1、第10章 应用实例,10.1 虹膜定位和识别算法研究10.2 基于DSP的掌纹识别10.3 变电站红外图象的预处理及识别,2018/9/15,1,2018/9/15,2,原始虹膜图像,10.1虹膜定位和识别算法研究,2018/9/15,3,1、绪 论 2、虹膜定位 3、虹膜图像归一化及增强处理 4、基于曲面匹配的虹膜识别算法 5、虹膜纹理的相位编码及匹配 6、实验结果及分析 7、结论及展望,2018/9/15,4,10.1.1 绪 论,1、虹膜识别技术的研究目的和意义 2、虹膜识别的流程 3、虹膜识别技术的国内外研究和应用现状,2018/9/15,5,1、虹膜识别技术的研究目的和意义,现代社会
2、的发展对人类自身身份识别的准确性、安全性与实用性提出了更高的要求。 由于生物特征的独特优点，使得生物识别技术开始兴起。与其他生物特征相比，虹膜具有以下几方面的优势：（1）虹膜具有随机的细节特征和纹理图像，具有唯一性。（2）虹膜具有内在的隔离和保护能力。（3）虹膜纹理具有稳定性和不变性。（4）虹膜图像可以通过相隔一定距离的摄像机捕获，不需对人体进行侵犯。,2018/9/15,6,2、虹膜识别的流程,一个通用的虹膜识别系统一般由以下四个部分组成即，虹膜图像获取，虹膜图像预处理、虹膜特征提取、匹配与识别。其流程图如右图1所示。,图 1 虹膜识别系统的流程,2018/9/15,7,3、虹膜识别技术的国
3、内外研究和应用现状,（1）研究现状虹膜识别的研究可追溯到1936年，眼科专家Frank Burch，MD提出虹膜识别概念。现在虹膜识别算法研究都是基于1994年Daugman申请的专利基础上 。国外研究比较多的还有澳大利亚、韩国、法国等。国内的虹膜识别技术起步较晚，一些科研院所和高校投入了精力和人力进行虹膜识别的研究，如：中科院自动化所、上海交大、电子科技大学、浙江大学等已取得一定成效。,2018/9/15,8,3、虹膜识别技术的国内外研究和应用现状,（2）应用现状 美国的Iridian Technology公司是当前技术领先的虹膜识别技术厂商，它的主要技术即来源于英国剑桥大学Daugman教
4、授的专利。目前，该公司和世界一些著名的电子设备商如LG，Panasonic等公司合作，开发出了多款产品，已在北美及欧洲得到实际应用。在国内，中科院自动化所已经完成了虹膜识别的实验室阶段的研究，并且申请了虹膜采集装置的专利，其成果处于国内领先地位。,2018/9/15,9,10.1.2 虹膜定位,1、瞳孔内一点定位 2、虹膜内边缘定位 3、虹膜外边缘定位 4、定位结果及分析,2018/9/15,10,1、瞳孔内一点定位,算法首先定位瞳孔内任意一点，观察眼睛图像可以发现瞳孔具有以下特点：（1）瞳孔近似圆形，其灰度分布比较均匀。与巩膜、虹膜区域相比，它的灰度值整体偏小。（2）瞳孔在整个图像上仅占较小
5、一部分面积。根据以上特点，算法使用求灰度最小的方法来定位瞳孔内一点。设为虹膜图像的灰度函数I(x, y)，图像大小为M*N，则有：,2018/9/15,11,在定位过程中，采用灰度求和算子的方法，在虹膜图像上移动，直到求得的最小值，此最小值就位于瞳孔内一点。综合考虑定位速度和定位准确度，本文算法所选取模板大小为35*35，这样可以找到瞳孔内一点，记为： 。定位结果如右图2。,图 2 瞳孔内一点,2018/9/15,12,2、虹膜内边缘定位,在内边缘具体定位时，利用虹膜与瞳孔交界处的灰度突变（即边缘强度），结合边界检测模板，沿所找到点的左、右及向下的3个不同方向出发，可以找到边缘上的3个点，再用
