本發(fā)明屬于生物特征識別領(lǐng)域，主要涉及虹膜識別，具體是一種基于ELM的多粒度虹膜識別方法。廣泛應(yīng)用于電子商務(wù)、門禁和考勤等眾多技術(shù)領(lǐng)域。

背景技術(shù)：

目前的生物識別主要包括：指紋、臉型、聲紋等，虹膜識別是目前公認(rèn)的穩(wěn)定性最好、非侵犯性最強(qiáng)的生物識別技術(shù)，已廣泛應(yīng)用于電子商務(wù)、門禁和考勤等眾多領(lǐng)域。在過去的幾十年里，虹膜識別技術(shù)在理論和應(yīng)用上均取得了重大突破。在虹膜的特征提取方面，Daugman提出了使用Gabor濾波器對虹膜圖像進(jìn)行濾波，按相位響應(yīng)進(jìn)行編碼；Boles提出了使用小波過零點檢測和相關(guān)性分析方法對虹膜圖像進(jìn)行特征提取；Wildes提出了使用低通濾波器對虹膜圖像進(jìn)行特征提取。這些方法是現(xiàn)有的虹膜特征識別算法中的主流算法，所提取的特征具有較好的識別特性，但仍存在一些不足，如使用單一Gabor濾波器容易丟棄有效虹膜信息，而Boles的虹膜系統(tǒng)只使用了信息量很少的虹膜邊緣紋理信息。

近年來，神經(jīng)網(wǎng)絡(luò)由于其魯棒性強(qiáng)以及強(qiáng)大的自學(xué)習(xí)能力被廣泛地應(yīng)用于各種領(lǐng)域。在虹膜的識別算法方面，曹國輝、劉霏等人將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于虹膜識別和分類；Byungjun、周治平等人提出了將支持向量機(jī)(SVM)應(yīng)用于虹膜識別。這些方法在一定程度上都提高了虹膜的正確識別率，但仍存在些不足，如BP神經(jīng)網(wǎng)絡(luò)的識別時間較長，而SVM主要針對的是兩分類問題，對于多分類情況，要結(jié)合決策樹來解決，增加了識別算法的計算復(fù)雜度和識別時間。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中存在的不足，提出一種基于ELM的多粒度虹膜識別方法，以快速有效地實現(xiàn)虹膜的正確識別。

本發(fā)明是一種基于ELM的多粒度虹膜識別方法，其特征在于，包括如下步驟：

(1)圖像獲取，對采集到的虹膜圖像進(jìn)行類別標(biāo)記，標(biāo)記方法是：不同人的虹膜圖像標(biāo)記的類別號不同，同一人的不同虹膜圖像的類標(biāo)號相同，將標(biāo)記好類別號的圖像集作為輸入；

(2)對輸入的虹膜圖像進(jìn)行預(yù)處理，為了避免眼瞼、睫毛、鞏膜等非虹膜以外的信息對虹膜的特征提取和識別過程產(chǎn)生不利影響，首先對采集到的虹膜圖像進(jìn)行預(yù)處理，預(yù)處理過程包括：虹膜定位、分割以及歸一化，將虹膜的有效區(qū)域歸一化到一個512*64的極坐標(biāo)上；

(3)對歸一化后的虹膜有效區(qū)域進(jìn)行灰度共生矩陣特征提取，采用灰度共生矩陣對預(yù)處理后的虹膜圖像進(jìn)行特征提取，首先計算角二階矩(UNI)、熵(ENT)、對比度(CON)及相關(guān)性(COR)四個紋理參數(shù)，然后分別對上述四個紋理參數(shù)進(jìn)行均值運算，得到對應(yīng)虹膜圖像的一個4*1的灰度共生矩陣特征向量；

(4)對歸一化后的虹膜有效區(qū)域進(jìn)行2D-Gabor濾波，采用2D-Gabor濾波器組對預(yù)處理后的虹膜圖像進(jìn)行特征提取，具體實現(xiàn)步驟如下：

(4.1)根據(jù)虛部濾波器的奇對偶性，選取4個方向，5個頻率，組成20個濾波器，構(gòu)建濾波器組；

(4.2)對歸一化后的虹膜圖像進(jìn)行分塊，每幅分成2*16(32)個圖像塊；

(4.3)將步驟(4.1)中構(gòu)建的濾波器組與步驟(4.2)中分塊后的每個圖像塊在空域進(jìn)行卷積運算，每個圖像塊會得到20個濾波器輸出；

(4.4)每個圖像塊經(jīng)過濾波器組濾波得到的是20個與圖像塊大小相同的輸出，對這20個輸出分別進(jìn)行均值運算，也就是對其進(jìn)行“濃縮”得到一個20*1的特征向量作為該圖像塊的特征向量；

