一種應用於虹膜識別的編碼方法及系統的製作方法

2023-04-24 20:26:16 1

一種應用於虹膜識別的編碼方法及系統的製作方法
【專利摘要】本發明涉及一種應用於虹膜識別的編碼方法，包括：步驟1：加載物體的眼睛圖片，獲取虹膜圖像；步驟2：對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像；步驟3：對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據；步驟4：加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號；步驟5：將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。本發明增加分類器的置信水平從而提高匹配過程的穩定性；利用一個二值分類器來判斷兩個編碼是否源於相同的人眼，該二值分類器從離線的相位編碼得到多級置信值。
【專利說明】—種應用於虹膜識別的編碼方法及系統

【技術領域】
[0001]本發明涉及一種應用於虹膜識別的編碼方法及系統，屬於生物識別【技術領域】。

【背景技術】
[0002]生物識別是用生物特徵識別個人身份的一種技術。生物特徵包括指紋、手形、視網膜、虹膜、臉等形體特徵以及籤名、聲音、步態、擊鍵等行為特徵。在這些生物特徵中，虹膜識別是最有發展潛力的技術之一。由於其精確、穩定、可靠、安全的獨特性，預計到2020年，虹膜識別將成為最常用的身份識別技術。
[0003]虹膜是位於角膜和晶狀體之間的薄薄的一圈括約肌，它有多層結構:最底下的是含有很多色素細胞的上皮層；位於上皮層上部的是含有血管，色素細胞核肌肉的基質層，基質色素的密度決定了虹膜的顏色；外部可見的虹膜有兩個不同的區域:外部睫狀區和內部瞳孔區，這兩個區域通常顏色不同，並且被睫狀區分開，顯現出紋理圖案。每個人的虹膜紋理都是不同的。
[0004]自1985年以來，基於個體虹膜生物特徵的身份識別技術和方法相繼在不同的文獻中被報導(1992 年 DAUGMA ; 1997 年 WILDES ;2002 年 HUANG，LUO 等；2002 年 MA 等)，這些技術和方法的主要區別在於:
[0005]圖像預處理和圖像增強算法；
[0006]圖像中感興趣區域的分割算法；
[0007]特徵定義及其提取過程；
[0008]特徵編碼算法；
[0009]匹配方法；
[0010]識別過程大體上分為以下幾個過程:首先，獲取人眼圖像。然後分離出人眼，再用複雜的圖像處理算法定位出虹膜的內外邊界。另外，採用去噪算法去除圖像中的眼瞼、眼睫毛和反光點，從而去除其對編碼分析的影響。一旦虹膜被定位分割出來，就用數學算法對其進行編碼，該編碼保存了虹膜獨特的特性。雖然在不同的時間和不同的條件下，任何兩幅圖像都不會完全相同，該算法能驗證出這兩幅虹膜圖像是否屬於同一個人。
[0011]在這些步驟中，虹膜的編碼與匹配時虹膜識別中重要的一步，編碼是指將輸入圖像的虹膜紋理特徵用計算的方式合適的表示出來，這樣計算機才能對虹膜進行對比匹配操作。
[0012]到目前為止，已公開的算法中，最有效的是Daugman在1992年提出的算法，在該算法中，他將Gabor濾波器的相位輸出作為比較的特徵，用異或算子(XOR)和哈明距離(Hamming Distance)來判定兩個表徵是否為同一個眼睛,這是現今大部分商用虹膜識別所採用的方法。然後Daugman的算法(我們稱之為經典算法)有一個缺點是將特徵看作相互獨立，從而在特徵比對過程中，不考慮鄰域特徵的影響。


【發明內容】

[0013]本發明所要解決的技術問題是提供一種對幅值和相位都進行編碼，可以增加分類器的置信水平從而提高匹配過程的穩定性的應用於虹膜識別的編碼方法及系統。
[0014]本發明解決上述技術問題的技術方案如下:一種應用於虹膜識別的編碼方法，具體包括以下步驟:
[0015]步驟1:加載物體的眼睛圖片，獲取虹膜圖像；
[0016]步驟2:對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像；
[0017]步驟3:對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據；
[0018]步驟4:加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號；
[0019]步驟5:將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。
