CN1209732C - 基于小波分析和过零点描述的虹膜识别方法 - Google Patents

Abstract

一种基于小波分析和过零点描述的虹膜识别方法，包括步骤：虹膜图像预处理；虹膜过零点特征的描述；虹膜特征压缩和解压缩；特征匹配。本发明的图像预处理方法包括虹膜定位、归一化、图像增强和去噪，该方法能够有效地从原始图像中提取出待分析的虹膜区域。本发明采用多分辨小波对虹膜过零点特征进行分析，从而建立能够准确描述虹膜图像的特征向量。通过特征压缩，大大地降低了虹膜特征向量的维数，压缩后的特征向量只需极少的空间进行存储。本发明采用简单的欧氏距离度量两个特征向量之间的相似程度，计算量很小。整个识别方法速度快、识别精度高。本发明可用于进行身份识别和安全性防范的诸多应用系统中。

Description

基于小波分析和过零点描述的虹膜识别方法

技术领域

本发明涉及模式识别，特别是基于虹膜的身份识别方法。

背景技术

生活在一个高度信息化的现代社会，身份识别已经渗透到人们日常生活的每一个方面。同时，由于交通、通讯和网络技术的飞速发展，人类的活动范围越来越大，身份识别的难度和重要性也越来越突出。对于我国这样一个人口众多的国家，身份识别有着尤其广泛的应用前景和重要的战略意义，金融、安全、网络、电子商务等无一不需要可靠的身份识别。传统的利用密码等身份识别的方法具有易遗忘、易假冒等缺点，已不符合现代数字社会的需求。基于生物特征的身份识别技术利用人本身所拥有的生物特征来判别人的身份，这些生物特征具有“人各有异、终生不变、随身携带”三个特点，具有稳定、便捷、不易伪造等优点，近年来已成为身份识别的热点。常用的生物特征包括指纹、掌纹、虹膜、脸像、声音、签名和笔迹等。

基于虹膜的生物特征识别技术是一种最新的身份识别技术，通过一定的虹膜识别算法后，可以达到极高的准确率。据统计，到目前为止，虹膜识别的准确率是各种生物特征识别中最高的。与其它的生物特征相比，虹膜具有三个显著的优点：唯一性、稳定性和非侵犯性。这些特点使得基于虹膜的身份识别系统有广泛的应用前景。例如，一个配备有虹膜识别系统的自动提款机，只有录入合法用户的虹膜图像，才能够完成各种交易。本发明提出一种基于小波分析和过零点描述的虹膜识别方法，可应用在各种基于虹膜的身份识别系统中。

发明内容

本发明的目的是提出一种基于虹膜的身份识别方法，即通过分析虹膜的过零点特征，建立标识每个人的虹膜码，从而实现个人身份的自动确认。

为实现上述目的，基于小波分析和过零点描述的虹膜识别方法包括步骤：

虹膜图像预处理，其中，基于边缘检测和Hough变换的虹膜定位，基于分段线性映射的虹膜归一化，虹膜图像的增强和去噪；

基于虹膜关键特征点的特征提取；

虹膜特征压缩和解压缩；

基于欧式距离的特征匹配。

本发明的图像预处理方法包括虹膜定位、归一化、图像增强和去噪，该方法能够有效地从原始图像中提取出待分析的虹膜区域。本发明采用多分辨小波对虹膜过零点特征进行分析，从而建立能够准确描述虹膜图像的特征向量。通过特征压缩，大大地降低了虹膜特征向量的维数，压缩后的特征向量只需极少的空间进行存储。本发明采用简单的欧氏距离度量两个特征向量之间的相似程度，计算量很小。整个识别方法速度快、识别精度高。本发明可用于进行身份识别和安全性防范的诸多应用系统中。本发明对于硬件没有特殊的要求，而且不涉及复杂的计算，易于在实际的系统中使用。

附图说明

图1为虹膜识别系统流程框图；

图2为基于小波分析和过零点描述的虹膜识别方法流程图；

图3为虹膜图像预处理示例，其中，

(a)是原始虹膜图像；

(b)是定位后的虹膜图像，

(c)是归一化的虹膜图像；

(d)是预处理后的虹膜图像；

图4为虹膜特征提取的流程图；

图5为用于过零点检测的小波示例——墨西哥草帽小波；

图6为基于小波的过零点检测示意图，其中，

(a)是信号的小波分解；

(b)是信号的过零点描述；

具体实施方式

一般来讲，虹膜识别系统由“硬件和软件”两大模块组成：虹膜图像获取装置和虹膜识别算法，如图1所示。虹膜识别算法包括三个主要步骤：图像预处理、特征提取和模式匹配。本发明提出的方法将应用于虹膜识别软件模块。

