下载文档原格式
虹膜特征提取算法简介虹膜特征提取算法是一种用于识别个体身份的生物特征识别技术。
虹膜是人眼中的一部分，具有独特且稳定的纹理特征，可以用于身份认证、安全控制等领域。
虹膜特征提取算法的目标是从虹膜图像中提取出可用于比对的特征向量，以实现精确的身份识别。
虹膜图像获取虹膜图像的获取通常需要使用专门的设备，如虹膜识别仪。
这种设备通过红外光和相机来捕获虹膜图像。
虹膜图像的获取过程需要确保被检测者的眼睛能够对准设备的摄像头，并且眼睛没有明显的遮挡物。
获取到的虹膜图像通常是一张高分辨率的彩色图像。
虹膜图像预处理在进行虹膜特征提取之前，通常需要对虹膜图像进行一些预处理操作，以提高后续算法的准确性。
常见的预处理操作包括：1.图像去噪：使用滤波器对图像进行平滑处理，消除图像中的噪声。
2.边缘检测：使用边缘检测算法，如Canny算法，提取出图像中的边缘信息。
3.图像增强：通过调整图像的对比度、亮度等参数，增强图像的可视化效果。
4.图像分割：将虹膜区域与其他区域进行分离，以便更好地提取虹膜特征。
虹膜特征提取算法虹膜特征提取算法的目标是从预处理后的虹膜图像中提取出一组具有独特性和稳定性的特征向量。
这些特征向量可以用于后续的比对和识别。
常用的虹膜特征提取算法有以下几种：1. Daugman算法Daugman算法是一种常用的虹膜特征提取算法，它基于虹膜纹理的统计特征。
该算法首先将虹膜图像转换为极坐标形式，然后通过多个环形滤波器对虹膜图像进行滤波，提取出不同频率的纹理信息。
最后，通过统计分析得到一组代表虹膜纹理的特征向量。
2. Gabor滤波器Gabor滤波器是一种基于复数的滤波器，常用于图像处理中的纹理分析。
在虹膜特征提取中，Gabor滤波器可以用于提取虹膜图像中的纹理特征。
该算法通过一系列不同方向和频率的Gabor滤波器对虹膜图像进行滤波，得到一组响应图像。
然后，从响应图像中提取出代表虹膜纹理的特征向量。
3. 直方图特征提取直方图特征提取是一种简单但有效的虹膜特征提取算法。
一种基于相位一致性的虹膜识别方法作者：王恩东来源：《现代电子技术》2010年第10期摘要:由于虹膜具有惟一性、稳定性、不可更改性等优点,虹膜识别已经成为生物特征身份识别领域中的研究热点。
为了简化特征提取方法并提高虹膜识别的准确性,提出一种基于相位一致性的虹膜识别方法。
该方法利用相位一致性所具有的较强特征检测能力,提取虹膜纹理的边缘点标记纹理的位置信息,将位置特征作为虹膜纹理的可区分性特征实现虹膜识别。
在CASIA-IrisV3-Interval图像库上进行实验的结果证明,该方法是可行的,也是有效的,并且具有较高的识别准确性。
关键词:生物特征身份识别; 虹膜识别; 相位一致性; 特征提取; 模式匹配中图分类号:TP391.41 文献标识码:A文章编号:1004-373X(2010)10-0093-03Iris Recognition Method Based on Phase CongruencyWANG En-dong(Shenyang Institute of Chemical Technology, Shenyang 110142, China)Abstract:Iris recognition has become a research hot-spot in the biometrics recognition filed, because the iris has the properties of unique, stable, unchangeable. an iris recognition method based on phase congruency is proposed,to simplify the method of feature extraction and improre the accuracy of iris recognition,theedge points of iris veins were