CN101499134B - 基于现场可编程门阵列的虹膜识别方法及系统 - Google Patents
基于现场可编程门阵列的虹膜识别方法及系统 Download PDFInfo
- Publication number
- CN101499134B CN101499134B CN2009101033779A CN200910103377A CN101499134B CN 101499134 B CN101499134 B CN 101499134B CN 2009101033779 A CN2009101033779 A CN 2009101033779A CN 200910103377 A CN200910103377 A CN 200910103377A CN 101499134 B CN101499134 B CN 101499134B
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- iris image
- feature
- circle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出一种基于现场可编程门阵列(FPGA)的虹膜识别系统及其实现方法。以Altera公司的FPGA芯片为主控芯片,由虹膜采集装置、液晶显示屏和PS/2键盘组成系统完整的硬件平台。整个系统实现的功能包括虹膜图像采集、虹膜图像显示、虹膜图像质量评估、虹膜对象录入、虹膜对象识别等。其中虹膜对象录入及虹膜识别过程中的虹膜定位算法提出了一种新颖的简单快速的虹膜定位算法。而虹膜特征提取算法部分,采用二维Gabor滤波算法实现了非常好的特征提取。准确的虹膜定位效果和独特的特征提取算法使本发明实现了一个高识别率高可靠性的虹膜识别系统,用于身份验证。
Description
技术领域
本发明属于生物特征识别技术领域,即虹膜识别技术领域,尤其涉及一种基于现场可编程门阵列(FPGA)的虹膜识别方法及系统。
背景技术
人们在迈进数字时代的过程中,对身份验证方法的准确性和便捷性的需求不断提高。传统的身份验证方法主要包括身份标志物(如钥匙、证件等)连同身份标志信息(如账号、密码等),或以上二者的结合(如银行卡等)。人们在使用过程中发现,他们都存在着一样的缺点:易于遗失和伪造。而且传统的身份验证系统并不能有效的识别持有这些身份标志事物的人是否是真正的拥有者。因此,一旦被冒充,真正的拥有者将遭受极大的损失。随着光电技术、微计算机技术、图像处理技术与模式识别等技术的快速发展,出现了一种崭新的人体生物特征识别技术,这就是依靠人体生物特征来进行人的身份验证的一种高科技识别。人体特征识别方法,也叫生物特征识别方法,是指利用人的独特的生理及行为特征进行鉴别的身份验证的技术手段。目前,常用的生物特征识别技术所用的生物特征有基于生理特征的如人脸、指纹、虹膜,也有基于行为特征的如笔迹、声音等。
人体特征的鉴别方法有很多种。在任何生物特征中,指纹相对稳定但录取指纹不是非侵犯性的。脸像特征具备很多优点(如主动性、非侵犯性和用户友好等),但脸像特征随年龄而变化,可靠性不高,而且容易被伪装。声音特征具备和脸像特征相似的优点,但他随年龄、健康状况和环境等因素而变化,而且说话人识别系统也容易被录音所欺骗,容易被伪造。虹膜特征识别解决了这些问题,还具备上述其他生物特征所不具备的一些特性,故近年来虹膜识别技术被认为是最有前途的生物识别技术之一。
虹膜识别系统包括虹膜图像采集装置和虹膜识别软件算法两部分,是一项门槛很高的高新技术。虹膜识别技术在20世纪90年代前只有世界上少数的企业掌握其核心技术,技术水平也没有达到实际使用的程度,但随着科学技术的不断进步,现在虹膜识别的技术水平已经达到1秒钟完成100万次图像比对,并且错误率低于百万分之一,被公认为可靠性最高的生物识别技术,并且开始进入实际应用阶段。
虹膜识别的主要应用领域包括:(1)高端门禁:国家机关、企事业单位、科研机构、 高档住宅楼、银行金库、保险柜、枪械库、档案库、核电站、机场、军事基地、保密部门、计算机房等的出入控制。(2)公安刑侦:流动人口管理、出入境管理、身份证管理、驾驶执照管理、嫌疑犯排查、抓逃、寻找失踪儿童、司法证据等。(3)医疗社保:献血人员身份确认、社会福利领取人员、劳保人员身份确认等。(4)网络安全:电子商务、网络访问、电脑登录等。(5)其它应用:考勤、考试人员身份确认、信息安全等。随着远距离虹膜图像获取技术的成熟以及识别算法性能的进一步提升,虹膜识别应用于日常生活已经成为可能。
近年来,随着现场可编程逻辑阵列(FPGA)器件的发展,SOPC技术的成熟,使得采用Nios II软核处理器在FPGA上实现虹膜识别算法成为可能。Nios II软核处理器是Altera公司推出的嵌入在其FPGA内部的32位软核处理器,且其内核仅占用很少的逻辑资源,另外它的可配置程度极高,不但可以根据用户需求加入各种标准接口如各种外部存储器、以太网控制器、IDE驱动器、USB接口等,也可以将用户自己定义的接口模块和逻辑模块加入其中,必要的时候还可以在Nios II软核中加入实时操作系统,来实现对多任务的调度,这让用户可以随心所欲的构件完全符合系统要求的处理器结构。对于虹膜识别系统,我们很容易构建满足系统需求的处理器结构,在FPGA外部只需要添加配置芯片、SDRAM,FLASH加上虹膜采集设备就可以构成一个完整的虹膜采集系统硬件平台,很好的体现了SOPC的设计思想,使系统具有结构简单,成本低廉,保密性好的特点。
