（信号与信息处理专业论文）基于二维小波变换的虹膜识别算法研究.pdf

摘要 摘要 随着信息技术的发展，信息安全日渐成为人们面临的一个重要而迫切的问题。 可用于身份鉴别、保护信息安全的生物特征识别技术因此越来越受到人们的重视。 虹膜识别技术是一种新兴的生物特征识别技术。它与其他生物特征识别技术( 指纹 识别，面部识别，声音识别等) 相比具有以下几个特点：稳定性、高可靠性和非接 触性。这些特点使得虹膜识别具有非常广阔的应用前景。 本文研究了一种基于二维小波变换的虹膜识别算法。该算法在前人研究的基 础上，对虹膜识别的三个阶段( 虹膜图像预处理、虹膜特征提取、匹配识别) 都做了 一定的改进和创新。 首先，在虹膜图像预处理的虹膜定位算法中。本文给出了一种改进的虹膜定 位算法。该算法把虹膜定位分成内边缘定位和外边缘定位两个部分，并把重点放 在内边缘定位上。并在内边缘定位算法中，首先对虹膜图像二值化，然后用r o b e r t s 算子提取边缘。再以h o u g h 变换的思想来精确定位虹膜内边缘。外边缘的定位则 采用d a u g m a n 提出的圆边缘检测模板来进行定位。 接着，在虹膜图像预处理的归一化算法中，本文采用直角坐标与极坐标映射 理论把定位后的图像归一化到一个6 4 1 0 2 4 的灰度矩阵中。并对归一化后的图像 进行两次图像分割，最终分割成1 8 个小区域。 其次，在虹膜特征提取算法中，本文研究了一种基于二维小波变换的虹膜识 别算法。该算法通过对归一化处理后虹膜图像的各个小分割区域进行二维小波变 换，提取出主要小波通道的小波系数均值和方差作为特征值。按照该算法提取特 征，每个虹膜图像最终能提取出2 5 2 个特征值。 最后，在匹配识别算法中，本文对归一化处理中第一次图像分割后的3 部分 区域分别采用方差倒数加权求和的匹配算法进行识别判决，得到3 个识别结果。 再用不同的可信度系数来加权这3 个识别结果，得到最终的识别结果。 论文的最后对本文的虹膜识别算法在c a s l a 虹膜数据库( v e r s i o n1 0 忡进行了 4 0 0 0 0 次的虹膜识别实验，并得出了较好的识别效果。 关键词：虹膜识别、虹膜定位、归一化、图像分割、二维小波 a b s t r a c t a b s t r a c t w i t ht h ed e v e l o p m e n to fi n f o r m a t i o nt e c h n o l o g y ，i n f o r m a t i o ns e c u r i t yb e c o m e sa n i m p o r t a n ta n du r g e n tp r o b l e mg r a d u a l l y t h e r e f o r e ，b i o l o g i c a lc h a r a c t e r i s t i cr e c o g n i t i o n w h i c hc a nb eu s e dt op r o t e c tt h ei n f o r m a t i o n i sa t t r a c t i n gm o r ea n dm o r ea t t e n t i o n i r i s r e c o g n i t i o ni s an e wk i n do fb i o l o g i c a lc h a r a c t e r i s t i cr e c o g n i t i o n c o m p a r e dw i t ht h e o t h e rb i o l o g i c a lc h a r a c t e r i s t i cr e c o g n i t i o n s ( f i n g e r p r i n tr e c o g n i t i o n ，f a c i a lr e c o g n i t i o n v o i c er e c o g n i t i o n ，e t c ) ，i r i sr e c o g n i t i o nh a st h ef o l l o w i n gc h a r a c t e r i s t i c s ：s t a b i l i t y , h i g h r e l i a b i l i t y , n o n c o n t a c t i r i sr e c o g n i t i o nm a i n l yh a st h r e es t a g e s ：i r i si m a g ep r e p r o c e s s i n g ，f e a t u r ee x t r a c t i o n ， f e a t u r em a t c h i n g t h i st h e s i sp r o p o s e san e wi r i sr e c o g n i t i o na l g o r i