CN1760887A - 虹膜图像的鲁棒特征抽取与识别方法 - Google Patents

Abstract

本发明涉及数字图像处理技术领域，一种基于虹膜图像鲁棒特征抽取的身份鉴别方法，包括步骤：虹膜图像预处理；应用多极子滤波器对归一化虹膜图像进行空域滤波；将滤波的结果进行二值编码，构建该图像的特征向量；计算两幅虹膜图像的特征向量之间的加权Hamming距离。本发明采用新颖的“多极子滤波器”用于提取虹膜纹理中蕴含的分类信息；将滤波结果进行鲁棒编码；根据加权Hamming距离来度量两幅图像的相似性。本发明具有计算速度快、识别精度高、抵抗噪声和光照变化的鲁棒性强、存储量小的优点。本发明可用于需要身份识别的诸多应用***中，尤其适用于PDA、手机和嵌入式***等计算存储资源较紧缺的平台进行身份认证。

Description

虹膜图像的鲁棒特征抽取与识别方法

技术领域

本发明涉及数字图像处理、模式识别、计算机视觉和信息编码技术领域，特别是一种虹膜图像的鲁棒特征抽取与识别方法。

背景技术

在人类社会中由于不同的分工，每个人扮演着不同的角色，同时承担不同的义务、享受不同的权利，许多重要的社会活动都需要确认参与者的身份，所以身份识别是一个经久不衰的话题。传统的身份识别方式主要包括基于知识(如密码、口令)或者基于标识物(如钥匙、IC卡)或者两者相结合(如银行卡)的方法。这些方法的缺点是密码可能被破解、可能被忘记，标识物可能丢失、可能被伪造。在安全性要求较高的场合，这些并不依赖于人的自身特征的身份认证方法已经无法满足需求。随着计算机和网络技术的发展，基于生物特征(如指纹、虹膜、脸像)的身份识别方法显示了广阔的应用前景。这些生理特征或者行为特征具有“人各有异、终生不变、随身携带”等优点，为人们开发和使用高可靠性的智能身份鉴别***提供了可能。在各种生物特征中虹膜作为一个外部可见的内部器官，其图像具有丰富的纹理和细节特征可用于识别。虹膜识别具有唯一性高、稳定性强、非接触等特点。虹膜识别技术已经成功应用于机场、海关、银行、学校、医院等场合的身份鉴别。

近年来移动电子设备(如带数码相机的手机、PDA)已经开始走入千家万户，再加上无线通讯的发展，人们已经开始用这些移动设备接收电子邮件、开展电子商务、参与股市买卖、存储私人机密。这些场合都需要进行身份认证，采用虹膜识别将是一个安全可靠的选择。由于受体积和能量的限制，这些设备的计算资源、存储资源都是有限的，并且采集到的虹膜图像的质量也不能得到保证。所以速度快、精度高、鲁棒性强、存储量小的虹膜识别算法将能较好地弥补硬件设备的不足。

发明内容

本发明的目的是提出一种虹膜图像的鲁棒特征抽取与识别方法，利用虹膜图像中不同区域的相对灰度信息来确定人身份的方法。

为实现上述目的，虹膜图像的鲁棒特征抽取与识别方法包括步骤：

虹膜图像预处理；

应用多极子滤波器对极坐标下的归一化虹膜图像进行空域滤波；

将滤波的结果进行二值编码，构建虹膜图像的特征向量；

计算两幅虹膜图像的特征向量之间的加权Hamming距离(加权模板通过大样本的统计学习事先离线创建)；

根据计算所得的加权Hamming距离判断上述的两幅虹膜图像是否来自同一人的同一只眼睛。

本发明的虹膜鉴别方法设计了新颖的“多极子滤波器”来提取虹膜纹理中的可区分特征，这种滤波器的优点是配置简单灵活，能够刻画虹膜图像中稳定的对比方向信息，受噪声的干扰小，能克服成像时不同的光照、对比度和聚焦程度等对特征编码的影响；采用鲁棒的二值编码对特征信息进行定性描述，虽然丢失部分信息内容，但是保留下来的都是鲁棒性和稳定性极强的本质信息，还节省了存储空间、便于匹配；一幅虹膜图像的特征有上百个可变自由度，足够进行大规模人群的身份识别；采用加权Hamming距离作为相似性度量能在充分利用虹膜各区域信息的同时减少睫毛、眼皮等遮挡的影响。本发明可用于需要身份认证、进行安全性防范的诸多应用***中，如电子商务、电子政务、电子军务、电子警务等。本发明的算法对于硬件的性能要求低，而且计算十分简单，易于编写成软件或用硬件实现(如FPGA等可编程硬件单元)。所以本发明尤其适用于PDA、手机和嵌入式***等计算存储资源较紧缺的平台进行身份认证。

