專利名稱::一種基于核聚類的虹膜分類方法
技術領域:
:本發(fā)明屬于圖像處理
技術領域:
,主要涉及生物特征鑒別中的虹膜身份識別技術。
背景技術:
:目前,基于虹膜特征的身份識別技術己經(jīng)滲透到日常生活的每一個方面,虹膜數(shù)據(jù)庫的樣本量也越來越大。例如英國政府發(fā)起的IRIS計劃要求至少一百萬個經(jīng)常在英國出入境的旅行者通過視頻頭采集虹膜進行身份識別,而不需要隨身附帶其他的身份鑒別證明;同時,英國政府正試圖將生物信息加入到公民身份證中,如果成功采集到英國大約六千萬公民的虹膜圖像,那虹膜數(shù)據(jù)庫的樣本將達到海量。而我國人口是英國的約20倍,出入境人數(shù)更是達到了3億多。所以,在海量虹膜數(shù)據(jù)庫的情況下對于特定虹膜樣本的識別過程中,需要在虹膜數(shù)據(jù)庫中快速而準確的找到其分類檢索,這對于特定虹膜樣本的識別具有十分必要意義的。在海量虹膜數(shù)據(jù)庫中建立適當標準的分類檢索不僅有利于提高虹膜識別準確率,更加有利于提高虹膜識別的效率。目前虹膜識別
技術領域:
的研究主要集中在虹膜的定位與匹配識別方面,尚沒有針對海量虹膜數(shù)據(jù)庫進行分類索引的研究。
發(fā)明內(nèi)容本發(fā)明的任務是提供一種基于核聚類的虹膜分類方法,該方法首先針對現(xiàn)有虹膜數(shù)據(jù)庫(尤其是海量數(shù)據(jù)庫)建立一種便于分類索引的聚類,然后針對特定的待識別虹膜樣本進行分類。本發(fā)明有利于提高虹膜識別準確率和識別效率。本發(fā)明詳細技術方案如下一種基于核聚類的虹膜分類方法,如圖1所示,包括以下兩個過程一、針對現(xiàn)存虹膜數(shù)據(jù)庫建立聚類的過程,具體包括以下步驟步驟1:設現(xiàn)存虹膜數(shù)據(jù)庫中虹膜樣本原始圖像的數(shù)量為iV,對現(xiàn)存虹膜數(shù)據(jù)庫的所有虹膜樣本原始圖像進行編號;步驟2:提取虹膜數(shù)據(jù)庫中一張經(jīng)編號的虹膜樣本原始圖像/;步驟3:將步驟2中的虹膜樣本原始圖像/進行去噪、定位和歸一化處理,得到其大小為64x256像素的虹膜歸一化圖像A;步驟4:將步驟3所得的虹膜歸一化圖像A進行光照補償和直方圖拉伸后,等分成大小為32x256像素的上下兩層圖像上層圖像A_up和下層圖像A—down;步驟5:對上層圖像A一up采用Daubechies-4小波進行三層分解,刪除三層小波分解過程中得到的三個高頻通道下的系數(shù),保留其余7個通道并計算每個通道的平均能量五"P和標準差mr;然后將各個通道上的平均能量和標準差S7Z)up按照Z£3,Z//3,/tt3,丄//2,/ffi2,丄//1,/ffi1的順序排列,得到上層圖像A—up的分類特征向量Feature—A—up:Feat鵬—A—up-[^,節(jié)r,五2"P,5T《,《,Sraf,《,,,^,即5"P,E7,Sn^,^,,7"P];步驟6:對下層圖像A—down采用與步驟5相同的處理方法,得到下層圖像A—down的分類特征向量Feature—A—down:Feature—A—down=步驟7:將上層圖像A一up的分類特征向量Feature—A—up與下層圖像A—down的分類特征向量Feature一B—down—一對應相除,得到標準虹膜原始圖像J內(nèi)外半圓在小波系數(shù)統(tǒng)計量上的比值,作為虹膜歸一化圖像的特征向量Feature—A=67Zf1S7Zf!57Zf《!57Zf!6TZf^57Zf一步驟8:反復執(zhí)行步驟2至步驟7,對虹膜數(shù)據(jù)庫中的所有編號的虹膜樣本原始圖像,計算其虹膜歸一化圖像A的特征向量,得到iV個虹膜歸一化圖像的特征向量,并組成一個iVx14的虹膜歸一化圖像特征向量矩陣X。步驟9:定義一個7Vx2的聚類矩陣B,聚類矩陣B的行號與虹膜數(shù)據(jù)庫中虹膜樣本原始圖像的編號一一對應,其中每一行中的兩個元素中一個為O,另一個為l,"l"表示對應行號的虹膜樣本原始圖像屬于"1"所在列所對應的聚類。7步驟10:定義對角矩陣D-I"0o1/f;Bi.,其對角元素依次是聚類矩陣B的第一、二列所有元素之和的倒數(shù);計算質(zhì)心矩陣C-X'BD,其中X'為虹膜歸一化圖像特征向量矩陣X的轉置矩陣,質(zhì)心矩陣C的第it列C;,A:=l,2,表示第A:類聚類的質(zhì)心。步驟lh計算虹膜數(shù)據(jù)庫中所有虹膜樣本原始圖像的歸一化圖像的特征向量Feature—A與兩聚類質(zhì)心C;的距離Ar^(力,C;);其中-("表示歸一化圖像的特征向量Feature—A;x表示虹膜樣本原始圖像的編號,即聚類矩陣B的行號;然后比較K(冉x),C,)與A:W(x),q)的大小,把編號為x的虹膜樣本原始圖像分到距離聚類的質(zhì)心最小的那個聚類,即對應修改聚類矩陣B的x行中"1"的位置;得到更新后的聚類矩陣B'。步驟12:比較聚類矩陣B'與聚類矩陣B,若二者對應元素完全相同,則執(zhí)行步驟13;若二者對應元素不完全相同,則令B-B'并返回步驟IO。步驟13:聚類矩陣B'的行號與虹膜數(shù)據(jù)庫中虹膜樣本原始圖像的編號一一對應,其中每一行中的元素"1"所在列的列號代表對應行號的虹膜樣本原始圖像所屬的聚類,這樣就把所述虹膜數(shù)據(jù)庫的虹膜樣本原始圖像分成了兩個聚類。通過步驟1至步驟12,就能夠得到所述虹膜數(shù)據(jù)庫的第一級分類的兩個聚類;若將第一級分類的兩個聚類分別視為兩個新的虹膜數(shù)據(jù)庫,再分別采取步驟1至步驟13的操作,就能夠得到所述虹膜數(shù)據(jù)庫的第二級分類的四個聚類;以此類推,則能夠得到所述虹膜數(shù)據(jù)庫的第"級分類的2"個聚類。二、待檢測虹膜樣本原始圖像的歸類過程,具體包括以下步驟步驟14:對于待檢測虹膜樣本原始圖像,進行去噪、定位和歸一化處理,得到其大小為64x256像素的虹膜歸一化圖像A;步驟15:將步驟14所得的虹膜歸一化圖像A進行光照補償和直方圖拉伸后,等分成大小為32x256像素的上下兩層圖像上層圖像A—up和下層圖像A一down;步驟16:對上層圖像A—up采用Daubechies-4小波進行三層分解,刪除三層小波分解過程中得到的三個高頻通道下的系數(shù),保留其余7個通道并計算每個通道的平均能量五"p和標然后將各個通道上的平均能量五"p和標準差S7P"p按照丄£3,£//3,/ffi3,£//2,/ft2,Z//1,/ffi1的順序排列,得到上層圖像A—up的分類特征向量Feature—A—up:Feature—A—up=[《,即嚴,£2"p,即7,《,S7P3"P,五7,S7Df,£7,S7Z),,《,S7D6"P,£,,節(jié)7];步驟17:對下層圖像A—down采用與步驟16相同的處理方法,得到下層圖像A—down的分類特征向量Feature—A—down:Feature—A—down=步驟18:將上層圖像A—up的分類特征向量Feature—A—up與下層圖像A—down的分類特征向量Feature—B—down—一對應相除,得到標準虹膜原始圖像/內(nèi)外半圓在小波系數(shù)統(tǒng)計量上的比值,作為虹膜歸一化圖像的特征向量Feature—A=.157Zf!57Zf!