[0020]本發明的有益效果是:本發明對1g-Gabor濾波器濾波器輸出的幅值和相位都進行了編碼，這可以增加分類器的置信水平從而提高匹配過程的穩定性。利用一個二值分類器來判斷兩個編碼是否源於相同的人眼，該二值分類器從離線的相位編碼得到多級置信值。每次對兩個編碼進行匹配時，根據它們的幅值元素，我們從置信值集中選擇一個最適合的值，本算法對不同的編碼對匹配時會自調整，使得分類的性能更好。
[0021]在上述技術方案的基礎上，本發明還可以做如下改進。
[0022]進一步，所述步驟2中得到待處理圖像後，對待處理圖像進行坐標變換。
[0023]採用上述進一步方案的有益效果是，坐標變換能簡化處理過程，不需要每次都計算三角函數就能讀出所需的像素值。
[0024]進一步，所述步驟4中的最優參數集的獲取方法包括以下步驟:
[0025]步驟a:下載ground-truth的表徵集,提取得到ground-truth的表徵集中的所有編碼；
[0026]步驟b:對所有編碼進行傅立葉變換得到濾波器的參數集；
[0027]步驟c:對濾波器的參數集進行在預設取值中隨機取值，得到新參數集；
[0028]步驟d:用新參數集對ground-truth的表徵集中的所有編碼執行1g-Gabor變換得到新編碼；
[0029]步驟e:將新編碼一一進行(N:N)比對，統計新參數集下匹配階段的性能，並得到對應新參數集的分類錯誤率；
[0030]步驟f:判斷參數集的預設取值是否還有未進行取值的，如果是，執行步驟c ;否貝U，執行步驟g;
[0031]步驟g:從所有新參數集中選出分類錯誤率最低的最優參數集；
[0032]步驟h:根據最優參數集得到對應的置信水平集，結束。
[0033]採用上述進一步方案的有益效果是，(N:N)比對是將所有編碼的各種性能全部進行互相比對(比如說足球比賽，每一支隊伍都要和所有其他隊伍進行對決)，N:N比對能夠得到最全面的信息集。
[0034]進一步，所述參數集包括頻率、帶寬和方向，所述頻率、帶寬和方向分別具有至少一個預設取值；
[0035]所述對參數集進行初始化是指頻率、帶寬和方向隨機分別從其預設取值中的選取一個值。
[0036]進一步，所述頻率的預設取值共8個，分別為1/16、2/16、3/16、4/16、5/16、6/16、7/16 和 8/16 ；
[0037]所述帶寬的預設取值共26 個，分別為 0.75,0.8,0.85,0.9,0.95,1.0,1.05,1.1、
1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和 2.0 ;
[0038]所述方向的預設取值共9個，分別為U22.5,45,67.5,90,112.5、135、157.5和180。
[0039]本發明解決上述技術問題的技術方案如下:一種應用於虹膜識別的編碼系統，包括加載模塊、分割模塊、變換模塊、加載最優模塊和編碼模塊；
[0040]所述加載模塊用於加載物體的眼睛圖片，獲取虹膜圖像；
[0041]所述分割模塊用於對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像；
[0042]所述變換模塊用於對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據；
[0043]所述加載最優模塊用於加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號；
[0044]所述編碼模塊將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。
[0045]本發明的有益效果是:本發明對1g-Gabor濾波器濾波器輸出的幅值和相位都進行了編碼，這可以增加分類器的置信水平從而提高匹配過程的穩定性。利用一個二值分類器來判斷兩個編碼是否源於相同的人眼，該二值分類器從離線的相位編碼得到多級置信值。每次對兩個編碼進行匹配時，根據它們的幅值元素，我們從置信值集中選擇一個最適合的值，本算法對不同的編碼對匹配時會自調整，使得分類的性能更好。
[0046]在上述技術方案的基礎上，本發明還可以做如下改進。
[0047]進一步，所述分割模塊中得到待處理圖像後，對待處理圖像進行坐標變換。
[0048]採用上述進一步方案的有益效果是，坐標變換能簡化處理過程，不需要每次都計算三角函數就能讀出所需的像素值。
[0049]進一步，所述加載模塊中加載的最優參數集的獲取系統包括編碼獲取模塊、傅立葉變換模塊、隨機取值模塊、1g-Gabor變換模塊、比對模塊、最優選擇模塊和置信水平模塊；
