文献综述-人眼虹膜特征提取方法综述

杭 州 电 子 科 技 大 学毕 业 设 计 （ 论 文 ） 文 献 综 述毕 业 设 计 （ 论 文 ） 题 目 基于图像分析的虹膜区分系统开发文献综述题目 人眼虹膜特征提取方法综述学 院专 业姓 名班 级学 号指导教师人眼虹膜特征提取方法综述1. 前言近几年，虹膜识别在各种方面，无论是工业上还是安保工作中，比如在海关和医学机构等等，都引起了广泛关注。正是因为虹膜有以下几点主要优势：(1) 虹膜就具有独一无二的纹理特征而且这些特征在人的一生中基本保持不变。(2)虹膜具有内在的生理隔离和保护能力。(3)虹膜的结构难以通过手术等外界方式修改。(4)虹膜图像可以通过摄像机和激光扫描捕获，不需对人体进行侵犯。另外，虹膜识别是最可靠的生物特征识别方式之一，人的虹膜有很高的独特性和识别精准性，其误识率是各种生物特征识别方式中最低的，这种新的身份确认和识别方式的需求量日益增加，适用于需要进行安全防范的诸多场合。但是，在获得有高效率的识别系统前，我们还面临许多技术和实践上的困难，比如在各种难以控制的环境中，对虹膜图像的提取，或得到的图片存在大量噪声，以及模糊度过高。因此，我们重点对虹膜定位和特征提取的目前主要算法进行概述，图 1 是完整的虹膜识别系统流程。图 1 虹膜识别系统2. 主题对虹膜的原始图像的预处理，即特征提取，我们将对完整的人眼图像进行预处理操作。从一张人眼静态图像出发，这里讨论对静态图像的特征提取具体过程和主流方法。获得清晰度较高的图像，这里要求最小满足半径为 50 个像素点的瞳孔捕捉图 1，并能将瞳孔完整从瞳孔中分离出来。接下来，要对虹膜局部检测，这里的主要传统方法有精确边缘测量（canny edge detect） ，边缘积分算子计算（Integro-differential operator） ，霍夫拟合圆变换（Circular Hough Transform） ，另外一些频域检测方式，如小波变换，傅立叶变换。2.1 精确边缘测量（canny edge detect）精准的边缘检测模型建立需要 3 个评价参数，i，好的探测：该算法尽可能包括图像的有效范围。ii，好的分割：时域图片的边缘尽可能接近交界线。iii，满足的分割结果少，并不存在错误。这里提出一种具体算法过程:A，平滑图像和去除噪声。B，找到并加强边缘对比度，确定边缘方向。C，去除像素极值，压缩在某一范围内。D，双阈值控制，确定边缘。这种方法容易理解，可以直观在原始图像上操作，但有较高错误率和复杂计算量，在实际操作中可行性不大。2.2 边缘积分计算（Integro-differential operator ）这种方法主要用来对虹膜的内外边缘进行检测，而且可以避免眼睑，睫毛等干扰。这种方法最先被 Daugman 1-3使用，这种积分计算的方法主要对圆环区域，比如虹膜区域，取虹膜内外半径为上下限，沿着眼睛中心积分。该算法可以获取图像的最主要信息，所以精确度较高计算时间也极快。但本方法也存在不足，比如半径，积分范围等参数需提前获取，不能通过机器自我学习。2.3 霍夫拟合圆变换（Circular Hough Transform） 3霍夫拟合圆变换在局部虹膜边界辨识上有较好效率。由于霍夫变换有对不完整数据影响不大，对噪声影响敏感度低。对提取已知形状的图像，准确率较高，霍夫拟合圆有三个参数（a ，b ，r） ，a ，b 表示每个可能用来拟合的圆心坐标，r 是半径。这样，可以把原始图像以（x，y）为坐标的点、像素点转换为（a，b，r）的点，每个（a，b，r）点表示原图像的一个圆。然后，用计算机迭代计算，当某个区域点较为密集的话，在原图像上就可能是边缘的部分。可以控制阈值来提取大致的边缘曲线，在之前要对图像平滑处理。 图像准确率依赖累计圆的数量，迭代的圆越多，准确率越高，但随着基准圆（cell）的增加，所需的存储空间开销也增加。由于霍夫变换总体开销较大，因此也不合适与即时应用。 2.4 小波检测（ Wavelet Demodulation） 4 用 2D Gabor 小波提取虹膜的边缘信息，当虹膜在双无量纲的新坐标系空间中，将增强后的虹膜图像 I(x， y)分成数目固定的块，用一族频率、相位不同的 Gabor 小波对块进行滤波，提取局部相位信息，其实现公式如下： cossin,sincoyxvyxu其中 为 Gabor 滤波器的方向, 和 分别为高斯包络在 u 轴和 v 轴上的标准差uv(u 轴平行 ， v 垂直于 ), 用于调制频率。MN 为模板矩阵大小，如果采用卷积实现滤波,每个像素的计算量至少需要 NM 次乘法和 NM-1 次加法,共计 2NM-1 次加乘法运算。