发明内容
为克服现有技术中存在的上述问题,本发明公开了一种基于FPGA的嵌入式虹膜识别方法及系统,通过在虹膜图像采集时对虹膜内外圆的准确定位,并且在特征提取时,采用二维Gabor滤波算法,实现高准确率的特征匹配。
本发明基于现场可编程门阵列的虹膜识别方法的技术方案如下:
一种基于现场可编程门阵列的虹膜识别方法,该方法通过采用虹膜定位算法实现准确的虹膜定位,并且在特征提取时,采用二维Gabor滤波提取特征,得到丰富的虹膜纹理特征,经过处理得到虹膜特征码;其特征在于,所述虹膜识别方法的步骤为:
(1)虹膜图像的采集:虹膜图像采集采用基于数字CMOS图像传感器芯片的虹膜图像采集装置实现,可以采集到较高分辨率和清晰度的虹膜图像;
(2)虹膜图像信息的录入:使用外接SRAM作为数据中转,该SRAM由控制器和图像采集模块复用,采集模块将采集到的图像数据写入SRAM,控制器则在SRAM读取图像 数据;
(3)虹膜图像信息预处理:控制器将通过质量评估后的每一幅虹膜图像进行预处理,具体包括以下步骤,虹膜图像内外圆定位、虹膜特征提取等。
虹膜图像内外圆定位是指采用先搜寻若干(3个以上)边界点再由点定位圆的方式,根据虹膜圆环内外存在的灰度差特征,设计相应的边界检测算子来得到内圆或外圆边界上的若干个点坐标,然后再由三点定位圆的方式得到内外圆的圆心坐标和半径。
虹膜边界检测算子是根据虹膜图像内外圆边界的灰度变化特性确定的,简单地讲就是根据虹膜圆环内外存在的灰度差变化规律,设计一个固定大小的模板,然后用此模板来计算沿某个方向上像素点灰度值的变化程度S,若在某个点S达到最大,则认为该点为边界点;模板大小也要合理,太小不能检测模糊的边界,太大又不能得到准确的边界,通过实验本发明中模板大小是5X5。
所述特征提取采用二维Gabor滤波的方式进行,Gabor滤波法是当前虹膜识别理论以及实践中最为有效可靠的方法,主要在于二维Gabor滤波器的形状与虹膜纹理有很大的相似性。二维Gabor函数的离散表达式为:
为了达到尽量好的识别效果必须选择一组合适滤波器,通过大量的实验测试,本发明中,取M=N=17,α=0.0625。(r,s)分别取(0,0.8),(0.8,0),(0.4,0.8),(0.8,0.4),(0,1),(1,0),(0.5,1),(1,0.5),(0,1.2),(1.2,0),(0.6,1.2),(1.2,0.6),(0,1.6),(1.6,0),(0.8,1.6),(1.6,0.8)得到16个通道的滤波器,特征提取过程为,将图像划分为M×N个像素大小的子块,对每一块用上面选取的滤波器进行滤波,然后计算滤波后的子块的均值作为该子块的特征。经过归一化展开后的图像大小为256×64,由于采集到的虹膜图像通常还包括其他部分如眼睑、眼白、睫毛等,这些部分都会遮挡一部分的虹膜纹理,给识别带来一定的困难,考虑到虹膜图像具有丰富的纹理特征,本系统在提取特征过程中只提取了靠近瞳孔的48个像素点宽度的纹理特征,即将虹膜图像划分为256×48/(16×16)=16×3个子块,每个子块大小为M×N=17×17个像素,对每一个子块进行16次滤波会得到16个特征码,最终整个图像得到的特征值共有16×48=768个。然后对得到的特征值进行特征二值化,即选取各通道滤波结果的均值作为比较对象,大于均值的二值化为“1“,小于则为“0“。
(4)虹膜图像质量评估:虹膜图像采集装置采集到虹膜图像后,在进行虹膜对象录入 或识别前对虹膜图像质量进行评估确定采集到的虹膜图像是否满足处理要求,若是则进行后续处理,否则重新进行图像采集。虹膜图像评估包括虹膜图像的定位效果评估和清晰度评估。
定位效果评估包括:内外圆半径大小是否合理,其中,虹膜内圆表示虹膜与瞳孔的边界,外圆表示虹膜与巩膜的边界,内圆半径在20到90个像素范围内,外圆半径在60到165个像素范围内视为半径大小合理;内外圆心坐标是否合理,其中圆心坐标(x,y)中x在[130,180]范围内,y在[95,140]范围内视为合理;偏心率是否在允许的范围内,其中偏心率为内圆圆心到外圆圆心的距离,允许范围为:[0,15];内圆半径和外圆半径的比值是否合理,这个比值应当大于1.5;
清晰度评估是:判断虹膜图像内圆边界外与虹膜纹理垂直方向一系列点的灰度变化,并用一个清晰度系数记录这些点的灰度变化的剧烈程度,当该系数大于设定的阈值时,则认为待评估图像的清晰度满足系统要求。如果假设虹膜内圆圆心为(xIn,yIn),内圆半径为rIn,则以[(xIn-rIn),yIn]为中心在垂直方向上下各取32个点,计算这32个点的方差和均值的比值,记作b0,同理以[(xIn-rIn-10),yIn]、[(xIn-rIn-20),yIn]为心做此处理得到b1和b2;则清晰度系数为blur=max{b0,b1,b2},即b0,b1,b2中的最大值。通过多次试验,本发明设定的清晰度系数阈值为0.35,清晰度系数越大则虹膜图像越清晰。
(5)虹膜图像信息存储:将虹膜图像信息预处理后得到的虹膜特征写入虹膜特征库中,即写入FLASH。
