專利名稱：基于特征邊緣分布的虹膜幾何特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬生物特征識別技術(shù)領(lǐng)域，具體涉及一種基于特征邊緣分布的虹膜幾何特征提取方法。
背景技術(shù)：
生物技術(shù)與信息技術(shù)交叉衍生出的生物特征識別技術(shù)是新興的交叉學(xué)科。在各種生物特征(如指紋，虹膜，人臉，步態(tài))中，虹膜是具有代表性的。
經(jīng)典的虹膜特征提取算法都是基于虹膜紋理特征的。Daugman[1]、[2]與Wildes[3]的算法對高質(zhì)量虹膜圖像的識別精度高，但算法性能易受外界環(huán)境影響；Boles[4]的算法對虹膜圖像質(zhì)量的要求相對較低，抗干擾性好，但識別精度不理想。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種識別精度高、且受外界環(huán)境影響小的虹膜特征提取方法。
本發(fā)明提出的虹膜特征提取方法，是種基于“特征邊緣分布”的虹膜幾何特征提取算法。首先定義虹膜幾何特征，并說明其可靠性和穩(wěn)定性；然后運(yùn)用反對稱雙正交小波提取虹膜幾何特征邊緣，根據(jù)虹膜幾何特征分布的非均勻特性，構(gòu)造不等間隔分級的全局邊緣分布特征；最后引入特征距離的表示形式，提出合法用戶的判定方法。
眼科學(xué)研究表明，虹膜區(qū)域存在大量不同于虹膜紋理特征的幾何特征?！昂缒缀翁卣鳌?，是指虹膜區(qū)域內(nèi)達(dá)到一定分辨率的、清晰可見的斑、點(diǎn)、溝、環(huán)等虹膜特征元，一般具有明顯的形狀和相對固定的分布；而“虹膜紋理特征”，是指呈放射狀分布的虹膜紋理交錯變化的頻度。
本發(fā)明將虹膜幾何特征分為5種花盤形(如圖1)，花瓣形(如圖2)，類花盤形(如圖3)，平隆形(如圖4)和其他形(如圖5)?；ūP形，形態(tài)規(guī)則、對稱，有完整的齒狀線，分布均勻；花瓣形，瞳狀區(qū)與睫狀區(qū)有明顯分界，無齒狀線；類花盤形，紋理不均勻，寬窄不一，有不完整的齒狀線；平隆形，瞳狀區(qū)與睫狀區(qū)無明顯分界，過渡平滑，兩區(qū)紋理沒有明顯的區(qū)分；還有的虹膜具有以上形態(tài)之外的其他幾何特征，劃分為其他形。齒狀線，瞳狀區(qū)與睫狀區(qū)交界線，以及不規(guī)則形狀的暗點(diǎn)都可以被提取作為虹膜幾何特征邊緣。相對虹膜的紋理特征，虹膜的幾何特征分布區(qū)域更大，更明顯，更不容易受到光照、陰影以及瞳孔縮放的干擾，具有更高的可靠性和穩(wěn)定性。
圖1-圖5為局部放大的虹膜幾何特征圖，這些圖已經(jīng)過邊緣提取和紋理細(xì)化處理。
本發(fā)明提出的虹膜幾何特征提取算法利用特征邊緣的分布作為虹膜特征。邊緣分布反映了幾何特征在虹膜區(qū)域內(nèi)的位置和尺度。通過將虹膜劃分成一系列子區(qū)域，并對邊緣點(diǎn)在子區(qū)域像素中所占比例進(jìn)行分級提取，從而量化幾何特征的分布。
利用特征邊緣的分布作為虹膜特征具有以下特點(diǎn)(1)建立在圖像的邊緣信息之上，不需要關(guān)于虹膜幾何特征的先驗(yàn)知識。
(2)通過歸一化，解決虹膜圖像清晰度和對比度變化的問題。