extracted to mark the location information of iris byutilizing the strong ability for feature detection of phase congruency. It also considers the location feature as the distinguishable feature of iris veins. Experimental results on CASIA-IrisV3-Interval image database demonstrate that the proposed method is feasible and effective, and it has high recognition accuracy.Keywords:biometrics; iris recognition; phase congruency; feature extraction; pattern matching虹膜识别技术是20世纪90年代发展起来的一种生物特征身份识别技术[1]。
基于图像处理的虹膜识别系统开发虹膜识别系统是一种高安全性、高鉴别性的生物特征识别技术，它通过对人眼虹膜的图像进行处理和分析，实现个体的身份认证。
在当前信息安全、智能锁具、边境安全等领域，虹膜识别系统被广泛应用。
本文将探讨基于图像处理的虹膜识别系统开发。
首先，基于图像处理的虹膜识别系统的开发需要涵盖以下几个关键步骤：图像采集、图像预处理、特征提取和模式识别。
首先，图像采集是系统中的第一步，其目的是获取到人眼虹膜的图像。
在这一步骤中，可以使用虹膜摄像机或普通摄像机来采集人眼的图像。
然后，通过图像预处理，将来自不同设备采集的图像进行归一化处理，以确保图像具有相同的尺寸和亮度状况。
接下来，特征提取是系统中的核心环节。
在这一步骤中，利用图像处理技术提取出虹膜图像中的特征信息，例如虹膜纹理、均匀性和对比度等特征。
常用的特征提取方法有高斯滤波、方向滤波和小波变换等。
通过有效的特征提取算法，能够准确抽取出可用于区分个体的虹膜特征。
最后，模式识别是虹膜识别系统的决策过程。
在这一步骤中，使用合适的分类算法将图像特征与已知模型进行比对，以识别出图像中所属的个体身份。
常用的分类算法有支持向量机（SVM）、人工神经网络和决策树等。
其中，支持向量机是一种常用的分类方法，其通过构建超平面将特征向量空间划分为不同的类别，并且具有较高的分类精度。
总的来说，基于图像处理的虹膜识别系统开发需要充分利用图像处理技术、特征提取算法和模式识别算法。
这些技术的正确应用将直接影响系统的识别效果和性能。
在实际应用中，为了提高系统的鲁棒性和可靠性，需要有大量的虹膜图像数据库用于训练和测试系统。
此外，基于图像处理的虹膜识别系统的开发还需要解决一些实际问题。
例如，光照条件的变化、眼睛运动和图像质量对系统性能的影响。
为了解决这些问题，可以通过使用多种光照下的图像样本进行训练，应用成像技术优化眼睛运动造成的图像失真，并对图像进行预处理来改善图像质量。
最后，虹膜识别系统的开发还需要考虑系统的安全性和隐私保护。
基于图像处理的虹膜识别技术研究与应用虹膜识别技术是一种基于生物特征识别的身份验证技术，通过对虹膜图像的提取和比对，可以实现高度精确和可靠的个人身份识别。
虹膜识别技术在安全领域、金融行业、智能手机等多个领域具有广泛的应用前景。
本文将探讨虹膜识别技术的原理和算法，并分析其在各个领域中的应用。
首先，虹膜识别技术的原理是基于每个人虹膜独特的纹理特征来进行身份验证。
虹膜处于眼球的表面，具有丰富的细节信息和独特的图案。
首先，通过近红外摄像机或者其他成像设备来采集人眼的虹膜图像，然后通过图像处理算法对图像进行分析和提取。
在图像处理过程中，首先需要提取出虹膜边界，然后对虹膜纹理进行特征提取，最后将提取到的特征与数据库中已注册的虹膜特征进行比对以验证身份。
