本發(fā)明涉及身份認(rèn)證領(lǐng)域，具體涉及一種基于2dloggabor與復(fù)合編碼法的紅外虹膜認(rèn)證系統(tǒng)及方法，采用投影極速學(xué)習(xí)機(jī)作為分類器實現(xiàn)特征碼的匹配，提高虹膜識別率。

背景技術(shù)：

近年來隨著移動互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展以及智能手機(jī)、平板電腦等移動電子設(shè)備的普及，越來越多的人開始享受移動電子設(shè)備在網(wǎng)上銀行、移動支付、手機(jī)辦公等方面帶來的便利。據(jù)統(tǒng)計，僅2016年第3季度，中國第三方移動支付市場交易規(guī)模就達(dá)到90419億元人民幣。然而在這些私密性應(yīng)用廣泛使用的同時，安全問題也應(yīng)當(dāng)被重視，因此對終端的安全認(rèn)證需求日益增加。傳統(tǒng)的密碼認(rèn)證機(jī)制多采用密碼輸入的方式，但是這種措施實際上安全性能十分低，易被網(wǎng)絡(luò)犯罪所利用，如計算機(jī)病毒、黑客等。一旦密碼泄露，就可能被犯罪分子利用，造成個人信息泄露、經(jīng)濟(jì)損失等后果。推動智能手機(jī)為終端載體而發(fā)展的移動金融業(yè)務(wù)，必須解決信息安全問題。近年來，基于生物特征的身份識別技術(shù)得到越來越多的關(guān)注，成為國內(nèi)外研究的熱點。在各種生物識別技術(shù)中，虹膜識別憑借其自身優(yōu)點脫穎而出。虹膜識別在現(xiàn)有的生物識別技術(shù)中的準(zhǔn)確率高，而且虹膜圖像的獲得較為容易，并且不會讓被認(rèn)證者產(chǎn)生被侵犯的感覺。另外活體虹膜不易被他人盜用，這一點極大地保證了其安全性。

傳統(tǒng)的虹膜認(rèn)證方法使用gabor濾波器，但是gabor濾波器不是嚴(yán)格帶通的，且存在直流分量、頻率信息不好控制，與之相比，1dloggabor濾波器在具備gabor濾波器優(yōu)點的同時，可以克服以上不足。虹膜識別中通過把二維虹膜圖像展開成一維信號，然后利用1dloggabor提取特征并識別，但是虹膜特征主要表現(xiàn)在二維紋理，展開成一維信號必然導(dǎo)致二維信息的丟失。與之相比，2dloggabor濾波器更為適合，該濾波器在對數(shù)頻率尺度上的傳遞函數(shù)為高斯函數(shù)。由于人的視覺系統(tǒng)具有非線性，這種非線性具有對數(shù)性質(zhì)，因此2dloggabor濾波器能夠更加真實地反映自然紋理圖像的頻率響應(yīng)，提高虹膜識別率。

當(dāng)前特征碼匹配時分類器的選擇主要有：神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。其中神經(jīng)網(wǎng)絡(luò)識別率較高，但學(xué)習(xí)訓(xùn)練速度慢，此外還存在學(xué)習(xí)率難以確定、易出現(xiàn)過度訓(xùn)練等缺陷。而支持向量機(jī)雖然能取得不錯的效果，但是支持向量機(jī)的盒寬和懲罰因子對分類效果有重要作用，卻由于難以找到最優(yōu)參數(shù)，因此使得模型也表現(xiàn)不穩(wěn)定。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)中的問題，提供一種基于2dloggabor與復(fù)合編碼法的紅外虹膜認(rèn)證系統(tǒng)及方法，濾波器提取虹膜特征后用復(fù)合編碼法對特征信息進(jìn)行編碼，采用投影極速學(xué)習(xí)機(jī)作為分類器實現(xiàn)特征碼的匹配，識別精度高，操作過程安全可靠。

