大热的虹膜识别系统的硬件设计与实现，系统方案、软件流程、算法设计

作者：时间：2017-06-04来源：网络收藏

本文引用地址：http://www.eepw.com.cn/article/201706/348728.htm

摘要：

生物识别技术是近年来兴起的身份识别技术，由于它利用了人体的某些具有终生不变性与唯一性的特征，使得这种技术不但具有极高的可靠性，而且操作方便快捷。在各种基于生物特征的身份识别技术中，红魔不但具有类似质问的独一无二的个人特征；而且，虹膜是身体中的公开的部位，易于通过机器视觉进行远程检查，所以它是一种非侵犯性的生物识别技术，因此，基于虹膜的身份识别系统是规模前国内外发展很快的一个研究热点。

本文介绍了以在xilinx公司的spartan3e芯片为核心的开发板上实现虹膜身份识别系统。

本文对虹膜识别系统的图像获取、虹膜定位、虹膜图像的特征提取、建立虹膜特征数据库、分类器的设计及图像之间的匹配进行了讨论，然后给出了识别结果。

首先，根据画面图像灰度分布规律性并利用sobel算子进行边缘检测，然后用Hough进行内部边缘定位；用基于2D-Gabor滤波器提取虹膜纹理的相位信息；在分类器设计时采用了比较不同虹膜编码之间的Hamming距离方法，该方法只需进行异或运算，从而达到了很高的匹配速度。

1 绪论

1.1 虹膜识别技术的主要特点

虹膜身份识别是一种新型的生物识别技术。利用虹膜作为身份识别的依据，具有以下的优点：

高独特性：虹膜的独特性最早由解剖学家F.H.Adler在1965年提出。虹膜的组织结构由前到后可分为四层，即前表面层、基质与瞳孔括约肌、前上皮与瞳孔扩大肌、后色素上皮。这四层结构中的纤维细胞、胶原结缔组织框架网、血管等使虹膜具有丰富的纹理信息，也造成每个人的虹膜各不相同。据宣称，没有任何两个虹膜是一样的，任意两个虹膜纹理相同的概率小于10～35，即使双胞胎其虹膜也是不一样的。这就为虹膜身份鉴别提供了最基本的物质基础。由于虹膜的纹理信息要远高于指纹的纹理细节信息，虹膜模式具有266个可测特征，远多于其他的技术，理论上虹膜身份识别达到较指纹识别、人脸识别、指形式别等更高的准确度。

高温定型：虹膜作为人体器官并不是直接暴露于外，它受到眼皮、角膜的保护，外界物质不易侵入眼内对其造成伤害。而且虹膜总是受到体内液体的润滑，很少发生病变。这样吧、避免了指纹、掌纹识别等易因外伤引起个人特征变化的问题。另外，虹膜在1岁左右就已发育完成，随着人的生长发育虹膜细节基本不会改变，也就是说虹膜在人的一生中是相当稳定的。

天然的防伪性：虹膜的自然生理特性为虹膜识别系统提供了鉴别伪造虹膜提供了依据。首先，虹膜中部的瞳孔具有不稳定性，它会因肌纤维震颤而不停变化。其次，瞳孔会因光线的变化而引起非常明显的收缩或舒张。通过对瞳孔大小的检测（虹膜内边缘定位）就可较容易地分辨虹膜的真伪。而目前应用较广泛的指纹识别的防伪性较差，易被伪造，据报道，橡胶指纹套有60%通过识别。

无侵犯性：虹膜身份识别的过程中只需用户位于设备之前而无需物理的接触，不会因为受伤而改变，指纹则容易因受伤而改变，便于用户使用。而指纹识别、指形识别等需要待检测者与传感器相接触，会带来不舒适感。