將邊緣分布區(qū)間劃分為激勵區(qū)(幾何特征密集區(qū))與緩變區(qū)(幾何特征稀疏區(qū))，采用三次Bezier曲線擬合特征級別的不均勻分布，提高幾何特征的分辨率。
下面對本發(fā)明方法作進(jìn)一步描述1、劃分虹膜子區(qū)域。
提取虹膜幾何特征的目標(biāo)圖像是歸一化后的矩形虹膜圖像。即將目標(biāo)虹膜圖像進(jìn)行歸一化處理，得到矩形圖像。將矩形的虹膜圖像區(qū)域劃分為一系列子區(qū)域，每個子區(qū)域作為提取幾何特征信息的最小單位。子區(qū)域尺度與虹膜圖像分辨率有關(guān)。虹膜圖像的分辨率越大，則子區(qū)域也相應(yīng)增大，反之亦然。子區(qū)域尺度滿足如下條件虹膜區(qū)域的數(shù)量為80-100個。對于一定分辨率的虹膜圖像，子區(qū)域過大，將導(dǎo)致對虹膜幾何特征的敏感度下降；如果子區(qū)域太小，會將虹膜的幾何特征割裂，無法完整提取。
2、利用反對稱雙正交小波提取邊緣。
利用反對稱雙正交小波對子區(qū)域進(jìn)行多尺度邊緣提取[5]。多個分辨率級上的小波變換均可以提取虹膜邊緣信息。采用高分辨率級時(小尺度)，對虹膜幾何特征的邊緣定位精度高，但是對光斑，睫毛陰影等噪聲敏感；采用低分辨率級時(大尺度)，抗噪性好，但是精度較差。為了提取不同尺度幾何特征的邊緣，應(yīng)利用多個分辨率級的邊緣信息。在低分辨率級上確定邊緣，在高分辨率級上細(xì)化邊緣，從而得到較好的幾何特征邊緣檢測效果。
邊緣提取采用塔式小波分解[6]，即采用具有雙正交特性的小波基函數(shù)，對圖像進(jìn)行i級的小波分解，后續(xù)檢測在塔式分解數(shù)據(jù)上進(jìn)行，其中i為選定的分解級數(shù)；一般地，i≤4?；趫D像的塔式分解數(shù)據(jù)，通過半重構(gòu)過程得到各個分辨率級上的梯度矢量，并通過(1)(2)式分別計(jì)算梯度模值Mi和梯度相角Ai；對每一級分辨率下的邊緣點(diǎn)沿相角方向求局部模值的極大值，即可得到所有可能的邊緣像素集合。其中第i級分辨率上的每一個邊緣像素點(diǎn)所具有的模值為
Mi(x,y)=(∂fi(x,y)∂x)2+(∂fi(x,y)∂y)2---(1)]]>方相梯度相角為Ai(x,y)=tg-1[∂fi(x,y)∂y/∂fi(x,y)∂x]---(2)]]>其中，f(x，y)為原始圖像，且該函數(shù)平方可積，fi(x，y)為f(x，y)在第i級分辨率上的近似(或平滑)，x和y表示邊緣點(diǎn)的坐標(biāo)。
3、構(gòu)造全局邊緣分布特征。
子區(qū)域內(nèi)的特征邊緣像素?cái)?shù)記為S，子區(qū)域內(nèi)的像素總數(shù)記為T，計(jì)算子區(qū)域的特征邊緣百分比μ，令μ＝S/T。如子區(qū)域內(nèi)包含幾何特征，反對稱雙正交小波會檢測出特征邊緣，則該子區(qū)域的特征邊緣百分比μ較大；反之，μ較小。
由于對焦和光照的影響，不同虹膜圖像的對比度和清晰度存在差異，將影響邊緣提取的精度，需要?dú)w一化。計(jì)算全部虹膜區(qū)域的特征邊緣百分比，記為歸一化系數(shù)λ，子區(qū)域的特征邊緣百分比與歸一化系數(shù)的比值，記為相對特征邊緣百分比μ’，令μ’＝μ/λ。特征邊緣百分比μ被歸一化為相對特征邊緣百分比μ’，邊緣檢測算法針對模糊的虹膜圖像提高了靈敏度；反之，對于清晰的虹膜圖像，歸一化降低邊緣檢測的靈敏度，從大量邊緣信息中提取出最顯著的幾何特征。