[0050]所述編碼獲取模塊用於下載ground-truth的表徵集,提取得到ground-truth的表徵集中的所有編碼；
[0051]所述傅立葉變換模塊用於對所有編碼進行傅立葉變換得到濾波器的參數集；
[0052]所述隨機取值模塊用於對濾波器的參數集進行在預設取值中隨機取值，直到將所有預設取值進行取值，得到多個新參數集；
[0053]所述1g-Gabor變換模塊用多個新參數集分別對ground-truth的表徵集中的所有編碼執行1g-Gabor變換得到多個新編碼；
[0054]所述比對模塊用於將多個新編碼分別一一進行(N:N)比對，統計所有新參數集下匹配階段的性能，並得到分別對應所有新參數集的多個分類錯誤率；
[0055]所述最優選擇模塊用於從所有新參數集中分類錯誤率最低的最優參數集；
[0056]所述置信水平模塊用於根據最優參數集得到對應的置信水平集。
[0057]進一步，所述參數集包括頻率、帶寬和方向，所述頻率、帶寬和方向分別具有至少一個預設取值；
[0058]所述對參數集進行初始化是指頻率、帶寬和方向隨機分別從其預設取值中的選取一個值。
[0059]進一步，所述頻率的預設取值共8個，分別為1/16、2/16、3/16、4/16、5/16、6/16、7/16 和 8/16 ；
[0060]所述帶寬的預設取值共26 個，分別為 0.75,0.8,0.85,0.9,0.95,1.0,1.05,1.1、
1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和 2.0 ;
[0061]所述方向的預設取值共9個，分別為U22.5,45,67.5,90,112.5、135、157.5和180。
[0062]與經典算法只用相位信息表徵虹膜的方法不同，我們將經濾波處理的虹膜圖像的幅值及相位信息都用於表徵虹膜模型。另外，現已公開的所有方法，都採用了固定的濾波參數集，判別分類器只有一個置信水平。本公開算法則採用了幅值和相位兩種信號，可以動態地選擇與虹膜編碼比對最適合的置信水平。置信水平和濾波處理過程中用到的參數是在編碼的離線學習中得到的。這一特徵使得算法能不斷更新，適應被比較的表徵的質量，使得我們的虹膜識別的算法性能更優。

【專利附圖】

【附圖說明】
[0063]圖1為本發明所述的一種應用於虹膜識別的編碼方法的流程圖；
[0064]圖2為本發明所述步驟4中的最優參數集的獲取方法的流程圖；
[0065]圖3為本發明所述的一種應用於虹膜識別的編碼系統的結構框圖；
[0066]圖4為本發明加載最優模塊4中加載的最優參數集的獲取系統的結構框圖。
[0067]附圖中，各標號所代表的部件列表如下:
[0068]1、加載模塊，2、分割模塊，3、變換模塊，4、加載最優模塊，5、編碼模塊，6、編碼獲取模塊，7、傅立葉變換模塊，8、隨機取值模塊，9、1g-Gabor變換模塊，10、比對模塊，11、最優選擇模塊，12、置信水平模塊。

【具體實施方式】
[0069]以下結合附圖對本發明的原理和特徵進行描述，所舉實例只用於解釋本發明，並非用於限定本發明的範圍。
[0070]如圖1所示，為本發明所述的一種應用於虹膜識別的編碼方法，具體包括以下步驟:
[0071]步驟1:加載物體的眼睛圖片，獲取虹膜圖像；
[0072]步驟2:對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像；
[0073]步驟3:對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據；
[0074]步驟4:加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號；
[0075]步驟5:將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。
[0076]所述步驟2中得到待處理圖像後，對待處理圖像進行坐標變換，坐標變換能簡化處理過程，不需要每次都計算三角函數就能讀出所需的像素值。
[0077]如圖2所示，為本發明所述步驟4中的最優參數集的獲取方法包括以下步驟:
[0078]步驟a:下載ground-truth的表徵集,提取得到ground-truth的表徵集中的所有編碼；
[0079]步驟b:對所有編碼進行傅立葉變換得到濾波器的參數集；
[0080]步驟c:對濾波器的參數集進行在預設取值中隨機取值，得到新參數集；
[0081]步驟d:用新參數集對ground-truth的表徵集中的所有編碼執行1g-Gabor變換得到新編碼；
[0082]步驟e:將新編碼一一進行(N:N)比對，統計新參數集下匹配階段的性能，並得到對應新參數集的分類錯誤率；
