一種基于bp網(wǎng)絡(luò)和小波變換的虹膜圖像質(zhì)量分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像識別領(lǐng)域，尤其涉及一種基于BP網(wǎng)絡(luò)和小波變換的虹膜圖像質(zhì) 量分類方法。
【背景技術(shù)】
[0002] 虹膜識別是近年發(fā)展起來的一種新型生物特征識別方法。與指紋識別、人臉識別 和語音識別等其它生物特征識別方法相比，虹膜識別在準(zhǔn)確性、唯一性、穩(wěn)定性、可采集性 和非侵犯性等方面具有更強的優(yōu)勢。在實際應(yīng)用中，虹膜識別系統(tǒng)的識別效果與采集的圖 像質(zhì)量密切相關(guān)。虹識別系統(tǒng)要求人必須和設(shè)備進行合作。但是由于設(shè)備和人之間存在一 些不確定、不穩(wěn)定的因素。在虹膜圖像采集的過程中，不均勻的光線條件、人眼與采集裝置 距離的變化、人眼的生理結(jié)構(gòu)（如眼瞼、睫毛等）往往導(dǎo)致虹膜圖像亮度不均、虹膜圖像位 置和大小的變化、遮擋虹膜紋理的有效區(qū)域，影響了虹膜識別效果，降低了虹膜識別的準(zhǔn)確 率。為了提高識別準(zhǔn)確率當(dāng)采集到一幅虹膜圖像后，需要對虹膜圖像進行質(zhì)量評價，檢驗虹 膜圖像是否合格，以篩選掉采集效果不佳的圖像保證后續(xù)操作的順利進行。
[0003] 目前，已有不少工作研宄虹膜識別中的圖像質(zhì)量評價方法。盡管虹膜識別技術(shù)得 到了迅速發(fā)展，但是在實際應(yīng)用中，由于受到外界環(huán)境或人為因素干擾，采集到的虹膜圖像 會表現(xiàn)出諸多"非理想"特性，而使識別結(jié)果受到嚴(yán)重影響。非理想特征表現(xiàn)多樣，包括反光 (由近紅外光源照射或眼鏡反射造成）、眼瞼/睫毛遮擋、散焦（非聚焦距離拍攝造成）、運 動模糊和面部偏轉(zhuǎn)（由人的頭部運動造成）、圖像對比度過低（由采集現(xiàn)場光照造成）等。 因此在前述方法中，許多研宄者也考慮到了虹膜圖像質(zhì)量分析問題。在最早的Daugman方 法中，作者提出利用頻譜中的高頻分量大小分析圖像散焦，但未就具體方法做出說明；其后 期工作中，Daugman提出了一種多重質(zhì)量分析方法，即通過傅立葉能量譜分析是否散焦，通 過檢測虹膜區(qū)域直方圖的峰值個數(shù)消除眼瞼遮擋。Wildes提出利用邊緣對比度實現(xiàn)質(zhì)量分 析;Ma等提出了基于局部圖直方圖均衡的圖像增強策略，同時通過分析圖像傅里葉變換中 的高、中、低頻分量評定圖像質(zhì)量；Vatsa等提出了一種基于SVM(支持向量機）的圖像增強 方法。Abhyankar等提出的質(zhì)量分析較為全面，包括通過積分/微分算子計算遮擋比例，通 過拉普拉斯算子進行邊緣檢測以實現(xiàn)散焦分析，最終將上述結(jié)果進行融合得到質(zhì)量分析結(jié) 果。但是這一方法沒有討論角度形變問題。Proenpa等研宄了不同非理想因素對識別結(jié)果 的影響，結(jié)果表明分割精度影響最大；陳瑞等提出了基于小波-contourlet變換的質(zhì)量分 析方法。上述文獻雖然提出了虹膜質(zhì)量分類方法，但對圖像數(shù)據(jù)的適用性較差，對許多非理 想采集環(huán)境下獲得的虹膜圖像進行質(zhì)量分類效果不夠理想。虹膜識別是一種非侵犯性的身 份鑒別技術(shù)。但是，由于虹膜圖像受對比度、光照、干擾等的影響，導(dǎo)致提取的虹膜特征模 板中存在一些不穩(wěn)定的特征，增加了虹膜識別的難度。

【發(fā)明內(nèi)容】

[0004] 為了解決現(xiàn)有技術(shù)的缺點，本發(fā)明針對不同質(zhì)量的虹膜圖像，提供了一種基于BP 網(wǎng)絡(luò)和小波變換的虹膜圖像質(zhì)量分類方法。
[0005] 本發(fā)明采用以下技術(shù)方案：
[0006] -種基于BP網(wǎng)絡(luò)和小波變換的虹膜圖像質(zhì)量分類方法，包括：
[0007] 步驟（1):構(gòu)建用于虹膜圖像質(zhì)量分類的BP神經(jīng)網(wǎng)絡(luò)模型；所述BP神經(jīng)網(wǎng)絡(luò)模型 的輸出節(jié)點個數(shù)為2,表示兩種輸出結(jié)果：虹膜圖像可用和虹膜圖像不可用；
[0008] 步驟（2):選定若干虹膜圖像樣本，對其進行小波變換，提取小波變換系數(shù)的特征 值；
[0009] 步驟⑶：將提取的小波變換系數(shù)的特征值輸入BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練；