基于图像处理的虹膜识别技术主要包括图像的预处理、虹膜区域的提取、特征提取和特征匹配四个步骤。
在图像预处理步骤中，需要先将采集到的虹膜图像进行图像去噪、增强和归一化处理，以提高后续处理的准确性。
虹膜区域的提取是识别系统的关键步骤，通常采用边缘检测、分割和区域填充等方法来提取出虹膜的边界和区域。
然后，通过采用纹理分析和变换方法来进行特征提取，常用的方法包括小波变换、Gabor滤波器和稠密光流等。
最后，通过特征匹配算法对提取到的特征与数据库中的虹膜特征进行比对，判断是否匹配。
虹膜识别技术具有较高的可靠性和准确性。
虹膜作为一种固有特征，具有不可重复性和稳定性，与其他生物特征识别技术相比，如面部识别和指纹识别，虹膜识别更加具有独特性。
同时，虹膜识别技术对于光环境和角度的要求较低，适用范围广泛。
虹膜识别技术在安全领域有着广泛的应用。
例如，虹膜识别技术可用于边境检查、机场安检、金融交易等身份验证场景中，能够有效防止身份冒用和欺诈行为的发生。
此外，虹膜识别技术可以应用于智能手机、电脑和门禁系统等设备上，提供更加安全便捷的解锁和身份验证功能。
除了在安全领域的应用，虹膜识别技术还可以在医疗领域、教育领域和物联网领域等方面发挥作用。
摘要在当今信息化时代，如何精确鉴定个人的真实身份、保护信息安全，已成为一个急待解决的关键性问题。
传统的身份认证极易伪造和丢失，难以满足急速发展的社会需求，目前最为便捷、安全的解决方案就是生物体识别技术。
它不仅简洁快速，而且安全、可靠、准确。
同时更易于配合网络和安全、监控、管理系统整合，实现自动便捷管理。
虹膜识别是一种基于人体生理特征的生物体特征识别技术，与人体纹理、掌纹、脸相、音频、步频、血液等特征识别相比，具有唯一、高稳定、识别率高、检测方便等优点，因此虹膜识别技术己成为当前身份鉴别研究的热门领域。
本论文详细阐述了虹膜识别技术的研究背景和现状、虹膜生理结构和虹膜识别系统的构成。
较深入的研究了虹膜识别算法，实现了三个步骤，即虹膜数字图像预处理、特征码提取和模式匹配。
本论文的研究工作主要集中在对虹膜数字图像预处理的归一化和模式匹配两方面的研究。
在虹膜数字图像预处理的归一化过程中，采用一种基于Dangman橡皮片的辐射线段的归一化方式，将环型区域改变成为矩形区域。
这种方式采用若千条线段表示两个非同心圆周之间的区域，只要设定这些线段上的点数就可以起到很好的归一化成果，并且仅出一种分析模型。
更加定位搜索的效率，节约时间，简化定位的过程。
采取Hough变换算子对虹膜进行精定位。
在特征提取及编码匹配过程中，本论文首先将归一化后的2D虹膜数字图像转换为1D灰度信号，从而减小了运算量;然后运用1D Gabor小波对构造的1D 灰度信号进行分析，选取一定尺度上的小波变换结果进行量化，生成二进制的特征向量，从而提高了虹膜识别技术的效率;最后通过改进的Hamming距离移位匹配，实现了识别中的旋转不可逆性。
本论文通过使用中科院自动化研究所的虹膜数据库(CASIA-IRISV1)的虹膜数字图像进行实验。
经过一定工作量的科学实验对这一算法进行了验证。
实验结果：本论文选取的CASIA-a中心波长为20像素效果最好。
最好的模板大小为辐射分辨率22像素，角分辨率为240像素。
一种安全快速的虹膜识别方法
苑玮琦;白云;柯丽
【期刊名称】《小型微型计算机系统》
【年(卷),期】2009(30)1
【摘要】虹膜识别技术作为一种生物特征识别手段,具有唯一性、稳定性等优点,从而成为当前模式识别和机器学习领域的一个研究热点.目前的虹膜识别方法多数是采用在图像上提取特征点,并将特征点编码为固定长度的特征数据用于匹配的方式,这种方式的特征提取算法复杂,计算量大,而且使虹膜识别系统易受到攻击.为了提高虹膜识别系统的安全性和识别速度,本文提出一种安全快速的虹膜识别方法,在活体虹膜上进行直接匹配,该算法具有识别速度快,准确率高的特点,经实验验证,识别时间为30.1ms,识别率达到98.86%,与经典算法相比较,算法简单,安全性高,具有放缩,平移、旋转不变性.