$71^!>S7If!S7Zf《5TIf!步驟19:構建聚類標簽向量Yz[x,;;2,…,力,…;v]r,其中力=-1或1,當R--l時表示現(xiàn)存虹膜數(shù)據(jù)庫中編號為J'的虹膜樣本原始圖像屬于聚類一,當^=1時表示現(xiàn)存虹膜數(shù)據(jù)庫中編號為J'的虹膜樣本原始圖像屬于聚類二;然后將步驟8中所述的虹膜歸一化圖像特征向量矩陣X和聚類標簽向量Y輸入到支持向量機中訓練,得到支持向量集合^和判別函數(shù)/(;c),其中/(x)-sgnZaj,,:c)+6卜判別函數(shù)/(x)中x表示待檢測虹膜樣本原始圖像的歸一化圖像特征向量Feature—A;.表示虹膜歸一化圖像特征向量矩陣X中第7'行向量;K(jc";c)表示jc到^.的距離;^表示、的權重系數(shù),且當^.eSr時>0,當、.gSr時=0;力表示支持向量機的冗余度。步驟20:將待檢測虹膜樣本原始圖像的歸一化圖像特征向量;c輸入到步驟19所述的判別函數(shù)/(x),計算判別函數(shù)/(x)的值,當/(;c)=-l時表示待檢測虹膜樣本原始圖像屬于聚類一;當/00=1時表示待檢測虹膜樣本原始圖像屬于聚類二。通過步驟14至步驟20,就能夠得到待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的一級聚類;若將待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的一級聚類視為新的虹膜數(shù)據(jù)庫,再采取步驟19至步驟20的操作,就能夠得到待檢測虹膜樣本原始圖像在所述虹;以此類推,則能夠得到待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的w級聚類。需要說明的是步驟11和步驟19中計算所述距離時,具體計算方法可以采用范數(shù)距離或核空間距離的計算方法。若采用核空間距離的計算方法,具體方法可以采用高斯核空間距離計算方法。但不管采用什么計算方法,步驟11和步驟19應當采用同樣的距離計算方法。本發(fā)明的有益效果是本發(fā)明創(chuàng)新性地提出了一種基于核聚類的虹膜分類的方法,將海量的虹膜數(shù)據(jù)庫中的虹膜樣本進行無監(jiān)督地聚類并對待檢測的虹膜樣本原始圖像進行分類,找到其所屬的聚類。本發(fā)明利用虹膜紋理能量和標準差在方向、頻率、位置上的不同,使用Daubechies-4小波對虹膜紋理提取并構建特征向量;在無監(jiān)督聚類算法中運用了核方法,得到比經(jīng)典聚類方法(如C均值聚類)更接近數(shù)據(jù)特性、性能更為良好的分類結果;利用聚類中核算法的多樣性,機動地、靈活地選取適合表達虹膜紋理的核算法,而不是經(jīng)典聚類算法中確定一種算法,就只能得到一種聚類結果;最后采用支持向量機對待測試虹膜樣本進行分類,使分類成為凸最優(yōu)化問題,更容易得到全局最優(yōu)解。本發(fā)明能夠快速而準確的找到待檢測的虹膜樣本原始圖像所屬的聚類,從而減少虹膜識別時待檢測的虹膜樣本原始圖像在海量虹膜庫中匹配的時間,有利于提高虹膜識別準確率和識別效率。圖1:本發(fā)明提供的一種基于核聚類的虹膜分類方法的流程示意圖。圖2:歸一化示意圖。圖3:小波分解示意圖。步驟4中所提及的7個通道分別為"3,£//3,/tt3,£//2,itt2,i^1,H丄1。具體實施方式采用本發(fā)明的方法,使用Matlab語言編寫虹膜識別軟件,然后用中科院自動化所采集的CASIA2.0虹膜數(shù)據(jù)庫為源數(shù)據(jù)。從中提取出40個人的虹膜圖片,分別對其進行高斯噪聲(選取25組不同的參數(shù))的攻擊,乘積性噪聲(選取25組不同的參數(shù))的攻擊和不同角度(角度范圍0度到10度)的旋轉,一共2400張圖片進行分類。正確分類結果為98.3%,各個噪聲的正確分類率為96.6%,97.8%和96.3%。10同時從CASIA2.0庫中選取40個人,每人9張拍攝于不同時期的虹膜圖片進行分類訓練,成功將40個人的虹膜分成大小合適的3類,并得到支持向量機的各個參數(shù)。另外選取同樣40個人,每人3張的虹膜圖片作為測試庫。經(jīng)過提取特征向量后,輸入支持向量機進行分類測試,得到平均92%的分類正確率。權利要求1、一種基于核聚類的虹膜分類方法,包括以下兩個過程一、針對現(xiàn)存虹膜數(shù)據(jù)庫建立聚類的過程,具體包括以下步驟步驟1設現(xiàn)存虹膜數(shù)據(jù)庫中虹膜樣本原始圖像的數(shù)量為N,對現(xiàn)存虹膜數(shù)據(jù)庫的所有虹膜樣本原始圖像進行編號;步驟2提取虹膜數(shù)據(jù)庫中一張經(jīng)編號的虹膜樣本原始圖像I;步驟3將步驟2中的虹膜樣本原始圖像I進行去噪、定位和歸一化處理,得到其大小為64×256像素的虹膜歸一化圖像A;步驟4將步驟3所得的虹膜歸一化圖像A進行光照補償和直方圖拉伸后,等分成大小為32×256像素的上下兩層圖像上層圖像A_up和下層圖像A_down;步驟5對上層圖像A_up采用Daubechies-4小波進行三層分解,刪除三層小波分解過程中得到的三個高頻通道下的系數(shù),保留其余7個通道并計算每個通道的平均能量Eup和標準差STDup;然后將各個通道上的平均能量Eup和標準差STDup按照LL3,LH3,HL3,LH2,HL2,LH1,HL1的順序排列,得到上層圖像A_up的分類特征向量Feature_A_up<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>Feature</mi><mo>_</mo><mi>A</mi><mo>_</mo><mi>up</mi><mo>=</mo><mo>[</mo><msubsup><mi>E</mi><mn>1</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>1</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>2</