虹膜识别技术（精选7篇）
虹膜识别技术 篇1
随着信息时代的到来和计算机科学技术日新月异的发展,生物识别技术作为模式识别的一个重要分支已经被越来越多的应用到人们的日常工作和生活中,虹膜、指纹、DNA这些人体本身的特点,将逐步取代现有的密码、钥匙、成为人们习惯的生活方式,同时,最大限度的保证个人资料的安全,最大限度的防止各种类型的刑事、经济犯罪活动。
1 生物识别技术的涵义
生物特征识别技术是利用人体生物特征进行身份认证的一种技术手段。从宏观上说,人体生物特征可以分为两种方式———生理特征和行为特征。生理特征与生俱来,多为先天性的;行为特征则是习惯使然,多为后天性的。我们将生理和行为特征统称为生物特征。
生物识别系统首先通过对人体生物特征进行取样,提取出代表其特征的生物信息,并通过特定的技术手段转化成数字信息,存储在数据库中,形成特征模板。人们通过识别系统进行身份认证时,识别系统将采集到的特征信息与数据库中的特征模板进行比对,从而对此人的认证请求做出接受与拒绝的判断。目前用于身份识别系统的生物特征很多,包括虹膜识别、指纹识别、人脸识别等等。
虹膜识别技术,由于其在采集、精确度等方面独特的优势,必然会成为未来社会的主流生物认证技术。
2 虹膜的结构和特点
眼睛的外观图由巩膜、虹膜、瞳孔三部分构成,见图1。巩膜即眼球外围的白色部分,约占总面积的30%;眼睛中心为瞳孔部分,约占5%;虹膜位于巩膜和瞳孔之间,包含了最丰富的纹理信息,占据65%。外观上看,由许多腺窝、皱褶、色素斑等构成,是人体中最独特的结构之一。虹膜的形成由遗传基因决定,人体基因表达决定了虹膜的形态、生理、颜色和总的外观。虹膜识别技术与相应的算法结合后,可以到达十分优异的准确度,即使全人类的虹膜信息都录入到一个数据中,出现认假和拒假的可能性也相当小,两个不同的虹膜信息有75%匹配信息的可能性是1:1 000 000,两个不同的虹膜产生相同Iris Code(虹膜代码)的可能性是1:1052。比其他任何生物认证技术的精确度高几个到几十个数量级。
3 虹膜识别技术的发展
和常用的指纹识别相比,虹膜识别技术操作更简便,检验的精确度更高。除了白内障等原因外,即使是接受了角膜移植手术,虹膜也不会改变。虹膜识别技术的这些优点,使其具备了广泛的应用前景。从普通家庭门卫、单位考勤到银行保险柜、金融交易确认,应用后都可有效简化通行验证手续、确保安全。如果手机加载“虹膜识别”,即使丢失也不用担心信息泄露。未来,虹膜识别系统必将成为各大航空公司、各大金融机构以及其他保密机构(如航天局)等国家重点安全机构的热点关注对象,在中国掀起应用的高潮。
摘要：介绍虹膜识别技术特点、与指纹识别的区别及其发展。
关键词：生物特征识别,虹膜识别,指纹识别
参考文献
[1]J.Daugman,High Confidence Visual Recognition of Persons by A Test of Statistical Independence,IEEE Trans.Pattern Anal.Machine Intelligence.1993,15(11):1148-1161.
[2]J.Daugman,Biometric Personal Identification System Based on Iris Analysis,U.S.patent5291560.1994(3):265-302.
[3]李庆嵘.虹膜定位算法研究[J].电子科技大学学报,2002,31(1):7-9.
[4]廖曙铮,叶虎年.一种序列虹膜图像的质量评价方法[J].贵州工业大学学报:自然科学版,2001,30(2):19-21.
基于虹膜的身份识别技术的研究 篇2
从理论上讲, 虹膜的这些特性使得虹膜识别技术可以成为防伪性能最好的生物识别手段。据统计, 到目前为止, 虹膜识别的错误率在各种生物特征识别中是最低的。故在近年来虹膜识别技术被广泛认为是最有前途的生物识别技术之一。
1 虹膜识别技术的国内外研究现状
用虹膜进行身份识别的设想最早出现于19世纪80年代, 但直到最近10年来, 虹膜识别技术才有了飞跃发展。1885年在巴黎的监狱中曾利用虹膜的结构和颜色区分同一监狱中的不同犯人。而自动虹膜识别系统则是上世纪末才出现。1987年, 眼科专家Aran Safir和Leonard Florm首次提出了利用虹膜图像进行自动身份识别的概念, 但他们并没有开发出这样的处理器。1989年, 他们请当时在哈佛大学任教的John Daugman为虹膜识别研制真正的算法。1991年, 在美国洛斯阿拉莫斯国家实验室内Johnson实现了文献记载得最早的虹膜识别应用系统———基于Gabor变换的虹膜识别技术和分布式虹膜数据库的虹膜识别系统。1993年, J.G.Daugman率先研制出基于Gabor变换的虹膜识别算法, 其中基于Gabor变换的虹膜识别技术成为了现代商用虹膜识别系统的技术基础。该算法的具体实现如下:首先求取虹膜内外边界的灰度阀值, 利用圆探测法以求最大值的方法获得虹膜内外边界圆的参数, 并利用坐标变换实现归一化;然后利用极坐标系中的二维连续Gabor复小波变换得到特征点的复小波系数, 由此得到特征点的幅值信息的二比特编码;最后, 以Hamming距离为判据依据进行判别, 具体实现时利用虹膜编码的伪码来完成对睫毛等干扰的纠偏。作为第一个实用化的虹膜识别算法, 这种识别算法取得了很高的识别率, 其中基于Gabor变换的虹膜识别技术成为了现代商用虹膜识别系统的技术基础, 但是这种识别算法但是它对原始虹膜图像的要求较高, 归一化后的虹膜图像大小为24×1024, 编码前期计算量较大, 也没能较好的解决虹膜旋转不变性的要求。随后, 1994年, R.P.Wildes研制出基于图像登记技术的虹膜识别系统, 该算法在分析原始虹膜图像的灰度分布的基础上, 确定边界灰度的阀值, 然后据此对图像进行二值化处理;利用基于梯度的边缘检测手段, 通过Hough变换获得原始图像的虹膜内外边界的参数, 分割出虹膜。并依靠Fisher线性判别器完成判定。该算法的多项指标都和Daugman的算法接近, 但在整个算法的各个部分都独具特色, 在解决如何保证虹膜图像的旋转、平移和尺度的不变性的问题上, 采用了特有的图像注册技术, 但是, 这种识别算法比较繁琐, 计算量较大, 不宜用于实际操作。1997年W.W.Boles等人用小波变换过零检测进行虹膜的识别, 并取得较好的识别结果。该算法使用一维小波变换来对纹理图像进行分解, 待处理的信号是采样以虹膜圆心为圆心的同心圆而得到的, 这种识别算法克服了以往系统受漂移、旋转和比例缩放所带来的局限, 并且对亮度变化及噪声不敏感。最近, 法国人Tisseetal提出用瞬时相位技术提取虹膜特征的方法, 这种识别算法计算量相对较小。