【总页数】5页(P125-129)
【作者】苑玮琦;白云;柯丽
【作者单位】沈阳工业大学,视觉检测技术研究所,辽宁,沈阳,110023;沈阳工业大学,视觉检测技术研究所,辽宁,沈阳,110023;沈阳工业大学,视觉检测技术研究所,辽宁,沈阳,110023
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种多特征提取及融合的虹膜识别方法 [J], 张震;刘博;李龙
2.一种基于核主成分分析和组合分类器的虹膜识别方法 [J], 伍尤富
3.一种基于核主成分分析和组合分类器的虹膜识别方法 [J], 伍尤富
4.一种基于相位一致性的虹膜识别方法 [J], 王恩东
5.一种新的基于特征选择的虹膜识别方法 [J], 姚明海;王娜;李劲松
因版权原因，仅展示原文概要，查看原文内容请购买。
虹膜识别算法的研究及实现潘力立摘要生物识别技术是进几年来兴起的身份识别技术，由于它利用了人体某些终生不变性和非侵犯性的特征，因此具有很高的可靠性和安全性，而且操作方便快捷。
人体有各种外部特征，如指纹、人脸、眼睛、虹膜等等。
虹膜由于其特殊结构，使得利用它进行的身份鉴别具有更高的准确率。
目前虹膜识别技术被广泛认为是最具有推广价值的生物识别技术之一。
本文主要的研究工作有：1. 在分析已有虹膜图像质量评估算法的基础上，提出了基于点锐度的虹膜图像质量评估算法和基于多分辨率分析的虹膜图像质量评估算法，这两种算法对虹膜的清晰度、眼睑睫毛的遮挡等系列问题进行了考虑，具有很强的通用性。
2. 针对已有虹膜定位算法耗时较长和准确率不高等特点，本文提出了新的基于灰度信息的虹膜定位算法，该算法通过搜索灰度曲线上灰度梯度值最大的点来获得虹膜边界点，并通过曲线拟合定位虹膜边界的位置，这样避免了以往算法在搜索边界时的反复迭代，大大提高了定位速度。
针对该算法对光照条件较敏感的不足，本文又提出了新的基于小波多分辨率分析的虹膜定位算法，该算法通过对灰度曲线的细节分量进行分析，得到虹膜准确的边界点位置。
该算法不受光照条件的影响，在一定程度上可以避免眼睑和睫毛的遮挡，具有很强的稳定性，其性能明显优于已有的算法。
3. 详细介绍了Gabor虹膜编码方法，给出了多种参数方案。
提出了一种简单高效的基于多分辨率分析的特征提取和匹配方法。
4. 给出了算法在TI TMS320 C6713b上的移植和优化方法和针对项目设计硬件平台的μC/OS-II嵌入式系统剪裁移植和应用程序编写方法。
所有的算法都在CASIA标准虹膜库上进行了测试，实验结果表明，本文提出的算法在处理速度上和识别准确率上都有所提高。
系统运行稳定，处理一枚虹膜图像的时间小于0.2秒。
关键词：虹膜识别，点锐度，多分辨率分析，嵌入式IAbstractBiometric recognition technology, which identifies people through their uniqual features, becomes hot recently due to its convenience and efficiency. Human has many biometric features, such as fingerprint, face, eye and iris. Among these, iris has very special structure which makes the identification has high accuracy; therefore, Iris identification technology is regarded as one of the most widely-used biometric identification technology in the future. In this paper, we introduce the below aspects:1. Through analyzing a few existing algorithms, we proposed two new iris image quality evaluation algorithms. Both take account of the image definition and eyelash occlusion problem, and are universal in different iris acquisition system.2. In the iris localization part, to improve the efficiency and accuracy of the proposed algorithm, we proposed a new method based on the iris intensity value, in which we adopt edge points detecting and curve fitting. Then, we proposed another iris localization algorithm based on Multi-resolution Analysis. The most important merit of this algorithm is that it’s seldom affected by lash occlusion problem and