t h mb a s e do n2 - d w a v e l e tt r a n s f o r m t h ea l g o r i t h mh a sm a d ec e r t a i ni m p r o v e m e n ta n di n n o v a t i o ni ne a c h s t a g eo ft h ei r i sr e c o g n i t i o n t h ei d e n t i f i c a t i o ne x p e r i m e n t sa r ed o n ei nt h ec a s i ai r i s d a t a b a s e ( v e r s i o n1 0 ) ，a n dg o o dr e c o g n i t i o nr e s u l t sa r ea c h i e v e d f i r s t l y , i ni r i sl o c a l i z a t i o no ft h ei r i si m a g ep r e p r o c e s s i n gs t a g e ，t h el o c a l i z a t i o no ft h e i n t e r i o re d g eo ft h ei r i s i sm o r ei m p o r t a n tt h a nt h el o c a l i z a t i o no ft h ee x t e r i o re d g e t o l o c a l i z et h ei n t e r i o re d g e ，t h et h e s i sf i r s tc o n v e r t st h ei r i si m a g ei n t ob i v a l u ei m a g e t h e n ，w i t ht h er o b e r t so p e r a t o r , t h ei n t e r i o re d g eo ft h ei r i sw i l lb ed r a w ni nt h e b i v a l u ei m a g e f i n a l l y , t h ep r e c i s ei n t e r i o re d g ew i l lb ef o u n db a s e do nh o u g h t r a n s f o r m i nn o r m a l i z a t i o no ft h ei r i si m a g ep r e p r o c e s s i n gs t a g e ，t h ei r i si m a g ei sn o r m a l i z e d i n t oa6 4 1 0 2 4g r e yp i x e li m a g e a f t e rn o r m a l i z a t i o n ，t h en o r m a l i z e di m a g ei sd i v i d e d i n t ot h r e ep a r t sa n dt h e nt h e s ep a r t sa r ed i v i d e di n t oe i g h t e e nb a n d s s e c o n d l y , i nt h ef e a t u r ee x t r a c t i o ns t a g e ，h a a r2 - dw a v e l e tt r a n s f o r mi su s e di ne a c h b a n do ft h en o r m a l i z e di m a g e t h em e a nv a l u e sa n dv a r i a n c e so ft h ec o e f f i c i e n t so f7 m a i nw a v e l e tc h a n n e l sa r ee x t r a c t e da sf e a t u r e s 2 5 2f e a t u r e sw i l lb ee x t r a c t e dj ne a c h i r i si m a g ef i n a l l y f i n a l l y , i nt h ef e a t u r em a t c h i n gs t a g e ，w i t ht h ev a r i a n c er e c i p r o c a lu s e da s t h e w e i g h t i n gc o e f f i c i e n t s ，t h ef e a t u r e sf r o me a c hp a r t so ft h ei r i si m a g e ( t h ef i r s ti r i si m a g e d i v i s