(6)虹膜识别:待识别对象通过虹膜图像采集装置采集到虹膜图像,控制器将虹膜图像进行录入、质量评估和预处理后,得到良好的定位效果,并提取到虹膜纹理特征。然后将待识别对象的虹膜特征码与虹膜库中各特征码进行比较,系统采用绝对距离来衡量待识别图像与特征库中某特征的距离,若两组特征分别用A(i){i=1,2,3,4,...,768}和B(i){i=1,2,3,4,...,768}表示,则这两组特征之间的绝对距离可以通过式 求得。比较取最小的距离与设定的匹配阈值进行比较,若小于阈值则表示匹配成功,否则匹配失败,从而实现虹膜识别和身份验证。
本发明还提出了一种根据上述虹膜识别方法的基于现场可编程门阵列的虹膜识别系统,技术方案具体如下:
基于现场可编程门阵列的虹膜识别系统,该系统主要包括四个部分:
(1)虹膜图像采集装置:用于虹膜图像信息的录入,和虹膜识别时待识别对象的虹膜 信息的录入;
(2)控制器:即内嵌Nios II软核处理器的FPGA芯片,它主要用于虹膜图像信息的录入和存储,并对录入的每一幅虹膜图像进行质量评估、预处理、提取虹膜纹理的特征信息;
(3)PS/2键盘:用于用户信息的输入,以及进行虹膜识别的相关操作;
(4)LCD(液晶显示屏):用于显示采集到的虹膜图像,相关操作的提示信息,以及帮助信息;
所述虹膜图像采集装置将采集到的图像数据写入外接SRAM中,然后控制器则在SRAM中读回图像数据进行后续处理,采用片上RAM作为缓冲。PS/2键盘通过向控制器发中断,使控制器转而处理用户信息的输入。LCD负责显示两部分的内容:虹膜图像采集装置采集到的虹膜图像直接显示在LCD上;控制器控制LCD显示相关的提示信息。
本发明利用Nios II软核,嵌入FPGA内部,与用户自定义逻辑结合构成一个基于FPGA的片上系统。本发明利用FPGA的并行处理能力提高系统性能,采用定制自定义模块用硬件实现耗时大的软件算法模块提高系统性能,采用Nios II处理器的自定义指令方式用硬件实现部分复杂算法片段,方便的在软件程序中调用,大大提高了程序执行效率,另外还利用新推出的C2H工具直接将一些软件程序进行硬件化,提高系统性能,这些都好的保证了本发明的高速的处理速度,具有很好实时性,并具有高可靠性。
附图说明
图1为基于FPGA的虹膜识别系统的硬件框图;
图2为基于FPGA的虹膜识别系统的原理结构图;
图3为基于FPGA的虹膜识别系统的硬件原理框图;
图4为基于FPGA的虹膜识别方法的流程框图;
具体实施方式
下面根据说明书附图,并结合具体实施例对本发明的技术方案作进一步详细表述。
本发明提出一种简单快速的虹膜定位方法,实现了准确的定位;并且在特征提取时,采用二维Gabor滤波算法,实现高准确率的特征匹配。以下参照附图详细描述本发明的技术方案。
基于现场可编程门阵列的虹膜识别方法,该方法通过采用一种新颖的虹膜定位方法实现准确的虹膜定位,并且在特征提取时采用二维Gabor滤波提取特征,得到丰富的虹膜纹理特征,经过处理得到虹膜特征;所述虹膜识别方法的步骤为:
虹膜图像的采集:采用虹膜图像采集装置采集虹膜图像;
虹膜图像信息的录入:使用外接SRAM作为数据中转,SRAM由控制器和图像采集模块复用,采集模块将采集到的图像数据写入SRAM,控制器则在SRAM读取图像数据,并采用片上RAM作为缓冲。
虹膜图像信息预处理:控制器将通过质量评估后的每一幅虹膜图像进行预处理,具体包括以下步骤,虹膜图像内外圆定位、虹膜特征提取等。
虹膜图像内外圆定位是指采用先搜寻若干(3个以上)边界点再由点定位圆的方式,根据虹膜圆环内外存在的灰度差特征,设计相应的边界检测算子来得到内圆或外圆边界上的若干个点坐标,然后再由三点定位圆的方式得到内外圆的圆心坐标和半径。
虹膜边界检测算子是根据虹膜图像内外圆边界的灰度变化特性确定的,简单地讲就是根据虹膜圆环内外存在的灰度差变化规律,设计一个固定大小的模板,然后用此模板来计算沿某个方向上像素点灰度值的变化程度S,若在某个点S达到最大,则认为该点为边界点;模板大小也要合理,太小不能检测模糊的边界,太大又不能得到准确的边界,通过实验本发明中模板大小是5X5。
所述特征提取采用二维Gabor滤波的方式进行,Gabor滤波法是当前虹膜识别理论以及实践中最为有效可靠的方法,主要在于二维Gabor滤波器的形状与虹膜纹理有很大的相似性。二维Gabor函数的离散表达式为:
为了达到尽量好的识别效果必须选择一组合适滤波器,通过大量的实验测试,本发明中,α表示高斯窗函数的有效宽度和长度,r、s决定滤波器所具有的频率,M、N是划分的图像子块的长和宽,x和y分别是当前像素的横坐标和纵坐标,x0和y0分别是每个子块的中心点像素的横坐标和纵坐标;取M=N=17,α=0.0625。(r,s)分别取(0,0.8),(0.8,0),(0.4,0.8),(0.8,0.4),(0,1),(1,0),(0.5,1),(1,0.5),(0,1.2),(1.2,0),(0.6,1.2),(1.2,0.6),(0,1.6),(1.6,0),(0.8,1.6),(1.6,0.8)得到16个通道的滤波器,特征提取过程为,将图像划分为M×N个像素大小的子块,对每一块用上面选取的滤波器进行滤波,然后计算滤波后的子块的均值作为该子块的特征。经过归一化展开后的图像大小 为256×64,由于采集到的虹膜图像通常还包括其他部分如眼睑、眼白、睫毛等,这些部分都会遮挡一部分的虹膜纹理,给识别带来一定的困难,考虑到虹膜图像具有丰富的纹理特征,本系统在提取特征过程中只提取了靠近瞳孔的48个像素点宽度的纹理特征,即将虹膜图像划分为256×48/(16×16)=16×3个子块,每个子块大小为M×N=17×17个像素大小,对每一个子块进行16次滤波会得到16个特征码,最终整个图像得到的特征值共有16×48=768个。然后对得到的特征值进行特征二值化,即选取各通道滤波结果的均值作为比较对象,大于均值的二值化为“1“,小于则为“0“。