虹膜识别***一般工作在两种状态下：注册模式和识别模式。在注册模式，合法用户向***提交自己的虹膜特征模板；在识别模式，***通过对比存储的模板和用户临时采集的虹膜图像的特征来确定这个用户身份是否合法，不论是注册模式还是识别模式，虹膜识别方法都要进行图像预处理和特征提取，在识别模式下还要进行特征匹配。本发明提出的方法将主要应用于虹膜特征提取与匹配。

所述的“多极子滤波器”由多个位置不一、正负不一、尺度不一和形状不一的低通滤波器(例如高斯模板)联合组成，每个低通滤波器称为一个“极”，所有滤波器的系数总和为0，即“多极子滤波器”是一种形式灵活的微分滤波器，Gabor滤波器、高斯函数的一阶导数滤波器、高斯函数的二阶导数滤波器、一般的小波滤波器等微分滤波器也属于“多极子滤波器”的特殊情况。

所述的组成“多极子滤波器”的低通滤波器可以是矩或箱形滤波器(box filter)，即对滤波图像区域求和算平均的滤波器。

对归一化虹膜图像的空域滤波过程就是：将多极子滤波器在归一化虹膜图像上漫游，被多极子滤波器覆盖的图像区域的灰度值和滤波器的窗口系数进行点积后作为对应多极子模板中心的图像像素的滤波结果。

根据上述滤波结果的正负符号对被滤波图像区域进行二值编码，例如：如果滤波结果大于0则区域中心像素的特征编码为1；如果滤波结果小于等于0则区域中心像素的特征编码为0，最后所有的特征编码串联组成该虹膜图像的特征向量，或者表达成二进制的矩阵形式，“多极子滤波器”滤波的结果也可按其他的量化等级编码。

描述一幅虹膜图像的特征向量或者特征矩阵可以是由多个不同的多极子滤波器编码结果联合组成的特征向量或者特征矩阵。

可以根据实际情况对特征向量降采样以降低特征向量的长度，节省存储空间和匹配时间。

判断两幅虹膜图像是否来自同一人的同一只眼睛取决于它们的特征向量的加权Hamming距离是否足够小。

加权模板通过大样本的统计学习事先离线创建，每个特征码的权值根据它的识别率而定：识别率越高，相应的权值也越大。

附图说明

图1为虹膜图像的鲁棒特征抽取与识别方法流程框图。

图2为虹膜图像预处理示意图。

图3为多极子滤波器的两个例子。

图4为通过离线学习得到的加权模板。

图5为本发明在较大规模的虹膜图像数据库上测试的匹配结果的分布。

具体实施方式

本发明提出一种新颖的虹膜图像的鲁棒特征抽取与识别方法，其流程框图如图1。

与当前其他虹膜识别方法的相比，本发明的新颖性主要在于：1)利用多极子滤波器提取虹膜图像中的三个不同层次的信息：每一位虹膜特征码表示了以某个图像像素为中心的区域和多极子滤波器的相关性质，1代表正相关，0代表负相关；多极子滤波器中的每一个极(低通滤波器)和图像区域中对应小邻域的平滑滤波结果表示了这个区域的平均灰度信息，其结果部分决定了特征码的值；最后所有的特征码组成描述虹膜图像整体信息的特征向量。2)多极子滤波器中的每个极可以灵活配置，可以选择不同位置、不同尺度和不同形状，这样多极子滤波器可以深入刻画虹膜图像中各种复杂而细微的结构(参见图3)。3)将虹膜特征表达为多个图像区域的定性的相对灰度信息而不是定量的或者绝对的灰度信息，这样的好处是图像特征独立于图像灰度级的线性尺度变化，能抵抗光照、对比度、清晰度等不同的成像环境对识别性能的影响，降低对图像质量的要求，提高了鲁棒性。4)可灵活安排对比图像块的相对位置，并不要求相邻。相对于邻域比对，非邻域比对能够更有效地挖掘虹膜图像的内在信息(因为相邻图像块的相似性高，而不相邻图像块之间具有更大的独立性，拥有更多的熵，提供了更多的信息)，更加鲁棒地抵抗噪声干扰(非近邻比对的差值一般更大，有更大的噪声容忍能力)。5)二值编码省存储空间、便于匹配。6)采用加权Hamming距离而不是简单的Hamming距离来度量虹膜图像间的相似性，能够在不要求检测睫毛和眼皮等遮挡的情况下尽可能地减少它们的影响。

