关键字 |
| 生物识别技术，虹膜认证，小波变换，特征提取。 |
介绍 |
| 基于虹膜的自动个人识别技术被认为是人脸热像图、手静脉、步态、按键、气味、耳朵、手几何、指纹、人脸、视网膜、掌纹、语音和签名中最可靠的技术之一。虹膜位于人眼角膜和晶状体之间，如图1[13]所示。虹膜由一个被称为瞳孔的圆形孔在其中心附近穿孔。虹膜图案对一个人来说具有很强的区别性，甚至在同卵双胞胎之间和一个人的左眼和右眼之间都是不同的，而且从很远的地方就能看到。 |
| 虹膜识别问题可以分为两类:身份识别和身份验证。识别涉及一对多的比较，而认证则涉及将输入虹膜图像提取的特征与存储的模板进行一对一的比较。各种虹膜识别方法已经被推荐用于自动的个人识别和认证。虹膜识别系统分为四个阶段:分割、归一化、特征提取和匹配。特征提取是虹膜识别的重要一步。有一种观点认为，采用适当的特征提取技术，在不影响识别精度的情况下，减少模板特征的大小和计算时间，建立虹膜识别系统。 |
图1典型眼部图像[13]. |
| 不同的方法由研究人员建议提取虹膜特征。Daugman开发了第一个虹膜识别系统，并采用二维Gabor滤波器进行特征提取[1]。许多研究者提出了基于小波变换的虹膜特征提取方法。Jaemin Kim等人提出了一种利用连续小波变换提取虹膜图像特征的方法，该方法具有平移不变性和对噪声[2]的鲁棒性。为了降低计算成本，Xiaofu He等人推荐了基于复小波变换[4]的虹膜特征提取方法。 |
| 分别采用Haar、Daubechies、Coiflet、Symlet和Biorthogonal小波提取虹膜图像[5]的特征。利用复小波变换[6]、[12]、并进小波变换[3]、Daubechies D4小波[9]、离散小波变换[7]、[25]提取归一化虹膜图像的特征。林中华等人提出了基于Morlet小波变换实系数的虹膜识别方法，提高了识别速度[8]。Mohammed A. M. Abdullah等应用Haar小波，将LH4、HL4、LH5、HL5、HH5拼接，生成简化模板特征向量。系数[10]。Ayra G. Panganiban等人还利用Haar和Biorthogonal小波族在[11]各级对归一化虹膜图像进行了特征编码。 |
| 其余部分组织如下:第2节讨论虹膜认证系统。第三节给出实验结果和讨论。第四部分对全文进行了总结。 |
提出了系统 |
| 本文采用模式识别国家实验室(NLPR)提供的CASIA V3.0虹膜数据库。CASIA V3.0 Lamp虹膜数据库由756张灰度眼图像组成，其中108只眼睛，每只眼睛有7张不同的图像，分两次采集。这个数据库中眼睛图像的大小是320×280。 |
| 虹膜认证系统内置强大的数学和图像处理功能，采用MATLAB实现。虹膜认证系统可以分解为四个模块:分割、归一化、特征提取和匹配。 |
| 答:市场细分 |
| 眼睛图像包含虹膜，作为瞳孔和巩膜之间的环状部分，可以近似地视为圆圈。还有眼睛的其他部分，如眼睑，睫毛，这使得准确的识别程序变得困难。为了精确起见，需要在眼睛图像中分离出实际的虹膜区域。环形霍夫变换用于虹膜和瞳孔区域的定位。利用线性霍夫变换来定位眼睑遮挡和阈值分离睫毛和反射。首先分离虹膜/巩膜边界，以便更快地发现圆圈。发现虹膜/巩膜边界后，分离虹膜/瞳孔边界。最后通过Linear Hough transform[15]，[16]对眼睑拟合一条线，分离眼睑。分割后的虹膜图像如图2所示。 |
图2分节的虹膜 |
| b .正常化 |
图3道格曼橡胶板模型[1] |
| 由于光线、瞳孔大小和眼睛与相机的距离的差异，同一个人虹膜的大小可能会有所不同。虹膜匹配结果会受到这些方面的影响。为了得到准确的结果，有必要消除这些因素。因此，虹膜定位后，需要通过归一化将每个虹膜图像调整到相似的维度。 |
| 采用Daugman橡胶片模型[1]构造恒维虹膜区域归一化表示，如图3所示。虹膜区域内的点被重新映射到一对极坐标(r， θ)，其中r在区间[0,1]上，θ是角[0,2π]，如图3所示。 |
| 虹膜区域从笛卡尔坐标(x, y)到极坐标的重映射如下: |
 |
| 其中I(x, y)是虹膜区域图像，(x, y)是原始笛卡尔坐标，(r， θ)是相应的归一化极坐标，xp, yp和xi, yi是瞳孔和虹膜边界沿' θ '方向[2]的坐标。将Daugman橡胶片模型应用于分割后的虹膜图像，归一化后的虹膜图像如图4所示。 |
 |
| C.特征提取 |