由此可见,用卷积的方法实现 Gbaor 滤波的计算复杂度是比较大的。2.5 海明距离匹配(HD) )()2(5.0exp21),( wuuh对虹膜图像编码为二进制后，用海明距离比较图像之间的差别，这里用一种较为精确的计算方式，海明距离（HD） 。HD= code A XOR code B公式计算两个模式编码的距离，决定两个虹膜是否属于同一类别 5。 海明距离的计算在于大量数据库数据比对时，有速度快，存储空间消耗小等优势，通过检验特征向量的相似度判断虹膜的所属类。2.6 几何距离匹配 6几何距离比较，也就是欧氏距离，计算特征向量之间的平均距离。如公式：这里 x，y 分别为两组特征向量，欧氏距离计算虹膜的特征距离精确度较高，两幅虹膜特征图像越接近，得到距离值越小，几何特征的优点是能够简洁地表示出虹膜宏观的结构变化，但在图像质量低和背景复杂的情况下难以实现。同时几何特征的提取可能忽略了虹膜的细微变化，因此在识别细微变化的表情时区分性不够高。基于几何特征的方法很大程度上减少了输入的数据，一些重要的表情识别和分类信息就会丢失。实验研究表明几何特征提取的精确性结果不容乐观。3. 总结针对目前虹膜特征提取方法和匹配主要方式存在的问题，和未来的研究趋势作出了如下总结和展望提高虹膜识别系统的性能，扩大虹膜识别技术的应用范围，仍然面临着许多困难，具体表现在以下几点 7:(1)虹膜定位是虹膜图像预处理过程中的重要环节，准确定位出虹膜的有效区域是后续过程顺利进行的基础。(2)在现有的虹膜识别算法中，虹膜本身的生理特性仍没有得到充分利用例如，虹膜纹理受到外界光照刺激时会产生径向形变传统的线性形变方法在虹膜变形较大的情况下会失效，从而导致误识率 FRR 的提高。(3)不完美(nonideal)虹膜识别Daugman 的算法虽然能够取得很好的性能，但是它对虹膜图像的质量要求较高，低质量的虹膜图像将直接导致识别错误率的增加，主要是导致错误拒绝率 FRR 的增高。(4)虹膜识别应用的拓展如何将虹膜识别用于更多的应用领域，是虹膜识别进一步发展需要考虑的问题另外，虹膜识别也可以拓展到动物虹膜识别，如食品安全中溯源的鉴别( 如牛、羊、猪产地及生长过程的追溯)、竞技类动物(赛马、赛鸽等)的管理等niiiyxDis2)(1参考文献1 Jing Huang, Xinge You, Yuan Yan Tang, Liang Du and Yaun Yaun. A novel iris segmentation using radial-suppression edge detectionJ.Signal Processing,2009,89(12), pp.2630-2643.2 John Daugman, Statistical richness of visual phase information: update on recognizing persons by iris patterns.International Journal of Computer Vision.2001,45(1) :25-38. 3 John Daugmann,How iris recognition worksJ.IEEE Trans. Circuits Syst. Video Technol. 2004,14(1):21-30. 4 John Daugman. High confidence visual recognition of persons by a test of statistical independenceJ. IEEE Trans. Pattern Analysis and Machine Intelligence, 1993,vol.15(11). 5 D.M. Rankin, B.W. Scotney, P.J. Morrow and B.K. Pierscionek,Iris recognition failure over time: The effects of texture.Pattern Recognition,2012, vol.45(1):145-150 . 6 Yu Chen, Malek Adjouadi , Changan Han, Jin Wang, Armando Barreto, Naphtali Rishe and Jean Andrian. A highly accurate and computationally efficient approach for unconstrained iris segmentation.