本发明提出的虹膜图像的鲁棒特征抽取与识别方法包含七个主要步骤(见图1)：

1.虹膜图像采集S1，在波长为800-900nm的近红外光的充分照射下，用普通的CCD或者CMOS摄像头就可以拍摄到富含细节纹理信息的清晰的虹膜图像；

2.虹膜图像预处理S2。虹膜图像中不仅包括虹膜，还有瞳孔、巩膜、眼皮和睫毛等。瞳孔和虹膜的外轮廓都很接近圆形，因此虹膜图像预处理的任务是找到拟合瞳孔和虹膜边界的圆的坐标和半径，然后将虹膜圆环归一化到固定尺寸的矩形区域，即虹膜定位和归一化；

I.虹膜定位

人眼瞳孔的灰度远低于周围区域，所以可以使用阈值法分离出瞳孔区域，然后将该区域的重心作为初步的瞳孔中心，在该点附近用可变尺寸的模板去拟合瞳孔的边缘，最佳的拟合结果就是瞳孔定位的结果。虹膜的中心接近瞳孔的中心，所以可以使用同样的方法找到虹膜的中心和半径。图2(b)是对图2(a)中的虹膜定位之后的例子，其中白色的圆圈表示拟合后瞳孔和虹膜的外边界。

II.归一化

以双线性插值的方式，可以将定位好的虹膜圆环进行空间变换到一个固定尺寸的矩形区域。图2(c)是虹膜归一化之后的结果。水平方向对应于原始虹膜图像的角度方向(逆时针为正方向)，归一化到0°～360°，竖直方向对应于原始虹膜图像的径向方向，归一化到0～1；

3.采用“多极子滤波器”进行特征提取S3，应用多极子滤波器对预处理输出的归一化虹膜图像进行空域滤波：将多极子滤波器在归一化虹膜图像上漫游，被多极子滤波器覆盖的图像区域的灰度值和滤波器的窗口系数进行点积后作为对应多极子模板中心的图像像素的滤波结果；

4.鲁棒编码S4，根据上一步的滤波结果的正负符号对被滤波图像区域进行二值编码，例如：如果滤波结果大于0则区域中心像素的特征编码为1；如果滤波结果小于等于0则区域中心像素的特征编码为0。最后将所有的特征码联合起来组成特征向量。可以根据实际情况对特征向量降采样以降低特征向量的长度，节省存储空间和匹配时间。如果是注册过程，将特征向量保存在模板数据库里；如果是识别过程则将特征向量作为匹配引擎的输入。

5.特征匹配S5，当生物鉴别***运行在认证模式下，用户要声明自己的身份，***根据他的声明从数据库中找出这个人的模板特征向量和输入特征向量进行匹配，即证明他的确是他所说的那个人。当生物鉴别***运行在识别模式下时，用户不用告诉***“我是谁”，***根据他的输入特征和数据库中所有的特征模板一一匹配。所有的身份鉴别模式都是以两两匹配为基础的。因为在虹膜图像中的虹膜区域的上部容易受睫毛和眼皮的遮挡，下部容易受眼皮的遮挡，当多极子滤波器和这些区域滤波时所得到的特征码不是很可靠，所以不同位置的特征码必须设置不同的权重来尽量取得合理的识别结果。基于这个思想，本发明提出通过计算两幅虹膜图像的特征向量之间的加权Hamming距离作为它们的相似性度量，计算公式如下：

