虹膜识别

虹膜识别技术简介什么是虹膜？虹膜是位于人眼白色巩膜和黑色瞳孔之间的环状组织，包含了最丰富的纹理信息。外观上看，虹膜由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一虹膜的位置巩膜瞳孔虹膜外边缘内边缘虹膜上的细微特征瞳孔褶皱瞳孔区睫状区凹陷区深色斑点收缩性皱纹虹膜结构图虹膜识别的优点：虹膜，作为重要的身份鉴别特征—1.高独特性：几乎任何两个人(包括双胞胎)的虹膜都是不完全相同的，即使是同一个人左右眼的虹膜也存在一定的差异。2.高稳定性：虹膜本身一般不易发病，可以保持几十年不变。3.良好的防伪性能：要想精细地修改虹膜的表面结构特征，即使采用目前先进的眼科手术，也必须冒着视力损伤的危险。另外，利用虹膜本身有规律的震颤特性以及虹膜随光强度变化而缩放的特性，可以把假冒的虹膜图片区分开来。4.易接受性：可以不与人体接触，甚至能够在人们没有觉察的情况下把虹膜图像拍摄下来。虹膜识别的一般步骤：虹膜图像获取图像预处理特征提取特征匹配虹膜识别技术的基本原理图像获取虹膜定位特征提取特征数据库识别或认证结果识别认证一、虹膜图像的获取虹膜是一个很小的器官，直径约十几毫米，不同人种的虹膜颜色有着很大的差别。白种人的虹膜颜色浅，纹理显著黄种人的虹膜则多为深褐色，纹理非常不明显虹膜图像可以通过CCD摄像头及图像采集卡输入计算机传统方式便携方式二、虹膜图像的预处理通过获取装置采集的虹膜图像通常不可能仅仅包含虹膜，往往还有眼睛的其它部分，比如眼睑、睫毛、眼白等，而且在高度非侵犯性系统中，由于对被试者不做要求，虹膜在图像中的位置与大小都会发生变化。因此，在进行虹膜识别之前，必须先确定出虹膜在图像中的位置并进行大小归一化等操作。进行虹膜图像预处理：原始输入图像虹膜图像的灰度直方图二值化方法定位瞳孔虹膜图像边缘提取修正后的虹膜边缘虹膜定位虹膜图像的归一化图像增强虹膜图像预处理效果图：图像预处理(IMAGEPREPROCESSING)从摄取的眼睛图像中将虹膜图像分离出来，去除眼睑、眼液及微小组织的影响，排除噪声干扰，采用平移变换、图像对准的方法消除漂移(shift)、缩放(scale)和旋转(rotate)现象。去除由于反光等噪声干扰。进行边缘检测，用Hough变换对虹膜的内外边缘进行准确定位，将其与其他部分分离开来，使虹膜图像结构之间具有一致性。虹膜定位：由原始输入图像可以看出，虹膜包含纹理的部分是内外两个近似圆形边界之间的部分，虹膜内侧与瞳孔相邻，外侧与眼白相邻。但是，这两个圆不是完全同心的,我们需要分别对内外两个边界进行处理。对虹膜边缘的定位采用两步法,即先利用灰度投影量进行粗定位,然后利用圆形模板进行精定位。这样可以提高虹膜边缘定位的速度,避免一些盲目性的搜索。虹膜粗定位由于瞳孔的灰度和虹膜的灰度相去甚远，所以我们可以充分利用图像的灰度特征，找出瞳孔的边界，即虹膜的内边界。我们对图像采用二值化的方法找出瞳孔的边界。摄像机获取的图片通过二值化的图像内边界的提取：与眼睛的其他部分相比，瞳孔要暗得多。我们采用二值化的方法分离出瞳孔，提取内虹膜边界。二值化方法的关键在于阈值的选取，具体做法是，先计算出整个图像的灰度直方图,它应该有两个主要的峰值，其中的第一个峰值，对应的就是瞳孔区域灰度集中的范围，第二个峰值对应的是虹膜区域的灰度集中范围。显然，提取瞳孔的二值化阈值应该选择在第一个峰值的右侧。对图像进行二值化后，我们可以看出，瞳孔成功地被分离开来。已知了瞳孔的边界，便可以获得其参数（圆心和半径）。在利用虹膜的灰度投影量来确定出虹膜的参数（圆心和半径）。设瞳孔圆心Op(xp,yp)，半径r，虹膜圆心Oi(xi,yi)，半径R，I(x,y)为(x,y)点的灰度值。通过下式可以求出在x和y方向上的灰度投影量。外圆边界的提取：可以采用最小二乘拟合的方法提取外圆边界。首先使用Canny算子对原图像进行边缘提取，然后根据瞳孔的位置和其它的先验知识，去除一些无用的点，比如眼眉和内边界等，最后采用最小二乘法进行拟合。最后虹膜定位。外圆边界的提取：虽然虹膜同巩膜的灰度值相差得也比较大，但是从虹膜的像素点到巩膜的像素点的过渡相对平缓，在原始虹膜图像中，同值像素分布不如瞳孔像素分布那样集中，直接用直方图来进行阈值分割，效果不理想。采用小波变换初步确定虹膜外边界轮廓，虹膜外边界的精确定位仍然要Hough变换．睫毛和噪声处于图像的最高频部分，纹理特征也最明显，而且经常掩盖虹膜外边界的纹理特征。通过低通滤波可以消除睫毛和噪声的主要影响。虹膜精定位由于虹膜具有良好的环状特性，所以可采用如下算子对虹膜边缘进行精定位。其中Gσ(r)为高斯函数，*表示卷积，上式实质上是一个以尺度σ模糊化的圆形边缘探测器模板。它对瞳孔边缘或虹膜外边缘的定位过程，是在(r,x0,y0)三参数空间不断迭代求最优解(即求最大值)的过程。