本发明涉及虹膜图像处理与识别领域，特别是涉及一种用于虹膜生物识别系统的虹膜特征提取方法。
背景技术：
虹膜识别具有准确性、稳定性、安全性和实用性等显著优势，是目前已知最先进的生物识别技术，拥有广阔的市场前景。在实际的虹膜识别系统中，虹膜特征提取与匹配是虹膜识别的核心环节，只有提取到尽可能多的稳定而独立的特征点信息，并采取合理的分类判别策略，同时兼顾算法的适应性，降低对虹膜图像采集与预处理的要求，才能有效提升虹膜识别应用系统的性能，兼顾识别的精度和速度。
目前在实际应用的自动虹膜识别系统中，最常用的虹膜特征提取与匹配方法包括：Daugman提出的基于二维Gabor纹理滤波相位编码和Hamming距离判别的方法；Wildes提出的基于Gaussian-Laplace金字塔多分辨分解编码和Fisher线性判据的方法；谭铁牛提出的基于圆形对称空间滤波编码和最近邻分类决策的方法。这些方法虽然能提取到尽可能多的稳定的虹膜特征，但计算量大、冗余特征信息多，并且对虹膜图像成像质量以及预处理要求较高，算法复杂，适应性差，不利于满足虹膜识别系统的实时性要求。
技术实现要素：
本发明要解决的技术问题是提供一种基于小波包分解的虹膜特征提取与匹配方法，在保证识别精度的基础上解决虹膜特征提取与匹配实时性和适应性差的问题。
为解决上述技术问题，本发明采用下述技术方案：
一种基于小波包分解的虹膜特征提取与匹配方法，该方法的步骤包括：
S1、将规范化虹膜图像进行分块和去噪处理，并将去噪后的所有子块进行虹膜特征提取，形成特征模板；
S2、分别对各子块图像进行一层小波包分解，提取虹膜的径向纹理特征和弧向纹理特征，形成环向特征向量；
S3、分别对各子块图像进行多层小波包分解，提取虹膜的总体能量分布特征和局部能量分布特征，形成能量特征向量；
S4、将子块的环向特征向量和能量特征向量组成子块图像的虹膜特征向量，将各个子块图像的虹膜特征向量组成虹膜图像的特征模板；
S5、对两幅虹膜图像的特征模板进行匹配识别，并基于相似度和汉明距离逐级进行判别分类。
优选地，所述步骤S1包括：
S11、将获取的规范化虹膜图像进行分块处理；
S12、根据噪声掩膜图像剔除含噪声的图像块，并将不含噪声的图像块组成虹膜图像子块序列；
S13、分别对各子块进行虹膜特征提取，形成特征模板。
优选地，所述步骤S5包括：
S51、根据加权环向特征向量的相似度进行初筛分类，如果属于异类虹膜，则匹配失败，进入下一对虹膜特征模板的匹配，如果属于同类虹膜，则初筛成功执行步骤S52；
S52、根据加权能量特征向量的汉明距离进行判别分类。
本发明的有益效果如下：
本发明所述技术方案可以快速提取到稳定的虹膜特征，同时，通过获取不含噪声的虹膜区域，就能有效地提取到稳定的虹膜特征，包含径向和弧向纹理特征，以及总体和局部能量特征，增强了特征提取的适应性。同时利用初筛和精分相结合的特征匹配分类策略，可以快速判别异类虹膜，并充分考虑不同特征的相似度占比，有效地提高了虹膜识别的平均判别时间和准确性，从而兼顾了识别的速度和精度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出本方案所述虹膜特征提取与匹配方法的示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明的目的在于提供一种基于小波包分解的虹膜特征提取与匹配方法，兼顾虹膜特征提取与匹配的速度和精度，提升虹膜识别的实时性和适应性。
以分辨率为480×640的标准虹膜测试图像为例，假设规范化虹膜图像的分辨率为64(行)×512(列)。一种基于小波包分解的虹膜特征提取与匹配方法的具体步骤是：
第一步，将规范化虹膜图像进行分块，并根据噪声掩膜图像剔除含噪声的图像块，将不含噪声的图像块组成虹膜图像子块序列，然后分别对各子块进行虹膜特征提取。
虹膜特征提取的输入是规范化的虹膜图像I(x,y)和噪声掩膜图像M(x,y)，其中，0≤x≤m－1，0≤y≤n－1，m＝64、n＝512分别为虹膜图像径向和弧向的采样点数，M中值为1的点对应I中的噪声点，值为0的点对应I中的非噪声点。为了便于并行处理，提升虹膜特征提取算法的效率，对I进行均匀分块。每个子块Bk(i,j)的大小为32×64，其中，0≤i≤31，0≤j≤63，0≤k≤15，共分割成16个子块。将不含噪声的子块按列方向组成虹膜图像子块序列BS＝{Bks}，ks对应子块索引向量IB中非1元素的索引值，给定IB(ks)＝0，Bks表示非噪声子块，非噪声子块的个数num＝16－∑IB。
然后，对虹膜图像子块序列BS中的每个子块Bks分别进行特征提取，最后形成特征模板FT。