6、“非共线三点”来定圆的参数。但考虑到可能定位到瞳孔的偏上或偏下部分，从而导致找到的3点的左下、右下（或左上、右上）的距离太近，其连线的斜率相应会产生数学上的奇异值，使得圆的参数计算不准确。利用A、C、D、E四点来确定内圆的参数。,2018/9/15,13,先沿已找到点 的左、右水平方向找边缘点A、C，再求得这2点中点 的x轴坐标，此坐标值 也即为内圆圆心的x轴坐标。然后分别沿该中点的上、下方向找到内边缘的另2个边缘点D、E，算出D、E中点 的y轴坐标 ，就能确定出内圆圆心坐标，再计算出半径就定位出了虹膜的内边缘。 如右图3所示。,图 3 内圆定位示意图,2018/9/15,14,3、虹膜外边缘
7、定位,在计算出内圆参数后，从内圆圆心 沿左、右水平方向出发，利用边缘检测模板检测出左、右两个边界点 、 。在找到第一组边界点后，我们再沿内圆底部边缘点 沿左、右水平方向搜寻第二组边界点和 。计算每组的x坐标与内圆圆心x坐标的偏差、每组点到内圆圆心距离之差（即 与 ）。然后比较这2组参数和，取较小的那组值作为圆心的x轴坐标。,2018/9/15,15,在计算圆心y的坐标时，选用哪组点用这样的准则：比较 与 的值，取值较小的那组计算圆心y坐标。最后计算外圆半径 。,图 4 外圆定位示意图,2018/9/15,16,定位结果示意图,图 5 准确定位例图,图 6 定位不准确例图,2018/9/15,1
8、7,4、定位结果及分析,算法对中科院自动化所提供的CASIA（v 1.0）虹膜图库进行了定位，有741幅图像定位准确，准确定位率为98.15%。比一次定位要准确很多（准确定位率为93.51%）。为方便比较，将 几种算法正确率列于右表。,2018/9/15,18,10.1.3 虹膜图像归一化及增强,1、虹膜图像归一化 2、双线性插值 3、虹膜图像增强,2018/9/15,19,1、虹膜图像归一化,归一化的目的是要把环形的部分展成一个m*n大小的矩形图像，这样每一次处理的不同虹膜图像的大小都会相同，如此在采集中引起的大小改变和缩放等因素所造成的影响就会减少 。在转化时，采用把笛卡尔坐标下的环形虹膜
9、中的每个点一一映射到极坐标中去。 设内圆圆心为 ，半径为 ，外圆圆心为 ，半径为 。以内圆圆心作为极坐标系统的中心，做与水平线成 角的射线，它与内、外边界各有一个交点，分别记作 、 。如图7。,2018/9/15,20,则有：r是一个无量纲的参数且r0，1， 0，2 。本文将虹膜区域归一化成128*512的矩形。其结果如图8。,图 7 虹膜归一化,图 8 归一化虹膜图像,2018/9/15,21,2、双线性插值,归一化时，在将极坐标映射到直角坐标的过程中，我们必须考虑一种特殊的情况，即该采样点被映射到直角坐标系中是非整数位置。此时，将无法求得该点的灰度值，所以必须进行灰度插值运算，用点 (x,
10、 y)附近的某一点来表示它。 如图9所示。,图 9 像素的坐标变化图,2018/9/15,22,用以下公式就可以拟合出点(x, y)的像素值 。式中a、b、c、d这四个系数由四个顶点的像素值确定。 将图9中的数值代入公式可得：经过上面的插值运算后，就可将原来的环状区域变成了矩形区域。,2018/9/15,23,3、虹膜图像增强 直方图均衡化,直方图均衡化是通过对原图像进行某种变换，使原图像的灰度直方图修正为均匀分布的直方图的一种方法。 在一幅虹膜图像中，灰度级出现的概率可以近似表示为： 其中，n是图像中像素的总和， 是图像中灰度级为 的像素个数，L是图像中可能的灰度级总数目。,2018/9/1