目前，虽然指纹是比较流行的生物识别方式，但是虹膜的发展前景明显比指纹光明。首先，虹膜技术的识别精度高，即使同一个人左右两眼虹膜也有差别，相较而言指纹识别更容易出错；其次，指纹容易受磨损、划伤等外部因素的干扰；而一个人的虹膜2岁后就基本稳定不变了。除非有白内障等眼疾发作；再次，指纹需要接触，对人的侵犯性较强，而虹膜只需要看一下摄像机就能提取，不会伤害到眼睛。

1.2 虹膜识别系统的应用现状

目前虹膜身份识别技术已开始走向商业领域，如Oki电器工业公司和日本赛马协会联合研制的赛马虹膜身份识别系统；Siemens Nixdorf公司有着手试图将虹膜身份识别技术集成在他们的自动取款机上。特别是受9.11时间的影响，美国境内的两大机场——纽约肯尼迪机场和波士顿罗根机场开始使用一种新的虹膜扫描识别系统，主要用于机场内部要害屈居。在国内因为密码被盗而引起的损失比较严重，如果虹膜授粉识别技术能成功被广泛应用，将会对各界都有正面的影响。虹膜识别系统，可以应用在许多的领域，特别是对于安全度要求较高的场所。例如：

(1).金库管理系统

(2).金融管理

(3).罪犯或嫌疑人的识别与管理

(4).机场检票系统

因此虹膜身份识别技术具有广泛的应用前景，有着重要的学术价值和实际意义。

2 系统指标

(1)识别准确率指标：

错误拒绝率10^-2

错误接收率10^-2；

(2)识别时间指标：

虹膜图像采集时间0.1s;

虹膜图像编码时间1.0s;

图像数据库检索时间0.5s;

虹膜识别判决时间0.1s.

(3)虹膜采集器指标：

CMOS成像器件分辨率=640*480;

256灰度级图视频采样速度=15帧/秒。

3 系统方案

虹膜识别系统由图像采集，图像预处理，虹膜特征提取和编码，模式匹配四个部分组成。虹膜图像的图像预处理包括虹膜定位、归一化、图像增强等步骤。系统模块如图。

虹膜图像采集系统：我们希望研究在不同光照下采集虹膜图像质量。经验证明人类虹膜的直径约为1cm，为了获得有足够信息量的虹膜图像通常要求由特制的摄像器材组成的采集系统，拍摄距离一般不超过十几厘米。适度的照明对于虹膜图像采集也是非常重要的，太强的照明会令人眼感到不适，光照太弱则图像缺乏必要的灰度对比，增大量化误差。两外，在图像采集的过程中照明光源常常会在虹膜上留下较明显的光斑，形成了噪声污染。这里的关键问题是：研究一个敏感最优的光源使光斑的尺寸精良小、虹膜特征尽量清晰，噪声污染的位置保持一致，减少图像畸变。

虹膜定位和归一化算法：采集的图像包括大量的非虹膜区，如部分人脸、眼巩膜、眼睫毛等。这些区域的信息不被虹膜识别所利用，进行虹膜定位通过确定虹膜的内外边界去除这些无用的信息。图像采集时不同的两次拍摄人眼到镜头的距离不可能保持完全一致，造成虹膜图像有一定的尺寸差异。如果当拍摄时人的头部的倾斜，也会造成图像有一定角度的旋转。进行图像校正可以避免上述情况带来的误差。这里的关键问题有两个：快速精确地从包含大量非虹膜部分的图像中定位虹膜，并对其边界或数学模型进行描述；利用几何变换抵消拍摄时的虹膜图像变形的干扰。

特征提取和编码算法：由于虹膜的结构组织较复杂（分四层），其中的纤维细胞、结缔组织、毛细血管和色素等都会对虹膜的纹理产生较大的影响，因此虹膜的纹理结构极为复杂，不像指纹识别一样能提供清晰的特征点（指纹的交叉点和端点）或特征线。所以目前对虹膜的纹理特征认识尚未达到统一，各个研究机构所采用的虹膜纹理特征常有较大的区别，编码方式也有很大不同。希望寻找有较清晰物理意义的虹膜纹理特征，研究一种新的虹膜特征提取和编码算法，将一幅数据量较大的虹膜图像利用一个数据量较小的特征矢量来描述，并通过大量的实验数据来证明特征选取的合理性，和算法的有效性、准确性。这里的关键问题有两个：有数学模型来描述虹膜的纹理结构，根据该模型的特点寻找可区分虹膜的一半特征；构造相应的函数或滤波器对此特征进行提取，并寻找快速的特征矢量编码方法。

