快速Gabor滤波器在虹膜识别中的应用
将整个空间分为4个区,对落入相应区域的相角按图中示意进行2bit编码(格雷码),2bit 格雷码序列和其他2bit编码方式相比,更恰当地体现了相邻相位区域的差异和相同点。经过 上述编码处理后,虹膜纹理特征变为一串由0、1组成的序列,两个虹膜编码采用如(10)式汉 明距的方法来进行特征匹配:
本虹膜识别系统在CPU 为P4 1.8GH 内存2G 的PC机上进行了性能对比试验,编程语言为 VC++,采用的原始数据取自中科院自动化所(北京)提供的CASIA虹膜数据库(V1.0),图像像 素大小为320*280,通过对数据库中108*7幅图像在改进的算法和原有的算法基础上随机进行 1000次比较,为了节省储存空间和匹配时间,程序中只用一个尺度,一个方向的二维奇对称Gabor小波来提取虹膜纹理特征,并将每个像素点作为一个特征点,得到如下表一所示的每次Gabor滤波的计算平均时间(注:运算时间不包括虹膜图像的预处理、定位和归一化,仅包括 虹膜图像特征点的提取和比较)。
3 结论
本文采用了各向异性高斯滤波分离形式,计算出各项参数,将2-D奇对称Gabor滤波用两 个1-D高斯滤波递归实现,大大减少编码存储空间和计算量。与传统的Gabor滤波器相比,降低了时间代价和编码空间代价。因此,在虹膜识别系统中是一种十分可取的方法。此外,对 于Gabor滤波的快速实现方法参数σu 和σv 的选择还需进一步研究。最后,感谢中科院自动 化所提供的虹膜数据库。本文的创新点:把奇对称Gabor滤波器用两个一维的高斯滤波器用递 归方法快速实现,应用在虹膜识别特征点提取过程中,提高特征点提取效率,同时节省了存 储空间,从而提高了整个虹膜识别系统的性能。
评论