關(guān)于虹膜識(shí)別方法課程大作業(yè)

1、用戶(hù)較少配合情況下的虹膜識(shí)別方法研究用戶(hù)較少配合情況下的虹膜識(shí)別技術(shù)具有易于市場(chǎng)推廣、方便快捷等優(yōu)點(diǎn)，已成為虹膜識(shí)別技術(shù)的發(fā)展趨勢(shì)。由于眼瞼遮擋、運(yùn)動(dòng)模糊、高亮點(diǎn)等多種干擾和噪聲影響，非理想條件下采集的虹膜圖像中虹膜通常不是完整的，模糊或發(fā)生形變。這種情況下的虹膜識(shí)別具有很高的挑戰(zhàn)性。本文首先闡述了在CASIAIrisV4虹膜數(shù)據(jù)庫(kù)中的虹膜定位方法。該方法二值化虹膜圖像保留瞳孔高亮點(diǎn)信息，并通過(guò)橫縱向投影初步確定瞳孔位置。然后在限定范圍內(nèi)采用Canny邊緣檢測(cè)和圓Hough變換擬合虹膜內(nèi)外輪廓。用戶(hù)較少配合情況下虹膜識(shí)別技術(shù)研究背景虹膜表面高低不平，有許多皺紋、凹陷、條紋、斑點(diǎn)以及隱窩等細(xì)節(jié)特

2、征，包含豐富的紋理信息。正常情況下，虹膜紋理一旦形成，終生不變。人眼立體機(jī)構(gòu)中，虹膜位于角膜之后；水晶體之前。虹膜有天然的保護(hù)膜。虹膜紋理極少因意外傷害被破壞，亦不會(huì)磨損。人為改變虹膜紋理幾乎不可行，還有失明的危險(xiǎn)。此外，因光照不同瞳孔的大小發(fā)生變化是檢測(cè)虹膜活體組織的顯著特征。這些生理特點(diǎn)為虹膜成為身份認(rèn)證生物特征提供了生理學(xué)理論依據(jù)。但是，現(xiàn)有的虹膜識(shí)別系統(tǒng)要求用戶(hù)高度配合，即在特定光照條件下，虹膜采集儀與人眼的距離在固定范圍內(nèi)，并且用戶(hù)視線直視虹膜采集設(shè)備等條件下進(jìn)行虹膜采集。有的虹膜識(shí)別系統(tǒng)甚至在虹膜識(shí)別之前，需要教授用戶(hù)如何才能讓虹膜采集儀獲取適合的虹膜圖像，使得虹膜識(shí)虹膜圖像別系統(tǒng)

3、正常工作。這一過(guò)程不僅耗時(shí)而且枯燥，反復(fù)采集虹膜圖像使用戶(hù)感到厭煩，因此，用戶(hù)較少配合情況下的虹膜識(shí)別技術(shù)的呼聲越來(lái)越高。虹膜圖像預(yù)處理較少配合情況下，在降質(zhì)虹膜圖像中提取的虹膜特征的分類(lèi)表征能力不理想。虹膜識(shí)別中的預(yù)處理算法的性能準(zhǔn)確性尤為關(guān)鍵，直接影響虹膜匹配的準(zhǔn)確性。虹膜識(shí)別流程虹膜識(shí)別主要分三個(gè)階段：虹膜圖像采集、虹膜圖像預(yù)處理和虹膜特征提取與匹配。每個(gè)階段對(duì)最終的識(shí)別效果的影響都至關(guān)重要。首先，虹膜采集得到虹膜圖像。然后是預(yù)處理階段，包括在虹膜圖像中定位虹膜位置與內(nèi)外邊緣，檢測(cè)虹膜區(qū)域中被眼瞼、睫毛與高亮點(diǎn)遮擋的部分，歸一化虹膜圖像以及虹膜圖像增強(qiáng)。最后是虹膜圖像特征提取與匹配，在預(yù)