比较和判决算法：由于虹膜纹理的复杂性，目前各种特征提取和编码的多样性，现有的比较和判决算法也是各不相同。将根据上一步得到的特征矢量本身物理意义研究新的比较和判决算法。这里的关键问题是：寻找虹膜特征矢量的快速匹配方法，并利用模式识别、信号检测的相关技术减小判决误差。

系统算法设计

4.1 边缘定位

虹膜的定位问题即是图像的边缘检测问题。边缘是图像的基本特征且保留了原始图像中相当重要的部分信息，而又使得总的数据量减少了很多。准确提取边缘既能减少图像处理的信息量，又可重点描述物体的形态特征，为进一步的处理奠定基础。

经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用边缘邻近一阶或二阶方向导数的变化规律。这种方法称为边缘检测局部算子法。

索贝尔算子（Sobel operator）是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。Sobel算子是在Prewitt算子的基础上，对4一领域采用加权的方法计算差分，它由下式给出:

由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

核心公式：该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:

图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。然后可用以下公式计算梯度方向。在以上例子中，如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

Hough变换

Hough变换是图像处理中从图像中识别几何形状的基本方法之一。Hough变换的基本原理在于利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点。这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。也即把检测整体特性转化为检测局部特性。比如直线、椭圆、圆、弧线等。

1、已知半径的圆

其实Hough变换可以检测任意的已知表达形式的曲线，关键是看其参数空间的选择，参数空间的选择可以根据它的表达形式而定。比如圆的表达形式为，所以当检测某一半径的圆的时候，可以选择与原图像空间同样的空间作为参数空间。那么圆图像空间中的一个圆对应了参数空间中的一个点，参数空间中的一个点对应了图像空间中的一个圆，圆图像空间中在同一个圆上的点，它们的参数相同即a，b相同，那么它们在参数空间中的对应的圆就会过同一个点（a，b），所以，将原图像空间中的所有点变换到参数空间后，根据参数空间中点的聚集程度就可以判断出图像空间中有没有近似于圆的图形。如果有的话，这个参数就是圆的参数。

2、未知半径的圆对于圆的半径未知的情况下，可以看作是有三个参数的圆的检测，中心和半径。这个时候原理仍然相同，只是参数空间的维数升高，计算量增大。图像空间中的任意一个点都对应了参数空间中的一簇圆曲线。，其实是一个圆锥型。参数空间中的任意一个点对应了图像空间中的一个圆。

4.2虹膜图像的归一化

环形的虹膜图像决定了图像编码时用极坐标更为方便，因此需要对原图进行坐标变换，即图像归一化。虹膜归一化的目的是将每幅原始图像调整到相同的尺寸和对应位置，从而消除平移、放缩和旋转对虹膜识别的影响。归一化后的虹膜图像具有旋转不变性和瞳孔缩放不变性，消除了人眼球转动和瞳孔缩放对图像识别的影响。假设已经得到的虹膜的内、外边界圆周的参数分别为：和。我们采用极坐标变换的方法进行归一化。由于虹膜的内外圆边界不是同心的，所以这种极坐标变换也不是同心的。

设内圆圆心为虹膜外沿圆心为，半径为r；虹膜内沿圆心为，半径为r；A为虹膜外沿上任意一点；ａ和0为坐标变换中用到的辅助角。根据和的相对位置，可以分为以下几种情况：

虹膜图像归一化原理图

不失一般性，以第二种情况为例，虹膜图像归一化的原理如图所示。以内圆圆心作为极坐标系统的中心，做与水平线成0角的射线，它与内、外边界各有一个交点，分别记做A和B，则有：

