CN106326841A - 一种快速虹膜识别算法 - Google Patents

Abstract

本发明公开了一种快速虹膜识别算法，该算法包括以下步骤：步骤1：对虹膜图像进行预处理；步骤2：对虹膜图像进行特征提取；步骤3：对虹膜图像进行特征编码，得到iris编码；步骤4：将采集的图像与数据库中的虹膜图像进行比对，判断两个虹膜是否属于同一类。本发明算法简单，计算量小，能够快速精确地得到高质量的虹膜纹理图像；使用FPGA处理图像数据，速度快，耗时小；本发明采用改进的快速算法，方便嵌入式硬件上快速实时的进行虹膜处理，准确度高，误识率低，方便在低成本硬件单元实现；该算法的录入和识别率高，在1s内可以完成虹膜目标识别，准确率高。

Description

一种快速虹膜识别算法

技术领域

本发明涉及一种快速虹膜识别算法，基于眼睛中的虹膜进行身份识别，应用于安防设备(如门禁等)，以及有高度保密需求的场所，虹膜从10个月大后保持稳定不变，这个特征保证了身份识别的可靠性。

背景技术

人眼睛的外观图由巩膜、虹膜、瞳孔三部分构成。巩膜即眼球***的白色部分，约占总面积的30％；眼睛中心为瞳孔部分，约占5％；虹膜位于巩膜和瞳孔之间，包含了最丰富的纹理信息，占据65％。外观上看，由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一。虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理、颜色和总的外观。人发育到八个月左右，虹膜就基本上发育到了足够尺寸，进入了相对稳定的时期。除非极少见的反常状况、身体或精神上大的创伤才可能造成虹膜外观上的改变外，虹膜形貌可以保持数十年没有多少变化。另一方面，虹膜是外部可见的，但同时又属于内部组织，位于角膜后面。要改变虹膜外观，需要非常精细的外科手术，而且要冒着视力损伤的危险。虹膜的高度独特性、稳定性及不可更改的特点，是虹膜可用作身份鉴别的物质基础。

在包括指纹在内的所有生物识别技术中，虹膜识别是当前应用最为方便和精确的一种。虹膜识别技术被广泛认为是二十一世纪最具有发展前途的生物认证技术，未来的安防、国防、电子商务等多种领域的应用，也必然的会以虹膜识别技术为重点。这种趋势已经在全球各地的各种应用中逐渐开始显现出来， 市场应用前景非常广阔。

虹膜识别研究机构主要有美国的Iridian，Iriteck，韩国的Jiris公司、北京中科虹霸、北京虹安翔宇，日本松下。Iridian公司掌握虹膜识别核心算法，是目前全球最大的专业虹膜识别技术和产品提供商，它和LG、松下、OKI、NEC等企业进行合作(如IRISPASS&reg，BM-ET300，IG-H100&reg等产品)，以授权方式提供虹膜识别核心算法，支持合作伙伴生产虹膜识别***。Iridian的核心技术还包括图像处理协议和数据标准PrivateID&reg，识别服务器KnoWho&reg，KnoWho&reg开发工具及虹膜识别摄像头等。

国内在2000年以前在虹膜识别方面一直没有自己的核心知识产权，经过10年的不断努力，截止2013年，国内以形成北京为主虹膜研发生产聚集地，在多年研究的基础上也均开发出了各自虹膜识别的核心算法，成为了世界上少数几家掌握了虹膜识别核心算法的单位之一，通过在矿山苛刻的环境下使用，证明了中国的虹膜产品不管是在识别速度、设备稳定、解决矿工黑脸问题上，都远胜国外虹膜产品。

发明内容

本发明的目的在于提供一种快速虹膜识别算法，可以将此算法应用到嵌入式硬件，实现快速的虹膜认证***；该算法采用改进型的二维log-gabor滤波器，可进行多方向多尺度的特征提取，提高算法效率和实时性，满足虹膜的快速识别的时效需求。