${\mathrm{HD}}_{\mathrm{AB}}=\min \{{\mathrm{HD}}_{\mathrm{AB}}^i({\mathrm{Iriscode}}_A,{\mathrm{Iriscode}}_B^i),i=\mathrm{1,2},\·\·\·,n\}---\left(1\right)$

在这里，

${\mathrm{HD}}_{\mathrm{AB}}^i({\mathrm{Iriscode}}_A,{\mathrm{Iriscode}}_B^i)=\frac{\mathrm{Sum}[({\mathrm{Iriscode}}_A\⊗{\mathrm{Iriscode}}_B^i)\×(\mathrm{WeightTemplate}\×{\mathrm{WeightTemplate}}^i)]}{\mathrm{Sum}(\mathrm{WeightTemplate}\×{\mathrm{WeightTemplate}}^i)}---\left(2\right)$

Iriscode_A是输入虹膜图像的特征向量，

Iriscodeⁱ _B代表注册虹膜图像特征向量的第i个旋转模板，因为两幅虹膜图像在不同的采集时刻由于用户姿势的变化造成平移、尺度和旋转的差异。通过虹膜图像的预处理，平移和尺度变化已经基本消除，我们通过边匹配边配准的方式来减少旋转的影响，

WeightTemplateⁱ是加权模板WeightTemplate(见图4)的第i个旋转模板，n是注册模板Iriscode_B的总的旋转次数，一般设为7，符号表示逻辑位的异或操作，

符号×定义为如下向量操作：

(x₁，x₂，…，x_m)×(y₁，y₂，…，y_m)＝(x₁y₁，x₂y₂，…，x_my_m)，

函数Sum定义为 $\mathrm{Sum}\left(X(x_1,x_2,\·\·\·x_m)\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{x}_j.$

加权Hamming距离HD_AB的值是从0到1之间的浮点数，它的值越小，说明两幅虹膜图像的相似性越高。

6.统计学习加权模板S6，加权模板通过大样本的统计学习事先离线创建，每个特征码根据它的单独识别率设置不同的权值，识别率越高，相应的权值也越大。图4是学习3711次类内匹配的结果，权值分三个等级量化，可以看到睫毛和眼皮区的权重设得较低，符合人的直观印象。

7.识别决策S7，根据虹膜识别***不同的应用场合设置不同的阈值，对应着不同的错误接受率(FAR，False Accept Rate)和错误拒绝率(FRR，FalseReject Rate)，当加权Hamming距离HD_AB小于预先定义的阈值时，判断用户通过身份认证，否则给出未通过认证的信息。

上述的虹膜图像的鲁棒特征抽取与识别方法，其具体步骤如下：

1)将笛卡尔坐标系下的虹膜图像用双线性插值的方式变换到极坐标下，极坐标的原点是瞳孔的圆心，在极坐标系下将所有的虹膜图像缩放到统一的大小，称为归一化虹膜图像；

2)用“多极子滤波器”对归一化虹膜图像进行线性滤波：将多极子滤波器在归一化虹膜图像上漫游，被多极子滤波器覆盖的图像区域的灰度值和滤波器的窗口系数进行点积后作为对应多极子模板中心的图像像素的滤波结果；

3)根据滤波结果的正负号将该图像区域编码成0或1(一个比特)，将所有的二进制编码组成一个特征向量，按字节存储；

4)计算两幅虹膜图像(一般而言，其中的一幅虹膜图像是注册时预先采集，另一幅是认证过程中临时采集)的特征编码的加权Hamming距离，距离越小，两幅图像的相似性越高，来自同一只眼睛的可能性越大，每个比特虹膜特征码对应的权重取决于在大规模训练集上该区域虹膜图像的特征码的统计识别性能，识别率越高，对应的权值也越大；