4、處理后的虹膜圖像上，提取能夠唯一表征該類(lèi)虹膜的特征，與虹膜數(shù)據(jù)庫(kù)模板匹配，得到最終匹配結(jié)果。虹膜識(shí)別第一個(gè)階段是圖像獲取。通過(guò)虹膜采集儀采集用戶(hù)的人眼或人臉圖像。虹膜圖像質(zhì)量直接關(guān)系到虹膜身份認(rèn)證的準(zhǔn)確性。虹膜采集儀主要由光源、光學(xué)攝像頭、圖像傳感器和圖像傳輸模塊四個(gè)主要部分組成。虹膜采集儀的性能直接影響虹膜圖像的質(zhì)量。虹膜圖像預(yù)處理包括人眼定位、虹膜內(nèi)外邊緣定位、眼瞼和睫毛檢測(cè)、虹膜圖像歸一化以及虹膜圖像增強(qiáng)。在虹膜定位之前，首先使用人眼檢測(cè)器大概確定人眼位置。然后在人眼子圖像內(nèi)，進(jìn)行虹膜內(nèi)外邊緣定位。虹膜內(nèi)外邊緣近似為圓形。因此，虹膜定位一般采用圓擬合虹膜的邊緣。CASIA-IrisV4虹

5、膜數(shù)據(jù)庫(kù)虹膜分割算法最原始的虹膜圖像數(shù)據(jù)因眼瞼、睫毛或高亮點(diǎn)等遮擋，無(wú)法直接用于身份認(rèn)證。在虹膜圖像特提前與之前，必須先對(duì)虹膜圖像進(jìn)行預(yù)處理，定位虹膜內(nèi)外邊緣以及檢測(cè)眼瞼遮擋等噪聲信息。用戶(hù)較少配合情況下，虹膜圖像中的包含較多的噪聲等干擾信息。采用適合虹膜圖像數(shù)據(jù)的預(yù)處理尤為重要。CASIAIris-Thousand虹膜圖像數(shù)據(jù)中虹膜內(nèi)側(cè)輪廓較為清晰。本節(jié)分割算法先確定虹膜內(nèi)側(cè)輪廓，再在估計(jì)虹膜外圓范圍內(nèi)確定虹膜外圓。由于虹膜采集過(guò)程中光照條件的影響，每一幅圖像中瞳孔附近都有兩個(gè)高亮點(diǎn)。根據(jù)這兩個(gè)高亮點(diǎn)位置信息，可以粗略定位瞳孔位置，然后采用Canny邊緣檢測(cè)和圓Hough變換在約束范圍內(nèi)確定

6、虹膜內(nèi)側(cè)輪廓。由虹膜內(nèi)圓信息估計(jì)虹膜外側(cè)輪廓圓心位置與半徑的大概范圍。在這個(gè)范圍內(nèi)，再一次采用Hough變換算法計(jì)算虹膜外圓信息。1)虹膜內(nèi)側(cè)輪廓初定位首先根據(jù)閾值占二值化虹膜圖像，保留高亮點(diǎn)信息。閾值根據(jù)虹膜圖像的灰度直方圖確定。根據(jù)虹膜圖像高亮點(diǎn)對(duì)應(yīng)直方圖右側(cè)峰值的位置，確定閾值=220。經(jīng)實(shí)驗(yàn)驗(yàn)證=220可以提取絕大多數(shù)虹膜圖像中的高亮點(diǎn)信息。計(jì)算二值圖像的縱向投影，查找瞳孔附近兩個(gè)高亮點(diǎn)位置對(duì)應(yīng)的峰值。峰值中心位置橫向坐標(biāo)分別是和，它們的水平距離。虹膜內(nèi)圓中心的橫向坐標(biāo)估計(jì)值。虹膜內(nèi)圓半徑r為d。為消除虹膜圖像中其他高亮點(diǎn)的干擾，在確定虹膜內(nèi)圓中心和半徑后，截取以x為中心，寬為2d的矩

