CN1599913A - 虹膜识别系统和方法以及具有其程序的存储介质 - Google Patents

虹膜识别系统和方法以及具有其程序的存储介质 Download PDF

Info

Publication number
CN1599913A
CN1599913A CNA028240782A CN02824078A CN1599913A CN 1599913 A CN1599913 A CN 1599913A CN A028240782 A CNA028240782 A CN A028240782A CN 02824078 A CN02824078 A CN 02824078A CN 1599913 A CN1599913 A CN 1599913A
Authority
CN
China
Prior art keywords
iris
value
image
zone
extracted
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.)
Pending
Application number
CNA028240782A
Other languages
English (en)
Inventor
李一昺
李宽容
奇均度
尹成秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Senex Technologies Co Ltd
Original Assignee
Senex Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Senex Technologies Co Ltd filed Critical Senex Technologies Co Ltd
Publication of CN1599913A publication Critical patent/CN1599913A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明披露了一种虹膜识别系统和方法，以及具有其程序的存储介质。该虹膜识别系统包括：特征向量数据库，其用于预先存储标识个人身份的特征向量；虹膜图像提取器，其用于提取由外部输入的眼睛图像中的虹膜图像；特征向量提取器，其用于多次切分虹膜图像提取器所提取的虹膜图像，通过被多次切分的各个虹膜图像来获得虹膜特征区域，且通过统计方法从虹膜特征区域中提取特征向量；以及识别器，其用于对特征向量提取器所提取的特征向量与特征向量数据库中存储的特征向量进行比较，从而识别个人身份。