(4.5)將屬于同一幅虹膜圖像的32個圖像塊的特征向量進(jìn)行合并，作為該幅歸一化后的虹膜圖像的2D-Gabor濾波特征向量，即用2D-Gabor濾波器組提取到的特征向量；

(4.6)對所有的輸入圖像依次執(zhí)行步驟(4.2)到步驟(4.5)的處理，得到每一幅歸一化后虹膜圖像的2D-Gabor濾波特征向量。

(5)多粒度特征向量的構(gòu)建，用灰度共生矩陣和2D-Gabor濾波器組提取到的特征向量構(gòu)建實驗樣本文件，具體步驟包括：

(5.1)將每幅虹膜圖像用灰度共生矩陣法提取到的的特征向量與用2D-Gabor濾波器組編碼得到的特征向量進(jìn)行結(jié)合，組成多特征向量，其中灰度共生矩陣提取得到的特征向量在前，2D-Gabor濾波器組提取到的特征向量在后；

(5.2)將每幅虹膜圖像的類別號與該幅虹膜圖像的多特征向量進(jìn)行匹配結(jié)合，組成該幅虹膜圖像的多粒度特征向量，將所有采集到的虹膜圖像的多粒度特征向量按類別號順序排列共同生成實驗樣本文件，作為極限學(xué)習(xí)機(jī)(ELM)分類識別模型的輸入文件；

(6)利用極限學(xué)習(xí)機(jī)(ELM)對實驗樣本文件中的每個類別的30％實驗樣本集進(jìn)行訓(xùn)練學(xué)習(xí)，得到分類識別模型；

(7)根據(jù)訓(xùn)練學(xué)習(xí)得到的分類識別模型對剩下的70％實驗樣本進(jìn)行類別測試，得到虹膜圖像類別號，將虹膜圖像類別號返還給用戶；

(8)用戶將實驗得到的圖像類別號與圖像實際的類別號進(jìn)行對比，得到虹膜識別精度。

本發(fā)明的基于ELM的多粒度虹膜識別方法，由于本發(fā)明采用了多粒度特征向量，使得特征向量具有更好的識別特性，另外，由于本發(fā)明使用ELM對特征向量進(jìn)行分類識別，有效提高了識別速度，所以本發(fā)明適用于識別精度高和實時性要求高等信息安全場合。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點：

①由于本發(fā)明采用了2D-Gabor濾波器組對虹膜圖像進(jìn)行多通道濾波，其中濾波器組是由20個不同方向和不同頻率的濾波器組成的，所以能保留虹膜圖像在多個頻段上的紋理信息，使所提取的虹膜特征更全面，避免了采用單一濾波器提取的特征時的片面性缺陷；

②由于本發(fā)明采用灰度共生矩陣和2D-Gabor濾波器組相結(jié)合構(gòu)建多粒度虹膜特征向量，使所提取的虹膜特征既包括虹膜圖像的高頻信息又包括了中低頻信息，所以避免了單一特征提取方法容易造成有效信息流失等缺陷；

③由于本發(fā)明采用極限學(xué)習(xí)機(jī)ELM對提取到的多粒度特征向量進(jìn)行分類識別，而現(xiàn)有虹膜識別方法中沒有人應(yīng)用該方法，因而較于其它虹膜識別方法具有識別率更高、識別速度更快等優(yōu)點，滿足虹膜識別的高識別度和實時性要求。

附圖說明

圖1為本發(fā)明的流程框圖；

圖2為本發(fā)明進(jìn)行虹膜圖像預(yù)處理時的各個過程的處理結(jié)果圖，其中圖2(a)是采集到的虹膜圖像，圖2(b)是定位后的虹膜圖像，圖2(c)是虹膜圖像的有效區(qū)域，圖2(d)是歸一化的采樣圓周圖，圖2(e)是對虹膜有效區(qū)域進(jìn)行歸一化后的虹膜圖像；

圖3為本發(fā)明在不同頻率，不同方向的濾波器對同一圖像進(jìn)行濾波的濾波效果圖，其中圖3(a)是f＝1/4,θ＝0°時構(gòu)成的濾波器的濾波效果圖，圖3(b)是f＝1/4,θ＝45°構(gòu)成的濾波器的濾波效果圖，圖3(c)是f＝1/4,θ＝90°構(gòu)成的濾波器的濾波效果圖，圖3(d)是f＝1/4,θ＝135°構(gòu)成的濾波器的濾波效果圖，圖3(e)是f＝1/12,θ＝0°構(gòu)成的濾波器的濾波效果圖，圖3(f)是f＝1/12,θ＝45°構(gòu)成的濾波器的濾波效果圖，圖3(g)是f＝1/12,θ＝90°構(gòu)成的濾波器的濾波效果圖，圖3(h)是f＝1/12,θ＝135°構(gòu)成的濾波器的濾波效果圖；