7、形子圖像。計(jì)算二值子圖像的橫向投影。然后根據(jù)橫向投影曲線查找峰值，峰值的中心縱向坐標(biāo)y。虹膜內(nèi)圓初定位的結(jié)果為圓心是(x，y-d/3)，半徑是d的圓。2)虹膜輪廓圓Hough變換擬合經(jīng)初步估計(jì)，虹膜內(nèi)圓中心位置為(x，y-d/3)，半徑為r。首先截取虹膜圖像中以(x，y-d/3)為中心，邊長(zhǎng)為2r的正方形虹膜子圖像。在子圖像中進(jìn)行Canny邊緣檢測(cè)，并進(jìn)行邊緣點(diǎn)連接得到邊緣點(diǎn)二值圖像。然后在圓心范圍為，半徑范圍是(0.5d，1.5d)的區(qū)域中，采用圓Hough變換算法擬合虹膜內(nèi)圓，得到虹膜內(nèi)圓為圓心，半徑為。同理，根據(jù)虹膜內(nèi)圓圓心半徑信息可以粗略估計(jì)剛好包含虹膜外圓正方形子圖像的位置與大小。在

8、虹膜圖像中，中心為，邊長(zhǎng)為6，的正方形子圖像中進(jìn)行Canny邊緣檢測(cè)和Hough變換。由于虹膜內(nèi)外圓圓心較為接近，虹膜外圓的約束條件為圓心范圍是，半徑范圍是。虹膜識(shí)別國(guó)際測(cè)評(píng)NICE.II(Noisy Iris Challenge Evaluation)提供的數(shù)據(jù)是UBIRIS.v2虹膜數(shù)據(jù)庫(kù)中的1000幅虹膜圖像。掩膜圖像中黑色部分標(biāo)識(shí)有效的虹膜區(qū)域。在虹膜特征提取之前，只需定位虹膜位置。UBIRIS.v2虹膜數(shù)據(jù)庫(kù)中虹膜圖像是在用戶(hù)較少配合情況下采集的。虹膜圖像中虹膜外側(cè)邊緣通常不是正圓。本文虹膜分割算法采用橢圓擬合UBIRIS.v2虹膜數(shù)據(jù)庫(kù)中的虹膜外側(cè)輪廓。掩膜圖像中有很多眼瞼、高亮點(diǎn)

9、等部分遮擋，這些遮擋部分的邊緣不是虹膜的真實(shí)的邊緣。由于這些信息的干擾，直接采用橢圓擬合虹膜邊緣的算法效果不理想。本文采用的RANSAC橢圓擬合虹膜外側(cè)輪廓算法具有較好魯棒性。在數(shù)據(jù)集合包含許多不準(zhǔn)確或錯(cuò)誤的干擾信息的情況下，RANSAC算法依然能夠從觀察數(shù)據(jù)中估計(jì)較為準(zhǔn)確的數(shù)學(xué)模型參數(shù)。算法每一次迭代都會(huì)得到一個(gè)橢圓，最終在橢圓集合中選擇一個(gè)最優(yōu)的橢圓擬合虹膜外側(cè)輪廓。虹膜圖像增強(qiáng)方法虹膜圖像中，虹膜整體呈灰色或棕色，紋理不夠清晰。若直接在虹膜圖像中迸行紋理分析，光照變化會(huì)影響特征提取與匹配的效果。為提高虹膜識(shí)別算法的準(zhǔn)確性，本節(jié)采用分塊直方圖均衡算法進(jìn)行圖像增強(qiáng)，同時(shí)利用低通高斯濾波器去除