Description

虹膜识别系统和方法以及具有其程序的存储介质
技术领域
本发明涉及虹膜识别系统和方法，以及具有其程序的存储介质，它们能够通过多次切分虹膜图像并有效地提取虹膜图像的特征区域，从而将识别误差减少到最低程度。
背景技术
通常，使用边缘检测方法来区分位于瞳孔和巩膜之间的虹膜区域。但是在眼睛图像中未呈现有圆分量(circle component)的情形下，该方法检测虹膜耗用时间长，因为该方法是基于如下假设的：眼睛图像中呈现有圆分量。
存在的另一个问题是，由于虹膜区域是利用以瞳孔中心为中心的假定圆来确定的，所以依照假定的圆的形状，可能只有部分瞳孔包含在眼睛图像中或可能有部分虹膜不包含在眼睛图像中。该假定圆的大小和位置与瞳孔近似相同。
另一种方法是，提取虹膜特征并利用Gover变换来构造特征向量，所构造的特征向量的维数超过256。但它存在功效问题，即，在假定一个维数只占用1个字节的情况下，至少需要使用256个字节。
另外，存在有这样一种方法，其通过测量诸如汉明距离的距离以比较虹膜特征向量。但其问题是难于通过概括虹膜图案而构造出参考特征向量，且难于适当反映出在特征向量的每一维中所包含的特征。
另外，在处理时间和识别率方面存在一些问题，因为传统的虹膜识别系统不能确定由外部输入的图像是否适合于虹膜识别。因此，使用者不得不正确地选择他的位置，而这很不方便。
发明内容
因此，本发明是针对上述问题而做出的，并且本发明的目的是提供一种虹膜识别系统和方法，以及具有其程序的存储介质，它们能够通过使用Canny边缘检测器、二等分法和弹性体模型以无信息遗漏的方式提取出虹膜图像。
本发明的另一目的是提供一种虹膜识别系统和方法，以及具有其程序的存储介质，它们能够有效提取在虹膜图像低频带和高频带中的特征区域，并且由所提取特征区域的统计值来构造特征向量。
本发明的另一目的是提供一种虹膜识别系统和方法，以及具有其程序的存储介质，它们能够将识别误差减小到最小程度。
本发明的另一目的是提供一种虹膜识别系统和方法，以及具有其程序的存储介质，它们能够对用于虹膜识别的眼睛图像进行滤波。
依照本发明的一个方面，它提供一种虹膜识别系统，该虹膜识别系统包括：特征向量数据库，其用于预先存储标识个人身份的特征向量；虹膜图像提取器，其用于提取由外部输入的眼睛图像中的虹膜图像；特征向量提取器，其用于多次切分虹膜图像提取器所提取的虹膜图像，通过被多次切分的各个虹膜图像来获得虹膜特征区域，并且通过统计方法从虹膜特征区域中提取特征向量；以及识别器，其用于对特征向量提取器所提取的特征向量与特征向量数据库中存储的特征向量进行比较，从而识别个人身份。
优选地，所述虹膜图像提取器包括：边缘元素检测部分，其用于通过对眼睛图像施用Canny边缘检测法以检测边缘元素；分组部分，其用于对所检测到的边缘元素进行分组；虹膜图像提取部分，其用于通过对经过分组的边缘元素施用二等分法以提取虹膜图像；以及归一化部分，其用于通过对所提取的虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化。
优选地，所述弹性体模型包括多个弹性体，每个所述弹性体都是可纵向伸长的，并且其一端连接巩膜而另一端连接瞳孔。
优选地，所述特征向量提取器包括：多次切分部分，其用于对虹膜图像提取器所提取的虹膜图像进行小波包(wavelet-packet)变换从而多次切分所述提取的虹膜图像；计算部分，其用于为被多次切分的虹膜图像的区域计算能量值；特征区域提取部分，其用于从被多次切分的虹膜图像的区域中提取并存储能量值大于预设参考值的区域；以及特征向量构造部分，其用于将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量；对于由特征区域提取部分提取的区域，以预定的次数重复执行由多次切分部分实现的小波包变换过程和由计算部分实现的能量值计算过程，而后将能量值大于参考值的区域存储到特征区域提取部分。
优选地，所述计算部分对各个多次切分区域的能量值求平方，累加平方的能量值，而后将累加的能量值除以区域数目，由此能够得到结果能量值。
优选地，所述识别器通过对特征向量提取部分所提取的特征向量和预先存储在特征向量数据库中的特征向量施用支持向量机方法(Supportvector machine method)来计算特征向量之间的距离，并且如果所计算出的特征向量之间的距离小于预设参考值则确认个人身份。
优选地，所述特征向量提取器包括：多次切分部分，其用于通过对虹膜图像提取器所提取的虹膜图像施用Daubechies小波变换而多次切分该提取的虹膜图像，并且从被多次切分的虹膜图像中提取含有x-轴和y-轴高频分量HH的区域；计算部分，其用于通过HH区域的特征值来计算虹膜图案的鉴别率D，并且递增重复次数；特征区域提取部分，其用于确定预设参考值是否小于鉴别率D或者重复次数是否小于预设参考次数，如果所述参考值大于鉴别率D或者重复次数大于所述参考次数则完成其操作，如果所述参考值等于或小于鉴别率D，或者所述重复次数等于或小于所述参考次数则存储并处理HH区域的信息，提取具有x-轴和y-轴低频分量的区域LL，选择LL区域作为新的处理目标图像；以及特征向量构造部分，其用于将所述被提取并存储的区域切分为多个子区域，获取所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量；对于被所述特征区域提取部分选择作为新的处理目标图像的区域，重复执行由多次切分部分实现多次切分过程及其后续过程。
优选地，所述鉴别率D是通过对HH区域每个像素的值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。
优选地，所述识别器通过对特征向量提取器所提取的特征向量和预先存储在特征向量数据库中的特征向量施用归一化的欧几里德距离和最小距离分类规则而确认个人身份。
优选地，所述系统还包括滤波器，其用于对由外部输入的眼睛图像进行滤波，并且将其输出到虹膜图像提取器。
优选地，所述滤波器包括：闪烁检测部分，其用于检测眼睛图像的闪烁；瞳孔位置检测部分，其用于检测眼睛图像中的瞳孔位置；垂直分量检测部分，其用于检测边缘的垂直分量；滤波部分，其用于把通过分别由闪烁检测部分、瞳孔位置检测部分和垂直分量检测部分检测得到的值分别乘以权值W1、W2和W3所得到的值大于预设参考值的眼睛图像排除，并且将剩余的眼睛图像输出到虹膜图像提取器。
优选地，当将眼睛图像切分为M×N个块时，所述闪烁检测装置计算各个原始图像(raw)中的块的平均亮度之和，并输出最大亮度值F1。
优选地，所述权值W1的权重与距眼睛图像垂直中心的距离成比例。
优选地，当将眼睛图像切分为M×N个块时，所述瞳孔位置检测部分检测出各块平均亮度小于预设值的块F2。
优选地，所述权值W2的权重与距眼睛图像中心的距离成比例。
优选地，所述垂直分量检测部分通过Sobel边缘检测法来检测虹膜区域的垂直分量的值F3。
优选地，无论与距眼睛图像中心的距离如何，所述权值W3都是相同的。
优选地，所述系统还包括寄存器，其用以将特征向量提取器所提取的特征向量记录到特征向量数据库中。
优选地，所述系统还包括拍摄装置，其用以拍摄个人眼睛图像并将其输出到滤波器。
依照本发明的另一个方面，它提供一种虹膜识别方法，所述虹膜识别方法包括如下步骤：提取自外部输入的眼睛图像中的虹膜图像；对所提取的虹膜图像进行多次切分，从多次切分的各个虹膜图像中获得虹膜特征区域，并且通过统计方法从虹膜特征区域提取出特征向量；以及对所提取的特征向量与特征向量数据库中存储的特征向量进行比较，由此识别个人身份。
优选地，所述提取虹膜图像的步骤包括如下子步骤：(a1)通过对眼睛图像施用Canny边缘检测法而检测边缘元素；(a2)对检测到的边缘元素进行分组；(a3)通过对经过分组的边缘元素施用二等分法以提取虹膜图像；以及(a4)通过对所提取虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化。
优选地，所述弹性体模型包括多个弹性体，每个弹性体都是可纵向伸长的，并且其一端连接巩膜而另一端连接瞳孔。
优选地，所述提取特征向量的步骤包括如下子步骤：(b1)对步骤(a)提取的虹膜图像进行小波包变换从而多次切分所提取的虹膜图像；(b2)计算被多次切分的虹膜图像的区域的能量值；(b3)从被多次切分的虹膜图像的区域中提取并存储能量值大于预设参考值的区域，并且对所提取区域重复执行小波包变换步骤至能量值计算步骤；以及(b4)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
优选地，所述能量值是通过对被多次切分的区域的能量值取平方、而后累加平方的能量值、而后将该累加能量值除以区域的总数目所得到的值。
优选地，所述识别个人身份的步骤包括：通过对所提取的特征向量和预先存储的特征向量施用支持向量机方法而计算特征向量之间的距离，并且如果所计算出的特征向量之间的距离小于预设参考值则确认个人身份。