虹膜图像质量评估:虹膜图像采集装置采集到虹膜图像后,在进行虹膜对象录入或识别前对虹膜图像质量进行评估确定采集到的虹膜图像是否满足处理要求,若是则进行后续处理,否则重新进行图像采集。
所述虹膜图像评估包括虹膜图像的定位效果评估和清晰度评估;其中定位效果评估包括:内外圆半径大小是否合理,其中,虹膜内圆表示虹膜与瞳孔的边界,外圆表示虹膜与巩膜的边界,内圆半径在20到90个像素范围内,外圆半径在60到165个像素范围内视为半径大小合理;内外圆心坐标是否合理,其中圆心坐标(x,y)中x在[130,180]范围内,y在[95,140]范围内视为合理;偏心率是否在允许的范围内,其中偏心率为内圆圆心到外圆圆心的距离,允许范围为:[0,15];内圆半径和外圆半径的比值是否合理,这个比值应当大于1.5;
所述清晰度评估是:判断虹膜图像内圆边界外与虹膜纹理垂直方向一系列点的灰度变化,并用一个清晰度系数记录这些点的灰度变化的剧烈程度,当该系数大于设定的阈值时,则认为待评估图像的清晰度满足系统要求。如果假设虹膜内圆圆心为(xIn,yIn),内圆半径为rIn,则以[(xIn-rIn),yIn]为中心在垂直方向上下各取32个点,计算这32个点的方差和均值的比值,记作b0,同理以[(xIn-rIn-10),yIn]、[(xIn-rIn-20),yIn]为心做此处理得到b1和b2;则清晰度系数为blur=max{b0,b1,b2},即b0,b1,b2中的最大值。通过多次试验,本发明设定的清晰度系数阈值为0.35,清晰度系数越大则虹膜图像越清晰。
虹膜图像信息存储:将虹膜图像信息预处理后得到的虹膜特征写入虹膜特征库中,即写入FLASH。
虹膜识别:待识别对象通过虹膜图像采集装置采集到虹膜图像,控制器将虹膜图像进行录入、质量评估和预处理后,得到良好的定位效果,并提取到虹膜纹理特征。然后将待识别对象的虹膜特征码与虹膜库中各特征码进行比较,系统采用绝对距离来衡量待识别图 像与特征库中某特征的距离,若两组特征分别用A(i){i=1,2,3,4,...,768}和B(i){i=1,2,3,4,...,768}表示,则这两组特征之间的距离可以通过式 求得。比较取最小的距离与设定的匹配阈值进行比较,若小于阈值则表示匹配成功,否则匹配失败,从而实现虹膜识别和身份验证。
所述基于现场可编程门阵列的虹膜识别系统,主要包括四个部分:
虹膜图像采集装置:用于虹膜特征码的录入,以及虹膜识别过程中待识别虹膜对象虹膜信息的录入;
控制器:即内嵌Nios II软核处理器的FPGA芯片,它主要用于虹膜图像信息录入和质量评估,并对存储的每一幅虹膜图像进行预处理、提取虹膜纹理特征的信息。
PS/2键盘:用于用户信息的输入,以及进行虹膜识别的相关操作;
LCD(液晶显示屏):用于显示采集到的虹膜图像,相关操作的提示信息,以及帮助信息;
举一个实例进一步加以阐述,其中涉及主要技术前面已详细叙述。假设现在有三个用户user1,user2,user3,首先需要将这三个用户的虹膜特征写入特征库,以user1为例,具体步骤如下:
虹膜图像采集:用户user1将眼睛放在虹膜采集装置前,LCD显示眼睛状况,用户可通过观察LCD中的眼睛决定是否采集此幅虹膜图像,如果虹膜图像足够清晰,则按下PS/2键盘中的键1进行虹膜图像的采集。本发明中一幅图像的大小为320×240个像素。
虹膜图像预处理:包括内外圆定位、特征提取等。采集图像后,图像数据保存在外接SRAM中,控制器从SRAM中读取图像数据,首先进行虹膜内外圆的定位,并将定位效果显示在LCD上,然后控制器将判断此幅虹膜图像是否足够清晰,如果判定不够清晰,则重新采集图像,如果足够清晰则进行后续处理。
控制器对清晰的虹膜图像进行特征提取等图像预处理后,得到虹膜特征。此时按下PS/2键盘上的键2,控制器将虹膜特征写入虹膜特征库,即写入FLASH中,并由键盘输入用户相关信息,比如姓名、性别、年龄、职位等,这些信息将同时在LCD上显示。
将user2,user3的虹膜特征也写入虹膜特征库中,方法同user1。
将特征写入特征库后,可以进行匹配。同样以user1为例,具体步骤如下:
虹膜图像采集,虹膜图像预处理部分与写入特征部分相同。进行预处理后,需要进行匹配时,按下PS/2键盘上的键3进行虹膜特征匹配,如果找到与之匹配者,LCD上显示 找到的user1的相关信息,如果在特征库中找不到匹配者,LCD上也会显示提示信息没有找到匹配者,从而实现身份的验证。另外,按下PS/2键盘上的键4,可以在LCD上显示帮助信息,即如何使用该系统的说明,比如按下键1将执行什么功能,按下键2将执行什么功能等。
本发明提出的基于FPGA的虹膜系统包括用于采集虹膜图像的传感器、一块核心控制器。基于FPGA控制器除了完成虹膜图像的采集和虹膜纹理特征的提取之外,还需要完成同虹膜特征库中虹膜特征码的对比。该系统包括:
一个虹膜图像采集装置。通过虹膜图像采集装置采集较为清晰的虹膜图像,每采集一幅虹膜图像时,通过按PS2键盘上的建进行确认采集,将采集到的图像存入外接SRAM中,控制器通过读SRAM从而读回虹膜图像数据。
一个内嵌Nios II的FPGA芯片控制器。控制器通过读外接SRAM读回虹膜图像数据,然后控制器对虹膜图像数据进行预处理,特征提取,最后将虹膜特征码存入FLASH中。
虹膜的识别,待识别人可以通过虹膜图像采集装置录入虹膜图像,通过准确的虹膜定位算法实现定位以后,再通过二维Gabor滤波提取特征,得到虹膜特征码。在控制器中可还用于判定待识别人的虹膜特征码是否与虹膜特征库中的虹膜特征码相符。
虹膜识别系统以内嵌Nios II嵌入式软核的FPGA和虹膜图像采集设备TRDB D5M为核心,外配片外RAM、PS2键盘和LCD显示屏等器件,设计了一个便携式虹膜识别系统,在系统设计过程中,根据系统架构的要求,选用了LCD PIO、PS2接口、Avalon三态总线桥、外部RAM接口、片内定时器等IP,将他们通过Avalon总线与Nios II软核整合到一起,在FPGA片内定制了嵌入式系统。
图1所示为基于FPGA的虹膜识别系统的硬件框图。控制器、虹膜采集装置、LCD和PS/2键盘组成系统完整的硬件平台。虹膜采集装置采用terasIC公司推出的TRDB_D5M开发套件改装,TRDB_D5M采用的是5M象素的数字CMOS图像传感器芯片,焦距可调。为了得到尽量多而清晰的虹膜纹理,本装置光源设计上采用聚光型LED从眼睛上下方斜射入眼睛从而照亮虹膜纹理的方式。液晶显示采用terasIC公司推出的3.6英寸数字液晶屏TRDB_LCM。
图2所示为基于FPGA的虹膜识别系统的原理框结构图,虹膜嵌入式识别系统工作原理如图2所示:虹膜图像采集装置将获取的虹膜纹理特征信息传送至控制器,控制器对每一幅虹膜图像信息进行处理,包括虹膜内外圆定位、虹膜图像质量评估、归一化展开、虹膜 特征提取等,然后将虹膜图像的特征信息进过处理得到虹膜特征,将虹膜特征存入数据库,即写入FLASH。然后是虹膜识别时,新输入的虹膜特征与数据库中的虹膜特征的匹配,新输入的虹膜图像的采集和之前的一样,由虹膜采集装置将每一幅虹膜图像传给控制器,经过质量评估、预处理和特征提取后,将特征和数据库中的依次匹配,将匹配结果信息发送给虹膜识别系统。
图3所示为基于FPGA的虹膜识别系统的硬件原理框图。在FPGA虹膜识别系统设计过程中,根据系统架构的要求,选用了LCD PIO、PS/2接口、Avalon三态总线桥、外部RAM接口、片内定时器等IP,将他们通过Avalon总线与Nios II软核整合到一起,在FPGA片内定制了嵌入式CPU系统。
Avalon总线规范是Altera公司为SOPC系统的外设开发而设计的。Avalon总线规范提供了一个易于理解的总线接口协议,并提供了一个节省FPGA片上逻辑资源的接口结构。Avalon总线规范为外设的端口与总线模块之间的数据传输提供了互连模型。它定义了一种可配置的互连策略,允许设计者只保留支持特定的数据传输模式所需要的信号。这种互连策略使设计者在不了解主端口或从端口细节的情况下,将任意外设和从外设连接在一起。
LCD PIO用于外接LCD显示模块,可以将匹配结果及使用提示等信息显示出来。PS/2接口用于外接PS2键盘,用于输入用户信息,和进行FLASH的一些相关操作。LCD和PS/2键盘为用户创造了良好的人机交互环境。
图4所示为基于FPGA的虹膜识别系统的软件结构框图。Nios II集成开发环境是Nios II系列嵌入式处理器的基本软件开发工具。所有的软件开发任务均可以在Nios II IDE下完成。
对于虹膜识别系统,Nios II处理器中主要是针对虹膜图像的内外圆定位、虹膜图像的归一化展开,虹膜图像的特征提取,虹膜特征匹配进行处理。对软件中大量使用的开方、求平方根和三角函数等较为复杂的数学函数,设计中采用了自定义指令的方式以提高运行速度;而且针对耗时大的归一化展开函数和Gabor滤波函数,分别采用了C2H和自定义模块来对系统进行加速。
图中LCD用与显示虹膜图像,并显示相关提示信息和帮助信息;而PS/2键盘采用中断的方式,输入虹膜对象相关信息。
Claims (7)
1.基于现场可编程门阵列的虹膜识别方法,其特征在于,所述虹膜识别方法包括以下步骤:
(1)虹膜图像的采集:采用基于数字CMOS图像传感器芯片的虹膜图像采集装置实现虹膜图像的采集;
(2)虹膜图像信息的录入:使用外接SRAM作为数据中转,由控制器和图像采集模块复用,虹膜图像采集装置将采集到的图像数据写入SRAM,控制器则在SRAM中读取图像数据;
(3)虹膜图像质量评估:虹膜图像采集装置采集到虹膜图像后,在进行虹膜对象录入或识别前对虹膜图像质量进行评估确定采集到的虹膜图像是否满足处理要求,若满足则进行后续处理,否则重新进行图像采集;
(4)虹膜图像信息预处理:在控制器中,将通过质量评估后的每一幅虹膜图像进行预处理,所述预处理包括虹膜图像内外圆定位、虹膜特征提取;
(5)虹膜图像信息存储:将虹膜图像信息预处理后得到的虹膜特征写入虹膜特征库中;
(6)虹膜识别:通过虹膜图像采集装置采集待识别对象的虹膜图像,将虹膜图像进行录入、虹膜图像质量评估和虹膜图像信息预处理后,提取到虹膜纹理特征,然后将待识别对象的虹膜特征与虹膜特征库中各特征进行比较,从而实现虹膜识别和身份验证;