11、5,24,直方图均衡的离散形式如下： 通过上面的式子就将输入图像中灰度级为 的各像素映射到输出图像中灰度级为 的对应像素上了 。图10是均衡化结果图。,2018/9/15,25,图 10 直方图均衡化前、后的虹膜图像,图 均衡前后的灰度直方图,2018/9/15,26,10.1.4 基于曲面匹配的虹膜识别算法,1、曲面匹配理论 2、曲面匹配实现 3、旋转矫正,2018/9/15,27,1、曲面匹配理论,虹膜图像在3-D灰度级空间上的分布曲面的起伏波动形状与虹膜纹理分布具有明显的对应关系，可以用该分布曲面表示纹理特征。从不同的角度考虑，用一种与现有方法完全不同的虹膜识别方法，即在虹膜灰度图像这个
12、层面上直接进行匹配操作，没有特征提取这个步骤，参与匹配的是整个虹膜区域图像，而不是一组作为特征值的数据。仿照一幅活体虹膜图像是十分困难的，因此，该方法的最大优点在于提高了系统的安全性。,2018/9/15,28,以图像水平方向为x轴，垂直方向为y轴，以像素灰度值为z轴建立三维空间坐标系，则虹膜图像中任意像素都可由坐标(x, y, z)来表示，也就得到了矩形虹膜图像在三维灰度级空间上的分布曲面。如右图所示。,图 12 虹膜曲面图,2018/9/15,29,当两个虹膜来自于同一个眼睛时，由于虹膜纹理分布相同，这个灰度级分布曲面具有相同或相似的形状。当两个虹膜来自于不同的眼睛时，由于虹膜纹理分布不同
13、，这个灰度级分布曲面具有不同的形状。如果能够检测两个虹膜在三维灰度级空间中分布曲面的差异性，即可确定这两个虹膜是否来自于同一个眼睛。经过上述分析及处理，判定两幅虹膜是否为同一虹膜的问题就可以转化为空间曲面的匹配问题。,2018/9/15,30,2、曲面匹配实现,由上述曲面匹配的理论可知，两曲面是否匹配，只需判断差图像的离散程度。具体实现分为以下两步： （1）图像经过预处理后，两曲面对应位置的灰度作差， ， 为待匹配图像灰度值， 为匹配图像的灰度值， 为差图像灰度值。 （2）对差图像求平方和，公式为：最后，通过给定的1个阈值与Y进行比较就可以判断出2幅虹膜是否是同一虹膜。,该阈值是这样选取的：先
14、按照已定的测试方法进行同类以及异类间的虹膜测试，在测试的同时记录测试计算出来的两图像的差值平方和Y。完成所有测试后，将所有测试结果的数据进行汇总分析，通过分析这些数据，我们人为的选出最优的阈值。 最后，给出了比较典型的同类间以及异类间的测试结果图 4.2和图 4.3。在测试时，给定的阈值T=6501。图 4.2进行的同类间测试的差值平方和Y=4254，图 4.3进行的异类间测试的差值平方和Y=7819。,2018/9/15,31,图 4.2 同类间测试结果 图 4.3 异类间测试结果,2018/9/15,32,2018/9/15,33,3、旋转矫正,在图像摄取时由于测试者的头或眼睛的偏移都会使
15、纹理的位置不对应，从而导致即使是相同图像做差后，差图像的平方和也会很大，这就需要旋转一定角度，使得两曲面位置对应。若两曲面相同，则经过旋转，一定存在某个位置使得两曲面达到最佳匹配，所以为克服头偏移（即旋转）对识别的影响，在求出差值平方和后，如果它大于阈值（有可能是不同虹膜，也有可能是相同虹膜的旋转造成）则平移归一化后的矩形图像（对应曲面的旋转），直到差值平方和最小。,图 4.5 旋转校正前的结果图 图 4.6 旋转校正后的结果图校正前的差值平方和Y=6727，校正后的差值平方和Y=5659。,2018/9/15,34,2018/9/15,35,10.1.5 虹膜纹理的相位编码及匹配,1、Gab