这种由直角坐标下的虹膜图像到极坐标下的映射可以表示为:

这种映射对于平移和内外圆环的大小变换具有不变性，而对于旋转变化，将在后面的算法中提取旋转不变的特征。综上所述，整个虹膜识别的过程对于虹膜图像的旋转、平移和尺度变化以及瞳孔的收缩都具有不变性。

归一化之后的图像在极坐标系下，如下图:

虹膜归一化后图

4.3 虹膜图像的增强

图像增强，小波变换将一幅图像分解为大小、位置和方向都不同的分量。在做逆变换之前可以改变小波变换域中某些系数的大小，这样就能够有选择的放大所感兴趣的分量而减少不需要的分量。给定一个图像信号，用一维小波分析对图像进行增强处理。由于图像经一维小波分解后，图像的轮廓主要体现低频部分，而细节部分则体现在高频部分，因此，可以通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理，即可以达到图像增强的作用。

虹膜图像增强，即对虹膜图像进行直方均衡化。

直方图表示的是图像中每一灰度级与其出现频娄之间的统计关系，用横坐标表示灰度级，纵坐标表示频数。直方图能反映出图像的灰度范围、每个灰度级的频数、灰度分布情况、整幅图像的亮度等，它是对图像进行处理的重要依据。如对直方图进行均衡化修正，可使图像的灰度间距增大或灰度均匀分布、增大反差，使图像的细节变得清晰。均衡化修正的基本思想是将出现频数较少的灰度级并入邻近的灰度级中，从而减少图像的灰度等级，增加其对比度。

下图为虹膜增强图像。从图中可以看出，增加了图像的对比度，减少了非均匀光照的影响，从而消除了光照不均匀对虹膜图像的影响。

虹膜增强图像

4.4 特征提取和编码

特征提取是对预处理后的虹膜图像提取特征，是对包含大量信息的图像去粗取精的过程。由于原始图像数据量相当大，需要把这些数据转换为若干特性，继而对特征数据进行分析，为了提高分类处理的速度和精度，对提取的特征还需要选择最有代表性的特征，使其信息冗余度最小，且希望特征具有平移、旋转和尺度不变性。从数学意义上讲，特征提取相当于把一个物理模式变为一个随机向量。如果抽取了m个特征，则物理模式可利用一个m维随机特征向量描述，表现为m维欧式空间中的一个点。在虹膜识别中，常被选择的特征有:图像幅度特征、图像统计特征、图像变换系数特征和图像纹理特征等。为了达到特征提取的目的，多种方法都可以使用。比较经典的是Daugman提出的利用多尺度Gabor滤波器分解出虹膜纹理相位信息进行编码的算法;

Gabor滤波器

Daugman在1985年详细论述了Gabor滤波器的数学特性，指出二维Gabor滤波器提供空间频率、方向、空间位置的最大分辨率，因此在空间域和频率域中具有良好的联合定位能力。这些特性特别适合纹理分析。二维Gabor函数通过缩放、旋转和平移可以形成一组自相似的小波。利用这些小波对图像进行变换，就称为Gabor小波变换。这些函数与原始图像像素相乘和积分可产生一系列系数，从而可以提取图像纹理信息。根据以下所述的Gabor小波的特性，可以更进一步的了解二维Gabor小波，它非常适合提取图像细节纹理特征。

使用二维Gabor小波进行虹膜图像的纹理分析有以下优点：

(1)--维Gabor小波变换属于二维连续小波变换，因此具有比较好的方向选

择性；

(2)二维Gabor小波本身属于高斯小波族，因此二维Gabor小波是在时频联

合分布域中具有最好的分辨力的小波函数之一；

(3)二维Gabor小波是高斯小波的单频率复正弦函数，因此在进行特征提取完成后，可以利用计算得到的特征值的相位特性来进行编码和匹配，简化了编码的过程。

用多通道G曲or滤波进行纹理分析有其生理学等方面的基础。我们假设每一通道的数学模型为：