本发明的目的可以通过以下技术方案实现：

一种快速虹膜识别算法，该算法包括以下步骤：

步骤1：对虹膜图像进行预处理；

步骤2：对虹膜图像进行特征提取；

步骤3：对虹膜图像进行特征编码，得到iris编码；

步骤4：将采集的图像与数据库中的虹膜图像进行比对，判断两个虹膜是否属于同一类。

步骤1中，所述预处理包括对虹膜图像进行虹膜定位，接着进行归一化处理，处理后的虹膜图像进行增强操作。

所述虹膜定位包括对虹膜内边缘圆心和半径的进行粗定位，然后精确定位虹膜的内外边缘，最后将将虹膜区域分割出来；所述归一化处理包括将每幅原始图像调整为与原始图像相同的尺寸和对应的位置；所述增强操作包括采用局部直方图均衡的处理方式。

所述归一化处理具体操作为：首先设虹膜图像的内外边缘的交点位置分别为(xi(θ)，yi(θ))和(x0(θ)，y0(θ))，然后通过采用式(3)可将虹膜图像中的每一点全部映射到极坐标(r，θ)中，这样虹膜经过归一化处理后的r∈[0,1]，θ∈[0，2π]，最后就在极坐标(r，θ)平面上获得64×256大小的归一化虹膜图像，

在对所述虹膜进行归一化的同时，需对噪声进行相应标记，生成一个与归一化虹膜相对应的噪声屏蔽模板，在噪声屏蔽模板中，噪声信息被标记为0，虹膜信息被标记为1。

所述局部的直方图均衡化具体操作为：设原始图像的灰度级为rk，直方图均衡化使用一个灰度函数作为变换函数，灰度函数为T(r)，虹膜图像中总的像素数目为N，输入直方图做修正，得到化后图像的灰度分布函数S(r)，图像中灰度级为ri的像素总数，则有:

步骤2中，所述虹膜图像采用二维Log_Gabor滤波器对特征进行提取。

步骤3中，所述特征编码采用分块方式对特征进行编码，提取局部相位信息。

所述分块方式为：设整个虹膜图像(x，y)被分M×N大小的若干个子块，子块大小与滤波器模板大小一样，通过对局部相位信息值进行计算，得到一个复数，如果这个复数的实部大于等于0，则表示该特征码为1，否则为0；如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0。

两个所述虹膜采用欧式距离分类器来进行识别。

本发明的有益效果：

1、本发明算法简单，计算量小，能够快速精确地得到高质量的虹膜纹理图像；使用FPGA处理图像数据，速度快，耗时小；

2、本发明采用改进的快速算法，方便嵌入式硬件上快速实时的进行虹膜处理，准确度高，误识率低，方便在低成本硬件单元实现；

3、本发明算法采用模块化，流水线处理架构，也可以选择并行模式，灵活性高，满足各种硬件平台；

4、该算法的录入和识别率高，在1s内可以完成虹膜目标识别，准确率高。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明一种快速虹膜识别算法的基本组成图；

图2为本发明一种快速虹膜识别算法工作原理图；

图3为本发明虹膜图像预处理工作流程图。

附图标记为：6-虹膜特征提取算法；7-虹膜特征编码；11-图像预处理算法；12-虹膜分类匹配算法。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在虹膜图像采集过程中，由于受到人眼与采集装置距离的变化、光照不均匀等因素影响，同时，将会影响虹膜识别效果，降低虹膜识别的准确率。为了准确提取虹膜信息，消除上述因素带来的影响，在特征提取进行之前，要对虹膜图像进行预处理。

虹膜图像的预处理一般包括虹膜定位，图像归一化和增强等步骤；虹膜定位一般采用由粗到精的定位方法，首先对虹膜内边缘圆心和半径的进行粗定位，然后精确定位虹膜的内外边缘，最后将将虹膜区域分割出来；不同人的虹膜大小不一，即使同一虹膜受光照不均和瞳孔放缩等影响，会引起虹膜大小的变化，为了消除这种不利的影响，必须对定位的虹膜图像进行归一化处理，将每幅原始图像调整为与原始图像相同的尺寸和对应的位置，从而消除缩放、旋转和平移对于虹膜识别的影响；由于角膜反射和光源位置等因素的影响，虹膜图像上的光照分布不能完全均匀，从而影响后继的纹理分析效果。为了更好的提高识别效率，在特征提取之前必须先对归一化的虹膜图像进行增强，主要采用局部直方图均衡的处理方式；

