论文部分内容阅读
基于近红外光下的虹膜识别是一种具有高识别率与鲁棒性的身份识别方法。随着智能手机的广泛应用,在智能手机上支持基于虹膜的身份识别具有较大需求。由于大多数智能手机没有配置近红外摄像设备,因此研究可见光下的虹膜识别,具有重要的理论意义和实际意义。由于智能手机的可见光虹膜成像分辨率低,纹理特征不清晰,特别是亚洲人种,他们虹膜可见光的透光度更低,因此在智能手机上实现基于可见光的虹膜识别存在识别率低、鲁棒性差、虹膜质量低下等难点。针对这些问题,本文提出了基于多视角的虹膜纹理与斑点加权融合的虹膜识别方法,利用多视角下虹膜图像呈现出的多种精细结构,结合K-Median聚类算法和SVM分类算法,明显提高了识别精度,降低了误识率。本文的主要工作和贡献如下。(1)在虹膜预处理环节,针对测试时摄像头的视角未知,不同视角的虹膜特征不同,同一虹膜不同视角之间差异可能大于不同虹膜的差异从而影响识别精度这一问题,提出基于不同视角下可见光虹膜的颜色与形状信息,采用HSV颜色空间下色调饱和度通道的灰度分布结合Hough变换及Canny边缘检测实现虹膜边界定位和基于方向码的角度定位的方法,并分别在我们采集的数据集与UBIRIS数据集上进行了测试,证明该方法的鲁棒性。(2)在特征提取环节,提取多视角虹膜的纹理及斑点特征。针对多个角度下虹膜纹理结构的异质性,分别采用K-Median聚类及LGBP两种算法提取多视角下的虹膜纹理特征。利用虹膜斑点信息映射在Lab颜色空间下像素值的区别,采用形态学算法结合Regionprops函数提取不同视角下的虹膜斑点特征。(3)在虹膜模型训练和识别阶段,提出了基于多视角虹膜纹理特征和斑点特征融合的识别方法。针对待识别虹膜样本的视角与训练样本中虹膜视角不一致问题,采用近邻图像插值方法扩充训练样本。基于虹膜的角度定位,将测试样本和角度嵌入特征向量,使用支持向量机方法进行分类训练和识别。基于多视角纹理与多视角斑点识别权重,融合纹理与斑点特征,实现虹膜特征融合识别。为了验证本文方法的有效性,在11个不同虹膜摄像视角下,采集了 30位志愿者每人88张,共2640张虹膜图像作为训练集,采用其中5个志愿者,5个视角共400张虹膜图像作为测试集。根据实验结果,单独采用多视角虹膜纹理识别率为76.65%,单独采用虹膜斑点的识别率为58.85%,将两种特征融合后识别率提升至84.43%,与传统方法相比有明显的提高。