所述虹膜图像内外圆定位是指采用先搜寻3个以上的边界点再由点定位圆的方式,即根据虹膜圆环内外存在的灰度差特征,设计相应的边界检测算子来得到内圆或外圆边界上的若干个点坐标,然后再由三点定位圆的方式得到内外圆的圆心坐标和半径;
所述特征提取采用二维Gabor滤波的方式进行,二维Gabor函数的离散表达式为:
这种Gabor滤波器是二维高斯函数与复指数的乘积,其中:α表示高斯窗函数的有效宽度和长度,r、s决定滤波器所具有的频率,M、N是划分的图像子块的长和宽,x和y分别是当前像素的横坐标和纵坐标,x0和y0分别是每个子块的中心点像素的横坐标和纵坐标;
取M=N=17,α=0.0625,(r,s)分别取(0,0.8),(0.8,0),(0.4,0.8),(0.8,0.4),(0,1),(1,0),(0.5,1),(1,0.5),(0,1.2),(1.2,0),(0.6,1.2),(1.2,0.6),(0,1.6),(1.6,0),(0.8,1.6),(1.6,0.8),共得到16个通道的滤波器。
2.根据权利要求1所述的虹膜识别方法,其特征在于:将所述虹膜图像划分为M×N个像素大小的子块,对每一块采用用所述16个通道的滤波器进行滤波,然后计算滤波后的子块的均值作为该子块的特征;经过归一化展开后的图像大小为256×64,在提取特征过程中提取靠近瞳孔的48个像素点宽度的纹理特征,即将虹膜图像划分为16×3个子块,每个子块的大小为M×N=17×17个像素大小,对每一个子块进行16次滤波会得到16个特征码,最终整个图像得到的特征值共有16×48=768个;然后对得到的特征值进行特征二值化,即选取各通道滤波结果的均值作为比较对象,大于均值的二值化为“1“,小于则为“0“。
3.根据权利要求1所述的虹膜识别方法,其特征在于:所述虹膜图像评估包括虹膜图像的定位效果评估和清晰度评估;
其中定位效果评估包括判断内外圆半径大小、内外圆半径比值、内外圆圆心坐标是否合理以及偏心率是否在允许范围内,当满足以下条件时,认为满足虹膜图像的定位效果评估:
其中,虹膜内圆表示虹膜与瞳孔的边界,外圆表示虹膜与巩膜的边界,由内外圆的定位求得内外圆半径的大小,其中内圆半径在20到90个像素范围内,外圆半径在60到165个像素范围内视为半径大小合理;圆心坐标(x,y)中x在[130,180]范围内,y在[95,140]范围内视为合理;所述偏心率为内圆圆心到外圆圆心的距离,允许范围为不大于15个像素;外圆半径和内圆半径的比值是否合理,这个比值应当大于1.5;
所述清晰度评估是指判断虹膜图像内圆边界外与虹膜纹理垂直方向一系列点的灰度变化,并用一个清晰度系数记录这些点的灰度变化的剧烈程度,当该系数大于设定的阈值时,则认为待评估图像的清晰度满足系统要求,如果假设虹膜内圆圆心为(xIn,yIn),内圆半径为rIn,则以[(xIn-rIn),yIn]为中心在垂直方向上下各取32个点,计算这32个点的方差和均值的比值,记作b0,同理以[(xIn-rIn-10),yIn]、[(xIn-rIn-20),yIn]为心做此处理得到b1和b2;则清晰度系数为blur=max{b0,b1,b2},即b0,b1,b2中的最大值,设定清晰度系数阈值为0.35,清晰度系数越大则虹膜图像越清晰。
4.根据权利要求3所述的虹膜识别方法,其特征在于:在待识别对象的虹膜特征与虹膜特征库中各特征进行比较时,采用绝对距离来衡量待识别图像与虹膜特征库中某特征的距离,若两组特征分别用A(i){i=1,2,3,4,...,768}和B(i){i=1,2,3,4,...,768}表示,则这两组特征之间的绝对距离可以通过式求得,比较取最小的距离与设定的匹配阈值进行比较,若小于阈值则表示匹配成功,否则匹配失败,从而实现虹膜识别和身份验证。
5.根据权利要求1、2、3或4所述的虹膜识别方法,其特征在于:虹膜图像采集装置用相应的显示扫描模块将SRAM中的图像数据送往LCD进行显示,进行虹膜的识别时,控制器将最终的匹配结果传送给LCD显示。
6.一种利用权利要求5所述虹膜识别方法的基于现场可编程门阵列的虹膜识别系统,其特征在于,该系统包括:
虹膜图像采集装置:用于虹膜图像信息的录入,和虹膜识别时待识别对象的虹膜信息的录入;
控制器:即内嵌NiosⅡ软核处理器的FPGA芯片,它用于虹膜图像信息的录入和存储,并对录入的每一幅虹膜图像进行质量评估、预处理、提取虹膜纹理的特征信息;
PS/2键盘:用于用户信息的输入,以及进行虹膜识别的操作;
液晶显示屏LCD:用于显示采集到的虹膜图像,相关操作的提示信息,以及帮助信息;所述虹膜图像采集装置分别与液晶显示屏LCD和控制器相连,将采集到的图像数据写入外接SRAM,并且,虹膜图像采集装置还将采集到的虹膜图像直接显示在LCD上;
所述虹膜识别系统还外接FLASH用于存储提取到的虹膜纹理特征信息,以及包括开机界面的图像数据信息;
控制器与PS/2键盘、LCD、以及虹膜图像采集装置相连,所述控制器在SRAM中读回图像数据进行后续处理,PS/2键盘用于输入虹膜对象信息、对写入FLASH的虹膜对象信息相关内容进行更改操作,并通过向控制器发中断,使控制器转而处理用户信息的输入;所述控制器控制LCD显示相关的提示信息,并且在虹膜识别时,控制器将虹膜识别的最终结果送给LCD,用于显示匹配结果。