虹膜的归一化：归一化的目的是将每幅原始图像调整到相同的尺寸和对应位置，从而消除平移、缩放和旋转对于虹膜识别的影响。虹膜的内外边界都为圆形，可以简单地利用几何方法归一化。以瞳孔圆心为起点，与虹膜内外边界的交点坐标分别为(xp(θ),yp(θ))和(xs(θ),ys(θ))，则利用下式，将虹膜图像中的每个点一一映射到极坐标(r,θ)中。用极坐标变换的方法进行归一化：将虹膜图像中的每个点一一映射到极坐标，这种映射对于平移和内外圆环的大小变换等具有不变性。综上所述，整个虹膜识别的过程对于虹膜图像的旋转、平移和尺度变化以及瞳孔的收缩都具有不变性。虹膜图像归一化由于上下眼皮会部分地遮挡虹膜顶端和底端，为了排除这一部分，以瞳孔为中心，截取-π/4～π/4及3π/4～5π/4的虹膜区域。然后将截取的虹膜区域在极坐标系中展成矩形，使矩形的行对应半径，矩形的列对应所取的角度。排除遮挡部分的虹膜展开成矩形的虹膜内侧外侧半径方向虹膜图像归一化虹膜纹理从瞳孔内侧起沿半径方向由细到粗,不同的空间特征在各种尺度上非常明显。因此，为了捕获虹膜的空间细节，利用多尺度表达，将虹膜图像沿半径方向分成8个带。图像的各个带展成多大是一个值得考虑的问题。这个问题与滤波器的尺寸有关。内侧外侧半径方向8个带虹膜图像增强：由于设备的原因，使得虹膜图像上的光照不能完全按均匀分布，这样将会影响纹理分析的效果。为了更好地提高识别效果，我们对展开后的虹膜图像进行了局部的直方图均衡化，从而实现了图像增强，减少了非均匀光照的影响。三、虹膜特征提取两种比较典型的方法—多通道滤波二维小波变换从一定意义上讲，前者是后者的特列。二维小波变换：小波变换是一个常用的图像分析手段，并且在纹理识别中有较多的应用。一个二维小波变换可以看作两个连续的一维小波变换。二维小波变换将一幅图像分解成一系列的低频子图像。小波变换的结果取决于所采用的小波基的类型，而小波基是由滤波器的类型决定的。小波的四种通道：LL通道代表了图像在水平低频和垂直低频下的信息LH通道代表了图像在水平低频和垂直高频下的信息HL通道代表了图像在水平高频和垂直低频下的信息HH通道代表了图像在水平高频和垂直高频下的信息在四种小波通道中，HH通道反映的是图像的高频特征，其中包含了图像中的大部分噪声，不适合用于纹理特征的提取。因此我们使用图中阴影部分的共7个通道来进行纹理分析。对于每个通道的滤波结果，提取均值和方差作为其特征。由于在小尺度下的小波子图像受噪声的影响比较严重，为了增加识别算法的抗噪声性能，在具体算法中，我们对于归一化的图像，进行3次小波分解，对3个尺度下的小波系数进行处理，这样总共有7个小波通道，每幅输入图像提取出14个特征。特征匹配(FEATUREMATCHING)特征匹配通常采用最典型的虹膜代码的海明距(HammingDistance,HD)匹配算法。该算法是通过比较两个虹膜特征码是来自相同的个体的虹膜，还是来自不同个体的虹膜，比较虹膜代码A和虹膜代码B的L位的每一位（L一般取1024或2048）。HD定义为：Ai、Bi进行异或运算特征匹配实验结果表明，由于受环境等因素的影响，把同一虹膜的不同时间提取的特征码进行比对时，HD分布的峰值将在0.1附近。不同虹膜的特征码进行比对时，HD分布的峰值将在0.5附近。性能评价指标(PERFORMANCEEVALUATIONINDEXES)精确性速度对被检验者和外界环境的适应能力其中精确性是最重要的一个性能指标。性能评价指标精确性一般用识别率来表示，识别率有三种：拒判率FRR(FalseRejectRate)误判率FAR(FalseAcceptRate)等误率EER(EqualErrorRate)还有一类评判指标（一般出现在英文文章中）：FMR(FalseMatchRate)FNMR(FalseNon-MatchRate)性能评价指标FRR和FAR之间的关系如下图所示。它表明在不同操作点上FRR和FAR之间的平衡，一般用等误率EER来衡量。EER是当一个生物认证系统运行在FAR等于FRR的点上时系统的错误率。左图中系统2不如系统1据统计虹膜特征识别是等误率最低(0.00008%)的一种生物识别技术。EER虹膜识别的优势同其它的生物识别技术相比，虹膜识别技术具有非常明显的优势。虹膜识别的优势搜索符合影像的时间短（每秒10万笔虹膜编码）。虹膜被人体保护，不易改变（在怀孕第7个月已经确定）。具有高独特性，高稳定性，防伪性好，易使用性。虹膜识别的不足虹膜识别技术刚起步，很多方面都有不足：虹膜纹络是否具有稳定性有待研究。虹膜采集技术有待提高。高重复性的虹膜识别算法有待进一步开发。目标物渺小，以致于有取得目标物的距离限制。瞳孔、睫毛或多或少会对图像采集造成影响。天生无法聚焦的人会使得系统运行困难。