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>2</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>3</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>3</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>4</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>4</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>5</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>5</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>6</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>6</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>7</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>7</mn><mi>up</mi></msubsup><mo>]</mo><mo>;</mo></mrow>]]></math></maths>步驟6對下層圖像A_down采用與步驟5相同的處理方法,得到下層圖像A_down的分類特征向量Feature_A_down<mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>Feature</mi><mo>_</mo><mi>A</mi><mo>_</mo><mi>down</mi><mo>=</mo></mrow>]]></math></maths><mathsid="math0003"num="0003"><math><![CDATA[<mrow><mo>[</mo><msubsup><mi>E</mi><mn>1</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>1</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>2</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>2</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>3</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>3</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>4</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>4</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>5</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>5</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>6</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>6</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>7</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>7</mn><mi>down</mi></msubsup><mo>]</mo><mo>;</mo></mrow>]]></math></maths>步驟7將上層圖像A_up的分類特征向量Feature_A_up與下層圖像A_down的分類特征向量Feature_B_down一一對應相除,得到標準虹膜原始圖像I內(nèi)外半圓在小波系數(shù)統(tǒng)計量上的比值,作為虹膜歸一化圖像的特征向量<mathsid="math0004"num="0004"><math><![CDATA[<mrow><mi>Feature</mi><mo>_</mo><mi>A</mi><mo>=</mo></mrow>]]></math></maths><mathsid="math0005"num="0005"><math><![CDATA[<mrow><mo>[</mo><mfrac><msubsup><mi>E</mi><mn>1</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>1</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>1</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>1</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>2</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>2</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>2</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>2</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>3</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>3</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>3</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>3</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>4</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>4</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