[0010] 步驟⑷：利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對虹膜圖像質(zhì)量進行分類；
[0011] 輸入虹膜圖像樣本提取的小波系數(shù)特征值至訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型；若BP神經(jīng) 網(wǎng)絡(luò)模型的輸出結(jié)果與可用虹膜的期望值相同，則判斷當(dāng)前輸入虹膜質(zhì)量可用；否則，若輸 出結(jié)果與不可用虹膜的期望值不同，則判斷當(dāng)前輸入虹膜質(zhì)量不可用。
[0012] 所述BP神經(jīng)網(wǎng)絡(luò)的模型表達式為：
[0013] net = newff (PR, [S&，? ? ?，SN]，{TFi，TF2, ? ? ?，TFN}，BTF，BLF，PF) (1)
[0014] 其中，net:建構(gòu)得到的神經(jīng)網(wǎng)絡(luò)；newff :建構(gòu)函數(shù)；PR :pX2的矩陣以定義輸入 向量的最小值和最大值，P為輸入節(jié)點的個數(shù)；Si:第i層神經(jīng)元個數(shù)；TF i:第i層的傳遞函 數(shù)，默認(rèn)函數(shù)為tansig函數(shù)；BTF :訓(xùn)練函數(shù)，默認(rèn)函數(shù)為trainlm函數(shù)；BLF :權(quán)值/閥值學(xué) 習(xí)函數(shù)，默認(rèn)函數(shù)為learngdm函數(shù)；PF :性能函數(shù)，默認(rèn)函數(shù)為mse函數(shù)。
[0015] 所述步驟（2)中的對選定的若干虹膜圖像樣本進行小波變換的具體過程為：
[0016] 假設(shè)Q表示全體虹膜圖像，Qsamp為選定的若干虹膜圖像樣本，則，令I(lǐng) k 表示QS?P中的第k幅圖像，則I ke D samp，對Ik進行小波變換，
[0017] [ck, sk] = wavedec (Ik, N, wname) (2)
[0018] 其中，wavedec表示小波分解運算符，ck表示對圖像I k進行小波變換后得到的小 波系數(shù)，sk對圖像I k進行小波變換后各層小波系數(shù)的長度，N表示變換層數(shù)，wname表示變 換采用的小波基函數(shù)的名稱。
[0019] 所述步驟（2)中提取小波變換的變換系統(tǒng)的特征值的具體過程為：
[0020] 圖像Ik經(jīng)過小波分解后，得到一系列不同分辨率的子圖像c k:
[0021] c,=Y〇k^cf,cf,c^\ i=\,…,N (3)
[0022] 其中，cM表示最低頻子圖像的系數(shù)，cf 表示訓(xùn)練樣本中第k幅虹膜圖像 經(jīng)小波變換得到的第i層子圖像系數(shù)，其中cf表示水平高通-垂直低通系數(shù)，cf表示水 平低通-垂直高通系數(shù)，表示水平高通-垂直高通系數(shù)；
[0023] 對cM，c*f,qf,〇^的數(shù)據(jù)按照絕對值從大到小進行排序：
【主權(quán)項】
1. 一種基于BP網(wǎng)絡(luò)和小波變換的虹膜圖像質(zhì)量分類方法，其特征在于，包括： 步驟（1):構(gòu)建用于虹膜圖像質(zhì)量分類的BP神經(jīng)網(wǎng)絡(luò)模型；所述BP神經(jīng)網(wǎng)絡(luò)模型的輸 出節(jié)點個數(shù)為2,表示兩種輸出結(jié)果：虹膜圖像可用和虹膜圖像不可用； 步驟（2):選定若干虹膜圖像樣本，對其進行小波變換，提取小波變換系數(shù)的特征值； 步驟（3):將提取的小波變換系數(shù)的特征值輸入BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練； 步驟（4):利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對虹膜圖像質(zhì)量進行分類； 輸入虹膜圖像樣本提取的小波系數(shù)特征值至訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型；若BP神經(jīng)網(wǎng)絡(luò) 模型的輸出結(jié)果與可用虹膜的期望值相同，則判斷當(dāng)前輸入虹膜質(zhì)量可用；否則，若輸出結(jié) 果與不可用虹膜的期望值不同，則判斷當(dāng)前輸入虹膜質(zhì)量不可用。
2. 如權(quán)利要求1所述的一種基于BP