為了實現(xiàn)上述目的，本發(fā)明基于2dloggabor與復(fù)合編碼法的紅外虹膜認(rèn)證系統(tǒng)包括：

用于采集待識別虹膜圖像的紅外虹膜圖像采集模塊；

用于通過2dloggabor濾波器提取虹膜二維紋理特征的虹膜特征提取模塊；

用于通過復(fù)合編碼法對所提取特征向量進(jìn)行編碼的虹膜特征向量編碼模塊；

用于采用投影極速學(xué)習(xí)機(jī)作為分類器進(jìn)行特征分類與識別的虹膜特征碼匹配模塊。

所述的紅外虹膜圖像采集模塊包括用于提供紅外光線的紅外光源以及用于采集人眼虹膜圖像的攝像頭模組；所述的攝像頭模組包括配備有紅外濾光鏡和感光芯片的鏡頭。

所述的紅外光源采用紅外led照明燈，紅外濾光鏡的濾光波長為850nm。

所述的2dloggabor濾波器能夠選取n1個頻率尺度，每個尺度選取n2個方向，構(gòu)造一族不同頻率尺度和方向的多通道濾波器，從徑向和角度兩個方向上提取虹膜紋理特征的信息。

所述的虹膜特征向量編碼模塊將特征向量用兩位二進(jìn)制碼(hr,hi)表示，hr和hi分別為實部碼和虛部碼，通過虹膜特征向量編碼模塊得到所有尺度和方向下的虹膜特征碼。

所述的投影極速學(xué)習(xí)機(jī)將n個虹膜數(shù)據(jù)庫中的虹膜特征向量作為訓(xùn)練樣本獲得m個特征模型，認(rèn)證時將測試樣本輸入到訓(xùn)練好的投影極速學(xué)習(xí)機(jī)中獲得1個測試模型，通過求取每個測試模型與m個特征模型之間的海明距離，比較海明距離判斷虹膜是否來自同一人。

本發(fā)明基于2dloggabor與復(fù)合編碼法的紅外虹膜認(rèn)證方法，包括以下步驟：

1)采集待識別紅外虹膜圖像并進(jìn)行圖像預(yù)處理；

2)通過2dloggabor濾波器對紅外虹膜圖像提取虹膜紋理特征；

3)通過復(fù)合編碼法對所提取虹膜紋理特征的特征向量進(jìn)行編碼；

4)通過投影極速學(xué)習(xí)機(jī)將n個虹膜數(shù)據(jù)庫中的虹膜特征向量作為訓(xùn)練樣本，獲得m個特征模型，認(rèn)證時將測試樣本輸入到訓(xùn)練好的投影極速學(xué)習(xí)機(jī)中，獲得1個測試模型，通過求取每個測試模型與m個特征模型之間的海明距離，比較海明距離判斷虹膜是否來自同一人。

步驟2)2dloggabor濾波器的具體構(gòu)造過程如下：

2.1)創(chuàng)建與虹膜圖像大小一致的64×256的矩陣，設(shè)矩陣的中心為原點(0,0)，則矩陣中的其他點相對于原點表示為(x,y)，其中x∈[-128,127]，y∈[-32,31]；

矩陣中任一點與原點的距離為

2.2)確定合理的濾波器波長wavelength，則濾波器的中心頻率為：

2.3)確定徑向頻率帶寬和相鄰濾波器中心頻率的比例因子σf/f；

2.4)創(chuàng)建2dloggabor濾波器的徑向部分

2.5)計算濾波器矩陣中任意點(x，y)與濾波器中心的角度偏差：

θ＝arctan(-y,x)；

2.6)計算矩陣中每一點與濾波器方向角度上的距離θ-θ0；

通過改變方向帶寬確定參數(shù)σθ，并以此構(gòu)建方向分量

步驟3)假設(shè)對虹膜紋理特征fkj的特征向量pkj進(jìn)行編碼，每個特征向量pkj的相位信息用兩位二進(jìn)制碼(hr,hi)表示，hr和hi分別為實部碼和虛部碼；

