[发明专利]基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法

权利要求书

1.一种基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法，包括步骤：

步骤S1：采集训练图像库中的训练虹膜图像，所述训练虹膜图像为训练真实虹膜图像和训练伪造虹膜图像，并对训练虹膜图像预处理、定位虹膜、截取训练真实虹膜图像和训练伪造虹膜图像的感兴趣区域；对训练真实虹膜图像和训练伪造虹膜图像的感兴趣区域做噪声去除处理；进行滤波生成多尺度空间滤波结果图，在这些滤波结果图的每一个像素计算简化的尺度不变特征变换描述子；对训练真实虹膜图像和训练伪造虹膜图像的感兴趣区域，计算每个像素的加权的局部二元模式算子特征码；将训练真实虹膜图像和训练伪造虹膜图像的感兴趣区域分成多个子块，分别计算每个子块的加权局部二元模式算子特征码的统计特征，通过分块提取特征保留了训练虹膜图像各部分的结构关系；把提取的统计特征串连融合成为包含局部纹理和全局结构信息的特征用于支持向量机的训练学习，利用泛化能力好的分类学习算法，根据加权局部二元模式特征码在训练集上的分布情况构建伪造虹膜判别分类器；

步骤S2：采集测试虹膜图像，包括真实虹膜和伪造虹膜图像，对任意输入的测试虹膜图像预处理，得到所述测试虹膜图像的感兴趣区域，并做噪声去除处理；从测试虹膜图像的感兴趣区域中提取简化的尺度不变特征变换描述子；从测试虹膜图像的感兴趣区域提取加权局部二元模式算子特征码；将测试虹膜图像的感兴趣区域采用与训练过程相同的方式分成多个子块，分别计算每个子块的加权局部二元模式算子特征码的统计特征，通过分块提取特征保留了虹膜图像各部分的结构关系；将提取的统计特征串连融合成为包含局部纹理和全局结构信息的特征作为伪造虹膜判别的特征向量；将伪造虹膜判别的特征向量输入到训练得到的伪造虹膜判别分类器，根据伪造虹膜判别分类器输出的结果判断该测试虹膜图像是否是来自伪造虹膜，如果是则给出报警信号，如果不是，则接受并进入后续的虹膜识别过程。

2.根据权利要求1所述的伪造虹膜图像判别方法，其特征在于，还包括建立包含训练真实虹膜图像和训练伪造虹膜图像的训练图像库，将训练伪造虹膜图像作为正训练样本，训练真实虹膜图像作为负训练样本。

3.根据权利要求1所述的伪造虹膜图像判别方法，其特征在于，对所述训练虹膜图像或测试虹膜图像预处理，首先使用圆模型定位虹膜图像中虹膜内外圆边界的圆心和半径；截取以虹膜圆心为中点及二倍虹膜半径为边长的正方形区域；将截取的正方形子区域缩放到统一的大小；然后排除该子区域的上面八分之一和下面八分之一的区域作为感兴趣区域；之后采用全变分方法对感兴趣区域进行去噪处理。

4.根据权利要求1所述的伪造虹膜图像判别方法，其特征在于，所述简化的尺度不变特征变换描述子是一个像素邻域内的灰度梯度方向直方图，所述直方图的横坐标对应八个方向，这八个方向与水平方向夹角分别是0度、45度、90度、135度、180度、225度、270度和315度；一个像素点的灰度梯度投影到与直方图的八个方向中最接近的方向上，投影值由该像素点的灰度梯度幅值大小确定。

5.根据权利要求1所述的伪造虹膜图像判别方法，其特征在于，所述的加权局部二元模式算子特征码是在计算局部二元模式算子特征码时根据SIFT描述子的大小顺序确定二值序列里的顺序，SIFT描述子直方图的最大方向对应二值序列的最高位，即编码后在十进制数中所占的权重最大，依次类推排序。