虹膜识别.ppt

眼中的身份证 虹膜识别技术 (Iris recognition) 生物识别技术层出不穷 由于证件容易被剽窃、转移或丢失，识别码容易被忘记、破解，所以生物特征识别应运而生。 常见的生物特征有指纹、掌纹、虹膜、视网膜、脸形、声音、笔迹、DNA、人体气味等 虹膜的位置 虹膜是位于眼角膜之后，晶状体之前，巩膜和瞳孔之间的环形可视薄膜，包含纹理、血管和斑点等多个细微特征。 虹膜的位置 虹膜上的细微特征 John. G. Daugman Daugman于1993年提出了识别算法。 他提出的虹膜识别算法准确性高、速度快，一经提出就在生物识别领域引起了极大关注。 但是Daugman只给出了算法的框架，有关算法的具体实现却未见文献报道。 虹膜识别的过程 虹膜图像获取(Image Capture) 图像预处理(Image Preprocessing) 特征提取(Feature Extraction) 特征匹配(Feature Matching) 性能评价指标(Performance Evaluation Indexes) 虹膜图像获取(IMAGE CAPTURE) 虹膜图像可以通过CCD摄像头及图像采集卡输入计算机 图像预处理(IMAGE PREPROCESSING) 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。 图像预处理 虹膜定位(Iris Localization)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, 避免一些盲目性的有哪些信誉好的足球投注网站。 其他工作“漂移”通过平移变换即可纠正。“旋转”和“放缩”可以利用图像对准的方法纠正。将虹膜图像归一化(Normalization)。 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。 虹膜粗定位 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。 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。 虹膜图像归一化(NORMALIZATION) 为了实现精确的匹配，还要对图像进行归一化，补偿大小和瞳孔缩放引起的变异。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。 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。 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。 特征提取(FEATURE EXTRACTION) 有效策略之一是将图像与带通滤波器卷积，其中带通滤波器可以选择2D Gabor滤波器。 2D Gabor滤波器最初由Daugman在1980年提出。 其形式如下: 特征提取 2D Gabor函数通过缩放、旋转和平移可以形成一组自相似的小波。利用这些小波对图像进行变换，就称为Gabor小波变换。 其形式如下： 其中α和β是分别表示Gabor小波在x轴和y轴方向的带宽；f表示正弦曲面的频率；φ表示滤波方向。 这些函数与原始图像像素相乘和积分可产生一系列系数，从而可以提取图像纹理信息。 特征匹配(FEATURE MATCHING) 特征匹配通常采用最典型的虹膜代码的海明距(Hamming Distance,HD) 匹配算法。 该算法是通过比较两个