李星野, 劉新亮

(上海理工大學(xué)管理學(xué)院,上海 200093)

虹膜識(shí)別

李星野, 劉新亮

(上海理工大學(xué)管理學(xué)院,上海 200093)

系統(tǒng)闡述了虹膜識(shí)別的原理和實(shí)現(xiàn)方法,提出將小波變換與Hough變換相結(jié)合定位虹膜外邊界,采用同心圓漸變展開虹膜圖像為矩形圖像,根據(jù)紋理分布方差對(duì)分類距離加權(quán).新算法在保持平移和縮放不變性的同時(shí),有效地實(shí)現(xiàn)了虹膜識(shí)別.

虹膜識(shí)別;小波變換;分類

隨著社會(huì)經(jīng)濟(jì)的進(jìn)步,網(wǎng)絡(luò)化和信息化技術(shù)的深入發(fā)展,人們對(duì)身份識(shí)別提出了更高的要求.生物特征識(shí)別技術(shù)相對(duì)傳統(tǒng)識(shí)別技術(shù),具有不易遺忘、防偽性能好、隨身“攜帶”和隨時(shí)可用等優(yōu)點(diǎn),因此受到人們的高度關(guān)注[1].虹膜識(shí)別技術(shù)是生物識(shí)別技術(shù)中的一個(gè)主要發(fā)展方向.虹膜位于人眼表面黑色瞳孔和白色鞏膜之間,是圓環(huán)狀區(qū)域,由相當(dāng)復(fù)雜的纖維組織構(gòu)成,在紅外光下可以看到豐富的紋理信息,如斑點(diǎn)、條紋、細(xì)絲、隱窩等細(xì)節(jié)特征,其內(nèi)部結(jié)構(gòu)在出生之前就以隨機(jī)組合方式?jīng)Q定下來.對(duì)于每個(gè)人來說,虹膜的結(jié)構(gòu)各不相同,并且這種獨(dú)特的虹膜結(jié)構(gòu)在人的一生中幾乎不發(fā)生變化[2].自從Daugman提出特征描述和相似性判別算法之后[3-4],人們對(duì)虹膜識(shí)別進(jìn)行了大量的研究.大部分工作都是在運(yùn)算速度方面對(duì)Daugman算法進(jìn)行改進(jìn);Wildes使用基于梯度的邊緣檢測(cè)算子和三維空間搜索算法實(shí)現(xiàn)了虹膜識(shí)別[5],該算法的計(jì)算開銷較大,過于耗時(shí);Boles提出了基于小波變換的過零檢測(cè)識(shí)別算法[6],該算法丟失了大量二維信息,在大范圍內(nèi)尚未取得滿意的效果.目前比較成熟的算法是先由Canny算子結(jié)合Hough變換定位虹膜,之后經(jīng)矩形展開、多通道Gabor濾波以及Hamming距離分類實(shí)現(xiàn)虹膜識(shí)別.這些算法普遍具有較高的時(shí)間復(fù)雜度和空間復(fù)雜度,且不能很好地濾除虹膜圖像中的無關(guān)信息,直接影響虹膜的定位以及后續(xù)的分類識(shí)別.本文對(duì)流行的虹膜識(shí)別算法做了較大規(guī)模改進(jìn).首先在虹膜定位部分,用小波變換替代Canny算子,使虹膜外邊界的定位具備一定的自適應(yīng)性;其次,用同心圓漸變展開虹膜,更好地保持了像素的灰度分布信息;在此基礎(chǔ)上根據(jù)灰度分布對(duì)圖像進(jìn)行了增強(qiáng);最后根據(jù)小波變換提取的紋理特征能量分布重新定義了用標(biāo)準(zhǔn)差加權(quán)的分類距離,成功地實(shí)現(xiàn)了具有旋轉(zhuǎn)、平移和尺度伸縮不變性的虹膜特征提取及分類.

1 虹膜圖像的預(yù)處理

虹膜是位于黑色瞳孔與白色鞏膜之間的環(huán)狀組織,如圖1所示,通常情況下其內(nèi)外邊界均會(huì)發(fā)生一定的位移,所以要對(duì)其內(nèi)外邊界分別進(jìn)行定位和配準(zhǔn).

