没有合适的资源?快使用搜索试试~ 我知道了~
基于Gabor特征和汉明距离的虹膜识别.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 142 浏览量
2022-11-15
06:20:56
上传
评论
收藏 1.21MB PDF 举报
温馨提示
试读
13页
。。。
资源推荐
资源详情
资源评论
基于 Gabor 特征和汉明距离的虹膜识别
3.1 虹膜识别系统的流程
人体虹膜识别系统工作原理如上所述:主要就是利用人体虹膜的特定的纹理
特征对于每个已经注册的人进行身份的鉴别,人体虹膜识别系统有两种模式,一
种是不同的人的身份的注册,完成人体虹膜数据入库,一种是人体身份的鉴别,
对于需要检测的人体的虹膜与数据库进行比对,进行身份识别。人体虹膜识别系
统工作流程图如下所示:
图 3-1 人体虹膜识别系统工作流程图
从图 3-1 人体虹膜识别系统工作流程图可以看出来,对于人体虹膜识别系统
工作流程主要是分为四个步骤首先是收集不同的个体的虹膜图像,搭建虹膜图像
库,然后对于选取的研究对象图片进行预处理,预处理总共来说包括三个步骤:
虹膜识别、虹膜归一化处理、以及虹膜图像增强;然后使用 Gabor 特征提取虹膜
图像得到稳定的纹理图像,最后利用汉明距离进行比对匹配也就是任务识别处理。
3.2 虹膜特征提取
由于图像在计算机中是以离散点的形式存放的,因此为了用
Gabor
滤波器对
其进行滤波处理,首先要将连续的
Gabor
滤波器采样获得离散的
Gabor
滤波器,
这里取
x
(3
x
,3
x
)
,
y
(3
y
,3
y
)
间的整数值对连续的
Gabor
滤波器进行离
散采样。
运用
Gabor
滤波器对图像进行滤波实际上就是用离散化的
Gabor
模板矩阵和
图像数据矩阵卷积的过程。当两卷积矩阵很大时,运算量将会急剧增大,如果把
空间域中的卷积问题转化到频率域中用相乘的来实现,将大大降低运算量。
设矩阵
f
1
,
f
2
的
Fourier
变化分别为
F
1
,
F
2
,即有
F
1
=
fft( f
1
)
(3-1)
则由卷积定理得到
conv(
f
1
,
f
2
) = ifft(
F
1
.*
F
2
) (3-2)
其中
conv
表示卷积,
fft
表示
Fourier
变化,
ifft
表示
Fourier
变化的逆变化,
F
1
.*
F
2
表示矩阵
F
1
和
F
2
中的对应元素相乘。
这一运算的流程框图如图 3-2 所示。
图象
(M×N)
Gabor滤
波器
(P×Q)
延拓
图象
(R×S)
Gabor滤
波器
(R×S)
FFT
频谱
(R×S)
对应元素相乘
.
*
延拓 FFT
频谱
(R×S)
频谱
(R×S)
IFFT
滤波图象
(R×S)
有效图象
(M×N)
图 3-2 Gabor 滤波器特征提取流程图
在用含有多个 Gabor 滤波器的滤波器组进行图像特征提取时,具有最低中心
频率需要根据目标图像的最大尺寸
l
确定,但是实际应用时这一尺寸不一定可以
得到,此时我们可以粗略的用
图 3-3 特征值提取
w
2
h
2
1
来代替
l
,相应的
f min
=
4 w
2
h
2
。
3.3 特征编码
根据上文,本文已经得到了归一化和增强处理之后的虹膜图片,从图 2-10 虹
膜归一化处理结果以及增强结果可以看出来,处理之后效果非常好。
为了对于归一化和增强处理之后的虹膜图片进行数据化的度量,方便后面在
虹膜识别的过程之中,进行不同的虹膜的特征的数据化比对,而在对于特征编码
之后,其虹膜图片特征编码的具体的长度也不同,进而对应的位也不同,方便后
面基于汉明距离的虹膜特征匹配。必须对于图片进行编码实现数据化处理。接下
来要进行的是虹膜图像特征编码,设经过上述预处理之后图像表示为 I(x,y),
对 I(x,y)实施分块编码操作,具体操作公式如下所示:
M N
C
i, j
I
i x * j j
* F (
x
,
y
,
x
,
y
,
f
,
f
)
(3-3)
2 2
x1 y1
M M
本文具体的 Gabor 滤波器的滤波器组进行图像特征提取选取的尺寸为 M*N;
从式子 3-10 知道,对 I(x,y)实施分块编码操作不同,那么虹膜特征编码也会相
应的产生不同。
3.4 基于汉明距离的虹膜特征匹配
如果把 a 和 b 两个单词看作是向量空间中的元素,则它们之间的汉明距离等
于它们汉明重量的差 a-b。如果是二进制字符串 a 和 b,汉明距离等于它们汉明
重量的和 a+b 或者 a 和 b 汉明重量的异或 a XOR b。汉明距离也等于一个 n 维的
超立方体上两个顶点间的曼哈顿距离,n 指的是单词的长度。给予两个任何的字
码,10001001 和 10110001,即可决定有多少个相对位是不一样的。在此例中,
有三个位不同。要决定有多少个位不同,只需将 exclusive OR 运算加诸于两个字
码就可以,并在结果中计算有多个为 1 的位
[27-30]
。
比如:“toned” 与 “roses” 二个字吗之间的具体的汉明距离的大小是 3;
“11000110” 与 “11111110” 二个字吗之间的具体的汉明距离的大小是 3。
虹膜识别系统最终的目的是要检测测试者的虹膜特征向量能否与数据库中
某一虹膜模板的特征向量相匹配,也就是要比较待测试的虹膜与虹膜模板的相似
性,当算得的相似性达到某一程度时,便认为两个虹膜是来自同一只眼睛,允许
登陆。基于已提取的虹膜特征向量来进行虹膜识别,是一个典型的模式匹配问题,
理论上,任何分类器都可以用在这里。论文采用的匹配算法是基于 Daugman 的
方法,即比较两虹膜特征向量的汉明距离来实现的,该方法简单易用,足以满足
虹膜识别的匹配要求。
向量
X
和
Y
的归一化汉明距离为:
1
HD
N
X ( XOR)Y
i i
i1
N
(3-4)
X
i
和
Y
i
为待识别的虹膜图像特征向量和虹膜模板图像特征向量的第
i
个向
量值,
XOR
指异或运算:当
X
i
和
Y
i
对应的位不同时,异或结果为
1
,反之则为
0
。
理想情况下,如果两个相匹配的虹膜是来自同一只眼睛,则
HD=0
;如果来自不
同的眼睛,则
HD=1
。
3.5 基于欧几里得距离的虹膜特征匹配
欧几里得距离一般情况下称之为欧氏距离,由于欧几里得距离可以度量两个
特征向量之间的距离,如图
3-4
欧几里得相似度示意所示。
通过数学知识可以建立起欧几里得算法模型,设
X
1
a
1
,b
1
,
X
2
a
2
,b
2
作为向
量空间中的任意两个点,则
X
1
a
1
, b
1
,
X
2
a
2
, b
2
之间的距离为:
2
l
A,B
a
1
a
2
2
b
1
b
2
(3-5)
有了这样一个模型,就可以通过计算需要的相似度,分别表示为
X
1
a
1
,b
1
,
X
2
a
2
,b
2
,设特征值的相似度为
S
,则:
S 1/
1 l
A,B
1/
1
a
1
a
2
2
b
1
b
2
2
(3-6)
剩余12页未读,继续阅读
资源评论
春哥111
- 粉丝: 1w+
- 资源: 5万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功