專利名稱：比較圖像特別是虹膜識別的方法以及實現(xiàn)通過應用統(tǒng)計學習模型確定的至少一個質量測 ...的制作方法
技術領域：
本發(fā)明特別涉及一種比較至少一個參考圖像與至少一個測試圖像之間的生物測量圖像(biometric images)的方法，其用于評估所述測試圖像與參考圖像之間的相關度(degree of correlation)。
本發(fā)明更特別應用于但不限于個體的生物測量識別，例如通過獲取虹膜圖像并比較該圖像與先前獲取的相同個體的虹膜圖像來實現(xiàn)個體的生物測量識別。

背景技術：
虹膜識別是一種相對可靠的識別個體的方法。
專利US 4 141 349公開了一種虹膜識別系統(tǒng)，但其沒有給出所涉及的數(shù)據(jù)處理的細節(jié)。
專利US 5 291 560公開了一種處理方法，其包括將虹膜和瞳孔從眼睛圖像的其余部分中分割，歸一化虹膜盤的尺寸，應用相位解調，在相位解調中，通過Gabor小波濾波操作將虹膜的紋理轉換為二進制碼。涉及測試圖像與參考圖像之間的相關度的確定基于Bernoulli概率模型。
專利US 5 572 596公開了一種分割虹膜和瞳孔的方法，以及一種基于不同分辨率水平的相關性的識別方法。
專利US 7 031 539公開了一種基于圓形Hilbert濾波器的識別方法，其假設虹膜的紋理在徑向方向上變化，但是在角度方向上保持恒定。
E.Krichen，L.Allano，S.Garcia-Salicetti和B.Dorizzi發(fā)表的“Specific texture analysis for iris recognition”公開了一種虹膜識別方法，其中，在兩個圖像之間的相關性測度過程中，考慮獨立于這些圖像的質量的相關性的峰值及其位置的值。
當在受限的模式中執(zhí)行圖像獲取時，現(xiàn)有的方案比較令人滿意，所謂受限的模式是指待獲取其虹膜圖像的人與照相機之間的距離是固定的，并且這個人顯然希望可以獲取圖像。
但是，當獲取條件變差時，現(xiàn)有方案的性能可能下降，并可能產生質量下降的圖像，從而需要對圖像執(zhí)行預處理。
因此，除了所有已提出的研究成果，仍需要借助于一種在適當條件下相對有效、快速和兼容的圖像比較方法和圖像比較系統(tǒng)，從而可以相對簡便地獲取待識別的個體的生物測量圖像，并且因此所述個體受到相對較少的限制。


發(fā)明內容
根據(jù)本發(fā)明的一方面，本發(fā)明的主題是一種比較至少一個測試圖像與至少一個參考圖像的方法，包括以下步驟 a)從測試圖像中生成多個小塊圖像(imagette)； b)為每個小塊圖像計算 -其通過應用統(tǒng)計學習模型(statistical learning model)來確定與該小塊圖像相關的至少一個質量測度(quality measure)，以及 -表示其與參考圖像或者參考圖像的子圖像的相關性的至少一個量； c)為測試圖像(I)計算用于與參考圖像(J)相比較的比較得分S(I，J)，該得分是表示相關性(Ci)的一個或多個量和表示一個或多個質量測度(Qj)的函數(shù)，例如對于N個相關性量和P個質量測度，該得分可以表示如下 S(I，J)＝F(C1...Ci...，CN，Q1...，Qj...，QP) 表述“與小塊圖像相關的質量測度”應被理解為表示該質量測度可以與該小塊圖像相關聯(lián)或者與其經過至少一種數(shù)學變換的可能表示相關聯(lián)。
表述“與參考圖像的相關性”應被理解為表示相關性可以通過參考圖像或者其子圖像來確定，或者通過參考圖像或子圖像的經過至少一種數(shù)學變換的任何表示來確定，其中所述數(shù)學變換可以與質量測度所涉及的數(shù)學變換是相同的變換。
術語“相關性”表示待比較的兩個圖像、小塊圖像或其數(shù)學變換之間的相似性的測度。該測度可以被定義為在圖像之間獲得的卷積矩陣上的一個或多個操作。其還可以被定義為重歸一化的(距離為1)測度，以基于所討論的距離(例如Hamming距離等)，獲得圖像或其表示上的相似性的測度。
在生物測量的應用情況下，比較得分可以允許確定個體的身份。
根據(jù)本發(fā)明的方法可以應用于人的臉、掌紋、指紋、手背靜脈、手形或虹膜等的生物測量圖像。
在本發(fā)明的含義內，術語“數(shù)學變換”可以包括例如多分辨率分析，傅里葉分析，二元化方法(binarization)，特征輪廓或特征點表示，統(tǒng)計表示，例如原始空間中或者通過內核(分別為KPCA、KLDA、KICA)轉換的PCA(主元分析)或LDA(線性鑒別分析)或ICA(獨立元分析)，執(zhí)行至少一種轉換之后通過任何方式實現(xiàn)的圖像壓縮，或者通過任何方式實現(xiàn)的圖像壓縮。
例如對于臉，其中一種可能的表示是PCA，其中臉的圖像被轉換為矢量，且矢量的大小要小于圖像的大小。對于掌紋或指紋，其中一種可能的轉換是通過微小細節(jié)表示掌紋或指紋(特別是指紋或掌紋圖像中的特殊點)。對于虹膜，其中一種可能的轉換是利用Gabor濾波器作為多分辨率分析手段。
在例如M.Volle的作品“Analyse de données[Data analysis]”，Economica，3rd edition，1985中描述了PCA和LDA統(tǒng)計技術；在例如A.Hyvarinen，J.Karhunen和E.Oja的作品“Independent componentanalysis”，John Wiley & Sons，2001中描述了ICA統(tǒng)計技術；在J.Shawe-Taylor和N.Cristianini的作品“Kemel Methods for PatentAnalysis”，Cambridge University Press，2004中描述了KPCA，KLDA和KICA統(tǒng)計技術，上述作品通過引用被包含于此。
本發(fā)明有利于虹膜圖像的獲取，當該獲取以及從其中生成的識別確定可以進入大量人流要進入的安全區(qū)時，可證明本發(fā)明是有利的。該方法的性能還有利于其在以下圖像識別系統(tǒng)中的實現(xiàn)，即圖像識別系統(tǒng)包括具有比較便宜的傳感器的生物測量(biometry)，從而限制了所獲得的圖像的質量，這樣的系統(tǒng)例如存在于消費品中，例如個人計算機或便攜式終端，例如移動電話、數(shù)字個人助理或電子鎖。