7.根据权利要求6所述的虹膜识别系统,其特征在于:该系统还包括片外SDRAM通过RAM接口与控制器相连,用于系统程序代码的存储和执行以及中间处理数据的缓存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101033779A CN101499134B (zh) | 2009-03-13 | 2009-03-13 | 基于现场可编程门阵列的虹膜识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101033779A CN101499134B (zh) | 2009-03-13 | 2009-03-13 | 基于现场可编程门阵列的虹膜识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101499134A CN101499134A (zh) | 2009-08-05 |
CN101499134B true CN101499134B (zh) | 2011-08-03 |
Family
ID=40946202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101033779A Active CN101499134B (zh) | 2009-03-13 | 2009-03-13 | 基于现场可编程门阵列的虹膜识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101499134B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403488A (zh) * | 2017-06-29 | 2017-11-28 | 苏州大学 | 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777118A (zh) * | 2010-03-16 | 2010-07-14 | 刘国传 | 一种基于参数化变形模板的生物芯片图像样点自动识别方法 |
CN101894256B (zh) * | 2010-07-02 | 2012-07-18 | 西安理工大学 | 基于奇对称2D Log-Gabor滤波器的虹膜识别方法 |
CN101976098A (zh) * | 2010-10-11 | 2011-02-16 | 四川拓普测控科技有限公司 | 基于nios的嵌入式采集系统 |
CN102252827A (zh) * | 2011-04-18 | 2011-11-23 | 重庆远视科技有限公司 | 自动焦度计控制设备和自动焦度计系统 |
CN103093176A (zh) * | 2011-10-27 | 2013-05-08 | 上海德致伦电子科技有限公司 | 人脸检测芯片及人脸检测设备 |
CN102799878B (zh) * | 2012-07-09 | 2015-10-21 | 中国科学技术大学 | 虹膜人脸融合采集装置 |
CN104392215A (zh) * | 2014-11-19 | 2015-03-04 | 国家电网公司 | 一种用于培训平台的虹膜识别防作弊方法 |
CN106330658A (zh) * | 2015-06-23 | 2017-01-11 | 腾讯科技(深圳)有限公司 | 基于互联网的信息关联方法、终端、服务器和系统 |
KR102434562B1 (ko) | 2015-06-30 | 2022-08-22 | 삼성전자주식회사 | 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치 |
CN106295578A (zh) * | 2016-08-12 | 2017-01-04 | 合肥虹视信息工程有限公司 | 一种高集成度的虹膜识别装置 |
CN108629262B (zh) * | 2017-03-18 | 2021-08-20 | 上海荆虹电子科技有限公司 | 虹膜识别方法及相应装置 |
CN106980849A (zh) * | 2017-05-16 | 2017-07-25 | 武汉虹识技术有限公司 | 基于fpga的硬件虹膜识别系统 |
CN109190447A (zh) * | 2018-07-06 | 2019-01-11 | 深圳虹识技术有限公司 | 一种基于芯片的虹膜识别方法和设备 |
CN109934087B (zh) * | 2018-12-21 | 2023-02-14 | 深圳动保科技有限公司 | 基于动物管理系统的获取虹膜图像信息方法 |
CN112298103A (zh) * | 2019-07-31 | 2021-02-02 | 比亚迪股份有限公司 | 车辆控制的方法、装置、存储介质及电子设备和车辆 |
CN110647796A (zh) * | 2019-08-02 | 2020-01-03 | 中山市奥珀金属制品有限公司 | 一种虹膜识别方法及装置 |
CN113052044A (zh) * | 2021-03-17 | 2021-06-29 | 中国工商银行股份有限公司 | 识别虹膜图像的方法、装置、计算设备和介质 |
-
2009
