关于虹膜识别方法的课程大作业

用户较少配合情况下的虹膜识别方法研究用户较少配合情况下的虹膜识别技术具有易于市场推广、方便快捷等优点，已成为虹膜识别技术的发展趋势。由于眼睑遮挡、运动模糊、高亮点等多种干扰和噪声影响，非理想条件下采集的虹膜图像中虹膜通常不是完整的，模糊或发生形变。这种情况下的虹膜识别具有很高的挑战性。本文首先阐述了在CASIA—IrisV4虹膜数据库中的虹膜定位方法。该方法二值化虹膜图像保留瞳孔高亮点信息，并通过横纵向投影初步确定瞳孔位置。然后在限定范围内采用Canny边缘检测和圆Hough变换拟合虹膜内外轮廓。用户较少配合情况下虹膜识别技术研究背景虹膜表面高低不平，有许多皱纹、凹陷、条纹、斑点以及隐窝等细节特征，包含丰富的纹理信息。正常情况下，虹膜纹理一旦形成，终生不变。人眼立体机构中，虹膜位于角膜之后；水晶体之前。虹膜有天然的保护膜。虹膜纹理极少因意外伤害被破坏，亦不会磨损。人为改变虹膜纹理几乎不可行，还有失明的危险。此外，因光照不同瞳孔的大小发生变化是检测虹膜活体组织的显著特征。这些生理特点为虹膜成为身份认证生物特征提供了生理学理论依据。但是，现有的虹膜识别系统要求用户高度配合，即在特定光照条件下，虹膜采集仪与人眼的距离在固定范围内，并且用户视线直视虹膜采集设备等条件下进行虹膜采集。有的虹膜识别系统甚至在虹膜识别之前，需要教授用户如何才能让虹膜采集仪获取适合的虹膜图像，使得虹膜识虹膜图像别系统正常工作。这一过程不仅耗时而且枯燥，反复采集虹膜图像使用户感到厌烦，因此，用户较少配合情况下的虹膜识别技术的呼声越来越高。虹膜图像预处理较少配合情况下，在降质虹膜图像中提取的虹膜特征的分类表征能力不理想。虹膜识别中的预处理算法的性能准确性尤为关键，直接影响虹膜匹配的准确性。虹膜识别流程虹膜识别主要分三个阶段：虹膜图像采集、虹膜图像预处理和虹膜特征提取与匹配。每个阶段对最终的识别效果的影响都至关重要。首先，虹膜采集得到虹膜图像。然后是预处理阶段，包括在虹膜图像中定位虹膜位置与内外边缘，检测虹膜区域中被眼睑、睫毛与高亮点遮挡的部分，归一化虹膜图像以及虹膜图像增强。最后是虹膜图像特征提取与匹配，在预处理后的虹膜图像上，提取能够唯一表征该类虹膜的特征，与虹膜数据库模板匹配，得到最终匹配结果。虹膜识别第一个阶段是图像获取。通过虹膜采集仪采集用户的人眼或人脸图像。虹膜图像质量直接关系到虹膜身份认证的准确性。虹膜采集仪主要由光源、光学摄像头、图像传感器和图像传输模块四个主要部分组成。虹膜采集仪的性能直接影响虹膜图像的质量。虹膜图像预处理包括人眼定位、虹膜内外边缘定位、眼睑和睫毛检测、虹膜图像归一化以及虹膜图像增强。在虹膜定位之前，首先使用人眼检测器大概确定人眼位置。然后在人眼子图像内，进行虹膜内外边缘定位。虹膜内外边缘近似为圆形。因此，虹膜定位一般采用圆拟合虹膜的边缘。CASIA-IrisV4虹膜数据库虹膜分割算法最原始的虹膜图像数据因眼睑、睫毛或高亮点等遮挡，无法直接用于身份认证。在虹膜图像特提前与之前，必须先对虹膜图像进行预处理，定位虹膜内外边缘以及检测眼睑遮挡等噪声信息。用户较少配合情况下，虹膜图像中的包含较多的噪声等干扰信息。采用适合虹膜图像数据的预处理尤为重要。CASIA．Iris-Thousand虹膜图像数据中虹膜内侧轮廓较为清晰。本节分割算法先确定虹膜内侧轮廓，再在估计虹膜外圆范围内确定虹膜外圆。由于虹膜采集过程中光照条件的影响，每一幅图像中瞳孔附近都有两个高亮点。根据这两个高亮点位置信息，可以粗略定位瞳孔位置，然后采用Canny边缘检测和圆Hough变换在约束范围内确定虹膜内侧轮廓。由虹膜内圆信息估计虹膜外侧轮廓圆心位置与半径的大概范围。在这个范围内，再一次采用Hough变换算法计算虹膜外圆信息。1)虹膜内侧轮廓初定位首先根据阈值占二值化虹膜图像，保留高亮点信息。阈值根据虹膜图像的灰度直方图确定。