對于第k個尺度、j個方向的卷積結(jié)果，編碼規(guī)則如下：

通過虹膜特征向量編碼模塊得到所有尺度和方向下的虹膜特征碼。

所述步驟4)投影極速學(xué)習(xí)機(jī)構(gòu)造的具體步驟如下：

4.1)給定一個矩陣形式的輸入xn×m，n為樣本數(shù)量，m為屬性數(shù)量；

4.2)對x進(jìn)行奇異值分解：

svd(x)＝psq^t

上式中，矩陣p和矩陣q分別為左、右奇異矩陣，s是奇異值矩陣；奇異值沿左對角線降序排列，奇異值的大小表征奇異矢量在奇異矩陣所張成空間中的重要性，選取d個最大的奇異值及其對應(yīng)的奇異矢量逼進(jìn)原矩陣x，得到x的最佳低秩表示為：

bestd(x)＝pdsdqd

高維數(shù)據(jù)xn×m在由qd所張成低維空間中的表示形式是：

xqd＝pdsd

qd稱為投影矢量；

4.3)在極速學(xué)習(xí)機(jī)中，輸入權(quán)值w采用隨機(jī)賦值的方法確定，在多分類投影極速學(xué)習(xí)機(jī)中，輸入權(quán)值經(jīng)投影矢量qd確定，二者之間的關(guān)系為w＝qd；

4.4)輸入權(quán)值w＝qd確定后，隱層輸出矩陣h按以下公式計算獲得：

h＝g(xqd)＝g(pdsd)

其中，g(x)為slfn的傳遞函數(shù)；

4.5)通過最小二乘法求解輸出權(quán)值β：

hβ＝t

類別標(biāo)識矩陣t為訓(xùn)練樣本中的類別標(biāo)識向量的集合；

海明距離的計算公式如下：

p、q表示兩個待比較模板的特征向量，n表示特征向量的維數(shù)；

若兩幅虹膜圖像特征碼的海明距離小于預(yù)設(shè)閾值，則認(rèn)證成功；否則，認(rèn)證不成功。

與現(xiàn)有技術(shù)相比，本發(fā)明紅外虹膜認(rèn)證系統(tǒng)具有如下的有益效果：利用2dloggabor濾波器對紅外虹膜圖像進(jìn)行特征提取，2dloggabor濾波器具有方向選擇性和頻率選擇性，因此能夠從徑向和角度兩個方面提取虹膜二維紋理特征信息。之后再利用復(fù)合編碼法對所提取特征向量進(jìn)行編碼，最后采用投影極速學(xué)習(xí)機(jī)作為分類器以實現(xiàn)虹膜特征碼的匹配，投影極速學(xué)習(xí)機(jī)通過設(shè)置適當(dāng)?shù)碾[層節(jié)點數(shù)，并給輸入權(quán)值和隱層偏差隨機(jī)賦值，輸出層權(quán)值通過最小二乘法計算獲得，整個過程無需迭代，一次完成，因此在識別率、學(xué)習(xí)訓(xùn)練速度方面要優(yōu)于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)。本發(fā)明為身份認(rèn)證提供了準(zhǔn)確、有效的途徑。

進(jìn)一步的，本發(fā)明紅外光源采用紅外led照明燈，避免了使用可見光發(fā)生反射使所采集虹膜圖像出現(xiàn)光斑的問題，且相對于可見光，紅外光不會刺激人眼。攝像頭模組的鏡頭上安裝有紅外濾光鏡，紅外濾光鏡的濾光波長為850nm，濾除其他頻段的光線干擾，圖像清晰。

