虹膜识别

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

虹膜识别的优势

同其它的生物识别技术相比,虹膜识别技术具有非常明 显的优势。
虹膜识别的优势
• • •

虹膜图像具有高度的乱度。 搜索符合影像的时间短(每秒10万笔虹膜编码)。 虹膜被人体保护,不易改变(在怀孕第7个月已经确 定)。 具有高独特性,高稳定性,防伪性好,易使用性。
虹膜识别的不足
•Biblioteka Baidu
• • • • • •
虹膜图像归一化


由于上下眼皮会部分地遮挡虹膜顶端和底端,为了排 除这一部分,以瞳孔为中心,截取-π/4~π/4及3π/4~5 π/4的虹膜区域。 然后将截取的虹膜区域在极坐标系中展成矩形,使矩 形的行对应半径,矩形的列对应所取的角度。
内侧 半 径 方 向
外侧 展开成矩形的虹膜 排除遮挡部分的虹膜

• •
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。 其形式如下:
特征提取


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。 其形式如下: ×
虹膜识别技术刚起步,很多方面都有不足:
虹膜纹络是否具有稳定性有待研究。 虹膜采集技术有待提高。 高重复性的虹膜识别算法有待进一步开发。 目标物渺小,以致于有取得目标物的距离限制。 瞳孔、睫毛或多或少会对图像采集造成影响。 天生无法聚焦的人会使得系统运行困难。
学习中的困难


对于预处理的虹膜定位中的精定位的算 子研究。 特征提取中的Gabor滤波器的研究和具 体实现。
(NORMALIZATION)


为了实现精确的匹配,还要对图像进行归一化,补偿 大小和瞳孔缩放引起的变异。虹膜的内外边界都为圆 形,可以简单地利用几何方法归一化。 以瞳孔圆心为起点,与虹膜内外边界的交点坐标分别 为(xp(θ),yp(θ))和(xs(θ),ys(θ)),则利用下式,将虹膜图 像中的每个点一一映射到极坐标(r, θ)中。
图像预处理
虹膜定位(Iris Localization)
对虹膜边缘的定位采用两步法, 即先利用灰度投影量 进行粗定位 粗定位,然后利用圆形模板进行精定位 精定位。这样可以 粗定位 精定位 提高虹膜边缘定位的速度, 避免一些盲目性的搜索。


其他工作
“漂移”通过平移变换即可纠正。 “旋转”和“放缩”可以利用图像对准的方法纠正。 将虹膜图像归一化(Normalization)。
虹膜图像获取
(IMAGE CAPTURE)

虹膜图像可以通过CCD摄像头及图像采集卡输入计算机
传统方式 便携方式
图像预处理
(IMAGE PREPROCESSING)


从摄取的眼睛图像中将虹膜图像分离出来,去除眼睑、眼 液及微小组织的影响,排除噪声干扰,采用平移变换、图 像对准的方法消除漂移(shift) 、缩放(scale)和旋转(rotate) 现象。去除由于反光等噪声干扰。 进行边缘检测,用Hough变换对虹膜的内外边缘进行准确 定位,将其与其他部分分离开来,使虹膜图像结构之间具 有一致性。
虹膜的位置
内边缘 外边缘
巩膜
虹膜
瞳孔
虹膜上的细微特征
瞳孔褶皱
瞳孔区
深色斑点 睫状区 收缩性皱纹
凹陷区
虹膜结构图
John. G. Daugman



Daugman于1993年提 出了识别算法。 他提出的虹膜识别算法 准确性高、速度快,一 经提出就在生物识别领 域引起了极大关注。 但是Daugman只给出了 算法的框架,有关算法 的具体实现却未见文献 报道。


其中α和β是分别表示Gabor小波在x轴和y轴方向的 带宽;f表示正弦曲面的频率;φ表示滤波方向。 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。
特征匹配
(FEATURE MATCHING) MATCHING)



