虹膜識別原理及算法

虹膜識別原理

虹膜中包含豐富的色素細胞，當外部光線照射到眼睛上時，由于不同人的色素細胞對光有不同的吸收率，使得虹膜呈現不同的顏色。從識別的角度來說，虹膜的顏色信息并不具有廣泛的區分性，那些相互交錯的類似于斑點、細絲、冠狀、條紋、隱窩等形狀的細微特征才是虹膜唯一性的體現。這些細微特征在彩色圖像和灰度圖像中是一致的，因此一般采用灰度圖像進行虹膜識別的研究。

虹膜識別技術的基本步驟為(如圖3-1所示)：

(1)圖像采集，用于獲取虹膜圖像;

(2)虹膜圖像預處理，進行虹膜內外邊緣定位、歸一化和圖像增強等;

(3)特征提取，得到虹膜紋理的特征編碼;

(4)特征匹配，將提取的虹膜特征編碼與特征模板進行匹配以區分不同的虹膜。

虹膜識別算法——二維Gabor小波

此算法是Daugman博士于1993年在文獻中提出的。在定位虹膜時使用了從粗到精的策略最后達到單像素的精度，并估計出虹膜和瞳孔的中心以及半徑。一般來說，瞳孔的中心和虹膜是不同心的，瞳孔中心的重要性比虹膜的中心稍差一些，它的半徑是虹膜半徑的0.1到0.8倍。因此，決定瞳孔的圓周的三個參數必須與虹膜的圓周分開估算。在Daugman系統中，設計的二維Gabor濾波器對歸一化后的虹膜紋理進行濾波，其公式如(4-1)

如圖4-1所示

Daugman的方法中同時使用二維Gabor濾波器的實部和虛部描述虹膜，利用其對虹膜圖像進行濾波處理，然后將濾波后結果的極性量化為2位二進制數：當實部和虛部均為正時量化值為11;實部為正虛部為負時為10;實部為負虛部為正時為01;實部和虛部均為負時為00，從而得到虹膜特征碼。圖4-2是虹膜特征碼及其編碼過程示意圖。

虹膜識別算法——Wildes的虹膜定位算法

此算法是MIT人工智能研究室的Wildes博士于1997年在文獻中提出的。算法分為2步，第一步將灰度圖轉化為二值邊緣化，第二步由邊緣點進行投票得到準確的邊界輪廓參數值。邊緣是圖像中灰度發生急劇變化的區域邊界，圖像灰度的變化情況可以用圖像灰度分布的梯度來反映。因此可以利用基于梯度的邊緣檢測算子來檢測邊緣像素。這個算子的定義如式(4-2)：

Hough變換是利用圖像的全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法。在預先知道區域形狀的條件下，利用Hough變換可以方便地得到邊界曲線，將不連續的邊緣像素點連接起來。Hough變換的主要優點是受噪聲和曲線間斷的影響較少，可以直接檢測某些已知形狀的目標。由于我們已經事先知道了虹膜的內外邊緣為圓形，因此就可以用上述的Hough變換來進行檢測。首先讓(Xc，Yc，r)這三個參數在一定的范圍內依次變化，對于j=1，2，，，n，由式(4-7)計算出g(Xi，Yi，Xc，Yc，r)的值，進而對每一組固定的(Xc，Yc，r)計算出h(Xi，Yi，Xc，Yc，r)的值，將這個數值帶入式(4-5)中進行累加，得到H(Xc，Yc，r)，使其達到最大值的那一組即為所求的圓心與半徑。

用同樣的方法可以去檢測上下眼瞼，只不過眼瞼的形狀是弧形的，可以把式(4-7)中圓的方程改變為橢圓的方程。

虹膜識別算法——基于過零點檢測的方法

基于過零點表示的方法最早被Boles采用。這種方法利用小波變換的過零點和兩個連續過零點之間的小波變換的積分平均值來表示虹膜特征。通過兩個自定義的相似度函數計算兩個虹膜紋理間的距離，得到識別結果。在Boles的算法中，先沿以虹膜中心為圓心的同心圓對虹膜圖像采樣，把二維的虹膜圖像變為一維的信號，然后對它進行小波變換。這里所用的小波函數是三次樣條函數的一階導數。為了減少噪聲對這種表示方法的影響，只選用了四級較低分辨率的小波變換結果來提取虹膜特征。最后對變換結果的各個過零點區間進行積分和定位得到虹膜一維信號小波變換的過零點表示，如圖4-5所示。BoleS的方法相對比較簡單，但是算法的魯棒性較差，很容易受圖像質量影響。

關鍵詞：