5)如果加权Hamming距离小于某个阈值，则识别***认为两幅虹膜图像来自于同一个人的同一只眼睛，给出通过身份认证的信息，否则提示没有通过认证。

图2为虹膜图像预处理示意图，其中，

(a)是虹膜图像；

(b)是(a)的定位结果；其中白色的圆圈表示拟合后瞳孔和虹膜的外边界。

(c)是(b)的归一化结果。

图3为多极子滤波器的两个例子，其中，

(a)是一个三极子滤波器，由两个正极子(相同形状和尺寸、不同位置的高斯低通滤波器)和一个负极子(高斯滤波器，窗口系数是组成正极子的滤波器系数的-2倍)组成；

(b)是一个四极子滤波器，由两个正极子(相同形状和尺寸、不同位置的高斯低通滤波器)和两个负极子(高斯滤波器，窗口系数是组成正极子的滤波器系数的-1倍)组成。

图4为通过离线学习得到的加权模板，在归一化虹膜图像所在的极坐标系中，加权模板的灰度值对应着相应位置的特征编码的权值，图中白色区域权重为1，因为这些位置基本没有睫毛和眼皮的遮挡；灰色区域权重为0.5，因为这些位置比较少受到睫毛和眼皮遮挡的影响；黑色区域权重为0，因为这些位置经常受到睫毛和眼皮遮挡的影响。

图5为本发明在较大规模的虹膜图像数据库上测试的匹配结果的分布，横坐标是虹膜图像两两匹配得到的加权Hamming距离，纵坐标是位于某个Hamming距离附近的匹配结果数量占总的匹配次数的比例，从此图我们可以看出来自同一只眼睛的虹膜图像间(类内)的加权Hamming距离绝大部分小于0.4，来自不同眼睛的虹膜图像间(类间)的加权Hamming距离绝大部分大于0.4，所以根据加权Hamming距离可以很准确的确定用户是合法身份拥有者或者是假冒者。

本发明提出了一种虹膜图像的鲁棒特征抽取与识别方法。本方法的优点在于以下几个方面：

1.识别精度高。由于多极子滤波器能很好地刻画虹膜纹理中细微而复杂图像结构，所以得到的特征向量有很强的区分性能。图5是根据本发明方法得到的2155幅真实虹膜图像(共306类)两两匹配结果的分布图。可以看到类内匹配的分布和类间匹配的分布基本没有重叠，区分性好，证明了本发明有很高的识别精度。

2.编码效率高，存储量小。由于采用二值编码，8次滤波的结果只要1个字节就能保存，整幅虹膜图像只需要几百个字节的容量存储，完全能保存在绝大多数的IC卡(包括第二代身份证)和各种移动设备里。

3.计算速度快。整个算法的主要计算量消耗在多极子滤波器和虹膜图像的线性滤波上，而这个过程可以分解成若干个极的低通滤波。如果将低通滤波的过程用快速算法近似的话，整个特征提取和匹配过程只涉及加法和减法，没有耗时较长的乘法和除法操作，并且过程简单明了、计算量小，算法易于软件编程和硬件实现，在普通台式计算机上测试的特征提取时间在10毫秒左右，远低于其它经典的虹膜识别方法(一般在50毫秒左右)。

4.鲁棒性强。低通滤波、非近邻比对和二值编码都使整个算法的鲁棒性大大增强，受噪声、光照对比度变化的影响小。

综上所述，本发明可以有效地完成虹膜识别，从而可靠地进行身份认证。同时本发明具有计算速度快、识别精度高、鲁棒性强、存储量小等优点。本发明具有很广的应用范围，它可用于电子商务、电子政务、电子军务和电子警务，以及其他需要进行身份鉴别的领域。

实施例1：虹膜识别在移动股票***中的应用

本发明尤其适合于计算和存储资源紧缺的平台进行虹膜识别。如李先生需要用手机炒股票，用密码进行身份认证他感觉不放心，他的手机上安装有虹膜识别***，用数码相机拍摄他的虹膜图像后，虽然图像质量不是很好，有点模糊，手机中的芯片还是很快计算出这幅图像的鲁棒特征编码(512字节)，并将虹膜特征码加密(并加上时间戳)后作为短信息发送到有短信息接收端口的股票交易平台。股票交易***将短信息解密后得到李先生的特征码，然后和数据库中注册的特征码进行比对，匹配距离足够小。股票交易***根据识别的结果赋予李先生操作个人股票信息的权限，并将结果马上通知李先生。李先生在3秒钟后得到身份认证结果，马上开始安全的网上股票交易。