與現(xiàn)有技術(shù)相比，本發(fā)明紅外虹膜認(rèn)證方法具有如下的有益效果：利用2dloggabor濾波器對紅外虹膜圖像進(jìn)行特征提取，然后利用復(fù)合編碼法對所提取虹膜紋理特征的特征向量進(jìn)行編碼，最后采用投影極速學(xué)習(xí)機(jī)作為分類器實現(xiàn)特征碼的匹配。傳統(tǒng)技術(shù)經(jīng)常在生物特征識別領(lǐng)域應(yīng)用gabor濾波器，但是gabor濾波器不是嚴(yán)格帶通的，并且存在直流分量、頻率信息不好控制的缺陷，log-gabor濾波器在具備gabor濾波器優(yōu)點的同時，能夠克服以上不足，但是紅外虹膜圖像特征主要表現(xiàn)在二維紋理，因此采用2dloggabor濾波器進(jìn)行提取。2dloggabor濾波器具有方向選擇性和頻率選擇性，僅需選取合適的幾個尺度和方向，即能夠從徑向和角度兩個方向上提取虹膜紋理特征。此外，投影極速學(xué)習(xí)機(jī)是一種簡單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)slfn機(jī)器學(xué)習(xí)算法，通過設(shè)置適當(dāng)?shù)碾[層節(jié)點數(shù)，給輸入權(quán)和隱層偏差隨機(jī)賦值，然后輸出層權(quán)值能夠通過最小二乘法計算獲得。投影極速學(xué)習(xí)機(jī)是一種引入投影操作、結(jié)合奇異值分解方法來進(jìn)行輸入權(quán)賦值的改進(jìn)極速學(xué)習(xí)機(jī)，基于投影極速學(xué)習(xí)機(jī)的虹膜分類器能夠?qū)個虹膜數(shù)據(jù)庫中的虹膜特征向量作為訓(xùn)練樣本輸入，最終獲得m個特征模型，認(rèn)證時，輸入測試樣本到訓(xùn)練好的投影極速學(xué)習(xí)機(jī)中獲得1個測試模型，分別求取測試模型與訓(xùn)練得到的m個特征模型之間的海明距離，若兩幅虹膜圖像特征碼的海明距離小于預(yù)設(shè)閾值，判定虹膜來自同一人，認(rèn)證成功，反之則認(rèn)證不成功，識別精度較高。

附圖說明

圖1本發(fā)明虹膜認(rèn)證系統(tǒng)總體原理圖；

圖2本發(fā)明紅外虹膜圖像采集裝置結(jié)構(gòu)框圖；

圖3本發(fā)明濾波編碼方法流程圖；

圖4本發(fā)明投影極速學(xué)習(xí)機(jī)原理圖；

附圖中：1-人眼；2-紅外led照明燈；3-紅外濾光鏡；4-鏡頭；5-感光芯片。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)說明。

參見圖1，本發(fā)明基于2dloggabor與復(fù)合編碼法的紅外虹膜認(rèn)證系統(tǒng)及方法，利用2dloggabor濾波器對虹膜進(jìn)行特征提取，然后利用復(fù)合編碼法對特征信息進(jìn)行編碼，最后采用投影極速學(xué)習(xí)機(jī)作為分類器實現(xiàn)特征碼的匹配，能夠?qū)崿F(xiàn)實時準(zhǔn)確地進(jìn)行虹膜認(rèn)證。認(rèn)證方法包含以下三個部分：紅外虹膜圖像的采集、虹膜特征提取及編碼、虹膜特征碼的匹配。

參見圖2，紅外虹膜圖像采集模塊主要由紅外光源和攝像頭模組構(gòu)成。攝像頭模組包括鏡頭4、紅外濾光鏡3和感光芯片5，鏡頭4放置在紅外濾光鏡3和感光芯片5之間。

紅外光源采用紅外led照明燈，由于可見光反射會使采集的虹膜圖像上出現(xiàn)光斑，而紅外光采集的圖像則沒有這種問題，而且相對于可見光，紅外光不刺激人眼。

鏡頭配備濾光波長為850nm的紅外濾光鏡，以濾除其他頻段的光線干擾。

虹膜特征提取及編碼模塊是通過2dloggabor濾波器提取虹膜紋理特征，然后利用相位信息生成虹膜特征碼。生物特征識別領(lǐng)域經(jīng)常應(yīng)用gabor濾波器，但是gabor濾波器不是嚴(yán)格帶通的，且存在直流分量、頻率信息不好控制的缺點。log-gabor濾波器在具備gabor濾波器優(yōu)點的同時，可以克服以上不足，但是虹膜特征主要表現(xiàn)在二維紋理，因此本發(fā)明采用2dloggabor濾波器提取虹膜二維紋理特征信息，該濾波器具有方向選擇性和頻率選擇性，因此只需選取合適的幾個尺度和方向，從徑向和角度兩個方向上虹膜紋理特征的信息，然后通過復(fù)合編碼法對提取到的特征向量進(jìn)行編碼。此外，本發(fā)明使用投影極速學(xué)習(xí)機(jī)(projectionextremelearningmachine，簡稱pelm)作為虹膜分類器，通過設(shè)置適當(dāng)?shù)碾[層節(jié)點數(shù)，給輸入權(quán)和隱層偏差隨機(jī)賦值，然后輸出層權(quán)值可通過最小二乘法計算獲得。整個過程無需迭代，一次完成，在識別率、學(xué)習(xí)訓(xùn)練速度方面要優(yōu)于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)。

