[发明专利]一种基于边缘梯度方向金字塔直方图的虹膜识别方法

权利要求书

1.一种基于边缘梯度方向金字塔直方图的虹膜识别方法，包括虹膜样本特征提取过程和虹膜识别过程；所述虹膜样本特征提取过程包括以下步骤：

步骤1：原始虹膜样本图像预处理；

对虹膜采集装置所采集的原始虹膜样本图像进行包括归一化、去噪和灰度校正的预处理，将原始虹膜图像归一化成64×512像素大小、去除了睫毛和眼睑、且灰度等级为[0，255]的有效虹膜区域图像；

步骤2：采用sobel算子提取边缘像素点，并保留强边缘像素点；

步骤2-1：提取边缘像素点；

采用水平和垂直方向的两个Sobel边缘提取算子来提取有效虹膜区域图像的边缘像素点，其中水平方向的Sobel边缘提取算子为-1-2-1000121,]]>垂直方向的Sobel边缘提取算子为-101-202-101;]]>用Gx表示水平方向梯度、Gy表示垂直方向梯度，则每个边缘像素点的梯度向量表示为(Gx，Gy)，其模表示为：梯度方向为θ＝arctan(Gy/Gx)；

步骤2-2：保留强边缘像素点；

将Grad＞0.2的边缘像素点判定为强边缘像素点，将所有强边缘像素点灰度值设为1，其它像素点设为0，得到二值化强边缘像素点图像；

步骤3：对步骤2-2所得二值化强边缘像素点图像中的强边缘像素点按梯度方向进行分类；

将梯度方向θ在[0，π/4)的强边缘像素点归为第一类强边缘像素点，将将梯度方向θ在[π/4，π/2)的强边缘像素点归为第二类强边缘像素点，将梯度方向θ在[π/2，3π/4)的强边缘像素点归为第三类强边缘像素点，将梯度方向θ在[3π/4，π)的强边缘像素点归为第四类强边缘像素点，将梯度方向θ在[π，5π/4)的强边缘像素点归为第五类强边缘像素点，将梯度方向θ在[5π/4，3π/2)的强边缘像素点归为第六类强边缘像素点，将梯度方向θ在[3π/2，7π/4)的强边缘像素点归为第七类强边缘像素点，将梯度方向θ在[7π/4，2π)的强边缘像素点归为第八类强边缘像素点；

步骤4：结合步骤2和步骤3所得结果，构建边缘梯度方向金字塔直方图；

对步骤2-2所得64×512像素大小的二值化强边缘像素点图像进行分解，首先均分成32个32×32像素大小的子块，统计每个子块的直方图，得到第一层直方图集然后均分成128个16×16像素大小的子块，统计每个子块的直方图，得到第二层直方图集再均分成512个8×8像素大小的子块，统计每个子块的直方图，得到第三层直方图集最后均分成1024个4×8像素大小的子块，统计每个子块的直方图，得到第四层直方图集四层直方图集构成金字塔直方图，每个直方图的横坐标为步骤3中八类强边缘像素点的编号，纵坐标为每类强边缘像素点的数目；

步骤5：边缘梯度方向金字塔直方图的归一化；

对步骤4所得边缘梯度方向金字塔直方图中的每一个直方图进行归一化操作，即每个直方图的横坐标保持不变、纵坐标由每类强边缘像素点的数目修改为每类强边缘像素点在所有强边缘像素点中所占比例；

通过步骤1至步骤5，将每张虹膜样本图像映射成由四层归一化的边缘梯度方向直方图集构成的金字塔直方图，作为每张虹膜样本图像的虹膜特征；

所述虹膜识别过程包括以下步骤：

将步骤6：采集待识别虹膜图像，并对其进行包括归一化、去噪和灰度校正的预处理，将待识别虹膜图像归一化成64×512像素大小、去除了睫毛和眼睑、且灰度等级为[0，255]的有效虹膜区域图像；

步骤7：对步骤6所得待识别虹膜图像的有效虹膜区域图像按照步骤2至步骤5所述的方法提取待识别虹膜图像的虹膜特征，即将待识别虹膜图像映射成由四层边缘梯度方向直方图集构成的金字塔直方图，并作归一化处理，作为待识别虹膜图像的虹膜特征；将待识别虹膜图像的四层边缘梯度方向直方图集记为：第一层直方图集HY1(1),HY1(2),...,HY1(31),]]>HY1(32);]]>第二层直方图集HY2(1),HY2(2),...,HY2(127),HY2(128);]]>第三层直方图集HY3(1),]]>HY3(2),...,HY3(511),HY3(512);]]>第四层直方图集HY4(1),HY4(2),...,HY4(1023),HY4(1024);]]>

步骤6：按照金字塔匹配核求虹膜样本图像与待识别虹膜图像之间的相似度；

步骤6-1：每层直方图集中每个直方图子块的金字塔核计算；

根据虹膜样本图像的金字塔直方图和待识别虹膜图像的金字塔直方图，计算虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每个直方图子块的金字塔核，即虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每个对应直方图子块中相同类型强边缘点的匹配总数J；其中J＝J^1，m+J^2，m+J^3，m+J^4，m，m＝1，2，L，8；J^1，m、J^2，m、J^3，m和J^4，m分别表示虹膜样本图像金字塔直方图集和待识别虹膜图像金字塔直方图集中每一层直方图集中m类型强边缘点的匹配数目；而第l层直方图集中m类型强边缘点的匹配数目Γ^l，m用直方图交叉公式来表示为：

Γl,m=Σi=1Dmin(HXl,m(i),HYl,m(i))]]>

其中：H_X表示虹膜样本图像直方图集；H_Y表示待识别虹膜图像直方图集；l表示金字塔直方图集的层数，且l＝1，2，3，4；i来表示第l层直方图集的某一个子块；D表示第l层直方图集中子块的数量，且D＝32，128，512，1024；或表示虹膜样本图像直方图集或待识别虹膜图像直方图集第l层直方图集中m类型强边缘点落入第i个子块的数量；min表示两者之间取较小者；

因为在第l层匹配的m类型强边缘点数目包括了所有的在第l+1层匹配的m类型强边缘点数目，所以在第l层尺度新找到的匹配点数目实际为Γ^l-Γ^l+1；用公式描述每多增加一层直方图集实际增加m类型强边缘点的匹配数目为：

J^1，m＝Γ^1，m；

                                            ；

J^l+1，m＝Γ^l，m-Γ^l+1，m；其中l＝1，2，3，4

步骤6-2：计算所有直方图集中所有类型强边缘点匹配点总数的加权和，并得出相似度simi(X，Y)；

为了惩罚在更大尺度上找的匹配点，因为它们的匹配更不可信，因此，在计算所有直方图集中所有类型强边缘点匹配点总数时，引入加权系数即系数反比与直方图集层数的增加，相似度simi(X，Y)的计算公式为：

simi(X,Y)=Σl=1LΣm=1M12l-1Jl,m]]>

其中，L表示总的直方图集层数，且L＝4；M表示总的特征类型，且M＝8；

步骤7：通过以上步骤，能够求得待识别虹膜图像和虹膜样本图像之间的相似度，只要根据识别率要求选定一个合适的门限值，若相似度大于门限，则判断待识别虹膜图像与虹膜样本图像一致；若相似度没有超过门限值，则判断待识别虹膜图像与虹膜样本图像不一致。