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ε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ε=220。经实验验证ε=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21d x x =-。虹膜内圆中心的横向坐标估计值21()/2x x x =+。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)x r y d r

±-±，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(,)in n e r in n e r x y ，半径为i n n e r r

。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(,)inner inner x y ，边长为6inner r ，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,i n n e r x ±2)inner y ±，半径范围是(1.5,2.5)i n n e r i n n e r x y 。

虹膜识别国际测评NICE.II(Noisy Iris Challenge Evaluation)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。