圖1 原始虹膜圖像Fig.1 Original iris image

1.1 虹膜內(nèi)邊界定位

所謂虹膜內(nèi)邊界,就是瞳孔的邊界.由于瞳孔的灰度值遠(yuǎn)小于其周圍眼組織的灰度值,而且其像素點(diǎn)分布密集,所以便于分割.基于以上特點(diǎn),使用閾值分割方法對(duì)圖像進(jìn)行二值化,將瞳孔從圖像中分離,精確得到虹膜內(nèi)邊界的圓心和半徑.

具體操作步驟如下:

a.繪出人眼圖像的灰度分布直方圖(圖2).

b.確定閾值,對(duì)圖像進(jìn)行二值化分割.記灰度分布直方圖函數(shù)為f(Ⅰ),f(Ⅰ)是灰度值為Ⅰ的像素點(diǎn)個(gè)數(shù),則f(Ⅰ)應(yīng)有若干局部極大值.由于瞳孔內(nèi)的像素灰度非常集中,所以,在直方圖中,這些灰度的f(Ⅰ)值明顯大于其他灰度的f(Ⅰ)值.根據(jù)直方圖,首先從0灰度遍歷灰度軸(橫軸)至100灰度,記=max{Ⅰ|f(Ⅰ)＞3 000},然后在的后續(xù)灰度值上對(duì)f(Ⅰ)做差分

當(dāng)c＞5時(shí),記T=Ⅰ+1.

圖2 虹膜圖像灰度分布直方圖Fig.2 Gray level histogram of iris image

將瞳孔投影到X軸和Y軸上,定義(x,y)處像素灰度為

則可得二值化圖像.對(duì)此二值圖像進(jìn)行形態(tài)學(xué)閉操作,去掉睫毛和噪聲的干擾,使瞳孔的邊界變得更為平滑,如圖3所示.

圖3 瞳孔邊界定位Fig.3 Locating pupillary boundary

c.確定瞳孔在X軸、Y軸上投影的最大、最小坐標(biāo)xmax,xmin,ymax和ymin及瞳孔的圓心坐標(biāo)(x0,y0)[7].此時(shí)x0=(xmax+xmin)/2,y0=(ymax+ymin)/2;進(jìn)一步可得瞳孔半徑為r0=max[(xmaxxmin)/2,(ymax-ymin)/2].

1.2 虹膜外邊界定位

雖然虹膜同鞏膜的灰度值相差得也比較大,但是從虹膜的像素點(diǎn)到鞏膜的像素點(diǎn)的過渡相對(duì)平緩,同值像素分布不如瞳孔像素分布那樣集中,直接用直方圖來進(jìn)行閾值分割,效果不理想.采用小波變換初步確定虹膜外邊界輪廓,虹膜外邊界的精確定位仍然要用Hough變換.

虹膜外邊界的初步提取:

在原始虹膜圖像中,睫毛和噪聲處于圖像的最高頻部分,紋理特征也最明顯,而且經(jīng)常掩蓋虹膜外邊界的紋理特征.通過低通濾波可以消除睫毛和噪聲的主要影響.本文采用標(biāo)準(zhǔn)差σ=10的Gauss低通濾波器對(duì)虹膜圖像進(jìn)行二維Gauss低通濾波,濾波后的低頻圖像在保留虹膜外邊緣輪廓的同時(shí),較好地消除了睫毛等無關(guān)組織的影響,如圖4所示.

圖4 高斯低通濾波的虹膜圖像平滑F(xiàn)ig.4 Iris image smoothed by Gaussian lowpass filter

小波變換是常用的圖像分析手段,在紋理識(shí)別中有較多的應(yīng)用.二維圖像的一級(jí)小波分解將得到4部分系數(shù):LL1、LH1、HL1和HH1.其中,LL1為雙向低頻系數(shù),LH1為水平低頻、垂直高頻系數(shù),HL1為垂直低頻、水平高頻系數(shù),HH1為雙向高頻系數(shù),如圖5所示.當(dāng)圖像在某一方向上具有較明顯的紋理特征時(shí),與之對(duì)應(yīng)的高頻系數(shù)就比較大.以此類推,可以對(duì)低頻系數(shù)LL1進(jìn)一步分解,得到圖像的多級(jí)小波分解,如圖6中的三級(jí)小波分解.

