[发明专利]一种从眼部灰度图像似然图对虹膜图像编码检索的方法

权利要求书

1.一种从眼部灰度图像似然图对虹膜图像编码检索的方法，其特征在于，具体步骤为：

步骤一：首先将图进行缩放用于生成似然图：

让RF成为一个降尺度因子,该缩小的图像的值RD从像素Pix-i∈Img(Pix-I＝Pi),基于方形滑动窗口Width(W)与L＝2*RF+1像素和像素计算步幅RF两侧，对于Width的每个位置，窗口中的平均强度u被计算为

计算窗口强度直方图Hist，并且图像中的相对应像素值d计算公式为

步骤二：生成似然图：

利用似然图生成四个不同的局部特征，即均值、标准差、偏度和水平边缘，对于缩小图RD中的每个像素，这些特征都是从以该像素为中心的邻域中导出的，在一个大小为7像素的局部矩形窗口上计算均值、标准差和偏度，并充当旋转不变稀疏边缘滤波器；此外，这些滤波器还可以作为旋转不变稀疏边缘滤波器，对睫毛部分覆盖的边缘也作出处理反馈；计算平均值为第一阶矩(M1)，并以缩小图像的补码作为输入(加权靠近眼皮较高的小阴影)；计算平均标准偏差为第二阶矩(M2)；计算平均偏度为第三阶矩(M3)；使用Prwitt算子检测水平边缘，去掉部分伪边缘，对噪声进行平滑处理，并作为似然图中水平边缘的强化；值得注意的是，即使眼睛与摄像机水平不对齐，眼皮的某些部分也会由于眼皮的弧形性质而引起生物反应，每个特征都产生一个相关的图：均值(M1)、标准差(M2)、倾斜度(M3)和水平边缘(E)图，这些逐点进行乘除地组合起来生成似然图L为

有效地实现了E、M1和M2的高通滤波器和M3的低通滤波器，在L上采用了一个高度为3个像素、覆盖了L宽度30％的均值滤波器，以连接水平不相交的高似然区域，并增加了直线水平边缘部分的响应，这一操作引入了一些噪声，通过将可忽略的设置为0，可以部分消除这些噪声(比如值小于最大值0.1％到1％都可以改为0),此外，我们也将似然眼皮区域外的似然映射值设置为零；

步骤三：在似然图的基础上归一化虹膜图像计算三个特征向量：

首先将归一化虹膜图像分成N个图像块；

然后在N中提取一组统计纹理特征，并将每个图像块的特征串联起来表示该图像；

其次，利用PCA对高维特征进行压缩，挖掘其主要成分；

最后，通过ITQ对纹理特征进行编码检索。

2.根据权利要求1所述的一种从眼部灰度图像似然图对虹膜图像编码检索的方法，其特征在于，步骤三中详细的编码检索步骤为：

3.1.静态纹理特征提取：

以LBP直方图作为一个矢量特征，用平均LBP、平均灰度值和图像熵作为三个标量特征。在归一化的虹膜图像划分成n个非重叠的纹理块o_i标识，i＝1，2，…，n，o_i图像块中的像素点用p_i,j,j＝1，2，…，m表示，经过测试选取n＝96,m＝64；提取o_i块中纹理特征：

3.1.1.矢量特征：针对o_i图像点块中p_i,j的十进制LBP计算如下：

涉及p_i,j点附近的八个邻近像素，即G＝8，将斑块中O_i的所有点映射到LBP直方图十进制值的对应二进制中，通常将O_i的直方图用下面的公式定义：

其中，B是直方图二进制的数量，g是两个相邻的二进制间隔数；

设置B＝16，g＝256/16；注意，八位二进制数的十进制值从0到255不等，LBP直方图反映出了相邻局部灰度像素值的不同；

3.1.2.计算平均LBP，平均灰度值和图像熵：

首先，平均LBP测量一个图像块中所有点及其相邻点的平均灰度差，可以用以下公式计算

第二个特征是一个图像块中所有点的平均灰度值，它反映了图像的灰度级，它可以用以下公式计算：

第三图像熵测量一个图像块的灰度值的累加，图像块中每一个灰度值0-255出现的概率，图像熵用Q_v标识v＝0,1,…..255；

n_v:是图像块中灰度值V的数

对于一个未包含虹膜纹理的图像块，其灰度值集中在很小的范围内，并且该特征值很低，相反，对于同时填充有虹膜纹理的斑块，灰度值在较大的范围内分散，并且该特征具有较高的值；

结合以上这些特征；LBP作为虹膜纹理特征表示，取得了良好的识别性能，表明它是一种较好的虹膜纹理图像描述；同时，考虑到LBP直方图只提取图像斑块的局部特征，采用三个全局标量特征进行补充辅助；此外，所使用的标量特征是相互的；例如，两个图像块具有相同的灰度级，但是相邻点之间的灰度变化可能不同；或者，两个具有相似图像熵的斑块可能具有不同的灰度变化等；

通过在一个图像中连接所有块的特征，它将是一个1536维的小数特征，即96_16维向量特征，由＝{Hi|i＝1,2,...,n}表示，以及96_3维标量特征，由＝{MLBPi,MGi,IEi|i＝1,2,...,n}，因此，为了提高检索速度，必须对这些特征进行压缩并进一步转换成二进制模式；

3.2.压缩特征：

使用PCA分别压缩向量特征和标量特征；以向量特征的压缩为例；假设有N个处理图像块，它们的矢量特征用v_i＝1，2，…，N表示，这些虹膜特征图像的协方差矩阵可以计算如下

矩阵C的顶部特征向量k被用作PCA基W。因此，每个图像的矢量特征可以通过以下方式来压缩：KCW

CV_i＝W*V_i

对向量特征和标量特征都设置了K＝64；

3.3.通过迭代量化方法(ITQ)将压缩矢量特征和标量特征分别编码为二进制模式：

通过旋转特征来保持十进制特征与编码二进制模式之间的相似性，矩阵的旋转可以通过矩阵和正交矩阵之间的乘法来实现；

以矢量特征编码为例，假设正交矩阵和编码的二进制模式分别由R和B表示，我们可以通过最小化以下量化损失来获得二进制矢量特征：

其中CV＝[CV1，CV2，…，CVN]，采用交替最小化算法进行求解，类似地，可以得到二进制标量特征，并将两种二进制特征作为检索代码进行组合；通过压缩和编码，将1536维十进制特征转换为128维二进制代码，这将极大地加快图像检索速度。