第二步，分别对各子块图像进行一层小波包分解，提取虹膜的径向纹理特征和弧向纹理特征，形成环向特征向量。
一层小波包分解可以将原始图像分解成概貌子图、水平细节子图、垂直细节子图和斜向细节子图等四个子图，其中概貌子图和三方向细节子图分别反映了原始图像的总体特征分布和局部特征分布。分别对各子块图像Bks进行一层小波包分解，Bks的小波包垂直细节子图BHks反映了虹膜径向纹理特征的分布，Bks的小波包水平细节子图BVks反映了虹膜弧向纹理特征的分布，提取子块图像Bks的径向纹理特征和弧向纹理特征。Bks的径向纹理特征向量BFRks为：
式中，0≤i≤511。Bks的弧向纹理特征向量BFAks为：
式中，0≤i≤511。定义Bks的环向特征向量BFLks＝[BFRks,BFAks]。
第三步，分别对各子块图像进行多层小波包分解，提取虹膜的总体能量分布特征和局部能量分布特征，形成能量特征向量。
多层小波包分解逐层在上一层的概貌子图和三方向细节子图上分别进行小波包分解，得到更精细的特征分布集合。为了提取虹膜的总体特征并进一步补充局部特征，并且考虑到算法的实现效率，分别对各子块图像Bks进行3层小波包分解，并在第3层小波包概貌子图BONks上提取虹膜的总体能量分布特征，在第3层小波包斜向细节子图BDNks上提取虹膜的局部能量分布特征。小波包子图的能量分布利用非零奇异值表征，而能量主要集中在前M个非零奇异值，因此采用奇异值截断变换获取能量系数。Bks的总体能量特征向量BFOks为：
式中，0≤i≤MO－1，svdcM表示MO－奇异值截断变换，λ表示非零奇异值。Bks的局部能量特征向量BFDks为：
式中，0≤i≤MD－1，svdcM表示MD－奇异值截断变换，λ表示非零奇异值。定义Bks的能量特征向量BFEks＝[BFOks,BFDks]。奇异值截断个数MO和MD由下式确定：
第四步，将子块的环向特征向量和能量特征向量组成子块图像的虹膜特征向量，将各个子块图像的虹膜特征向量组成虹膜图像的特征模板。
定义Bks的虹膜特征向量FTks为：
FTks＝[BFLks,BFEks]＝[BFRks,BFAks,BFOks,BFDks] (6)
由此可得，虹膜图像的特征模板FT＝{FTks}0≤ks≤num－1。
第五步，在对两幅虹膜图像的特征模板进行匹配时，首先根据加权环向特征向量的相似度进行初筛分类，如果属于异类虹膜，则匹配失败，进入下一对虹膜特征模板的匹配；如果属于同类虹膜，则初筛成功，再根据加权能量特征向量的汉明距离进行判别分类。
为了提升虹膜识别的速度和适应性，在进行特征匹配分类时采用初筛和精分相结合的判别策略。在提取到虹膜的环向特征向量FL＝[FR,FA]＝{BFLks}＝[{BFRks},{BFAks}]后，根据加权环向特征向量的相似度SIMw进行初筛分类：
式中，SIMR表示径向特征向量的相似度，SIMA表示弧向特征向量的相似度，α＝0.63是相似度权值，其中，FL1和FL2仅由子块索引向量IB1和IB2相同坐标均为0的元素对应的索引子块的环向特征向量组成。设初筛判别阈值为ta＝0.65，如果SIMw＜ta，则匹配失败，判定两幅虹膜图像来自于不同个体，继续输入下一幅虹膜图像进行识别，减少虹膜识别的耗时；如果SIMw≥ta，则初筛匹配成功，继续进行精分判别，增强虹膜识别的准确性。
在提取到虹膜的能量特征向量FE＝[FO,FD]＝{BFEks}＝[{BFOks},{BFDks}]后，根据加权能量特征向量的汉明距离HDw进行精确判别分类：
式中，HDO表示总体能量特征向量的汉明距离，HDD表示局部能量特征向量的汉明距离，β＝0.77是汉明距离权值，其中，FE1和FE2仅由子块索引向量IB1和IB2相同坐标均为0的元素对应的索引子块的能量特征向量组成，每个子块的能量特征向量元素由前min{MO1，MO2}个总体能量特征向量的元素和前min{MD1，MD2}个局部能量特征向量的元素组成。设精分判别阈值为td＝0.28，如果HDw＞td，则匹配失败，判定两幅虹膜图像来自于不同个体；如果HDw≤td，则匹配成功，判定两幅虹膜图像来自于同一个体。
根据以上步骤可以从不含噪声的虹膜区域快速有效地提取到稳定的虹膜特征，包含径向和弧向纹理特征，以及总体和局部能量特征；同时利用初筛和精分相结合的特征匹配分类策略，可以快速判别异类虹膜，并充分考虑不同特征的相似度占比，有效地提高了虹膜识别的平均判别时间和准确性，从而提升了虹膜识别的实时性和适应性。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。