圖5 圖像一級(jí)小波分解Fig.5 Image decomposed by 1-level discrete wavelet

圖6 圖像三級(jí)小波分解Fig.6 Image decomposed by 3-level discrete wavelet

通過小波變換可以從濾波后的虹膜圖像中初步提取虹膜外邊界.在對(duì)整個(gè)虹膜圖像做小波變換之前,先截取一塊64×64大小、含有虹膜外邊界的圖像,對(duì)其進(jìn)行三級(jí)小波分解,提取絕對(duì)值最大的雙向高頻系數(shù)wmax;然后對(duì)整幅圖像進(jìn)行三級(jí)小波分解,κ倍提升幅值在(wmax-p,wmax+p)和(-wmax-p,-wmax+p)范圍內(nèi)的雙高頻系數(shù),其中,p值待定,同時(shí)將其他小波變換系數(shù)置0.事實(shí)上,上述過程相當(dāng)于對(duì)虹膜圖像進(jìn)行帶通濾波,同時(shí)提升虹膜外邊界紋理的頻率和強(qiáng)度.這種經(jīng)過帶通濾波和頻率強(qiáng)度提升的圖像顯示出比較清晰的虹膜外邊界輪廓.實(shí)驗(yàn)表明p=10、κ=40時(shí),虹膜外緣輪廓最為明顯.

虹膜外邊界的精確提取:

基于Hough變換的邊界定位算法用于二值圖像更有效[8].為此二值化處理前述帶通濾波虹膜圖像.實(shí)驗(yàn)證明,二值化的灰度門限取在區(qū)間(50,100)內(nèi),可以進(jìn)一步突出虹膜外邊界.

現(xiàn)用Hough變換精確定位虹膜外邊界.Hough變換將求最優(yōu)解歸結(jié)為求最大計(jì)數(shù)值,而且這樣得到的最優(yōu)解是全局最優(yōu)解.該算法的固有缺點(diǎn)是計(jì)算量大.此處根據(jù)虹膜的特殊性對(duì)算法略加改進(jìn).

通過實(shí)驗(yàn)發(fā)現(xiàn),即使在最極端的情況下,虹膜外邊界的圓心也會(huì)全部落在瞳孔的內(nèi)部.而且,由于虹膜圖像的采集裝置同被采集對(duì)象之間的距離相對(duì)恒定,虹膜外圓的半徑一般都在90～120個(gè)像素之間.因此,設(shè)計(jì)如下算法:

a.將二值邊緣圖像按比例縮小,以降低計(jì)算量.

b.以瞳孔圓心(x0,y0)為中心,依圖像坐標(biāo)系,將π/3～2π/3和4π/3～5π/3這兩個(gè)扇形區(qū)域內(nèi)的灰度置0,以進(jìn)一步消除睫毛、眼瞼及噪聲的影響,同時(shí)進(jìn)一步減少計(jì)算量.

c.根據(jù)Hough變換的原理,使用圓形檢測(cè)方法.

對(duì)于瞳孔內(nèi)像素點(diǎn)(x m,y m)和(rmin,rmax)的r l,定義計(jì)數(shù)器

一般來說rmin≈90,rmax≈120.但是,本文為了減少計(jì)算量,收縮了圖像,因此,這兩個(gè)值更小一些.門限d為r l的取值間隔一半.

d.按比例還原所有圖像和參數(shù)值,得到精確的虹膜外邊界,如見圖7所示.

