虹膜识别原理

虹膜识别原理 1 虹膜的结构和生理特点 人眼从外观图上看由巩膜、虹膜、瞳孔三部分构成。如图1所示。中心较黑的部分是瞳孔区，瞳孔随入射光线强度的变化，会产生收缩或扩张，从而牵动虹膜变化;两侧颜色较浅的部分是巩膜区(即通常所说的眼白);位于瞳孔和巩膜之间的区域即为虹膜，总体上呈现一种由里到外的放射状结构，虹膜与巩膜、瞳孔的边界均为近似圆形，是图像匹配时可以利用的重要几何信息。 图1 人眼外观图 虹膜在结构上分为四层，由内到外依次是:色素细胞沉积的上皮层、控制瞳 孔缩放的肌纤维层、包含丰富毛细血管的基质层和结构较基质层更为致密的前界 层(虹膜外部的可见部分就是指它，分为中心瞳孔区和环绕睫状层，形貌高度细节 化，包含了极为丰富的信息)。虹膜面高低不平，有皱壁和凹陷，凹陷又称隐窝。 近瞳孔处的皱壁特别显著，称虹膜皱壁或领状韧带，它是虹膜小动脉环的位置标 志。虹膜后表面较平坦，由于虹膜内血管分布不均匀，使虹膜表面出现许多规则 的放射形条纹。在近瞳孔边缘处，有一条租细不匀的黑边，是虹膜背面的色素上 皮层向前延伸的结果，此黑边当瞳孔扩大时变窄，瞳孔缩小时增宽，如图2所示。 图2 虹膜纹理结构图 虹膜纹理用于身份识别具有以下的生理和医学特征: (1) 虹膜纹理具有稳定性和不变性。人眼的虹膜是人体唯一的外部可见的内部器官，得到了眼睑和角膜的有效保护，在正常情况下几乎不可能受到外部损害; 而且，在人出生一年以后，在正常的社会生活环境中，除非发生病变，否则终生不再变化，具有可靠的稳定性。 (2) 虹膜纹理具有绝对的唯一性。每个人的虹膜都拥有独特的机构纹理，胚胎生物学界的科学家发现，虹膜的基本结构是由遗传基因决定的，不同的遗传基因决定了不同的虹膜基本结构，虹膜形成之前和虹膜发育期间的胚胎环境决定了虹膜的细微结构。可以这么说，自然界没有两个完全相同的胚胎环境。而且，新生儿的出生的第一年是虹膜色素细胞的发育沉淀期，新生儿不同的生长环境和不同的营养状况决定了不同虹膜在同一光线下表现出不同细微纹理:以上诸多条件的制约造成了一个人的左右眼或者即使是孪生子的虹膜也几乎不可能相同，因此从生物学的角度来说，人眼的虹膜纹理具有唯一性。 (3) 虹膜纹理具有防伪性。从医学的角度来说，通过外科手术将一个人的虹膜纹理改造成另一个人的，在可以预见的将来还没有实现的可能;而且虹膜中央的黑色部分是瞳孔，作为活体细胞组织，在环境光线的变化时，哪怕是微弱的变化，睫状肌会收缩或舒张来牵动瞳孔括约肌，改变瞳孔的大小，调节透射入眼的光线，这一过程叫瞳孔震颤效应，利用这一特性，可以检测出是否为活体虹膜， 所以伪造活体虹膜极其困难。从这一点来看，虹膜识别具有难以伪造的特性。 (4) 虹膜纹识别有非侵犯性。虹膜虽然被角膜同外界隔离，而且受到眼睑的保护，但因为角膜是无色透明的物质，透光性极佳，人在正常活动时可以轻易观察到虹膜，所以在利用取像设备获取虹膜的图像时，被取像人不会产生受到侵犯的感觉，所以说基于虹膜的生物特征识别具有非侵犯性。 (5) 虹膜识别可靠性高。虹膜表面具有呈现高低不平的放射状排列、相互交 错的皱壁，构成多数的稳窝，这使得虹膜纹理可提供的特征信息量大，因而在应用识别可靠性高 2虹膜识别系统 整个虹膜识别系统可分为这样几个部分:虹膜图像的获取、虹膜图像预处理和虹膜图像特征提取及编码、虹膜数据库、模式匹配。其中虹膜图像预处理、虹膜图像特征提取、模式匹配是虹膜识别的关键。 2.1虹膜图像获取 虹膜图像采集单元的主要任务就是通过图像采集系统来获取虹膜图像。虹膜图像的摄取是虹膜识别系统中最为关键的部分之一，如何在不侵犯人体的情况下，获得高质量的虹膜图像用于系统识别是虹膜识别系统的主要目的。在进行非接触虹膜图像采集时， 光学装置主要解决以下几个问: (1)系统采集到的图像质量免受杂光的干扰; (2)使用者眼睛的位置能够保持稳定，以保证能采集到满足识别需要的高质量的图像; (3)必须提供方法来判断使用者的眼睛是否在精确的位置，包括是否进入了采集设备的视场范围之内，以及到镜头的距离是否合适; (4)要尽量减少所获图像的无效区域，最好采用红外光源作为辅助光源。 实验中所用图片为CASIA-IrisV3虹膜数据库中的虹膜图片。;CASIA-IrisV3库中图像为8位深度图像，分辨率为640480，如图3所示: ， 图3 CASIA-IrisV3部分虹膜图像 2.2虹膜图像预处理 虹膜图像预处理的目的是虹膜定位与归一化。通过获取装置采集的虹膜图像通常不可能仅仅包含虹膜，往往还有眼睛的其它部分，比如眼睑、睫毛、跟白等，而且在高度非侵犯性系统中，由于对被试者不做要求，虹膜在图像中的位置与大小都会发生变化。