圖4為本發(fā)明中ELM的網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖5為本發(fā)明在CASIA Ver1.0虹膜庫中，隨著類別數(shù)的增加不同方法的識別精度變化圖；

圖6為本發(fā)明在CASIA Ver4.0虹膜庫中，隨著類別數(shù)的增加不同方法的識別精度變化圖。

具體實施方式

以下參照附圖對本發(fā)明詳細(xì)描述。

實施例1：

近幾年來，由于虹膜具有很好的穩(wěn)定性和很強(qiáng)的非侵犯性，所以相較于指紋、面部識別等，其具有了更多的應(yīng)用領(lǐng)域，受到越來越多的關(guān)注。所以被越來越廣泛地應(yīng)用到電子商務(wù)、門禁和考勤等眾多領(lǐng)域。虹膜識別技術(shù)的發(fā)展現(xiàn)狀如下：

在虹膜的特征提取方面，Gabor濾波法、小波過零點檢測法、相關(guān)性分析法以及低通濾波法所提取的虹膜特征具有較好的識別特性，但使用單一Gabor濾波器容易丟棄有效虹膜信息，而小波過零點檢測和相關(guān)性分析方法只使用了信息量很少的虹膜邊緣紋理信息。

在虹膜的識別算法方面，應(yīng)用在虹膜識別鄰域的神經(jīng)網(wǎng)絡(luò)主要有：BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)。這些方法都在一定程度上提高了虹膜的正確識別率，但BP神經(jīng)網(wǎng)絡(luò)的識別時間較長，而對于多分類情況，SVM的計算復(fù)雜度較高而且識別時間較長。

針對上述現(xiàn)狀，本發(fā)明在借鑒已有虹膜識別方法的基礎(chǔ)上開展了創(chuàng)新與研究，提出了一種基于ELM的多粒度虹膜識別方法，參見圖1，具體步驟包括如下：

(1)圖像獲取，對采集到的虹膜圖像進(jìn)行類別標(biāo)記，標(biāo)記方法是：不同人的虹膜圖像標(biāo)記的類別號不同，同一人的不同虹膜圖像的類標(biāo)號相同，將標(biāo)記好類別號的圖像集作為輸入。

(2)對輸入的虹膜圖像進(jìn)行預(yù)處理，為了避免眼瞼、睫毛、鞏膜等非虹膜以外的信息對特征提取和虹膜識別過程產(chǎn)生不利影響，首先對采集到的虹膜圖像進(jìn)行預(yù)處理，預(yù)處理過程包括：虹膜定位、分割以及歸一化，將虹膜的有效區(qū)域歸一化到一個極坐標(biāo)上，本例中歸一化后的圖像大小是512*64，因為本發(fā)明仿真中用的是數(shù)據(jù)庫CASIS-Iris Ver1.0和數(shù)據(jù)庫CASIS-Iris Ver4.0中的虹膜圖像，這兩個數(shù)據(jù)庫中的虹膜圖像歸一化到512*64大小的極坐標(biāo)中比歸一化到其他大小的極坐標(biāo)中效果更好，更有利于后面的特征提取和識別過程，實際操作中，可根據(jù)實際采集到的虹膜情況，選取適合大小的極坐標(biāo)。參見圖2，其中圖2(a)是采集到的虹膜圖像，不難看出，該圖中包含著眼瞼、睫毛、鞏膜等大量非虹膜信息，為了屏蔽這些非虹膜信息，對該圖像進(jìn)行了虹膜定位和有效區(qū)域檢測操作；其中圖2(b)是定位后的虹膜圖像，具體就是將圖像中的虹膜部分用環(huán)形區(qū)域定位出來；但該圖中還存在眼瞼及睫毛等非虹膜信息，所以用有效區(qū)域檢測方法對其進(jìn)行了區(qū)域檢測，得到圖2(c)，具體就是將環(huán)形區(qū)域中的非虹膜信息屏蔽掉，即完成分割；為了將圖2(c)中的有效區(qū)域歸一化到極坐標(biāo)中，需要對其進(jìn)行采樣圓周掃描，掃描結(jié)果如圖2(d)所示；對采樣圓周進(jìn)行極坐標(biāo)轉(zhuǎn)換就得到了如圖2(e)所示的歸一化后的虹膜圖像。