圖7 虹膜外邊界的定位Fig.7 Locating the outer edge of iris

在以往算法中,大多使用Canny算子提取紋理特征后用Hough變換定位虹膜外邊界[9].該方法很難有效抑制睫毛和眼瞼的影響,可能導(dǎo)致分割失敗.圖8是Canny算子定位失敗的一個(gè)例子,而圖9顯示用小波變換定位同一虹膜成功了.在大樣本情況下,Canny算子參數(shù)值的選取往往需要調(diào)整,導(dǎo)致算法的自適應(yīng)程度較低.

圖8 Canny算子的定位效果Fig.8 Location effects of Canny operator

圖9 小波變換的定位效果Fig.9 Location effects of wavelet transform

2 虹膜圖像的展開

目前成熟的圖像處理算法都針對(duì)矩形圖像.因此,將前面提取出來的環(huán)狀虹膜圖像轉(zhuǎn)換成矩形圖像是很自然的想法.對(duì)這種轉(zhuǎn)換的一個(gè)基本要求是其能夠保持虹膜的紋理分布,極坐標(biāo)變換在一定程度上實(shí)現(xiàn)了這一目標(biāo).然而極坐標(biāo)變換會(huì)不可避免地破壞虹膜的紋理分布.本文設(shè)計(jì)了基于同心圓漸變的虹膜展開算法,該算法更簡(jiǎn)單直觀,而且更好地保持了虹膜的紋理分布.

理想的虹膜圖像應(yīng)為兩個(gè)同心圓界定的圓環(huán)(見圖10(a)).圓環(huán)的圓心為(x0,y0),內(nèi)圓半徑為r0,外圓半徑為r1.如果認(rèn)為該圓環(huán)由無數(shù)個(gè)同心圓形成,那么這些圓的圓心均為(x0,y0),半徑則從r0逐漸增至r1.實(shí)際提取的虹膜圖像會(huì)發(fā)生偏移,本文將這一現(xiàn)象視為所有同心圓相對(duì)外圓的同向均勻偏移結(jié)果(見圖10(b)).

圖10 虹膜展開示意圖Fig.10 Iris spreading sketch map

此時(shí)只要確定了內(nèi)外圓之間各圓的圓心和半徑,就可以用一次保角映射把圓環(huán)均勻地變換為矩形.如圖10(b)所示,假定內(nèi)圓相對(duì)外圓發(fā)生偏移后,內(nèi)圓圓心為(x0,y0),外圓圓心為(x1,y1),半徑均不變.因?yàn)閮?nèi)外圓之間的所有圓都均勻地同向偏移,所以內(nèi)外圓之間所有圓的圓心都在(x0,y0)與(x1,y1)的連線上.

任取內(nèi)外圓之間的一個(gè)圓,如圖10(b)中虛線圓,并假定其圓心為(x c,y c),半徑為r c,則(x c,y c)在(x0,y0)與(x1,y1)的連線上,r0≤r c≤r1.記(x0,y0)與(x1,y1)連線的延長(zhǎng)線與內(nèi)圓、外圓、虛線圓的焦點(diǎn)為A、B、C(圖10(b)),則在均勻偏移的條件下應(yīng)有

又由(x c,y c)在(x0,y0)與(x1,y1)的連線上可知

上述算法是根據(jù)A、B、C這3點(diǎn)確定(x c,y c)和r c.

事實(shí)上,任取(x0,y0)與(x1,y1)連線上一點(diǎn)(x c,y c),如果內(nèi)圓向外圓的偏移是均勻的,那么以(x c,y c)為圓心的(虛線)圓半徑就應(yīng)為

如此得到的圓經(jīng)一次保角映射就可以變換為直線.將虹膜環(huán)中每個(gè)圓都變換為直線,并按原相對(duì)位置組合成矩形圖像就是虹膜的展開圖像.需要注意的是:為了保證展開后的虹膜圖像是矩形,虹膜環(huán)內(nèi)每個(gè)圓上的像素個(gè)數(shù)要相同.