| 特征提取是基于这些特征进行身份验证的重要过程。特征提取采用小波变换。虹膜图像在每个层次上分解为HH、LH、HL、LL四个系数。这里的“H”和“L”分别表示高通和低通滤波器。将归一化后的虹膜图像分解为最多四层，生成特征向量。HH4系数提供与HH1、HH2和HH3系数大致类似的信息。LH4和HL4也提供了类似于前面系数的模式。为了创建特征向量LH4和HL4相结合。本文采用Haar、Daubechies、Symlet和反向双正交小波进行特征提取。图5为4级db10小波分解的归一化虹膜图像。 |
 |
| 采用两级量化方法将整值特征向量编码为位值特征向量。大于或等于0的系数赋值为1，小于0的系数赋值为0[1]。 |
| d .匹配 |
| 虹膜认证系统的最后一个阶段是特征向量匹配。特征向量的匹配采用汉明距离[1]。为了比较特征向量Sj和Tj, HD(汉明距离)被定义为不同比特的和除以N，特征向量中的比特总数。 |
 |
结果与讨论 |
| 介绍虹膜认证系统的性能指标、使用的数据库和测试结果。在认证系统中，可以根据三种不同的错误率来评估性能:FAR、FRR和ERR。FAR(假接受率)度量了未经授权的用户被系统接受的概率。FRR (False Rejection Rate)，错误拒绝率(False Rejection Rate) FRR是指系统拒绝授权用户的概率。ERR(相等错误率)是FAR和FRR率相等的值。 |
| A.实验一 |
| 在第一个实验中，从CASIA虹膜V3.0 Lamp中获取200个用户的单眼图像，以确定每个小波族的最佳性能。注册和测试使用相同的眼睛图像。通过汉明距离的取值范围，确定了Haar、Daubechies、Symlet和反向双正交族的阈值。在不同汉明距离值下，所有小波族中以% FAR表示的最有效的小波如表I所示。 |
| 如图所示，阈值为0.36的Haar小波提供了最小的FAR= 1.52%。在symlet小波族中，对于0到0.42之间的阈值，sym10提供了最小的FAR=0%。在Daubechies小波族中，db10在0 ~ 0.39阈值之间提供了最佳性能FAR= 0%。在反向双正交族中，rbio5.5在0.36阈值时提供最小FAR=0%。不同汉明距离值下的% FAR如图6 - 9所示。Haar小波与symlet、daubechies和反向双正交相比，在所有汉明距离下都得到最大的% FAR。 |
 |
 |
 |
 |
| B.实验二 |
| 在第二个实验中，使用了来自CASIA V3.0 Lamp虹膜数据库的50人的4张不同的眼睛图像。一张眼睛图像用于注册，其余三张用于测试。haar、sym10、db10和rbio5.5小波在实验1.c中表现较好 |
| 表二为不同汉明距离下各小波的% FAR和% FRR。Haar、sym10、db10和rbio5.5小波的FRR值分别为1.34%、0.73%、0.62和0.65%。FAR=0%由这四个小波给出。 |
| 受试者工作特征(ROC)曲线是错误接受率(FAR)与错误拒绝率(FRR)曲线。图10至13的ROC曲线代表了ROC结果，也衡量了虹膜匹配过程的性能。 |
 |
 |
结论 |
| 本文评价了Haar、Daubechies、Symlet和逆双正交小波族的性能。在虹膜认证系统中，通过两个实验找出了这些小波的最佳性能。结果表明，db10小波的特征模板大小为1216位，FAR=0%， FRR=0.62%，具有较好的特征提取效果。表三给出了一些现有系统与所提方法所得结果的比较研究。采用db10小波变换，取得了较好的效果。 |
 |
参考文献 |
- J.道格曼，《通过统计独立测试对人的高置信视觉识别》IEEE事务模式分析与机器智能，第15卷，第1148 - 1161页，1993。
- Jaemin Kim, Seongwon Cho和Jinsu Choi，“基于小波特征的虹膜识别”，超大规模集成电路信号处理学报，Vol . 38, pp. 147-156, 2004。
- C.Sanchez Avila, R.Sanchez Avila和D. Martin Roche，“基于双进小波变换的虹膜生物特征识别”，IEEE AESS系统杂志，第3-6页，2002。
- 何晓夫，石鹏飞，“虹膜识别的复小波特征提取”，19个委员会的程序th模式识别国际会议，第1-4页，2008。
- SandipanP.Narote AbhilashaS。纳罗特和拉克斯曼。“基于虹膜的小波变换识别系统”国际计算机科学与网络安全杂志，卷9号11, pp. 101-104, 2009。
- S. Hariprasath和V.Mohan，“基于复小波和小波包变换的虹膜模式识别”，计算机应用杂志，第2卷，no。2，pp. 18-23, 2009.
