虹膜识别算法研究及实现 - 图文(8)

图4-8编码后得到的虹膜模板和噪声模板

其中，虹膜模板中的灰色部分是因为白色和黑色距离太近造成的，把图像放大之后即可看出实际是一系列白色和黑色的点。列举该虹膜模板中的部分数据如表4-9。

图4-9虹膜模板部分数据

4.5本章小结

本章主要首先介绍了小波变换的基本概念，然后详细说明了基于2DGabor小波的编码方式，在实际实验操作过程中采用1DLog-Gabor滤波器编码，产生了比较理想的虹膜模板。

-36-

第5章模式匹配

对于一个可以实际应用的虹膜识别系统来说，其主要工作有两个过程，第一个是系统的学习过程，即虹膜代码注册的过程。获取要注册的已知虹膜纹理图像，对其进行预处得到归一化的虹膜纹理图像，按照某种算法对归一化的虹膜纹理进行特征提取(及编码)，将得到的虹膜特征(代码)存入虹膜数据库中进行注册[16-18]，这样就完成了识别系统的学习过程。第二个过程是系统的识别或验证过程，当有登陆者要进入系统时，需要进行身份验证。首先通过虹膜数字图像采集装置实时获得登陆者的虹膜数字图像，然后对虹膜数字虹膜数字图像预处理、归一化及特征提取等，最后将该虹膜特征(代码)与虹膜数据库中的虹膜特征(代码)进行对比，根据判决条件判断是接受还是拒绝登陆者。

5.1模式匹配概论

生物体测定学技术的应用一般分为两类，一类是身份验证(Verification)—使用一种生物体测定学测量值来证实一个已声明的身份，即判定测试者虹膜纹理特征是否和数据库中某一特定虹膜模板的特征一样，是1:1的关系大多数生物体测定学特征都可用作身份验证;另一类是身份识别(1Dentification)—如果要确定一个人的真实身份，只需要将这个人的样本测量值与生物体测定学数据库模板集合中的每个模板进行逐一比较，在数据库中查找和测试者虹膜特征一样的虹膜数据，不需要对这个个体身份作预先的声明，是1:N的关系，人体纹理、虹膜、人脸等生物体识别技术，既可用于身份验证也可用于身份识别。身份验证和身份识别的主要区别是看它们是否需要对身份作预先的声明。在身份验证系统中，必须首先声明个体身份，并将与该身份相应的生物体测定学测量值模板数据加入到生物体测定数据库中，识别时先在数据库中找到与使用者提供身份相对应的记录，然后在该记录中将使用者提供的生物体测定学测量样本与模板数据进行比较，以确定其匹配关系是否成立，该系统回答的是“这个人是他自己所宣称的人吗?”。而在身份识别系统中，无须对身份作预先声明，而是直接将生物体测定学的测量值模板数据加入到生物体测定数据库中，识别时直接在数据库中进行逐个搜索，

-37-

并将使用者提供的生物体测定学样本数据与数据库中的模板数据进行比较，以确定其匹配关系是否成立，如果对整个数据库搜索一遍没有发现匹配数据，则将拒绝接受该身份的使用者，该系统回答的是“这是谁?”。无论是哪一种系统都需要经过下面几个过程—捕获虹膜数字图像，虹膜预处理，提取虹膜特征(代码)，比较虹膜纹理特征(代码)之间的相似度，根据判决条件判断是接受还是拒绝测试者。

5.2加权欧式距离

对虹膜数字图像进行编码之后，王蕴红、朱勇等在进行模式匹配时采用的是加权欧式距离分类器。将未知虹膜的特征向量，同己经训练好的己知类别的虹膜特征向量相比较，当且仅当它的特征向量与已知类别的第k类特征向量的方差倒数加权欧式距离WED最小，且在某个置信区间内时，则输入虹膜被分类为第k类虹膜。加权欧式距离按下面的公式计算:

?f?f? （5-1）

WED(k)??N(k)2ii?1(gi)i(k)2

假若我们从一个未知的虹膜数字图像中总计得到了N个特征值。求出每个特征值的均值与方差，形成两个特征向量

f?(f1,f2,f3,...fN)T,g?(g1,g2,g3,...gN)T。其中，fi，gi分别表示这个虹膜的第i个特征值的均值和方差。fi,gi分别表示第k类虹膜的第i个均值特征和第i个方差特征，(i=1,2,3,…N)。