16、or滤波器 2、Daugman编码方法 3、虹膜纹理的相位编码 4、编码识别,经过预处理后的虹膜图像可以看成一幅纹理图像，具有明显的、可区分的各种空间模式特征，这些特征可从很多方面来体现。虹膜的这些纹理结构就是不同人的虹膜具有差别的地方，所以对虹膜识别的关键就是提取这些纹理的特征信息，形成表征虹膜特征的特征量。 识别时主要提取纹理幅度信息和相位信息，其中纹理的相位信息最重要，这是因为幅度信息差异不明显，它受很多的外在因素，比如图像的对比度、获取图像时的光照、摄影机增益等影响。,2018/9/15,36,从图像中提取纹理信息的有效策略之一是将图像与带通滤波器卷积，采用二维Gabor带通滤波器对虹
17、膜图像进行分解滤波，从中提取相位信息，并根据滤波的结果对归一化后的虹膜图像进行纹理编码。,2018/9/15,37,2018/9/15,38,1、 Gabor滤波器,Gabor函数最早是由物理学家Gabor于1946年提出的，Gabor变换属于加窗傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。另外Gabor函数与人眼的生物作用相仿，所以经常用作纹理识别上，并取得了较好的效果。 Gabor函数的特性可以较好地抽象视觉神经细胞的工作机理。图像处理领域常用到的是2-D Gabor函数，其形式为：,2018/9/15,39,2、 Daugman编码方法,Daugman系统采用
18、了极坐标下的二维Gabor滤波器对虹膜细节的特征进行提取。其形式如下： 其中 共同变化，且与w反向。这样产生一组求积分形式的选择频率的滤波器，中心位置在 ，位置参数为 。将每一个滤波器作用于整个无量纲的虹膜区域，得到的系数大小用两个位来表示 。实部和虚部二进制编码为是0还是1按下面的计算式进行：,2018/9/15,40,这样，在Daugman系统中依靠一个Gabor滤波器簇，作为一种局部纹理的量化器，形成 。将1024块这样的区域的编码结果依次排列，形成了2*1024位的虹膜编码。,2018/9/15,41,3、虹膜纹理的相位编码,Daugman编码方法给我们启示，通过合理的利用Gabor滤
19、波器的性质就可以提取出虹膜的各种模式特征，包括从虹膜的形状到其纹理结构。因此，我们在Daugman编码方法的基础上提出利用Gabor函数的空间局部特性和其方向选择性，如右图，进行虹膜纹理的相位编码。,（a） 时的实部顶视图,（b） 时的实部顶视图,2018/9/15,42,对中心在 的Gabor函数集中的每一函数作积分：其中， 为图像中的某个分块。即我们把虹膜图像分为N个区域 ，每个相邻区域的边界都是可区分且连续的。 在本算法中，将预处理好的图像分成256个1616 的小块。 Gabor函数的方向为等间隔地抽取的-90,90)的16个方向（每个方向用4 bits表示）。分别计算实部和虚部，寻找
20、其模值最大值的那个方向。,2018/9/15,43,该模值最大的第k个方向就是该区域内虹膜纹理的局部相位角编码。编码器原理图如右图。,图 13 虹膜相位编码器原理图,2018/9/15,44,4、编码识别,经过编码之后，采用比较常用的决策理论，即比较虹膜代码的海明距离(Hamming Distance)来实现虹膜识别。考虑到每位编码的权重不同，不妨设：一个图像块的相位编码为实部4 bits+虚部4 bits，即可表示成则两个不同虹膜间的归一化码间距离为：,如果两编码相同（即两幅图像完全匹配）， 两编码各位均相反（即两幅图像完全不匹配），这样，我们通过选择一个恰当的阈值就可以实现虹膜的识别了。在