- 2009-03-13 CN CN2009101033779A patent/CN101499134B/zh active Active
Non-Patent Citations (1)
Title |
---|
郭永彩等.用Gabor滤波实现虹膜图像纹理编码.《光电工程》.2006,第33卷(第4期),全文. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403488A (zh) * | 2017-06-29 | 2017-11-28 | 苏州大学 | 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法 |
CN107403488B (zh) * | 2017-06-29 | 2020-09-15 | 苏州大学 | 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101499134A (zh) | 2009-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101499134B (zh) | 基于现场可编程门阵列的虹膜识别方法及系统 | |
CN101030244B (zh) | 基于人体生理图像中排序测度特征的自动身份识别方法 | |
CN100453040C (zh) | 基于人体手背皮下静脉血管特征的身份识别仪及识别方法 | |
CN102136024B (zh) | 生物特征识别性能测评和诊断优化系统 | |
CN104700094B (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
CN101201893A (zh) | 一种基于灰度信息的虹膜识别预处理方法 | |
CN102844766A (zh) | 基于人眼图像的多特征融合身份识别方法 | |
CN105426695A (zh) | 一种基于虹膜的健康状态检测系统及方法 | |
CN104239766A (zh) | 基于视频和音频的核电站用身份认证方法和系统 | |
CN101819629B (zh) | 一种基于监督张量流形学习的掌纹识别系统及识别方法 | |
KR102162683B1 (ko) | 비정형 피부질환 영상데이터를 활용한 판독보조장치 | |
CN108846269A (zh) | 一种面向多种特征的身份认证方法和身份认证装置 | |
JP6792986B2 (ja) | 生体認証装置 | |
Kalunga et al. | Development of fingerprint biometrics verification and vetting management system | |
CN113469143A (zh) | 一种基于神经网络学习的手指静脉图像识别方法 | |
Rukhiran et al. | IoT-based biometric recognition systems in education for identity verification services: Quality assessment approach | |
CN105184236A (zh) | 机器人人脸识别系统 | |
KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
Ibrahim et al. | Trends in Biometric Authentication: A review | |
Regouid et al. | Comparative study of 1D-local descriptors for ear biometric system | |
Hai et al. | Real time burning image classification using support vector machine | |
Manu et al. | Real-Time Face Mask Detection and Alert System Using IoT and Machine Learning | |
Monwar | A Multimodal Biometric System Based on Rank Level Fusion | |
Almutiry | Efficient iris segmentation algorithm using deep learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170203 Address after: Beijing, Haidian District on the road 2, building No. 1, floor 24, 24B Patentee after: Beijing Hong Anxiangyu Information technology company limited Address before: 400033 Shapingba District, Sha Sha Street, No. 174, Chongqing Patentee before: Chongqing University |