基于MATLAB的虹膜识别系统研究

武汉理工大学

硕士学位论文

基于MATLAB的虹膜识别系统研究

姓名：王玥

申请学位级别：硕士

专业：通信与信息系统

指导教师：刘泉

20070401

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，就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定位、虹膜图像归一化和虹膜图像增强三个步骤。

图３．３为采集到的一幅人眼图像，其中虹膜占较大部分，但由于没有对受试者施加过多的限制，图像中还包括眼睛周围的区域，因此在提取虹膜特征之前，先对虹膜图像进行预处理，补偿平移、大小及瞳孔缩放引起的变异，将虹膜图像做归一化处理。以下详细介绍虹膜预处理过程。

图３．３原始图像

３．１．１虹膜定位

虹膜是黑色瞳孔和白色巩膜之间的环状组织。一般情况下，虹膜的内外径是不同心的。因此，虹膜定位就是要定位出虹膜的内外边界，即虹膜与瞳孔之间的边界和虹膜与巩膜之间的边界。虹膜的内外径不是完全的圆形，但是趋近于圆形，为了计算方便，我们一般把它们当作圆形来处理。下面就详细介绍一下虹膜的定位过程，先选取一幅人眼的图片，如图３．３所示。

１．内边界定位

从图３．３中可以看到，瞳孔的灰度远小于眼睛其它部分的灰度值，而且瞳孔区近似灰度值的像素点分布集中。用Ｍａｔｌａｂ画出图３．３的灰度直方图，如图３．４所示。分析原始虹膜图像的直方图可看出，有一个区域像素非常集中，可判定灰度值最小的这一区域为瞳孔所在区。根据瞳孔的这一特点，可以首先用二值化的方法分离出瞳孔，然后计算确定瞳孔的圆心的位置和半径的大小。其具体步骤为：

（１）调用ｉｍｈｉｓｔ函数，得出整个图像的灰度直方图，如图３．４所示，横轴

武汉理工大学硕士学位论文

表示灰度级，纵轴表示频数；

图３．４图３．３的灰度直方图

（２）在灰度直方图中，像素最集中，灰度值最小的那个峰值区域，为瞳孔区的灰度分布，如图３．４最左侧第一个峰值区域表示瞳孔区的灰度集中范围，第二个峰值对应的是虹膜区域的灰度集中范围。显然，为了分离出瞳孔区域，应选取左侧第一个峰和第二个峰之间的最小值的灰度值为二值化的阈值，对整个图像进行二值化处理。这时瞳孔被粗略地分离出来，如图３．５所示；

图３．５二值化处理后的瞳孔图像

图３．８瞳孔在ｘ轴的投影图

图３．９瞳孔在Ｙ轴的投影图

不会影响识别效果。为了进一步减少计算量，还可以把图像按比例压缩到一个较小尺寸。

图３．１２ｃａｎｎｙ边缘检测后的外边缘图像

具体的编程步骤为；１）减小厥图像的尺寸，所有系数按比例缩小；２）建立一个三维累加器Ⅳ（口）ｐ）（，），预置Ⅳ（ｄ）（６）（，）为０；３）对参数空间每个（口，ｂ，ｒ），考虑图像中每个像素点瓴力，代入（３．５）式，如果成立，则相应的累加器Ⅳ（４）（６）（，）加ｌ；４）找出ｌＶ（ａＸｂＸｒ）的极大值，其参数即是所求虹膜外边界的圆心坐标和半径大小；５）按比例还原图像以及所有的参数值。

本程序使用的比例系数是Ｏ．２，实验证明，这一比例系数比较合适，若取更小，如Ｏ．１，则会丢失一些重要的边缘点而使外边缘定位不准确；若取更大的比例系数，实验结果值差别不大，但是会增加计算量。

图３．１３虹膜内外边缘定位图

不失一般性，以第二种情况为例，虹膜图像归一化的原理如图３．１４所示。以内圆圆心作为极坐标系统的中心，做与水平线成０角的射线，它与内、外边界各有一个交点，分别记做４和Ｂ，则有：