在国内, 虹膜识别的研究工作开始相对较晚, 上世纪末虹膜识别技术的研究工作开始兴起。上海交通大学1998开始从事虹膜识别技术的跟踪研究。2000年华中科技大学的科研人员根据图像的相关性进行虹膜识别。2000年以来, 北京大学信息科学中心也开展了虹膜识别技术的研究, 并研究出一套独特的高效方法。2002年, 中国科技大学也实现了虹膜识别演示系统。中国科学院自动化所的研究人员, 用不同的方法进行虹膜识别的研究, 并对一些特定干扰条件下的虹膜图像进行计算机模拟试验, 取得较好的结果;他们所组织开发的“便携式虹膜识别系统”2003年荣获国家五部委颁发的“国家重点新产品证书”, 国际权威学术评论MITTechnology Review也高度评价了此虹膜识别系统。他们还利用研制的虹膜图像获取装置建立和共享了用于科学研究的虹膜数据库———CASIA虹膜数据库, 这是当前国际上最大的共享虹膜数据库, 正逐渐成为虹膜识别研究领域的公共平台。
2 虹膜识别中存在的问题
近年来通过对虹膜识别算法的研究, 在Daugman算法的基础上提出了许多新的识别算法 (定位算法、特征提取编码算法、匹配算法) , 在一定程度上弥补了Daugman算法的不足, 提高了虹膜识别算法的运行速率与判别精确率, 但仍需进一步改进。虹膜图像获取是非常重要但又比较困难的问题;虹膜特征提取是虹膜识别的核心问题, 如何更加准确的描述虹膜纹理的细微特征还需要进一步探讨;高重复性的虹膜识别算法有待进一步开发, 性能评价体系有待建立, 虹膜识别的技术标准还有待完善。
国内在虹膜识别技术的研究上有了很大的进步, 但是我们也要意识到和国外优秀的虹膜识别产品相比, 国产系统还是有较大的差距, 尤其在虹膜图像采集硬件装置方面、清晰虹膜图像的获取受到多方面的影响, 比如镜头焦距和景深的变化, 外部环境光线的变化、用户的配合程度等。
3 总结
虽然虹膜技术还存在着一定的不足, 但我相信随着科技水平的不断提高, 问题的解决和研究的深入, 虹膜识别产品将会在我们生产、生活的各个领域发挥有效、准确、安全的个人身份识别作用, 并带来巨大的社会效益。
摘要：虹膜识别以其唯一性、稳定性和非侵犯性等优点成为生物特征识别中极具发展潜力的身份识别技术。随着科技水平的不断提高, 虹膜识别产品将会在我们生产、生活的各个领域发挥有效、准确、安全的个人身份识别作用, 并带来巨大的社会效益。
关键词：生物特征识别,虹膜识别,身份认证
参考文献
[1]王金涛.虹膜识别与图像处理内核实现研究[D].天津:天津大学, 2002.
[2]Flom L and Safir A.IrisRecognition System.US:Patent.4641349.1987.
[3]何家峰, 叶虎年.虹膜定位[J].中国图像图形学报, 2000.
[4]康浩.虹膜识别系统研究[D].上海:上海交通大学, 1999.
[5]应忍冬.虹膜身份识别方法的研究[D].上海:上海交通大学, 2000
[6]陈良洲, 叶虎年.一种新的虹膜识别算法研究[J].华北工学院测试技术学报, 2000.
[7]严民军, 汪云九.虹膜识别的计算机识别原理[J].生物化学与生物物理进展, 2000.
虹膜识别技术 篇3
关键词：虹膜识别,防伪,互联网金融
一、引言
互联网金融防伪技术最常见的就是二维码。随着二维码的发展, “扫一扫”这个简单的动作可以完成人们日常生活中许多事情, 其中, 二维码防伪就是二维码在互联网金融的主要应用之一, 用户可以用手机扫描二维码来登陆P2P平台进行交易, 又因二维码是随机生成, 不易被窃取, 所以防伪效果显著。
指纹防伪技术识别作为最成熟的生物识别技术, 主要应用于互联网交易支付方面, 比之普通的图案识别和密码识别, 指纹防伪具有较高的安全性和快捷性, 也是当前人们比较依赖和惯用的防伪方式。
当然, 还有其他一些防伪技术, 就不多做介绍了。总之, 防伪技术的出现是为了解决在互联网金融中的诈骗造假问题, 这不仅是广大互联网金融参与者所关注的焦点, 政府对此也保持高度重视, 在2016年政府工作报告中, 李克强总理提出“规范互联网金融, 大力发展绿色金融”。可以看出互联网金融的防伪工作并不完善, 仍需继续努力。
二、虹膜识别防伪技术的优点
(1) 识别度高
每个人眼睛里的虹膜都是独特的, 绝无仅有的。甚至同一个体左右眼睛的虹膜也有所差别。所谓的虹膜识别技术, 就是读取虹膜的细节表象特征, 经识别后, 转化为特殊的虹膜密码, 再储存到计算机内连网录入数据库。虹膜识别的出错率极低, 是因为虹膜组织纹路复杂且细节繁多, 一个虹膜的读取点数量大约是其他传统生物识别的20~30倍。如此庞大的信息量汲取确保了虹膜识别的精确程度, 极大地提高了安全性。
(2) 永久不变性
虹膜生长地很快, 是人身体最早成熟的器官之一。从婴儿时期开始, 只需3年时间就可以发育成熟, 一旦成熟就终身不变。而且, 普通疾病 (如:流感) 不会对虹膜造成伤害, 虹膜也不会因特殊职业 (如:跳水运动员等长期眼睛接触水的工作) 或者特殊喜好 (如:长期戴美瞳, 隐形眼镜) 等因素造成磨损。
(3) 高防伪性
虹膜是“最难伪造的”人体生物特征, 因为它极强的生物活性与人体生命现象是相呼应的。比如, 在生活中, 虹膜会对光线敏感, 会随光线强弱变化而变化;在生理上, 瞳孔会自我无意识地缩放, 虹膜也相应地自然变化;在医学上, 医生会用聚光手电筒照病人的眼睛也是因为虹膜会随身体状况变化而呈现不同的特征。所以, 若有非法分子想用剥离人体的眼球、照片等死物来代替活体虹膜识别都是绝对不可行的, 从而保证了虹膜防伪的高执行力和高辨识率。
(4) 非接触性
虹膜识别需要使用专门的检测仪器, 用户只需眼睛对着仪器的特殊镜头, 无需触碰到仪器就可以完成识别检测。所以, 在虹膜识别与个人信息录入时, 全过程可高效快速地完成。没有直接的身体接触, 也不会冒犯他人。
三、虹膜识别防伪技术的基本原理
虹膜防伪技术是基于虹膜识别技术与个人信息库相结合的一项防伪技术。为了更好的运用这种技术, 有三个方面比较重要。
第一部分重点是虹膜图像的定位, 虹膜的归一化 (尽量消除由于旋转、位移、图片的放大缩小以及一些采集图像过程中的外部光线、像素等因素对每个人的虹膜特征的模糊与改变) , 将虹膜的图像 (如图3.1) 的分辨率提高以便于更好的识别不同个体的虹膜图像的特征, 提取这些精化的虹膜图片以及将这些信息集合起来创立一个虹膜的大数据信息库。
第二部分的重点主要是采集现有利用互联网金融平台进行投资与理财的客户的生物特征识别的数据———左右眼虹膜。同时, 将这些金融平台的客户信息与自身的虹膜图像相链接。将个人的投资信息、信用信息等个人财务类信息的信息库和之前采集的虹膜信息库结合, 达到虹膜信息匹配时可以调出个人信息的目的。