該方法的性能還有利于其在以下圖像識別系統(tǒng)中的實現(xiàn)，即圖像識別系統(tǒng)包括專業(yè)或個人用移動終端上的生物測量，在移動終端上，雖然傳感器的質量高，但是環(huán)境的獲取條件在某些情況下不能保證獲取高質量圖像。
例如，對于臉的情況，當光照在臉的不同區(qū)域上不均勻時，這種類型的移動終端將產生具有陰影區(qū)域的臉部圖像。
該方法的性能還有利于其在以下圖像識別系統(tǒng)中的實現(xiàn)，即圖像識別系統(tǒng)包括具有高質量傳感器的生物測量，但是其在生成有限質量或更差質量的圖像的應用條件下操作。
例如對于視頻監(jiān)視的情況，生物測量圖像識別系統(tǒng)可以配備有CCD相機，在可能暴露在近紅外光照下的區(qū)域中，例如地鐵站、火車站、機場、敏感區(qū)域等，有些圖像識別系統(tǒng)還配備有強大的變焦透鏡以獲取臉部并放大眼睛區(qū)域以獲取虹膜。所獲得的臉部和虹膜圖像的特點是根據(jù)圖像區(qū)域而具有變化的質量。通常，對于給定應用的特定獲取條件，尤其是利用移動平臺進行生物測量數(shù)據(jù)獲取的所謂的“移動”獲取條件(其中光不受控制)，和/或對象不合作的應用，或者雖然每個對象合作、但人流限制了系統(tǒng)在比正常條件下更大的距離處執(zhí)行獲取的應用，將導致生物測量圖像根據(jù)圖像的區(qū)域具有變化的質量。
參考圖像可以被切割成多個參考小塊圖像，為參考小塊圖像計算至少一個質量測度。
可以在根據(jù)本發(fā)明的方法的學習期間獲取參考圖像，可以在執(zhí)行根據(jù)本發(fā)明的方法的隨后的期間獲取測試圖像。以上兩個期間之間的時間可以比較長，例如幾小時、幾天或幾周。
作為變化例，可以在執(zhí)行根據(jù)本發(fā)明的方法的相同期間內獲取參考圖像和測試圖像。
比較得分可以是表示相關性的一個或多個量、與測試小塊圖像相關的一個或多個質量測度、或者與參考小塊圖像相關的一個或多個質量測度的函數(shù)。
可以通過兩個圖像之間或者其經過至少一次數(shù)學變換的各自的表示之間的歸一化的相關性來計算表示相關性的一個或多個量。
從相關性最大值、次最大值、其位置、相關性矩陣的平均值或標準差中選擇相關性的一個或多個量。
例如可以通過表示參考和測試圖像或小塊圖像的兩個代碼之間的Hamming距離來計算表示相關性的一個或多個量。
數(shù)學變換可以是通過利用二維Gabor濾波器或通過提取二維Gabor相位來執(zhí)行的多分辨率分析。
通過應用HMM(隱馬爾可夫模型)類型的統(tǒng)計學習模型，可以確定至少一個質量測度。
通過應用GMM(高斯混合模型)類型的統(tǒng)計學習模型，可以確定至少一個質量測度。
作為變化例，可以使用其他統(tǒng)計學習模型，例如馬爾可夫場模型、HMT(隱馬爾可夫樹)模型、SVM(支持向量機)模型、神經網絡模型、貝葉斯網絡模型(Bayesian network model)等。
在L.R.Rabiner發(fā)表的“A tutorial on Hidden Markov Models andSelected Applications in Speech Recognition”，Proc.of IEEE，Vol.77，No.2，F(xiàn)ebruary 1989中特別描述了隱馬爾可夫模型。
GMM模型是HMM模型的一個特例(單一狀態(tài))，其在D.A.Reynolds和C.Rose發(fā)表的“Robust Text-Independent SpeakerIdentification Using Gaussian Mixture Speaker Models”，IEEETransactions on Speech and Audio Processing，Vol.3，No.1，January 1995中被描述。
特別地，在Ross Kinderman和Laurie Snell發(fā)表的“Markov RandomFields and Their Applications”，AMS publications，1980中描述了馬爾可夫場。
在J.Durand，P.

和Y.Guédon的文章“ComputationalMethods for Hidden Markov Tree ModelsAn Application to WaveletTrees”.IEEE Transactions on Signal Processing，Vol.52，No.9，September2004中特別介紹了HMT模型。
神經網絡在例如S.Haykin的作品“Neural NetworksAComprehensive Foundation”，2nd edition，Prentice Hall International，1999中被描述。
在Nello Cristianini和John Shawe-Taylor的作品“An Introductionto Support Vector Machines and other Kernel-based Learning Methods”，Cambridge University Press，2000以及Vladimir Vapnik的作品“TheNature of Statistical Learning Theory”，Springer-Verlag，1999中特別描述了SVM。
在1999年由Eyrolles出版的Ann Becker和Patrick

的作品“Les réseaux bayesiens[Bayesian networks]”中特別描述了貝葉斯網絡。
通過統(tǒng)計模型獲得質量測度的一個實例是通過基于幾個本征圖像(eigenimage)或本征小塊圖像(eigenimagette)的灰度直方圖的三個高斯函數(shù)來學習GMM。質量測度還可以等于在整個圖像或小塊圖像上獲得的高斯概率的平均值。本征圖像是可以在質量測度后處理階段中被理想地處理的圖像。
參考圖像和測試圖像可以是用于處理的信息的豐富性(richness)和質量不均勻的生物測量數(shù)據(jù)。
參考圖像和測試圖像可以直接通過任何傳感器來獲取，或者可以從視頻序列中提取。
參考圖像和測試圖像可以來自于虹膜圖像。
已證明根據(jù)本發(fā)明的方法對于虹膜的情況比較有效，特別是即使存在退化的圖像，例如由于虹膜圖像獲取過程中的噪聲和/或當使用低質量的獲取系統(tǒng)時和/或由于虹膜圖像中存在干擾因素(例如睫毛、眼瞼或偽反射)，根據(jù)本發(fā)明的方法也可以在較小的誤差因素下進行識別。
對于臉、掌紋、指紋、手背靜脈、手形或虹膜的生物測量圖像的情況，由于獲取條件和對象特征，可能出現(xiàn)各種類型的噪聲。
質量測度可以表示小塊圖像中的隱蔽噪聲(occultation noise)的量。
對于臉部圖像的情況，“隱蔽噪聲”來自于不受控的光照條件的影響以及隱藏了有用信息的對象特征的影響，其中不受控的光照條件通過陰影或反射隱藏了臉部的區(qū)域，而對象特征是例如胡須、頭發(fā)、眼鏡等。當控制獲取條件時不會出現(xiàn)這種隱蔽噪聲，但是在特定應用中，特別是在機動條件、背景下，例如在具有不受控光照或事實上缺少光照的環(huán)境中在移動平臺上獲取臉部或者當對象不與該獲取合作時(例如在視頻監(jiān)視中)，這種隱蔽噪聲非常重要。
對于虹膜圖像的情況，隱蔽噪聲可能包括由于獲取環(huán)境或者對象特征，特別是如果對象佩戴眼鏡或鏡片，或者由于瞳孔的擴大，虹膜的紋理被眼瞼、睫毛或光的反射隱蔽。
質量測度可以表示斑點(blurring)的量。
術語“斑點”表示由于被獲取圖像的人的移動而產生的移動斑點以及例如由于圖像獲取系統(tǒng)的質量、場的深度不足或者聚焦誤差而產生的光學斑點。
通過計算多個質量測度，可以提供無用的高噪聲小塊圖像與有用的低噪聲小塊圖像之間的更好的鑒別，從而提高識別系統(tǒng)的性能。
前述的函數(shù)F例如可以由以下表達式給出 其中其中
其中WR表示通過具有給定分辨率R的Gabor分析被濾波的測試小塊圖像與參考小塊圖像之間的比較；C1(WR)和C2(WR)分別表示比較WR過程中的最大相關性值，也被稱作相關性峰值，及其位置；Qj(b)和Qj(a)分別表示在測試小塊圖像和相應的參考小塊圖像上計算的質量測度的值；G表示預定閾值，在采用概率模型來測量質量的情況下，預定閾值例如在0.4至0.7之間。表達式

和

分別表示在所有方向上的平均值和標準差。
如果在多分辨率分析中采用幾個方向，可以在給定方向θ以及給定分辨率R上，或者在所討論的所有方向以及給定分辨率R上，計算在計算函數(shù)FR(例如相關性峰值的平均值以及峰值位置的標準差)中所涉及的不同的相關性量。
可以通過J.C.Russ的作品“The Image Processing Handbook”，CRCPress，4th Edition，2002(該作品通過引用被包含于此)中定義的相關性矩陣M來計算表示測試小塊圖像與相應的參考小塊圖像之間的相關性的量，以比較W測試小塊圖像或者其經過至少一次任何類型的數(shù)學變換的表示與相應的參考小塊圖像或者其經過至少一次任何類型的數(shù)學變換的表示，優(yōu)選地，這兩種變換相同。比較W過程中的相關性量的計算實例如下 C(W)＝(maxW(M)-meanW(M))*stdW(M)， 其中MaxW(M)表示相關性矩陣的最大值，也被稱作相關性峰值，meanW(M)表示相關性矩陣的平均值，StdW(M)表示相關性矩陣的標準差。平均值和標準差的概念被定義在A.Monfort的作品“Cours deprobabilités[Course on Probability]”，Economica，2nd edition，1980中。
也可以為h選用其他特定表達式，特別是當每個小塊圖像上存在超過一個質量測度時，例如在有兩個質量測度Q1和Q2的情況下

或者，在有P個質量測度的情況下，用h(Q1，Q2，...，QP)來表示，其中通過神經網絡來估計h。
除了這種結構，還可以執(zhí)行質量測度和相關性量的直接合并。例如，可以考慮F(C1(W)，C2(W)，Q1，Q2，...QP)＝F(h(W))，或者例如F(h(W))＝meanw(h(w))，其中h(W)是通過神經網絡被估計的函數(shù)，對于每個比較W，該神經網絡的輸入為P個質量測度和相關性量。
該神經網絡傳遞的輸出是例如0至1之間的得分，該得分對應于客戶類別的相似性，即該得分越接近1，比較W對應于同一人的小塊圖像的比較的可能性越高。
每個測試小塊圖像可以例如具有11至111個像素之間的寬度以及7至21個像素之間的高度，相應的參考小塊圖像可以具有例如31至131個像素之間的寬度以及11至25個像素之間的高度。
術語“相應的小塊圖像”是對應于已被獲取的參考圖像和測試圖像的相同子集的參考小塊圖像和測試小塊圖像。
參考小塊圖像的高度和寬度可以大于相應的測試小塊圖像的高度和寬度，從而可以彌補例如瞳孔的膨脹或收縮或者虹膜的旋轉等問題。在該方法在虹膜圖像上的一個特別實施例中，在高度上的差例如可以是2至6個像素，例如4個像素，在寬度上的差例如可以是15至25個像素，例如20個像素。
通過比較一個或多個質量測度與預定閾值，可以從多個小塊圖像中選擇用于計算表示相關性的量的小塊圖像。
與小塊圖像相關的一個或多個質量測度可以例如與預定值相比較，并且根據(jù)比較結果，可以在上述步驟c)中考慮或者不考慮該小塊圖像。這樣，在步驟c)中可以只基于其一個或多個質量測度大于該預定值的小塊圖像來計算比較得分，例如對于0至1之間的質量測度，該預定值可以在0.4至0.7之間。
統(tǒng)計質量測度還可以與用于比較測試圖像和參考圖像的其他方法耦合，這些方法例如通過計算表示參考圖像和測試圖像的兩個代碼之間的Hamming距離來比較測試圖像和參考圖像?？梢酝ㄟ^以下方式執(zhí)行這種耦合 其中CodeA和CodeB是表示參考圖像和測試圖像的代碼，i表示描述圖像A和圖像B的二進制代碼的第i個位置，h(Qi(b)，Qi(a))是合并由統(tǒng)計模型為位置i輸出的統(tǒng)計質量測度的結果。HD是所計算的對應于參考圖像和測試圖像的兩個代碼之間的Hamming距離。
圖像可以是虹膜圖像，用來生成表示代碼的系統(tǒng)可以是OSIRIS系統(tǒng)(http://share.int-evry.fr/svnview-eph/)。
可以與統(tǒng)計質量測度耦合的其他可能的比較方法是合并方法(merger method)，其組合來自于比較測試圖像與參考圖像的至少兩種方法的得分，例如歸一化的相關性測度或歸一化的Hamming距離測度。該合并可以采用各種形式，例如 -順序合并，其中依次使用幾種比較方法；例如可以首先通過基于被統(tǒng)計質量測度加權的Hamming距離的方法比較參考圖像與測試圖像，然后，如果得分不能作出可靠的決策，則使用基于被統(tǒng)計質量測度加權的相關性的比較方法； -通過組合(例如平均值、最大值、最小值、加權和)規(guī)則或分類器(例如SVM、神經網絡等)來合并得分，從而利用兩種比較方法的互補性。
根據(jù)本發(fā)明的另一方面，本發(fā)明的另一個主題是一種識別個體的方法，包括以下步驟 -獲取該個體的至少第一生物測量圖像； -從該圖像生成多個小塊圖像； -獲取該個體的至少第二圖像； -通過執(zhí)行上述圖像比較方法，生成表示第一圖像與第二圖像之間的相關度的第一信息；以及 -基于第一信息，生成關于該個體的身份的第二信息。
表示第一圖像與第二圖像之間的相關度的信息應被理解為包括表示第一圖像或者其經過至少一次數(shù)學變換的表示與第二圖像或者其經過至少一次數(shù)學變換的表示之間的相關度的信息。
根據(jù)本發(fā)明的又一方面，本發(fā)明的又一個主題是一種個體的生物測量識別方法，包括以下步驟 -從存儲器或介質上讀取數(shù)據(jù)，所述數(shù)據(jù)表示第一圖像或涉及這些數(shù)據(jù)的標識，例如在詢問服務器之后； -獲取該個體的至少第二圖像； -通過執(zhí)行上述圖像比較方法，生成表示第一圖像和第二圖像之間的相關度的第一信息；以及 -基于第一信息生成關于個體的身份的第二信息。
表示第一圖像與第二圖像之間的相關度的信息應被理解為包括表示第一圖像或者其經過至少一次數(shù)學變換的表示與第二圖像或者其經過至少一次數(shù)學變換的表示之間的相關度的信息。
表示第一圖像的數(shù)據(jù)可以是具有以下格式的模板 -獲取的第一彩色和/或灰度圖像或者在圖像經過至少一次數(shù)學變換后由參數(shù)表示的圖像； -歸一化的第一彩色和/或灰度圖像或者在圖像經過至少一次數(shù)學變換后由參數(shù)表示的圖像； -從獲取的彩色和/或灰度圖像或歸一化的圖像，或者從經過至少一次數(shù)學變換后由參數(shù)表示的圖像中獲得的一系列小塊圖像。
術語“模板”應被理解為表示經過數(shù)學變換的虹膜圖像的任何表示形式。
表示數(shù)據(jù)可以包括至少一個質量測度和/或根據(jù)與每個小塊圖像相關的至少一個質量測度選擇的小塊圖像的子集。
根據(jù)本發(fā)明的另一方面，本發(fā)明的另一個主題是一種對存儲器進行編程的方法，包括以下步驟 -獲取人的參考生物測量圖像； -從該參考圖像生成多個參考小塊圖像； -確定表示參考圖像和/或參考小塊圖像的數(shù)據(jù)；以及 -在存儲器中記錄這些數(shù)據(jù)。
表述“對存儲器進行編程”應被理解為表示寫入芯片或者寫入大容量外存儲器，例如硬盤。
根據(jù)本發(fā)明，可以通過幾種方式來執(zhí)行圖像數(shù)據(jù)的記錄例如，可以記錄原始圖像、歸一化圖像或者從參考圖像獲得的一系列小塊圖像。還可以記錄其數(shù)學變換后的表示。
在虹膜處理的情況下，例如可以記錄具有選定分辨率和方向的圖像或小塊圖像的Gabor系數(shù)，或者其壓縮版本。
質量測度可以被包含在表示數(shù)據(jù)的記錄中。例如，質量測度可以與每個被記錄的模板相關。還可以只記錄具有大于給定值的質量測度的模板。
存儲器可以被結合到服務器或數(shù)據(jù)庫中，或者放在介質上，例如生物測量身份文件，例如護照、身份證、簽證或駕照、芯片卡、SIM卡或借記卡、信用卡或賒購卡，或者放入鑰匙中，或者可以被分散，例如信息的一部分被記錄在上述介質的一種上，而另一部分被記錄在這些介質的另一種上或者記錄在服務器或數(shù)據(jù)庫中。
根據(jù)本發(fā)明的的另一方面，本發(fā)明的另一個主題是一種用于識別個體的系統(tǒng)，其被配置為執(zhí)行參考圖像與測試圖像之間的圖像比較，用于評估所述測試圖像與參考圖像之間的相關度，該系統(tǒng)包括 -用于獲取測試圖像和參考圖像的系統(tǒng)，例如連接到近紅外光源的照相機； -數(shù)據(jù)處理單元，其被設計為 a)從測試圖像和參考圖像生成多個測試小塊圖像和參考小塊圖像， b)為每個小塊圖像計算 -與該小塊圖像包括該小塊圖像的經過至少一次數(shù)學變換的表示相關的至少一個質量測度，以及 -表示與參考圖像或其子圖像、包括其各自的經過至少一次數(shù)學變換的表示的相關度的至少一個量；以及 c)計算用于比較測試圖像與參考圖像的比較得分，該得分是表示相關性(Ci)的一個或多個量和一個或多個質量測度(Qj)的函數(shù)，例如對于N個相關性量和P個質量測度，其可以寫為 S(I，J)＝F(C1...Ci...，CN，Q1...，Qj...，QP) 根據(jù)本發(fā)明的的另一方面，本發(fā)明的另一個主題是一種用于識別個體的系統(tǒng)，其被配置為執(zhí)行參考圖像與測試圖像之間的圖像比較，用于評估所述測試圖像與參考圖像之間的相關度，該系統(tǒng)包括記錄有表示測試圖像模板和參考圖像模板的數(shù)據(jù)的存儲器，或者該系統(tǒng)被設計為可訪問記錄有表示測試圖像模板和參考圖像模板的數(shù)據(jù)的存儲器，該系統(tǒng)包括數(shù)據(jù)處理單元，該數(shù)據(jù)處理單元被設計為 a)為每個模板計算 -與該模板相關的至少一個質量測度， -表示與測試圖像相關的模板和與相應的參考圖像相關的模板之間的相關性的至少一個量；以及 b)計算用于比較測試圖像與參考圖像的比較得分，該得分是表示相關性的一個或多個量和一個或多個質量測度的函數(shù)，例如對于N個相關性量和P個質量測度，其可以寫為 S(I，J)＝F(C1...Ci...，CN，Q1...，Qj...，QP) 該系統(tǒng)例如可以被結合到電子裝置中，例如計算機、個人計算機、移動電話、個人數(shù)字助理、電子鎖、專業(yè)或個人用移動終端、用于訪問安全區(qū)的鎖或門禁、專業(yè)或工業(yè)設備，例如醫(yī)療設備、核設備或空間設備，或武器。
該系統(tǒng)還可以被結合到車輛中，例如汽車。
該系統(tǒng)可選地與任何其它生物測量裝置相關聯(lián)。
根據(jù)本發(fā)明的另一方面，本發(fā)明的另一個主題是一種計算機程序產品，其包括可以通過數(shù)據(jù)處理單元被讀取的指令，以執(zhí)行至少一個參考圖像與至少一個測試圖像之間的圖像比較，用于評估所述測試圖像與參考圖像之間的相關度，這些指令控制數(shù)據(jù)處理單元的操作，從而 a)訪問一個或多個記錄有表示一個或多個參考圖像的數(shù)據(jù)的存儲器； b)從至少所述測試圖像生成測試小塊圖像，或者訪問記錄有表示至少所述測試圖像的數(shù)據(jù)的存儲器來生成測試小塊圖像； c)為每個測試小塊圖像計算 -與該小塊圖像包括該小塊圖像的經過至少一次數(shù)學變換的表示相關的至少一個質量測度，以及 -表示測試圖像和相應的參考圖像之間、包括其各自的經過可能與上面相同的至少一次數(shù)學變換的表示之間的相關性的至少一個量；以及 d)為測試圖像(I)計算用于與參考圖像(J)進行比較的比較得分S(I，J)，該得分是表示相關性(Ci)的一個或多個量和一個或多個質量測度(Qj)的函數(shù)，例如對于N個相關性量和P個質量測度，其可以寫為 S(I，J)＝F(C1...Ci...，CN，Q1...，Qj...，QP)


通過閱讀本發(fā)明的非限制性示范性實施例的以下詳細描述并參照附圖，將更好地理解本發(fā)明，其中 圖1示意性地顯示根據(jù)本發(fā)明的方法的實例的各個步驟； 圖2顯示待識別的個體的眼睛圖像； 圖3顯示圖2的圖像的分割實例； 圖4顯示通過圖3的虹膜分割圖像的變換獲得的測試圖像； 圖5a顯示一系列小塊圖像，計算小塊圖像的至少一個質量測度； 圖5b顯示圖5a的一系列小塊圖像，其中根據(jù)計算的質量測度，某些小塊圖像已經被黑色、灰色、或白色的像素代替； 圖6和圖7是顯示不同的虹膜圖像比較系統(tǒng)的性能的曲線； 圖8示意性地顯示根據(jù)本發(fā)明的圖像比較系統(tǒng)的實例；以及 圖9和圖10是可以包括根據(jù)本發(fā)明的圖像比較系統(tǒng)的電子裝置的實例。

具體實施例方式 下面將參考圖1至7描述如何執(zhí)行根據(jù)本發(fā)明的圖像識別方法的實例。
該方法被應用于虹膜識別的實例中，但是本發(fā)明不限于虹膜圖像處理，其通常應用于需要計算測試圖像和參考圖像(特別是生物測量圖像)之間的相關度的任何圖像處理。
但是已證明，本發(fā)明最適用于虹膜識別，特別是描述虹膜紋理特征的數(shù)據(jù)結構，例如可以采用Gabor相位分析法例如在多個分辨率下通過將圖像分割成幾個小塊圖像來局部分析虹膜，通過考慮相關性峰值的位置和噪聲，這可以例如獨立于虹膜旋轉效應將質量標準與相關性測度關聯(lián)。
通過比較來自于參考圖像的數(shù)據(jù)與來自于測試圖像的數(shù)據(jù)來實現(xiàn)該實例中描述的方法。
可以通過相同的方法(例如通過相同的圖像獲取系統(tǒng)或通過不同的圖像獲取系統(tǒng))來執(zhí)行從中生成參考圖像的圖像的獲取和測試圖像的獲取，在該測試圖像的基礎上實現(xiàn)用于識別目的的比較。
圖2顯示了這樣的初始圖像，其例如通過與近紅外光照相連的照相機獲得。
使用近紅外光可以例如有助于減少光照和角膜的反射產生的噪聲。
可以執(zhí)行的第一處理步驟包括分割初始圖像，以提取與虹膜相關的數(shù)據(jù)。
通過例如圖3中顯示的虹膜形狀和虹膜紋理的識別來執(zhí)行該分割。
例如，通過用圓來近似瞳孔的輪廓和虹膜的輪廓并用橢圓來近似眼瞼的輪廓來實現(xiàn)該分割。
專利US 5 291 560和US 5 572 596公開了虹膜分割方法的實例，其可以在本發(fā)明的上下文中實現(xiàn)。
例如利用偽極變換(pseudo-polar transform)，考慮到瞳孔和虹膜的圓并不嚴格同心的實際情況，這樣分割的虹膜圖像可以被轉換為歸一化圖像(normalized image)，如圖4所示。
在專利US 5 291 560中公開了該變換，其內容通過引用的方式包含于此。
圖4中顯示的圖像可以構成參考圖像或測試圖像，也稱作候選圖像，可對其應用圖1的方法。
在各個步驟100a和100b中，為參考圖像和測試圖像生成多個小塊圖像。
小塊圖像是相應圖像的子集。
在實現(xiàn)本發(fā)明的實例中，在通過人的虹膜來識別人的情況下，可以從參考圖像中生成例如一系列80個小塊圖像，并從測試圖像中生成一系列同樣多的小塊圖像。
兩個相鄰的小塊圖像可以接觸或重疊。在虹膜識別的情況下，可以例如選擇兩個連續(xù)的小塊圖像之間有50％的重疊，即在垂直方向上，第一小塊圖像的上極限或下極限構成第二小塊圖像的中部，在水平方向上，第一小塊圖像的左手極限或右手極限構成第二小塊圖像的中部。
每個測試小塊圖像在高度上可以包括例如7至21個像素，在寬度上可以包括例如11至111個像素。在所述實例中，每個參考小塊圖像的高度和寬度比測試小塊圖像的高度和寬度大。
在步驟110a和110b中，分別根據(jù)參考小塊圖像和測試小塊圖像來計算質量測度。
例如可以通過在所述的一系列清晰并且沒有噪聲的虹膜圖像上學習的GMM統(tǒng)計模型來獲得這些質量測度。
虹膜紋理中的任何外部存在都會影響模型的響應，從而降低作為輸出獲得的概率。
在所述的實例中，每個質量測度被歸一化到0至1之間，值0對應于普通的小塊圖像質量，而值1表示極好的小塊圖像質量。
例如通過固定GMM輸出響應的閾值G，可以檢測睫毛、眼瞼、發(fā)光點或其他噪聲。例如，該值可以等于0.5，或通常在0.4至0.7之間。
在所述實例中，計算與參考小塊圖像和測試小塊圖像中的隱蔽噪聲(occultation noise)相關的質量測度，其分別由Q1(a)和Q1(b)表示。
當計算的質量測度例如分別與參考小塊圖像和測試小塊圖像中的斑點量相關時，或者當為每個測試小塊圖像和參考小塊圖像計算兩個上述的質量測度時，也不超出本發(fā)明的范圍。
在步驟120中，例如通過任意函數(shù)h來合并測試小塊圖像的質量測度Q1(a)和參考小塊圖像的質量測度Q1(b)，為每個所述的參考小塊圖像和測試小塊圖像對確定質量測度Q1。
例如，當相對于清晰的無噪聲的虹膜圖像的清晰度來學習質量測度模型時，可以使用兩個測度中的較低值，當向模型提供模糊的虹膜小塊圖像時，模型的響應具有比清晰的虹膜小塊圖像獲得的概率更低的概率。
當小塊圖像產生低于預定閾值的質量測度時，可以認為該小塊圖像的質量太差，其將不被考慮用于比較測試圖像和參考圖像。
圖5a顯示了被計算了質量測度的一系列小塊圖像。
圖5b根據(jù)最低質量測度顯示了某些小塊圖像的位置。黑色像素表示質量測度小于0.5的區(qū)域，灰色像素表示該質量測度在0.5至0.6之間的區(qū)域，白色像素表示質量測度在0.6至0.8之間的區(qū)域。
在步驟130a和130b中，例如通過二維Gabor小波相位變換(Gaborwavelet phase)為已生成大于上述閾值的質量測度的每個測試/參考小塊圖像對執(zhí)行濾波操作。
可以通過在不同的分辨率水平以及不同的方向上執(zhí)行多個相關性利用Gabor相位分析來確定表示測試小塊圖像和對應的參考小塊圖像之間的相關性C1，……，CN的一個或多個量。
例如可以在四個分辨率和四個方向上執(zhí)行Gabor分析，這四個分辨率對應于10、20、40和80個像素的分析窗口，四個方向對應于角度0、π/4、π/2和3π/4。
在步驟140中，比較每個測試/參考小塊圖像對W的經過Gabor分析濾波的小塊圖像，以獲得表示相關性的一個或多個量。
例如，執(zhí)行在J.P.Lewis的參考文獻“Fast NormalizedCross-correlation”中描述的歸一化的相關性，該文獻通過引用包含于此。
在所述的虹膜算法實例中，例如使用兩個表示相關性的量，即C1和C2 -根據(jù)以下方程，通過減去相關性矩陣的平均值并乘以該矩陣的標準差來獲得歸一化的相關性峰值C1(W) -C1(W)＝(maxW(M)-meanW(M))*stdw(M) 其中M表示以上定義的相關性矩陣，MaxW表示相關性峰值，MeanW表示矩陣的平均值，StdW表示與其相關的標準差，以及 -峰值C2(W)的位置。
由于所需特性的旋轉及其比例，只限于信息C1(W)的識別方法對亮度的變化和可變性比較敏感。
例如，即使使用歸一化的相關性處理，圖像上的某些光斑也會導致高于圖像中存在的真實特征的相關性峰值。這會降低該比較方法的可靠性。
為了提高該方法的可靠性，例如，還要考慮當比較每個測試小塊圖像和相應的參考小塊圖像時獲得的相關性峰值的位置來計算表示相關性的第二個量C2(W)。該方法依賴于以下假設，即如果比較同一個人的測試圖像I和相應的參考圖像J，無論兩個小塊圖像之間出現(xiàn)任何旋轉，相關性峰值都將更高，且峰值的位置幾乎不變。
然后，在步驟150中，通過在步驟120中確定的質量測度Q1加權(weighting)表示相關性的量C1(W)和C2(W)，為每個測試圖像I和每個相應的參考圖像J計算比較得分S(I，J)。
比較得分S(I，J)對應于為測量測試圖像I和相應的參考圖像J之間的相關度而定義的距離。如上所述，可以在小塊圖像被彼此相關之前，事先對小塊圖像進行濾波。相關性的量可能取決于使用的濾波器的尺寸。因此，S(I，J)可以是幾個函數(shù)FR(I，J)的組合，這些函數(shù)表示當比較測試圖像I與參考圖像J時、在被具有相同分辨率但不一定具有相同方向的Gabor濾波器濾波的測試/參考小塊圖像對上計算的得分。
例如可以根據(jù)以下方程確定FR(I，J) 其中WR是通過分辨率R下和可能在幾個方向中的Gabor分析被濾波的每個參考/測試小塊圖像對之間的比較。
在給定分辨率下的比較得分可由合并來自相關性峰值的信息、來自相關性峰值位置的信息和一系列小塊圖像對的質量測度而得到。
可以利用全部參考/測試小塊圖像對的不同的質量測度和相關性的量產生在步驟150中計算的比較得分。
例如在虹膜的情況下，該合并(merging)可以基于以下三個假設 a)小塊圖像對的質量測度越高，其對最終的相似性得分的影響一定越大； b)所有小塊圖像對的相關性峰值的平均值越大，越可以認為參考圖像和測試圖像來自于同一個人；以及 c)所有小塊圖像對的相關性峰值位置的標準差越小，越可以認為參考圖像和測試圖像屬于同一個人。
用于兩個圖像I和J之間的比較的最終相關性得分是例如在四個分辨率下計算的得分的合并 S(I，J)＝f(FR(I，J)) 函數(shù)f例如可以是離散分析、神經網絡、SVM或任何其他合并函數(shù)。
在簡單的合并實施的一個例子中，合并對應于以下方程 其中μR和σR分別表示在分別率R下計算的得分的平均值和標準差，其來自于對應于兩個不同個體的測試圖像和參考圖像對之間的比較。
圖6和7顯示了為了評估測試圖像和參考圖像之間的相關度，用于比較所述參考圖像和測試圖像的不同的圖像比較系統(tǒng)的性能的曲線。
在這些曲線中，在Y軸上繪制了偽圖像接受數(shù)，在X軸上繪制了偽圖像拒絕數(shù)。
曲線200對應于一種系統(tǒng)的性能，其中只以相關性峰值為函數(shù)計算用于每個測試小塊圖像和每個相應的參考小塊圖像之間的比較的比較得分，曲線210對應于一種系統(tǒng)，其中只以相關性峰值的位置為函數(shù)計算用于每個測試小塊圖像和每個相應的參考小塊圖像之間的比較的比較得分，曲線220表示一種系統(tǒng)，其中通過合并關于相關性峰值的信息與對應于該相關性峰值的位置的信息來計算該比較得分。
圖7中顯示的曲線230示出了根據(jù)本發(fā)明的系統(tǒng)的實例的性能，其中考慮通過比較每個測試小塊圖像與每個相應的參考小塊圖像而獲得的相關性峰值、該相關性峰值的位置和所述的測試小塊圖像的質量來建立比較得分。
根據(jù)本發(fā)明的方法可以在例如示意性地表示在圖8中的圖像比較系統(tǒng)中執(zhí)行。
該系統(tǒng)可以包括圖像獲取裝置10和數(shù)據(jù)處理計算機單元20，數(shù)據(jù)處理計算機單元20適當?shù)乜梢耘c將與系統(tǒng)環(huán)境交互的接口30進行通信。
處理單元20是例如計算機或微型計算機，或者是具有至少一個能被編程以執(zhí)行上述方法的微處理器或微控制器的其他系統(tǒng)。
處理單元20可以包括集成數(shù)據(jù)庫，該數(shù)據(jù)庫包括例如一個或多個電和/或磁和/或光存儲器或其他這樣的存儲器，和/或可以被設計為與外部數(shù)據(jù)庫40進行通信，例如信息處理網絡，例如內部網絡或因特網。
圖像獲取系統(tǒng)10可以包括用于獲取圖像的任何傳感器，從該圖像中生成將與參考圖像進行比較的測試圖像。
例如，在虹膜識別的情況下，其可以是光學傳感器，特別是照相機，其優(yōu)選地連接到為達到理想的性能而具有足夠分辨率(例如640×480像素)的近紅外光源。
圖像獲取系統(tǒng)10和處理單元20可以出現(xiàn)在同一支架、模塊或裝置中，例如識別終端或便攜式裝置中，例如圖9中顯示的移動電話或者圖10中顯示的便攜式計算機中。
作為變化例，圖像獲取系統(tǒng)10可以離處理單元20較遠，將待識別或鑒定的圖像例如通過諸如內部網絡或因特網的數(shù)據(jù)網絡從圖像獲取裝置10傳輸?shù)教幚韱卧?0。
適當?shù)兀蓤D像獲取系統(tǒng)10傳輸?shù)臄?shù)據(jù)可以在被傳輸?shù)教幚韱卧?0之前至少部分地被處理和/或加密，以保證安全和/或降低處理單元20執(zhí)行的處理量。
被集成到處理單元20中或者處理單元20外部的數(shù)據(jù)庫40可以存儲參考圖像和/或預先記錄在系統(tǒng)中的多個個體的相關的參考參數(shù)。
當在識別個體的背景下應用該圖像比較系統(tǒng)時，識別系統(tǒng)可以與接口30通信，接口30可以例如命令打開通向安全區(qū)的裝置，例如自動門或鎖。
接口30還可用于根據(jù)識別結果觸發(fā)某個動作，例如啟動車輛或繼續(xù)程序的運行或裝置的操作。
本發(fā)明不限于上述實例。
特別地，在本發(fā)明的變化例中，可以通過其他統(tǒng)計模型來實現(xiàn)該方法，例如用于計算小塊圖像的質量測度的隱馬爾可夫模型(hiddenMarkov Model)、貝葉斯模型(Bayesian model)或者馬爾可夫場模型。
如果能夠獲得幾個參考圖像和/或測試圖像，則可采用幾種方案。特別地，可以執(zhí)行測試圖像系列與參考圖像系列之間的所有可能比較。最大相關性測度可以包括計算由該系列比較產生的最終得分的簡單平均值。質量測度還可以涉及在質量測度合并之后具有最高質量測度的參考/測試圖像對可以是用于生成測試圖像系列與參考圖像系列之間的最終得分的唯一的一個。還可以通過與這些圖像相關的質量測度合并為每一對測試圖像和參考圖像計算的得分，在合并獲得的質量測度之后，通過質量測度為每個相應的圖像對加權每個得分。
除非特別指出，術語“包括一個”應理解為等同于“包括至少一個”。
除非特別指出，術語“圖像”或“所述圖像”應理解為等同于“至少一個圖像”或“至少所述圖像”。
術語“圖像”應理解為等同于圖像或其“數(shù)學變換”。
權利要求
1.一種比較至少一個測試圖像與至少一個參考圖像的方法，包括以下步驟
a)從測試圖像(I)生成多個小塊圖像；
b)為每個小塊圖像計算
-通過應用統(tǒng)計學習模型確定的至少一個質量測度(Qj(b))，所述質量測度與該小塊圖像相關，以及
-表示與所述參考圖像或所述參考圖像的子圖像的相關性(Ci)的至少一個量；以及
c)為所述測試圖像(I)計算用于與所述參考圖像(J)進行比較的比較得分S(I，J)，該得分是表示所述相關性(Ci)的一個或多個量和通過應用統(tǒng)計學習模型確定的所述一個或多個質量測度(Qj(b))的函數(shù)。
2.如權利要求1所述的方法，其中所述參考圖像被切割成多個小塊圖像，為所述小塊圖像計算通過應用統(tǒng)計學習模型確定的至少一個質量測度(Qj(a))。
3.如權利要求2所述的方法，其中所述比較得分S(I，J)是表示所述相關性(Ci)的一個或多個量和通過應用統(tǒng)計學習模型確定的一個或多個質量測度(Qj(b)，Qj(a))的函數(shù)。
4.如前述權利要求中任一項所述的方法，其中通過兩個圖像之間的歸一化的相關性或者兩個圖像各自的經過至少一次數(shù)學變換的表示之間的歸一化的相關性來計算相關性量。
5.如權利要求4所述的方法，其中從相關性最大值、次最大值、其位置、相關性矩陣的平均值和標準差中選擇一個或多個相關性量。
6.如前述權利要求中任一項所述的方法，其中數(shù)學變換是通過利用二維Gabor濾波器或通過提取二維Gabor相位來執(zhí)行的多分辨率分析。
7.如前述權利要求中任一項所述的方法，其中通過應用隱馬爾可夫模型HMM類型的統(tǒng)計學習模型來確定所述質量測度中的至少一個。
8.如權利要求1至8中任一項所述的方法，其中通過應用高斯混合模型GMM類型的統(tǒng)計學習模型來確定所述質量測度中的至少一個。
9.如權利要求8所述的方法，其中一個或多個所述參考圖像和一個或多個所述測試圖像是用于處理的信息的豐富性和質量不均勻的生物測量數(shù)據(jù)。
10.如前述權利要求中任一項所述的方法，其中一個或多個所述參考圖像和一個或多個所述測試圖像是通過任意傳感器直接獲取的，或者是從視頻序列中提取的。
11.如前述權利要求中任一項所述的方法，其中所述參考圖像和所述測試圖像來自于虹膜圖像。
12.如前述權利要求中任一項所述的方法，其中通過應用統(tǒng)計模型而確定的質量測度(Qj(a)，Qj(b))表示小塊圖像中的隱蔽噪聲量。
13.如權利要求1至12中任一項所述的方法，其中通過應用統(tǒng)計學習模型而確定的質量測度(Qj(a)，Qj(b))表示斑點的量。
14.如前述權利要求中任一項所述的方法，其中參考圖像和測試圖像之間的相關度測度由以下表達式給出
其中其中
其中WR表示通過具有給定分辨率R的Gabor分析被濾波的測試小塊圖像與參考小塊圖像之間的比較，C1(WR)和C2(WR)分別表示比較WR過程中的最大相關性值及其位置，Qj(b)和Qj(a)分別表示在測試小塊圖像和相應的參考小塊圖像上計算的質量測度的值，G表示預定閾值。
15.如前述權利要求中任一項所述的方法，其中每個測試小塊圖像的寬度在11至111個像素之間，高度在7至21個像素之間，相應的參考小塊圖像的寬度在31至131個像素之間，高度在11至25個像素之間。
16.如前述權利要求中任一項所述的方法，其中通過比較一個或多個質量測度與預定閾值，從所述多個小塊圖像選擇被計算表示相關性的量的所述小塊圖像。
17.一種識別個體的方法，包括以下步驟
獲取該個體的至少第一生物測量圖像；
從該圖像生成多個小塊圖像；
獲取該個體的至少第二圖像；
通過執(zhí)行如權利要求1至16中任一項所述的方法，生成表示所述第一圖像與所述第二圖像之間的相關度的信息；以及
基于該信息，生成關于該個體的身份的決策。
18.一種識別個體的方法，包括以下步驟
從存儲器或介質上讀取數(shù)據(jù)，所述數(shù)據(jù)表示第一圖像或涉及這些數(shù)據(jù)的標識；
獲取該個體的至少第二圖像；
通過執(zhí)行如權利要求1至16中任一項所述的方法，生成表示所述第一圖像或者其經過至少一次數(shù)學變換的表示與所述第二圖像或者其經過至少一次數(shù)學變換的表示之間的相關度的信息；以及
基于該信息生成關于該個體的身份的決策。
19.如權利要求18所述的方法，其中表示數(shù)據(jù)是具有以下格式的模板
一個或多個獲取的第一彩色和/或灰度圖像，或者在圖像經過至少一次數(shù)學變換后由參數(shù)表示的圖像；
一個或多個歸一化的彩色和/或灰度圖像，或者在圖像經過至少一次數(shù)學變換后由參數(shù)表示的圖像；
從所述獲取的或歸一化的彩色和/或灰度圖像或者經過至少一次數(shù)學變換后由參數(shù)表示的圖像中獲得的一系列小塊圖像。
20.如權利要求19所述的方法，其中所述表示數(shù)據(jù)包括通過統(tǒng)計學習模型確定的至少一個質量測度和/或根據(jù)通過應用與每個小塊圖像相關的統(tǒng)計學習模型確定的至少一個質量測度選擇的小塊圖像的子集。
21.一種對存儲器進行編程的方法，包括以下步驟
獲取人的參考生物測量圖像；
從該參考圖像生成多個參考小塊圖像；
確定表示所述參考圖像和/或所述參考小塊圖像的數(shù)據(jù)；以及
在所述存儲器中記錄這些數(shù)據(jù)。
22.如權利要求21所述的方法，其中所述存儲器被結合到服務器、生物測量護照、或生物測量身份文件，例如護照或駕照，芯片卡或SIM卡，或者被分散，即該信息的一部分被記錄在上述介質的一種上，而另一部分被記錄在這些介質的另一種上或者記錄在服務器或數(shù)據(jù)庫中。
23.一種用于識別個體的系統(tǒng)，其被配置為執(zhí)行參考圖像與測試圖像之間的圖像比較，用于評估所述測試圖像與所述參考圖像之間的相關度，該系統(tǒng)包括
用于獲取所述測試圖像和所述參考圖像的系統(tǒng)，特別是連接到近紅外光源的照相機；
數(shù)據(jù)處理單元，其被設計為
a)從所述測試圖像和所述參考圖像生成多個測試小塊圖像和參考小塊圖像的對，
b)為每個小塊圖像計算
-與該小塊圖像(包括該小塊圖像的經過至少一次數(shù)學變換的表示)相關的通過應用統(tǒng)計學習模型確定的至少一個質量測度，以及
-表示與所述參考圖像或所述參考圖像的子圖像、包括其各自的經過至少一次數(shù)學變換的表示的相關性的至少一個量；以及
c)計算用于比較所述測試圖像與所述參考圖像的比較得分，該得分是表示相關性的一個或多個量和通過應用統(tǒng)計學習模型確定的所述一個或多個質量測度的函數(shù)。
24.一種用于識別個體的系統(tǒng)，其執(zhí)行參考圖像與測試圖像之間的圖像比較，用于評估所述測試圖像與所述參考圖像之間的相關度，該系統(tǒng)
-包括記錄有表示測試圖像模板和參考圖像模板的數(shù)據(jù)的存儲器，或者
-被設計為訪問記錄有表示測試圖像模板和參考圖像模板的數(shù)據(jù)的存儲器，
該系統(tǒng)包括數(shù)據(jù)處理單元，該數(shù)據(jù)處理單元被設計為
a)為每個模板計算
-通過應用統(tǒng)計學習模型確定的與該模板相關的至少一個質量測度，
-表示與所述測試圖像相關的所述模板和與所述參考圖像相關的所述模板之間的相關性的至少一個量；以及
b)計算用于比較所述測試圖像與所述參考圖像的比較得分，該比較得分是表示相關性的所述一個或多個量和通過應用統(tǒng)計學習模型確定的所述一個或多個質量測度的函數(shù)。
25.如權利要求23或24所述的系統(tǒng)，該系統(tǒng)被結合到電子裝置中，例如計算機、個人計算機、移動電話、個人數(shù)字助理、專業(yè)或個人用移動終端、用于訪問安全區(qū)的電子鎖或門禁、或者專業(yè)或工業(yè)設備。
26.一種計算機程序產品，包括可以通過數(shù)據(jù)處理單元被讀取的指令，以執(zhí)行至少一個參考圖像與至少一個測試圖像之間的圖像比較，用于評估所述測試圖像與所述參考圖像之間的相關度，這些指令控制數(shù)據(jù)處理單元的操作，從而
a)訪問一個或多個記錄有表示一個或多個參考圖像的數(shù)據(jù)的存儲器；
b)從一個或多個所述測試圖像生成測試小塊圖像，或者訪問記錄有表示至少一個測試圖像的數(shù)據(jù)的存儲器；
c)為每個測試小塊圖像計算
-通過應用統(tǒng)計學習模型確定的與該小塊圖像包括該小塊圖像的經過至少一次數(shù)學變換的表示相關的至少一個質量測度，以及
-表示測試小塊圖像與相應的參考小塊圖像之間或者其各自的經過所述數(shù)學變換的表示之間的相關性的至少一個量；以及
d)為所述測試圖像(I)計算用于與所述參考圖像(J)進行比較的比較得分S(I，J)，該得分是表示相關性(Ci)的一個或多個量和通過應用統(tǒng)計學習模型確定的一個或多個質量測度(Qj(a)，Qj(b))的函數(shù)。
全文摘要
本發(fā)明涉及一種比較至少一個測試圖像與至少一個參考圖像的方法，包括以下步驟a)從所述測試圖像(I)生成多個小塊圖像；b)為每個小塊圖像計算與該小塊圖像相關的至少一個質量測度(Qj(b))，和表示與所述參考圖像或所述參考圖像的子圖像的相關性(Ci)的至少一個量；以及c)為所述測試圖像(I)計算用于與所述參考圖像(J)的比較得分S(I，J)，該得分是表示所述相關性(Ci)的一個或多個量和所述一個或多個質量測度(Qj(b))的函數(shù)。
文檔編號G06K9/00GK101796529SQ200880016781
公開日2010年8月4日 申請日期2008年4月21日 優(yōu)先權日2007年4月20日
發(fā)明者B·多里齊, S·加西亞-薩利切蒂, E·克里興 申請人:電信聯(lián)合大學國立電信學院