illumination.3. In the feature extraction and matching part, we analyze the different matcing results when use the Gabor Transform with different parameters. At last, we give a new feature extraction method.4. We introduce the transplanting method of the algorithmto TI TMS320 C6713b DSPs platform and design the embedded system based on μC/OS-II.All the algorithms are proved to be valid accoerding to the experiments on CASIA iris database. Compared with the previous algorithm, the algorithm poposed in this paper improve a lot. Meanwhile, the system is stable and the time cost to process one image is less than 0.2s.Keywords: iris recognition, point sharpness, Multi-resolution Analysis, embedded systemII目录第一章绪论 (1)1.1 课题提出的背景和意义 (1)1.2 生物特征识别技术 (2)1.3 虹膜识别技术 (5)1.4本课题所做的主要工作 (11)第二章基于点锐度的虹膜图像质量评估 (14)2.1 虹膜图像中存在的质量问题 (14)2.2 现有虹膜图像质量评估方法 (14)2.3基于点锐度的虹膜图像质量评价方法 (19)2.4 试验结果 (21)第三章基于多分辨率分析的虹膜图像质量评估 (24)3.1 多分辨率理论 (24)3.2 虹膜归一化图像的多分辨率分解 (28)3.3 眼睑和睫毛遮挡图像的小波分析 (29)3.4 虹膜图像清晰度 (31)3.5试验结果 (32)第四章基于灰度信息和基于多分辨分析的虹膜定位算法 (34)4.1 基于灰度信息的虹膜定位算法 (34)4.2 基于多分辨率分析的虹膜定位算法 (40)4.3 试验结果 (44)第五章虹膜归一化和光照估计 (47)5.1 归一化 (47)5.2 光照估计 (49)5.3 图像增强 (50)第六章基于GABOR变换和基于小波多分辨率分析的匹配算法 (52)6.1 基于G ABOR变换的匹配算法 (52)III6.2 基于多分辨率分析的匹配算法 (57)6.3 算法评测标准 (58)6.4试验结果及分析 (60)第七章虹膜识别算法在TMS320 C6713上的移植优化和嵌入式系统设计 (64)7.1 TI TMS320 C6713B (64)7.2 针对C6713的代码优化 (65)7.3 针对C6713的C ACHE优化 (68)7.4 优化前后的比较 (70)7.5嵌入式虹膜识别系统硬件平台 (70)7.6 ΜC/OS-II嵌入式操作系统 (73)7.7 ΜC/OS-II在TI TMS320 C6713上的移植 (73)7.8嵌入式虹膜识别系统中任务设计和调度 (74)第八章结论及展望 (78)致谢 (79)参考文献 (80)攻硕期间取得的研究成果 (84)IV第一章绪论近十年来，人们对身份的自动鉴别产生了极大的兴趣，希望找到一种可靠、快速和无侵犯性的身份鉴别方法。
摘要随着信息社会的快速发展，对安全的需求也日益增长。
虹膜识别技术作为一种身份识别，以其很高的可靠性得到人们的重视。
虹膜识别系统核心一般由图像采集、虹膜定位、归一化、特征提取及编码和训练识别五部分构成。
本文介绍了目前虹膜识别的现状，简单阐述了一些经典的虹膜识别算法和技术，并完成识别系统。
在虹膜的定位阶段，首先对图像进行缩放，在不影响后续处理的情况下减小了处理的数据量，然后采用梯度加权的Canny算法进行边缘检测，再对边缘图像，采用圆Hough定位方法，分别定位了虹膜的外边界。
接着采用Radon变换检测直线的方法分割上下眼睑，阈值法除去睫毛干扰。
同时也研究了一些文献中分割眼睑和睫毛的方法。
归一化阶段，采用了文献中普遍使用的“Rubber-Sheet”模型，将虹膜归一化为64512大小的矩形，以利于特征比对。
在虹膜的特征提取及编码阶段，基于信号处理中的空间/频域技术，采用一维Log Gabor滤波器提取虹膜的纹理信息，对滤波结果的实部和虚部分别进行相位量化和编码，同时也对噪声进行处理，获得相应的掩码。
训练识别阶段，采用海明距离度量虹膜之间的相似度，选取最小距离分类器和具有最小错误率的分类阈值形成组合的分类决策规则。
整个识别系统主要在中科院V3.0虹膜数据库上进行了测试。