i o n ) a r e m a t c h e ds e p a r a t e l ya n dt h e n3m a t c h i n gr e s u l t sa r e g o t d i f f e r e n t w e i g h t i n gc o e f f i c i e n t sa r eu s e dt om u l t i p l yt h em a t c h i n gr e s u l to fe a c hp a r t g o o dr e c o g n i t i o nr e s u l t sa r ea c h i e v e da f t e r4 0 0 0 0r e c o g n i t i o ne x p e r i m e n t sh a v eb e e n d o n ei nt i l ec a s i ai r i sd a t a b a s e ( v e r s i o n1 0 ) k e yw o r d s ：i r i sr e c o g n i t i o n ，i r i sl o c a l i z a t i o n ，n o r m a l i z a t i o n ，i m a g ed i v i s i o n ，2 - d w a v e l e tt r a n s f o r i l l i i 图目录 图1 - 1 图1 2 图1 3 图1 - 4 图2 。1 图2 。2 图2 。3 图2 。4 图2 5 图2 6 图2 7 图2 - 8 图2 9 图2 1 0 图2 1 1 图2 1 2 图2 ，1 3 图3 。1 图3 - 2 图3 - 3 图3 4 图3 5 图3 - 6 图3 7 图3 8 图4 1 图4 2 图4 3 图目录 人眼外观图2 虹膜t 别系统基本框图3 虹膜识别门禁系统6 我国第一台虹膜识别a t m 取款机7 g a u s s i a n 模板1 0 平滑处理后的虹膜图像1 1 对应图2 2 的虹膜图像狄度直方图一1 2 二值化后图像一1 3 f a ) r o b e r t s 算子边缘检测结果( b ) p r e w i t t 算子边缘检测结果1 5 ( a ) s o b e l 算子边缘检测结果( b ) c a n n y 算子边缘检测结果1 6 二值化后边缘检测结果一1 6 虹膜内边缘定位结果1 8 虹膜的外边缘定位2 0 虹膜的完整定位2 0 极坐标转换模型一2 1 直角坐标转换极坐标狄度矩阵2 2 虹膜归一化处理结果2 3 一个信号的小波变换滤波族分析 二维滤波器族示意图 h a a r 基本小波函数曲线图 第一层二维小波变换 第二层二维小波变换 第三层二维小波变换 二维小波变换图像分解步骤 二维小波对虹膜图像的三次分解 灰度直方图曲线 纹理和频谱的对应示意图 归一化后虹膜图像 v 2 6 2 6 勰凹如n乾弭：会据 电子科技大学硕士学位论文 图4 4 图4 5 图4 6 图4 7 图4 8 图4 9 图4 1 0 图4 1 1 图4 1 2 图4 1 3 图4 1 4 虹膜纹理1 区域3 9 归一化后虹膜图像的纹理1 区域3 9 虹膜纹理2 区域4 0 归一化矩阵中的虹膜纹理2 区域一4 0 虹膜纹理3 区域一4 1 归一化矩阵中的虹膜纹理3 区域4 1 归一化图像第二次分割4 2 直方图均衡化后的虹膜归一化图像4 6 经过图像增强处理后的1 8 个分割区域4 6 h a a r 小波基数学函数图4 7 保留7 个小波通道4 8 v i 表目录 表4 1 表4 2 表5 - 1 表5 - 2 表5 3 表目录 1 、2 区域内进行二维小波变换共提取2 8 个特征值 其他分割区域提取的特征值 来自同一只眼睛的匹配识别结果 来自不同眼睛的匹配识别结果 不同的闽值t 与f a r 和f r r 之间的关系 4 8 4 9 5 5 5 5 5 7 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。+ 签名：簦：6 杰 日期：“年r 月菇日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 签名：盔鱼：i 歪 导师签名： 日期：州年j - 月了易日 第一章绪论 第一章绪论 随着信息技术的发展和电子业务的广泛应用，信息安全日渐成为人们面i 临的 一个重要而迫切的问题。因此可用于身份鉴别、保护信息安全的生物特征识别技 术因此越来越受到人们的重视。虹膜识别技术是一种新兴的生物特征识别技术。 虹膜识别技术是利用虹膜的纹理特征进行身份识别的。它与其他生物特征识别技 术( 指纹识别，面部识别，声音识别等) 相比具有以下几个特点：稳定性、高可靠 性和非接触性。这些特点使得虹膜识别具有非常广阔的应用前景。 1 1 虹膜识别技术研究的意义 在信息技术的飞速发展的带动下，金融、电子商务、安全保卫等行业取得了 快速的发展。随着各种电子业务的发展，人们的身份逐渐变得数字化和隐性化。 