μ’在一定區(qū)間(T1，T2)內(nèi)分布，將該區(qū)間劃分為N個互不重疊的不等間隔區(qū)間段，滿足N＝2n，則每個區(qū)間段可由一個n位的二進(jìn)制編碼表示。μ’值落入某個區(qū)間段時，該子區(qū)域?qū)?yīng)的幾何特征就被該區(qū)間段對應(yīng)的編碼重建。由于虹膜幾何特征具有一定的分布規(guī)律，所以不同子區(qū)域的μ’值集中分布在(T1，T2)的某一個區(qū)間段內(nèi)。虹膜內(nèi)外邊界區(qū)域的灰度變化最明顯，μ’大，處于區(qū)間的高段；虹膜外圍區(qū)域的幾何特征稀疏，μ’值處于區(qū)間低段；虹膜內(nèi)側(cè)區(qū)域的幾何特征豐富，μ’值處于區(qū)間的中段。將虹膜幾何特征豐富的中段區(qū)域稱為“激勵區(qū)”，將虹膜邊界和外圍幾何特征稀疏的高段和低段區(qū)域稱為“緩變區(qū)”。
基于虹膜幾何特征的分布，對區(qū)間(T1，T2)進(jìn)行不等間隔分段。緩變區(qū)的幾何特征少，特征級數(shù)少；激勵區(qū)包含大量幾何信息，特征級數(shù)多，提高對幾何特征的分辨率。利用三次Bezier曲線進(jìn)行不等間隔的特征分級，以(T1，0)，(T2，N)，(T3，M)，(T4，N-M)作為三次Bezier曲線型值點(diǎn)，其中T3，T4是劃分激勵區(qū)與緩變區(qū)的分界點(diǎn)。緩變區(qū)覆蓋了2×M個特征級，激勵區(qū)覆蓋了N-2×M個特征級。由圖6可見，當(dāng)利用三次Bezier曲線進(jìn)行不等間隔的特征分級時，N＝16，M＝2，即緩變區(qū)有4個特征級，激勵區(qū)有12個特征級。
圖6比較了三種邊緣分布特征的分級曲線的性能，分別是三次Bezier曲線，直線，分段直線。采用不等間隔分級(三次Bezier曲線分級，分段直線分級)，緩變區(qū)覆蓋了4個特征級，激勵區(qū)覆蓋12個特征級，幾何特征的分辨率較高；采用等間隔分級(直線分級)時，緩變區(qū)覆蓋8個特征級，激勵區(qū)覆蓋8個特征級，激勵區(qū)的幾何特征分辨率下降了33％。
圖7顯示了在n＝4，劃分成100個子區(qū)域時，一幅典型的虹膜圖像產(chǎn)生的16級特征直方圖。圖7(a)為采用不等間隔特征分級，圖7(b)為采用等間隔特征分級。不等間隔特征分級可以在激勵區(qū)得到更加細(xì)分的特征。
經(jīng)過以上歸一化和分級處理，使每個虹膜子區(qū)域都對應(yīng)到一個n位的二進(jìn)制特征碼。即劃分成j行m列個子區(qū)域的虹膜，則對應(yīng)一個j×m維矢量Gd=Gd11···Gd1mGd21···Gd2m···Gdj1···Gdjm,---(3)]]>該j×m維矢量的每個分量Gdi都是對應(yīng)于某個子區(qū)域的n位二進(jìn)制特征碼。該j×m維矢量就是表征虹膜幾何特征分布的“全局幾何分布特征碼”Gd(Global GeometryDistribution Code)。