关键词：虹膜识别；虹膜定位；圆Hough变换；Log Gabor小波ABSTRACTWith the rapid growth of information technology, the demands of information security are ever-growing. As the technology of identification, iris recognition, for its high reliability, gets great attention. Iris recognition system consists of image capturing, iris location, iris normalization, feature extraction and coding and decision training. In this dissertation, the situation of iris recognition is presented. Some practical algorithms and technique are briefly introduced. A system of iris recognition is fulfilled.In iris location stage, image is zoomed to reduce the data volume with less influence on post processing. Afterword, the algorithm of Canny edge detection, with weighted gradient, is adopted. In the edge image, Circular Hough transform is applied to locate the inside and out boundary of iris. Then, linear Radon transform is put to use to detect the eyelids. Eyelashes are eliminated by threshold.In normalization stage, “rubber-sheet”model, in general us e, is used t-o unwrap iris image into a rectangle of the same s ize, for the comparison of characteristics.In feature extraction and coding stage. 1D Log Gabor filter s are used to filter the iris texture features in the space-frequen cy domain. Then, the real part and the image part is quantize d by phase encoding respectively. Besides, the processing of noise to generates mask.In decision training stage, the Hamming distance is employed to measure the similarity of two iris. The minimum distance classifier combining with the threshold with minimum error ratio are used as the decision rules. The experiments implemented on CASIA iris database V3.0 show that the system performs well.Key Words: Iris Recognition; Iris Location; Circular Hough Transform; Log Gabor Wavelets目录第一章绪论 (1)1.1 生物特征识别 (1)1.1.1 非生物特征身份鉴别方法 (1)1.1.2 生物特征识别技术的提出 (2)1.1.3 研究生物特征识别技术的意义 (3)1.2 虹膜识别研究 (3)1.2.1 虹膜识别的机理 (3)1.2.2 虹膜识别的发展与现状 (6)1.2.3 虹膜库 (9)1.3 本文研究的容 (9)第二章虹膜图像预处理 (11)2.1 虹膜外边界的定位 (11)2.1.1 Canny算子和Hough变换的基本原理 (11)2.1.2 本文采用的Canny算子 (14)2.1.3 本文采用的Hough变换圆检测算法 (16)2.1.4 虹膜外边界的定位 (17)2.2 眼睑的分割 (18)2.2.1 抛物线检测眼睑 (19)2.2.2 Radon变换法分割眼睑 (19)2.3 剔除睫毛 (21)2.3.1 阈值法剔除睫毛 (21)2.4 小结 (22)第三章虹膜图像归一化及特征提取 (23)3.1 虹膜纹理归一化 (23)3.1.1 平移 (23)3.1.2 旋转 (24)3.1.3 伸缩 (24)3.1.4 分辨率 (24)3.2 虹膜的Rubber-Sheet模型 (25)3.2.1 虹膜边界表示 (26)3.2.2 虹膜区域的表示 (27)3.2.3 虹膜区域规化 (28)3.2.4 灰度级插值 (29)3.2.5 具体实现 (31)3.3 小结 (31)第四章虹膜特征编码 (32)4.1 图像纹理分析的基本理论 (32)4.2 虹膜特征编码方案 (33)4.3 基于Log Gabor小波的特征编码 (35)4.3.1 Log Gabor函数性能分析 (35)4.3.2 Log Gabor小波的构造 (39)4.3.3 特征编码 (40)4.4 小结 (42)第五章虹膜模式匹配 (43)5.1 识别判决 (43)5.2 虹膜模式匹配 (44)5.2.1 海明距离匹配 (44)5.2.2 最小距离分类器 (46)5.3 统计分析 (49)5.4 小结 (52)第六章总结 (53)6.1 论文容总结与展望 (53)6.2 系统演示 (54)参考文献 (61)致 (63)第一章绪论1.1 生物特征识别生物特征识别有时也被称为生物测定技术。
