关键字 |
| 虹膜特征，眼周特征，分割，GeoKey编码 |
介绍 |
| 在成像科学中，图像处理是任何形式的信号处理，其输入是图像，如照片或视频帧;图像处理的输出可以是一幅图像或一组与图像相关的特征或参数。图像的获取称为成像。 |
| 图像处理技术步骤: |
| 1.图像采集是第一个过程。通常这一阶段包括缩放等预处理。 |
| 2.图像增强，其思想是突出图像中被掩盖的细节或简单地突出图像中感兴趣的某些特征。 |
| 3.图像恢复是一个处理改善图像外观的领域。与增强是主观的不同，图像恢复是客观的。图像复原技术往往基于图像退化的数学模型或概率模型。 |
| 4.彩色图像处理。 |
| 5.小波是表示不同分辨率图像的基础。 |
| 6.压缩处理减少保存图像所需的存储空间或传输图像所需的带宽的技术。 |
| 7.形态学处理处理用于提取图像成分的工具，这些成分在形状的表示和描述中是有用的。 |
| 8.分割程序将图像划分为其组成部分或对象。 |
| 9.表示和描述几乎总是跟随分割阶段的输出，通常是原始像素数据，构成区域的边界。表示首先处理数据应该表示为边界还是完整的区域。选择表示法只是将原始数据转换为适合后续计算机处理的形式的解决方案的一部分。还必须指定用于描述数据的方法，以便突出显示感兴趣的特性。 |
| 描述或特征选择处理提取属性，这些属性导致一些感兴趣的定量信息，或者是区分一类对象与另一类对象的基本信息。 |
| 10.物体识别，对捕获的图像进行编码。然后使用存储的模板捕获该图像以进行识别。 |
| 身份管理指的是为授权用户提供安全、便捷的跨各种网络系统访问信息和服务的挑战。可靠的身份管理系统是一些仅向合法用户提供服务的应用程序的关键组件。此类应用的例子包括对安全设施的物理访问控制、电子商务、计算机网络的访问和福利分配。身份管理系统的主要任务是确定个人的身份。建立个人身份的传统方法包括基于知识(例如，密码)和基于令牌(例如，身份证)的机制。这些身份的替代表示很容易丢失、共享或被盗。因此，在现代世界中，它们不足以用于身份验证。生物识别技术通过基于个人固有的生理和/或行为特征来识别个人，为身份确定问题提供了一个自然而可靠的解决方案。 |
| 静脉匹配，也称为血管技术，是一种通过分析皮肤表面可见的血管模式的技术。但是它们通常不能为关键的验证决策提供足够的数据点。人脸识别效果不佳的情况包括光线差、太阳镜、长发或其他部分覆盖受试者面部的物体，以及低分辨率的图像。另一个严重的缺点是，如果面部表情变化，许多系统的效率就会降低。 |
| DNA匹配的一个局限性与对DNA匹配真正含义的误解有关。从犯罪现场提取的DNA与从嫌疑人身上提取的DNA相匹配并不能绝对保证嫌疑人有罪。 |
| 虹膜识别是一种基于人体生理特征的生物特征识别技术，与基于指纹、掌纹、人脸、声音等特征识别相比，虹膜具有唯一性、稳定性、识别率高、不侵权等优点，目前虹膜模式已在许多现场和实验室试验中得到验证，在数百万次对比试验中没有出现假匹配。这些特征使得它非常适合作为识别个人的生物特征。 |
| 虹膜是一种薄薄的圆形隔膜，位于角膜和晶状体之间。虹膜由一个被称为瞳孔的圆形孔在其中心附近穿孔。虹膜的功能是控制进入瞳孔的光量，这是由括约肌和扩张肌完成的，它们调节瞳孔的大小。虹膜的平均直径为12毫米，瞳孔大小可以从虹膜直径的10%到80%不等。 |
| 人的虹膜在怀孕的第三个月开始形成，到第8个月结构就完成了，尽管颜色和色素沉着在出生的第一年继续形成。在那之后，虹膜的结构在人的一生中都保持稳定，除非眼部手术造成直接的物理损伤或变化。这使得虹膜图案的使用像指纹一样独特，然而，另一个优点是它是一个内部器官，在人的一生中不太容易受到损害。图1.1为虹膜解剖图。虹膜解剖结构与所提出的虹膜识别方法更相关。因此，关键的可见特征，如图1.1所示，可以如下所示。 |
| 内眦:上眼睑和下眼睑之间靠近脸中心的角度。 |
| 巩膜:眼睛图像上的白色区域。 |
| 瞳孔:眼睛图像中最暗的部分。 |
| 瞳孔区:虹膜的内部部分，其边缘形成瞳孔的轮廓。 |
| 睫状体区:瞳孔区到睫状体的虹膜区。这是扩张肌的区域，它打开了这个区域的瞳孔。 |