(3)對歸一化后的虹膜有效區(qū)域進(jìn)行灰度共生矩陣特征提取，采用灰度共生矩陣對預(yù)處理后的虹膜圖像進(jìn)行特征提取，首先計算角二階矩(UNI)、熵(ENT)、對比度(CON)及相關(guān)性(COR)四個紋理參數(shù)，然后分別對上述四個紋理參數(shù)進(jìn)行均值運算，得到對應(yīng)虹膜圖像的一個灰度共生矩陣特征向量，由于本發(fā)明中采用的只是灰度共生矩陣的四個紋理參數(shù)，所以得到的是一個4*1的特征向量。

(4)對歸一化后的虹膜圖像，歸一化后的圖像是虹膜圖像的有效區(qū)域，進(jìn)行2D-Gabor濾波，采用2D-Gabor濾波器組對預(yù)處理后的虹膜圖像進(jìn)行特征提取，具體實現(xiàn)步驟如下：

(4.1)根據(jù)虛部濾波器的奇對偶性，選取4個方向，5個頻率，組成20個濾波器，構(gòu)建濾波器組；

(4.2)對歸一化后的虹膜圖像進(jìn)行分塊，每幅虹膜圖像分成2*16(32)個圖像塊；

(4.3)將步驟(4.1)中構(gòu)建的濾波器組與步驟(4.2)中分塊后的每個圖像塊在空域進(jìn)行卷積運算，每個圖像塊會得到20個濾波器輸出；

(4.4)每個圖像塊經(jīng)過濾波器組濾波得到的是20個與圖像塊大小相同的輸出，對這20個輸出分別進(jìn)行均值運算，對其進(jìn)行“濃縮”得到一個20*1的特征向量作為該圖像塊的特征向量；

(4.5)將屬于同一幅虹膜圖像的32個圖像塊的特征向量進(jìn)行合并，作為該幅歸一化后的虹膜圖像的2D-Gabor濾波特征向量，即用2D-Gabor濾波器組提取到的特征向量。本例中，因為每個圖像塊得到的是一個20*1的特征向量，一幅虹膜圖像分成了32個圖像塊，所以一幅虹膜圖像得到的是一個640*1的特征向量。

(4.6)對所有的輸入圖像依次執(zhí)行步驟(4.2)到步驟(4.5)的處理，得到每一幅歸一化后虹膜圖像的2D-Gabor濾波特征向量。

(5)多粒度特征向量的構(gòu)建，用灰度共生矩陣和2D-Gabor濾波器組提取到的特征向量構(gòu)建實驗樣本文件，具體步驟包括：

(5.1)將每幅虹膜圖像用灰度共生矩陣法提取到的特征向量與用2D-Gabor濾波器組編碼得到的特征向量進(jìn)行結(jié)合，組成多特征向量，其中灰度共生矩陣提取得到的特征向量在前，2D-Gabor濾波器組提取到的特征向量在后；本例中，因為灰度共生矩陣提取到的是一個4*1的特征向量，而2D-Gabor濾波器組提取到的是一個640*1的特征向量，所以兩者結(jié)合得到的是一個644*1的特征向量。

(5.2)將每幅虹膜圖像的類別號與該幅虹膜圖像的多特征向量進(jìn)行匹配結(jié)合，組成該幅虹膜圖像的多粒度特征向量，將所有采集到的虹膜圖像的多粒度特征向量按類別號順序排列共同生成實驗樣本文件，作為極限學(xué)習(xí)機(jī)(ELM)分類識別模型的輸入文件；本例中，因為類標(biāo)號是1*1的，而多特征向量是644*1的，所以得到的多粒度特征向量是645*1的特征向量。

(6)利用極限學(xué)習(xí)機(jī)(ELM)對實驗樣本文件中的每個類別的30％實驗樣本集進(jìn)行訓(xùn)練學(xué)習(xí)，得到分類識別模型；

(7)根據(jù)訓(xùn)練學(xué)習(xí)得到的分類識別模型對剩下的70％實驗樣本進(jìn)行類別測試，得到虹膜圖像類別號，將虹膜圖像類別號返還給用戶；

(8)用戶將實驗得到的圖像類別號與圖像實際的類別號進(jìn)行對比，得到虹膜識別精度。

首先，由于本發(fā)明采用了2D-Gabor濾波器組對虹膜圖像進(jìn)行多通道濾波，其中濾波器組是由20個不同方向和不同頻率的濾波器組成的，能保留虹膜圖像在多個頻段上的紋理信息，使所提取的虹膜特征更全面，有效避免了采用單一濾波器提取特征時的片面性缺陷；其次，本發(fā)明構(gòu)建的多粒度特征向量既包含了虹膜的高頻紋理特征又包含了虹膜的中低頻紋理特征，比使用單一特征提取方法提取到的特征向量具有更好的識別特性；最后，本發(fā)明將ELM應(yīng)用到了虹膜的識別中，因為在多分類方面，與BP神經(jīng)網(wǎng)絡(luò)和SVM相比，ELM具有更快分類速度和更高的分類精度，所以本發(fā)明具有更高的識別精度和更快的識別速度。

