[发明专利]基于多方向Gabor和Adaboost虹膜识别方法

说明书

技术领域

本发明涉及数字图像处理和模式识别，尤其涉及一种基于多方向Gabor和Adaboost的虹膜识别方法，属于生物特征识别及安全认证技术领域。 

背景技术

在现代社会中，随着网络技术的高度发展、人员流动的急剧频繁，一种安全可靠、方便高效的身份认证系统显得尤为重要。传统的身份识别主要有两种：标识物品（钥匙、身份证件等）和标识知识（用户名、密码等）。但在实际应用中，其存在易丢失性、易伪造性、非唯一性和应用范围相对较小等不足，使人们迫切需要一种可以克服上述缺陷的身份识别方法。在需求的驱动下，基于人脸、指纹、虹膜、手形、笔迹等生物特征的识别技术应运而生。 

目前，国内外有很多虹膜识别系统。其中Daugman博士实现的基于Gabor的虹膜识别系统是最早提出的可以实际应用的虹膜识别系统。在虹膜识别系统中，首先要采集虹膜图像，然后在采集得到的虹膜图像中分割虹膜区域，最后在归一化后虹膜图像上提取特征并进行匹配。其中虹膜特征提取是影响系统性能的主要因素之一，现有的虹膜识别算法大多对虹膜图像的质量要求较高。然而，自然光下采集得到的虹膜图像会受到睫毛、眼睑、光照、晃动等因素的影响，致使采集到的虹膜图像质量欠佳，针对这类低质量虹膜图像，需要一种有效的虹膜特征提取和识别算法。 

发明内容

本发明的目的是提供一种基于多方向Gabor和Adaboost虹膜识别方法，具有很好的识别性能，克服了现有技术上述方面的不足。 

本发明的目的是通过以下技术方案来实现： 

一种基于多方向Gabor和Adaboost虹膜识别方法，其包括如下步骤：

1）对归一化的虹膜图像分块并提取二维Gabor特征，并计算对应块之间的Hamming距离，其具体包括以下步骤：

1.1）将展开的虹膜图像均匀划分为M行、N列，得到M×N个虹膜图像子模块；

1.2）使用同一尺度八个方向的Gabor滤波器作用于步骤1.1）中归一化后的虹膜图像子模块，然后根据Gabor实部对图像滤波结果的正负进行编码；其中Gabor滤波器的表达式如下：

，，，是Gabor滤波器的方向，，，U和V分别为Gabor滤波器的水平和垂直中心频率，和分别是高斯包络沿着轴和轴的空间常数，其代表Gabor滤波器的尺度；

特征编码的表达式如下：

；

其中I是虹膜图像，G是Gabor滤波器，表示滤波结果的实虚部符号，为特征编码；

1.3）按照公式：

，计算需匹配的两个虹膜图像对应的M×N个虹膜图像子模块各自的Hamming距离，对于每个虹膜图像子模块，可以得到八个Hamming距离，将八个Hamming距离构成的特征向量记为V_whole，；

其中code A和code B分别表示两个虹膜图像的Gabor特征编码；mask A和mask B分别表示两个虹膜图像的噪声模板，其值为“1”时代表有效虹膜部分，为“0”时代表噪声；

1.4）令L=M×N，按照步骤1.3）中Hamming距离计算公式得到8×L个Hamming距离V_part，记为： 

；

1.5）将整个虹膜图像的Hamming距离V_part与虹膜图像子模块的Hamming距离V_whole合并，组成一个维数是8+8×M×N的特征向量V，V=[V_whole, V_part]，即：

；

2）使用Adaboost算法对步骤1）中得到的分块距离进行分类识别，其具体包括以下步骤：

2.1）设置一个样本训练集， ，，i=1，2，…，N，M是向量的维数，其中：

是整个虹膜图像形成的特征向量与分块之后的特征向量结合而成的多维特征向量，当两张虹膜图像子模块来自同一人眼时，，否则；

2.2）通过公式：

，对样本训练集进行权重出始化，然后对有权重分布的样本训练集进行训练学习，得到一个弱分类器；

；t=1，2，…，T，T为迭代次数；

2.3）选择步骤1）中的一个特征，然后通过公式：

，m=1，2，…，M，计算出弱分类器在样本训练集中的分类错误率，记，当时，令T=t-1，并跳出循环；

2.4）通过公式：

，计算出弱分类器的权重；