根据虹膜图像高亮点对应直方图右侧峰值的位置，确定阈值=220。经实验验证=220可以提取绝大多数虹膜图像中的高亮点信息。计算二值图像的纵向投影，查找瞳孔附近两个高亮点位置对应的峰值。峰值中心位置横向坐标分别是1x和2x，它们的水平距离21dxx。虹膜内圆中心的横向坐标估计值21()/2xxx。虹膜内圆半径r为d。为消除虹膜图像中其他高亮点的干扰，在确定虹膜内圆中心和半径后，截取以x为中心，宽为2d的矩形子图像。计算二值子图像的横向投影。然后根据横向投影曲线查找峰值，峰值的中心纵向坐标y。虹膜内圆初定位的结果为圆心是(x，y-d/3)，半径是d的圆。2)虹膜轮廓圆Hough变换拟合经初步估计，虹膜内圆中心位置为(x，y-d/3)，半径为r。首先截取虹膜图像中以(x，y-d/3)为中心，边长为2r的正方形虹膜子图像。在子图像中进行Canny边缘检测，并进行边缘点连接得到边缘点二值图像。然后在圆心范围为(0.2,/30.2)xrydr，半径范围是(0.5d，1.5d)的区域中，采用圆Hough变换算法拟合虹膜内圆，得到虹膜内圆为圆心(,)innerinnerxy，半径为innerr。同理，根据虹膜内圆圆心半径信息可以粗略估计刚好包含虹膜外圆正方形子图像的位置与大小。在虹膜图像中，中心为(,)innerinnerxy，边长为6innerr，的正方形子图像中进行Canny边缘检测和Hough变换。由于虹膜内外圆圆心较为接近，虹膜外圆的约束条件为圆心范围是(2,innerx2)innery，半径范围是(1.5,2.5)innerinnerxy。虹膜识别国际测评NICE.II(NoisyIrisChallengeEvaluation)提供的数据是UBIRIS.v2虹膜数据库中的1000幅虹膜图像。掩膜图像中黑色部分标识有效的虹膜区域。在虹膜特征提取之前，只需定位虹膜位置。UBIRIS.v2虹膜数据库中虹膜图像是在用户较少配合情况下采集的。虹膜图像中虹膜外侧边缘通常不是正圆。本文虹膜分割算法采用椭圆拟合UBIRIS.v2虹膜数据库中的虹膜外侧轮廓。掩膜图像中有很多眼睑、高亮点等部分遮挡，这些遮挡部分的边缘不是虹膜的真实的边缘。由于这些信息的干扰，直接采用椭圆拟合虹膜边缘的算法效果不理想。本文采用的RANSAC椭圆拟合虹膜外侧轮廓算法具有较好鲁棒性。在数据集合包含许多不准确或错误的干扰信息的情况下，RANSAC算法依然能够从观察数据中估计较为准确的数学模型参数。算法每一次迭代都会得到一个椭圆，最终在椭圆集合中选择一个最优的椭圆拟合虹膜外侧轮廓。虹膜图像增强方法虹膜图像中，虹膜整体呈灰色或棕色，纹理不够清晰。若直接在虹膜图像中迸行纹理分析，光照变化会影响特征提取与匹配的效果。为提高虹膜识别算法的准确性，本节采用分块直方图均衡算法进行图像增强，同时利用低通高斯滤波器去除高频噪声影响。虹膜图像增强算法首先估计展开虹膜图像的光照背景：将展开虹膜图像分为大小为1616的子图像，计算每个子图像的灰度平均值。根据子图像的灰度平均值，采用双线性差值计算整幅虹膜图像的光照背景，将差值图像分为大小是3232的子图像，对每个子图像进行直方图均衡化图像增强运算。最后采用高斯低通滤波器对增强后的虹膜图像滤波，消除分块直方图均衡化运算在虹膜图像中的分块效应。基于反向合成图像配准的虹膜识别虹膜识别技术中，虹膜发生旋转或形变是影响识别效果的主要因素之一。最为原始的纠正虹膜形变方法是通过旋转虹膜特征编码，将相似性最好的匹配值作为虹膜匹配对的最终匹配值。本章提出的是局部虹膜图像配准算法，即首先将虹膜图像划分为互不重叠的子图像，然后采用图像配准算法配准虹膜子图像。图像配准方法1)前向叠加图像配准原理Lucas-Kanade图像配准方法是一种前向叠加图像配准算法。该算法是将目标图像，I(x)与模板图像T(x)匹配。令配准图像后的I(x)与模板图像的误差最小。算法使用图像差值的平方和衡量两幅图像的误差。