[0083]步驟f:判斷參數集的預設取值是否還有未進行取值的，如果是，執行步驟c ;否貝U，執行步驟g;
[0084]步驟g:從所有新參數集中選出分類錯誤率最低的最優參數集；
[0085]步驟h:根據最優參數集得到對應的置信水平集，結束。
[0086](N:N)比對是將所有編碼的各種性能全部進行互相比對(比如說足球比賽，每一支隊伍都要和所有其他隊伍進行對決)，N:N比對能夠得到最全面的信息集。
[0087]所述參數集包括頻率、帶寬和方向，所述頻率、帶寬和方向分別具有至少一個預設取值；
[0088]所述對參數集進行初始化是指頻率、帶寬和方向隨機分別從其預設取值中的選取一個值。
[0089]所述頻率的預設取值共8個，分別為1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16 ；
[0090]所述帶寬的預設取值共26 個，分別為 0.75,0.8,0.85,0.9,0.95,1.0,1.05,1.1、
1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和 2.0 ;
[0091]所述方向的預設取值共9個，分別為U22.5,45,67.5,90,112.5、135、157.5和180。
[0092]如圖3所示，本發明所述的一種應用於虹膜識別的編碼系統，包括加載模塊1、分割模塊2、變換模塊3、加載最優模塊4和編碼模塊5 ；
[0093]所述加載模塊I用於加載物體的眼睛圖片，獲取虹膜圖像；
[0094]所述分割模塊2用於對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像；
[0095]所述變換模塊3用於對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據；
[0096]所述加載最優模塊4用於加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號；
[0097]所述編碼模塊5將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。
[0098]所述分割模塊2中得到待處理圖像後，對待處理圖像進行坐標變換；坐標變換能簡化處理過程，不需要每次都計算三角函數就能讀出所需的像素值。
[0099]如圖4所示，為本發明加載最優模塊4中加載的最優參數集的獲取系統，包括編碼獲取模塊6、傅立葉變換模塊7、隨機取值模塊8、1g-Gabor變換模塊9、比對模塊10、最優選擇模塊11和置信水平模塊12 ；
[0100]所述編碼獲取模塊6用於下載ground-truth的表徵集,提取得到ground-truth的表徵集中的所有編碼；
[0101]所述傅立葉變換模塊7用於對所有編碼進行傅立葉變換得到濾波器的參數集；
[0102]所述隨機取值模塊8用於對濾波器的參數集進行在預設取值中隨機取值，直到將所有預設取值進行取值，得到多個新參數集；
[0103]所述1g-Gabor變換模塊9用多個新參數集分別對ground-truth的表徵集中的所有編碼執行1g-Gabor變換得到多個新編碼；
[0104]所述比對模塊10用於將多個新編碼分別一一進行(N:N)比對，統計所有新參數集下匹配階段的性能，並得到分別對應所有新參數集的多個分類錯誤率；
[0105]所述最優選擇模塊11用於從所有新參數集中分類錯誤率最低的最優參數集；
[0106]所述置信水平模塊12用於根據最優參數集得到對應的置信水平集。
[0107]所述參數集包括頻率、帶寬和方向，所述頻率、帶寬和方向分別具有至少一個預設取值；
[0108]所述對參數集進行初始化是指頻率、帶寬和方向隨機分別從其預設取值中的選取一個值。
[0109]所述頻率的預設取值共8個，分別為1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16 ；
[0110]所述帶寬的預設取值共26 個，分別為 0.75,0.8,0.85,0.9,0.95,1.0,1.05,1.1、
1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和 2.0 ;
[0111]所述方向的預設取值共9個，分別為U22.5,45,67.5,90,112.5、135、157.5和180。