第三部分重点是防伪技术。由于与虹膜系统链接的是需要安全度高的金融财务等信息, 因此要最大程度上降低伪造虹膜盗取信息的可能性。外置的采集虹膜的机器需要能够识别所采集到的虹膜图像是否是活体虹膜。内部的采集虹膜特征的算法能够更加精确的提取不同个体的虹膜特征。
四、虹膜识别防伪技术在互联网金融的应用
近年来, 中国的互联网金融发展十分迅速, 证券公司、基金公司、银行以及其他网上的小型P2P平台等等都开通了网上直接投资理财, 自行赎回等业务。尽管这极大便利了广大投资者, 但是存在较大的网上信息安全隐患。违法人员盗用他人的身份信息致使投资者财务损失的情况屡有发生。这使得现有的仅凭借数字字母组合密码以及身份证号码或是短信验证码等方式即可操作个人的网上账户极不安全。虽然现在已有一些平台例如蚂蚁聚宝等能够使用指纹解锁或是刷脸支付, 但这些生物识别方式相对于虹膜识别精度欠缺, 并且有比较大的局限性。虹膜识别技术因其特有的极高的不可复制性以及稳定性等能够有效防止他人使用违法手段伪造虹膜图像窃取个人的重要金融财务信息。虹膜识别防伪技术作为一种比指纹、脸部识别更加精准的方式, 将其与蓬勃发展的互联网金融相结合是发展的必然趋势。
五、虹膜识别防伪技术的未来发展
由基因与外部环境共同决定的虹膜的独一无二的性质 (每个人的左右眼虹膜也有较大的区别) 使得其在生物识别技术中独树一帜。当下, 已经有许多公司将虹膜技术运用到产品中, 如三星公司决定Galaxy Note 7手机将采用虹膜识别技术、微软Lumia950/950*L搭载基于Windows Hello的虹膜识别功能以及中兴Grand S3利用虹膜识别技术安全支付或是访问机密文件等。不仅是这些公司将虹膜识别技术运用到生产的产品中, 许多其他公司也在研制与开发虹膜识别技术, 力图降低虹膜技术运用的成本。使得虹膜识别技术在我们的日常生活中得到普及。
六、结束语
随着技术的发展, 虹膜作为一种人体固有的生物特征, 终身不变以及准确度高和识别速度快的特点, 虹膜防伪技术在这个信息爆炸的时代的需求增加将会是不可阻挡的趋势。同时, 虹膜防伪技术为人们日后生活带来的便利以及创造的经济价值也是不可估量的。
参考文献
[1]李克强.2016年国务院政府工作报告[R].新华网, 2016-03-05.
[2]王蕴红, 朱勇, 谭铁牛.基于虹膜识别的身份鉴别[J].自动化学报, 2002 (01) .
[3]Boles W, Boashah B.A human identification technique using images of the iris and vavelet transform.IEEE Trans.On Signal Processing, 1998 (04) .
[4]李海青, 孙哲南, 谭铁牛, 等.虹膜识别技术进展与趋势信息安全研究[J].2016 (01) .
[5]田启川, 刘正光.虹膜识别综述[J].计算机应用研究, 2008 (05) .
虹膜识别安防应用系统 篇4
是否申请专利:是
项目摘要:虹膜识别系统的原理:生物辨识目前的主流为指纹、声纹、虹膜、脸部 (生物特征) 、签名辨识 (行为特征) , 其中, 生物特征在安全性与唯一性上又优于行为特征, 而准确度最高的则为虹膜辨识。这是由于虹膜的特征点达244个, 相较于脸部的80个特征点, 以及指纹的20~40个特征点, 都高出甚远。虹膜识别系统的应用前景:虹膜识别系统具有广阔的市场应用前景, 该系统可以应用于对安全性能有较高要求的国家保密机构的身份认证、反恐军事安全、机场出入境管理以及VIP快速通道、金库门禁、银行柜员授权及保管箱、虹膜ATM机取款系统、网银及手机虹膜支付、生物护照以及电子客票实名制身份验证、考场身份认证、医院以及社保、监狱门禁控制、以及别墅酒店会所门禁等领域。合作项目:北京团队通过多年的努力, 形成了虹膜生物识别算法研发与系统集成、嵌入式系统开发、虹膜芯片 (SOC) 设计、软件开发、超大规模虹膜数据库管理系统等核心知识产权, 并围绕这些核心知识产权, 自主研发的虹膜识别系列产品包括:ES-200嵌入式单眼虹膜识别系统、ES-100嵌入式双眼虹膜识别系统、智能ES-SI30嵌入式单眼虹膜识别系统、精锐DI (ES-DI500) 嵌入式双眼虹膜识别系统等多个系统产品。虹膜识别信息管理软件已取得软件著作权, 获得5项国内发明专利, 5项国际发明专利。该产品成熟度好, 已获市场检验, 目前处在产业化及市场推广阶段。
虹膜识别技术 篇5
关键词：生物特征识别,手背静脉,虹膜,指纹,匹配分数归一化,融合
0 引言
在高度复杂和信息交互的现代社会,对于信息安全的要求已经渗透到日常生活的各个方面,如金融、司法、国家安全、电子商务等应用领域,显示出前所未有的重要性。而身份鉴定是保证系统安全的必要前提,如何准确鉴定一个人的身份、保护信息安全,已成为一个必须解决的关键社会问题。与传统身份认证方式相比,生物特征识别最大的特点就是对用户自身的特征进行认证,具有防伪性好、便于携带、不易丢失或遗忘的优点,具有更好的安全性、可靠性和有效性[1,2]。由于单生物特征在识别准确率、用户接受程度、受环境影响程度等方面都有不同的特点,适应于不同的场合,单生物特征识别也存在其固有的局限性[3,4,5]。在对身份识别系统的准确性及安全性要求日益提高的今天,仅靠单一生物特征常常无法满足实际需要。1995年Brunelli[6]提出了利用多个生物特征融合实现身份识别的策略,将人脸和声音两种生物特征在匹配层上实现了融合识别,取得了较好的识别效果。1998年,Li Hong[7]从理论上定量地证明了相对于单生物特征识别,多生物特征融合识别系统在实现效率上有明显的提高,为多生物特征识别技术的研究提供了理论依据。之后,多生物特征识别技术的研究逐渐升温,多生物特征识别技术成为生物特征识别的发展趋势和研究热点。
手背静脉识别是一种新兴的生物特征识别技术。手背静脉血管的结构不会随着年龄变化,具有长期稳定性[8],且手背静脉分布匿藏于人体内部,只有活体才有效,具有很好的隐蔽性和高安全性等优势;虹膜和指纹识别技术是目前应用比较成熟,市场份额比较大的两种生物特征识别技术[9]。本文融合手背静脉、虹膜和指纹这三种生物特征实现身份识别。对手背静脉、虹膜和指纹特征分别采取独立的特征提取与匹配处理,输出各自的匹配分数,对三种生物特征的匹配分数进行归一化处理后,在匹配层实现三种生物特征的融合识别。通过对融合识别算法的测试实验,验证了融合识别算法的有效性,该算法达到了很高的识别准确性,为多生物特征识别研究提供了很好的途径。
1 融合识别原理