10、高頻噪聲影響。虹膜圖像增強(qiáng)算法首先估計(jì)展開(kāi)虹膜圖像的光照背景：將展開(kāi)虹膜圖像分為大小為的子圖像，計(jì)算每個(gè)子圖像的灰度平均值。根據(jù)子圖像的灰度平均值，采用雙線性差值計(jì)算整幅虹膜圖像的光照背景，將差值圖像分為大小是的子圖像，對(duì)每個(gè)子圖像進(jìn)行直方圖均衡化圖像增強(qiáng)運(yùn)算。最后采用高斯低通濾波器對(duì)增強(qiáng)后的虹膜圖像濾波，消除分塊直方圖均衡化運(yùn)算在虹膜圖像中的分塊效應(yīng)?；诜聪蚝铣蓤D像配準(zhǔn)的虹膜識(shí)別虹膜識(shí)別技術(shù)中，虹膜發(fā)生旋轉(zhuǎn)或形變是影響識(shí)別效果的主要因素之一。最為原始的糾正虹膜形變方法是通過(guò)旋轉(zhuǎn)虹膜特征編碼，將相似性最好的匹配值作為虹膜匹配對(duì)的最終匹配值。本章提出的是局部虹膜圖像配準(zhǔn)算法，即首先將虹膜圖像劃

11、分為互不重疊的子圖像，然后采用圖像配準(zhǔn)算法配準(zhǔn)虹膜子圖像。圖像配準(zhǔn)方法1)前向疊加圖像配準(zhǔn)原理Lucas-Kanade圖像配準(zhǔn)方法是一種前向疊加圖像配準(zhǔn)算法。該算法是將目標(biāo)圖像，I(x)與模板圖像T(x)匹配。令配準(zhǔn)圖像后的I(x)與模板圖像的誤差最小。算法使用圖像差值的平方和衡量?jī)煞鶊D像的誤差。圖像配準(zhǔn)的目標(biāo)函數(shù)為：。其中為圖像像素坐標(biāo)向量。是坐標(biāo)x在變換參數(shù)p上計(jì)算得到的坐標(biāo)變換矩陣。目標(biāo)圖像I(x)通過(guò)變換矩陣得到與模板圖像配準(zhǔn)的圖像。前向疊加圖像配準(zhǔn)算法如下：1）計(jì)算目標(biāo)圖像I在的配準(zhǔn)圖像2）計(jì)算誤差圖像3）計(jì)算配準(zhǔn)圖像，的梯度圖像4）計(jì)算變換矩陣對(duì)應(yīng)的雅克比矩陣5）計(jì)算最速下降梯度圖

12、像6）根據(jù)計(jì)算Hessian矩陣7）計(jì)算8）根據(jù)計(jì)算9）更新變換參數(shù)2)反向疊加圖像配準(zhǔn)原理1999年，Dellaert和Collins提出反向合成IC(Inverse c01nposite)圖像配準(zhǔn)算法。該算法中模板圖像與目標(biāo)圖像的角色互換，與前向疊加圖像配準(zhǔn)算法相比，算法迭代計(jì)算步驟較少。反向疊加圖像配準(zhǔn)算法如下：3）計(jì)算模板圖像的梯度圖像4）在坐標(biāo)矩陣計(jì)算雅克比矩陣5）計(jì)算最速下降圖像6）根據(jù)計(jì)算Hessian矩陣迭代：1）計(jì)算目標(biāo)圖像I的配準(zhǔn)圖像2）計(jì)算誤差圖像3）計(jì)算4）根據(jù)計(jì)算5）更新變換參數(shù)基于反向圖像配準(zhǔn)的虹膜識(shí)別算法虹膜圖像中發(fā)生形變的因素較為復(fù)雜。人眼是球狀三維結(jié)構(gòu)，在人眼