如何准确进行身份鉴别、保护信息安全成为人们关注的焦点。悄然兴起并日益成 熟的生物特征识别技术因此越来越受到人们的重视。 所谓生物特征识别技术是指通过计算机与光学、声学、生物传感器和生物统 计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个 人身份的鉴定。生物特征识别技术具不易遗忘、防伪性能好、不易伪造或被盗、 随身“携带”和随时随地可用等优点。目前，生物特征识别技术有指纹识别、面部 识别、虹膜识别、笔迹识别、声音识别、步态识别等。其中虹膜识别技术与其它 生物识别技术比较具有以下几个特点：( 1 ) 虹膜图像通过非接触方式获取，可以避 免疾病传播，容易被人接受；( 2 ) 虹膜纹理结构不易被伪造；( 3 ) 虹膜纹理结构复杂， 特征数多，因此虹膜识别被认为是可靠性最高的生物识别技术。另外，由于没有 对传统意义上隐私权的担心，虹膜识别更容易获得用户的接受和青睐。正是这些 突出性的优点使得虹膜识别技术成为最有前途的生物特征识别技术之一。 虹膜识别技术的优越性使得其在金融、电子商务，安全保卫等各个方面都具 有极大的应用前景。在金融业上，虹膜识别技术将轻而易举的对金融客户身份进 行识别。在电子商务上，基于虹膜识别技术的身份认证系统能够确保网络客户的 身份，对电子商务和网络安全起着重要作用，其前景不可估量。在安全保卫方面 基于虹膜识别的身份认证系统也有着广泛的应用前景。另外，虹膜识别产品还可 电子科技大学硕士学位论文 以广泛应用于电子金融、电子贸易、网络安全领域，用于金库、海关、地铁、机 场等通道控制系统，用作计算机用户的开机口令，用于居室安全，用于缉查信用 卡犯罪、a t m 机犯罪及其它电子金融犯罪，用到驾驶证、公民身份证上，还可用 于国家安全和国防安全领域等等。 1 2 虹膜识别的基本原理 1 2 1 虹膜识别的生理学基础 图1 - 1 是人跟的外观图。它由跟臼、虹膜、瞳孑l 三部分构成。眼球外围白色的 部分是眼白；被眼白包围着颜色稍深的部分是虹膜，它是一个圆环形的形状：最 里面颜色呈黑色的部分即为瞳孔【2 1 【3 l 。瞳孔会随射入光线强度的变化，产生收缩或 扩张，并牵动虹膜发生一定的形变。圆环形的虹膜与眼白和瞳7 l 的边界都近似为 圆形，这是图像匹配可以利用的重要几何信息。 图1 - 1 人眼外观幽 虹膜中含有极丰富的信息。它的表面有一些类似于细丝、斑点、漩涡、冠状 等形状的纹理。虹膜识别正是利用这些纹理进行身份识别确认的。据科学家研究 发现虹膜这些纹理具有唯一性，即便是同一个人，它左眼和右眼的虹膜纹理特征 都不一样。自然界不可能出现两个纹理特征完全相同的虹膜，因此，用这些纹理 特征进行身份识别是非常精确的。而且生理学上研究证明虹膜的纹理特征主要是 由人还在胚胎时的环境所决定的。一般当人到1 2 岁的时候，人眼虹膜就已经发育 到足够尺寸，进入比较稳定的阶段，劳可保持数十年没多少变化。另外，由于虹 第一章绪论 膜的外部有透明的角膜将其与外界相隔离，因此，发育完全的虹膜不易受到外界 的伤害而产生变化。 要人为改变虹膜的纹理结构，需要进行非常精细的外科手术。而虹膜的纹理 是由些放射性的微小血管组成的，且有角膜与外界相隔，进行这样的外科手术 及易损伤视力。因此虹膜识别具有绝对的可靠性。另外，由于瞳孔会根据光线的 强弱发生变化，进而牵动虹膜形状也跟着发生变化，利用这一点可以鉴别用于识 别的虹膜样本是否为活眼的虹膜，因此虹膜识别也具有较高的防伪性。 1 2 2 虹膜识别系统的基本组成 虹膜识别系统基本框图如图1 2 所示，主要有四部分构成：虹膜图像获取、图 像预处理、虹膜特征提取、匹配与识别。 跏一同 幽l - 2 虹膜识别系统基本框图 虹膜识别的关键技术之一就是要高质量的捕获虹膜图像。由于虹膜的区分主 要在于纹理细节的不同，而对于我们黄种人来说，虹膜的纹理不是很清晰。用普 通的c c d 摄像头和在正常的光照条件下很难获得清晰的虹膜图像。需要设计带有 红外光源的虹膜图像采集装置。 由虹膜图像采集装置得到合格的虹膜图像数字信号被送入数字信号处理器 d s p ，数字信号处理器首先对输入的数字信号进行预处理。预处理相当于对获取的 原始图像数据进行整形加工、去伪存真的过程。由于原始图像信号中存在着许多 噪声和i 畸变，一般要进行滤波、平滑、增强、复原、提取边缘、图像分割等预处 理。以便提高图像质量，并为下一步特征提取提供必要的基础。 特征提取是对预处理后的数据进行分析、去粗存精的过程。由于原始图像数 据量相当大，需要把这些数据转换为若干特征，这称为特征提取。为了提高分类 电子科技大学硕士学位论文 处理的速度和精度，对提取的特征还要选择最有代表性的特征。其信息冗余度最 小，而且希望具有比例、旋转、位移不变性。从数学上讲特征提取相当于把一个 物理模式变为一个随机向量，如果抽取和选择了m 个特征，则物理模式可用一个 m 维特征向量描述。 匹配与识别即将得到的特征向量与数据库中已有的特征向量进行比对，根据 比对结果的值域来判断虹膜样本的真伪。