图像配准的目标函数为：2[((;))()]xIWxpTx。其中(,)Txxy为图像像素坐标向量。(;)Wxp是坐标x在变换参数p上计算得到的坐标变换矩阵。目标图像I(x)通过变换矩阵(;)Wxp得到与模板图像配准的图像。前向叠加图像配准算法如下：1）计算目标图像I在(;)Wxp的配准图像((;))IWxp2）计算误差图像()((;))TxIWxp3）计算配准图像，((;))IWxp的梯度图像I4）计算变换矩阵(;)Wxp对应的雅克比矩阵WP5）计算最速下降梯度图像IWP6）根据[][]TxWWHIIPP计算Hessian矩阵7）计算[][()((;))]TxWITxIWxpP8）根据1[][()((;))]TxWPHITxIWxpP计算P9）更新变换参数,PPPP当时停止迭代。2)反向叠加图像配准原理1999年，Dellaert和Collins提出反向合成IC(Inversec01nposite)图像配准算法。该算法中模板图像与目标图像的角色互换，与前向叠加图像配准算法相比，算法迭代计算步骤较少。反向叠加图像配准算法如下：3）计算模板图像()Tx的梯度图像T4）在坐标矩阵(;0)x计算雅克比矩阵WP5）计算最速下降图像TWP6）根据[][]TxWWHIIPP计算Hessian矩阵迭代：1）计算目标图像I的配准图像((;))IWxp2）计算误差图像((;))()IWxpTx3）计算[][()((;))]TxWITxIWxpP4）根据1[][()((;))]TxWPHITxIWxpP计算P5）更新变换参数1(;),WxpWWP当时停止迭代。基于反向图像配准的虹膜识别算法虹膜图像中发生形变的因素较为复杂。人眼是球状三维结构，在人眼旋转、平移过程中，二维图像中的虹膜也可能会发生弹性形变。这些形变可能是整体的也可能是局部的。基于反向合成图像配准的虹膜识别算法首先将待匹配模板虹膜图像划分为互不重叠的子图像。然后，计算每个子图像与其匹配的目标子图像。提取配准图像对应位置的特征向量，计算虹膜匹配对之间的相似性。本节以基于Gabor滤波虹膜特征的图像匹配算法为例。kF为虹膜图像Gabor滤波结果的0—1编码，定义如下：1()()00kxkfxIxdxFelse其中k是虹膜特征的维数，即滤波器编号。01kkFF、分别是目标虹膜特征图像和模板虹膜特征图像。基于反向合成图像匹配的虹膜识别算法过程为，计算两幅虹膜图像的Gabor滤波特征图像0F、1F。将0F划分互不重叠的子图像0iF，1,2,...,,iM，M是子图像的个数。虹膜图像配准过程：1．计算特征图像0F的梯度。2．计算每个子图像0iF的Hession矩阵iH。3．FORi=1，2，．．．，MWHILEP且迭代次数不超过N利用反向合成图像配准算法，计算1F中与子图像0iF配准的子图像1iF。ENDWHILE计算对应配准子图像1iF的掩膜图像1iB。ENDFOR4．分别提取子图像0iF和1iF对应位置的特征向量0iC和1iC。二、虹膜图像匹配过程：1．排列特征向量口和C，l，i=1，2，．．．，M，得到虹膜特征编码co和C1。2．根据公式计算虹膜编码的Hamming距离。浮动搜索Gabor滤波器虹膜识别方法Gabor小波是一种非常有效的纹理检测算子，传统的基于Gabor滤波器的虹膜识别算法均在预先设定尺度和方向范围内设计一组Gabor滤波器。为尽可能提取所有虹膜图像纹理信息，通常滤波器集合的有效频域会覆盖整个频域范围。实验结果显示一些干扰信息会降低虹膜识别方法的性能，并非利用全部虹膜纹理信息就能得到最好的识别效果。尺度方向不同的Gabor滤波器对应不同的有效频率区域，对不同的图像纹理信息敏感。使用不同Gabor滤波器集合进行虹膜识别，得到的识别效果差距很大。本文提出采用浮动搜索方法选择Gabor滤波器，得到一组可分性最好的一组滤波器集合。基于Gabor滤波器的虹膜识别设二