第32卷 第5期2011年5月仪器仪表学报Ch i nese Journa l o f Sc ientific Instru m entV ol 32N o 5M ay .2011收稿日期:2010 08 R ece i ved D ate :2010 08*基金项目:国家自然科学基金(No .60672078)、沈阳市科学技术计划项目(No .F10 213 1 00)资助项目基于序列图像提取稳定特征点的虹膜识别算法*苑玮琦,张开营,杨冉冉,刘 博(沈阳工业大学视觉检测技术研究所 沈阳 110870)摘 要:为了尽可能降低不稳定特征点对识别率的影响,研究提出了基于序列图像提取稳定特征点的虹膜识别算法。
该算法首先用二维G abor 滤波器对序列虹膜图像提取特征编码,然后对该序列特征编码求交集以提取稳定特征点,并利用这些稳定特征点建立虹膜的特征模板库,最后通过计算相似度,获得识别结果。
在实验室采集的序列虹膜图库上,当等错率为0.3017%,分类阈值为0.6402时,正确识别率可以达到99.73%。
实验证明该算法是有效、可行的,并更好地提高了虹膜的分类精度和改善了虹膜的识别性能。
关键词:生物特征识别;虹膜识别;序列图像;稳定特征点;特征模板中图分类号:TP391.41 文献标识码:A 国家标准学科分类代码:460.40Iris recognition algorith m based on extracti ng stable feature poi ntsof sequence i m agesYuan W e i q ,i Zhang Ka i y ing ,Y ang Ranran ,L i u Bo(Computer V ision Group,Shenyang University of T echno logy,Sheny ang,110870,China )Abst ract :I n or der to reduce the infl u ence of unstab le feature po i n ts on iris recogniti o n ,an ir i s recogn ition a l g orithmbased on ex tracting stable feature po i n ts o f sequence i m ages is proposed .Firstly ,t h is algorithm ex tracts feature codes fro m sequence ir is i m agesw ith t w o d i m ensionalGabor filters .Secondly ,the stable feature po i n ts can be ex tracted by calcu l a ti n g the i n tersection of the feature codes o f the sequence i m ages .A t t h e sa m e ti m e ,iris feature te m p lates can be bu ilt based on these stable fea t u re po i n ts ;and the iris feat u re te m plates can be used for iris c lassifi c ation .A t las,t t h e identification results can be obtained w ith patter n recogn ition .W hen the equal error ra te is 0.3017%and t h e d istance thresho l d equals to 0.6402,t h e i d entificati o n accuracy is 99.73%for the iris database acquired in labo rato r y by onesel.f Experi m enta l results de monstrate t h at the ir i s recogn ition algorith m based on extracti n g stable fea ture po ints o f sequence i m ages is effective and feasi b le ,and the proposed a l g orithm can ach ieve h i g h classificati o n accuracy and i m prove iris recogn iti o n perfor m ance effecti v e l y .K ey w ords :bio m etric recogn ition ;iris recogniti o n ;sequence i m age ;stab le feature po i n ;t feature te mp late1 引 言虹膜识别是生物特征身份鉴别技术的主要研究方向之一,与其他生物特征比较起来,虹膜具有非侵犯性、稳定性、高可靠性、伪造的渺茫性等优点,是研究虹膜的重要依据。