这个过程是整个系统的核心。所以匹配 与识别算法的优劣直接决定了整个系统的性能。 1 3 虹膜识别技术国内外研究现状及分析 目前，虹膜识别产业己经在国内外获得了飞速的发展，越来越多的厂商开始 投身于虹膜识别技术的开发。并且很多公司已经完成了虹膜识别的商品的过程。 1 3 1 国外虹膜识别研究状况 最早记载用虹膜识别作为身份检测的历史可以追溯到1 8 8 5 年，在巴黎刑事监 狱中，a l p h o n s eb e r t i l i o n 利用囚犯虹膜的颜色和形状信息区分不同的囚犯。1 9 8 7 年，眼科专家a r a ns a f i r 和l e o n a r df l o r n 首次提出了利用虹膜图像进行自动虹膜识 别的概念，但是他们并没有丌发出一个实际的应用系统。直到1 9 9 1 年，美国洛斯 阿拉莫斯国家实验室的j o h n s o n 实现了一个自动虹膜识别系统，这是有文献记载的 第个虹膜识别应用系统。1 9 9 3 年，英国剑桥大学的j o h n gd a u g m a n 给出了较 完整的虹膜识别算法【4 1 。这一算法准确性高，速度快，是当今世界上几乎所有商用 虹膜识别系统的理论基础，他的开创性工作使得自动的虹膜识别成为可能。1 9 9 6 年，普林斯顿的w i l d e s 等人研制成功了基于区域图像注册技术的虹膜识别系统【5 】。 1 9 9 8 年，昆士兰大学的b o l e s 等人提出了基于零交叉小波变换的虹膜识别算法【6 1 0 目前，虹膜识别技术在国外已经获得了蓬勃的发展，世界发达国家已逐步开 展了虹膜识别的商品化过程。虹膜识别系统最初是由英国剑桥大学丌发成功的， 随着9 1 1 事件的发生，各国政府特别是美国纷纷加强了安全检验措施，高效精确 的生物识别技术受到了广泛重视，虹膜识别作为一项精确识别技术正在走入市场。 美国的i r i d i a nt e c h n o l o g y 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d a u g m a n 教授的专利，目前，该公司和世界一些著 名的电子设备商如l gp a n a s o n i c 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，同时，i r i d i a n 公司已在美国本土、加拿大、欧洲、亚太地区建立 第一章绪论 了分支机构，发展了很多销售代理商，积极开拓这个有巨大潜力的市场。 美国得克萨斯州联合银行的三个营业部已经安装了该公司的虹膜识别系统， 储户两手空空地来办理银行业务，无需银行卡，更没有回忆密码的烦恼。他们在 该取款机上取钱时，一台摄像机首先对用户的眼睛进行扫描，然后将扫描图像转 化成数字信息与数据库中的资料核对，以对用户的身份进行检验。 美国眼票公司设计的“虹膜通行证”已于2 0 0 1 年6 月9 日在美国北卡罗来纳州 夏洛特道格拉斯国际机场正式启用。它使用最新眼睛虹膜识别技术来管理航空公 司和机场职员进出的限制区域，不仅可以大大减轻机场的身份检验工作，还可有 效保障机场和乘客的安全。 美国森萨尔公司开发的虹膜钥匙也十分引人注目，人们只需向自动取款机视 孔内窥望，便可被识别出是不是持卡人，从而简便地在银行提取所需的现款。这种 对人眼彩色部分虹膜扫描定位的数字化编码图像，可提供高精度的识别防伪方法 形成眼体位置更清晰的放大图像。每个人的虹膜各不相同，因而其分布的形态 特征较压手印识别真伪更加可靠。用户输入载有个人眼形特征的虹膜号码后，虹膜 扫描定位摄像机即从3 英尺外对虹膜进行扫描，然后进行数字化编码并存档备案。 此后，当用户将个人银行账卡输入自动取款机时，机内设的摄像机就会对眼睛聚焦， 移近瞳孔摄取虹膜图像，并立刻将所摄虹膜图像与数据库中的存档图像对比，若两 者相符无误，自动取款机便付出所需现款。整个识别和付款过程仅需3 秒钟，十分方 便。此外，配置虹膜扫描仪自动取款机的银行还可代理机票、证券和股票业务，无需 担忧业务交往中出现的欺怍行为。 韩国l g 公司和l r i s c a n 公司联合开发出虹膜识别网络门禁系统i r i s a c c e s s t m 3 0 0 0 ，拥有功能强大的网络化系统管理平台，是一种高精度、智能化、网络化的 防止非授权人员进入的全新门禁系统，与其他门禁系统相比具有更高的安全性， 且使用方便。图1 3 为目前l g 公司研制的较为先进的虹膜识别门禁系统。 松下公司也已经推出了一个虹膜识别照相系统a u t h e n t j c a m 。这套新系统 包括松下公司的照相机和l r i d i a n 科技的个人身份虹膜识别与鉴定技术。松下公司 介绍说，这套系统可用于包括网络防问权限设置、自动银行业务、信用卡认可、 健康卡管理以及身份认证在内的各个安全技术应用领域。 英国作为虹膜识别技术的最初拥有国，也已经将虹膜识别系统用于现实生活， 英国伦敦希思罗机场的安全检测系统已经采用了虹膜识别系统，从而大大提高了 机场安全检测的效率。 