實施例2：

基于ELM的多粒度虹膜識別方法同實施例1，其中步驟(3)所述的灰度共生矩陣4個紋理特征是在像素對(i,j)距離d＝1，掃描方向分別為θ＝0°、θ＝45°、θ＝90°、θ＝135°的情況下計算得到的，上述四個紋理特征的計算公式如下：

(3.1)：角二階矩(UNI)，也叫能量，是灰度共生矩陣的平方和，反映的是圖像灰度分布均勻程度和紋理粗細(xì)度；

(3.2)：熵(ENT)，熵是圖像所具有的信息量的度量，是一個隨機(jī)性的度量，它表示了圖像中紋理的非均勻程度或復(fù)雜程度；

(3.3)：對比度(CON)，即慣性矩，它直接反映了某個像素值及其鄰域像素值的亮度的對比情況，同時，它也反映了圖像的清晰度和紋理溝紋深淺的程度；

(3.4)：相關(guān)性(COR)，它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此它反映了圖像中局部灰度相關(guān)性；

其中，P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j(luò)}，是像素對(i,j)的聯(lián)合分布概率，即灰度共生矩陣；i，j表示像素點的灰度級，f(x,y)為歸一化后的虹膜灰度圖，其大小為M×N，(x,y)是像素點坐標(biāo)，#(x)表示集合x中的元素個數(shù)，μ_x表示x的期望，μ_y表示y的期望，σ_x表示x的方差，σ_y表示y的方差。

對上述四個紋理參數(shù)求取均值，得到對應(yīng)虹膜圖像的一個4*1的特征矩?；叶裙采仃嚬灿?3個紋理參數(shù)，本發(fā)明中之所以僅選取這四個紋理參數(shù)來生成特征向量，是因為這四個紋理參數(shù)在能最大程度地體現(xiàn)出虹膜特性的同時，還能縮減紋理參數(shù)計算時間，有效提高了提取特征的速度。

因為通過Gabor濾波器濾波提取到的特征只包括虹膜的中低頻紋理信息，所以本發(fā)明在使用2D-Gabor濾波器組提取特征的同時，還使用了灰度共生矩陣對虹膜的高頻紋理進(jìn)行特征提取，有效將歸一化后虹膜圖像中的高頻紋理信息保留了下來，使提取到的特征具有更好的識別特性。

實施例3：

基于ELM的多粒度虹膜識別方法同實施例1-2，其中步驟(4.1)中所述的由4個方向，5個頻率組成的20個濾波器構(gòu)建得到的2D-Gabor濾波器組，其中4個方向是：θ＝0°、45°、90°、135°，這里是濾波器的濾波方向，與灰度共生矩陣中掃描方向概念不同，5個頻率是：f＝0.25、f＝0.167、f＝0.125、f＝0.0625、f＝0.0417，本發(fā)明中選擇這5個頻率，是因為相較于其它頻率，這5個頻率在本發(fā)明仿真中具有較好的濾波效果。

實際操作中還可以根據(jù)實際采集到的虹膜圖像，以及歸一化后的虹膜圖像選取適合的四個方向和五個頻率，組建不同的20個濾波器。

為了證明不同頻率和不同方向濾波器的濾波效果不同，圖3給出了八個不同濾波器的濾波結(jié)果圖，其中圖3(a)是f＝1/4,θ＝0°構(gòu)成的濾波器的濾波結(jié)果圖，得到的是虹膜水平方向上的紋理圖，3(b)是f＝1/4,θ＝45°構(gòu)成的濾波器的濾波結(jié)果圖，得到的是虹膜45°方向上的紋理圖，圖3(c)是f＝1/4,θ＝90°構(gòu)成的濾波器的濾波結(jié)果圖，得到的是虹膜垂直方向上的紋理圖，圖3(d)是f＝1/4,θ＝135°構(gòu)成的濾波器的濾波效果圖，得到的是虹膜135°方向上的紋理圖；圖3(e)是f＝1/12,θ＝0°構(gòu)成的濾波器的濾波效果圖，得到的是虹膜水平方向上的紋理圖，圖3(f)是f＝1/12,θ＝45°構(gòu)成的濾波器的濾波效果圖，得到的是虹膜45°方向的紋理圖，圖3(g)是f＝1/12,θ＝90°構(gòu)成的濾波器的濾波結(jié)果圖，得到的是虹膜垂直方向上的紋理圖，圖3(h)是f＝1/12,θ＝135°構(gòu)成的濾波器的濾波效果圖，得到的是135°方向的紋理圖。從圖3(a)—3(h)中可以看出當(dāng)頻率相同方向不同時，得到的是虹膜圖像不同方向的紋理圖，當(dāng)方向相同頻率不同時，可以得到不同頻段的紋理圖，而且隨著頻率的不斷減小，所得紋理的紋理越來越粗。