21、本文中，阈值T=0.49。该阈值的选取方法同基于曲面匹配的识别方法。,2018/9/15,45,10.1.6 测试结果及分析,算法测试均在CASIA1.0虹膜库上进行，该库由中国科学院自动化研究所模式识别国家重点实验室采集，是大样本的共享数据库，图像极具代表性，是目前测试虹膜识别算法的最佳样本。该库主要由亚洲人的虹膜图像组成，而且来源于不同的年龄阶段。库内图像是在不同的时间段拍摄得到的。对同一类虹膜，分两次拍摄，时间间隔为一个月。 图像性质：8bit灰度图像，分辨率为320280。 图像总数：756幅。 图像组成：包括80人（其中男62人，女18人）108只不同眼睛的虹膜样本，每只眼睛7幅图像
22、。,2018/9/15,46,2018/9/15,47,10.1.6 测试结果及分析,测试办法分为以下两种： 同类间测试：库中的每个样本与相同虹膜的其余样本逐一进行匹配识别。如果g已经对h进行匹配，则对称的h对g无需做匹配。这样实际测试总数为：（7*6）*108/2=2268。 异类间测试：库中的每幅虹膜图像的第一个样本与库中其它虹膜的第一个样本相匹配。如果g已经对h进行匹配，则对称的h对g无需作匹配。这样实际测试的总数为：（108*107）/2 = 5778。,2018/9/15,48,算法实现工具为Visual C+ 6.0。测试机器为CPU P4 2.0GHz，2G内存，操作系统为Win
23、dows XP Professional。该识别系统的运行界面如右图14。,图 14 程序运行界面图,算法评测指标：虹膜识别采用“是/否”模式识别的方案有四种可能的结果： 认假（FA，False Accept）：把另一虹膜认作可以接受的虹膜； 认真（CA，Correct Accept）：接受同一虹膜为可以接受的虹膜 拒真（FR，False Reject）：拒绝把同一虹膜认作可接受得虹膜 拒假（CR，Correct Rejext）：拒绝把另一虹膜认作可以接受的 虹膜。 显然“认假”和“拒真”是两种错误的结果，而“认真”和“拒假”是两种正确的结果。,2018/9/15,49,2018/9/15,5
24、0,为了便于比较，现将所有数据列于右表。实验数据表明，本方法的正确识别率和计算耗时性能都要优于原方法。,表 1 各算法的实验数据比较,2018/9/15,51,结论及展望,本文与原算法相比提出了以下几个方面的改进：（1）在外边缘定位时，本算法提出采用4点2次定位，再在其中选出较合理的定位结果，而非简单的3点一次定位。这样可以有效减少定位误差，增加定位的准确率及定位精度。（2）针对原方法没有有效解决在虹膜采集过程中的光照强度不完全相同从而造成对识别结果的影响，提出先将图像的灰度调整到同一个等值灰度平面上来再匹配，从而减少该因素对虹膜识别的影响。,2018/9/15,52,（3）针对原方法计算方差
25、的计算量比较大的缺点，本文提出直接用两图像的差值平方和作为匹配判断准则的值，从而缩短了匹配耗时。通过这些改进，不但简化了算法的复杂度同时也提高了匹配速度以及正确识别率，但还是有许多需要改进的地方。,2018/9/15,53,展望,1、由于本算法有计算耗时方面上的优势，但识别率较低，因此可以与传统的识别方法相结合，分粗匹配和精匹配两步来提高识别率。即先用本方法进行粗匹配再用某一传统方法来进行精匹配。2、寻找一种方法来解决眼睑及眼睫毛的遮挡问题。3、设计出一程序使计算机自动寻找最优化的阈值而不是通过人为的寻找阈值。4、结合数据库来自动载入图像自动匹配，实现整个匹配的智能化。,2018/9/15,54,Thank you!,
