图像上人工合成运动模糊得到人工模糊的虹膜图像。此人工合成运动模糊的虹膜图像的过程可以看作是ー个卷积的过程，其具有如下形式
[0039]
【权利要求】
1.ー种用于运动模糊虹膜识别的加权比对方法，其特征在于，该方法包括: 步骤S1、收集并构建训练集，使训练集包含多个虹膜图像对，每个虹膜图像对包括来源于同一虹膜的一幅清晰的虹膜图像和一幅人工模糊的虹膜图像，接着，对训练集中的所有虹膜图像进行预处理得到ROI，并将其转换到极坐标系下，再对各ROI进行特征提取，得到训练集中各虹膜图像的二值特征编码，然后在得到的二值编码中使用所述各虹膜图像对中的清晰虹膜图像和人工模糊的虹膜图像进行比对，得到一般的运动模糊虹膜图像编码的可信图，并归一化得到针对运动模糊的加权匹配模板； 步骤S2、对需要识别的测试虹膜图像进行预处理得到ROI同时判定运动模糊的长度和方向，再将ROI转换到极坐标系后进行特征提取，根据虹膜图像运动模糊的长度和方向自适应的利用步骤SI得到的针对运动模糊的加权匹配模板与注册虹膜图像库中的虹膜图像样本进行加权比对。
2.根据权利要求1所述的用于运动模糊虹膜识别的加权比对方法，其特征在于，所述步骤SI包括: 步骤S11、收集和构建包含运动模糊虹膜图像的训练集，将收集到的清晰虹膜图像人工合成运动模糊虹膜图像，并使清晰虹膜图像和人工合成的运动模糊图像具有一一对应关系，对应的清晰虹膜图像和人工合成的运动模糊图像构成虹膜图像对，然后对训练集中所有虹膜图像进行预处理，得到各虹膜图像的ROI ； 步骤S12、对所述训练集中清晰和运动模糊的虹膜图像的ROI进行归一化，将训练集中清晰和运动模糊的虹膜图像的ROI从直角坐标系转换到极坐标系，得到训练集中的清晰虹膜图像和运动模糊虹膜图像的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集中极坐标系下的清晰虹膜图像和人工合成的运动模糊虹膜图像的ROI进·行编码，得到训练集中清晰虹膜图像和人工合成的运动模糊虹膜图像的二值特征编码； 步骤S14、在训练集中的清晰虹膜图像和人工合成的运动模糊的虹膜图像的二值编码上，使用所述训练集的虹膜图像对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对，得到虹膜编码中不同位置的编码位对于运动模糊的可靠性，即可信图，并将此可信图归ー化得到一般的针对运动模糊的加权匹配模板。
3.根据权利要求2所述的用于运动模糊虹膜识别的加权比对方法，其特征在干， 步骤Sll中人工合成运动模糊的虹膜图像的过程看作是ー个卷积的过程，其具有如下形式: 7 = X 0 / + /?, 其中，y代表经过人工合成得到的模糊图像，X代表已知的清晰虹膜图像，f是点扩散函数表示图像的模糊原因，n是加性白噪声，0为卷积操作子。
4.根据权利要求3所述的用于运动模糊虹膜识别的加权比对方法，其特征在干， 所述步骤S14中，根据训练集中的清晰虹膜图像是否具有类别标记，有两种不同的方法用于得到虹膜编码的可信图，当不具有类别标记时，仅使用所述训练集中成对的清晰虹膜图像和人工合成的运动模糊虹膜图像的编码进行比对；当具有类别信息时，在属于同一类的多幅清晰虹膜图像和模糊虹膜图像的编码间进行比对，每ー类都能得到一个对应的比对结果，然后再对多类的结果求取平均值，得到一般情况下的不同位置上的虹膜编码位对于运动模糊的可靠性。
5.根据权利要求1所述的用于运动模糊虹膜识别的加权比对方法，其特征在于，所述步骤S2包括: 步骤S21、对需要识别的虹膜图像进行预处理得到该测试虹膜图像的ROI，然后判定此测试虹膜图像的运动模糊的长度和方向； 步骤S22、对所述测试虹膜图像的ROI进行归一化，将所要识别的虹膜图像的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的ROI ； 步骤S23、使用特征提取算法在极坐标系下的所要识别的虹膜图像上进行编码，得到所要识别的虹膜图像的二值特征编码； 步骤S24、对步骤S23中得到的所要识别的虹膜图像的二值编码，根据步骤S21中得到所要识别的虹膜图像的运动模糊的长度和方向和步骤S14中训练得到的一般的针对运动模糊的加权匹配模板，赋予所要识别的虹膜图像的二值编码中每一位编码不同的权值，然后与注册虹膜图像库中的虹膜图像样本进行比对并做出身份识别结果，完成运动模糊虹膜图像的识别过程。
6.根据权利要求5所述的用于运动模糊虹膜识别的加权比对方法，其特征在于，所述的赋予其中每一位编码不同的权值是根据步骤S21得到的所述识别的虹膜图像的运动模糊的长度和方向对步骤S14中训 练得到的一般的针对运动模糊的加权匹配模板进行调整所得到的。
7.根据权利要求5所述的用于运动模糊虹膜识别的加权比对方法，其特征在干， 在步骤S21中，使用參数化的运动模糊点扩散函数模型，然后使用虹膜图像质量评价方法中的运动模糊判断方法对其运动模糊的长度和方向进行估计。
【文档编号】G06K9/00GK103577814SQ201310603622
【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
相关技术
网友询问留言
已有0条留言
- 还没有人留言评论。精彩留言会获得点赞！
1