实施例2：虹膜识别在便携式警务***中的应用

警察在巡逻过程中发现张三行为可疑，马上启动随身携带的警务PDA中的虹膜识别***，拍摄张三的虹膜图像后，自动计算出它的图像特征编码并将它与警务***中存储的上万名在逃嫌疑犯的虹膜特征逐一匹配，匹配过程5秒钟后完成，发现张三的虹膜特征和一个通缉犯的虹膜的匹配分数非常高，***马上发出报警信息。虽然张三外形经过了伪装，该警察在基于多极子滤波器的虹膜识别***的帮助下还是成功抓到了坏人。

Claims (13)

1.一种虹膜图像的鲁棒特征抽取与识别方法，包括步骤：

虹膜图像预处理；

应用“多极子滤波器”对归一化虹膜图像进行空域滤波；

将滤波的结果进行二值编码，构建虹膜图像的特征向量；

计算两幅虹膜图像的特征向量之间的加权Hamming距离；

根据计算所得的加权Hamming距离判断上述的两幅虹膜图像是否来自同一人的同一只眼睛。

2.根据权利要求1所述的方法，其特征在于，工作在两种状态下：注册模式和识别模式，在注册模式，合法用户向***提交自己的虹膜特征模板；在识别模式，***通过对比存储的模板和用户临时采集的虹膜图像的特征来确定这个用户身份是否合法，不论是注册模式还是识别模式，虹膜识别方法都要进行图像预处理和特征提取，在识别模式下还要进行特征匹配。

3.根据权利要求1所述的方法，其步骤如下：

虹膜图像采集S1，用摄像头就可以拍摄到富含细节纹理信息的清晰的虹膜图像；

虹膜图像预处理S2，虹膜图像预处理的任务是找到拟合瞳孔和虹膜边界的圆的坐标和半径，然后将虹膜圆环归一化到固定尺寸的矩形区域，即虹膜定位和归一化；

采用“多极子滤波器”进行特征提取S3，应用多极子滤波器对预处理输出的归一化虹膜图像进行空域滤波：将多极子滤波器在归一化虹膜图像上漫游，被多极子滤波器覆盖的图像区域的灰度值和滤波器的窗口系数进行点积后作为对应多极子模板中心的图像像素的滤波结果；

鲁棒编码S4，根据上一步的滤波结果的正负符号对被滤波图像区域进行二值编码，最后将所有的特征码联合起来组成特征向量；

特征匹配S5，当生物鉴别***运行在认证模式下，用户要声明自己的身份，***根据声明从数据库中找出这个人的模板特征向量和输入特征向量进行匹配；

通过计算两幅虹膜图像的特征向量之间的加权Hamming距离作为它们的相似性度量，计算公式如下：

${\mathrm{HD}}_{\mathrm{AB}}=\min \{{\mathrm{HD}}_{\mathrm{AB}}^i({\mathrm{Iriscode}}_A,{\mathrm{Iriscode}}_B^i),i=\mathrm{1,2},...,n\}...\left(1\right)$

在这里，

${\mathrm{HD}}_{\mathrm{AB}}^i({\mathrm{Iriscode}}_A,{\mathrm{Iriscode}}_B^i)=\frac{\mathrm{Sum}[({\mathrm{Iriscode}}_A\⊗{\mathrm{Iriscode}}_B^i)\×(\mathrm{WeightTemplate}\×{\mathrm{WeightTemplate}}^i)]}{\mathrm{Sum}(\mathrm{WeightTemplate}\×{\mathrm{WeightTemplate}}^i)}...\left(2\right)$

Iriscode_A是输入虹膜图像的特征向量，

Iriscode_B ⁱ代表注册虹膜图像特征向量的第i个旋转模板，因为两幅虹膜图像在不同的采集时刻由于用户姿势的变化造成平移、尺度和旋转的差异，通过虹膜图像的预处理，平移和尺度变化已经基本消除，通过边匹配边配准的方式来减少旋转的影响，

WeightTemplateⁱ是加权模板WeightTemplate的第i个旋转模板，

n是注册模板Iriscode_B的总的旋转次数，一般设为7；

统计学习加权模板S6，加权模板通过大样本的统计学习事先离线创建，每个特征码根据它的单独识别率设置不同的权值，识别率越高，相应的权值也越大；

识别决策S7，根据虹膜识别***不同的应用场合设置不同的阈值，对应着不同的错误接受率(FAR，False Accept Rate)和错误拒绝率(FRR，FalseReject Rate)，当加权Hamming距离HD_AB小于预先定义的阈值时，判断用户通过身份认证，否则给出未通过认证的信息。