电子科技大学硕士学位论文 图1 - 3 虹膜识别门禁系统 1 3 2 国内虹膜识别研究状况 国内对虹膜识别技术的研究起步较晚，在最近几年内也获得了较快的发展。 但与国外虹膜识别产业蓬勃兴旺的发展势头相比，还是有一定差距。目前，中国 科学院自动化所已经完成了虹膜识别的实验室阶段的研究，其成果处于国内领先， 并且申请了虹膜采集装置的专利。上海交通大学、浙江大学、华中科技大学等也 在进行相关的研究，并也都取得了一定的研究成果。国内在虹膜的边缘提取的研 究上，中科院提出了使用图像二值化先提取出内圆即瞳孔和虹膜的边界，然后再 使用高斯低通滤波的方法结合边缘检测提取出外圈的边界。然后使用h o u g h 变换 的方法求出外圆的参数的方法。王蕴红、朱勇、谭铁牛给出了采用g a b o r 滤波和 d a u b e c h i e s 4 小波变换提取特征，匹配采用方差倒数加权欧氏距离方法，具有旋转、 平移和尺度不变性1 7 j 。陈良洲，叶虎年给出了用h o u g h 变换找出虹膜中心及其半 径，利用其半径求出比例因子，用相关系数测度匹配结果的算法i ”。应忍冬，徐国 治基于b o l e s 的小波变换过零检测算法，提出了利用“虹膜瞳孔变形模型”和“有 限变形相似度”新的编码识别算法，解决虹膜纹理变形问题和不等长编码的比较 问题【9 j 。还有其他的一些学者也提出了较好的虹膜识别算法。 虽然在算法上有了一些成果，但在虹膜识别系统的硬件上与发达国家相比还 有很大的差距。国内有多家公司在致力于虹膜识别系统的研究和开发。有些公司 也已经推出了相关产品。但产品的性能与国外相比还有较大的差距。真正称得上 面向终端用户、稳定的、产品化的虹膜识别系统寥寥无几。当然，随着国内更多 高水平厂商的加盟及在产品研发方面的持续投入，这些相对薄弱的状况会逐渐好 转。目前，在中科院自动化所、模识科技公司和广电运通金融电子公司的科研人 员的共同努力下，已经联合研制成功了中国第一台虹膜识别a t m 。如图1 - 4 所示。 第一章绪论 图1 - 4 我国第台虹膜识别a t m 取款机 1 4 本文主要研究内容及各章节安排 1 4 1 本文主要研究内容 本文的主要研究工作有如下几个方面： f 1 ) 虹膜图像预处理。虹膜图像预处理的目的是除去虹膜图像采集过程中引入 的噪声：克服瞳j l 由于光线的强弱引起的缩放带来的影响；得到归一化矩 阵以方便特征提取。它主要包括虹膜定位和虹膜图像归一化两个部分。虹 膜定位传统的方法是采用d a u g m a n 提出的用圆形边缘检测器来检测虹膜的 内外边缘。这种定位法虽然准确度比较高，但计算量很大，耗时过长。本 文提出一种新的定位方法。它在保证精确度的情况下较好的缩短了运算时 间。在归一化部分，我们把扇形的虹膜图像映射到一个极坐标系中半径为1 的单位圆内，并把它展开为个固定尺寸的灰度矩阵。由于虹膜的大部分 纹理都是按径向分布的，因此这种按径向映射的方法也正好符合虹膜纹理 的生理特征。然后对归一化图像进行两次图像分割，把归一化后的图像分 成1 8 个小区域。 f 2 1 虹膜特征提取。虹膜图像包含有明显的、可区别的各种特征。为了准确提 取虹膜中纹理的信息，我们利用二维小波变换对归一化后图像的1 8 个小区 域分别进行二维小波变换，提取了虹膜特征编码信息。 ( 3 ) 虹膜的识别与匹配。把己提取的虹膜特征向量与数据库中原有的虹膜膜特 电子科技大学硕士学位论文 征向量相比较进行虹膜识别，是一个典型的模式匹配问题，在本文中，我 们采用方差倒数加权求和的分法对虹膜进行模式识别。 1 4 2 各章节内容安排 本论文第一章绪论介绍了课题的研究背景、研究意义，及国内外研究现状。 第二章的内容是虹膜识别算法中的图像预处理部分，该章相信阐述了虹膜图像中 值滤波、虹膜定位、虹膜归一化三部分工作。并对前人的工作做了一定的改进和 创新。第三章阐述了连续小波变换，与离散小波变换的基本理论及它们在虹膜识 别中的应用，其中详细介绍了离散小波变换中的二维小波变换理论及应用。第四 章先讲述了虹膜纹理特征的描述方法，接着介绍了传统的纹理特征提取方法，最 后详细阐述了基于二维小波变换的虹膜特征提取方法。第五章详细阐述了虹膜匹 配算法的学习阶段和识别阶段的匹配识别工作，并在虹膜数据库中对本文提出的 虹膜识别算法做了识别验证实验。第六章对本文的工作做了一个全面的总结。论 文的最后是致谢词和本文所引用的参考文献。 第二章虫t 膜图像预处理 第二章虹膜图像预处理 由于通过获取装置采集到的虹膜图像通常不只包含虹膜，往往还有眼睛的其 它部分，比如瞳7 l 、眼睑、睫毛、眼白等，这些都是无用的干扰信息，需要加以 去除。这个去除无用信息的过程即为虹膜图像预处理过程。它主要包括3 个过程： 虹膜图像平滑处理、虹膜定位、虹膜归一化。虹膜图像平滑处理的目的是为了去 除采集图像的噪声干扰。虹膜定位的目的是为了在采集图像中准确的定位虹膜的 几何位置。虹膜归一化的目的是为了克服在拍摄过程中，虹膜本身的旋转和伸缩 带来的虹膜纹理特征位置变换问题，保证后面特征提取的准确性。 