[发明专利]一种基于KNN分类模型的虹膜识别方法

权利要求书

1.一种基于KNN分类模型的虹膜识别方法，其特征在于：包括以下步骤：

S1、确定虹膜位置，并对虹膜图像进行图像预处理；

S2、通过圆对称滤波器抽取预处理后虹膜图像的特征向量；

S3、对抽取的特征向量进行降维处理；

S4、利用降维后的特征向量训练KNN分类器，并使用训练好的KNN分类器对待识别虹膜图像进行识别。

2.根据权利要求1所述的基于KNN分类模型的虹膜识别方法，其特征在于：S1中确定虹膜位置，包括：

通过双边滤波、高斯滤波和Hough变换找到虹膜的内边界；

使用中值滤波器去除盐和胡椒噪声，使用Canny算法检测边缘，并使用Hough变换选择最突出的圆作为虹膜的外边界。

3.根据权利要求1所述的基于KNN分类模型的虹膜识别方法，其特征在于：S1中对虹膜图像进行图像预处理，包括：

对虹膜图像进行归一化处理和图像增强处理，其中图像增强处理包括使用局部直方图平衡图像，增强图像纹理。

4.根据权利要求3所述的基于KNN分类模型的虹膜识别方法，其特征在于：所述对虹膜图像进行归一化处理后得到64*512的图像，所述对虹膜图像进行图像增强处理后获得48*512的图像。

5.根据权利要求1所述的基于KNN分类模型的虹膜识别方法，其特征在于：S2中通过圆对称滤波器抽取预处理后虹膜图像的特征向量，包括：

使用基于Gabor滤波器的圆对称滤波器对预处理后虹膜图像进行卷积，从每个图像中抽取指定大小区域内的像素平均值和平均绝对偏差作为该虹膜图像的特征向量。

6.根据权利要求5所述的基于KNN分类模型的虹膜识别方法，其特征在于：所述使用基于Gabor滤波器的圆对称滤波器对预处理后虹膜图像进行卷积，从每个图像中抽取指定大小区域内的像素平均值和平均绝对偏差作为该虹膜图像的特征向量，包括：

使用11*19和11*29的圆对称滤波器对预处理后的48*512虹膜图像进行卷积，并获得两个48*512的图像，然后从每个图像中提取每个8*8个块的像素平均值和平均绝对偏差作为该指定大小区域的特征值；

每个图像获得384个特征值，每个特征值又包括两个值，即每个图像特征向量的长度为768，两个图像则获得长度为1536的特征向量，即每个虹膜图像提取得到的特征向量长度为1536。

7.根据权利要求5所述的基于KNN分类模型的虹膜识别方法，其特征在于：所述基于Gabor滤波器的圆对称滤波器定义如下：

其中，M(x,y,f)为调制函数，f为正弦函数的频率，δ_x、δ_y分别是沿x轴、y轴的高斯包络的空间常数。

8.根据权利要求1所述的基于KNN分类模型的虹膜识别方法，其特征在于：S3中对抽取的特征向量进行降维处理，包括：

利用PCA算法对抽取的特征向量进行降维处理，将1536维的特征向量减少至60-240维。

9.根据权利要求1所述的基于KNN分类模型的虹膜识别方法，其特征在于：S4中使用训练好的KNN分类器对待识别虹膜图像进行识别，包括：

利用余弦距离计算特征之间的相似度，并将待识别虹膜图像划分为与其最接近的虹膜类别。