一种基于Adaboost算法的虹膜特征提取方法
【技术领域】
[0001 ]本发明涉及图像特征提取方法。更具体地，涉及一种基于Adaboost算法的虹膜特 征提取方法。
【背景技术】
[0002] 虹膜识别以其准确性、稳定性、安全性、生物活性和非接触性等显著优势渐已成为 生物识别领域的研究热点和发展趋势。虹膜图像经过预处理之后，得到的是归一化的虹膜 图像，其中的纹理含有大量的特征信息，可以用来鉴定一个人的身份。虹膜特征提取的任务 就是有效的提取这些特征信息，并将其描述为便于按一定的规则进行比对分类的特征向量 或特征编码，并按特定的决策规则判断匹配或不匹配。虹膜特征提取在整个虹膜识别过程 中是至关重要的一步，特征的好坏直接影响最后的识别结果，因此也最受人关注。
[0003] 习惯上，把图像中局部不规则的，而宏观有规律的特性称之为纹理。实际上纹理是 图像中一个重要而又难以描述的特性，由于自然界物质变化的多样性，关于图像纹理迄今 为止仍无一个公认的、一致的严格定义。纹理作为一种重要的视觉信息，几乎出现在所有的 图像中。它反映了图像象素的自身特征以及象素之间的空间关系。由于纹理特征能兼顾到 图像的宏观结构和微观结构两个方面，在图像的识别和分类中得到了广泛的应用。根据图 像纹理的基本特征，出现了许多纹理分析的方法。
[0004]目前在虹膜识别系统中，常用的虹膜特征提取方法主要有以下几种：
[0005] (1)基于相位分析的方法：
[0000]这类方法的代表是Daugmanl提出的基于多尺度Gabor滤波器的方法，其依据为 Gabor小波具有与人类简单视觉细胞相似的视觉特性，能够很好地分析现实世界中的各种 模式。二维小波滤波器在极坐标下的形式为：
[0008] 其中α、β在ω的反方向随ω共同变换，这样产生一组求积分形式的选择频率的滤 波器。用这组滤波器对图像进行滤波，得到在不同尺度下表示虹膜相位结构的复值相位矢 量，然后对这些复数向量的相位进行较粗的量化来构造虹膜的特征码得到二进制的虹膜代 码。
[0009] Gabor变换的不足在于:时一频窗口大小设置依赖经验，不具备小波窗口的自适应 性，不适合分析多尺度信号的过程和突变过程;而且其离散形式没有正交展开，编码冗余性 较大。
[0010] (2)、基于过零点检测的方法：
[0011] Boles等采用一维小波对沿虹膜中心同心圆的一条采样曲线进行过零点检测，由 细到粗地表示不同分辨率下的虹膜特征。首先将虹膜图像中的一些同心圆表示为一维信 号，然后计算这些一维信号在不同分辨率下的小波变换过零点。过零点代表曲线上变化剧 烈的那些点。记录小波变换结果中过零点的位置以及两个相邻过零点之间小波变换结果的 积分值，并将其表示为虹膜特征，最后采用自定义的相异性函数即可实现模式匹配。
[0012] Boles的方法主要利用的是虹膜纹理中一系列同心圆上的一维信号，但是从虹膜 图像中可以看出，虹膜纹理在各个方向上，特别是径向，都有着丰富的细节，因此，采用一维 信号的某种特征来描述虹膜纹理的特征是不够的，实际的应用中采用这种算法的系统并不 多见。
[0013] (3)、基于纹理分析的方法：
[0014] Wildes采用Gaussian-Laplace金字塔的多分辨率技术，在不同尺度下计算给定 的两个虹膜图像的归一化相关系数，分类器使用的是Fisher线性判据。缺点是计算复杂性 高，只在认证模式下工作。Ma等采用圆对称的滤波器提取不同虹膜区域在不同频率下的纹 理信息，分类器是改进的最近特征线分类器。Park使用方向滤波器组将虹膜图像分解为八 个方向子带输出，归一化的方向能量作为虹膜特征，利用欧式距离进行最终模式匹配。 [0015] (4)、基于局部特征分析的方法：
[0016] Ma等提出了一种基于空间滤波器的方法，该方法采用一组特殊的空间滤波器提取 虹膜的局部特征，并将提取出的局部特征作为可区分性特征用于虹膜识别。Ma等又提出了 一种基于局部尖峰变化点的方法，该方法首先建立一系列的一维灰度信号来表示原始二维 图像中最重要的信息，然后同样用一组特殊的小波从这些一维信号中得到局部尖峰变化点 的位置序列，最后采用异或操作计算两个位置序列之间的相似性。
[0017] 因此，需要提供一种准确、高效的改进的基于Adaboost算法的虹膜特征提取方法。