4、特征匹配選擇一個好的虹膜特征相似度匹配算法對虹膜的精確識別至關(guān)重要。本發(fā)明采用虹膜特征互相關(guān)算法對其進(jìn)行相似度評估。對于輸入的待匹配虹膜圖像α與虹膜圖像數(shù)據(jù)庫中的某一幅圖像β，計(jì)算全局幾何分布特征Gd的互相關(guān)函數(shù)如下Rαβ(i)=1jΣJ=1jΣM=1mGdJM·αGdJ[(M+i)modm]β(ΣM=1mGd2JMα)1/2(ΣM=1mGd2J[(M+i)modm]β)1/2,---(4)]]>其中i＝1，2，…k≤m，考慮到每一層[GdJ1，GdJ2，…，GdJm]，J＝1，2，…j特征是360度全圓周封閉特征，因此可認(rèn)為其是一個以m為周期的周期信號，于是 就表示是對該信號的周期擴(kuò)展。在生成的Rαβ(i)序列中會呈現(xiàn)高低起伏狀分布，司以把局部最大值區(qū)域稱為相關(guān)峰，其中相關(guān)峰中必有最鬲值，稱為最鬲峰，記作δ。這樣，利用如下的L距離測度，虹膜圖像α與虹膜圖像β的“全局幾何分布特征碼”Gd之間的相關(guān)距離定義如下dL(Gd)(α，β)＝1-δ，(5)dL(Gd)(α，β)值越小，說明兩幅虹膜圖像越相似，反之則越不相似。對于輸入的待匹配虹膜圖像和虹膜圖像數(shù)據(jù)庫中所有圖像，計(jì)算全局幾何分布特征Gd的距離，得到一系列虹膜圖像的相關(guān)距離dL(Gd)(α，β)，求出最小的相關(guān)距離dmin，將這個最小距離與設(shè)定的距離閾值ds相比，如果dmin≤ds，則該虹膜圖像是合法登錄的，否則，該虹膜圖像為非法登錄。如圖8所示。
特征提取和特征匹配的性能評價(jià)采用如下標(biāo)準(zhǔn)在包含M幅圖像的數(shù)據(jù)庫中任取一幅虹膜圖像作為輸入圖像，用幾何特征提取算法進(jìn)行處理，計(jì)算出該圖像與其余M-1圖像的相關(guān)距離，記為dL(Gd)；最終M幅圖像將計(jì)算出M×(M-1)/2個相關(guān)距離，分別為dL1(Gd)，dL2(Gd)，…dLM×(M-1)/2(Gd)。引入虹膜全局幾何分布特征匹配區(qū)分度ηdif的概念，令ηdif=σdL(Gd).]]>其中σdL(Gd)為dL1(Gd)，dL2(Gd)，…dLM×(M-1)/2(Gd)相關(guān)距離值序列的分布方差，計(jì)算如下
σdL(Gd)=Σj=1M*(M-1)/2(dLj(Gd)-md)2]]>md=1M*(M-1)/2Σj=1M*(M-1)/2dLj(Gd)]]>ηdif越大，算法提取的虹膜幾何特征區(qū)分度越高；反之，區(qū)分度越低。
由于本發(fā)明的虹膜幾何特征的提取方法，是以“特征邊緣分布”為基礎(chǔ)的，不需幾何特征的先驗(yàn)知識，同時解決了虹膜圖像的清晰度和對比度變化的問題。因此，本發(fā)明方法識別精度高，且受外界環(huán)境影響小。


圖1為幾何特征為花盤形的虹膜圖像。
圖2為幾何特征為花瓣形的虹膜圖像。
圖3為幾何特征為類花瓣形的虹膜圖像。
圖4為幾何特征為平隆形的虹膜圖像。
圖5為幾何特征為其它形狀的虹膜圖像。
圖6為全局邊緣分布特征三種分級曲線。
圖7為一個典型的虹膜圖像產(chǎn)生的16級特征直方圖。其中，圖7(a)為不等間隔分級，圖7(b)為等間隔分級。
圖8為相關(guān)度直方圖及距離閾值ds圖示。
圖9為矩形的紋理展開圖像。
圖10為完成子區(qū)域劃分的虹膜圖像。
圖11為經(jīng)多次分辨率提取后的虹膜對比圖像。其中，圖11(a)為原始圖像，圖11(b)為未經(jīng)閾值處理的邊緣圖像，圖2(c)為經(jīng)過閾值處理的邊緣圖像。