特征匹配通常采用最典型的虹膜代码的海明距(Hamm ing Distance,HD) 匹配算法。 该算法是通过比较两个虹膜特征码是来自相同的个体 的虹膜,还是来自不同个体的虹膜,比较虹膜代码A和 虹膜代码B的L位的每一位(L一般取1024 或2048)。 HD定义为:
虹膜精定位

由于虹膜具有良好的环状特性,所以可采用如下算子 对虹膜边缘进行精定位。

其中Gσ(r)为高斯函数,*表示卷积,上式实质上是一 个以尺度σ模糊化的圆形边缘探测器模板。 它对瞳孔边缘或虹膜外边缘的定位过程,是在(r,x0,y0) 三参数空间不断迭代求最优解(即求最大值) 的过程。

虹膜图像归一化

Ai、Bi进行异或运算
特征匹配

实验结果表明,由于受环境等因素的影响,把同一虹 膜的不同时间提取的特征码进行比对时,HD分布的峰 值将在0.1附近。不同虹膜的特征码进行比对时,HD 分布的峰值将在0.5附近。
性能评价指标
(PERFORMANCE EVALUATION INDEXES)
• • •
眼中的身份证
虹膜识别技术 (Iris recognition)
生物识别技术层出不穷


由于证件容易被剽窃、转移或丢失,识 别码容易被忘记、破解,所以生物特征 识别应运而生。 常见的生物特征有指纹、掌纹、虹膜、 视网膜、脸形、声音、笔迹、DNA、人 体气味等
虹膜的位置

虹膜是位于眼角膜之后,晶状体之前,巩膜和瞳孔之间 的环形可视薄膜,包含纹理、血管和斑点等多个细微特 征。
虹膜粗定位


由于瞳孔的灰度和虹膜的灰度相去甚远,所以我们可 以充分利用图像的灰度特征,找出瞳孔的边界,即虹 膜的内边界。 我们对图像采用二值化的方法找出瞳孔的边界。
摄像机获取的图片
通过二值化的图像
虹膜粗定位


已知了瞳孔的边界,便可以获得其参数(圆心和半 径)。在利用虹膜的灰度投影量来确定出虹膜的参数 (圆心和半径)。 设瞳孔圆心Op(xp,yp),半径r,虹膜圆心Oi(xi,yi),半径 R,I(x,y)为(x,y)点的灰度值。通过下式可以求出在x和 y方向上的灰度投影量。
虹膜识别的过程
• • • • •
虹膜图像获取(Image Capture) 图像预处理(Image Preprocessing) 特征提取(Feature Extraction) 特征匹配(Feature Matching) 性能评价指标(Performance Evaluation Indexes)
虹膜图像归一化

虹膜纹理从瞳孔内侧起沿半径方向由细到粗,不同的空 间特征在各种尺度上非常明显。因此,为了捕获虹膜 的空间细节,利用多尺度表达,将虹膜图像沿半径方 向分成8个带。图像的各个带展成多大是一个值得考虑 的问题。这个问题与滤波器的尺寸有关。
内侧 半 径 方 向 外侧 8 个 带
特征提取
(FEATURE EXTRACTION) EXTRACTION)
谢谢大家
temp
摄像机捕获的眼 部图像
检测边缘后作二 值化处理
提取的虹膜图像

精确性 速度 鲁棒性(robustness,对被检验者和外界环境的适应能 力。) 其中精确性是最重要的一个性能指标。
性能评价指标

• • •
精确性一般用识别率来表示,识别率有三种:
拒判率FRR (False Reject Rate) 误判率FAR (False Accept Rate) 等误率EER (Equal Error Rate)

• •
还有一类评判指标(一般出现在英文文章中):
FMR (False Match Rate) FNMR (False Non-Match Rate)
性能评价指标

FRR和FAR之间的关系如下图所示。它表明在不同操 作点上FRR和FAR之间的平衡,一般用等误率EER来 衡量。

EER
• •
EER 是当一个生物认证 系统运行在FAR等于FRR 的点上时系统的错误率。 左图中系统2不如系统1 据统计虹膜特征识别是等 误率最低(0. 00008 %) 的一种生物识别技术。
相关文档
最新文档