在某些情况虹膜图像的光照是不均匀的，这样会给虹膜识别的准确性带来影响;同时， 虹膜的内边界即瞳孔的大小是会发生变化的，这将会使虹膜的纹理产生变形，以上这些情况都会影响虹膜图像的质量，从而给下一步的特征提取和准确匹配带来困难。为了实现精确的匹配，要通过预处理消除 上述各种因素对虹膜图像的影响。虹膜图像的预处理包含虹膜图像的噪声处理、虹膜定位、虹膜图像归一化和虹膜图像增强这几个步骤。 2.3虹膜特征提取 仔细观察虹膜图像发现，虹膜图像包含有丰富的细节特征。如果将预处理后的虹膜图像看作为一.幅纹理图像，那么许多纹理分析的方法都可用来抽取虹膜特征。比较典型的方法有三种: (1)Gabor滤波:从图像中提取纹理信息的有效策略之一是将图像与带通滤波器卷积，其中带通滤波器可以选择2D Gabor滤波器。2D Gabor滤波器最初由Daugman在1980年提出的。Daugman在1985年详细论述了它们的数学特性，指出2D Gabor滤波器提供空间频率、方向、空间位置的最大分辨率，因此在空间和频域中具有良好的联合定位能力。这些特性特别适合纹理分析。2D Gabor函数通过缩放、旋转和平移可以形成一组自相似的小波。利用这些小波对图像进行变换，就称为Gabor小波变换。这些函数与原始图像像素相乘和积分可产生一系列系数，从而可以提取图像纹理信息。 (2)二维小波变换:小波变换是一个常用的图像分析手段，并且在纹理识别中有较多的应用。一个二维小波变换可以看作是连续一维小波变换。二维小波变换将,幅图像分解成一系列的低频子图像。小波变换的结果取决于所采用的小波基的类型，而小波基是由滤波器的类型决定的。对一幅图像进行完全的小波分解，得到一系列的小波系数， 小波系数的形状和尺寸与原始图像相同。分解后的四种小波通道为:LL，LH，HL，HH。每个通道对应于原始图像在不同尺度(空间频率)和方向下的信息。LL通道代表了图像在水平低频和垂直低频下的信息;LH通道代表了图像在水平低频和垂直高频下的信息;HL通道代表了图像在水平高频和垂直高频下的信息。当图像在某一频率和方向下具有较明显的纹理特征时，与之对应的小波通道输出就具有较大的能量。因此，图像中的纹理特征可以由这一系列小波通道的能量平均值和方差来表示。在四种小波通道中， HH通道反映的是图像的高频特征，其中包含了图像中的大部分噪声，不适用于纹理特征的提取。对于LL，LH，HL三种通道的滤波结果，提取均值和方差作为虹膜的特征。 (3)小波变换过零检测算法:以虹膜中心为圆心的同心圆对虹膜图像进行 22,,()()/xdxdx,间隔采样。把二维的虹膜图像变成一维信号，取小波母函数为， ,()x其中为某一平滑函数，一般取高斯平滑函数，通过该小波函数进行变换。变 fx，,()换结果的零点代表的拐点，即函数曲线剧烈变换的部分。Mallat提出只s 需记录的每个过零点的位置及任意两个相邻过零点之间小波变换结ZnWfx()2fZn fx()fx()果的积分值便能通过一定的迭代运算重构。若代表eWfxdx,()2nf,,1Zn 虹膜图像样本，则二元点序列可作为虹膜特征的编码，与虹膜图像数据相比其数量小得多。 2.4虹膜的匹配与识别 基于已提取的虹膜特征进行虹膜识别，是一个典型的模式匹配问题。理论上，任何分类器都可以用在这里，比较常用的两种算法是: (1)海明距离(Hamming Distance):把虹膜纹理转化成有效的虹膜代码后，以虹膜代码的海明距离(Hamming Distance)大小来判别，如式1: l1HDAXORB,() (1) ,jjl,1f 即将不同的虹膜码进行按位异或比较，其中，和表示不同的虹膜码，ABl j表示虹膜码的总位数，表示虹膜码的位序号，范围在0到，其中布尔操作符l 仅在、不同时才为1，这有两种极端;两虹膜代码完全相同时，则HDABXORjj 为O;两虹膜代码完全不同，即每一位都不同，则为1。 HD (2)方差倒数加权欧氏距离分类法:将未知虹膜的特征向量同已经训练好的已知类别的虹膜特征向量相比较，当且仅当它的特征向量与第k类特征向量的方差倒数加权欧氏距离最小时，输入虹膜就被分类为第k类虹膜。加权欧氏距离按式2计算: ()2kN()ff,iiWEDk(),,()2k()g,i1i (2) ()k()k其中表示未知样本的第i个特征，，分别表示第k类虹膜的第if,fiii 个特征的均值和方差;N表示特征总数。 2.5虹膜特征数据库 虹膜特征数据库中存放的是已知虹膜纹理的特征向量。在虹膜识别过程中，首先要对待识别的虹膜图像进行处理分析得到虹膜特征码，然后将所提取的特征码与数据库中的特征码进行比对，最后得出分类结果。为了将虹膜用于身份识别，在虹膜识别系统的后台需要一个大型的虹膜特征数据库，以便于对虹膜特征码进行存储和查询。