本發(fā)明中，濾波方向可以選取0°到180°之間的任意方向，本發(fā)明只選擇了0°、45°、90°、135°4個方向，是因為相較于其它方向這4個方向上包含了大部分的虹膜有效信息，選取這4個方向具有較高的特征提取率，所以只選取這4個方向在最大程度包含虹膜信息的同時，還能大大減少特征提取的時間。

實施例4：

基于ELM的多粒度虹膜識別方法同實施例1-3，其中步驟(6)所述的利用ELM對每個類別的30％實驗樣本進(jìn)行訓(xùn)練學(xué)習(xí)，具體包括如下步驟：

(6.1)在已知訓(xùn)練樣本集的情況下，選取徑向基函數(shù)(RBF)作為ELM的隱含節(jié)點函數(shù)G(α_i,b_i,x),i＝1,...L，即：

G(α_i,b_i,x)＝g(b_i||x-a_i||)

其中N是訓(xùn)練樣本的總數(shù)，x_j是第j個樣本的多粒度特征向量，t_j是第j個樣本的類別號，m是類別號的總數(shù)，α_i是第i個隱含節(jié)點的輸入權(quán)重，b_i是第i個隱含節(jié)點的偏置，L是隱含節(jié)點的數(shù)量。

(6.2)隨機(jī)設(shè)置隱含節(jié)點參數(shù)(α_i,b_i)，i＝1,...,L，計算隱含層輸出矩陣H：

Hβ＝T

其中，β是輸出權(quán)重矩陣，T是類標(biāo)號矩陣，具體表示如下：

(6.3)輸出權(quán)重矩陣β的計算如下：

其中是H的M-P廣義逆矩陣。

本例中，ELM的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4所示，它包括了輸入層、隱含層以及輸出層，本發(fā)明中輸入層輸入的是虹膜的多粒度特征向量，ELM相較于BP和SVM之所以學(xué)習(xí)速度快，是因為ELM隱含節(jié)點參數(shù)(α_i,b_i)的選取是隨機(jī)的，不需要通過迭代得到，本發(fā)明采用ELM，大大減少了運算時間，隱含層對輸入的多粒度特征向量進(jìn)行學(xué)習(xí)，得到識別模型，最后將計算得到的虹膜類標(biāo)號經(jīng)輸出層輸出，返還給用戶，用于識別精度的計算，另外，ELM在多分類情況下優(yōu)于SVM的原因是，ELM可以根據(jù)實際情況在輸出層設(shè)置多個輸出節(jié)點，而SVM不能。

本發(fā)明中，訓(xùn)練學(xué)習(xí)的樣本數(shù)量占總樣本數(shù)量的30％，選擇這些樣本的原因是，在本發(fā)明中當(dāng)訓(xùn)練學(xué)習(xí)的樣本數(shù)量多于30％時，識別精度略有上漲，但幾乎是恒定的，而少于30％時，識別精度大大降低，考慮到當(dāng)訓(xùn)練樣本過多時，生成識別模型的時間會增加，所以本發(fā)明在不影響識別精度的情況下，選擇總樣本數(shù)的30％進(jìn)行學(xué)習(xí)訓(xùn)練，有效減少了識別模型生成的時間。

實際操作中，可以根據(jù)實際要求，適當(dāng)增加學(xué)習(xí)樣本的比重。

因為與BP網(wǎng)絡(luò)和SVM相比，本發(fā)明采用ELM不僅有效適用于多分類問題，而且具有分類速度快、分類精度高的優(yōu)點。有效提高了虹膜的識別精度和識別速度。

下面給出一個完整的例子，參照附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述。

實施例5：

基于ELM的多粒度虹膜識別方法同實施例1-4，

參照圖1，本發(fā)明基于ELM的多粒度虹膜識別方法包括如下步驟：

步驟1，為了后面進(jìn)行虹膜識別方便，首先要對采集到的圖像進(jìn)行類標(biāo)記，標(biāo)記方法是：不同人的虹膜圖像標(biāo)記的類別號不同，同一人的不同虹膜圖像的類標(biāo)號相同，將標(biāo)記好類別號的圖像集作為輸入。

步驟2，為了避免眼瞼、睫毛、鞏膜等非虹膜以外的信息對虹膜的特征提取和識別過程產(chǎn)生不利影響，首先對采集到的虹膜圖像進(jìn)行預(yù)處理。預(yù)處理過程包括：虹膜定位、分割以及歸一化，目的是將虹膜有效區(qū)域歸一化到一個512*64的極坐標(biāo)上，參見圖2，圖2為本發(fā)明在進(jìn)行特征提取之前對虹膜圖像進(jìn)行預(yù)處理的過程圖，目的是為了避免非虹膜部分對后續(xù)工作產(chǎn)生不良干擾。