>4</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>4</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>5</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>5</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>5</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>5</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>6</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>6</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>6</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>6</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>7</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>7</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>7</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>7</mn><mi>down</mi></msubsup></mfrac><mo>]</mo></mrow>]]></math></maths>步驟8反復執(zhí)行步驟2至步驟7,對虹膜數(shù)據(jù)庫中的所有編號的虹膜樣本原始圖像,計算其虹膜歸一化圖像A的特征向量,得到N個虹膜歸一化圖像的特征向量,并組成一個N×14的虹膜歸一化圖像特征向量矩陣X;步驟9定義一個N×2的聚類矩陣B,聚類矩陣B的行號與虹膜數(shù)據(jù)庫中虹膜樣本原始圖像的編號一一對應,其中每一行中的兩個元素中一個為0,另一個為1,“1”表示對應行號的虹膜樣本原始圖像屬于“1”所在列所對應的聚類;步驟10定義對角矩陣<mathsid="math0006"num="0006"><math><![CDATA[<mrow><mi>D</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn><mo>/</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>B</mi><mrow><mi>i</mi><mo>,</mo><mn>1</mn></mrow></msub></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn><mo>/</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>B</mi><mrow><mi>i</mi><mo>,</mo><mn>2</mn></mrow></msub></mtd></mtr></mtable></mfenced><mo>,</mo></mrow>]]></math>id="icf0006"file="A2009100593580003C1.tif"wi="43"he="19"top="69"left="71"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>其對角元素依次是聚類矩陣B的第一、二列所有元素之和的倒數(shù);計算質(zhì)心矩陣C=X′BD,其中X′為虹膜歸一化圖像特征向量矩陣X的轉置矩陣,質(zhì)心矩陣C的第k列Ck,k=1,2,表示第k類聚類的質(zhì)心;步驟11計算虹膜數(shù)據(jù)庫中所有虹膜樣本原始圖像的歸一化圖像的特征向量Feature_A與兩聚類質(zhì)心Ck的距離κ(φ(x),Ck);其中φ(x)表示歸一化圖像的特征向量Feature_A;x表示虹膜樣本原始圖像的編號,即聚類矩陣B的行號;然后比較κ(φ(x),C1)與κ(φ(x),C2)的大小,把編號為x的虹膜樣本原始圖像分到距離聚類的質(zhì)心最小的那個聚類,即對應修改聚類矩陣B的x行中“1”的位置;得到更新后的聚類矩陣B′;步驟12比較聚類矩陣B′與聚類矩陣B,若二者對應元素完全相同,則執(zhí)行步驟13;若二者對應元素不完全相同,則令B=B′并返回步驟10;步驟13聚類矩陣B′的行號與虹膜數(shù)據(jù)庫中虹膜樣本原始圖像的編號一一對應,其中每一行中的元素“1”所在列的列號代表對應行號的虹膜樣本原始圖像所屬的聚類,這樣就把所述虹膜數(shù)據(jù)庫的虹膜樣本原始圖像分成了兩個聚類;通過步驟1至步驟12,就能夠得到所述虹膜數(shù)據(jù)庫的第一級分類的兩個聚類;若將第一級分類的兩個聚類分別視為兩個新的虹膜數(shù)據(jù)庫,再分別采取步驟1至步驟13的操作,就能夠得到所述虹膜數(shù)據(jù)庫的第二級分類的四個聚類;以此類推,則能夠得到所述虹膜數(shù)據(jù)庫的第n級分類的2n個聚類;二、待檢測虹膜樣本原始圖像的歸類過程,具體包括以下步驟步驟14對于待檢測虹膜樣本原始圖像,進行去噪、定位和歸一化處理,得到其大小為64×256像素的虹膜歸一化圖像A;步驟15將步驟14所得的虹膜歸一化圖像A進行光照補償和直方圖拉伸后,等分成大小為32×256像素的上下兩層圖像上層圖像A_up和下層圖像A_down;步驟16對上層圖像A_up采用Daubechies-4小波進行三層分解,刪除三層小波分解過程中得到的三個高頻通道下的系數(shù),保留其余7個通道并計算每個通道的平均能量Eup和標準差STDup;然后將各個通道上的平均能量Eup和標準差STDup按照LL3,LH3,HL3,LH2,HL2,LH1,HL1的順序排列,得到上層圖像A_up的分類特征向量Feature_A_up<mathsid="math0007"num="0007"><math><![CDATA[<mrow><mi>Feature</mi><mo>_</mo><mi>A</mi><mo>_</mo><mi>up</mi><mo>=</mo><mo>[</mo><msubsup><mi>E</mi><mn>1</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>1</