优选地，所述提取特征向量的步骤包括如下子步骤：(b1)通过对提取的虹膜图像施用Daubechies小波变换而多次切分虹膜图像提取器所提取的虹膜图像；(b2)从被多次切分的虹膜图像中提取含有x-轴和y-轴高频分量的HH区域；(b3)通过HH区域的特征值来计算虹膜图案的鉴别率D，并且递增重复次数；(b4)确定预设参考值是否小于鉴别率D或者重复次数是否小于预设参考次数；(b5)如果所述参考值大于鉴别率D或者重复次数大于所述参考次数，则完成其操作，而如果所述参考值等于或小于鉴别率D，或者所述重复次数等于或小于所述参考次数，则存储并处理HH区域的信息；(b6)提取具有x-轴和y-轴低频分量的区域LL；(b7)选择LL区域作为新的处理目标图像，其中对被选择作为新的处理目标图像的区域重复执行多次切分步骤及其后续步骤；以及(b8)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
优选地，所述鉴别率D是通过对HH区域每个像素的值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。
优选地，所述识别个人身份的步骤包括这样一个步骤：通过对所提取的特征向量和预先存储的特征向量施用归一化的欧几里德距离和最小距离分类规则而确认个人身份。
优选地，所述方法还包括对自外部输入的眼睛图像进行滤波的步骤。
优选地，所述滤波步骤包括如下子步骤：(c1)检测眼睛图像的闪烁；(c2)检测眼睛图像中瞳孔的位置；(c3)检测边缘的垂直分量；(c4)将通过分别由闪烁检测步骤、瞳孔位置检测步骤和垂直分量检测步骤所检测到的值分别乘以权值W1、W2和W3所得到的值大于预设参考值的眼睛图像排除，并使用剩余的眼睛图像。
优选地，所述步骤(c1)包括如下子步骤：当将眼睛图像切分为M×N个块时，计算在各个原始图像(raw)中的块的平均亮度之和，并且输出最大亮度值F1。
优选地，所述权值W1的权重与距眼睛图像垂直中心的距离成比例。
优选地，所述步骤(c2)包括如下子步骤：当将眼睛图像切分为M×N个块时，检测出各块的平均亮度小于预设值的块F2。
优选地，所述权值W2的权重与距眼睛图像中心的距离成比例。
优选地，所述步骤(c3)通过Sobel边缘检测法来检测虹膜区域的垂直分量的值F3。
优选地，无论与距眼睛图像中心的距离如何，所述权值W3都是相同的。
优选地，所述方法还包括记录所提取的特征向量的步骤。
依照本发明的另一个方面，本发明提供一种其上存储有程序的计算机可读取的存储介质，所述程序包含如下步骤：提取自外部输入的眼睛图像中的虹膜图像；对所提取的虹膜图像进行多次切分，从多次切分的各个虹膜图像中获得虹膜特征区域，并且通过统计方法从虹膜特征区域提取出特征向量；以及对所提取的特征向量与特征向量数据库中存储的特征向量进行比较，由此识别个人身份。
优选地，提取虹膜图像的步骤包括如下子步骤：(a1)通过对眼睛图像施用Canny边缘检测法而检测边缘元素；(a2)对检测到的边缘元素进行分组；(a3)通过对经过分组的边缘元素施用二等分法以提取虹膜图像；以及(a4)通过对所提取虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化。
优选地，所述弹性体模型包括多个弹性体，每个弹性体都是可纵向伸长的，并且其一端连接巩膜而另一端连接瞳孔。
优选地，提取特征向量的步骤包括如下子步骤：(b1)对由所述虹膜图像提取步骤提取的虹膜图像进行小波包变换从而多次切分所提取的虹膜图像；(b2)计算被多次切分的虹膜图像的区域的能量值；(b3)从被多次切分的虹膜图像的区域中提取并存储能量值大于预设参考值的区域，并且对所提取的区域重复执行小波包变换步骤至能量值计算步骤；以及(b4)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
优选地，所述能量值是通过对被多次切分的区域的能量值取平方、而后累加平方的能量值、而后将该累加能量值除以区域的总数目所得到的值。
优选地，所述识别个人身份的步骤包括：通过对所提取的特征向量和预先存储的特征向量施用支持向量机方法而计算特征向量之间的距离，并且如果所计算出的特征向量之间的距离小于预设参考值则确认个人身份。
优选地，所述提取特征向量的步骤包括如下子步骤：(b1)通过对提取的虹膜图像施用Daubechies小波变换而多次切分虹膜图像提取器所提取的虹膜图像；(b2)从被多次切分的虹膜图像中提取含有x-轴和y-轴高频分量的HH区域；(b3)通过HH区域的特征值来计算虹膜图案的鉴别率D，并且递增重复次数；(b4)确定预设参考值是否小于鉴别率D或者重复次数是否小于预设参考次数；(b5)如果所述参考值大于鉴别率D或者重复次数大于所述参考次数，则完成其操作，而如果所述参考值等于或小于鉴别率D，或者所述重复次数等于或小于所述参考次数，则存储并处理HH区域的信息；(b6)提取具有x-轴和y-轴低频分量的区域LL；(b7)选择LL区域作为新的处理目标图像，其中对被选择作为新的处理目标图像的区域重复执行多次切分步骤及其后续步骤；以及(b8)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
优选地，所述鉴别率D是通过对HH区域每个像素的值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。
优选地，所述识别个人身份的步骤包括这样一个步骤：通过对所提取的特征向量和预先存储的特征向量施用归一化的欧几里德距离和最小距离分类规则而确认个人身份。
优选地，所述程序还包括对自外部输入的眼睛图像进行滤波的步骤。
优选地，所述滤波步骤包括如下子步骤：(c1)检测眼睛图像的闪烁；(c2)检测眼睛图像中瞳孔的位置；(c3)检测边缘的垂直分量；(c4)将通过分别由闪烁检测步骤、瞳孔位置检测步骤和垂直分量检测步骤所检测到的值分别乘以权值W1、W2和W3所得到的值大于预设参考值的眼睛图像排除，并使用剩余的眼睛图像。
优选地，所述步骤(c1)包括如下子步骤：当将眼睛图像切分为M×N个块时，计算在各个原始图像(raw)中的块的平均亮度之和，并且输出最大亮度值F1。
优选地，所述权值W1的权重与距眼睛图像垂直中心的距离成比例。
优选地，所述步骤(c2)包括如下子步骤：当将眼睛图像切分为M×N个块时，检测出各块的平均亮度小于预设值的块F2。
优选地，所述权值W2的权重与距眼睛图像中心的距离成比例。
优选地，所述步骤(c3)通过Sobel边缘检测法来检测虹膜区域的垂直分量的值F3。
优选地，无论与距眼睛图像中心的距离如何，所述权值W3都是相同的。
优选地，所述程序还包括记录所提取的特征向量的步骤。
附图简要说明
通过下文结合附图所做详细说明，本发明的上述的和其它的发明目的、特征以及优点将变得更加清楚，在附图中：
图1a是依照本发明的使用小波包变换的虹膜识别系统的方框图；
图1b是在图1a基础上进一步包含寄存器的虹膜识别系统的方框图；
图2a是依照本发明实施例的虹膜图像提取器的方框图；
图2b是阐释利用二等分法提取虹膜的方法的视图；
图2c是施用于虹膜图像的弹性体模型的视图；
图3a是依照本发明的特征向量提取器的方框图；
图3b是阐释虹膜特征区域的视图；
图4a是在图1a基础上进一步包含滤波器的虹膜识别系统的方框图；
图4b是依照本发明实施例的滤波器的方框图；
图5是利用小波包变换方法实现的虹膜识别方法的流程图；
图6是描述虹膜图像提取步骤的详细流程图；
图7是描述特征向量提取步骤的详细流程图；
图8是描述图像滤波步骤的流程图；以及
图9是描述采用Daubechies小波包变换的虹膜识别方法的流程图。
实施本发明的最佳实施例
现在将对本发明的优选实施例进行详细说明。
图1a是依照本发明利用小波包变换的虹膜识别系统的方框图。
参见图1，虹膜识别系统包括虹膜图像提取器10、特征向量提取器20、识别器30和特征向量数据库40。
虹膜图像提取器10从由外部输入的眼睛图像中提取虹膜图像。
特征向量提取器20对由虹膜图像提取器10提取到的虹膜图像进行小波包变换，对变换后的图像进行多次切分，从多次切分得到的图像中获取虹膜特征区域，并且使用统计方法提取出特征向量。
识别器30通过比较由特征向量提取器20提取到的特征向量和特征向量数据库40中存储的特征向量而对人进行识别。特征向量数据库40包含预先存储的相应于每个人的特征向量。
另外，识别器30通过将支持向量机方法(Support vector machinemethod)施用于由特征向量提取器20提取到的特征向量和特征向量数据库40中存储的特征向量而计算特征向量之间的距离。
另外，当计算得到的距离值小于预设的参考值时，识别器30输出为同一个人的识别结果，而当计算得到的距离值等于或大于预设的参考值时，识别器30则输出为非同一个人的识别结果。