圖12-14為虹膜的圖像經(jīng)過反對稱雙正交小波進(jìn)行多尺度邊緣提取后的結(jié)果對比圖示。圖12和圖13兩幅虹膜圖像來自同一虹膜，圖14圖像來自另一只虹膜。每幅圖中的(a)、(b)、(c)分別對應(yīng)原始圖像、邊緣提取圖像(未經(jīng)閾值處理)、邊緣提取圖像(經(jīng)過閾值處理)圖15為不同虹膜圖像的相對特征邊緣百分比示意圖。其中，點(diǎn)劃線-·-·和虛線---表示對應(yīng)的圖像來自同一個虹膜，連續(xù)線——表示對應(yīng)在來自于另一只虹膜。
具體實(shí)施例方式
下面通過實(shí)施例進(jìn)一步描述本發(fā)明。
(1)劃分虹膜子區(qū)域。
首先，對虹膜圖像作歸一化，獲得矩形的虹膜紋理展開圖像，如圖9，并對矩形的虹膜紋理圖像進(jìn)行子區(qū)域劃分，如圖10，完成子區(qū)域劃分的虹膜圖像。每個虹膜紋理子區(qū)域即為一個虹膜幾何特征的最小提取單元，供特征匹配。
(2)利用反正弦小波提取邊緣。
如圖11(a)，對未經(jīng)邊緣提取的256色虹膜原始圖像，以Asbw9.9作為小波基函數(shù)，對其進(jìn)行多分辨率邊緣提取，分辨率級i＝-1，-2，-3，-4；如圖11(b)，為4個分辨率級的邊緣像素集合產(chǎn)生的邊緣圖像，該圖像包含各個分辨率上的幾何邊緣信息；如圖11(c)，為直接對各尺度的邊緣像素梯度模值進(jìn)行閾值處理的結(jié)果，閾值采用各分辨率級梯度模值的平均值。
所有邊緣點(diǎn)即為待處理的虹膜幾何特征點(diǎn)。
(3)構(gòu)造全局邊緣分布特征首先對提取邊緣特征后的虹膜圖像進(jìn)行對焦和清晰度的歸一化處理，再依據(jù)圖10所提供的虹膜子區(qū)域劃分，對圖11的虹膜邊緣圖像計(jì)算每個子區(qū)域內(nèi)的特征邊緣百分比μ，并對μ進(jìn)行不等間隔分段，即可得到每個子區(qū)域?qū)?yīng)的二進(jìn)制特征碼，再把所有二進(jìn)制特征碼按照子區(qū)域的分布構(gòu)造成全局幾何分布特征碼。
(4)特征匹配。
對虹膜幾何特征提取算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，選取400幅虹膜圖像作為測試樣本。圖像來自100只虹膜，每只虹膜拍攝4幅圖像，對應(yīng)同一虹膜的4幅圖像編為一組。樣本來源滿足多樣性，跨越多個年齡段，并包括一定比例的少數(shù)民族和西方人，以保證實(shí)驗(yàn)結(jié)果的可信度和可靠性。
圖12、圖13、圖14為三幅虹膜圖像處理前后的對比，。每幅圖的a、b、c分別對應(yīng)原始圖像、邊緣提取圖像(未經(jīng)閾值處理)、邊緣提取圖像(經(jīng)過閾值處理)。再對提取邊緣特征后的三幅圖像分別構(gòu)造全局邊緣分布特征，如圖15，為三幅虹膜圖像對應(yīng)子區(qū)域的相對特征邊緣百分比示意圖。其中，點(diǎn)劃線-·-·和虛線---對應(yīng)的圖像來自于同一只虹膜，圖像分別命名為α、β，連續(xù)線對應(yīng)的圖像來自于另一只虹膜，圖像命名為δ，顯見，前兩幅圖像曲線α、β的波形基本相同，僅相位不同，而后者曲線δ的波形則完全不同。
計(jì)算得到，dL(Gα)(α，β)＝0.17 dL(Gα)(α，δ)＝0.45 dL(Gα)(β，δ)＝0.48