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>2</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>2</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>3</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>3</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>4</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>4</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>5</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>5</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>6</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>6</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>7</mn><mi>up</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>7</mn><mi>up</mi></msubsup><mo>]</mo><mo>;</mo></mrow>]]></math></maths>步驟17對下層圖像A_down采用與步驟16相同的處理方法,得到下層圖像A_down的分類特征向量Feature_A_down<mathsid="math0008"num="0008"><math><![CDATA[<mrow><mi>Feature</mi><mo>_</mo><mi>A</mi><mo>_</mo><mi>down</mi><mo>=</mo></mrow>]]></math></maths><mathsid="math0009"num="0009"><math><![CDATA[<mrow><mo>[</mo><msubsup><mi>E</mi><mn>1</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>1</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>2</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>2</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>3</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>3</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>4</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>4</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>5</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>5</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>6</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>6</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>E</mi><mn>7</mn><mi>down</mi></msubsup><mo>,</mo><msubsup><mi>STD</mi><mn>7</mn><mi>down</mi></msubsup><mo>]</mo><mo>;</mo></mrow>]]></math></maths>步驟18將上層圖像A_up的分類特征向量Feature_A_up與下層圖像A_down的分類特征向量Feature_B_down一一對應相除,得到標準虹膜原始圖像I內(nèi)外半圓在小波系數(shù)統(tǒng)計量上的比值,作為虹膜歸一化圖像的特征向量<mathsid="math0010"num="0010"><math><![CDATA[<mrow><mi>Feature</mi><mo>_</mo><mi>A</mi><mo>=</mo></mrow>]]></math></maths><mathsid="math0011"num="0011"><math><![CDATA[<mrow><mo>[</mo><mfrac><msubsup><mi>E</mi><mn>1</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>1</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>1</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>1</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>2</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>2</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>2</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>2</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>3</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>3</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>3</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>3</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>4</