13、旋轉(zhuǎn)、平移過(guò)程中，二維圖像中的虹膜也可能會(huì)發(fā)生彈性形變。這些形變可能是整體的也可能是局部的。基于反向合成圖像配準(zhǔn)的虹膜識(shí)別算法首先將待匹配模板虹膜圖像劃分為互不重疊的子圖像。然后，計(jì)算每個(gè)子圖像與其匹配的目標(biāo)子圖像。提取配準(zhǔn)圖像對(duì)應(yīng)位置的特征向量，計(jì)算虹膜匹配對(duì)之間的相似性。本節(jié)以基于Gabor濾波虹膜特征的圖像匹配算法為例。為虹膜圖像Gabor濾波結(jié)果的01編碼，定義如下：其中k是虹膜特征的維數(shù)，即濾波器編號(hào)。分別是目標(biāo)虹膜特征圖像和模板虹膜特征圖像。基于反向合成圖像匹配的虹膜識(shí)別算法過(guò)程為，計(jì)算兩幅虹膜圖像的Gabor濾波特征圖像、。將劃分互不重疊的子圖像，M是子圖像的個(gè)數(shù)。虹膜圖像配準(zhǔn)過(guò)

14、程：1計(jì)算特征圖像的梯度。2計(jì)算每個(gè)子圖像的Hession矩陣。3FOR i=1，2，MWHILE 且迭代次數(shù)不超過(guò)N利用反向合成圖像配準(zhǔn)算法，計(jì)算中與子圖像配準(zhǔn)的子圖像。END WHILE計(jì)算對(duì)應(yīng)配準(zhǔn)子圖像的掩膜圖像。END FOR4分別提取子圖像和對(duì)應(yīng)位置的特征向量和。二、虹膜圖像匹配過(guò)程：1排列特征向量口和C，l，i=1，2，M，得到虹膜特征編碼co和C1。2根據(jù)公式計(jì)算虹膜編碼的Hamming距離。浮動(dòng)搜索Gabor濾波器虹膜識(shí)別方法Gabor小波是一種非常有效的紋理檢測(cè)算子，傳統(tǒng)的基于Gabor濾波器的虹膜識(shí)別算法均在預(yù)先設(shè)定尺度和方向范圍內(nèi)設(shè)計(jì)一組Gabor濾波器。為盡可能提取所有

15、虹膜圖像紋理信息，通常濾波器集合的有效頻域會(huì)覆蓋整個(gè)頻域范圍。實(shí)驗(yàn)結(jié)果顯示一些干擾信息會(huì)降低虹膜識(shí)別方法的性能，并非利用全部虹膜紋理信息就能得到最好的識(shí)別效果。尺度方向不同的Gabor濾波器對(duì)應(yīng)不同的有效頻率區(qū)域，對(duì)不同的圖像紋理信息敏感。使用不同Gabor濾波器集合進(jìn)行虹膜識(shí)別，得到的識(shí)別效果差距很大。本文提出采用浮動(dòng)搜索方法選擇Gabor濾波器，得到一組可分性最好的一組濾波器集合?；贕abor濾波器的虹膜識(shí)別設(shè)二維小波濾波器母函數(shù)為，通過(guò)自相似參數(shù)，獲得一組小波子函數(shù)：Gabor濾波器是高斯函數(shù)與正弦函數(shù)的復(fù)合。二維Gabor波母函數(shù)形式如下：下式對(duì)虹膜圖像進(jìn)行Gabor濾波：Gabor

16、濾波器的形式為復(fù)函數(shù)，虹膜圖像Gabor濾波結(jié)果也是復(fù)數(shù)。在編碼過(guò)程中，根據(jù)虹膜圖像濾波結(jié)果實(shí)部和虛部與零的關(guān)系分別編碼。因此，還要保證Gabor濾波器的零均值性。計(jì)算虹膜圖像0-1特征編碼的Hamming距離，作為虹膜匹配對(duì)的匹配值： 其中，與分別為兩幅虹膜圖像的0-1特征編碼，與為虹膜圖像對(duì)應(yīng)的掩膜圖像0-1編碼，0表示虹膜特征無(wú)效，1表示虹膜特征有效。Daugman虹膜識(shí)別算法中，一副虹膜圖像共有2048位01編碼，即K=2048。Gabor濾波器學(xué)習(xí)算法Gabor濾波器學(xué)習(xí)過(guò)程是在候選Gabor濾波器集合中，選出一個(gè)虹膜類(lèi)內(nèi)類(lèi)間可分性最好的濾波器子集。濾波器選擇的過(guò)程可以看成是特征選擇