| 基质纤维:构成虹膜大部分可见区域的色素纤维血管组织。 |
| 虹膜由许多层组成;最低层是上皮细胞层，其中含有密集的色素沉着细胞。基质层位于上皮层之上，包含血管、色素细胞和两个虹膜肌。基质色素沉着的密度决定了虹膜的颜色。多层虹膜的外部可见表面包含两个区域，通常颜色不同。一个是外睫状体区，一个是内瞳孔区，这两个区域是由一个锯齿状的衣领划分的。 |
| 图像处理技术可用于从眼睛的数字化图像中提取独特的虹膜图案，并将其编码为生物特征模板，可存储在数据库中。该生物特征模板包含存储在虹膜中的独特信息的客观数学表示，并允许在模板之间进行比较。当受试者希望被虹膜识别系统识别时，他们的眼睛首先被拍照，然后为他们的虹膜区域创建一个模板。然后将该模板与存储在数据库中的其他模板进行比较，直到找到匹配的模板并标识主题，或者没有找到匹配且主题仍然未标识。虹膜识别系统的流程图如图1.2所示。 |
| 在本文中，我们提出了一种利用眼周特征和虹膜特征来提高识别精度的方法。本文的组织结构如下:第二部分是对在分割阶段如何利用眼周特征的研究，以及利用虹膜特征的虹膜编码策略的研究。 |
文献调查 |
| 调查是对一个领域的监督，因此区别于一种由对草皮的微观检查组成的研究;这是一张地图，而不是详细的计划。在开始调查之前必须计划好。文献调查提供了与项目工作领域相关的初步信息，有助于了解与课题相关的背景。 |
| 利用可见光照获取虹膜图像，以克服目前基于nir的虹膜识别系统的局限性，并开发较少合作的虹膜识别系统，以实现更高的安全性和监视应用。可见波长(VW)成像的使用可以解决使用基于nir成像的采集的缺点，特别是当需要对虹膜图像进行远距离采集时。先进的成像技术，如高分辨率CMOS/CCD相机，可以利用可见光照明方便地获取3米以上的高分辨率图像，并定位适合识别的虹膜图像。传统的虹膜识别系统在“盯着看”模式下运行，这需要用户的通力合作。可见成像技术的使用可以缓解这种要求，使虹膜识别在较不合作的环境中使用较远距离获得的图像。 |
| A. GeoKey编码 |
| [1]中的虹膜编码匹配算法开发了一种仅使用虹膜特征的编码匹配策略，为在较远距离和较少约束的成像环境下获得的虹膜图像提供准确的虹膜识别能力。该虹膜特征编码方案使用被称为GeoKey的几何信息，即将坐标对视为分配给每个登记到系统的主题的唯一密钥，从本地化的虹膜区域像素中编码虹膜纹理细节。 |
| 局部虹膜区域的缩放和旋转变化应用于唯一键，即GeoKey，而不是图像像素。这提供了对本地图像补丁进行高效快速比较操作的额外优势。该方法利用汉明距离进行有效的相似度计算。这种局部虹膜特征的二值化编码仍然存在一些不足，没有同时利用虹膜特征和眼周特征来提供更准确的个人识别能力。 |
| 本文的下面部分给出了我们的想法，也介绍了之前在自动分割阶段合并眼周特征的工作。 |
| B.眼周特征分割 |
| 许多研究人员在无约束环境下研究了虹膜识别技术，在无约束环境下，由于睫毛、眼睑、眼镜和头发的角度偏差、噪声、模糊和遮挡，获得非理想虹膜图像的概率非常高。目前已有很多虹膜分割方法，但大多集中在对在严格控制的环境下采集的虹膜图像进行准确检测。不理想的虹膜图像会导致图像退化，从而给分割带来挑战。 |
| [2]中描述的分割方法分为两部分:检测无噪声虹膜区域和参数化虹膜形状。第一部分进一步细分为两个过程，检测巩膜，然后进行必要的调整，以开发巩膜和闭塞区。第二部分利用两个经过训练的神经网络分类器利用局部特征将图像像素进行巩膜/非巩膜和虹膜/非虹膜分类。训练后的分类器按级联顺序操作，首先对巩膜进行分类，然后将分类后的巩膜像素输入下一个分类器进行虹膜像素分类，从而建立了很强的依赖性。这种依赖性导致了错误从第一个分类器传播到后续分类器的缺点，从而影响分割精度。此外，这种方法没有提供一个完整的自动化框架来适应人脸图像呈现时的情况。 |
| 针对虹膜图像中存在噪声伪影的问题，提出了一种新的虹膜图像分割算法[3]。去除反射后，采用一种基于八邻居连接聚类的粗虹膜定位方案，将虹膜图像聚类为不同的部分。通过对非虹膜区域进行提取，减少了非虹膜区域的误定位，从而对非虹膜区域进行识别和排除，并对其进行积分-微分星座跟踪，增强了全局收敛能力，便于进一步预处理。在接下来的步骤中，曲率模型和预测模型用于学习眼周特征，如眼睑和睫毛。 |