之所以采用支持向量机方法是因为这样能够提高通过对小波包变换方法生成的特征向量组的识别度和精度。
图1b是在图1a基础上进一步包含寄存器的虹膜识别系统的方框图。寄存器50将由特征向量提取器20提取得到的特征向量记录在特征向量数据库40中。
依照本发明的虹膜识别系统还包括拍摄装置，它用于拍摄人眼的图像并将其输出到虹膜图像提取器10。
图2a是依照本发明实施例的虹膜图像提取器的方框图。
参见图2a，虹膜图像提取器10包括边缘元素检测部分12、分组部分14、虹膜图像提取部分16和归一化部分18。
边缘元素检测部分12利用Canny边缘检测器检测边缘元素。此时，虹膜72(图2c)和巩膜74(图2c)的边缘元素由于在眼睛图像的前景和背景之间存在有许多不同，因此得以清楚地提取。但是虹膜72和瞳孔71(图2c)的边缘元素由于其背景近乎没有差异，因此不能清楚地提取。
因此，可利用分组部分14和虹膜图像提取部分16以精确地寻找虹膜72和瞳孔71的边缘元素以及巩膜74和虹膜72的边缘元素。
分组部分14对边缘元素检测部分12检测得到的边缘元素进行分组。表(a)示出了由边缘元素检测部分12提取得到的边缘元素，而表(b)则示出了对表(a)的边缘元素进行分组的结果。
    1     1     0
    0     0     0
    A   A
    1     1     1
    B     B     B
                  (a)                                          (b)
分组部分14将链接的像素边缘元素归为一组。这里分组的含义包含依照链接次序对边缘元素进行排列。
图2b是阐释通过对经过分组的边缘元素施用二等分法来提取虹膜的方法的视图。
参见图2b，虹膜图像提取部分16将分组的边缘元素作为一个边缘组，并且对各个组都施用二等分法，由此能够获得圆的圆心。如图2b所示，虹膜图像提取部分16获得与连接任意两点A(XA，YA)和B(XB，YB)的直线相垂直的二等分线C，并且检验所获得的直线是否通过圆心O。
结果，虹膜图像提取部分16将具有高接近程度的边缘组之中的位于边界线内侧的边缘组确定为虹膜的内部边缘元素，而将具有高接近程度的边缘组之中的位于边界线外侧的边缘组确定为虹膜的外部边缘元素
通过在归一化部分18中施用弹性体模型，以对虹膜图像提取部分16提取的虹膜图像进行归一化。图2c是用于对虹膜图像进行归一化的弹性体模型的视图。
之所以使用弹性体模型的理由是，有必要将由瞳孔71和巩膜74限定构成的虹膜图像映射到预设的空间中。弹性体模型需要满足的前提条件是：尽管虹膜图像的形状有所变形，但虹膜图像的区域关系应当是一一对应的。弹性体模型必须考虑到当虹膜图像形状有变形时所产生的活动特性。
弹性体模型包括多个弹性体，其中每个弹性体的一端都通过枢接而连接到巩膜74，而另一端都连接到瞳孔71。弹性体可以在纵向上变形，但不能在与纵向垂直的方向上变形。
在这种情形下，弹性体的前端由于它与枢接点相连因而是可转动的。可以将与瞳孔边界相垂直的方向设定为弹性体的轴向。
分布于虹膜图像中的虹膜图案在接近瞳孔71的区域中分布密集，而在接近巩膜74的区域中分布稀疏。因此，尽管在瞳孔71附近的区域中出现的误差较小但仍难于识别虹膜。另外有可能就一个人在巩膜74附近区域中的虹膜而错误识别为其他人。
另外有可能由于虹膜肌肉的不对称收缩或扩张而产生误差。当拍摄眼睛图像的角度相对瞳孔倾斜时则原始图像可能变形失真。
因此，当施用弹性体模型时，则有可能得到如图1所示的归一化的虹膜图像73。下面将对施用弹性体模型的过程进行说明。
内、外边界之间的关系如下所示：
To = arcsin { ( Yi - Yoc ) * cos Ni - ( Xi - Xoc ) * sin Ni Ro } + Ni
其中，(Xi，Yi)：位于边界内侧的一点的坐标
Ni：在Xi和Yi处的法线向量的方向
(Xoc，Yoc)：外边界的中心
Ro：外边界的半径
(Xo，Yo)：包含Xi和Yi的弹性体通过枢接而连接到外边界处的位置
To：(Xoc，Yoc)和(Xo，Yo)之间的角度
首先，计算出Ni，而后根据上述公式设定Ni和To之间的关系。之后基于外边界的圆使极坐标角度移动以预设的角度单位而计算针对To的Ni和(Xi，Yi)。而后使(Xi，Yi)和(Xo，Yo)之间的图像归一化。通过这种过程获得的虹膜图像具有耐抗由虹膜运动引起的变形的特性。
图3a是依照本发明的特征向量提取器的方框图。
参见图3a，特征向量提取器20包括多次切分部分22、计算部分24、特征区域提取部分26和特征向量构造部分28。
多次切分部分22对由虹膜图像提取器10提取得到的虹膜图像进行小波包变换。下面对小波包变换进行更加详细的说明。
小波包变换将二维虹膜图像分解为关于频率和时间的分量。无论何时只要执行小波包变换，则将虹膜图像切分为4个区域，即，包含高频分量的区域HH、HL和LH，以及包含低频分量的区域LL，如图3b所示。
包含最低频带的区域呈现出的统计特性与原始图像相似，除最低频带之外的其它频带具有这样特性：能量集聚在边界区域内。
由于小波包变换提供了足够的小波基础，所以就有可能在适当选择适合于空间频率特征的基础条件下对虹膜图像进行有效分解。因此，就有可能依照低频带以及高频带的空间频率特征对虹膜图像进行分解。
计算部分24计算由多次切分部分22切分产生的虹膜图像的各个区域的能量值。
特征区域提取部分26从由多次切分部分切分产生的虹膜图像的各个区域中提取并存储能量值大于预设参考值的区域。
对特征区域提取部分提取的区域再次执行小波包变换。而后以预定次数重复执行计算部分24计算能量值的步骤。能量值大于预设参考值的区域被存储到特征区域提取部分26中。
当对所有区域的虹膜特征都进行提取从而构造特征向量时，由于含有无用信息的区域也被用到，因而导致识别率下降并且处理时间增大。因此，由于可以将具有较高能量值的区域视为含有较多特征信息的区域，所以在特征区域提取部分26中只对大于参考值的区域进行提取。
图3b显示了经过3次小波包变换而得到的虹膜特征区域。假定当执行2次小波包变换后只有LL区域的能量值大于参考值，并且当执行3次小波包变换后只有LL3区域和HL3区域的能量值大于参考值。因此对LL1、LL2、LL3和HL3区域进行提取并将它们存储作为虹膜图像的特征区域。
特征向量构造部分28将特征区域提取部分26提取并存储的区域分割为M×N个子区域，获得各个子区域的平均值和标准偏差，并且利用所获得的平均值和标准偏差来构造特征向量。
图4a是在图1a基础上进一步包含滤波器的虹膜识别系统的方框图，而图4b是依照本发明实施例的滤波器的方框图。
滤波器60对由外部输入的眼睛图像进行滤波并且将其输出到虹膜图像提取器10。滤波器60包括闪烁(blinking)检测部分62、瞳孔位置检测部分64、垂直分量检测部分66和滤波部分68。
闪烁检测部分62检测眼睛图像的闪烁并且将其输出到滤波部分68。当将眼睛图像切分为M×N个块时，闪烁检测部分62计算各个原始图像(raw)中的块的平均亮度之和，并且将最大亮度值F1输出到滤波部分68。
闪烁检测器62利用了眼睑图像亮于虹膜图像。这是为了分选出那些由于将眼睑定位在中心使得眼睑遮蔽了虹膜而导致的劣质图像。
瞳孔位置检测部分64检测眼睛图像中的瞳孔位置并且将其输出到滤波部分68。当将眼睛图像分割为M×N个块时，闪烁检测部分62检测出平均亮度小于预设参考值的块F2并且将其输出到滤波部分68。因为在眼睛图像中瞳孔最暗，所以当找到眼睛图像垂直中心后就有可能很方便地检测到块F2。
垂直分量检测部分66检测在眼睛图像中边缘的垂直分量，并且将其输出到滤波部分68。垂直分量检测部分66对眼睛图像施用Sobel边缘检测法以计算虹膜区域的垂直分量的值。该方法通过在垂向上定位睫毛而将劣质图像分选出来，因为当睫毛遮蔽虹膜时是不可能对虹膜进行识别的。
滤波部分68将分别由闪烁检测部分62、瞳孔位置检测部分64和垂直分量检测部分66输入的值F1、F2和F3分别乘以权值W1、W2和W3。滤波部分68将值大于参考值的眼睛图像排除，并且将剩余的眼睛图像输出到虹膜图像提取器10。
这里，优选地是，权值W1的权重与瞳孔偏离眼睛图像垂直中心的位置成比例。例如，当将权值1赋予眼睛图像的垂直中心所在的原始图像(raw)时，则将权值5赋予偏离眼睛图像的垂直中心四个块的原始图像(raw)。
优选的是，权值W2的权重与瞳孔偏离眼睛图像中心的位置成比例，而权值W3的权重与瞳孔位置无关。
通过调整应用于滤波部分68的参考值可以确定适于识别的图像的品质。将F1、F2和G3分别乘以W1、W2和W3所得到的值可用于确定在预设时间内获取的图像帧的优先级。此时，优选的是，结果值越低则优先级越高。