本文給出的虹膜展開算法比其它展開算法更直觀快捷,同時(shí)還更好地保持了虹膜的紋理分布.展開后的虹膜圖像厚度大都在60～70像素之間.因?yàn)檠劬Φ拈]合程度不同,上下睫毛和多余眼瞼的影響差異較大,并且虹膜外邊緣附近紋理比較稀疏,大部分有效紋理信息都集中在靠近瞳孔的區(qū)域[10],所以本文只保留了虹膜內(nèi)圓一側(cè)對(duì)應(yīng)的32×1 024大小矩形(見圖11和圖12).為了進(jìn)一步加大紋理的作用,通過灰度直方圖增強(qiáng)了虹膜展開圖像的反差后面的實(shí)驗(yàn),對(duì)這種增強(qiáng)的效果作了對(duì)比.

圖11 分割提取出的虹膜圖像Fig.11 Iris image extracted from original image

圖12 展開后的虹膜圖像靠近瞳孔一側(cè)部分Fig.12 Pupillary side half iris texture after spreading sketch map

3 虹膜圖像特征提取

對(duì)展開后的虹膜圖像,可以進(jìn)行標(biāo)準(zhǔn)的圖像處理操作,以便提取虹膜的紋理特征.考慮到圖像紋理的空間分布相對(duì)復(fù)雜,難以把握;大多數(shù)算法都是從變換域提取圖像特征;而離散余弦變換和離散Fourier變換的混疊作用會(huì)模糊某些特征,使這些特征不足以用來分類.因此小波變換就成為比較好的選擇.小波變換能在維持紋理分布的同時(shí)提取出紋理特征[11].為了有效分類虹膜,合理選取特征值很重要.特征值過多,則計(jì)算量較大,難以滿足實(shí)時(shí)要求;特征值過少,則不能有效分類.本文采用各尺度小波變換系數(shù)的平均能量作為特征值,這也是計(jì)算復(fù)雜度和有效分類之間的折衷,同時(shí)采用這種特征值還能保證提取出來的紋理特征不受平移和伸縮的影響.

鑒于虹膜展開后的矩形圖像為32×1 024,最多可以進(jìn)行5級(jí)二維離散小波分解.變換得到的小波系數(shù)分4類:HH、LH、HL、LL(參見圖6和圖7).其中,HH類系數(shù)分為5個(gè)尺度,由1尺度HH1到5尺度HH5的系數(shù)個(gè)數(shù)依次為16×512、8×256、4×128、2×64、1×32(在小波變換結(jié)果中,這些系數(shù)按矩陣形式排列);類似地,LH類系數(shù)和HL類系數(shù)也都分為5個(gè)尺度,由1尺度到5尺度的系數(shù)個(gè)數(shù)同樣依次為16×512、8×256、4×128、2×64、1×32;另外,還有1×32個(gè)LL5系數(shù).逐個(gè)計(jì)算各類、各尺度系數(shù)的平均能量,可得16個(gè)特征值.例如,LH2系數(shù)的平均能量為

式中,a ij(i=1,2,…,8,j=1,2,…,256)為L(zhǎng)H2小波變換系數(shù)(也就是2尺度水平低頻、垂直高頻系數(shù),在小波變換結(jié)果中,這些系數(shù)排成8行256列).

類似計(jì)算其他特征值.

4 虹膜圖像的特征分類

有了特征值,就可以根據(jù)特征值進(jìn)行分類.實(shí)驗(yàn)發(fā)現(xiàn),16個(gè)特征值差別很大.而不同虹膜間的差別并不一定體現(xiàn)在較大的特征值上.因此本文設(shè)計(jì)了基于標(biāo)準(zhǔn)化方差的加權(quán)分類距離.

假設(shè)訓(xùn)練樣本來自M個(gè)虹膜,每個(gè)虹膜有N個(gè)樣本(每個(gè)虹膜的樣本數(shù)也可能不同,但是對(duì)算法沒有本質(zhì)影響,所以這種假設(shè)不失一般性),從每個(gè)樣本提取L個(gè)特征值(本文的L=16).

記從第i個(gè)虹膜之第j個(gè)樣本提取的特征向量(含L個(gè)特征值)為χij,則第i個(gè)虹膜的平均特征向量為

σ2k刻畫了第k個(gè)特征值的分散程度.因?yàn)榻?jīng)過了標(biāo)準(zhǔn)化,所以不同特征值的方差具有可比性.很明顯,特征值的方差越大,它在分類中的作用就越大.