传统的虹膜特征提取采用一维log-Gabor滤波器进行。对于二维虹膜图像，其虹膜纹理的特征信息不仅反映在径向方向上，同时也体现在角度方向上，如 果采用一维log_Gbaor滤波器对虹膜特征进行提取，将失去虹膜二维特征信息丢失。为了克服一维log_Gabor滤波器特征提取算法带来的不足，能够从径向和角度两个方向上同时提取虹膜纹理的信息，本文采用二维Gabor滤波器对虹膜特征进行提取。根据频域分析，二维Log_Gabor是一种特定方向的带通滤波器。一个滤波器只能够对一定的频率和方向进行覆盖，称为一个通道。通过采用二维Log_Gabor滤波器从径向和方向对虹膜特征进行提取。通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后，获得了子块滤波模的最大值所小波号。本文通过采用分块方式对特征进行编码，提取局部相位信息。设整个虹膜图像(x，y)被分M×N大小的若干个子块，子块大小与滤波器模板大小一样。通过对局部相位信息值进行计算，得到一个复数。如果这个复数的实部大于等于0，则表示该特征码为1，否则为0；如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0，因此，最后得到虹膜特征码。将采集的图像与数据库中的虹膜图像进行比对，判断两个虹膜是否属于同一类。综合考虑虹膜的物理征点及物理意义，本文采用著名的欧式距离分类器来进行识别。

实施例

一种快速虹膜识别算法，如图1和图2所示，包括图像预处理算法11、虹膜特征提取算法6、虹膜特征编码7和虹膜分类匹配算法12；

其中，图像预处理算法11包括虹膜定位算法、虹膜归一化算法、虹膜图像增强三部分；参见图3，虹膜定位算法采用粗到细定位方法，瞳孔颜色明显要比眼睛的其它部分要黑一些，这说明瞳孔的灰度值相对来说较小，且是面积最大的连通区域，但是虹膜相对眼睛的其它部分要明亮一些，这表明虹膜的灰度值相对来说要大一些，在人的眼睛中虹膜是最白的，其灰度值相应也是最大的，因此，可以利用人眼的灰度级变化的突变和虹膜的良好的环状特性，进行人眼 睛的瞳孔的圆心和半径粗定位，当瞳孔的圆心和半径大致确定之后，就可以根据虹膜的圆形结构特征，可以对虹膜的内外边缘进行精定位。首先对虹膜的内边缘进行精定位，其中，利用Canny算子获得的灰度边缘图像，由于虹膜外边缘相对于内边缘来说是比较模糊，如果采用与内边缘相同的精定位方法，那么就容易产生定位不准的现象，为防止定位不准的现象的发生，本文采用面积分代替线积分，利用Canny算子获得的灰度边缘图像。经过上述步骤虹膜的定位完成。

以瞳孔圆心为中心点，将虹膜的环形区域归一化为矩形区域的方法。首先设虹膜图像的内外边缘的交点位置分别为(xi(θ)，yi(θ))和(x0(θ)，y0(θ))，然后通过采用式(3)可将虹膜图像中的每一点全部映射到极坐标(r，θ)中，这样虹膜经过归一化处理后的r∈[0,1]，θ∈[0，2π]，最后就在极坐标(r，θ)平面上获得64×256大小的归一化虹膜图像。归一化虹膜图像通过上述映射后，对于消除缩放、旋转和平移等具有不变性。

由于归一化后的矩形虹膜图像由于眼睑遮挡的影响，从而使虹膜图像含有噪声信息，为了消除噪声干扰作用，在对虹膜进行归一化的同时，需对噪声进行相应标记，生成一个与归一化虹膜相对应的噪声屏蔽模板。在噪声屏蔽模板中，噪声信息被标记为0，虹膜信息被标记为1。

