[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

摘要

本发明是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：对真实虹膜图像或伪造虹膜图像进行预处理；提取鲁棒的加权局部二元模式的分块统计特征；支持向量机的训练和分类，根据分类器输出结果判断测试图像是否是伪造虹膜图像。本发明方法将SIFT描述子与局部二元模式特征相结合提取鲁棒纹理特征，SIFT对亮度、平移、旋转、尺度变化的鲁棒性使纹理的描述更稳定，支持向量机使该方法有较好的泛化性。本发明能够有效地判别伪造虹膜图像，具有高精度、高鲁棒性和高可靠性的优点，可用于判别纸质打印虹膜、彩色印花隐形眼镜、人造眼球等伪造虹膜，应用在使用虹膜识别进行身份识别的应用系统中可提高系统自身的安全性。

主权项

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。