ds＝0.25從而有，dL(Gα)(α，β)＜dsdL(Gα)(α，δ)＞dsdL(Gα)(β，δ)＞ds即曲線α、β所對應(yīng)的虹膜圖像來自同一只虹膜，曲線δ所對應(yīng)的虹膜圖像來自另一只虹膜。
由此可見，特征邊緣分布具有較高的區(qū)分度，利用該方法能夠有效提取虹膜的幾何特征，并滿足虹膜特征識別的應(yīng)用需要。
參考文獻(xiàn)[1]Daugman.J Recognizing Persons by their iris Pattern[J]. Information SecurityTechnical Report，1998，13(1)33-39[2]Daugman.J High Confidence Recognition of Person by Rapid Video Analysis of IrisTexture[A]European Convention on Security and Detection[C]Brighton，UKINSEPC.1995.244-251[3]Wildes.P Iris RecognitionAn Emerging Biometric Technology[J]Processing ofIEEE，1997 851347-1363[4]Boles.W A Human ldentification Technique Using Image of the lris and WaveletTransform[J]IEEE Transaction on Signal Processing，1998，461185-1188[5]魏海 沈蘭蓀反對成雙正交小波應(yīng)用于多尺度邊緣提取的研究電子學(xué)報(bào)2002.330(3)313-316[6]Mallat.S Zhong.S Characterization of signals from multi-scale edges[J]IEEE Trans.PAMI-14，1992 14(7)710-73權(quán)利要求
1.一種基于特征邊緣分布的虹膜幾何特征提取方法，其特征在于具體步驟如下(1)劃分虹膜子區(qū)域?qū)⒛繕?biāo)虹膜圖像進(jìn)行歸一化處理，得到矩形圖像；再將矩形虹膜圖像區(qū)域劃分為一系列子區(qū)域，每個子區(qū)域作為提取幾何特征信息的最小單位；(2)利用反對稱雙正交小波提取邊緣采用具有雙正交特性的小波基函數(shù)，對圖像進(jìn)行i級的小波分解；后續(xù)檢測在塔式分解數(shù)據(jù)上進(jìn)行，其中i為選定的分解級數(shù)；基于圖像的塔式分解數(shù)據(jù)，通過半重構(gòu)過程得到各個分辨率級上的梯度矢量，并通過(1)(2)式分別計(jì)算梯度模值Mi和梯度相角Ai；對每一級分辨率下的邊緣點(diǎn)沿相角方向求局部模值的極大值，即可得到所有可能的邊緣像素集合；其中第i級分辨率上的每一個邊緣像素點(diǎn)所具有的模值為Mi(x,y)=(∂fi(x,y)∂x)2+(∂fi(x,y)∂y)2---(1)]]>方相梯度相角為Ai(x,y)=tg-1[∂fi(x,y)∂y/∂fi(x,y)∂x]---(2)]]>其中，f(x，y)為原始圖像，且該函數(shù)平方可積，fi(x，y)為f(x，y)在第i級分辨率上的