步驟3，采用灰度共生矩陣對預(yù)處理后的虹膜圖像進(jìn)行特征提取，計算下面四個紋理參數(shù)，計算方程表示如下：

(3.1)角二階矩(UNI)：即能量。

(3.2)熵(ENT)：

(3.3)對比度(CON)：即慣性矩。

(3.4)相關(guān)性(COR)

其中，P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j(luò)}，是像素對(i,j)的聯(lián)合分布概率，即灰度共生矩陣；i，j表示像素點的灰度級，f(x,y)為歸一化后的虹膜灰度圖，其大小為M×N，(x,y)是像素點坐標(biāo)，#(x)表示集合x中的元素個數(shù)，μ_x表示x的期望，μ_y表示y的期望，σ_x表示x的方差，σ_y表示y的方差。

對上述四個紋理參數(shù)求取均值，得到對應(yīng)圖像的一個4*1的特征矩。其中這4個紋理參數(shù)分別是在i,j相距d＝1，θ＝0°、45°、90°、135°的情況下求取的。

步驟4，采用2D-Gabor濾波器組對預(yù)處理后的虹膜進(jìn)行特征提取，具體實現(xiàn)步驟如下：

(4.1)根據(jù)虛部濾波器的寄對偶性，選取4個方向，5個頻率，組成20個濾波器，構(gòu)建濾波器組，其中4個方向選取的是：θ＝0°、45°、90°、135°，5個頻率選取的是f＝0.25、f＝0.167、f＝0.125、f＝0.0625、f＝0.0417。

(4.2)對預(yù)處理后的虹膜圖像進(jìn)行分塊，分成2*16(32)的圖像塊；

(4.3)將步驟(4.1)中構(gòu)建的2D-Gabor濾波器組與步驟(4.2)中分塊后的每個圖像塊在空域進(jìn)行卷積運算，則每個圖像塊會得到20個濾波器輸出；

(4.4)每個圖像塊經(jīng)過濾波器組濾波得到的是20個與圖像塊大小相同的輸出，對其進(jìn)行“濃縮”得到一個20*1的特征向量作為該圖像塊的特征向量；

(4.5)最終將每幅虹膜圖像編碼為640*1的特征向量。

(4.6)對所有的輸入圖像依次執(zhí)行步驟(4.2)到步驟(4.5)的處理，得到每一幅歸一化后虹膜圖像的2D-Gabor濾波特征向量。

參見圖3，從圖3可以看出，當(dāng)濾波器的方向和頻率不同時，得到的紋理信息也不同，為了獲取不同頻段和不同方向上的紋理信息，使所獲取的虹膜紋理信息更全面，所以本發(fā)明采用了20個不同的濾波器。

步驟5，構(gòu)建多粒度特征向量，生成試驗樣本文件。具體步驟如下：

(5.1)將用灰度共生矩陣法提取到的4*1的特征向量與用2D-Gabor濾波器組編碼得到的640*1的特征向量一一對應(yīng)結(jié)合，組成多特征向量；

(5.2)將每幅虹膜圖像的類別號與多特征結(jié)合，生成多粒度向量，將多粒度向量按類別號順序排序生成訓(xùn)練樣本文件，作為ELM分類識別模型的輸入文件。

步驟6，利用ELM對訓(xùn)練樣本文件進(jìn)行分析，得到分類識別模型；詳細(xì)步驟如下：在已知訓(xùn)練樣本的情況下，

首先：選取RBF函數(shù)作為ELM的隱含節(jié)點函數(shù)G(α_i,b_i,x),i＝1,...L，即：

G(α_i,b_i,x)＝g(b_i||x-a_i||) (5)

其中L是隱含節(jié)點的數(shù)量，N是訓(xùn)練樣本的總數(shù)，x_j是第j個樣本的多粒度特征向量，t_j是第j個樣本的類別號，m是類別號的總數(shù)，α_i是第i個隱含節(jié)點的輸入權(quán)重，b_i是第i個隱含節(jié)點的偏置。

然后：隨機(jī)設(shè)置隱含節(jié)點參數(shù)(α_i,b_i)，i＝1,...,L，由公式(6)計算隱含層輸出矩陣H：

Hβ＝T (6)

