[发明专利]一种基于KNN分类模型的虹膜识别方法

说明书

本发明涉及虹膜识别，具体涉及一种基于KNN分类模型的虹膜识别方法，确定虹膜位置，并对虹膜图像进行图像预处理；通过圆对称滤波器抽取预处理后虹膜图像的特征向量；对抽取的特征向量进行降维处理；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；本发明提供的技术方案能够有效克服现有技术所存在的难以保证识别精度、识别效率较低的缺陷。

技术领域

本发明涉及虹膜识别，具体涉及一种基于KNN分类模型的虹膜识别方法。

背景技术

当前，生物识别技术越来越方便了人们的日常生活，人体许多生物特征，如脸、指纹、掌纹、虹膜等，其几何形状在人的一生中变化很小，从而能够应用于身份的识别和验证。其中，虹膜属于较为稳定的生物特征，因此虹膜识别成为生物识别技术研究的一个热门方向。

虹膜识别包括虹膜定位、虹膜特征表达和特征识别。现有技术中，在提取虹膜特征后，计算待查询虹膜图片与数据库图片之间的汉明距离，将虹膜划分至距离最近的人。上述方法难以保证不同条件下获得的待识别虹膜图像的识别精度，并且当数据库中存储有大量图片时，识别速度将会变得非常慢。

发明内容

(一)解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于KNN分类模型的虹膜识别方法，能够有效克服现有技术所存在的难以保证识别精度、识别效率较低的缺陷。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于KNN分类模型的虹膜识别方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；