- LeninaVithalraoBirgale和ManeshKokare，“使用离散小波变换的虹膜识别”，数字图像处理国际会议论文集，Pp . 147-151, 2009。
- 林中华，马红岩，“基于morlet小波变换实系数的虹膜识别方法”，信息处理国际学术研讨会论文集，黄山，中国， pp. 113-116, 2009。
- SomnathDey和DebasisSamanta，“虹膜生物识别系统的改进特征处理”，国际电气、计算机与系统工程杂志，第4卷，no。2, pp. 127-134, 2010。
- Mohammed A. M. Abdullah, F. H. A. Al-Dulaimi, Waleed Al-Nuaimy和Ali Al-Aataby，“基于小波变换的高效小模板虹膜识别系统”，国际生物计量学与生物信息学杂志，第五卷，no。1，页16-27,2011。
- Ayra G. Panganiban, Noel B. Linsangan和Felicito S. Caluyo，“基于小波变换的虹膜识别系统算法的实现”，国际信息与电子工程杂志，第二卷，no. 2。3, pp. 328-332, 2012。
- Rahul M.Nasare, Shashank G Hase和V.N.More，“复小波变换的虹膜识别”，国际工程与创新技术杂志，第1卷，no。4, pp. 119-123, 2012。
- CASIA虹膜图像数据库，http://www.cbsr.ia.ac.cn/english/Databases.asp引用于2009年7月10日。
- 小波教程由罗比波利卡尔，http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html，引用于2009年7月17日。
- L.Masek，“基于生物特征识别的人类虹膜模式识别”西澳大学学士学位论文, 2003年。
- R. Wildes，“虹膜识别:一种新兴的生物识别技术”IEEE会议进程第85卷，no。9，第1348-1363页，1997。
- L. Ma, Tan Tieniu, Wang Yunhong，“基于圆形对称滤波器的虹膜识别”，16的处理th模式识别国际会议， vol.2, pp.414-417, 2002。
- 1Chia Te Chu，陈庆汉，“基于LDA和LPCC的高性能虹膜识别，”十七届会议记录thIEEE工具国际会议人工智能(ICTAI ' 05)，第417-421页，2005。
- Maheswari, P.Anbalagan和T.Priya，“通过改进虹膜分割算法实现高效虹膜识别”，ICGSTGVIP杂志，第八卷第二期，页29-35,2008。
- Sunita V. Dhavale，“基于walshhadamard变换域统计特性的鲁棒虹膜识别”，国际计算机科学问题杂志，第9卷，第1期，第1期。2, pp.118-123, 2012。
- AdityaAbhyankar, laurence hornak和Stephanie Schuckers，“基于双正交小波的虹膜识别”，SPIE进展，人类识别生物特征技术II, 59；doi: 10.1117/12.604212 2005人。
- NimaTajbakhsh, KhashayarMisaghian, and NaghmehMohammadiBandari，“基于二维小波变换的区域虹膜特征提取方法”，Bio_ID_MultiComm，5707信号， pp. 301-307, 2009。
- sunitalokhanhram, N. Bapat，“小波包分解用于生物特征识别的虹膜识别”，国际工程研究与技术杂志《中国科学》，2012年第1卷第4期，第1-7页。
- Mahmoud Elgamal和Nasser Al-Biqami，“基于小波变换的高效虹膜识别特征提取方法”，国际计算机与信息技术杂志《中国科学》，2013年第2卷第03期，第521-527页。
- AmelSaeedTuama(2012)，“虹膜图像分割和识别”，国际补偿科学新兴技术杂志，第3卷，no。2页60-65
|
菜单