其中，β是輸出權(quán)重矩陣，T是類標(biāo)號矩陣，具體表示如下：

最后：由公式(7)計算輸出權(quán)重矩陣β：

其中是H的M-P廣義逆矩陣。

步驟7，根據(jù)訓(xùn)練學(xué)習(xí)得到的分類識別模型對測試樣本文件進(jìn)行類別測試，將得到的虹膜圖像類別號返還給用戶，本發(fā)明中使用步驟6中得到的β，代入公式(6)得到的類標(biāo)矩陣T就是ELM的輸出。

圖4為本發(fā)明進(jìn)行虹膜識別使用的ELM的網(wǎng)絡(luò)結(jié)構(gòu)圖，從圖4可以看出ELM是一種廣義的單隱層前饋神經(jīng)網(wǎng)絡(luò)，它的工作原理和神經(jīng)網(wǎng)絡(luò)一樣。

本發(fā)明的效果可通過以下仿真進(jìn)一步說明：

實施例6：

基于ELM的多粒度虹膜識別方法同實施例1-5，

為了驗證本發(fā)明方法的有效性和泛化性，分別在數(shù)據(jù)庫CASIS-Iris Ver1.0和數(shù)據(jù)庫CASIS-Iris Ver4.0上進(jìn)行了仿真實驗，實驗結(jié)果如圖5和圖6所示，

圖5為本發(fā)明對數(shù)據(jù)庫CASIS-Iris Ver1.0使用不同特征提取方法進(jìn)行特征提取時，隨著類別數(shù)的增加識別精度的變化曲線。從圖5可以看出，單獨使用灰度共生矩陣進(jìn)行特征提取時，識別精度隨著類別總數(shù)的增加呈不穩(wěn)定趨勢降低，而單獨使用2D-Gabor濾波器組進(jìn)行特征提取時，隨著類別總數(shù)的增加，識別精度也越來越低，但使用本發(fā)明的方法時，識別精度一直很高，且?guī)缀醪浑S類別總數(shù)的變化而變化，所以本發(fā)明的虹膜識別方法具有識別精度高、魯棒性好的特點。

圖6為本發(fā)明對數(shù)據(jù)庫CASIS-Iris Ver4.0使用不同特征提取方法進(jìn)行特征提取時，隨著類別數(shù)的增加識別精度的變化曲線。從圖6可以看出，本發(fā)明的方法在數(shù)據(jù)庫CASIS-Iris Ver4.0上的仿真效果和在數(shù)據(jù)庫CASIS-Iris Ver1.0上的仿真效果一樣，即：單獨使用灰度共生矩陣進(jìn)行特征提取時，隨著類別總數(shù)的增加，虹膜的識別精度呈不穩(wěn)定狀態(tài)大幅度下降，單獨使用2D-Gabor濾波器組進(jìn)行特征提取時，虹膜的識別精度雖然比灰度共生矩陣的高，但隨著類別總數(shù)的增加，識別精度也呈下降趨勢，但使用本發(fā)明的方法時，虹膜的識別精度一直很高，且?guī)缀鯚o變化，。所以本發(fā)明的方法不僅具有較好的魯棒性，還有很好的泛化性。

綜上所述，本發(fā)明的一種基于ELM的多粒度虹膜識別方法，解決了現(xiàn)有虹膜識別方法中提取的特征不完全及識別速度慢、計算復(fù)雜度高的問題，包括圖像采集及標(biāo)記，即對采集到的虹膜圖像進(jìn)行類別標(biāo)記；圖像預(yù)處理，預(yù)處理又包括虹膜定位、分割和歸一化；灰度共生矩陣特征提取過程，即計算角二階矩(UNI)、熵(ENT)、對比度(CON)及相關(guān)性(COR)這四個紋理參數(shù)的均值；2D-Gabor濾波器組特征提取過程，即用20個不同方向和不同頻率的2D-Gabor濾波器對分塊后的圖像塊進(jìn)行濾波編碼；多粒度特征向量構(gòu)建，即將灰度共生矩陣和2D-Gabor濾波器組分別提取到的特征向量結(jié)合到一起；虹膜識別模型獲取，即用總樣本的30％來訓(xùn)練學(xué)習(xí)ELM，得到識別模型；虹膜類別測試，即用得到的識別模型來測試剩下的70％的樣本，得到類別號；識別精度計算，即將測試得到的樣本類別號與樣本的實際類別號進(jìn)行比較，計算得到識別精度。本發(fā)明通過將灰度共生矩陣和2D-Gabor濾波器組相結(jié)合生成多粒度特征向量，不僅包含了虹膜的高頻信息還包含了虹膜的中低頻信息，所以增強(qiáng)了虹膜的識別特性，進(jìn)而提高了虹膜的識別精度，本發(fā)明將ELM應(yīng)用到虹膜識別過程中，具有較高的識別速度且適用于多分類問題，所以提高了虹膜識別的速度。適用于對識別精度和實時性要求較高的安全信息鄰域。