图5显示了利用小波包变换方法的虹膜识别方法的流程图。参见图5，依照本发明的方法包括：虹膜图像提取步骤S100，特征向量提取步骤S200，以及识别步骤S300。
在虹膜图像提取步骤S100中，从由外部输入的眼睛图像提取虹膜图像。
在特征向量提取步骤S200中，对所提取的虹膜图像进行小波包变换并且进行多次切分，从多次切分的图像获得虹膜特征区域，并且通过统计方法提取特征向量。
在识别步骤S300中，将所提取的特征向量与预先存储的特征向量进行比较。此时，优选的是使用支持向量机方法。
另外，依照本发明的虹膜识别方法可进一步包括记录在特征向量提取步骤S200中所提取的特征向量的记录步骤。
图6是描述虹膜图像提取步骤的详细流程图。
参见图6，虹膜图像提取步骤S100包括：通过对眼睛图像施用Canny边缘检测法而检测边缘元素的步骤S110，对检测到的边缘元素进行分组的步骤S120，通过对经过分组的边缘元素施用二等分法而提取虹膜图像的步骤S130，以及通过对所提取的虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化的步骤S140。
图7是描述特征向量提取步骤的详细流程图。
参看图7，特征向量提取步骤S200包括：对在虹膜图像提取步骤中所提取的虹膜图像进行小波包变换和多次切分的步骤S210，对多次切分的虹膜图像的各个区域执行能量值计算的步骤S220，对多次切分的区域的能量值与参考值进行比较的步骤S230，提取并存储能量值大于参考值的区域的步骤S235，以预设次数对所提取的区域重复执行步骤S210至S235的步骤S240，将所提取的各个区域切分成多个子区域、并且对子区域求取平均值和标准偏差值的步骤S250，以及通过利用所求取的平均值和标准偏差值来构造特征向量的步骤S260。
虹膜识别方法还包括如图8所示的视频滤波步骤。参见图8，视频滤波步骤S400包括：检测眼睛图像的闪烁的步骤S410，检测瞳孔位置的步骤S20，检测边缘的垂直分量的步骤S430，以及排除具有通过将在步骤S410至S430中的检测值分别乘以权值W1、W2和W3所获得的值的眼睛图像、并使用剩余眼睛图像的步骤S440。上述每个所获得的值都大于预设值。
下文将参照图1至8详细描述由如下步骤构成的处理过程：从眼睛图像中提取虹膜图像，从通过小波包变换提取的特征区域构造特征向量，以及将特征向量和预先存储的特征向量进行比较，由此能够识别出个人身份。
虹膜图像提取器20的边缘元素检测部分12通过对由外部输入的眼睛图像施用Canny边缘检测法来检测边缘元素(S110)。即，在步骤S110，获取在眼睛图像中前景和背景产生差别的边缘。
为了更加精确地检测瞳孔71和虹膜72之间的边缘元素以及巩膜74和虹膜72之间的边缘元素，分组部分14将检测得到的边缘元素分成组(S120)。如图2b所示，虹膜图像提取部分16通过对经过分组的边缘元素施用二等分法来提取虹膜(S130)。
如图2c所示，归一化部分18通过对所提取的虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化，并且将其输出到特征向量提取部分20(S140)。
特征向量提取器20的多次切分部分22对虹膜图像提取器10所提取的虹膜图像进行小波包变换和多次切分(S210)。然后计算器24为多次切分的虹膜图像的各个区域计算能量值(S220)。
特征区域提取部分26将多次切分的区域的能量值与参考值进行比较。
那些能量值大于参考值的区域被提取和存储(S235)，对所提取区域以预设次数重复步骤S210至S235(S240)。
照此，当提取并存储虹膜特征区域后，特征向量构造部分28将所提取的各个区域切分为多个子区域，并且获得平均值和标准偏差值(S250)。利用平均值和标准偏差值来构造特征向量。
识别器30通过对由特征向量提取器20提取的特征向量和特征向量数据库40中存储的特征向量施用支持向量机方法来确定个人身份(S300)。
在通过对特征向量施用支持向量机方法计算出特征向量之间的距离之后，如若计算得到的距离小于参考值，则身份得以确认。
另一方面，当虹膜识别系统如图4a所示还包括有滤波器60时，滤波器60对来自外部的眼睛图像进行滤波，并且将其输出到虹膜图像提取器10(S400)。
闪烁检测部分62计算在各个原始图像(raw)中的块的平均亮度之和，并且将最大亮度值F1输出到滤波器60(S410)。瞳孔位置检测部分64计算平均亮度小于预设值的块F2，并且将其输出到滤波部分68(S420)。垂直分量检测部分66通过对眼睛图像施用Sobel边缘检测法来计算虹膜图像的垂直分量的值F3(S430)。
滤波部分68将具有通过将闪烁检测部分62、瞳孔位置检测部分64和垂直分量检测部分66检测的值分别乘以权值W1、W2和W3而获取的值的眼睛图像予以排除(S440)。滤波部分68将剩余的眼睛图像输出到虹膜图像提取器10。
依照本发明的另一个实施例，特征向量提取器20可以通过使用Daubechies小波变换来多次切分虹膜图像，并且识别器30可以通过使用归一化的欧几里德距离和最小距离分类规则来执行识别。
对Daubechies小波变换的描述参照图3a，并且图9是描述采用Daubechies小波变换的虹膜识别方法的流程图。
多次切分部分22通过对虹膜图像施用Daubechies小波变换来多次切分由特征向量提取器20提取的虹膜图像(S510)。而且多次切分部分22从多次切分的虹膜图像中提取含有高频X-轴和Y-轴分量HH的区域(S520)。
计算部分24根据HH区域的特征值计算虹膜图案的鉴别率D，并且递增次数(S530)。
特征区域提取部分26确定预先设定的参考值是否小于鉴别率D或者重复次数是否小于预先设定的参考次数(S540)。作为结果，若该参考值大于鉴别率D或该重复次数大于该参考次数，则处理过程完成。
但是，若该参考值等于或小于鉴别率D，或该重复次数等于或小于该参考次数，则特征区域提取部分26存储并在当前时间处理HH区域的信息(S550)。
接下来，特征区域提取部分26从多次切分的虹膜图像中提取含有低频X-轴和Y-轴分量的LL区域(S370)，并且选择减小为之前虹膜图像的1/4大小的LL区域作为新的处理对象。
通过反复对选定作为新处理对象的虹膜区域施用Daubechies小波变换，就可得到虹膜特征区域。
鉴别率D是通过对HH区域的每个像素值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。无论何时施用Daubechies小波变换，虹膜图像总是被切分为HH、HL、LH和LL区域。图3b示出了执行了3次Daubechies小波变换的情形。
特征向量构造部分28将由特征区域提取部分26所提取并存储的区域切分为M×N个子区域，获取各个子区域的平均值和标准偏差值，并且利用该平均值和标准偏差值构造特征向量。
如图3b所示，由于各个区域都被切分为若干子区域，所以特征向量是利用平均值和标准偏差值构造的。
识别器60通过对从特征提取器30提取的特征向量和特征数据库50中存储的特征向量施用归一化的欧几里得距离和最小距离分类规则而对个人身份进行识别。
识别器60通过施用归一化欧几里得距离和最小距离分类规则来计算特征向量之间的距离。
由于特征向量之间的距离小，所以优选地识别器60在通过对所计算得到的特征向量之间的距离施用最小距离分类规则所得到的值等于或小于预设的参考值的情况下，才确定个人身份。
工业实用性
如前所述，本发明通过利用Canny边缘检测法、二等分法和弹性体模型，从而能够以无信息遗漏的方式提取出虹膜图像。
另外，它可以将由瞳孔运动、虹膜区域的旋转与位置改变、由相机亮度和阴影之间的差异导致的虹膜图像失真所引致的不利影响减低到最小程度，并且提高虹膜检测的精度。
另外，它可以提高用户使用的方便程度，它因为能够获取与用户位置和距离无关的虹膜图像。
它可以通过利用小波包变换有效提取含有虹膜图像高频带及低频带的特征区域从而构造出特征向量。尤其是，它可以有效减小特征向量的大小，因为依照本发明特征向量与现有技术相比其大小较小。
它还可以对特征向量进行归一化，并且由于使用支持向量机方法作为分类规则而提高了区分一个人和其他人的能力。因此它可以提供一种就处理性能和处理时间来看为高效率的系统。
它还可以通过执行不受欧几里德距离或最小距离分类规则影响的距离计算和类似措施，从而提供一种就处理性能和处理时间来看为高效率的系统。
它还可以提供虹膜图案信息的分析，而且可应用于各种图案识别领域。
另外，当所输入的眼睛图像包含闪烁时，或者一部分虹膜因用户移动致使虹膜中心偏离眼睛图像中心而被去除掉时，或者虹膜图像因眼睑阴影而导致模糊不清时，或者虹膜图像包含各种阴影时，它可以通过即时去除图像来提高处理过程的效率以识别率。
虽然在上文描述的本发明是结合目前被认为最实用和优选的实施例进行的，但是应当理解本发明不局限于所披露的实施例和附图。相反，本发明的意图覆盖了由所附权利要求书表述的精神和范围之内的各种修改和变换。

