[发明专利]一种基于小波包分解的虹膜特征提取与匹配方法

说明书

本发明公开了一种虹膜特征提取与匹配方法，该方法包括：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；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；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；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；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。本方案在保证识别精度的基础上能够有效提高虹膜特征提取与匹配的实时性和适应性。

技术领域

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。

发明内容

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：