定義用標(biāo)準(zhǔn)化方差加權(quán)的分類距離

5 實(shí)驗(yàn)結(jié)果和分析

5.1 實(shí)驗(yàn)內(nèi)容說明

為了便于比較和說明,本文采用CASIA虹膜圖像數(shù)據(jù)庫進(jìn)行算法測(cè)試.CASIA虹膜圖像數(shù)據(jù)庫(1.0版)包括108人,共758只眼睛的虹膜圖像樣本,每只眼睛有7幅8位的灰度圖像,分辨率為320×280.首先用數(shù)據(jù)庫中每組第二階段的虹膜圖像作為訓(xùn)練樣本,然后用每組中第一階段的虹膜圖像測(cè)試.分別采用Haar型和Daubechies 4型小波進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果如表1所示.

5.2 實(shí)驗(yàn)結(jié)果分析

對(duì)于Haar小波變換后的特征提取方法,去除雙低頻系數(shù)LL對(duì)識(shí)別準(zhǔn)確率沒有影響,而去除雙高頻系數(shù)HH或水平低頻、垂直高頻系數(shù)LH與垂直低頻、水平高頻系數(shù)HL會(huì)帶來識(shí)別準(zhǔn)確率的下降,說明雙高頻系數(shù)、水平低頻、垂直高頻系數(shù)及垂直低頻、水平高頻系數(shù)特征值對(duì)于分類效果的影響較大.而在對(duì)虹膜展開圖像進(jìn)行直方圖灰度增強(qiáng)后,可以使識(shí)別準(zhǔn)確率略有上升,最好的識(shí)別準(zhǔn)確率達(dá)到94%.

表1 Haar小波和Daubechies 4小波分類效果比較Tab.1 Classification effect based on Haar wavelet and Daubechies 4 wavelet

無論是否對(duì)虹膜展開圖像進(jìn)行直方圖灰度增強(qiáng),只要使用同樣的特征值,db4小波的識(shí)別準(zhǔn)確率都比使用Haar小波高,最好的識(shí)別準(zhǔn)確率達(dá)到96%.實(shí)驗(yàn)表明,雙低頻系數(shù)LL對(duì)于虹膜識(shí)別無明顯貢獻(xiàn),所以在虹膜識(shí)別過程中,應(yīng)該以雙高頻系數(shù)HH、水平低頻、垂直高頻系數(shù)LH以及垂直低頻、水平高頻系數(shù)HL作為特征值.事實(shí)上,圖像紋理是灰度的快變化造成的,它只能體現(xiàn)在變換域的高頻部分.

6 結(jié) 論

對(duì)虹膜識(shí)別算法進(jìn)行了全方位的改進(jìn).首先是在虹膜外邊界定位方面,用小波變換替代Canny算子,通過帶通濾波和紋理頻率強(qiáng)度提升實(shí)現(xiàn)的虹膜外邊界定位不僅具有一定的自適應(yīng)性,還提高了定位精度;其次是使用同心圓漸變展開虹膜圖像,既簡(jiǎn)單直觀,又能更好地保持紋理分布;第三是根據(jù)特征值的標(biāo)準(zhǔn)差定義了加權(quán)分類距離,實(shí)現(xiàn)更有效的分類.通過直方圖灰度增強(qiáng)提高識(shí)別準(zhǔn)確率也是本文的一個(gè)成功嘗試.