[0112]每次系統接收到一個物體，在線編碼模塊就會執行一遍圖1中所示的算法。首先，加載模塊I加載物體的眼睛圖片，該圖片在分割模塊2中進行分割操作，提取出感興趣的區域並進行坐標變換，坐標變換能簡化處理過程，不需要每次都計算三角函數就能讀出所需的像素值。接下來，算法加載最優的參數集，該參數集是圖2中的離線學習得到的。
[0113]變換模塊3對感興趣的區域進行標準的二維傅立葉變換，將空間域轉換成頻率域，頻率域更適於濾波處理，在濾波處理過程中不會產生更寬的誤差。加載最優模塊4利用先前在離線編碼過程中得到的最優的參數集進行濾波操作。與傳統的方法不同，本算法對1g-Gabor濾波器輸出的相位和幅值信號編碼成計算數據結構，這些結構代表了真實的生物編碼。濾波器的輸出信號的幅值和相位保存為合適的格式的描述符
[0114]首先,我們通過下載下來的ground-truth的表徵集(在機器學習中，術語「groundtruth」指的是用於有監督訓練的訓練集的正確分類。)得到編碼和匹配的相關的主要參數。在這個集中，任意兩幅虹膜圖像的類是已知的(在機器學習的有監督訓練中，每個訓練樣本的分類是已知的)。該算法的目的是為了自定義濾波器參數集和置信水平，這些參數會在後續步驟中用到。這個學習過程與現有的經典算法完全不同，經典算法採用一個預定義的參數集進行編碼，而且對後續進行的虹膜編碼的比對中，只採用一個置信水平。
[0115]本算法下載ground-truth集，然後提取所有輸入編碼的傅立葉變換。接下來，我們初始化濾波器的參數集，濾波器的參數集包括的頻率、帶寬和方向，頻率值取1/16，2/16，3/16 一直到 8/16 共 8 個值，帶寬取 0.75,0.08,0.85 一直到 2.0，共 25 個取值，方向取1、22.5、45 —直到180共8個值。初始化濾波器的參數集是指隨機選取濾波器的頻率、帶寬和方向的值。初始化結束後，算法用當前的濾波器參數集對ground-truth集中的所有輸入循環執行1g-Gabor變換。接下來，算法對所有可得的編碼一一進行(N:N)比對。這個過程的目的是為了統計當前參數集下匹配階段的性能，該性能是通過ROC曲線(受試者工作特徵曲線(receiver operating characteristic curve,簡稱ROC曲線)，又稱為感受性曲線(sensitivity curve))得到的,性能高表明當前的訓練參數集能得到好的匹配效果，相反，性能低則說明當前訓練參數集得到的匹配效果差。處理模塊改變濾波器的參數集，也就是說改變濾波器的頻率、帶寬和方向的參數。算法用新的參數集再次進行循環計算，該過程直到參數集中的所有參數都被分析後結束(濾波器有8個頻率取值、26個帶寬取值以及9個方向取值，所以濾波器的參數集一共有8*26*9 = 1872個參數集，將這1872參數集全部計算一遍)。這個過程能生成一個包含ground-truth輸入在所有參數集下的分類性能的信息的高維空間。下一個處理模塊從中選擇出性能最好的參數集，也就是分類錯誤率最低的參數集(循環過程中，將所有參數集中的參數都計算一遍，得到一個分類錯誤率，從這些錯誤率中找出錯誤率最低的那一組參數)。選出的參數集和置信水平分別輸出，並分別應用在在線階段的實際編整過程與匹配過程。與傳統的只使用一個置信水平的算法不同，本公開算法能輸出多個置信水平，每一個水平對應一個進行N:N編碼比對的濾波器輸出的幅值梯度。濾波器參數和置信水平這兩類輸出，將會在後續的在線編碼及匹配過程中用到。
[0116]以上所述僅為本發明的較佳實施例，並不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。
【權利要求】
1.一種應用於虹膜識別的編碼方法，其特徵在於，具體包括以下步驟: 步驟1:加載物體的眼睛圖片，獲取虹膜圖像； 步驟2:對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像； 步驟3:對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據； 步驟4:加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號； 步驟5:將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。
2.根據權利要求1所述的一種應用於虹膜識別的編碼方法，其特徵在於，所述步驟2中得到待處理圖像後，對待處理圖像進行坐標變換。