17、的過(guò)程。特征選擇有兩種基本搜索策略：最優(yōu)搜索和次優(yōu)搜索?；镜乃阉鞣椒ǚ譃閮煞N：一種是自下而上搜索方法：從空集開(kāi)始，逐漸遞增地選擇特征；另一種是自上而下搜索方法：從整個(gè)候選特征集合開(kāi)始，刪除多余的特征。前向?yàn)V波器選擇方法：前向?yàn)V波器選擇方法是一種自下而上的搜索方法。算法每次迭代在候選濾波器集合中選擇一個(gè)濾波器，直到已選濾波器集合中濾波器個(gè)數(shù)到達(dá)上限。要求新增濾波器與已選濾波器集合的組合的可分性最好，即DI的值最大。設(shè)已選濾波器集合為G，候選濾波器集合為G，未選濾波器集合，己選濾波器集合G中濾波器個(gè)數(shù)為k，DI(G)為濾波器集合G的可分離性度量，前向?yàn)V波器選擇過(guò)程如下：第一步初始化過(guò)程：G=，=

18、G，k=0，DI(G)=0第二步迭代過(guò)程：1)從未選濾波器集合中，選擇一個(gè)濾波器，與當(dāng)前已選濾波器集合G組合的可分性最好，即2)將添加到已選濾波器集合G中：3)如果k=n迭代結(jié)束，否則跳轉(zhuǎn)到第二步。后向?yàn)V波器選擇方法：后向?yàn)V波器選擇方法是一種自上而下的搜索方法。后向?yàn)V波器選擇方法是與前向?yàn)V波器選擇方法的逆向過(guò)程。算法每次迭代在已選濾波器集合中刪除一個(gè)濾波器，直到刪除所有多余的濾波器。已選濾波器集合刪除一個(gè)濾波器后的可分性是最好的。后向?yàn)V波器選擇過(guò)程如下：第一步初始化過(guò)程：G= G，=，k=m，DI(G)= DI(G)第二步迭代過(guò)程：1)從己選濾波器集合G中，刪除一個(gè)濾波器，使其余濾波器的組合的

19、可分性最好，即2)將從已選濾波器集合G中刪除：3)如果k=n迭代結(jié)束，否則跳轉(zhuǎn)到第二步。浮動(dòng)搜索濾波器的虹膜識(shí)別算法前向?yàn)V波器選擇方法和后向?yàn)V波器選擇方法都存在嵌套效應(yīng)。前向?yàn)V波器選擇方法中如果增加了一個(gè)濾波器，就不會(huì)再將其刪除。同樣，后向?yàn)V波器選擇方法刪除一個(gè)濾波器之后，不會(huì)再考慮在后續(xù)迭代過(guò)程中將其添加至已選濾波器中。為消除嵌套效應(yīng)的影響，浮動(dòng)搜索濾波器方法結(jié)合前向與后向?yàn)V波器選擇方法。浮動(dòng)搜索濾波器方法提出重新考慮迭代步驟中添加刪除的濾波器，并可以重新刪除或添加的濾波器。設(shè)已選濾波器集合為G，候選濾波器集合為G，未選濾波器集合召，已選濾波器集合G中濾波器個(gè)數(shù)為k，當(dāng)前估計(jì)濾波器集合。浮動(dòng)

20、搜索濾波器過(guò)程如下：第一步初始化過(guò)程。第二步前向搜索過(guò)程。第三步檢驗(yàn)過(guò)程：1)在已選濾波器集合中檢測(cè)，找到濾波器g，使濾波器集合的可分性最好。2)若r=k+1，將添加到已選濾波器集合G中：k=k+1。跳轉(zhuǎn)到第一步。3)若rk+1，且DI()<DI()，說(shuō)明刪除不能提高濾波器集合的可分離性。將添加到已選濾波器集合G中：，k=k+1。無(wú)需再進(jìn)行后向搜索，跳轉(zhuǎn)至第一步。4)若k2，將從已選濾波器集合G中刪除：，跳轉(zhuǎn)至第一步。第四步后向搜索過(guò)程1)將從已選濾波器集合G中刪除：。2)在濾波器集合中，找到濾波器：。3)若DI()<DI()，令G=，不需要再進(jìn)行后向搜索，跳轉(zhuǎn)到第一步。4)將從已

21、選濾波器集合G中刪除：，k=k-1。5)若k2，令，跳轉(zhuǎn)到第一步，進(jìn)行前向搜索。6)跳轉(zhuǎn)至第三步，進(jìn)行后向搜索迭代過(guò)程。當(dāng)k=n時(shí)，浮動(dòng)搜索算法終止迭代。已選濾波器集合中濾波器個(gè)數(shù)n為32。浮動(dòng)搜索算法是次優(yōu)搜索技術(shù)。算法搜索結(jié)果可能不是可分離性最好的濾波器集合，只是近似解。加權(quán)相位共生直方圖虹膜識(shí)別算法圖像梯度相位包含豐富的圖像紋理信息。加權(quán)相位共生直方圖(Weighted Co-occurrence Phase Histogram)的虹膜識(shí)別方法利用虹膜圖像的梯度信息進(jìn)行虹膜識(shí)別，其特征描述原理與SIFT(Scale Invariant Feature Transform)和梯度方向直方I

22、N(Histogram of Oriented Gradient，HOG)特征描述方法相似。但是與SIFT虹膜識(shí)別方法相比，WCPH虹膜識(shí)別算法不包括關(guān)鍵點(diǎn)檢測(cè)，計(jì)算更加簡(jiǎn)單識(shí)別效果相似。與HOG的不同之處在于WCPH特征描述方法采用共生直方圖統(tǒng)計(jì)梯度相位信息，并利用加權(quán)的方法提高算法的魯棒性。加權(quán)相位共生直方圖特征提取方法是一種提取虹膜圖像局部特征的虹膜特征提取方法。本章虹膜識(shí)別方法根據(jù)空間位置排列局部WCPH特征向量，引入空間信息。按局部虹膜特征向量中包含WCPH特征向量數(shù)量的不同，算法分為單極子、二極子和三極子加權(quán)相位共生直方圖虹膜識(shí)別算法。虹膜的加權(quán)相位共生直方圖模型設(shè)R是灰度圖像，中

23、像素點(diǎn)I(z)的集合，z為圖像二維坐標(biāo)向量z=(x，y)。加權(quán)相位共生直方圖特征提取方法首先采用Sobel邊緣檢測(cè)算子計(jì)算圖像的梯度。設(shè)梯度幅值與相位分別是和，如下式計(jì)算相位共生直方圖：的定義域?yàn)椋骄譃閙個(gè)區(qū)間。u、v是相位區(qū)間的編號(hào)，u，V=1，m。是沖激函數(shù)。如果屬于區(qū)間u，則=1；否則=0。表示兩個(gè)像素點(diǎn)的歐式距離。是與歐式距離為d的像素點(diǎn)對(duì)的個(gè)數(shù)。相位共生直方圖是點(diǎn)Z與的梯度相位的聯(lián)合概率密度函數(shù)?；诩訖?quán)相位共生直方圖的虹膜識(shí)別方法本章提出的加權(quán)相位共生直方圖虹膜識(shí)別方法中排序WCPH特征向量的方式源于排序測(cè)度思想。排序測(cè)度源于一個(gè)簡(jiǎn)單直觀的概念。人們可能很難分清某兩個(gè)人，但是可以很容易的排序兩個(gè)人的身高或者體重。例如兩個(gè)中