角膜反射和光源位置等因素的影响，虹膜图像上的光照分布不能完全均匀，从而影响后继的纹理分析效果。为了更好的提高识别效率，在特征提取之前必须先对归一化的虹膜图像进行增强。本文对归一化后的虹膜图像采用局部的直方图均衡化。设原始图像的灰度级为rk，直方图均衡化使用一个灰度函数作为 变换函数，灰度函数为T(r)，虹膜图像中总的像素数目为N，输入直方图做修正，得到化后图像的灰度分布函数S(r)，图像中灰度级为ri的像素总数，则有:

经过直方图均衡化后的图像是一幅灰度级均匀分布的图像，图像灰度级的动态范围得到增大，从而实现了图像增强，减少了非均匀光照的影响。经过以上预处理以后的虹膜展开图像。

虹膜特征提取算法6选16个Gabor滤波通道，即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向，通过Gabor滤波器的对称性可知，这样就构成了不同方向和频率下的Gabor滤波器，完成特征提取工作。

虹膜分类匹配算法12，如果未知虹膜的特征向量为V1，同知类别的虹膜特征向量为V2，如果两个虹膜的欧式距向量有着均值和绝对变差均值小于设定的阈值，就表示同一类，否则，不是同一类。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种快速虹膜识别算法，其特征在于，该算法包括以下步骤：

步骤1：对虹膜图像进行预处理；

步骤2：对虹膜图像进行特征提取；

步骤3：对虹膜图像进行特征编码，得到iris编码；

步骤4：将采集的图像与数据库中的虹膜图像进行比对，判断两个虹膜是否属于同一类。

2.根据权利要求1所述的一种快速虹膜识别算法，其特征在于，步骤1中，所述预处理包括对虹膜图像进行虹膜定位，接着进行归一化处理，处理后的虹膜图像进行增强操作。

3.根据权利要求2所述的一种快速虹膜识别算法，其特征在于，所述虹膜定位包括对虹膜内边缘圆心和半径的进行粗定位，然后精确定位虹膜的内外边缘，最后将将虹膜区域分割出来；所述归一化处理包括将每幅原始图像调整为与原始图像相同的尺寸和对应的位置；所述增强操作包括采用局部直方图均衡的处理方式。

4.根据权利要求3所述的一种快速虹膜识别算法，其特征在于，所述归一化处理具体操作为：首先设虹膜图像的内外边缘的交点位置分别为(xi(θ)，yi(θ))和(x0(θ)，y0(θ))，然后通过采用式(3)可将虹膜图像中的每一点全部映射到极坐标(r，θ)中，这样虹膜经过归一化处理后的r∈[0,1]，θ∈[0，2π]，最后就在极坐标(r，θ)平面上获得64×256大小的归一化虹膜图像，

5.根据权利要求4所述的一种快速虹膜识别算法，其特征在于，在对所述虹膜进行归一化的同时，需对噪声进行相应标记，生成一个与归一化虹膜相对应的噪声屏蔽模板，在噪声屏蔽模板中，噪声信息被标记为0，虹膜信息被标记为1。

6.根据权利要求3所述的一种快速虹膜识别算法，其特征在于，所述局部的直方图均衡化具体操作为：设原始图像的灰度级为rk，直方图均衡化使用一个灰度函数作为变换函数，灰度函数为T(r)，虹膜图像中总的像素数目为N，输入直方图做修正，得到化后图像的灰度分布函数S(r)，图像中灰度级为ri的像素总数，则有:

7.根据权利要求1所述的一种快速虹膜识别算法，其特征在于，步骤2中，所述虹膜图像采用二维Log_Gabor滤波器对特征进行提取。

8.根据权利要求1所述的一种快速虹膜识别算法，其特征在于，步骤3中，所述特征编码采用分块方式对特征进行编码，提取局部相位信息。

9.根据权利要求5所述的一种快速虹膜识别算法，其特征在于，所述分块方式为：设整个虹膜图像(x，y)被分M×N大小的若干个子块，子块大小与滤波器模板大小一样，通过对局部相位信息值进行计算，得到一个复数，如果这个复数的实部大于等于0，则表示该特征码为1，否则为0；如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0。

10.根据权利要求1所述的一种快速虹膜识别算法，其特征在于，步骤4中，两个所述虹膜采用欧式距离分类器来进行识别。