口：ａｒｃｔａｎｙ＇－ｙｏ．（３．刀

毛一ｘｏ

ＬＯＩＡ＝ｚ－Ｏ＋ａ（３－８）ＺＯＡＩ＝ａｍｓｉｎ［ｓｉｎ（ＺＯＡｌ）√（所一ｙｏ）２＋（薯一毛）２／，】（３－９）

ＺＩＯＡ＝万－ＬＯＩＡ—ＺＯＡＩ（３．１０）点Ｏ，力为虹膜图像个任意一点，其坐标值为：

ｘ＝而＋（１一，）‘ｅｏｓＯ＋ｒｒｏｃｏｓ（ｏｒ＋ＺＩＯＡ）

Ｙ＝％＋（１一，）‘ｓｉｎＯ＋ｒｒｏｓｉｎ（ａ＋ＺＩＯＡ）其中，，∈【Ｏ，ｌ】，０∈【Ｏ，２ｚ】。

结合上式可推出：（３—１１）（３－１２）

石：而＋（１一，）ｒ。ｃｏｓ０＋，艺ｃｏｓ【口一ａｌｃｓ叫ｓｉｎ（ｏ—ｃｒ）．鸟】

Ｊ，＝Ｙｏ＋（１一，）‘ｓｉｎＯ＋ｒｒｏｓｉｎ【ｐ—ａｒｅｓｍ（ｓｍ（Ｏ一口）．旦）】

‘？（３－１３）

‘

（３－９）式中所示的变换可将＠，ｙ）坐标系中虹膜图像的每个点一一映射到极坐标（，，∞中去。这种由直角坐标下的虹膜图像到极坐标下的映射可以表示为

ｌ（ｘ（ｒ，Ｄ，ｙ（ｒ，口））＿ｌ（ｒ，印（３·１４）这种映射对于平移和内外圆环的大小变换具有不变性，而对于旋转变化，将在后面的算法中提取旋转不变的特征。综上所述，整个虹膜识别的过程对于虹膜图像的旋转、平移和尺度变化以及瞳孔的收缩都具有不变性。

归一化之后的图像在极坐标系（，，口）下，将其展开成一个大小为６４ｘ５１２的矩形，如图３．１５。

图３．１５虹膜归一化图像

虹膜区域具有天然的极坐标表示形式，可以将虹膜区域用角度和半径展开，

这样的表示便于对虹膜编码，文献中都是将虹膜区域标准化为大小一定的矩形

区域。一些文献将虹膜区域标准化为６４ｘ１０２４，有些标准化为６０ｘ４５０。这些标准化维数选择主要依据实验结果的好坏，综合考虑实时性和数据比较的快速性以及库的大小还有识别的正确率等。本系统根据最小虹膜内边界确定角度分辨率，根据最小内外半径差确定径向分辨率，确定出有效的标准化区域６４ｘ５１２，该维数可以达到要求。５１２个字节，对于生物识别模板来说是一个十分紧凑的模板，但它对从虹膜获得的信息量来说是十分巨大的【旧。

３．１．３虹膜图像增强

图像增强，小波变换将一幅图像分解为大小、位置和方向都不同的分量。在做逆变换之前可以改变小波变换域中某些系数的大小，这样就能够有选择的放大所感兴趣的分量而减小不需要的分量。给定一个图像信号，用二维小波分析对图像进行增强处理。由于图像经二维小波分解后，图像的轮廓主要体现在低频部分，而细节部分则体现在高频部分，因此，可以通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理，即可以达到图象增强的作用。

虹膜图像增强，即对虹膜图像进行直方图均衡化嘲。

直方图表示的是图像中每一灰度级与其出现频数之间的统计关系，用横坐标表示灰度级，纵坐标表示频数。直方图能反映出图像的灰度范围、每个灰度级的频数、灰度分布情况、整幅图像的亮度等，它是对图像进行处理的重要依据。如对直方图进行均衡化修正，可使图像的灰度间距增大或灰度均匀分布、增大反差，使图像的细节变得清晰。均衡化修正的基本思想是将出现频数较少的灰度级并入邻近的灰度级中，从而减少图像的灰度等级，增加其对比度。

图３．１６是图３．１５经过直方图均衡化后的结果，从图３．１６可看出，增加了图像的对比度，减少了非均匀光照的影响，从而消除了光照不均匀对虹膜图像的影响。

图３．１６虹膜增强图像

３．２虹膜纹理的特征提取

虹膜具有明显的可区别的空间特征，它可从很多方面表明，比如虹膜特征