【发明内容】
[0018] 本发明的目的在于提供一种基于Adaboost算法的虹膜特征提取方法，解决现有虹 膜特征提取方法准确性不足且耗时较多等问题。
[0019] 为达到上述目的，本发明采用下述技术方案：
[0020 ] -种基于Adaboos t算法的虹膜特征提取方法，该方法包括如下步骤：
[0021] S1、将虹膜图像归一化为固定大小的矩形图像；
[0022] S2、根据虹膜的生理特征，对所述矩形图像进行区域划分，得到待提取虹膜特征的 矩形子区域；
[0023] S3、对待提取虹膜特征的子区域进行虹膜特征提取。
[0024] 优选地，步骤S1进一步包括如下子步骤：
[0025] S1.1、将虹膜图像中虹膜区域的内边界和外边界均等分为η段，由各内边界的分割 点至对应的外边界的分割点做放射线，将虹膜图像中虹膜区域分为η个线段区域；
[0026] S1.2、将各线段区域等分m份，得到mXn个特征区域，由向右的水平线开始，沿逆时 针将各特征区域作为归一化后矩形图像的各像素点；
[0027] S1.3、采用双线性内插方法计算归一化后矩形图像的各像素点的像素值，得到矩 形图像。
[0028] 优选地，步骤S2进一步包括如下子步骤：
[0029] S2.1、用两条相互平行的水平直线将所述矩形图像分为三个矩形子区域，由上到 下依次为心、1?2和1^*，分别对应虹膜瞳孔区、睫状区域及虹膜巩膜区，则各子区域的宽度分 别为hiXW、h2XW和h3XW，其中hi、h2和h3为划分系数，W为矩形图像的宽度，取矩形子区域Ri 和R 2用于特征提取；
[0030] S2.2、用三条相互平行的垂直直线将所述矩形图像等分为四个矩形子区域，取由 左至右的第一和第三个矩形子区域R3和R4用于特征提取；
[0031] S2.3、得到待提取虹膜特征的矩形子区域和R4。
[0032] 优选地，所述划分系数h^hdPhs的取值分别为1/4、1/2和1/4。
[0033] 优选地，步骤S3中对待提取虹膜特征的子区域进行虹膜特征提取时：
[0034]选取尺度小且对纵向纹理信息敏感的纹理单元对矩形子区域心进行虹膜特征提 取，选取尺度大且对纵向和横向纹理信息都敏感的纹理单元对矩形子区域r2进行虹膜特征 提取。
[0035]本发明的有益效果如下：
[0036]本发明利用虹膜纹理本身具有的生理特征，对不同区域采用不同的纹理单元来重 构，亦即特征提取，不仅能增强特征提取的准确性，同时也因为滤除掉了那些用处不大的信 息而使得处理过程更高效。
【附图说明】
[0037] 下面结合附图对本发明的【具体实施方式】作进一步详细的说明。
[0038] 图1示出基于Adaboost算法的虹膜特征提取方法的流程图。
[0039] 图2示出虹膜区域归一化过程示意图。
[0040] 图3示出虹膜区域生理特征示意图。
[0041] 图4示出归一化虹膜图像的区域划分示意图。
[0042] 图5示出常用的Harr特征示意图。
[0043]图6示出各个子区域特征提取的纹理单元示意图，其中，6-a示出用于矩形子区域 心的纹理单元的示意图；6-b示出用于矩形子区域此的纹理单元的示意图。
【具体实施方式】
[0044] 为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说 明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体 描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
[0045] 如图1所示，本实施例提供的基于Adaboost算法的虹膜特征提取方法，包括如下步 骤：
[0046] S1、将虹膜图像归一化为固定大小的矩形图像；
[0047] S2、根据虹膜的生理特征，对归一化后的虹膜图像进行区域划分，得到待提取虹膜 特征的子区域；
[0048] S3、对待提取虹膜特征的子区域进行虹膜特征提取。
[0049] 其中
[0050] 步骤Sl"将定位出来的虹膜区域归一化"的具体过程为：
[0051] 不同的人的虹膜区域大小不一，即便是同一个测试者的同一只眼睛，当采集环境 不同时，例如周围光照强度不同、焦距变化等这些因素都会导致瞳