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>4</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>4</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>4</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>5</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>5</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>5</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>5</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>6</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>6</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>6</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>6</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>E</mi><mn>7</mn><mi>up</mi></msubsup><msubsup><mi>E</mi><mn>7</mn><mi>down</mi></msubsup></mfrac><mo>,</mo><mfrac><msubsup><mi>STD</mi><mn>7</mn><mi>up</mi></msubsup><msubsup><mi>STD</mi><mn>7</mn><mi>down</mi></msubsup></mfrac><mo>]</mo></mrow>]]></math></maths>步驟19構建聚類標簽向量Y=[y1,y2,…,yj,…yN]T,其中yj=-1或1,當yj=-1時表示現(xiàn)存虹膜數(shù)據(jù)庫中編號為j的虹膜樣本原始圖像屬于聚類一,當yj=1時表示現(xiàn)存虹膜數(shù)據(jù)庫中編號為j的虹膜樣本原始圖像屬于聚類二;然后將步驟8中所述的虹膜歸一化圖像特征向量矩陣X和聚類標簽向量Y輸入到支持向量機中訓練,得到支持向量集合sv和判別函數(shù)f(x),其中<mathsid="math0012"num="0012"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mi>sgn</mi><mo>{</mo><munder><mi>Σ</mi><mrow><msub><mi>x</mi><mi>j</mi></msub><mo>∈</mo><mi>SV</mi></mrow></munder><msub><mi>α</mi><mi>j</mi></msub><msub><mi>y</mi><mi>j</mi></msub><mi>κ</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>,</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>}</mo><mo>,</mo></mrow>]]></math>id="icf0012"file="A2009100593580004C6.tif"wi="60"he="13"top="218"left="40"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>判別函數(shù)f(x)中x表示待檢測虹膜樣本原始圖像的歸一化圖像特征向量Feature_A;xj表示虹膜歸一化圖像特征向量矩陣X中第j行向量;κ(xj,x)表示x到xj的距離;αj表示xj的權重系數(shù),且當xj∈SV時αj>0,當<mathsid="math0013"num="0013"><math><![CDATA[<mrow><msub><mi>x</mi><mi>j</mi></msub><mo>∉</mo><mi>SV</mi></mrow>]]></math>id="icf0013"file="A2009100593580004C7.tif"wi="13"he="4"top="247"left="170"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>時αj=0;b表示支持向量機的冗余度;步驟20將待檢測虹膜樣本原始圖像的歸一化圖像特征向量x輸入到步驟19所述的判別函數(shù)f(x),計算判別函數(shù)f(x)的值,當f(x)=-1時表示待檢測虹膜樣本原始圖像屬于聚類一;當f(x)=1時表示待檢測虹膜樣本原始圖像屬于聚類二;通過步驟14至步驟20,就能夠得到待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的一級聚類;若將待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的一級聚類視為新的虹膜數(shù)據(jù)庫,再采取步驟19至步驟20的操作,就能夠得到待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的二級聚類;以此類推,則能夠得到待檢測虹膜樣本原始圖像在所述虹膜數(shù)據(jù)庫中所屬的n級聚類。全文摘要一種基于核聚類的虹膜分類方法,屬于圖像處理
技術領域:
,涉及虹膜身份識別技術。針對虹膜數(shù)據(jù)庫建立聚類時,首先將虹膜歸一化圖像等分成上下兩層,分別對上下層做三層小波分解,選取其中7個通道下的小波系數(shù)計算能量和標準差;然后將上下兩層的小波能量和標準差相除得到虹膜庫樣本的特征向量;將特征向量進行基于核方法的聚類,得到聚類結果。對待檢測虹膜進行分類時,先將虹膜庫所有特征向量輸入到支持向量機中進行訓練,得到支持向量和判別函數(shù);最后將待檢測虹膜樣品的相應的特征向量輸入判別函數(shù)中檢測,得到分類結果。本發(fā)明能快速而準確的找到待檢測虹膜樣本所屬的聚類,有利于提高虹膜識別準確率和識別效率。文檔編號G06K9/00GK101556646SQ200910059358公開日2009年10月14日申請日期2009年5月20日優(yōu)先權日2009年5月20日發(fā)明者梅解,韜鄭申請人:電子科技大學