[发明专利]用于运动模糊虹膜识别的加权比对方法

说明书

技术领域

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运动模糊虹膜识别的加权比对方法。

背景技术

虹膜识别作为生物特征识别中的一种，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、

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。

在非可控场景下的虹膜识别系统中，由于现阶段硬件工艺水平的限制且虹膜本身直径仅有12mm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。

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。

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，但是它们仍存在一些不足。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。

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一个亟待解决的难题。

发明内容

(一)要解决的技术问题

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。

(二)技术方案

为达成上述目的，本发明撮出一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S1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。