基于手背静脉、虹膜和指纹特征融合的身份识别原理如图1所示。首先分别对手背静脉图像、虹膜图像和指纹图像进行预处理,提取能够代表三种生物特征模式的特征向量,进行独立的特征匹配,得到各自的匹配分数。将匹配分数进行归一化处理之后,采用加权求和规则实现匹配分数在匹配层的融合,最后采用最小距离分类器实现身份判决。
2 融合识别算法实现
2.1 手背静脉特征匹配
手背静脉原始图像存在大量背景信息和噪声,首先要对手背静脉图像进行必要的预处理。利用阈值法去除大部分背景,并从原图像中获取手背图像,再利用阈值T得到手背模板,与手背图像结合得到感兴趣区域(ROI)。对手背静脉ROI图像进行中值滤波和高斯滤波,用于降低图像白噪声和椒盐噪声。
与基于区域的图像匹配方法相比,基于特征点的图像匹配方法具有更强的稳定性[10],而基于特征点的匹配方法的关键问题是如何选取待匹配图像中对应的特征。本文对预处理后的手背静脉图像进行3阶尺度展开,提取手背静脉图像的SURF特征,利用欧式距离作为两幅图像中特征点的相似性判据,实现特征点匹配。取注册样本图像中的某个特征点,在待识别样本图像中寻找与该特征点的欧式距离最近的两个特征点,计算最近距离与次近距离的比值,当比值小于设定阈值时,则表示注册图像中的这一特征点与待识别图像中距离最近的特征点匹配,利用匹配距离最小原则剔除错误的匹配对。特征匹配结果如图2所示。
定义特征匹配率(式(1))作为手背静脉的匹配分数,衡量手背静脉图像之间的SURF特征匹配结果,反映手背静脉图像的相似度,匹配率越高,相似度越高。
式中:n为待识别样本It和注册样本Ir的特征匹配对个数,Nr和Nt分别为注册样本Ir和待识别样本It在其ROI内的特征点个数。
对TJU手背静脉图像数据库中的108个不同手背的静脉图像样本进行特征提取与匹配测试,取每个手背中的3幅图像作为注册样本,其余4幅图像作为测试样本。手背静脉图像SURF特征匹配的类间匹配分数分布和类内匹配分数分布如图3所示。
2.2 虹膜特征匹配
由于采集的虹膜图像为人眼图像,实现虹膜匹配前,首先需要对图像进行预处理从人眼图像中提取出虹膜区域图像。包括虹膜边缘定位、眼皮定位、图像归一化和图像增强。首先,在抽样图像中确定虹膜的内外边缘[11],根据粗略定位信息得到原分辨率虹膜图像中的精确边缘信息。对于眼皮定位,首先对图像进行高斯滤波,然后利用水平平滑滤波器对图像滤波,以增强图像的水平边缘。再利用水平分割算子对图像滤波得到梯度图像,并利用阈值法对梯度图像进行二值化。最后采用基于最大连通路径的方法[12]对眼皮进行抛物线拟合,以完成眼皮定位。将虹膜从环形映射到64×512大小的矩形图像[13],最后利用直方图均衡化实现图像增强。虹膜图像预处理结果如图4所示。
对预处理后的虹膜图像进行三级Haar小波分解,利用第二级和第三级Haar小波分解得到的六幅细节图像,提取局部快速变化区域作为虹膜细节特征,令局部快速变化区域为“1”,其它区域为“0”,实现特征编码。采用加权汉明距作为测试样本特征和注册样本之间的相似度测度,实现虹膜特征匹配。距离越小,说明两个虹膜样本相似度越高。
对CASIA虹膜数据库中108只不同眼睛的虹膜图像样本进行特征提取与匹配测试,取每只眼睛中的3幅图像作为注册样本,其余4幅图像作为测试样本。虹膜图像小波特征匹配的类间匹配分数分布和类内匹配分数分布如图5所示。
2.3 指纹特征匹配
由于采集的原始指纹图像可能存在噪声,首先对指纹图像进行灰度归一化,直方图均衡化和中值滤波去除斑点噪声。将指纹图像分成8×8大小的互不重叠的子块,利用Sobel算子计算每个子块的梯度值∂x和∂y,利用式(4)计算中心点在(i,j)子块的块方向场:
其中:w为子块边长,θ(i,j)为子块的方向,并将各子块方向量化为8个方向,与原始指纹图像叠加的块方向场如图6(a)所示。根据计算的块方向场,利用方向变化最大熵原理确定指纹图像感兴趣区域的中心点,如果存在几个局部最大熵,则将最大熵点附近的局部区域定为感兴趣区域中心点,提取的中心点如图6(b)。以中心点为中心截取120×120大小的指纹区域作为指纹匹配的有效区域。截取的指纹图像有效区域如图6(c)所示。
将指纹图像有效区域进行3级Harr小波分解,分别计算水平、垂直、对角线方向的9幅细节图像的归一化Eulid范数,并联接形成特征向量。采用K-L距离作为注册样本和测试样本之间的相似度测度,实现指纹匹配。距离越小,说明相似度越高。选取CASIA指纹数据库中UPEK子库中的108个不同手指的7幅不同样本组成指纹测试数据库。对指纹测试数据库进行特征提取与匹配测试,取每个手指中的3幅图像作为注册样本,其余4幅图像作为测试样本。指纹特征匹配的类间匹配分数分布和类内匹配分数分布如图7所示。
2.4 匹配分数归一化处理
由于三种生物特征匹配分数的物理意义和值域范围各不相同,为了避免直接融合可能产生三种生物特征对识别结果影响权重不同,影响识别准确性。在将匹配分数进行融合前,需要对各匹配分数进行归一化处理。本文利用三种典型的归一化方法对三种生物特征的匹配分数进行归一化处理。
1)Min-Max方法:将匹配分数的值域统一到[0,1]分布,归一化公式为
其中:s′为归一化匹配分数,s为归一化处理前的匹配分数,max(S)为匹配分数最大值,min(S)为匹配分数最小值。匹配分数最大值和最小值可以通过对较大规模样本进行测试,对得到的已知匹配分数样本进行统计计算获取。
2)Z-score方法:将匹配分数归一化到均值为0,标准差为1的标准正态分布。归一化公式如下:
其中:s′为归一化匹配分数,s为归一化处理前的匹配分数,mean(S)和std(S)分别为归一化前匹配分数的均值和标准差。均值和方差可以通过对较大规模样本进行测试,对得到的已知匹配分数样本进行统计计算获取。
3)Tanh方法:将匹配分数值域归一化到(0,1)分布,归一化公式如下:
式中各物理量含义同式(6)。
分别利用三种归一化方法对手背静脉、虹膜和指纹特征的匹配分数进行归一化处理,得到归一化后的类间类内匹配分数分布如图8所示。
利用区分度指标D衡量类内匹配和类间匹配分布的区分性,其定义如下:
式中:µa,σa为类内匹配分数的均值和方差,µe,σe为类间匹配分数的均值和方差。D越大表明类内匹配和类间匹配分布的距离越大,不同类别之间就越容易区分[14]。
由式(8)计算得到手背静脉、虹膜和指纹匹配分数归一化后类间类内匹配的区分度指标如图9所示,从图中可以看出,利用Tanh归一化方法进行匹配分数归一化后,三种生物特征类间匹配和类内匹配具有了更好的区分性。
2.5 匹配层融合身份识别
利用加权求和规则将三种生物特征的匹配分数在匹配层实现融合,匹配分数融合公式如下:
式中:S′为三种生物特征的融合匹配分数,ωH,sH分别为手背静脉对应的权值和手背静脉匹配分数,ωI,sI分别为虹膜对应的权值和虹膜匹配分数,ωF,sF分别为指纹对应的权值和指纹匹配分数。由于手背静脉类间类内匹配分布具有更好的区分性,说明手背静脉匹配识别具有更高的准确性,因此本文取手背静脉对应的权值系数ωH为0.5,虹膜权值系数ωI和指纹权值系数ωF各为0.25,最后采用最小距离分类器实现身份识别。
3 融合识别算法性能分析
由于目前尚无来自同一个体的手背静脉图像、虹膜图像和指纹图像的三模态数据库,考虑到三种生物特征之间的相互独立性,因此,将TJU手背静脉图像数据库、CASIA虹膜图像数据库和CASIA指纹数据库中提取的指纹测试数据库以一一指配的方式进行融合身份识别实验。我们将108个类别的手背静脉图像和108个类别的虹膜图像以及108个类别的指纹图像一一指配为来自同一类别的三种生物特征,组成实验数据库。实验中,取每类手背静脉、虹膜和指纹图像中的3幅图像作为注册样本,其余4幅图像作为测试样本,对算法性能进行测试。将测试样本和3幅注册样本分别进行匹配,取相似度最高的匹配分数作为测试样本与数据库中该类别的匹配分数,将匹配分数利用Tanh方法进行归一化处理,利用本文融合方法实现三种生物特征匹配分数的融合。在认证模式下,得到不同阈值对应的FRR和FAR曲线如图10所示,当匹配阈值取0.492时,得到等错率仅为0.009%;当错误接受率接近0时,错误拒绝率为0.2%。
4 结论
虹膜识别技术 篇6
关键词：虹膜识别,虹膜定位,Hough变换,2D-Gabor滤波器,Hamming距离
随着社会信息化的发展, 对信息安全的要求变得越来越高。虹膜作为生物识别技术, 具有唯一性、稳定性、可采集性、非侵犯性等优点, 与其他的生物识别技术[1]相比, 虹膜识别具有更高的准确性。
虹膜位于眼睛中瞳孔和巩膜之间的环形区域, 虹膜生物识别系统依赖于对虹膜纹理信息的检测和识别。虹膜的纹理特征是胎儿在子宫内发育过程中随机发展形成的, 并且在生命的头两年就稳固下来了, 有证据表明胎儿的虹膜在生命的头几个月就已经形成并稳固下来, 两岁后人眼虹膜就终身不变了。即使是同一个人, 左右眼睛的虹膜也是不相同的, 同卵双胞胎儿的虹膜也是完全不相同的。人眼虹膜识别是适合大规模应用的身份识别技术。因此, 基于虹膜的身份鉴别技术日益得到学术界和企业界的重视, 具有很强的潜在市场价值。
虹膜识别一般包括虹膜预处理、虹膜内外边缘定位、虹膜归一化、虹膜特征提取、虹膜匹配识别几个过程, 传统而经典的Hough变换定位虹膜内外边缘定位精度高, 但是由于处理数据量庞大, 导致运算速度缓慢。因此, 本文提出一种新的基于Hough变换的快速虹膜识别算法, 加快运算速度, 提高识别效率, 为后续虹膜识别系统的研究提供了参考作用。
1 系统总体框架
虹膜识别系统主要包括两大模块:一是硬件电路的采集, 二是软件算法的处理。
人眼图像数据采集部分:PC机控制视频采集卡, 通过摄像机将人眼图像信息传输到PC机。使用PCI接口的视频采集卡对视频信号进行模数转换, 实现人眼图像采集功能。然后利用Visual C/C++编写算法程序和操作界面对采集图像进行处理和判断。虹膜采集和辨识的硬件部分如图1所示。
软件部分的虹膜识别主要包括4部分:虹膜图像获取、预处理、特征提取及编码、图像之间的匹配与识别。系统工作示意图如图2所示。
对硬件采集的虹膜图像, 按照图2处理流程对虹膜图像进行处理, 经过仿真分析, 结果表明采集的虹膜图像噪声太大, 不能进行正常的算法研究。因此, 本文利用虹膜库里的30例标准虹膜进行分析研究, 为移植到实际硬件系统奠定理论基础。
2 虹膜图像预处理
通过采集获取的虹膜图像是整个眼部图像, 包括虹膜、巩膜和瞳孔。因此, 为了得到良好的识别效果, 提高识别率, 需先对虹膜图像进行预处理, 预处理过程按图3的流程进行。
预处理过程, 首先, 将去噪后的彩色虹膜图像转变为灰度图像;然后, 利用边缘检测去除与虹膜不相关的信息, 并对图像进行二值化处理。本文先将图像缩小后, 再采用Hough变换进行内外边缘定位, 可加快处理速度。最后, 进行归一化处理, 防止缩放、旋转、平移等对虹膜识别带来的影响。
2.1 虹膜边缘检测及二值化
虹膜位于人眼白色巩膜与黑色瞳孔之间的环形部分, 纹理信息丰富, 为了能够准确提取虹膜信息, 需先将虹膜从眼部图像中分割出来。
由于虹膜的纹理边缘是虹膜识别的基本特征, 而图像边缘检测能大幅度地减少数据量, 并且可以剔除认为不相关的信息, 保留图像重要的结构属性。根据Prewitt[2]算子边缘检测方法具有过滤伪边缘, 抑制噪声等优点, 本文采用Prewitt算子进行边缘检测。实验如图4所示。虹膜原图如图4a所示。Prewitt边缘算子的卷积核如图5所示。虹膜图像中的每个像素使用该卷积核做卷积运算, 取最大值作为输出。
经边缘检测处理后其结果如图4b所示。对图像进行边缘检测后, 利用图6罗伯茨差分梯度锐化法加强虹膜纹理的边缘和轮廓。选取适当的阈值T=15对虹膜图像进行二值化处理
经过二值化处理不仅可以进一步简化计算量, 还可以使边缘更加清晰, 同时又不损害灰度变化比较平缓区域的图像特性, 其结果如图4c所示。由于二值化图像中含有大量的噪声, 采用八联通域的方法对图像进行去噪处理, 其结果如图4d所示。
2.2 快速虹膜内外边缘定位
对虹膜图像进行二值化处理后, 进行内外边缘定位。Hough[3]变换作为图形目标检测的有效方法, 能够检测直线、圆、椭圆和抛物线等众多解析图形, 而虹膜的内外边缘[4,5]类似于圆形。因此, 本文采用Hough变换法提取虹膜内外边缘。
经过边缘提取后, 图像上所有边界点设为 (xi, yj) , 其中, i=1, 2, …, n, j=1, 2, …, n。由于图像已经经过了二值化处理, 因此, 把取值为255的点看作边界点, 取值为0的点看作非边界点。在直角坐标下, 圆是用包含3个参数的方程来表示的, 即圆心坐标 (x, y) 和半径r。因此, 对圆的检测实际上就成了对参数组 (圆心坐标和半径) 进行投票的过程。其数学计算步骤如下:
1) 设圆的极坐标形式为
式中:p=0, 1, …, nwidth;q=0, 1, …, nheight;θ=1°, 2°, …, 360°;nwidth为虹膜图像的宽度, nheight为虹膜图像的高度。
2) 在参数空间中, 找到x, y, r所对应的单元, 将该单元的累加器加1, 即H (x, y, r) =H (x, y, r) +1。
3) 当图像直角坐标系中的点都经过步骤1) 、步骤2遍历后, 检验参数空间中每个累加器的值, 累加器值最大的单元即可以确定圆心坐标和半径。即若H (x0, y0, R) =max (H (x, y, r) ) 那么圆的圆心坐标为 (x0, y0) , 半径为R。在H中, 最大值表示该组参数得票数最多, 以该参数所画的圆经过的边界点也最多。