2 1 虹膜图像平滑处理 在采集虹膜图像的过程中，往往会由于采集装置本身和摄像头反光的因素， 引入一些噪声。这些噪声会干扰后面的数据处理。引入图像中的噪声多为高频噪 声，因此需要对图像进行平滑处理。由于在后面瞳孔定位的算法中，需要通过狄 度直方图来确定阈值。如果不对图像进行平滑处理，虹膜图像的灰度直方图中就 会产生像毛刺一样的干扰。 平滑处理通常通过采用低通滤波的方法来实现。常用的平滑处理有线性均值 滤波和非线性中值滤波l ”l 2 1 1 线性均值滤波 对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用领域平均 法的均值滤波器就非常适用于去除虹膜图像中的颗粒噪声。领域平均法是空间域 平滑噪声技术。对于给定的图像f ( i ，i ) 中的每个像点( ，z ，1 ) ，取其领域s 。设s 中 含有m 个像素，取其平均值作为处理后所得图像像点( ，m ，t ) 处的灰度。用像素 领域内各像素狄度平均值来代替该像素原来的灰度，即是领域平均技术。 领域s 的形状和大小根据采集到的虹膜图像特点确定。般取的形状是正方 形、矩形及十字形等。s 的形状和大小可以在全图处理过程中保持不变，也可根据 图像的局部统计特性而变化。点( l ， 1 一般位于s 的中心。如s 为3 3 领域，点 ，n ) 位于s 的中心，则有式2 - 1 电子科技大学硕士学位论文 f ( m ，甩) = 吉芝f ( m + i ，z + ，) ( 2 - 1 ) 7 j - 一1 f - 一1 也可以用图2 - 1 所示的高斯模板来实现加权均值滤波的过程。在高斯模板中权 系数4 所在位置的元素为中心位置像素，即该个元素为要进行处理的像素。中心 位置的像素比其他任何像素的权值都要大，因此在均值计算中中心位置像素显得 更为重要。而距离中心较远的其他像素就显得不太重要。 1 一 1 6 12l 242 121 图2 1g a u s s i a n 模板 线性均值滤波相当于一低通滤波器，它通过计算中心像素和周围像素的平均 值来去除图像中突然变换的点，从而滤掉一定的噪声。但同时也会使图像的一些 边界区域有一定程度的模糊。 2 1 2 非线性中值滤波 中值滤波是一种非线性的信号处理方法。它也是一种典型的低通滤波器。它 在一定条件下可以克服线性滤波器带来的图像模糊，而且对滤波噪声干扰和图像 扫描噪声最为有效。 中值滤波与加权平均方式的平滑滤波不同，它是将领域中的像素按灰度级排 序，取其中间值为输出像素。中值滤波的效果依赖于两个要素：领域的空间范围 和中值计算中涉及的像素数( 当空间范围较大时，一般只取若干稀疏分布的像素作 中值计算) 。中值滤波能够在抑制随机噪声的同时不使边缘模糊，因而使用较广。 并且中值滤波的方法简单，易于实现，而且能较好地保护边界。 但是中值滤波有时会丢失图像中的细线和小块目标区域。中值滤波领域的大 小决定在多少个数值中进行求中值操作，窗口的形状决定了在什么样的几何空间 中取元素计算中值。对二维图像，窗口的形状可以是矩形、圆形及十字形等，它 的中心一般位于被处理点上。通常领域范围设的越大就越容易丢失小块的目标区 第二章虹膜图像预处理 域，而这种小块的目标区域在我们虹膜识别中是重要的纹理特征信息。因此，我 们在中值滤波的过程中，领域范围不宜设的过大。 由于中值滤波能够在抑制随机噪声的同时不使边缘模糊，并且中值滤波的方 法简单，易于实现，能有较快的运算速度。所以我们对采集到的虹膜图像采用非 线性中值滤波来进行图像的平滑处理。 2 2 虹膜定位 经过图像平滑处理后的虹膜图像如图2 2 所示。整个包含纹理特征的虹膜在图 像中只占一部分几何位置。我们需要一定算法，找到虹膜所在的这个几何位置， 把它提取出来，去除一些无用信息。这一算法实现的过程即为虹膜定位过程。 幽2 2 平滑处理后的虹膜幽像 虹膜定位是整个虹膜识别算法相当重要的一个环节，它的结果直接决定了提 耿的特征是否有效和编码是否准确，从而最终影响虹膜的识别结果。在实验中发 现虹膜定位有着决定性的地位，且它也是系统中占用时间最多的进程。目前，虹 膜定位算法有多种形式【1 l 】【1 2 】【1 3 】【1 4 】，有的定位算法有较高的精度，有的定位算法有 较高的运算速度。但精度较高的算法其运算速度一般较低，运算速度较高的算法 其精度一般较低。下面给出了一种虹膜定位算法，在保证定位精度的情况下，较 好的提高了运算速度。 电子科技大学硕士学位论文 2 2 2 虹膜内边缘定位 如图2 2 所示，虹膜的几何形状为环形，它的内边缘为虹膜内侧与瞳孔的交界 处。它是一个圆形。虹膜内边缘定位的目的就是要找出这个圆形的圆心和半径， 确定其几何位置和尺寸。由于虹膜的纹理分布多呈放射状，其越靠近虹膜的内边 缘分布密度越大，所以对虹膜的内边缘定位必须有很高的精确度。由于虹膜的内 侧和瞳孔的灰度差较大，我们可以通过先对虹膜图像二值化，再提取边缘，进而 确定圆心和半径的方法来实现虹膜内边缘的定位。 2 2 2 1 虹膜图像二值化 在对虹膜图像二值化之前，需要找到一个灰度值作为二值化阈值。