当有一个虹膜数字图像送来进行识别时，首先对其进行特征编码，在得到了所需的特征向量f后，这个特征向量被送到分类器。这时，分类器开始计算它与该库所存在的每个特征向量的WED值。当数据库中所有的特征向量都与f进行运算后，如果最小的那个WED(k)值所对应的类k中，也就是说认为f是来自使用者k的。但如果与数据库中所有的特征向量都进行运算后，最小的那个WED(k)值也超过了置信区间，那分类器就判定，这个特征向量所对应的虹膜数字图像不属于这个数据库中的任意一个使用者的，因此可以拒绝为他服务。

(k)(k)-38-

对于置信区间，我们所作的判断只有两个结果:“是”或否，而WED(k)值越小越好，所以我们可以得出这样一个结论:置信区间是一个从0到某一个值D的区间，(0，D)。当WED(k)?(0,D)时，为其提供服务;当WED(k)?(0,D)时，拒绝为其服务。

5.3改进的Hamming距离

Hamming距离是通过统计在两个模板上的对应编码不同的个数占总模板位数的比例，作为这两个模板之间的距离。距离越小，表明模板越匹配。Hamming距离是解决模板匹配问题较好的一种分类方式。向量X和Y的归一化Hamming距离为:

1NHD??Xj(XOR)Yj （5-2）

Nj?1

Xj和Yj为待识别的虹膜数字图像特征向量和虹膜模板特征向量的第j个向量值，XOR指异或运算:当戈和耳对应位不同时，异或结果为1;反之,结果为0。在理想情况下如果两个相匹配的虹膜是来自同一只眼睛，则HD=0;如果来自不同的眼睛，则HD=1。

当采用Radon变换分割眼睑、阀值法剔除睫毛时，为了归一化及特征点提取的方便，所提取的纹理特征可能包含眼睑及睫毛等干扰点，编码时对这些干扰点也进行了编码，因此在匹配时需要将这些非真正的特征点去掉，即只利用那些真正的虹膜区域的特征点产生的特征码。本论文在虹膜分割时，将眼睑及睫毛干扰的像素点标记出来，并生成一个与虹膜特征模板同样大小的干扰模板N，如果提取到的特征点为干扰点，则将N的对应位标为1，否则为0。因此在计算Hamming距离时需要稍微修改，即得:

HD?1N??Xnk(OR)Ynkk?1N?Xj?1Nj(XOR)Yj(AND)Xnj(AND)Ynj (5-3)

-39-

上式中，Xj和Yj同上，Xn和Yn分别为对应的干扰模板，Xnj和Ynj分别为

Xn和Yn取反的结果，N为模板中0/1的个数，即提取特征点个数的两倍。

虹膜模式涉及三个不变性，即平移不变性、尺度不变性和旋转不变性。平移不变性指当虹膜在眼睛中的位置发生左右或上下改变的时候，虹膜保持一定的稳定性;尺度不变性指当人眼在不同光照的条件下，由于瞳孔的收缩扩张以及采集虹膜时因摄像机的偏移造成的采集虹膜数字图像大小不同，而引起虹膜的仿射变换时，虹膜保持一定的稳定性[19-21]。因为在不同时刻对虹膜数字图像采集时，所采集到的图片中的虹膜尺寸可能并不完全相同，有时候甚至有明显的区别，很可能将两个相同的虹膜认为是不同的，错误拒绝率增加，所以这三个不变性就显得格外重要。

图5-1编码平移过程

利用不同的技术手段可以解决上述三个不变性问题:

(l)平移不变性——论文第三章提到的虹膜定位方式可以解决该不变性问题，这种方式能将处于眼眶中任何位置的虹膜内外边缘位置准确检测出来，较好地消除了虹膜平移给虹膜识别带来的不便。

(2)尺度不变性——虹膜归一化过程就是为了解决尺度不变性。

(3)旋转不变性——从直接的方式看，可以用两幅解决了平移不变性和尺度不变性的虹膜数字图像做相关操作，计算出匹配最大的旋转角，然后对旋转后的图像做编码操作。这种方式计算量大，而且在旋转匹配时要求有一个己知的归一化虹膜数字图像。本论文是在虹膜特征提取与匹配的过程中解决的:具体方式如下:在归一化虹膜数字图像时，将极坐标下的环形虹膜区域沿着圆周方向投影到一个无

-40-

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(8)在线全文阅读。