近似或平滑，x和y表示邊緣點(diǎn)的坐標(biāo)；(3)構(gòu)造全局邊緣分布特征(i)記子區(qū)域內(nèi)的特征邊緣像素?cái)?shù)為S，子區(qū)域內(nèi)的像素總數(shù)為T，計(jì)算子區(qū)域的特征邊緣百分比μ，μ＝S/T；(ii)計(jì)λ為全部虹膜區(qū)域的特征邊緣百分比的歸一化系數(shù)，子區(qū)域的特征邊緣百分比與歸一化系數(shù)的比值為相對特征邊緣百分比，記為μ′，μ′＝μ/λ，記(T1，T2)為μ′的分布區(qū)間；(iii)將(T1，T2)區(qū)間劃分為N個互不重疊的不等間隔區(qū)間段，N＝2n，則每個區(qū)間段可由一個n位的二進(jìn)制編碼表示；(iv)利用三次Bezier曲線進(jìn)行不等間隔的特征分級，以(T1，0)，(T2，N)，(T3，M)，(T4，N-M)作為三次Bezier曲線型值點(diǎn)，其中T3，T4是劃分激勵區(qū)與緩變區(qū)的分界點(diǎn)；經(jīng)過上述歸一化和分級處理，使每個虹膜子區(qū)域都對應(yīng)到一個n位的二進(jìn)制特征碼，從而得到虹膜幾何特征分布的“全局幾何分布特征碼”；(4)特征匹配設(shè)虹膜區(qū)域劃分為j行m列個子區(qū)域，虹膜幾何特征分布的“全面幾何分布特征碼”Gd為Gd=Gd11···Gd1mGd21···Gd2m···Gdj1···Gdjm,---(3)]]>該j×m維矢量的每個分量Gdi都對應(yīng)于某個子區(qū)域的n位二進(jìn)制特征碼，于是，對于輸入的待匹配虹膜圖像α與虹膜圖像數(shù)據(jù)庫中的某一幅圖像β，計(jì)算全局幾何分布特征Gd的互相關(guān)函數(shù)如下Rαβ=1jΣJ=jΣM=1mGdJM·GdJ[(M+i)modm]β(ΣM=1mGd2JMα)1/2(ΣM=1mGd2J[(M+i)modm]β)1/2,---(4)]]>其中i＝1，2，…k≤m，記δ為Rαβ(i)的最高峰，則利用如下的L距離測度，虹膜圖像α與虹膜圖像β的“全局幾何分布特征碼”Gd之間的相關(guān)距離定義如下dL(Gd)(α，β)＝1-δ，對于輸入的待匹配虹膜圖像和虹膜圖像數(shù)據(jù)庫中所有圖像，計(jì)算全局幾何分布特征Gd的距離，得到一系列虹膜圖像的相關(guān)距離dL(Gd)(α，β)，求出最小的相關(guān)距離dmin，將這個最小距離與設(shè)定的距離閾值ds相比，如果dmin≤ds，則該虹膜圖像是合法登錄的，否則，該虹膜圖像為非法登錄。
全文摘要
本發(fā)明屬生物特征識別技術(shù)領(lǐng)域，具體為一種基于特征邊緣分布的虹膜幾何特征提取方法。該方法首先定義虹膜幾何特征，并說明其可靠性和穩(wěn)定性；然后運(yùn)用反對稱雙正交小波提取虹膜幾何特征邊緣，根據(jù)虹膜幾何特征分布的非均勻特性，構(gòu)造不等間隔分級的全局邊緣分布特征；最后引入特征距離的表示形式，提出合法用戶的判定方法。本發(fā)明方法識別精度高，受外界環(huán)境影響小。
文檔編號G06K9/48GK1674034SQ200510024949
公開日2005年9月28日 申請日期2005年4月7日 優(yōu)先權(quán)日2005年4月7日
發(fā)明者宮雅卓, 沈文忠 申請人:上海邦震科技發(fā)展有限公司