參見圖3-4，本發(fā)明基于2dloggabor及復(fù)合編碼法的紅外虹膜認(rèn)證方法，具體步驟如下：

步驟1：紅外虹膜圖像預(yù)處理；預(yù)處理步驟包括邊緣定位、歸一化和圖像增強(qiáng)方法。

步驟2：2dloggabor濾波器提取虹膜紋理特征。

本發(fā)明選取n1個頻率尺度，每個尺度選取n2個方向，構(gòu)造了一族不同頻率尺度和方向的多通道濾波器，從徑向和角度兩個方向上虹膜紋理特征的信息。

在極坐標(biāo)下，頻域的2dloggabor可表達(dá)為h(f,θ)＝hf×hθ，hf為徑向分量，hθ為方向分量。具體的函數(shù)表達(dá)式如下：

式中，f0為中心頻率，θ0為濾波器的方向，σf用于確定徑向帶寬bf，σθ確定方向帶寬bθ，

提取虹膜紋理特征的具體公式為：

式中，i(x,y)為預(yù)處理后虹膜圖像，表示卷積運算，k表示第k個尺度，k＝1，…，n1，j表示第j個方向，j＝1，…，n2，fkj(x,y)包含幅值信息和相位信息。

2dloggabor濾波器的具體構(gòu)造過程如下：

(1)創(chuàng)建與虹膜圖像大小一致的64×256的矩陣，設(shè)矩陣的中心為原點(0,0)，則矩陣中其他點相對于原點可表示為(x,y)，其中x∈[-128,127]，y∈[-32,31]。

矩陣中任一點與原點的距離為

(2)根據(jù)多次實驗，確定合理的濾波器波長wavelength,則濾波器的中心頻率為：

(3)確定徑向的頻率帶寬和相鄰濾波器的中心頻率的比例因子mult。根據(jù)已知規(guī)律，可通過實驗確定合理的參數(shù)σf/f來計算mult；

(4)創(chuàng)建2dloggabor濾波器的徑向部分

(5)計算濾波器矩陣中任意點(x，y)與濾波器中心的角度偏差：

θ＝arctan(-y,x)(3)

(6)計算矩陣中每一點與濾波器方向角度上的距離θ-θ0；

(7)通過改變方向帶寬實驗確定參數(shù)σθ，并以此構(gòu)建方向分量

步驟3：虹膜紋理特征的編碼

給上述提取到的fkj的相位信息pkj進(jìn)行編碼:每個特征的相位信息用兩位二進(jìn)制碼(hr,hi)表示，hr和hi分別稱為實部碼和虛部碼。對于第k個尺度、j個方向的卷積結(jié)果，編碼規(guī)則如下：

利用上面編碼方法可得到所有尺度和方向下的虹膜特征碼，將這些特征碼組合起來就構(gòu)成了完整的虹膜特征碼。

步驟4：采用投影極速學(xué)習(xí)機(jī)作為分類器進(jìn)行特征分類，虹膜特征碼匹配模塊，采用投影極速學(xué)習(xí)機(jī)作為分類器進(jìn)行特征分類與識別。