Claims (55)

1.一种虹膜识别系统，包括：
特征向量数据库(DB)，其用于预先存储标识个人身份的特征向量；
虹膜图像提取器，其用于提取由外部输入的眼睛图像中的虹膜图像；
特征向量提取器，其用于多次切分虹膜图像提取器所提取的虹膜图像，通过被多次切分的各个虹膜图像来获得虹膜特征区域，并且通过统计方法从虹膜特征区域中提取特征向量；以及
识别器，其用于对特征向量提取器所提取的特征向量与特征向量数据库中存储的特征向量进行比较，从而识别个人身份。
2.如权利要求1所述的虹膜识别系统，其特征在于，所述虹膜图像提取器包括：
边缘元素检测部分，其用于通过对眼睛图像施用Canny边缘检测法以检测边缘元素；
分组部分，其用于对所检测到的边缘元素进行分组；
虹膜图像提取部分，其用于通过对经过分组的边缘元素施用二等分法以提取虹膜图像；以及
归一化部分，其用于通过对所提取的虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化。
3.如权利要求2所述的虹膜识别系统，其特征在于，所述弹性体模型包括多个弹性体，每个所述弹性体都是可纵向伸长的，并且其一端连接巩膜而另一端连接瞳孔。
4.如权利要求1所述的虹膜识别系统，其特征在于，所述特征向量提取器包括：
多次切分部分，其用于对虹膜图像提取器所提取的虹膜图像进行小波包变换从而多次切分所述提取的虹膜图像；
计算部分，其用于为被多次切分的虹膜图像的区域计算能量值；
特征区域提取部分，其用于从被多次切分的虹膜图像的区域中提取并存储能量值大于预设参考值的区域；以及
特征向量构造部分，其用于将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量；
对于由特征区域提取部分提取的区域，以预定的次数重复执行由多次切分部分实现的小波包变换过程和由计算部分实现的能量值计算过程，而后将能量值大于参考值的区域存储在特征区域提取部分中。
5.如权利要求4所述的虹膜识别系统，其特征在于，所述计算部分对各个多次切分区域的能量值求平方，累加平方的能量值，而后将累加的能量值除以区域数目，由此能够得到结果能量值。
6.如权利要求4所述的虹膜识别系统，其特征在于，所述识别器通过对特征向量提取部分所提取的特征向量和预先存储在特征向量数据库中的特征向量施用支持向量机方法来计算特征向量之间的距离，并且如果所计算出的特征向量之间的距离小于预设参考值则确认个人身份。
7.如权利要求1所述的虹膜识别系统，其特征在于，所述特征向量提取器包括：
多次切分部分，其用于通过对虹膜图像提取器所提取的虹膜图像施用Daubechies小波变换而多次切分该提取的虹膜图像，并且从被多次切分的虹膜图像中提取含有x-轴和y-轴高频分量HH的区域；
计算部分，其用于通过HH区域的特征值来计算虹膜图案的鉴别率D，并且递增重复次数；
特征区域提取部分，其用于确定预设参考值是否小于鉴别率D或者重复次数是否小于预设参考次数，如果所述参考值大于鉴别率D或者重复次数大于所述参考次数则完成其操作，如果所述参考值等于或小于鉴别率D，或者所述重复次数等于或小于所述参考次数则存储并处理HH区域的信息，提取具有x-轴和y-轴低频分量的区域LL，选择LL区域作为新的处理目标图像；以及
特征向量构造部分，其用于将所述被提取并存储的区域切分为多个子区域，获取所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量；
对于被所述特征区域提取部分选择作为新的处理目标图像的区域，重复执行由多次切分部分实现多次切分过程及其后续过程。
8.如权利要求7所述的虹膜识别系统，其特征在于，所述鉴别率D是通过对HH区域每个像素的值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。
9.如权利要求7所述的虹膜识别系统，其特征在于，所述识别器通过对特征向量提取器所提取的特征向量和预先存储在特征向量数据库中的特征向量施用归一化的欧几里德距离和最小距离分类规则而确认个人身份。
10.如权利要求1所述的虹膜识别系统，其特征在于，所述系统进一步包括滤波器，其用于对由外部输入的眼睛图像进行滤波，并且将其输出到所述虹膜图像提取器。
11.如权利要求10所述的虹膜识别系统，其特征在于，所述滤波器包括：
闪烁检测部分，其用于检测眼睛图像的闪烁；
瞳孔位置检测部分，其用于检测眼睛图像中的瞳孔位置；
垂直分量检测部分，其用于检测边缘的垂直分量；
滤波部分，其用于将通过分别由闪烁检测部分、瞳孔位置检测部分和垂直分量检测部分检测得到的值分别乘以权值W1、W2和W3而得到的值大于预设参考值的眼睛图像予以排除，并且将剩余的眼睛图像输出到所述虹膜图像提取器。
12.如权利要求11所述的虹膜识别系统，其特征在于，当将眼睛图像切分为M×N个块时，所述闪烁检测装置计算各个原始图像中的块的平均亮度之和，并输出最大亮度值F1。
13.如权利要求12所述的虹膜识别系统，其特征在于，所述权值W1的权重与距眼睛图像垂直中心的距离成比例。
14.如权利要求11所述的虹膜识别系统，其特征在于，当将眼睛图像切分为M×N个块时，所述瞳孔位置检测部分检测出各块平均亮度小于预设值的块F2。
15.如权利要求14所述的虹膜识别系统，其特征在于，所述权值W2的权重与距眼睛图像中心的距离成比例。
16.如权利要求11所述的虹膜识别系统，其特征在于，所述垂直分量检测部分通过Sobel边缘检测法来检测虹膜区域的垂直分量的值F3。
17.如权利要求6所述的虹膜识别系统，其特征在于，无论与距眼睛图像中心的距离如何，所述权值W3都是相同的。
18.如权利要求1所述的虹膜识别系统，所述系统还包括寄存器，其用以将特征向量提取器所提取的特征向量记录到所述特征向量数据库中。
19.如权利要求1所述的虹膜识别系统，所述系统进一步包括拍摄装置，其用以拍摄个人的眼睛图像并将其输出到滤波器。
20.一种虹膜识别方法，包括如下步骤：
提取自外部输入的眼睛图像中的虹膜图像；
对所提取的虹膜图像进行多次切分，从多次切分的各个虹膜图像中获得虹膜特征区域，并且通过统计方法从虹膜特征区域提取出特征向量；以及
对所提取的特征向量与特征向量数据库中存储的特征向量进行比较，由此识别个人身份。
21.如权利要求20所述的方法，其特征在于，所述提取虹膜图像的步骤包括如下子步骤：
(a1)通过对眼睛图像施用Canny边缘检测法而检测边缘元素；
(a2)对检测到的边缘元素进行分组；
(a3)通过对经过分组的边缘元素施用二等分法以提取虹膜图像；以及
(a4)通过对所提取的虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化。
22.如权利要求21所述的方法，其特征在于，所述弹性体模型包括多个弹性体，每个弹性体都是可纵向伸长的，并且其一端连接巩膜而另一端连接瞳孔。
23.如权利要求20所述的方法，其特征在于，所述提取特征向量的步骤包括如下子步骤：
(b1)对步骤(a)提取的虹膜图像进行小波包变换从而多次切分所提取的虹膜图像；
(b2)计算被多次切分的虹膜图像的区域的能量值；
(b3)从被多次切分的虹膜图像的区域中提取并存储能量值大于预设参考值的区域，并且对所提取区域重复执行小波包变换步骤至能量值计算步骤；以及
(b4)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
24.如权利要求23所述的方法，其特征在于，所述能量值是通过对被多次切分的区域的能量值取平方、而后累加平方的能量值、而后将该累加能量值除以区域的总数目所得到的值。
25.如权利要求23所述的方法，其特征在于，所述识别个人身份的步骤包括：通过对所提取的特征向量和预先存储的特征向量施用支持向量机方法而计算特征向量之间的距离，并且如果所计算出的特征向量之间的距离小于预设参考值则确认个人身份。
26.如权利要求20所述的方法，其特征在于，所述提取特征向量的步骤包括如下子步骤：
(b1)通过对提取的虹膜图像施用Daubechies小波变换而多次切分虹膜图像提取器所提取的虹膜图像；
(b2)从被多次切分的虹膜图像中提取含有x-轴和y-轴高频分量的HH区域；
(b3)通过HH区域的特征值来计算虹膜图案的鉴别率D，并且递增重复次数；
(b4)确定预设参考值是否小于鉴别率D或者重复次数是否小于预设参考次数；
(b5)如果所述参考值大于鉴别率D或者重复次数大于所述参考次数，则完成其操作，而如果所述参考值等于或小于鉴别率D，或者所述重复次数等于或小于所述参考次数，则存储并处理HH区域的信息；
(b6)提取具有x-轴和y-轴低频分量的区域LL；
(b7)选择LL区域作为新的处理目标图像，其中对被选择作为新的处理目标图像的区域重复执行多次切分步骤及其后续步骤；以及
(b8)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
27.如权利要求26所述的方法，其特征在于，所述鉴别率D是通过对HH区域每个像素的值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。
28.如权利要求26所述的方法，其特征在于，所述识别个人身份的步骤包括这样一个步骤：通过对所提取的特征向量和预先存储的特征向量施用归一化的欧几里德距离和最小距离分类规则而确认个人身份。
29.如权利要求20所述的方法，所述方法还包括对自外部输入的眼睛图像进行滤波的步骤。
30.如权利要求29所述的方法，其特征在于，所述滤波步骤包括如下子步骤：
(c1)检测眼睛图像的闪烁；
(c2)检测眼睛图像中瞳孔的位置；
(c3)检测边缘的垂直分量；
(c4)将通过分别由闪烁检测步骤、瞳孔位置检测步骤和垂直分量检测步骤所检测到的值分别乘以权值W1、W2和W3所得到的值大于预设参考值的眼睛图像予以排除，并使用剩余的眼睛图像。
31.如权利要求30所述的方法，其特征在于，所述步骤(c1)包括如下子步骤：当将眼睛图像切分为M×N个块时，计算在各个原始图像中的块的平均亮度之和，并且输出最大亮度值F1。
32.如权利要求31所述的方法，其特征在于，所述权值W1的权重与距眼睛图像垂直中心的距离成比例。
33.如权利要求30所述的方法，其特征在于，所述步骤(c2)包括如下子步骤：当将眼睛图像切分为M×N个块时，检测出各块的平均亮度小于预设值的块F2。
34.如权利要求14所述的方法，其特征在于，所述权值W2的权重与距眼睛图像中心的距离成比例。
35.如权利要求30所述的方法，其特征在于，所述步骤(c3)通过Sobel边缘检测法来检测虹膜区域的垂直分量的值F3。
36.如权利要求35所述的方法，其特征在于，无论与距眼睛图像中心的距离如何，所述权值W3都是相同的。
37.如权利要求20所述的方法，所述方法进一步包括记录所提取的特征向量的步骤。
38.一种其上存储有程序的计算机可读取的存储介质，所述程序包含如下步骤：
提取自外部输入的眼睛图像中的虹膜图像；
对所提取的虹膜图像进行多次切分，从多次切分的各个虹膜图像中获得虹膜特征区域，并且通过统计方法从虹膜特征区域提取出特征向量；以及
对所提取的特征向量与特征向量数据库中存储的特征向量进行比较，由此识别个人身份。
39.如权利要求38所述的存储介质，其特征在于，所述提取虹膜图像的步骤包括如下子步骤：
(a1)通过对眼睛图像施用Canny边缘检测方法而检测边缘元素；
(a2)对检测到的边缘元素进行分组；
(a3)通过对经过分组的边缘元素施用二等分法以提取虹膜图像；以及
(a4)通过对所提取虹膜图像施用弹性体模型而对所提取的虹膜图像进行归一化。
40.如权利要求39所述的存储介质，其特征在于，所述弹性体模型包括多个弹性体，每个弹性体都是可纵向伸长的，并且其一端连接巩膜而另一端连接瞳孔。
41.如权利要求38所述的存储介质，其特征在于，所述提取特征向量的步骤包括如下子步骤：
(b1)对由所述虹膜图像提取步骤提取的虹膜图像进行小波包变换从而多次切分所提取的虹膜图像；
(b2)计算被多次切分的虹膜图像的区域的能量值；
(b3)从被多次切分的虹膜图像的区域中提取并存储能量值大于预设参考值的区域，并且对所提取的区域重复执行小波包变换步骤至能量值计算步骤；以及
(b4)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
42.如权利要求41所述的存储介质，其特征在于，所述能量值是通过对被多次切分的区域的能量值取平方、而后累加平方的能量值、而后将累加的能量值除以区域的总数目所得到的值。
43.如权利要求41所述的存储介质，其特征在于，所述识别个人身份的步骤包括如下子步骤：通过对所提取的特征向量和预先存储的特征向量施用支持向量机方法而计算特征向量之间的距离，并且如果所计算出的特征向量之间的距离小于预设参考值则确认个人身份。
44.如权利要求38所述的存储介质，其特征在于，所述提取特征向量的步骤包括如下子步骤：
(b1)通过对提取的虹膜图像施用Daubechies小波变换而多次切分虹膜图像提取器所提取的虹膜图像；
(b2)从被多次切分的虹膜图像中提取含有x-轴和y-轴高频分量的HH区域；
(b3)通过HH区域的特征值来计算虹膜图案的鉴别率D，并且递增重复次数；
(b4)确定预设参考值是否小于鉴别率D或者重复次数是否小于预设参考次数；
(b5)如果所述参考值大于鉴别率D或者重复次数大于所述参考次数，则完成其操作，而如果所述参考值等于或小于鉴别率D，或者所述重复次数等于或小于所述参考次数，则存储并处理HH区域的信息；
(b6)提取具有x-轴和y-轴低频分量的区域LL；
(b7)选择LL区域作为新的处理目标图像，其中对被选择作为新的处理目标图像的区域重复执行多次切分步骤及其后续步骤；以及
(b8)将所述被提取并存储的区域切分为多个子区域，获得所述子区域的平均值和标准偏差值，并且利用所述平均值和标准偏差值来构造特征向量。
45.如权利要求44所述的存储介质，其特征在于，所述鉴别率D是通过对HH区域的每个像素的值取平方、而后累加平方值、而后将累加值除以HH区域的总数所得到的值。
46.如权利要求44所述的存储介质，其特征在于，所述识别个人身份的步骤包括这样一个步骤：通过对所提取的特征向量和预先存储的特征向量施用归一化的欧几里德距离和最小距离分类规则而确认个人身份。
47.如权利要求38所述的存储介质，还包括对自外部输入的眼睛图像进行滤波的步骤。
48.如权利要求47所述的存储介质，其特征在于，所述滤波步骤包括如下子步骤：
(c1)检测眼睛图像的闪烁；
(c2)检测眼睛图像中瞳孔的位置；
(c3)检测边缘的垂直分量；
(c4)将通过分别由闪烁检测步骤、瞳孔位置检测步骤和垂直分量检测步骤所检测到的值分别乘以权值W1、W2和W3所得到的值大于预设参考值的眼睛图像予以排除，并使用剩余的眼睛图像。
49.如权利要求48所述的存储介质，其特征在于，所述步骤(c1)包括如下子步骤：当将眼睛图像切分为M×N个块时，计算在各个原始图像中的块的平均亮度之和，并且输出最大亮度值F1。
50.如权利要求49所述的存储介质，其特征在于，所述权值W1的权重与距眼睛图像垂直中心的距离成比例。
51.如权利要求51所述的存储介质，其特征在于，所述步骤(c2)包括如下子步骤：当将眼睛图像切分为M×N个块时，检测出各块的平均亮度小于预设值的块F2。
52.如权利要求51所述的存储介质，其特征在于，所述权值W2的权重与距眼睛图像中心的距离成比例。
53.如权利要求48所述的存储介质，其特征在于，所述步骤(c3)通过Sobel边缘检测法来检测虹膜区域的垂直分量的值F3。
54.如权利要求53所述的存储介质，其特征在于，无论与距眼睛图像中心的距离如何，所述权值W3都是相同的。
55.如权利要求38所述的存储介质，所述程序进一步包括记录所提取的特征向量的步骤。
CNA028240782A 2001-12-03 2002-12-03 虹膜识别系统和方法以及具有其程序的存储介质 Pending CN1599913A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20010075967 2001-12-03
KR10-2001-0075967A KR100453943B1 (ko) 2001-12-03 2001-12-03 개인 식별을 위한 홍채 영상의 처리 및 인식방법과 시스템

