[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

说明书

技术领域

本发明涉及计算机视觉、数字图像处理和模式识别，特别是基于鲁棒纹理特征和机器学习对伪造虹膜图像判别方法。

背景技术

目前，基于生物特征的身份识别受到了各国政府的重视，已经渗透到人们日常生活的每一个方面。基于虹膜的生物特征识别技术在过去的十几年间受到越来越多的关注，相关研究和技术也得到了迅速的发展。已成功用于电子商务、金融证券、信息安全、交通、公安和司法等场合。随着虹膜识别从实验走向实用，在众多安全防控领域得到应用，虹膜识别系统本身也面临着安全性问题，出现了各种不同形式的系统攻击方式。伪造虹膜攻击系统的方法有很多种，比如打印在纸上的虹膜图像、显示屏显示的虹膜图像、印花隐形眼镜、纹理丰富的人造眼球等。伪造虹膜可能造成虹膜识别系统的错误识别，特别是在自助通关系统中，系统工作于识别工作模式，仅包含嫌疑犯虹膜数据库，佩戴彩色印花隐形眼镜可能导致系统判断该用户没有注册，可以通行，导致系统没有起到应有的安全防控作用。因此，有效的伪造虹膜判别方法是提高虹膜识别系统可靠性的重要部分。

目前，虹膜识别系统的安全性问题成为备受关注的焦点，但实用的伪造虹膜判别的方法并不多，大多为针对某一系统的安全策略。John Daugman(U.S.Pat.No.5291560)使用虹膜图像的傅里叶变换的频谱特性进行伪造虹膜检测，仅可有效判别清晰的纸质打印虹膜图像与真实虹膜图像。施鹏飞等(CN101059837)使用灰度共生矩阵的对比度及角度二阶矩特征作为伪造虹膜判别的特征，该方法针对清晰的彩色印花隐形眼镜检测。

可见，现有的伪造虹膜判别算法仍有改进的空间，如何快速有效地进行虹膜识别系统中的伪造虹膜判别仍然是一个亟待解决的难题。随着虹膜识别系统向用户友好、方便使用的方向发展，对用户的配合度要求减低，会导致图片质量下降等问题，这使得虹膜的真伪判断面临更多的挑战。

发明内容

(一)要解决的技术问题

本发明的目的是提出一种基于鲁棒纹理特征和机器学习对伪造虹膜图像判别方法，即通过提取纹理特征来区别真实虹膜图像与伪造虹膜图像。同时，通过分块提取真实虹膜图像和伪造虹膜图像的纹理特征的统计特征，得到较好的稳定性能和泛化性能。

(二)技术方案

为实现上述目的，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。

其中，所述的伪造虹膜图像判别方法，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。