据统计在生物特征识别领域中,虹膜识别具有最低的识别错误率[1 4]。
在近几十年的研究中,出现了大量虹膜识别算法,如:Daug m a n [5 6]利用多尺度G abor 小波滤波器对虹膜纹理进行局部相位量化和编码,用汉明距离计算两个编码之间的差异性;W il des 等[7]采用高斯 拉普拉斯金字塔算法对图像进行分解提取纹理的空间特征,选择归一化相关系数作匹配算法;Boles 等[8]用一维小波过零点检测方法来描述1070仪 器 仪 表 学 报第32卷虹膜纹理特征,用两个自定义的相关函数进行模式匹配; L m i等[9]使用二维Harr小波变换将图像进行四级分解,第四级的高频信息用作虹膜特征编码,采用改进的LVQ神经网络进行模式匹配;Sun等[10]将虹膜图像表示成分段光滑的三维曲面,用梯度向量场的方向信息来提取稳定的虹膜特征;苑玮琦等[11 12]运用二维小波多尺度变换,结合虹膜纹理分布特点,选择小波分解水平通道,依据点能量贡献度,消除伪特征点并进行了点能量编码,用海明距离得到识别结果;M ehrotra等[13]用小波变换提取特征编码,对同一位置的图像提取感兴趣的特征点[14],建立特征模板库,然后进行模式匹配;田启川等[15]从同一虹膜的多个图像中提取虹膜的稳定特征,并利用这些稳定特征建立虹膜的特征模板,然后用于虹膜的分类;A ziz i等[16]用c ontourl et小波变换获取虹膜图像的内在纹理结构,选择最优的特征点作为特征模板,有效的降低了虹膜特征空间的维数。
以上传统方法都是在同一位置处采集虹膜图像进行研究,虽然达到了一定的识别效果,但是在实际应用中还存在着一些弊端,比如偏离景深、光照、对比度的影响,图像高频信息中的某些细节变得可能模糊、不再清晰,甚至消失,使得提取的特征发生这样或者那样的变化,只有从变化的图像中提取不变的特征,才能真正达到识别的效果。
本文将那些容易发生变化的特征称为不稳定特征,稳定不变的特征称为稳定特征。
基于上述思想,本文提出了基于序列图像提取稳定特征点的虹膜识别算法,首先通过对同类序列不同位置处的归一化图像用2D Gabor滤波器[17]提取特征编码,然后对同类序列特征编码进行特征比较,找到虹膜的稳定特征点,把得到的稳定特征点作为注册图库的特征模板,这样用稳定特征点表示的虹膜在低维投影空间具有很好的聚类性能。
在虹膜识别过程中,对登录模式的一幅虹膜归一化图像进行特征编码的提取,然后与注册模式的稳定特征点进行相似度计算,根据训练样本获取的阈值进行归类。
序列图像是指人眼由超出景深范围一定区域向摄像头聚焦位置移动时获取到的连续图像,而文献[18]中的多幅图像是固定人眼与摄像头位置采集的图像。
经过实验证明进行稳定特征选取的虹膜识别效果明显好于未进行稳定特征选取的虹膜识别效果,说明本算法是有效的、可行的,同时本算法对超出景深范围以外一定区域内的离焦模糊虹膜图像也有很好的分类效果。
2 算法过程2.1 虹膜纹理特征点提取算法由于虹膜纹理方向受滤波器频率变化的影响,当纹理方向与滤波器方向垂直时,不受滤波器变化的影响,当不完全垂直时,受到滤波器的影响,而虹膜纹理是多方向、不规则的,因此结合2D Gabor滤波器良好的方向性和频率选择性,相似度计算也简单,所以本文在2D G abor 滤波器方向编码的框架下,研究虹膜稳定特征点的提取。
虹膜图像旋转的校正模型如图1所示。
图1 虹膜图像旋转的校正模型F i g.1Ir i s i m age ro tati ng correc ti on m ode ls假设I(x,y)表示图像,G2D Gabor(x,y)表示二维G a bor 滤波器变换,FT作为虹膜特征模板矩阵,I m[k],Re[k]表示滤波器的虚部和实部,Te mp[k]表示临时变量,经过2D G a bor滤波器算法的虹膜特征提取的式(1)~(3)为:G2D-Gabor(x,y)=exp{-[(x-x)2/ 2+(y-y)2/ 2]} exp{2 i[ (x-x)cos + (y-y)s in ]}(1)T e mp[k]=l m2[k]+R e2[k](2)FT=F lag[m ax(T e mp[k])](3)式中:(x,y)表示滤波器中心的位置,( , )表示高斯窗函数的有效宽度和高度, , 表示滤波器的频率和方向,矩阵FT的元素用0,1,2,3表示,其中0,1,2,3分别表示滤波器在4个方向0 ,45 ,90 ,135 响应最剧烈方向上的特征符号,F lag表示特征点符号,k=0,1,2,3。
CFA(i,j)=0or1or2or3count=count+10 i<m,0 j<n(4)SI M=m in( i,j(CF A(i,j) E A(i,j) CF s hift B(i,j) E shi f t B(i,j)))coun t(5)第5期苑玮琦等:基于序列图像提取稳定特征点的虹膜识别算法1071若A和B表示两个归一化后的虹膜图像,采用式(1)~(3)提取编码特征为CFA 和CFB,EA和EB分别表示为A和B的有效矩阵,元素的取值为 0 、 1 、 2 、 3 。