这个次度 值必须在虹膜内侧和瞳孔的灰度差范围内，即阈值要高于瞳孔的灰度值并低于虹 膜内侧的灰度值。 图2 3 对应图2 - 2 的虹膜图像灰度直方图 经过处理后的虹膜图像都是灰度图像。一般来说，瞳孔的灰度值比较均匀、 统一。从图2 2 也可以看出。而这种统一的灰度值会使得虹膜图像南方图上在某一 灰度范围内出现一峰值。根据这一特性可以粗略的估计出瞳孔的次度值。图2 3 为图2 2 的灰度直方图。但在狄度直方图中，估计瞳孔的灰度值会遇到干扰。尤其 是上下眼皮的干扰，由于在拍摄过程中，上下眼皮会有一定的反光，导致眼皮在 虹膜图像中基本是灰度值较高的白色。所以灰度直方图中，在灰度值较高的范围 第一：章虹膜幽像预处理 内也会出现一峰值。 为了避免干扰我们在估算瞳f l 的狄度值时需i 5 定一个狄度范围。根据经验， 瞳7 l 的灰度值一般不会超过l5 0 。在本u 、1 ，, 州1 算法中，我们在估算瞳孔狄度值时设定 的范围是2 0 1 2 5 。估计瞳i l 狄度值的目的就是要找到一个闽值对虹膜图像进行二 值化。对图2 3 所示的直方图，我们在2 0 1 2 5 范刚内搜索一峰值，) h 戈至l j 这一峰 值对应的灰度值为4 9 。设用搜索峰值方法得到狄度值为t ，二值化闽值为y ，我 们通过对大量的图像试验发现，y 要大于t 。如果y 等于t ，那么二值化后图像将 会引入一些眼睫毛的二f 扰。为此要引入一个安全系数d ，使得： y = t + d ( 2 - 2 ) 我们通过对多幅虹膜图像实验研究发现当d 敬5 时能得到较好的二值化效果。 对图2 2 按照上述的算法进行二值化后所得图像如图2 - 4 所示。 2 2 2 2 边缘检测 数字图像的边缘检测是图像分割、目标区域以别、区域形状提取等图像分析 领域十分重要的基础，也是图像识别中提取图像特征的一个重要属性。常用的边 缘检测算子有r o b e r t s 算子、p r e w i t t 算予、s o b e l 算子以及c a n n y 算予1 1 5 l 。 ( 1 ) r o b e r t s 算子 对于离散图像来说，边缘检测算予就是用图像的垂直和水平差分来逼近梯度 算子，如式2 3 所示。 v ，= ( 厂( z ，y ) 一，0 一l ，y l ，( x ，y ) 一，b ，y 一1 ) )( 2 3 ) 因此当需要检测图像边缘时，最简单的方法就是对每个像素计算v ，然后求 电子科技大学硕： 学位论文 绝对值，最后进行阈值操作就可实现。r o b e r t s 算子就是基于这种思想，该算子如 式2 - 4 所示。 r ( i ，) = ( ，o ，) 一f ( i + 1 ，+ 1 ) ) 2 + ( ，o ，+ 1 ) 一，o + 1 ，) ) 2( 2 4 ) 它可以由式2 5 所示的两个2 x 2 模板共同实现。 一 ( 2 5 ) ( 2 ) p r e w i t t 算子和s o b e l 算子 在比较复杂的图像中，仅用2 x 2 的r o b e r t s 得不到较好的边缘检测效果，而相 对较复杂的3 3 的p r e w i t t 算子和s o b e l 算子检测效果较好。和r o b e r t s 算子类似， p r e w i t t 算予也可以通过式2 - 6 所示的两个模板实现。 雕 卜1 0 1 1 | - 1 o 1 l ( 2 - 6 ) 【一1 0 1 j 以上两矩阵分别代表图像的水平梯度和垂直梯度。如果用p r e w i t t 检测图像m 的边缘，一般先用水平算子和垂直算子对图像进行卷积，得到两个矩阵m 1 、m 2 ， 在不考虑边界因素的时候，它们与原图像有相同的大小，分别表示图像m 中相同 位置对于x 和y 的偏导数。然后求m 1 和m 2 对应位置的两个数的平方和，得到一 个新的矩阵g 。g 是m 中像素灰度梯度的近似值，然后经过阈值操作得到边缘。 即如式2 7 所示。在式2 7 中e 为所得的边缘矩阵，p r 为p r e w i t t 垂直方向算子， p n 为p r e w i t t 水平方向算子。t h r e s h 为阈值。 e = ( ( m o 昂) 。+ ( m o o ) 2 ) t h r e s h 2( 2 7 ) s o b e l 算子与p r e w i t t 算子的区别仅在于选用的模板不同，s o b e l 算子使用的模 板如式2 8 所示。 陋 _ 1 0 1 1 | _ 2 0 2 i ( 2 - 8 ) l 一1o1 i lj ( 3 ) c a n n y 算子 在边缘检测算子中，c a n n y 算子是最复杂的边缘检测算子之一。它是最优的阶 第二章虹膜图像预处理 梯型边缘( s t e pe d g e ) 检测算子。c a n n y 边缘检测算子对受到白噪声影响的阶跃型边 缘是最优的。它的主要实现步骤如下： 首先用2 d 高斯滤波模扳与原始图像进行卷积，以消除噪声。 利j h 导数算予