| 星座模型是一个迭代过程，在当前评估像素处放置多个积分微分算子，以找到局部最小分数。流程将迭代，直到收敛或达到预定义的最大迭代次数为止。在这种方法中可以观察到一些限制。首先，分割模型依赖于传统的分割方法，无法有效分割真实图像。其次，如果初始聚类像素参数选择不仔细，可能会影响分割操作的性能。第三，星座模型可能导致一个非最优的虹膜中心。 |
| 在[4]中提出了一种统一的虹膜自动分割框架，利用与单位圆盘正交的多项式Zernike矩对局部区域的高阶像素进行挖掘，然后使用NN/SVM分类器进行基于像素的分类。从而克服了前面工作[3]中提到的约定分割问题。该方法的主要缺点是对每一个像素进行Zernike特征的计算，计算成本大，不适合时间敏感的应用。 |
| [5]中提出了在分割阶段合并眼周特征的另一种解决方案，该解决方案大致分为分割和识别两部分。 |
| 在分割部分，首先对输入图像进行预处理，以达到降噪和图像质量增强的目的。它首先利用AdaBoost眼检测来补偿两次圆形边缘检测操作导致的虹膜检测误差，然后利用retinex算法来解决光照变化的问题，并提供高动态范围压缩来提高图像质量。然后使用随机步行者算法对预处理后的图像进行分割，然后进行一系列后处理操作，进一步细化粗分割结果。预处理的初始阶段，即AdaBoost检测器的输出被称为全局眼周区域，它是在不进行分割和归一化的情况下，获得被考虑识别的整个眼周区域。第二阶段为局部眼周区，根据分割后的虹膜信息提取局部区域并归一化。然后对提取的全局和局部眼周区域进行纹理分析。 |
| 粗分割的输出是图像后处理的输入。虹膜的样本分割结果如图2.1所示。 |
| 该阶段主要包括中心估计、虹膜和瞳孔定位、边界细化、眼睑定位和ES检测以及眼周归一化和分割。利用canny边缘检测器、圆形模型、自适应眼睑定位方法对图像进行后处理。定位方法的结果如图2.2所示。 |
| 在识别部分，利用DSIFT和LMF提取局部和全局眼周特征，利用训练好的文本字典和分类出现次数进行分类，形成k-bin直方图。卡方距离用于匹配模板之间的分数。采用最小-最大归一化技术对眼周和虹膜特征进行匹配评分。采用加权和规则对归一化得分进行组合。 |
结论 |
| 从本文中，我们可以得到同时利用眼周和虹膜特征的思路，使用[1]中提出的对虹膜特征进行编码的GeoKey编码方法和[5]中提出的对眼周特征进行编码的分割方法来提供一种改进的、高效的虹膜编码。 |
确认 |
| 我们优雅地感谢我们的学院SVCE为我们提供了所有必要的帮助和培养，使我们成为技术硕士。我衷心感谢C. Prabhakar Reddy，校长，SVCE，和Dr. suresha, HOD, CSE, SCVE Bangalore部门提供所需的设施，并给我一个机会来研究这个主题。我还要衷心感谢我的导师P. Ramesh Naidu，助理教授，CSE, SVCE Bangalore，支持和指导我在这个主题上的工作。 |
|
数字一览 |
|
|
|
参考文献 |
- 谭春伟，“基于几何键的远距离虹膜识别方法”，电子工程学报。信息取证与安全，2014。
- H. Proenca，“虹膜识别:在可见光波长获得的退化图像的分割”，IEEE Trans。模式肛门。马赫。智能。，vol. 32, no. 8, pp. 1502–1516, 2010.
- T. Tan, Z. He，和Z. Sun，“用于非合作虹膜识别的噪声虹膜图像的高效和鲁棒分割”，图像视觉计算。，第28卷，no。2，页223 - 230,2010。
- Chun-Wei Tan和Ajay Kumar，“使用远距获取的人脸图像自动虹膜分割的统一框架”，IEEE Trans。图像的过程。，第21卷，no. 219, pp.4068-4079, 2012。
- 谭春伟，Ajay Kumar，“放松成像约束下的在线虹膜和眼周识别”，IEEE学报。信息取证与安全，2013。
|
菜单