Publications (1)

Publication Number Publication Date
CN1599913A true CN1599913A (zh) 2005-03-23

Family

ID=19716575

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA028240782A Pending CN1599913A (zh) 2001-12-03 2002-12-03 虹膜识别系统和方法以及具有其程序的存储介质

Country Status (5)

Country Link
US (1) US20050008201A1 (zh)
KR (1) KR100453943B1 (zh)
CN (1) CN1599913A (zh)
AU (1) AU2002365792A1 (zh)
WO (1) WO2003049010A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102209975A (zh) * 2008-10-08 2011-10-05 虹膜技术公司 从眼睛图像获取关注区域和/或认知信息的方法
CN101256632B (zh) * 2007-02-26 2011-10-19 索尼株式会社 信息处理装置和方法
CN102693421A (zh) * 2012-05-31 2012-09-26 东南大学 基于sift 特征包的牛眼虹膜图像识别方法
CN104182717A (zh) * 2013-05-20 2014-12-03 李强 一种虹膜识别装置
CN105488462A (zh) * 2015-11-25 2016-04-13 努比亚技术有限公司 眼睛定位识别装置和方法
CN106778535A (zh) * 2016-11-28 2017-05-31 北京无线电计量测试研究所 一种基于小波包分解的虹膜特征提取与匹配方法
CN107330402A (zh) * 2017-06-30 2017-11-07 努比亚技术有限公司 一种巩膜识别方法、设备及计算机可读存储介质
CN107787498A (zh) * 2015-06-15 2018-03-09 三星电子株式会社 用户验证方法及支持用户验证方法的电子装置
CN108073889A (zh) * 2016-11-11 2018-05-25 三星电子株式会社 虹膜区域提取的方法和设备
CN108780229A (zh) * 2016-01-19 2018-11-09 奇跃公司 眼睛图像采集、选择和组合
CN111654468A (zh) * 2020-04-29 2020-09-11 平安国际智慧城市科技股份有限公司 免密登录方法、装置、设备及存储介质
CN111950403A (zh) * 2020-07-28 2020-11-17 武汉虹识技术有限公司 一种虹膜分类方法及系统、电子设备和存储介质
CN112270271A (zh) * 2020-10-31 2021-01-26 重庆商务职业学院 一种基于小波包分解的虹膜识别方法