原图大小为768×576, 采用Hough变换对虹膜图像进行内外边缘定位。由于图像尺寸较大, 数据量多, 经计算处理一幅图像约90 s, 处理速度慢。由于虹膜图像圆心的定位误差在可接受的情况下, 可适当降低图像清晰度来缩短圆心定位时间。因此, 本文将图像缩小若干倍, 找到内外圆的圆心和半径后, 再将缩小后的图像放大, 恢复出原图。
由于图像放大缩小的倍数, 计算机可以通过移位来表示。因此, 为了进行计算机的数字处理, 选择缩小2n (n=1, 2, 3, …) 倍进行分析讨论。选择把图像分别进行缩小4倍、8倍、16倍、32倍, 缩小后的图像和原图的对比, 如图7所示。图7中左上角为缩小后的图像。把4种缩小后的图像分别进行内外边缘定位, 如图8所示。
对比图7b与图8b, 可知, 将图像缩小8倍后, 由于长宽缩小的倍数不相同, 图像产生形变, 虹膜定位结果产生了很大偏差, 对特征提取及判别带来影响。分别把图7a、图7c、图7d与图8a、图8c、图8d进行对比, 可以发现图像长宽缩小的倍数相同时, 能与原图保持最大的一致性, 其内外边缘定位结果误差较小。因此, 在选择缩小倍数时, 长宽应同时缩小相同的倍数。即对图片缩小倍数应为22n (n=1, 2, …) 倍。本文选择缩小4倍、16倍、32倍, 进行后续的分析讨论。
2.3 虹膜图像归一化
由于虹膜有大小之分, 并且虹膜图像的缩放、旋转、平移等都会造成虹膜识别的误判。因此, 需要进行归一化处理, 把虹膜图像调整到一个相同的尺寸和对应的位置。
以内外圆圆心和半径为坐标, 按照式 (3) 将笛卡尔坐标下的虹膜图像, 映射到极坐标中去
式中: (x0, y0) 为圆心坐标;r∈ (0, 1) ;θ∈ (0, 2π) 。本文r取96个点, θ取256个点。处理结果如图9所示。
图9a中, R1为小圆半径, R2为大圆半径, r=R2-R1为圆环的宽度。在圆心处建立直角坐标系, θ为r与x轴的夹角。利用式 (3) 即可将图9a左侧圆环部分转换为图9a右侧的矩形图。图9b为利用该方法处理的结果。
3 虹膜图像特征提取与编码
Gabor滤波器[6]可以看成是由高斯调制正弦和余弦构建而成的, 具有高斯包络的正弦调制可以提取图像不同方向和频率的局部信息, 因此, 适用于提取纹理局部特征。在图像空间中, 2D-Gabor滤波器的公式为
式 (4) 可以变换为
式中:exp (-π[ (x-x0) 2/α2+ (y-y0) 2/β2]) 为高斯函数, 通过加窗确定滤波器的大小; (x, y) 为滤波器在空间域中的坐标位置; (x0, y0) 为滤波器在空间域中的中心位置;α和β确定了窗口的大小; (u0, v0) 为滤波器在空间频率中的坐标;滤波器空间频率w= (u02+v02) 1/2;滤波器方向θ=arctan (v0/u0) 。
Gabor滤波器对于方向和频率的选择性很灵敏。因此, 需选择恰当的频率与方向来进行特征提取, 经过实验, 本文选择滤波器的窗口大小为14×14, 中心频率f=8, 9, 10, 11, 12, 方向。根据设定的不同频率与不同方向, 分别对归一化后的虹膜图像依次进行滤波处理, 对实部和虚部所得正负结果进行相位编码。
根据式 (5) 得到的局部信息的值为复数, 如果实部大于等于0, 则相应的特征码为1, 否则置0;如果虚部大于等于0, 则相应的特征码为1, 否则置0, 将虹膜图像的子块图像的码字依次排列, 最后得到4 320个虹膜特征码。
4 虹膜特征匹配
完成获取虹膜的特征编码后, 进行对虹膜的识别认证。本文采用Hamming距离[7] (HD) 进行匹配识别
式中:⊕为异或运算;Ai, Bi分别为A, B虹膜的第i位特征码;N为虹膜码长。根据同一虹膜之间的HD值与不同虹膜之间的HD值分析统计, 选定出一个阈值。如果HD大于该阈值, 则认为A, B是来自同一个人的虹膜, 如果HD小于该阈值, 则认为A, B来自不同人的虹膜。
5 实验结果分析
实验选用标准虹膜库中的30例虹膜图像进行分析, 对该30例虹膜图像分别缩小4倍、16倍、32倍进行内外边缘定位, 然后经归一化及2D-Gabor滤波特征提取后, 利用Hamming距离分别计算同一采集者之间和不同采集者之间的HD值。经计算得到的运行时间及HD值如表1~表7所示, 由于数据较多, 表中只列举3个同一采集者的6例虹膜数据, 以及9例不同采集者的虹膜数据。表1为不同缩小倍数下, 定位速度的比较。表2至表7为对同一采样者和不同采样者在缩小4倍、16倍、32倍条件下定位处理后的虹膜HD值。
从表1中可以发现, 缩小倍数越多, 内外边缘定位速度越快。
在表2~表7中, HDi (i=1, 2, …, n) 表示第i幅图的Hamming距离, 表2、表4、表6中Ai (i=1, 2, …, n) 表示第i个人。同一个人具有6幅虹膜图像。
对于缩小4倍定位虹膜后处理得到的HD值, 从表2中可以发现同一采集者的HD值在0.203~0.289之间。从表3中可以发现不同采集者的HD值大于0.300。因此, 选取阈值0.300, 即能达到虹膜识别的目的。
对于缩小16倍定位虹膜后处理得到的HD值, 从表4中可以发现同一采集者的HD值在0.206与0.298之间。从表5中可以发现不同采集者的HD值大于0.300。因此, 选取阈值0.300, 也能达到虹膜识别的目的。
对于缩小32倍定位虹膜后处理的到的HD值, 从表6中可以发现同一采集者的HD值在0.200~0.320之间。从表7中可以发现不同采集者的HD值在0.220与0.370之间。因此, 找不到一个合适的阈值识别虹膜, 不能达到虹膜识别的目的。
通过以上对表格的分析, 图像缩小32倍, 虽然计算速度得到大大提高, 但是损失了部分虹膜信息, 不能达到识别的目的。图像缩小4倍, 能够较好识别出虹膜, 但是需要较长的时间, 不适合实际应用。图像缩小16倍, 可实现计算速度与识别效果的最佳平衡。因此, 虹膜图像缩小16倍进行虹膜定位后, 再识别, 是最佳识别方法。
6 结束语
由于Hough变换定位虹膜计算量大, 计算速度缓慢, 本文提出一种基于Hough变换的快速虹膜识别算法。首先将虹膜图像缩小16倍后, 再提取虹膜, 然后利用2D-Gabor滤波器提取虹膜纹理信息, 并利用Hamming距离识别虹膜图像。实验结果表明, 该算法能准确检测出虹膜圆环, 并进行正常识别, 大大解决了Hough变换比较耗时的缺点, 提高了虹膜识别速度。为实际应用奠定一定的理论基础。该方法是基于标准数据库分析研究得出的结论, 对于实际应用, 还需结合硬件情况对算法做进一步的研究。
参考文献
[1]张明慧, 张明超, 张尧禹.生物识别技术方法研究[J].电脑编程技巧与维护, 2011 (10) :106.
