虹膜识别new.pptVIP

什么是虹膜？ 虹膜是位于人眼白色巩膜和黑色瞳孔之间的环状组织，包含了最丰富的纹理信息。外观上看，虹膜由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一 虹膜识别的优点： 虹膜，作为重要的身份鉴别特征— 唯一性：虹膜图像存在许多随机分布的细节特征 稳定性：虹膜从婴儿胚胎期的第3个月起开始发育，到第8个月虹膜的主要纹理结构已经成形 可采集性：虹膜是一个外部可见的内部器官，不必紧贴采集装置就能获取合格的虹膜图像 非侵犯性：一般情况下很难盗取他人的虹膜图像 虹膜识别的一般步骤： 虹膜图像获取 图像预处理 特征提取 特征匹配 一、虹膜图像的获取 虹膜是一个很小的器官，直径约十几毫米，不同人种的虹膜颜色有着很大的差别。 白种人的虹膜颜色浅，纹理显著 黄种人的虹膜则多为深褐色，纹理非常不明显 二、虹膜图像的预处理 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、眼白等，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。因此，在进行虹膜识别之前，必须先确定出虹膜在图像中的位置并进行大小归一化等操作。 虹膜图像预处理包括： 虹膜定位 虹膜图像归一化 虹膜图像增强 进行虹膜图像预处理： 原始输入图像 虹膜图像的灰度直方图 二值化方法定位瞳孔 虹膜图像边缘提取 修正后的虹膜边缘 虹膜定位 虹膜图像的归一化 图像增强 虹膜图像预处理效果图： 虹膜定位 ： 由原始输入图像可以看出，虹膜包含纹理的部分是内外两个近似圆形边界之间的部分，虹膜内侧与瞳孔相邻，外侧与眼白相邻。但是，这两个圆不是完全同心的,我们需要分别对内外两个边界进行处理。 内边界的提取： 与眼睛的其他部分相比，瞳孔要暗得多。我们采用二值化的方法分离出瞳孔，提取内虹膜边 界。二值化方法的关键在于阈值的选取，具体做法是，先计算出整个图像的灰度直方图,它应该有两个主要的峰值，其中的第一个峰值，对应的就是瞳孔区域灰度集中的范围，第二个峰值对应 的是虹膜区域的灰度集中范围。显然，提取瞳孔的二值化阈值应该选择在第一个峰值的右侧。对图像进行二值化后，我们可以看出，瞳孔成功地被分离开来。 外圆边界的提取： 可以采用最小二乘拟合的方法提取外圆边界。首先使用Canny 算子对原图像进行边缘提取，然后根据瞳孔的位置和其它的先验知识，去除一些无用的点，比如眼眉和内边界等，最后采用最小二乘法进行拟合。最后虹膜定位。 虹膜的归一化： 归一化的目的是将每幅原始图像调整到相同的尺寸和对应位置，从而消除平移、缩放和旋转对于虹膜识别的影响。 用极坐标变换的方法进行归一化： 将虹膜图像中的每个点一一映射到极坐标，这种映射对于平移和内外圆环的大小变换等具有不变性。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。 虹膜图像增强 ： 由于设备的原因，使得虹膜图像上的光照不能完全按均匀分布，这样将会影响纹理分析的效果。为了更好地提高识别效果，我们对展开后的虹膜图像进行了局部的直方图均衡化，从而实现了图像增强，减少了非均匀光照的影响。 三、虹膜特征提取 两种比较典型的方法— 多通道滤波 二维小波变换 从一定意义上讲，前者是后者的特列。 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两个连续的一维小波变换。二维小波变换将一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。 小波的四种通道： 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低频下的信息 HH 通道代表了图像在水平高频和垂直高频下的信息 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，不适合用于纹理特征的提取。因此我们使用图中阴影部分的共 7 个通道来进行纹理分析。对于每个通道的滤波结果，提取均值和方差作为其特征。由于在小尺度下的小波子图像受噪声的影响比较严重，为了增加识别算法的抗噪声性能，在具体算法中，我们对于归一化的图像，进行 3次小波分解，对 3 个尺度下的小波系数进行处理，这样总共有 7 个小波通道，每幅输入图像提取出 14 个特征。 四、虹膜特征匹配 与图像库中的数据进行匹配，从而达到识别的效果。 * * *