4.根据权利要求3所述的方法，其特征在于，虹膜图像预处理S2，包括：虹膜定位和归一化

I.虹膜定位

人眼瞳孔的灰度远低于周围区域，所以可以使用阈值法分离出瞳孔区域，然后将该区域的重心作为初步的瞳孔中心，在该点附近用可变尺寸的模板去拟合瞳孔的边缘，最佳的拟合结果就是瞳孔定位的结果；

II.归一化

以双线性插值的方式，可以将定位好的虹膜圆环进行空间变换到一个固定尺寸的矩形区域。

5.根据权利要求1或2或3所述的方法，其特征在于，其具体步骤如下：

1)将笛卡尔坐标系下的虹膜图像用双线性插值的方式变换到极坐标下，极坐标的原点是瞳孔的圆心，在极坐标系下将所有的虹膜图像缩放到统一的大小，称为归一化虹膜图像；

2)用“多极子滤波器”对归一化虹膜图像进行线性滤波：将多极子滤波器在归一化虹膜图像上漫游，被多极子滤波器覆盖的图像区域的灰度值和滤波器的窗口系数进行点积后作为对应多极子模板中心的图像像素的滤波结果；

3)根据滤波结果的正负号将该图像区域编码成0或1，将所有的二进制编码组成一个特征向量，按字节存储；

4)计算两幅虹膜图像的特征编码的加权Hamming距离，距离越小，两幅图像的相似性越高，来自同一只眼睛的可能性越大，每个比特虹膜特征码对应的权重取决于在大规模训练集上该区域虹膜图像的特征码的统计识别性能，识别率越高，对应的权值也越大；

5)如果加权Hamming距离小于某个阈值，则识别***认为两幅虹膜图像来自于同一个人的同一只眼睛，给出通过身份认证的信息，否则提示没有通过认证。

6.根据权利要求1所述的方法，其特征在于，所述的“多极子滤波器”由多个位置不一、正负不一、尺度不一和形状不一的低通滤波器联合组成，每个低通滤波器称为一个“极”，所有滤波器的系数总和为0，即“多极子滤波器”是一种形式灵活的微分滤波器，Gabor滤波器、高斯函数的一阶导数滤波器、高斯函数的二阶导数滤波器、一般的小波滤波器等微分滤波器也属于“多极子滤波器”的特殊情况。

7.根据权利要求1或4所述的方法，其特征在于，所述的组成“多极子滤波器”的低通滤波器可以是矩或箱形滤波器，即对滤波图像区域求和算平均的滤波器。

8.根据权利要求1所述的方法，其特征在于，对归一化虹膜图像的空域滤波过程就是：将多极子滤波器在归一化虹膜图像上漫游，被多极子滤波器覆盖的图像区域的灰度值和滤波器的窗口系数进行点积后作为对应多极子模板中心的图像像素的滤波结果。

9.根据权利要求1或6所述的方法，其特征在于，根据上述滤波结果的正负符号对被滤波图像区域进行二值编码，如果滤波结果大于0则区域中心像素的特征编码为1；如果滤波结果小于等于0则区域中心像素的特征编码为0，最后所有的特征编码串联组成该虹膜图像的特征向量，或者表达成二进制的矩阵形式，“多极子滤波器”滤波的结果也可量化等级编码。

10.根据权利要求1或4或5或6或7所述的方法，其特征在于，描述一幅虹膜图像的特征向量或者特征矩阵可以是由多个不同的多极子滤波器编码结果联合组成的特征向量或者特征矩阵。

11.根据权利要求1或7或8所述的方法，其特征在于，可以根据实际情况对特征向量降采样以降低特征向量的长度，节省存储空间和匹配时间。

12.根据权利要求1所述的方法，其特征在于，判断两幅虹膜图像是否来自同一人的同一只眼睛取决于它们的特征向量的加权Hamming距离是否足够小。

13.根据权利要求1或10所述的方法，其特征在于，加权模板通过大样本的统计学习事先离线创建，每个特征码的权值根据它的识别率而定：识别率越高，相应的权值也越大。

Images