低质量虹膜图像识别方法研究

摘要：对于不同传感器不同时间段获取的多幅低质量虹膜图像，采用图像融合技术对其进行处理。根据虹膜图像瞳孔缩放非刚性形变的特点，提出用曲线拟合的方法进行虹膜图像的配准，将配准后的虹膜图像利用像素级的小波融合方法进行融合，最终目的是将多幅缺失信息的低质量虹膜图像融合成一幅含有更为丰富信息的虹膜图像，并以此构建新的虹膜图像库用于虹膜识别领域。实验表明，该方法使低质量虹膜图像在识别精度上得到了进一步的提升。

关键词：低质量虹膜图像；曲线拟合；小波融合；虹膜识别

中图分类号：TP391.41文献标识码：A文章编号：1009-3044(2012)20-4965-05

The Research of Low Quality Image Recognition Method Based on Iris Images

LIU Xiao-fei, LI Ming-jie

（Sanya University,Sanya 572022,China）

Abstract: For lots of low quality iris images which obtained from different sensors at different periods of time, using the image fusion tech? nology to process it. According to the non-rigid deformation characteristics of iris image zoom pupil, proposed using curve fitting technol? ogy in iris image registration.Then the registered iris image using pixel level fusion method of wavelet fusion for fusion,the ultimate aim is to make the missing pieces information of low quality iris images fused into an iris image which contains richer informations,and build a new iris image database for the field of iris recognition..The experimental results show that this method has futrher promoted the accuracy of low quality iris images recognition.

Key words: low-quality iris images; curve fitting; wavelet fusion; iris recognition

传统的虹膜识别系统中，对于低质量的虹膜图像的处理，是建立图像质量评估标准，对符合标准的虹膜图像认为其质量较高，予以保留，而没有达到标准的虹膜图像就被舍弃，很显然在传统的虹膜识别系统中并未考虑低质量虹膜图像的识别问题。

该文提出将图像融合技术应用于低质量虹膜图像的拼接中来，提高低质量虹膜图像的质量，使其可以用于身份识别。和传统可以使用图像融合技术的图像相比，虹膜图像融合的难点在于虹膜图像的形变是非刚性的，不能用传统的变换矩阵进行配准，该文采用了曲线拟合方法进行配准，对配准后的虹膜图像采用像素级融合，得到结果图像后用于识别。

(a)为参考图像，(b)待配准图像，(c)为高斯曲线拟合重构图像，(d)为抛物线拟合重构图像，(e)为(a)(c)融合后的图像，(f)为(a)和(d)融合后的图像。

图6低质量虹膜图像融合2.3融合虹膜图像效果的评价

该文采用相关系数[8]的评价方法。相关系数用来表示两幅图像的相关程度，通过相关系数我们可以得到测试图像和融合图像的相关程度。相关系数的值越接近于1，说明两幅图像的相关程度越高。相关系数由下式来定义：

系数进行评价。分别对3组不同人眼的低质量虹膜图像测试样本进行对比实验，计算出了每组对应的相关参数。结果表明：该文提出的方法能够有效的改变低质量虹膜图像识别的准确度。

[1] Daniel Walsh,Adrian E.Raftery.A novel Hough transform based on eliminating particle swarm optimization and its applications[J]. Pattern Recognition, 2009,42(9):1959-1969.

[2]王葳,唐一平,任娟莉.一种改进的Harris角点提取算法[J].光学精密工程,2008,16(10):1995-2001.

[3] Guiyun T,Duke G,David T. Comprehensive interest points based imaging mosaic[J].Pattern Recognit--ion Letters,2003,24(9-10): 1171-1179.

[4] Schmid C.,Mohr R.Local gray-value invariants forimage retrieval.IEEE Trans.Pattern Anal.Machine Intell, 1997,19(5):530-535.

[5] Yuan-Hai Shao, Nai-Yang Deng,Zhi-Min Yang.Least squares recursive projection twin support vectormachine for classification. Pattern Recognition,2012,45(6):2299-2307.

[6]白建军,陈其松,张欣,杨彦龙.基于形态滤波的小波融合图像增强算法[J].计算机仿真,2012,29(1):264-268.

[7]王琛,漆德宁,储彬彬,庞璐璐.基于小波变换的图像融合方法研究[J].电脑知识与技术,2009,5(35):10075-10076.

[8]吕林涛,石富旬.渐进式虹膜图像质量评估模型[J].计算机工程,2010,36(18):217-219.

[9] Chinese Academy of Sciences:Instituteof Automat--ion, Database of 756 Greyscale Eye Images[DB],＜＞Version 1.0, 2003.