虹膜识别

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。