極速學(xué)習(xí)機(jī)是一種簡單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)slfn機(jī)器學(xué)習(xí)算法，通過設(shè)置適當(dāng)?shù)碾[層節(jié)點數(shù)，給輸入權(quán)和隱層偏差隨機(jī)賦值，然后輸出層權(quán)值可通過最小二乘法計算獲得。所謂投影極速學(xué)習(xí)機(jī)，是一種引入投影操作、結(jié)合奇異值分解方法來進(jìn)行輸入權(quán)賦值的改進(jìn)極速學(xué)習(xí)機(jī)。本模塊構(gòu)造的基于投影極速學(xué)習(xí)機(jī)的虹膜分類器，將n個虹膜數(shù)據(jù)庫中的虹膜特征向量作為訓(xùn)練樣本輸入到投影極速學(xué)習(xí)機(jī)中，最終獲得m個特征模型。認(rèn)證時，輸入測試樣本到訓(xùn)練好的投影極速學(xué)習(xí)機(jī)中獲得1個測試模型，分別求上述測試模型與所述訓(xùn)練得到的m個特征模型的海明距離，根據(jù)海明距離比較判斷虹膜是否來自同一人，最后輸出識別結(jié)果，達(dá)到虹膜認(rèn)證要求。投影極速學(xué)習(xí)機(jī)構(gòu)造的具體實現(xiàn)步驟如下：

(1)給定一個矩陣形式的輸入xn×m(n個樣本，m個屬性)；

(2)對x進(jìn)行奇異值分解，其對應(yīng)奇異值分解為：

svd(x)＝psq^t(5)

矩陣p和q稱為左、右奇異矩陣，s是奇異值矩陣，奇異值沿左對角線降序排列，奇異值的大小可表征奇異矢量在奇異矩陣所張成空間中的重要性，選取d個最大的奇異值及其對應(yīng)的奇異矢量來逼進(jìn)原矩陣x，得到x的最佳低秩表示：

bestd(x)＝pdsdqd(6)

高維數(shù)據(jù)xn×m在由qd所張成的低維空間中的表示形式是：

xqd＝pdsd(7)

qd稱為投影矢量。

(3)在極速學(xué)習(xí)機(jī)中，輸入權(quán)值w采用隨機(jī)賦值方法確定，導(dǎo)致其在處理高維小樣本問題時(例如生物特征識別)權(quán)值不是最優(yōu)參數(shù)，識別性能欠佳，因此在多分類投影極速學(xué)習(xí)機(jī)中輸入權(quán)值不再采用隨機(jī)賦值方式確定，而是采用投影矢量qd確定，即w＝qd；即省去了單隱層神經(jīng)網(wǎng)絡(luò)slfn的輸入權(quán)的隨機(jī)賦值過程。

(4)輸入權(quán)w＝qd確定后，隱層輸出矩陣h可以按以下公式直接計算獲得：

h＝g(xqd)＝g(pdsd)(8)

其中g(shù)(x)為slfn的傳遞函數(shù)。

(5)求解輸出權(quán)值β和極速學(xué)習(xí)機(jī)類似，神經(jīng)網(wǎng)絡(luò)訓(xùn)練問題最后轉(zhuǎn)化為求解β的線性問題：

hβ＝t(9)

β通過最小二乘法即可獲得，類別標(biāo)識矩陣t為訓(xùn)練樣本中的類別標(biāo)識向量的集合，對應(yīng)用于虹膜樣本集的類別標(biāo)識。將n個虹膜數(shù)據(jù)庫中的虹膜特征向量作為訓(xùn)練樣本輸入到投影極速學(xué)習(xí)機(jī)中，最終獲得m個特征模型。認(rèn)證時，輸入測試樣本到訓(xùn)練好的投影極速學(xué)習(xí)機(jī)中獲得1個特征模型，分別求上述測試模型與所述訓(xùn)練得到的m個特征模型的海明距離，即兩個合法的碼字在相應(yīng)位不同數(shù)字所占的百分比。如果待比較模板來自同一虹膜，海明距離就會越?。环粗绻麃碜圆煌缒?，這個距離就會越大。海明距離的計算公式如下：

式中p、q表示兩個待比較模板的特征向量，n表示碼長，即特征向量的維數(shù)。由上述公式可知，當(dāng)待比較的兩個模板完全不同時，hd＝1。由經(jīng)驗值判定，若hd＜0.32，則可認(rèn)為兩個模板來自同一個虹膜，此時可得出測試虹膜樣本的分類標(biāo)簽，認(rèn)證成功。否則，認(rèn)證失敗。

以上的具體實施方式僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明精神及原則之內(nèi)所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。