本文的研究重點(diǎn)是虹膜特征提取和分類距離設(shè)計(jì),所提出的同心圓漸變展開結(jié)合小波變換提取特征使整個(gè)識(shí)別算法不受虹膜圖像的平移和伸縮影響,所提出的分類距離在達(dá)到一定識(shí)別精度的同時(shí)具有較小的在線計(jì)算量.為使本文提出的算法達(dá)到可以實(shí)用的程度,還需要進(jìn)行一些非本質(zhì)的加工.例如,為了使識(shí)別算法不受旋轉(zhuǎn)影響,應(yīng)該同時(shí)識(shí)別虹膜圖像及其旋轉(zhuǎn)若干個(gè)角度的圖像,對(duì)于本文提出的算法,只需左、右平移展開后的虹膜圖像若干次(平移3個(gè)像素大致相當(dāng)于旋轉(zhuǎn)1°).為了達(dá)到理想的識(shí)別精度,通常的做法是對(duì)已有虹膜樣本進(jìn)行所謂的訓(xùn)練,即分別求得同一虹膜的不同圖像間距離之分布密度曲線、不同虹膜圖像間距離之分布密度曲線,以兩條密度曲線交點(diǎn)的橫坐標(biāo)作為分類的臨界距離,按此臨界距離識(shí)別,基本上都可以達(dá)到100%的識(shí)別精度,關(guān)鍵是要適當(dāng)選取特征值和分類距離,以便在保證識(shí)別精度的前提下盡可能提高識(shí)別速度.本文使用的特征值不超過16個(gè),明顯少于同類識(shí)別算法,但是所用加權(quán)距離的計(jì)算復(fù)雜度高于Hamming距離,如何在特征值和分類距離之間取得最佳折中是一個(gè)值得不斷深入研究的問題.

[1] 王蘊(yùn)紅,朱勇,譚鐵牛.基于虹膜識(shí)別的身份鑒別[J].自動(dòng)化學(xué)報(bào),2002,28(1):1-10.

[2] 孫哲南,譚鐵牛.虹膜識(shí)別研究與應(yīng)用綜述[J].自動(dòng)化博覽,2005(2):25-26.

[3] DAUGMAN J G.How iris recognition works[J].IEEE Trans on Circuit and Systems for Video Technology,2004,14(1):21-30.

[4] DAUGMAN JG.High confidence visual recognition of persons by a test of statistical independence[J].IEEE Trans on Pattern Analysis and Machine Intelligence,1993,15(11):1148-1161.

[5] WILDESR P.Iris recognition:an emerging biometric technology[J].Proceedings of the IEEE,1997,85(9):1348-1363.

[6] BOLESW,BOASHAH B.A human identification technique using images of the iris and wavelet transform[J].IEEE Trans on Signal Processing,1998,46(4):1185-1188.

[7] 薛白,劉文耀,王金濤,等.虹膜圖像預(yù)處理算法研究[J].光電子·激光,2003,14(7):741-744.

[8] 張超,袁曉燕,施鵬飛.虹膜內(nèi)外邊緣的快速定位算法[J].計(jì)算機(jī)工程與應(yīng)用,2005(27):60-61.

[9] Canny J.Finding a computational approach to edge detection[J].IEEE Trans.Pattern Analysis and Machine Intelligence,1986,8(1):679-697.

[10] 王利志.虹膜瞳孔區(qū)的形態(tài)及其與重瞼的關(guān)系[J].中華整形燒傷外科雜志,1993,9(4):298-299.

[11] 孟愛國,劉國彥,李峰.基于多層小波分解的虹膜識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用,2005(22):59-61.

Iris recognition

LIXing-ye, LIUXin-liang
(Business School,University of Shanghai for Science and Technology,Shanghai 200093,China)

The principle and algorithm of iris recognition were expounded systematically.Three new ideas were presented:locating the outside edge effectively by combining wavelet transform and Hough transform,spreading the iris image to the rectangular image by gradually changing concentric circles,and weighting the classification distance based on the distribution variance of texture feature.This algorithm retains the characteristics of rotation,translation and scale invariants and realizes the iris recognition effectively.

iris recognition;wavelet transform;classification

TP 391.4

A

1007-6735(2011)04-0384-07

2011-01-10

國家自然科學(xué)基金資助項(xiàng)目(71071098);上海市重點(diǎn)學(xué)科建設(shè)資助項(xiàng)目(S30501)

李星野(1958-),男,教授.研究方向:數(shù)字圖像處理、時(shí)間序列分析、控制系統(tǒng)建模.E-mail:lixingye@usst.edu.cn