虹膜识别算法研究及实现 - 图文(3)

图2-1人类眼球构造

目前统计表明虹膜识别的错误率是各种生物体识别错误率最低的。虹膜识别比起其他识别技术的优势是:

1）生物体活性: 虹膜是人眼体的可见部分，在巩膜的保护下，具有极强的生物体活性。例如，瞳孔的大小随光线强弱变化；视物时有无意识调节过程；有每秒可达十余次的瞳孔缩放；在人体脑死亡、处在深度昏迷状态或眼球组织脱离人体时，虹膜组织会立即完全收缩，出现散瞳现象。这些生物体活性与人体生命现象同时存在，共生共息，所以想用图像、视频、尸体的虹膜代替活体虹膜数字图像都是不可能的，从而达到保证了生理组织的真实性。

2）非接触性:从一定距离即可获得虹膜数字图像,无需人接触系统,对人身没有侵犯，易被公众所接受；

3）唯一性: 每个虹膜所包含的生物信息都不相同，出现形态完全相同的虹膜组织的可能性远远低于其他组织。虹膜的纤维组织细节复杂而丰富，并且它的形成与胚胎发生阶段该组织局部的物理化学条件有关，具有极大的随机性，即便使用克隆技术也无法复制某个虹膜。同卵双胞胎的虹膜纹理信息不同，同一个人左右眼的虹膜纹理都不会相互认同；

4）稳定性: 虹膜在人的一生中都极其稳定，出生前（胎儿7个月时）已经形成，出生6—18个月后定型，此后终身不变。一般性疾病不会对虹膜组织造成损伤，不会因职业等因素造成磨损。

5）防伪性: 不可能在对人视觉无严重影响的情况下通过外科手术改变虹膜特征，更不可能将一个人的活体虹膜组织特征改变得与某个特定对象的虹膜组织特征相一致，用图像、视频、尸体的虹膜代替活体的虹膜数字图像都可被检验出来。

-11-

2.2虹膜识别技术流程

虹膜识别系统一般由：图像提取、图像预处理、特征码提取和特征码匹配四部分组成。

1）图像提取：通过虹膜采集系统取得含有丰富信息的可供识别的虹膜数字图像，并将得到的数字图像传输到系统内存储。

2）图像预处理：获取到的眼部图像包括了很多无用途信息。应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响；其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑，将虹膜从原始的图像中分离出来。然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响。将归一化处理后的图像进行增强，得到预处理好的图像；最后将预处理好的图像供给虹膜特征提取模块提取相应的特征。

3）特征提取： 通过一定的算法从分离出的图像提取出独特的特征点，并对其进行编码。虹膜的特征提取方式跟具体的识别系统相关，因为不同的系统可能采用不同的虹膜特征。现有的虹膜特征提取算法可以大致分为以下三类：①对局部纹理定性分析的相位编码法②纹理分析法③基于1D小波变换的过零点检测的方式。如何有效地描述丰富的虹膜纹理，并提取适当的特征来描述其细节，是虹膜识别算法的核心部分．

4）特征匹配：根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证，从而达到识别的目的。针对不同的特征所设计的检验方式，在特征提取之后，虹膜特征被记录为特征向量。如何衡量特征向量之间距离或相似程度属于特征匹配问题，也是识别系统中的重要的组成部分。主要关心的指标为：准确率、匹配速度。

图2-2虹膜识别系统流程

-12-

2.3几种典型的虹膜定位

2.3.1 微积分算子法

John Daugman是虹膜识别技术的创始人，他开发的虹膜识别系统是虹膜识别技术中相对比较成熟的。在实践中，这套系统被验证具有非常好的效果。该系统使用Hamming距离（Hamming Distance）对待识别的虹膜编码位与数据库中的虹膜编码进行匹配。简单来说就是一个圆形检测匹配器，查找随着半径变化的相应圆周上像素平均值变化最大值所对应的圆心坐标和半径三个参数，以此来确定瞳孔和虹膜的边缘以及虹膜与巩膜的边缘。

在定位时使用了从粗到精的策略最后达到单像素的精度，并估计出虹膜和瞳孔的中心及半径。一般瞳孔和虹膜是不同圆心的，它的半径是虹膜半径的0.1到0.8倍。因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算。

对于人眼图像灰度分布I(x,y)，首先粗略获得瞳孔的圆心区域，得到一个瞳孔圆心点集。然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心，沿半径r方向搜寻圆形模板。通过微积分操作在半径为r的圆周上的积分，然后计算在半径方向r的梯度变化。对于每一个候选圆心，以半径r为变量，搜索梯度变化最大处对应的半径。梯度变化最大处对应的候选圆心和半径即为所求瞳孔圆心和半径。在已知瞳孔圆心和半径的基础上，利用经验确定一个较小的虹膜圆心点集，并用与瞳孔半径搜寻相同的方式确定虹膜外边界的圆心和半径。

微积分操作定义如下：

max(r,x0,y0)G?(r)??I(x,y)ds （2-1） (r,x,y)?r?002?r 其中：?为卷积分；I(x,y)为采集到的虹膜图像；r是搜索的圆半径；

G?(r)是一个尺度?的高斯函数；G?(r)?1e2???(r?r0)22?2，由于高斯函数的傅里叶变换仍

然是高斯函数，所以G?(r)同时可以在空域和频域中其平滑滤波的作用；I(x,y)?(r,x0,y0)2?rds

是I(x,y)在以r为半径，(x0,y0)为圆心的曲线积分。

由于微积分算子法的求解方式运算时间长，因此影响采取此算法的虹膜识别速度。

-13-

2.3.2 Wildes虹膜圆定位法

Wildes识别法就是将瞳孔的形状模拟成一个椭圆，计算输入图像和输出图像的均值和方差等统计信息，然后将两幅图像的协方差作为相关性系数，最后采用Fisher线性判断确定两幅图像是否匹配。

2.3.3 Boles虹膜定位法

Boles识别法就是通过1D Gabor对沿虹膜中心同心圆的一条采样曲线进行过零点描述，利用两个自定义的不相似度函数计算两个虹膜纹理间的距离，从而得到识别结果。

2.3.4 中科院自动化所的最小二乘拟合虹膜定位法

利用Gabor滤波和Daubechies-4小波变换对特征进行提取。通过选择中心频率和相位角，获得24个Gabor滤波通道，对每个通道的滤波结果，提取平均值和方差作为代表该通道的特征，从而抽取48个特征，然后利用Daubechies-4小波分解为7个通道进行编码。

2.4技术难点

一、人体虹膜数字图像的采集

虹膜识别技术主要通过虹膜纹理信息来识别不同人的身份，因此得到清晰的虹膜数字图像是虹膜识别技术的基础。目前，图像采集方面存在的问题有以下两点:

1)图像采集系统对光线要求很较高。光线明、暗会影响人的瞳孔的大小，进而影响图像采集;不稳定的光照条件会改图像的灰度分布特征，从而影响虹膜定位算法精确度，进而影响识别结的精准度;识别过程中，虹膜区域产生的光斑会减少虹膜纹理的识别率，降低识别准确率。

2)图像采集系统不易使用。在图像采集过程中，首先，使用者往往要长时间地注视摄像镜头，同时不断调整姿势，以免虹膜数字图像偏出镜头;其次，由于摄像机镜头的焦距限制，需要使用者的眼睛与镜头间的距离处于指定的范围内，否则将导致图像模糊、影响虹膜识别系统识别。这些条件无疑会增加虹膜识别设备的使用难度，并引起人的反感。当然，可以通过很多技术手段克服上述困难，如:增加图像质量评估系统、摄像机镜头自动调焦等软、硬件辅助系统，但

-14-

这无疑会使整个系统的成本增加，同时增强使用难度。 二、现有虹膜识别算法不通用性

目前各虹膜图像采集装置工作原理、软硬件条件存在明显差异，所以还没有一个标准化的、通用性强的虹膜数字图像库提供研究者使用。很多科研人员为方便进行算法研究都研制了自己的虹膜数字图像采集系统，并利用采集系统所采集的图像库进行算法研究。由于不同的图像采集系统采到的图像的灰度分布特征存在一定差异，而虹膜的定位和特征提取算法又是建立在特定的灰度分布特征基础上，因此，很难在不同类型的虹膜数字图像上应用同一虹膜识别算法。

2.5本章小结

本章简单介绍了人体虹膜的生理结构，描述了虹膜识别系统实现的技术流程，详细介绍了几种成熟的虹膜识别方式，最后讨论了虹膜识别技术的难点。

-15-

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库虹膜识别算法研究及实现 - 图文(3)在线全文阅读。