3.根據權利要求1或2所述的一種應用於虹膜識別的編碼方法，其特徵在於，所述步驟4中的最優參數集的獲取方法包括以下步驟: 步驟a:下載ground-truth的表徵集,提取得到ground-truth的表徵集中的所有編碼； 步驟b:對所有編碼進行傅立葉變換得到濾波器的參數集； 步驟c:對濾波器的參數集進行在預設取值中隨機取值，得到新參數集； 步驟d:用新參數集對ground-truth的表徵集中的所有編碼執行1g-Gabor變換得到新編碼； 步驟e:將新編碼一一進行(N:N)比對，統計新參數集下匹配階段的性能，並得到對應新參數集的分類錯誤率； 步驟f:判斷參數集的預設取值是否還有未進行取值的，如果是，執行步驟c ;否則，執行步驟g ; 步驟g:從所有新參數集中選出分類錯誤率最低的最優參數集； 步驟h:根據最優參數集得到對應的置信水平集，結束。
4.根據權利要求3所述的一種應用於虹膜識別的編碼方法，其特徵在於，所述參數集包括頻率、帶寬和方向，所述頻率、帶寬和方向分別具有至少一個預設取值； 所述對參數集進行初始化是指頻率、帶寬和方向隨機分別從其預設取值中的選取一個值。
5.根據權利要求4所述的一種應用於虹膜識別的編碼方法，其特徵在於，所述頻率的預設取值共 8 個，分別為 1/16、2/16、3/16、4/16、5/16、6/16、7/16 和 8/16 ； 所述帶寬的預設取值共26個，分別為0.75,0.8,0.85,0.9,0.95、L O、L 05、L 1、L 15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95 和2.0 ； 所述方向的預設取值共9個，分別為1、22.5,45,67.5,90,112.5、135、157.5和180。
6.—種應用於虹膜識別的編碼系統,包括加載模塊、分割模塊、變換模塊、加載最優模塊和編碼模塊； 所述加載模塊用於加載物體的眼睛圖片，獲取虹膜圖像； 所述分割模塊用於對所述虹膜圖像進行分割，根據具體需求提取出需要處理的區域得到待處理圖像； 所述變換模塊用於對待處理圖像進行標準的二維傅立葉變換，使待處理圖像從空間域轉換為頻率域，得到待處理數據； 所述加載最優模塊用於加載最優參數集，基於最優參數集對待處理數據進行濾波操作，得到相位信號和幅值信號； 所述編碼模塊將相位信號和幅值信號進行編碼為計算機數據結構，得到對應的生物編碼。
7.根據權利要求6所述的一種應用於虹膜識別的編碼系統，其特徵在於，所述分割模塊中得到待處理圖像後，對待處理圖像進行坐標變換。
8.根據權利要求6或7所述的一種應用於虹膜識別的編碼系統，其特徵在於，所述加載模塊中加載的最優參數集的獲取系統包括編碼獲取模塊、傅立葉變換模塊、隨機取值模塊、1g-Gabor變換模塊、比對模塊、最優選擇模塊和置信水平模塊； 所述編碼獲取模塊用於下載ground-truth的表徵集,提取得到ground-truth的表徵集中的所有編碼； 所述傅立葉變換模塊用於對所有編碼進行傅立葉變換得到濾波器的參數集； 所述隨機取值模塊用於對濾波器的參數集進行在預設取值中隨機取值，直到將所有預設取值進行取值，得到多個新參數集； 所述1g-Gabor變換模塊用多個新參數集分別對ground-truth的表徵集中的所有編碼執行1g-Gabor變換得到多個新編碼； 所述比對模塊用於將多個新編碼分別一一進行(N:N)比對，統計所有新參數集下匹配階段的性能，並得到分別對應所有新參數集的多個分類錯誤率； 所述最優選擇模塊用於從所有新參數集中分類錯誤率最低的最優參數集； 所述置信水平模塊用於根據最優參數集得到對應的置信水平集。
9.根據權利要求8所述的一種應用於虹膜識別的編碼系統，其特徵在於，所述參數集包括頻率、帶寬和方向，所述頻率、帶寬和方向分別具有至少一個預設取值； 所述對參數集進行初始化是指頻率、帶寬和方向隨機分別從其預設取值中的選取一個值。
10.根據權利要求9所述的一種應用於虹膜識別的編碼系統，其特徵在於，所述頻率的預設取值共 8 個，分別為 1/16、2/16、3/16、4/16、5/16、6/16、7/16 和 8/16 ； 所述帶寬的預設取值共26個，分別為0.75,0.8,0.85,0.9,0.95、L O、L 05、L 1、L 15、.1.2,1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、.1.85、.1.9、.1.95 和.2.0 ； 所述方向的預設取值共9個，分別為1、22.5,45,67.5,90,112.5、135、157.5和180。
【文檔編號】G06K9/00GK104200201SQ201410430535
【公開日】2014年12月10日 申請日期:2014年8月28日 優先權日:2014年8月28日
【發明者】託馬斯.費爾蘭德斯, 易開軍, 高俊雄 申請人:武漢虹識技術有限公司