[2]康牧, 许庆功.基于Prewitt理论的自适应边缘检测算法[J].计算机应用研究, 2009, 26 (6) :2383-2386.
[3]田启川, 潘泉.Hough变换在虹膜区域分割中的应用[J].计算机应用研究, 2005 (1) :249-250.
[4]XU Guangzhu, ZHANG Zaifeng, MA Yide.A novel and efficient method for iris automatic location[J].J China Univ.Mining&Technol., 2007, 17 (3) :441-446.
[5]TIAN Qichuan, ZHANG Lanfang, WU Xiaojia.Iris boundary localization method based on polar coordinate[C]//Proc.2012 International Workshop on Information and Electronics Engineering (IWIEE) .Harbin:ELSEVIER Press, 2012:2194-2198.
[6]林喜, 林喜荣, 戴晓清.二维Gabor滤波器组的设计及虹膜识别的实现[J].电视技术, 2011, 35 (19) :109-112.
虹膜识别技术 篇7
虹膜的极大个体差异性决定虹膜识别的错误率是所有生物识别领域中最低的[1]。国内外专家作了很多相关研究,例如,Daugman [2]使用了多分辨率Gabor小波进行滤波,抽取虹膜纹理相位特征; Wildes 等[3]应用Laplacian pyramid算法对虹膜图像进行多分辨率分解,抽取虹膜纹理的空间特征,并选择了归一化相关系数作为匹配算法。Boles 和Boashah[4]提出的基于小波变换过零点检测的方法。通过小波变换的过零点,由细到粗地表示不同分辨率下的虹膜特征。采用自定义的相异性函数实现模式匹配。文献[1,2,3]均存在特征提取单一的缺欠。Lim等[5]使用二维Harr小波变换将虹膜图像分解成四级,并将第四级的高频信息量化为虹膜代码,采用改进的LVQ神经网络进行模式匹配,虽然算法使用了小波多尺度分析方法,但没有考虑到尺度间特征的相关性。姚鹏、叶学义和庄镇泉等[6]提出了基于局部频率特征和局部方向特征的虹膜识别算法,利用多尺度多方向的二维奇对称Gabor滤波器提取虹膜图像局部频率特征和局部方向特征作为虹膜特征,对文献[1,2,3]进行了改进提取了多种特征作为分类标准。苑玮琦、赵彦明[7,8]等人先后提出基于纹理分布特征的虹膜识别算法和基于能量最大响应方向的虹膜识别算法。这两个算法顺次将symlet小波和counterlet小波的多分辨率分析作为虹膜特征分析的手段。苑玮琦、王浩[9]等人提出的基于二维不可分小波相关性分析的虹膜识别算法,将二维不可分离小波作为虹膜图像分解工具,并结合区域相关性进行虹膜识别;文献[7,8,9]将二维可分小波和不可分小波多分辨率分析方法应用与虹膜识别领域,并取得了较好的效果;苑玮琦、张磊等人[10]提出了基于多子区域联合的高适应性虹膜识别算法,该算法将多特征有效融合解决了特征单一对识别效果的影响;马立勇[11]提出了基于 B 样条 FFD 模型配准的虹膜图像融合方法,该算法采用基于B样条的FFD模型对图像进行配准, 然后用小波进行融合,为下一步的虹膜识别提供了合适的图像,进而提取更有效的特征信息,该算法说明融合算法在虹膜识别领域具有高可靠性。
这些算法都取得了较好的识别效果。但还存在如下不足:(1) 点特征单一,算法抗干扰、旋转和平移能力差;(2) 采样过程导致多尺度分析算法中出现频率混叠,导致 “伪特征点”过多;(3) 简单分类算法造成识别率过低。
基于此,本文提出了基于尺度相关多特征提取与融合的虹膜识别算法。特征提取时,利用不可分小波对虹膜归一化图像进行多尺度和多方向分解。提取最优尺度的点特征和区域特征,然后利用特征在尺度间的相关性消除频率混叠,优化特征集。分类时充分考虑融合特征的优势,采取多特征模糊匹配技术分类。实验表明,本文算法利用尺度相关性优化了特征集,同时利用区域特征减少了因虹膜伸缩而产生的“伪特征点”,提高了识别率。
1图像归一化
图像采集设备捕获的人眼图片,除了虹膜信息外,还包括睫毛,眼睑和光斑等噪声。在识别前要经过定位、归一化及图像增强步骤对虹膜图像预处理。依据文献[12]的方法将虹膜从图像中分离出来,并沿半径方向归一化为256×256像素大小图像。图1给出完整的预处理过程。
2不可分离小波构造与虹膜分解
You和Chen在文献[13,14]中通过对称正交矩阵构造出了一种具有线性相位的不可分小波。对于一个确定的整数N,任意选取有序实数对(αk,βk),k=1,2,…,n,各通道滤波器mi(ξ,η),i=0,1,2,3可表示为:
D(2ξ,2η)KT(αk,βk))Ui (1)
式中, (ξ,η)∈R2,j=0,1,2,3;K(αk,βk)在文献[13,14]中已给出;D为中心对称正交矩阵,D与U分别为:
D(ξ,η)=diag(1,z1,z2,z1z2) (ξ,η)∈R2,z1=e-ξ,z2=e-iη
U0=(1,1,1,1)TU1=(1,-1,1,-1)T
U2=(1,1,-1,-1)TU3=(1,-1,-1,1)T
2.1不可分离小波的参数选取
从CASIA 1. 0[15] 数据库中选择干扰信息较少、虹膜变形不大的50类,每个类7张图片,将这些图像归一化为256×256像素大小的数据集(DataSet)。该DataSet作为本算法所有参数选取实验的数据集。
分解尺度和分解方向决定了多尺度多分辨率不可分离小波的特征表示能力。而尺度(scale)与方向数(Doritation)临界满足关系:Doritation≤2(scale)。依据Lindeberg提出的尺度选择准则和选择方法,在归一化的DataSet上,设计尺度与算法性能,尺度与时间性能的实验。试验结果如图2所示。
实验结果表明:当尺度数为5时,算法取得最佳识别性能,并且时间复杂的相对较小。当分解尺度小于5,尺度与分解方向数增加大,噪声减小,识别率递增;反之分解尺度大于5,尺度与分解方向数增加,特征点数并未增加或冗余性增加,识别率增长不明显或降低,算法复杂性急剧增加。
分解尺度与方向数决定了不可分离小波参数(αk,βk)的选取。依据下式分解参数(αk,βk),仅由每一尺度的方向数Doritation决定:
(αk,βk)=
式中,n≤Doritation,scale≤5。
综上所述,本文实验所用不可分小波参数如表1所示。
2.2归一化虹膜图像的分解结果
图3展示了图1(d)的二维不可分离小波3尺度8方向的高频分解结果。
3特征提取算法步骤
第一步 利用二维不可分小波对归一化虹膜图像进行5尺度分解
在第k(k∈{1,2,…,5})尺度上,虹膜图片被分解为θ=2k-1个大小相同、方向不同的通道,通道中的每个点都具有θ个分解系数,这些分解系数描述了该点在不同分解方向上的纹理变化趋势,解决了传统二维小波的方向性差的特点。
第二步 尺度内虹膜点特征抽取
尺度内的虹膜纹理二元点特征(vmk(i,j),θmax)可表示为:
(vmk(i,j,),θmax)=MAX(v(i,j,θ1),v(i,j,θ2),…,
v(i,j,θ2k-1)) (3)
式中,k为分解尺度,(i,j) 为分解通道上的位置,v(i,j,θt)表示θt(t=1,2,…,2k-1)分解通道上,(i,j) 位置处的分解系数,θmax表示最大分解系数所对应的分解方向数的二进制编码。
该二元特征(vmk(i,j),θmax)反映了第k尺度位置点(i,j)的最大频率响应值和对应频率响应方向。描述了纹理特征的点特征(位置、方向和频率特征)。试验证明该特征拥有非常高的特异性。
第三步 尺度内虹膜区域特征抽取
当(i,j)遍历k尺度一个分解通道时。依据式(3)可以提取虹膜纹理的点特征集合。在点特征集合上,依据最大熵原理可以生成虹膜纹理的区域特征。
式中,集合X为点(i,j)和其八邻域的特征数据构成的集合,l表示该集合中元素的计数,l=0,1,…,8,pi=1/9。这样初始化公式就可以获得该点在该区域的最大熵。该区域特征有效地减少虹膜图片伸缩引起的“伪特征点”。将该特征并入到(i,j)对应的点特征集中,生成三元组(vmk(i,j),θmax.H(x))集合。该集合从点特征、区域特征两个方面描述纹理信息,增加了抽取约束,提高识别性能。
第四步 依据尺度间特征点相关性消除频率混叠产生的伪特征点
依据式(4),在 1,2,3,4,5尺度上生成5个融合特征集s1,s2,s3,s4,s5,以s1的大小为依据,根据小波分解的抽取算法和边界处理算法,将该融合特征集归一化为s1的大小,生成的归一化融合特征集s′1,s′2,s′3,s′4,s′5,这些集合具有相同的大小和尺度间纹理位置的对应。依据尺度间纹理的相关性,即连续性和稳定性(连续性指在小波分解过程中,纹理是否具有尺度间的延续性;稳定性指小波分解过程中是否产生了“伪特征点”) 优化纹理特征。优化方法:如果归一化集合在点(i,j)位置处对应的5个三元组中,第一元的非零个数和大于5/2,并且非零元素顺次出现在小尺度下,则s5(i,j)=1。否则值为0。依据该优化方法,优化归一化融合特征集s′5,生成多特征融合的优化特征集。为降低算法时间和空间复杂度,将s′5调整为sk大小。由此得到的s′5就是本文算法生成的特征集合。
4匹配算法
4.1最大频率响应值特征匹配
式中,Col和Row分别表示待匹配矩阵的行和列,A和B表示最终特征平面中最大频率响应二进制编码,m表示编码位数。“⊕”表示异或运算。该匹配为三元组第一元匹配。
4.2方向角特征匹配
式中,Col和Row分别表示待匹配矩阵的行和列,A和B表示最终特征平面中最大频率响应对应的角度二进制编码,m表示编码位数。“⊕”表示异或运算。该匹配为三元组第二元匹配。
4.3区域熵值匹配
式中,Col和Row分别表示待匹配矩阵的行和列,A和B表示最终特征平面中区域熵值,abs表示模运算。该匹配为三元组第三元匹配。
4.4融合三特征匹配
WHDC=λ1·WHDV+λ2·WHDA+λ3·WHDH (8)
式中,λ1,λ2,λ3为加权系数,且和为1。该匹配为三元组各元融合匹配。
4.5自定义模糊匹配规则
为有效地结合三种虹膜纹理特征(方向特征、点特征和区域特征),设计推理规则如表2所示。
表2中,WHDC、WHDV、WHDA和WHDH分别表示融合特征值、最大频率响应特征值、方向特征值和区域特征值。而TX、T′X用X特征进行分类的两个阈值,X表示WHDC、WHDV、WHDA和WHDH。各个阈值可以通过下面实验获取。
在DataSet数据集上,利用本文算法进行类内类间匹配试验,试验结果如图4所示。
依据图4的类内和类间匹配距离分布情况,可以获得各个推理规则的阈值表(见表3)。
结合表2的推理规则和表3推理规则阈值可以设计适合于本文算法的规则Ri。其中i=1,2,…,11。推理规则设计:依据TWHDC 和T′WHDC可以设计推理规则R1、R2和R3。当匹配距离小于TWHDC时,认为两个样本非常接近,理论上是同一只眼睛(R1);当匹配距离大于T′WHDC时,认为两个样本非常远离,理论上不是同一只眼睛(R2);当匹配距离介于这两个阈值之间时,说明通过特征无法识别该虹膜(R3)。此时识别算法自动启动频率特征匹配推理规则R4、R5和R6。类似地顺次设计R4,R5,…,R11规则。
5实验分析
5.1算法识别性能实验
依据上面试验选取的阈值和相关参数,使用CASIA 1.0 数据库中108个类进行试验。实验计算机配为Intel Core2 Duo T5200(1.6G),内存2G。实验环境为Windows XP,Matlab 2010a等。试验结果如图5所示。
当阈值取0.113时,则正确识别率CRR(Correct recognition rate)为99. 999% , 错误拒绝率FRR(False reject rate)为0.0001,错误接受率FAR(False accept rate)为0. 243 %。并在ROC图中计算出该方法的等错率EER(Equal error rate) 为0. 13216。由此验证了本文算法具有良好的分类能力,是正确可行的。
5.2算法比较
文献[7]对几种经典的虹膜识别方法进行了重复性实验和详细的分析。而本文与文献[7]均采用CASIA 1.0虹膜库,相同的虹膜定位方法,归一化方法的本质也相同,因此二者具有可比性。对比结果如表4所示( 时间单位ms)。
同经典算法比较,表明本文算法是正确可行的,并具有较高的算法性能。
文献[7,8]分别介绍symlet和conuterlet两种不同类型小波多尺度多方向分析方法在虹膜识别方向上的应用。实验图库与本文算法本质相同。算法比较结果如表5所示,结果表明不可分离小波多尺度多方向分析方法在虹膜方面具有很强的纹理描述能力。
单一特征(方向、频率和区域特征)算法与融合特征算法性能比较结果如表6所示。
这一结果表明,与单一特征匹配算法比较,融合算法与模糊推理规则联合算法拥有更优秀的算法性能。
5.3实验分析
本文算法有较高的识别率,但是仍有部分虹膜不能识别,其中不可识别的原因可分为:
(1) 识别区域内睫毛和眼睑等噪声非常严重,“伪特征点过高”,例如图6的情况。
(2) 采集阶段光照刺激使虹膜伸缩过大。区域特征提取方法也已经不能有效校正的。例如图7的情况。
6结语
针对多尺度多方向分析的虹膜识别算法存在特征提取单一,且仅考虑固定尺度特征而没有考虑特征在尺度间的相关性的缺欠。提出了基于尺度相关多特征提取与融合的虹膜识别算法。利用不可分离小波对归一化虹膜图像进行多尺度多方向分解。在最优尺度上,进行虹膜纹理点特征和区域特征提取。并利用特征点在尺度间的相关性优化特征集合。得到最优特征集。并将得到的最优特征进行融合,依据融合特征特点建立适合于本算法的多特征模糊推理规则,利用该推理规则进行分类。实验结果表明,本文算法正确可行,并能有效地应用尺度间特征关系消除伪征点。
【虹膜识别技术】推荐阅读：
虹膜考勤系统技术协议07-02
虹膜特征提取09-15
激光虹膜成形术09-07
虹膜固定型人工晶体论文08-13
识别技术09-26
语音识别技术05-28
车型识别技术06-07
三维识别技术09-08
身份识别技术09-16
字符识别技术11-24