本发明提出一种新颖的、有效的虹膜识别方法，其流程框图如图2。在一个虹膜识别系统中，识别方法是核心和关键，与系统性能的高低有直接的关系。现有的识别方法多数是基于纹理信息分析的，而本发明采用一种基于过零点信息分析的识别方法。与当前其他虹膜识别方法相比，本发明的新颖性主要体现在：

1)通过降采样的方式，将虹膜最重要的特征用多个一维信号表示，大大减少了计算量，提高了识别速度；

2)利用小波多分辨分析的方法提取虹膜的过零点信息，并且将幅度值量化为1或0，形成的特征向量简洁、有效；

3)本方法可以将虹膜特征向量压缩到100个字节以内，对存储空间的要求极低，便于在实际中应用。

本发明提出的基于小波分析和过零点描述的虹膜识别方法包含四个主要步骤(见图2)：

1、图像预处理的目的是确定虹膜有效区域在图像中的位置，减少光照不均匀等各种因素带来的影响。整个预处理过程包括：定位，归一化，图像增强和噪声降低。

虹膜定位的要点在于：

1)在图像水平方向和垂直方向做一维投影，确定瞳孔在图像中的大致位置；

2)在所确定的图像范围内，采用边缘检测(本方法使用Canny算子)和Hough变换结合的方法，精确地求出内边界圆的参数；

3)在内边界圆之外，一定的区域范围之内(虹膜的外圆半径一般小于130个像素)，同步骤2中的方法，可以精确地求出外边界圆的参数。图3(b)是一个虹膜定位之后的例子。

虹膜归一化的要点在于：采用分段线性映射的方法，将圆环形状的虹膜按逆时针方向展开成为一个固定尺寸(64×512)的矩形纹理图像，如图3(c)所示。这样从一定程度上弥补了由于瞳孔变化而带来的虹膜形变，同时又简化了后继的处理。

图像增强和噪声降低的要点在于：采用局部直方图增强的方法提高图像的对比度。对比度增强之后，使用一个低通高斯滤波器去除图像的高频噪声。图3(d)是虹膜图像预处理的结果。对比图3(c)与(d)可以看出，虹膜的纹理特征在增强之后变得十分清晰。

2、特征提取的目的是获取能够唯一标识每一类虹膜的特征。本发明提取虹膜纹理过零点的信息作为特征向量。图4是虹膜特征提取的流程图。

虹膜特征提取的要点在于：

1)通过降采样的方法，用多个一维信号表示二维虹膜图像中最重要、最具有区分性的信息。

2)使用平滑函数的二阶导数作为多分辨分析的小波，如图5所示的墨西哥草帽小波，在多个分辨率下获取降采样后一维信号的过零点描述(如图6(b)所示，其中左上角为原始信号，右下角为通过过零点描述能够出重建的信号，其余为不同分辨率下原始信号的过零点描述)。

3)对信号过零点描述按照公式(1)进行量化，得到一个二值化的特征向量。

$\mathrm{Feature}\left(n\right)=\left\{\begin{array}{cc}0& \mathrm{if}{Z}_{2^j}f\left(x\right)<=0\\ 1& \mathrm{if}{Z}_{2^j}f\left(x\right)>0\end{array}\right.---\left(1\right)$

其中，Z_2jf(x)是一维信号f(x)在第j个分辨率下的过零点描述，即两个相邻过零点之间的所有特征幅度之和，Feature(n)是特征向量的第n个分量。通过上述处理，本方法得到特征向量的维数为2560，每一个特征分量的值为1或0。因此，只用320个字节就能够表述获得的特征向量。

3、特征压缩的目的是用最少的资源存储特征向量，而且不会影响识别率，因此要求压缩是一种无损压缩。

虹膜特征压缩的要点在于：记录所有过零点的位置信息和过零点之间的一个量化值。由于连续的两个过零点之间所有的特征值都相同，所以本发明用一个值(1或0，称为量化值)来标志连续的两个过零点之间的特征值。压缩后的特征向量通常都小于100字节，便于在实际应用中使用。在特征匹配时，又可以很容易地、完整地从压缩的特征向量恢复出原先的特征向量。从上可知，本发明提出的特征压缩方法是一种无损压缩。

虹膜特征解压缩的要点在于：通过特征向量中过零点的位置信息和标志值还原出压缩前的特征向量。

4、特征匹配的目的是评价两个特征向量之间的相似性，判断两个特征向量是否代表同一个虹膜类别。本发明采用欧氏距离作为相似性度量。两个特征向量之间的相似性定义如下：

$\mathrm{dist}(f_1,f_2)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(f_1\left(i\right)-f_2\left(i\right))}^2---\left(2\right)$

其中，f₁和f₂为待匹配的两个特征向量，N为特征向量的维数。如果两个特征向量之间的距离小于预先设定的阈值，认为两个特征向量来自同一个虹膜类；否则，判定二者表示不同的虹膜类。由于在本发明中特征向量的值为1或0，因此公式(2)可以用公式(3)和(4)代替：

$\mathrm{dist}(f_1,f_2)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|(f_1\left(i\right)-f_2\left(i\right))\right|---\left(3\right)$

用绝对值操作符代替平方操作，可以减少运算量，提高运算速度。

$\mathrm{dist}(f_1,f_2)=\frac{1}{N}(f_1\&CircleTimes;f_2)---\left(4\right)$

如果利用逻辑运算异或操作，则可以进一步提高运算速度。

本发明提出了一种基于小波分析和过零点描述的虹膜识别新方法。

本方法的优点在于以下几个方面：

1.本方法采用一维信号的分析方法，大大减少了计算量，提高了识别速度。

2.本方法采用一种无损的压缩策略对特征向量进行压缩，对存储资源的要求极低。

3.本方法采用简单的欧氏距离度量两个特征向量之间的相似程度，计算量小。

4.本方法对于虹膜获取装置没有特殊的要求，而且不涉及复杂的计算，易于在实际的系统中使用。

综上所述，本发明可以有效地完成虹膜识别，从而可靠地进行身份识别。本发明具有很广的应用范围，它可用于国防、金融、公安刑侦，以及其他需要进行身份确认的领域。

实施例1：基于虹膜识别的身份鉴别

本发明提出的基于小波分析和过零点描述的虹膜识别方法可以应用于各种身份识别系统中，结合图2描述使用过程如下：

1)对于输入的原始虹膜图像，首先进行预处理，包括虹膜定位、归一化、图像增强和去噪，如图3所示。

2)通过降采样的方法，用多个一维信号表示二维虹膜图像中最重要，最具有区分性的信息。应用一类特殊的小波，在多个分辨率下获取降采样后图像一维信号的过零点描述，并进行量化，得到一个二值化的特征向量。

3)此时，可以与数据库内的表征不同虹膜的特征向量进行匹配，得到识别结果；也可以对特征向量进行压缩，存储到各类介质上，如IC卡等各种智能卡上，便于日后的身份验证。

Claims (12)

1.一种基于小波分析和过零点描述的虹膜识别方法，包括步骤：

虹膜图像预处理，其中，基于边缘检测和Hough变换的虹膜定位，基于分段线性映射的虹膜归一化，虹膜图像的增强和去噪；

基于虹膜关键特征点的特征提取；

虹膜特征压缩和解压缩；

基于欧式距离的特征匹配。

2.按权利要求1所述的方法，其特征在于所述基于边缘检测和Hough变换的虹膜定位包括步骤：

在虹膜图像的水平方向和垂直方向做一维投影，确定瞳孔在图像中的位置；

在所确定的图像范围内，采用边缘检测和Hough变换结合的方法，精确求出虹膜内外圆的参数。

3.按权利要求2所述的方法，其特征在于所述确定的图像范围是以瞳孔为中心的区域。

4.按权利要求2所述的方法，其特征在于所述边缘检测采用Canny算子。

5.按权利要求1所述的方法，其特征在于所述基于分段线性映射的虹膜归一化包括步骤：

将圆环形状的虹膜按逆时针方向分段线性地展开为一个固定尺寸的矩形纹理图像。

6.按权利要求1所述的方法，其特征在于所述的基于虹膜关键特征点的特征提取包括步骤：

对预处理后的虹膜图像进行降采样，形成多个一维信号；

采用一维小波函数，在多个分辨率下建立降采样后信号的过零点描述；

对两个相邻过零点之间的特征量化为1或0。

7.按权利要求6所述的方法，其特征在于所述的一维小波函数为平滑函数的二阶导数。

8.按权利要求6所述的方法，其特征在于所述的量化方法遵循下述准则：如果两个相邻过零点之间的所有特征幅度之和大于0，将这两个过零点之间的所有特征量化为1，否则，将所有特征量化为0。

9.按权利要求6所述的方法，其特征在于所述量化方法遵循下述准则：如果两个相邻过零点之间的所有特征幅度之和大于0，将这两个过零点之间的所有特征量化为0，否则，将所有特征量化为1。

10.按权利要求1所述的方法，其特征在于所述的虹膜特征压缩方法只记录一维信号过零点的位置信息和相邻两个过零点之间的量化值1或0。

11.按权利要求1所述的方法，其特征在于所述的特征匹配采用欧氏距离度量两个特征向量之间的相似程度。

12.按权利要求1所述的方法，其特征在于所述的特征匹配在计算欧氏距离之前，通过特征向量中过零点的位置信息和量化值还原出压缩前的特征向量。

Images