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100374707B1 (ko) * 2001-03-06 2003-03-04 에버미디어 주식회사 도비치스 웨이블렛 변환을 이용한 홍채인식방법
KR20040026905A (ko) * 2002-09-26 2004-04-01 주식회사 세넥스테크놀로지 실시간 홍채인식을 위한 영상품질 평가장치 및 방법과 그프로그램을 저장한 기록매체
KR100476406B1 (ko) * 2002-12-03 2005-03-17 이일병 웨이블렛 패킷변환을 이용한 홍채인식 시스템 및 방법과그 프로그램을 저장한 기록매체
KR20030066512A (ko) * 2003-07-04 2003-08-09 김재민 노이즈에 강인한 저용량 홍채인식 시스템
US8098901B2 (en) 2005-01-26 2012-01-17 Honeywell International Inc. Standoff iris recognition system
US8090157B2 (en) * 2005-01-26 2012-01-03 Honeywell International Inc. Approaches and apparatus for eye detection in a digital image
US7593550B2 (en) * 2005-01-26 2009-09-22 Honeywell International Inc. Distance iris recognition
US8705808B2 (en) 2003-09-05 2014-04-22 Honeywell International Inc. Combined face and iris recognition system
US8064647B2 (en) * 2006-03-03 2011-11-22 Honeywell International Inc. System for iris detection tracking and recognition at a distance
US7933507B2 (en) * 2006-03-03 2011-04-26 Honeywell International Inc. Single lens splitter camera
US8442276B2 (en) * 2006-03-03 2013-05-14 Honeywell International Inc. Invariant radial iris segmentation
US7336806B2 (en) * 2004-03-22 2008-02-26 Microsoft Corporation Iris-based biometric identification
KR100552709B1 (ko) * 2004-05-21 2006-02-20 삼성전자주식회사 눈검출 장치 및 방법
US20060023921A1 (en) * 2004-07-27 2006-02-02 Sanyo Electric Co., Ltd. Authentication apparatus, verification method and verification apparatus
US20060165264A1 (en) * 2005-01-26 2006-07-27 Hirofumi Saitoh Method and apparatus for acquiring images, and verification method and verification apparatus
US7327860B2 (en) * 2005-05-04 2008-02-05 West Virginia University Conjunctival scans for personal identification
KR100734857B1 (ko) 2005-12-07 2007-07-03 한국전자통신연구원 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법 및그 장치
EP1991947B1 (en) * 2006-03-03 2020-04-29 Gentex Corporation Indexing and database search system
WO2007101275A1 (en) 2006-03-03 2007-09-07 Honeywell International, Inc. Camera with auto-focus capability
WO2008019168A2 (en) 2006-03-03 2008-02-14 Honeywell International, Inc. Modular biometrics collection system architecture
KR101299074B1 (ko) 2006-03-03 2013-08-30 허니웰 인터내셔널 인코포레이티드 홍채 인코딩 시스템
JP4738488B2 (ja) * 2006-03-03 2011-08-03 ハネウェル・インターナショナル・インコーポレーテッド 画像品質メトリックを有する虹彩認識システム
US8014571B2 (en) 2006-05-15 2011-09-06 Identix Incorporated Multimodal ocular biometric system
GB0616222D0 (en) * 2006-08-15 2006-09-27 Monro Donald M Method Of Eyelash Removal For Human Iris Recognition
US8170293B2 (en) * 2006-09-15 2012-05-01 Identix Incorporated Multimodal ocular biometric system and methods
US8063889B2 (en) * 2007-04-25 2011-11-22 Honeywell International Inc. Biometric data collection system
CN101388070B (zh) * 2007-09-14 2011-11-30 鸿富锦精密工业（深圳）有限公司 选择最佳时机捕获影像的系统及方法
WO2009041963A1 (en) * 2007-09-24 2009-04-02 University Of Notre Dame Du Lac Iris recognition using consistency information
US8436907B2 (en) * 2008-05-09 2013-05-07 Honeywell International Inc. Heterogeneous video capturing system
KR100880256B1 (ko) * 2008-07-11 2009-01-28 주식회사 다우엑실리콘 실물 인식을 이용한 얼굴 인식 시스템 및 방법
US8213782B2 (en) 2008-08-07 2012-07-03 Honeywell International Inc. Predictive autofocusing system
US8090246B2 (en) * 2008-08-08 2012-01-03 Honeywell International Inc. Image acquisition system
US8280119B2 (en) 2008-12-05 2012-10-02 Honeywell International Inc. Iris recognition system using quality metrics
US8630464B2 (en) 2009-06-15 2014-01-14 Honeywell International Inc. Adaptive iris matching using database indexing
US8472681B2 (en) 2009-06-15 2013-06-25 Honeywell International Inc. Iris and ocular recognition system using trace transforms
US8742887B2 (en) 2010-09-03 2014-06-03 Honeywell International Inc. Biometric visitor check system
CA2816058A1 (en) 2010-10-29 2012-05-03 Dmitry Evgenievich Antonov Iris identification method of a person (alternatives)
US9124798B2 (en) * 2011-05-17 2015-09-01 Eyelock Inc. Systems and methods for illuminating an iris with visible light for biometric acquisition
JP6007682B2 (ja) * 2012-08-31 2016-10-12 富士通株式会社 画像処理装置、画像処理方法及びプログラム
CN103034861B (zh) * 2012-12-14 2016-12-21 北京航空航天大学 一种货车闸瓦故障的识别方法及装置
CN103150565A (zh) * 2013-02-06 2013-06-12 北京中科虹霸科技有限公司 便携式双眼虹膜图像采集和处理设备
KR101537997B1 (ko) * 2014-01-03 2015-07-22 고려대학교 산학협력단 공모 공격으로부터 안전한 클라이언트 인증 방법 및 클라이언트 인증 서버, 클라우드 서버, 클라이언트 인증 시스템
CN104021331A (zh) * 2014-06-18 2014-09-03 北京金和软件股份有限公司 一种用于具有人脸识别功能的电子设备的信息处理方法
JP6535223B2 (ja) * 2015-05-28 2019-06-26 浜松ホトニクス株式会社 瞬目計測方法、瞬目計測装置、及び瞬目計測プログラム
CN106899567B (zh) 2016-08-24 2019-12-13 阿里巴巴集团控股有限公司 用户核身方法、装置及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291560A (en) * 1991-07-15 1994-03-01 Iri Scan Incorporated Biometric personal identification system based on iris analysis
US6028949A (en) * 1997-12-02 2000-02-22 Mckendall; Raymond A. Method of verifying the presence of an eye in a close-up image
JP3610234B2 (ja) * 1998-07-17 2005-01-12 株式会社メディア・テクノロジー アイリス情報取得装置およびアイリス識別装置
US6247813B1 (en) * 1999-04-09 2001-06-19 Iritech, Inc. Iris identification system and method of identifying a person through iris recognition
KR20010006975A (ko) * 1999-04-09 2001-01-26 김대훈 동공 및 자율신경환의 반응에 의한 홍채인식방법
KR20020065249A (ko) * 2001-02-06 2002-08-13 이승재 홍채인식을 위한 저용량 특징벡터 추출과 유사도 측정 방법

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256632B (zh) * 2007-02-26 2011-10-19 索尼株式会社 信息处理装置和方法
CN102209975A (zh) * 2008-10-08 2011-10-05 虹膜技术公司 从眼睛图像获取关注区域和/或认知信息的方法
CN102693421A (zh) * 2012-05-31 2012-09-26 东南大学 基于sift 特征包的牛眼虹膜图像识别方法
CN102693421B (zh) * 2012-05-31 2013-12-04 东南大学 基于sift 特征包的牛眼虹膜图像识别方法
CN104182717A (zh) * 2013-05-20 2014-12-03 李强 一种虹膜识别装置
CN107787498A (zh) * 2015-06-15 2018-03-09 三星电子株式会社 用户验证方法及支持用户验证方法的电子装置
CN107787498B (zh) * 2015-06-15 2022-09-13 三星电子株式会社 用户验证方法及支持用户验证方法的电子装置
CN105488462A (zh) * 2015-11-25 2016-04-13 努比亚技术有限公司 眼睛定位识别装置和方法
CN108780229A (zh) * 2016-01-19 2018-11-09 奇跃公司 眼睛图像采集、选择和组合
CN108073889A (zh) * 2016-11-11 2018-05-25 三星电子株式会社 虹膜区域提取的方法和设备
CN106778535A (zh) * 2016-11-28 2017-05-31 北京无线电计量测试研究所 一种基于小波包分解的虹膜特征提取与匹配方法
CN107330402A (zh) * 2017-06-30 2017-11-07 努比亚技术有限公司 一种巩膜识别方法、设备及计算机可读存储介质
CN107330402B (zh) * 2017-06-30 2021-07-20 努比亚技术有限公司 一种巩膜识别方法、设备及计算机可读存储介质
CN111654468A (zh) * 2020-04-29 2020-09-11 平安国际智慧城市科技股份有限公司 免密登录方法、装置、设备及存储介质
CN111950403A (zh) * 2020-07-28 2020-11-17 武汉虹识技术有限公司 一种虹膜分类方法及系统、电子设备和存储介质
CN112270271A (zh) * 2020-10-31 2021-01-26 重庆商务职业学院 一种基于小波包分解的虹膜识别方法

Also Published As

Publication number Publication date
AU2002365792A1 (en) 2003-06-17
KR20030046007A (ko) 2003-06-12
KR100453943B1 (ko) 2004-10-20
US20050008201A1 (en) 2005-01-13
WO2003049010A1 (en) 2003-06-12

Similar Documents

Publication Publication Date Title
CN1599913A (zh) 虹膜识别系统和方法以及具有其程序的存储介质
CN1139039C (zh) 图象中图形的提取和识别以及异常判定的方法和装置
CN1818927A (zh) 指纹识别方法与系统
CN1573742A (zh) 图像检索系统、程序和方法及图像分类系统、程序和方法
CN1208947C (zh) 图像处理装置和方法、噪声量估算装置和方法及存储介质
CN1214340C (zh) 多个神经网络的成像设备和方法
CN1689042A (zh) 生物测量信息登记装置、生物测量信息校验装置、生物测量信息登记/校验系统和生物测量信息登记程序
CN1280773C (zh) 纸券类的特征量波形的偏移幅度计算方法
CN1794266A (zh) 生物特征融合的身份识别和认证方法
CN100345160C (zh) 一种控制平均亮度的直方图均衡方法
CN1311394C (zh) 用于二进制化图像的设备和方法
CN1945602A (zh) 一种基于人工神经网络的特征选择方法
CN1825381A (zh) 车号牌识别装置、车号牌识别装置的电动透镜的调整方法
CN101032159A (zh) 图像处理设备及其方法，图像处理程序
CN1552041A (zh) 人脸元数据生成与人脸相似度计算
CN1869992A (zh) 人物检索装置、人物检索方法和入退场管理系统
CN1707521A (zh) 图像处理设备、方法、记录介质和程序
CN1901672A (zh) 照相机系统、信息处理装置及方法
CN1894703A (zh) 模式识别方法、设备以及程序
CN1379364A (zh) 图形对照装置及其图形对照方法
CN1917578A (zh) 数据处理设备、数据处理方法及程序
CN1669052A (zh) 使用三维物体模型的图像匹配系统、图像匹配方法以及图像匹配程序
CN1251130C (zh) 多字体多字号印刷体藏文字符识别方法
CN1284686A (zh) 图案列匹配装置和图案列匹配方法
CN1200387C (zh) 基于单个字符的统计笔迹鉴别和验证方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication