第10章_应用实例（1虹膜识别） 数字图像处理课件

第10章 应用实例 10.1 虹膜定位和识别算法研究 10.2 基于DSP的掌纹识别 10.3 变电站红外图象的预处理及识别 *1 *2 原始虹膜图像 10.1虹膜定位和识别算法研究 *3 n1、绪 论 n2、虹膜定位 n3、虹膜图像归一化及增强处理 n4、基于曲面匹配的虹膜识别算法 n5、虹膜纹理的相位编码及匹配 n6、实验结果及分析 n7、结论及展望 *4 10.1.1 绪 论 n1、虹膜识别技术的研究目的和意义 n2、虹膜识别的流程 n3、虹膜识别技术的国内外研究和应用现 状 *5 1、虹膜识别技术的研究目的和意义 现代社会的发展对人类自身身份识别的准确性、安 全性与实用性提出了更高的要求。 由于生物特征的独 特优点，使得生物识别技术开始兴起。 与其他生物特征相比，虹膜具有以下几方面的优势 ： （1）虹膜具有随机的细节特征和纹理图像，具有 唯一性。 （2）虹膜具有内在的隔离和保护能力。 （3）虹膜纹理具有稳定性和不变性。 （4）虹膜图像可以通过相隔一定距离的摄像机捕 获，不需对人体进行侵犯。 *6 2、虹膜识别的流程 一个通用的 虹膜识别系统一 般由以下四个部 分组成即， 虹膜图像获取， 虹膜图像预处理 、虹膜特征提取 、匹配与识别。 其流程图如右图 1所示。 图 1 虹膜识别系统的流程 *7 3、虹膜识别技术的国内外研究和应用现状 （1）研究现状 虹膜识别的研究可追溯到1936年，眼科专家Frank Burch，MD提出虹膜识别概念。现在虹膜识别算法研 究都是基于1994年Daugman申请的专利基础上 。 国外研究比较多的还有澳大利亚、韩国、法国等。 国内的虹膜识别技术起步较晚，一些科研院所和高 校投入了精力和人力进行虹膜识别的研究，如：中科 院自动化所、上海交大、电子科技大学、浙江大学等 已取得一定成效。 *8 3、虹膜识别技术的国内外研究和应用现状 （2）应用现状 美国的Iridian Technology公司是当前技术领先的 虹膜识别技术厂商，它的主要技术即来源于英国剑桥大 学Daugman教授的专利。目前，该公司和世界一些著 名的电子设备商如LG，Panasonic等公司合作，开发 出了多款产品，已在北美及欧洲得到实际应用。 在国内，中科院自动化所已经完成了虹膜识别的实 验室阶段的研究，并且申请了虹膜采集装置的专利，其 成果处于国内领先地位。 *9 10.1.2 虹膜定位 n1、瞳孔内一点定位 n2、虹膜内边缘定位 n3、虹膜外边缘定位 n4、定位结果及分析 *10 1、瞳孔内一点定位 算法首先定位瞳孔内任意一点，观察眼睛图像可以 发现瞳孔具有以下特点： （1）瞳孔近似圆形，其灰度分布比较均匀。与巩 膜、虹膜区域相比，它的灰度值整体偏小。 （2）瞳孔在整个图像上仅占较小一部分面积。 根据以上特点，算法使用求灰度最小的方法来定位 瞳孔内一点。设为虹膜图像的灰度函数I(x, y)，图像大 小为M*N，则有： *11 在定位过程中，采 用灰度求和算子的方法 ，在虹膜图像上移动， 直到求得的最小值，此 最小值就位于瞳孔内一 点。综合考虑定位速度 和定位准确度，本文算 法所选取模板大小为 35*35，这样可以找到 瞳孔内一点，记为： 。 定位结果如右图2。 图 2 瞳孔内一点 *12 2、虹膜内边缘定位 在内边缘具体定位时，利用虹膜与瞳孔交界处的灰 度突变（即边缘强度），结合边界检测模板，沿所找到 点的左、右及向下的3个不同方向出发，可以找到边缘 上的3个点，再用“非共线三点”来定圆的参数。 但考虑到可能定位到瞳孔的偏上或偏下部分，从而 导致找到的3点的左下、右下（或左上、右上）的距离 太近，其连线的斜率相应会产生数学上的奇异值，使得 圆的参数计算不准确。利用A、C、D、E四点来确定内 圆的参数。 *13 先沿已找到点 的左、右水平方 向找边缘点A、C，再求得这2点中点 的x轴坐标，此坐标值 也即为内圆圆心的x轴坐标。然后 分别沿该中点的上、下方向找到内边 缘的另2个边缘点D、E，算出D、E中 点 的y轴坐标 ，就 能确定出内圆圆心坐标，再计算出半 径就定位出了虹膜的内边缘。 如右图 3所示。 图 3 内圆定位示意图 *14 3、虹膜外边缘定位 在计算出内圆参数后，从内圆圆心 沿左、右水平 方向出发，利用边缘检测模板检测出左、右两个边界点 、 。在找到第一组边界点后，我们再沿内圆底部边缘 点 沿左、右水平方向搜寻第二组边界点 和 。 计算每组的x坐标与内圆圆心x坐标的偏差、每组点 到内圆圆心距离之差（即 与 ）。然后 比较这2组参数和，取较小的那组值作为圆心的x轴坐 标。 *15 在计算圆心y 的坐标时，选用 哪组点用这样的 准则： 比较 与 的值 ，取值较小的那 组计算圆心y坐标 。 最后计算外圆半 径 。 图 4 外圆定位示意图 *16 定位结果示意图 图 5 准确定位例图 图 6 定位不准确例图 *17 4、定位结果及分析 算法对中科院自动化 所提供的CASIA（v 1.0 ）虹膜图库进行了定位， 有741幅图像定位准确， 准确定位率为98.15%。 比一次定位要准确很多（ 准确定位率为93.51%） 。为方便比较，将 几种 算法正确率列于右表。 算法准确率/% 基于Hough变换变换 的 方法 94.7 改进进的RANSAC方 法 95.7 非线线性最小二乘法96.3 三点一次性定位法93.51 本文方法98.15 *18 10.1.3 虹膜图像归一化及增强 n1、虹膜图像归一化 n2、双线性插值 n3、虹膜图像增强 *19 1、虹膜图像归一化 归一化的目的是要把环形的部分展成一个m*n大小 的矩形图像，这样每一次处理的不同虹膜图像的大小都 会相同，如此在采集中引起的大小改变和缩放等因素所 造成的影响就会减少 。在转化时，采用把笛卡尔坐标 下的环形虹膜中的每个点一一映射到极坐标中去。 设内圆圆心为 ，半径为 ，外圆圆心为 ，半径为 。以内圆圆心作为极坐标系统的中 心，做与水平线成 角的射线，它与内、外边界各有一 个交点，分别记作 、 。 如图7。 *20 则有： r是一个无量纲的参数且 r0，1， 0，2 。 本文将虹膜区域归一化成 128*512的矩形。其结果如 图8。 图 7 虹膜归一化 图 8 归一化虹膜图像 *21 2、双线性插值 归一化时，在将极坐标映射到直角坐标的过程中， 我们必须考虑一种特殊的情况，即该采样点被映射到直 角坐标系中是非整数位置。此时，将无法求得该点的灰 度值，所以必须进行灰度插值运算，用点 (x, y)附近的 某一点来表示它。 如图9所示。 图 9 像素的坐标变化图 *22 用以下公式就可以拟合出点(x, y)的像素值 。 式中a、b、c、d这四个系数由四个顶点的像素值确 定。 将图9中的数值代入公式可得： 经过上面的插值运算后，就可将原来的环状区域变 成了矩形区域。 *23 3、虹膜图像增强 直方图均衡化 直方图均衡化是通过对原图像进行某种变换，使原 图像的灰度直方图修正为均匀分布的直方图的一种方法 。 在一幅虹膜图像中，灰度级出现的概率可以近似表 示为： 其中，n是图像中像素的总和， 是图像中灰度级为 的像素个数，L是图像中可能的灰度级总数目。 *24 直方图均衡的离散形式如下： 通过上面的式子就将输入图像中灰度级为 的各像素 映射到输出图像中灰度级为 的对应像素上了 。 图10是均衡化结果图。 *25 图 10 直方图均衡化前、后的虹膜图像 图 均衡前后的灰度直方图 *26 10.1.4 基于曲面匹配的虹膜识别算法 n1、曲面匹配理论 n2、曲面匹配实现 n3、旋转矫正 *27 1、曲面匹配理论 虹膜图像在3-D灰度级空间上的分布曲面的起伏波 动形状与虹膜纹理分布具有明显的对应关系，可以用该 分布曲面表示纹理特征。 从不同的角度考虑，用一种与现有方法完全不同的 虹膜识别方法，即在虹膜灰度图像这个层面上直接进行 匹配操作，没有特征提取这个步骤，参与匹配的是整个 虹膜区域图像，而不是一组作为特征值的数据。仿照一 幅活体虹膜图像是十分困难的，因此，该方法的最大优 点在于提高了系统的安全性。 *28 以图像水平方向为x 轴，垂直方向为y轴，以 像素灰度值为z轴建立三 维空间坐标系，则虹膜图 像中任意像素都可由坐标 (x, y, z)来表示，也就得 到了矩形虹膜图像在三维 灰度级空间上的分布曲面 。如右图所示。 图 12 虹膜曲面图 *29 当两个虹膜来自于同一个眼睛时，由于虹膜纹理分 布相同，这个灰度级分布曲面具有相同或相似的形状。 当两个虹膜来自于不同的眼睛时，由于虹膜纹理分布不 同，这个灰度级分布曲面具有不同的形状。如果能够检 测两个虹膜在三维灰度级空间中分布曲面的差异性，即 可确定这两个虹膜是否来自于同一个眼睛。 经过上述分析及处理，判定两幅虹膜是否为同一虹 膜的问题就可以转化为空间曲面的匹配问题。 *30 2、曲面匹配实现 由上述曲面匹配的理论可知，两曲面是否匹配，只 需判断差图像的离散程度。具体实现分为以下两步： （1）图像经过预处理后，两曲面对应位置的灰度 作差， ， 为待匹配图像灰度值， 为匹配图像 的灰度值， 为差图像灰度值。 （2）对差图像求平方和，公式为： 最后，通过给定的1个阈值与Y进行比较就可以判断 出2幅虹膜是否是同一虹膜。 n该阈值是这样选取的：先按照已定的测试方法进行同类 以及异类间的虹膜测试，在测试的同时记录测试计算出 来的两图像的差值平方和Y。完成所有测试后，将所有 测试结果的数据进行汇总分析，通过分析这些数据，我 们人为的选出最优的阈值。 n最后，给出了比较典型的同类间以及异类间的测试结果 图 4.2和图 4.3。在测试时，给定的阈值T=6501。图 4.2进行的同类间测试的差值平方和Y=4254，图 4.3 进行的异类间测试的差值平方和Y=7819。 *31 n图 4.2 同类间测试结果 图 4.3 异类间测试结果 *32 *33 3、旋转矫正 在图像摄取时由于测试者的头或眼睛的偏移都会使 纹理的位置不对应，从而导致即使是相同图像做差后， 差图像的平方和也会很大，这就需要旋转一定角度，使 得两曲面位置对应。 若两曲面相同，则经过旋转，一定存在某个位置使 得两曲面达到最佳匹配，所以为克服头偏移（即旋转） 对识别的影响，在求出差值平方和后，如果它大于阈值 （有可能是不同虹膜，也有可能是相同虹膜的旋转造成 ）则平移归一化后的矩形图像（对应曲面的旋转），直 到差值平方和最小。 图 4.5 旋转校正前的结果图 图 4.6 旋转校正后的结果图 校正前的差值平方和Y=6727，校正后的差值平方和Y=5659。 *34 *35 10.1.5 虹膜纹理的相位编码及匹配 n1、Gabor滤波器 n2、Daugman编码方法 n3、虹膜纹理的相位编码 n4、编码识别 n经过预处理后的虹膜图像可以看成一幅纹理图像，具有 明显的、可区分的各种空间模式特征，这些特征可从很 多方面来体现。虹膜的这些纹理结构就是不同人的虹膜 具有差别的地方，所以对虹膜识别的关键就是提取这些 纹理的特征信息，形成表征虹膜特征的特征量。 n识别时主要提取纹理幅度信息和相位信息，其中纹理的 相位信息最重要，这是因为幅度信息差异不明显，它受 很多的外在因素，比如图像的对比度、获取图像时的光 照、摄影机增益等影响。 *36 n从图像中提取纹理信息的有效策略之一是将图像 与带通滤波器卷积，采用二维Gabor带通滤波器 对虹膜图像进行分解滤波，从中提取相位信息， 并根据滤波的结果对归一化后的虹膜图像进行纹 理编码。 *37 *38 1、 Gabor滤波器 Gabor函数最早是由物理学家Gabor于1946年提出 的，Gabor变换属于加窗傅立叶变换，Gabor函数可以 在频域不同尺度、不同方向上提取相关的特征。另外 Gabor函数与人眼的生物作用相仿，所以经常用作纹理 识别上，并取得了较好的效果。 Gabor函数的特性可以较好地抽象视觉神经细胞的 工作机理。图像处理领域常用到的是2-D Gabor函数， 其形式为： *39 2、 Daugman编码方法 Daugman系统采用了极坐标下的二维Gabor滤波 器对虹膜细节的特征进行提取。其形式如下： 其中 共同变化，且与w反向。这样产生一组求 积分形式的选择频率的滤波器，中心位置在 ，位置 参数为 。将每一个滤波器作用于整个无量纲 的虹膜区域，得到的系数大小用两个位来表示 。 实部和虚部二进制编码为是0还是1按下面的计算式 进行： *40 这样，在Daugman系统中依靠一个Gabor滤波器 簇，作为一种局部纹理的量化器，形成 。将 1024块这样的区域的编码结果依次排列，形成了 2*1024位的虹膜编码。 *41 3、虹膜纹理的相位编码 Daugman编码方法给我们 启示，通过合理的利用Gabor滤 波器的性质就可以提取出虹膜的 各种模式特征，包括从虹膜的形 状到其纹理结构。因此，我们在 Daugman编码方法的基础上提 出利用Gabor函数的空间局部特 性和其方向选择性，如右图， 进行虹膜纹理的相位编码。 （a） 时的实部顶视图 （b） 时的实部顶视图 *42 对中心在 的Gabor函数集中的每一函数作积分 ： 其中， 为图像中的某个分块。即我们把虹膜图像分 为N个区域 ，每个相邻区域的边界都是可区分 且连续的。 在本算法中，将预处理好的图像分成256个 1616 的小块。 Gabor函数的方向为等间隔地抽取的 -90,90)的16个方向（每个方向用4 bits表示）。分 别计算实部和虚部，寻找其模值最大值的那个方向。 *43 该模值最大的 第k个方向就是该 区域内虹膜纹理的 局部相位角编码。 编码器原理图如右 图。 图 13 虹膜相位编码器原理图 *44 4、编码识别 经过编码之后，采用比较常用的决策理论，即比较虹膜代码 的海明距离(Hamming Distance)来实现虹膜识别。考虑到每 位编码的权重不同，不妨设：一个图像块的相位编码为实部4 bits+虚部4 bits，即可表示成 则两个不同虹膜间的归一化码间距离为： n如果两编码相同（即两幅图像完全匹配）， n两编码各位均相反（即两幅图像完全不匹配）， n这样，我们通过选择一个恰当的阈值就可以实现 虹膜的识别了。在本文中，阈值T=0.49。该阈 值的选取方法同基于曲面匹配的识别方法。 *45 10.1.6 测试结果及分析 n算法测试均在CASIA1.0虹膜库上进行，该库由中国科学院自动 化研究所模式识别国家重点实验室采集，是大样本的共享数据库 ，图像极具代表性，是目前测试虹膜识别算法的最佳样本。该库 主要由亚洲人的虹膜图像组成，而且来源于不同的年龄阶段。库 内图像是在不同的时间段拍摄得到的。对同一类虹膜，分两次拍 摄，时间间隔为一个月。 n图像性质：8bit灰度图像，分辨率为320280。 n图像总数：756幅。 n图像组成：包括80人（其中男62人，女18人）108只 不同眼睛的虹膜样本，每只眼睛7幅图像。 *46 *47 10.1.6 测试结果及分析 测试办法分为以下两种： n同类间测试：库中的每个样本与相同虹膜的其余样本逐 一进行匹配识别。如果g已经对h进行匹配，则对称的h 对g无需做匹配。这样实际测试总数为： （7*6）*108/2=2268。 n异类间测试：库中的每幅虹膜图像的第一个样本与库中 其它虹膜的第一个样本相匹配。如果g已经对h进行匹 配，则对称的h对g无需作匹配。这样实际测试的总数 为：（108*107）/2 = 5778。 *48 算法实现工具为 Visual C+ 6.0。 测试机器为CPU P4 2.0GHz，2G内存 ，操作系统为 Windows XP Professional。该 识别系统的运行界 面如右图14。 图 14 程序运行界面图 算法评测指标：虹膜识别采用“是/否”模式识别的方案有四 种可能的结果： n认假（FA，False Accept）：把另一虹膜认作可以接受的虹膜； n认真（CA，Correct Accept）：接受同一虹膜为可以接受的虹膜 n拒真（FR，False Reject）：拒绝把同一虹膜认作可接受得虹膜 n拒假（CR，Correct Rejext）：拒绝把另一虹膜认作可以接受的 虹膜。 显然“认假”和