潘涛涛 杨君 肖璞
【摘 要】随在经济的快速发展下，身份识别和信息安全成为重中之重。发展生物识别技术成为了当今社会研究的热门课题。本文以人类生物特征的唯一性为基础进而对虹膜识别系统进行了深度的研究，设计了“开源”虹膜识别系统，以验证人类虹膜具有的唯一性。
【关键词】虹膜识别；生物特征；系统设计
中图分类号： TP391.41 文献标识码： A 文章编号： 2095-2457（2017）20-0082-001
Design of Human Iris Recognition based on Biometrics
PAN Tao-tao YANG Jun XIAO Pu
（College of Computer Science and Technology， Sanjiang University， Nanjing 210012， China）
【Abstract】In the rapid economic development， identity and information security has become the most important. The development of biometrics has become a hot topic in todays society. In this paper， the iris recognition system based on human biological characteristics is studied. The specific work involves the design of “open source” iris recognition system to verify the uniqueness of human iris.
【Key words】Iris Recognition；Biometric Identification；System design
在交通、通讯与信息技术的快速发展下，人们的活动半径越来越大，互联网、电子商务、银行、安检等都需要一種可靠的身份鉴别手段。普通的身份鉴别方式通常是人工地辨别被鉴别者与图片的吻合度，但这种方式存在极大的误差和漏洞。因此，生物特征识别作为相对可靠且精确的身份识别手段被广大的研究人员所重视[1]。
1 虹膜定位和归一化处理
虹膜的特征识别系统主要由两部分组成，分别是虹膜特征识别和虹膜特征注册[2]。虹膜特征识别的过程首先是使用CMOS摄像机对用户采集虹膜，然后预处理并提取虹膜特征[3]。将提取到的虹膜特征与数据库中的虹膜特征进行对比，如果匹配则返回用户信息并提示验证成功，否则将该虹膜特征信息与用户的唯一标识符（例如：身份证号码）对应起来。虹膜特征的注册的过程是得到虹膜特征信息直接与用户身份信息进行绑定。
虹膜定位就是在获取到的眼睛图像中隔离出高质量的可以用于识别的虹膜区域[4-5]。虹膜区域可以近似的看为两个圆。眼皮和睫毛通常遮挡住虹膜区域的下部和上部，在虹膜区域内也又可能发生镜面反射破坏虹膜图案。因此，需要一种技术来避免这些干扰因素从而得到高质量的虹膜区域图像。
外边界定位运用霍夫变换算法可以得到瞳孔和虹膜区域半径和中心的坐标，从而得到一个包含瞳孔的圆形的虹膜图像。内边界定位的主要步骤为：画出灰度直方图，再用二值化的方法得到瞳孔的位置，主要得出瞳孔的圆心位置和半径大小。在Matlab中调用imhist函数得到直方图，直方图的两个峰值表示为瞳孔区域和虹膜区域。因此，需要取出两个峰值之间的最小值的灰度值作为定位的阀值，从而对瞳孔进行有效的定位。在对眼睛图像进行虹膜定位处理后，得到的是一个虹膜的圆环图像。通过归一化处理后，将圆环图删去一部分干扰图像并得到虹膜图像的矩形图。
2 虹膜特征的提取与匹配
为了提供对个体的准确识别，必须提取存在于虹膜图案中的最具辨别力的信息以及对虹膜重要特征进行编码，以便于可以对模板进行比较。大多数的虹膜识别系统是对虹膜图像进行多通道Gabor滤波处理。虹膜特征提取主流算法是面向全局提取纹理特征。首先需要对虹膜图像进行分块。在经过归一化后的虹膜图像的特征由细到粗。因此我们需要将预处理后的图像分成大小相同的32个子图像，每个子图像的大小是32×32。然后使用4个方向上和4个频率的16个不相同的Gabor滤波器进行特征提取。
提取特征后需要利用编码技术进而为匹配做准备。本文通过1DLog-Gabor小波卷积进行标准化图像处理从而实现虹膜特征的编码。2D标准化模式被分解成多个1D信号，然后将1D信号和1D Gabor小波进行卷积。由于在角度方向上发生的最大独立性，因此采取角度方向，这与归一化图像的列相对应。最后使用Daugman方法将滤波的输出相位量化为四个等级，每个滤波器产生每个相位量的两位数据。
在对虹膜的图像进行编码之后，需要把编码结果保存到数据库中。最后将该输入图像与据库中的虹膜模板进行匹配。目前，汉明距离（Hamming distance，HD）是解决模式匹配问题的一个常用的方法。在信息论中，两个等长的字符串之间的汉明距离就是两个字符串对应位置的不同字符的个数。比如说：1001101和1001001之间的汉明距离就是1；2143895和2223695之间的汉明3；“taotao”和“jaohua”之间的汉明距离是4；因此，在我们对虹膜模板进行匹配的时候得出的汉明距离越小说明两幅图像越相似，也就越匹配。在Daugman的识别算法中，通过对两个虹膜码的Hamming距离的比较从而得出结果。Daugman的方法中校正了由成像期间的旋转差异而引起的归一化虹膜图案的未对准的情况。他提出，当在计算两个模板的hamming距离时，一个模板向左和向右逐位移动，并且从连续的移位中计算出一个hamming距离值。因此，在对虹膜模板进行匹配的时候得出的汉明距离越小说明两幅图像越相似，也就越匹配。
3 总结
本文对于虹膜识别系统的原理和系统的设计思路进行了较深入的分析和研究，重点研究了虹膜识别的算法，包括了图像预处理方法、Gabor滤波器的介绍、虹膜的特征提取、对虹膜特征进行编码和虹膜模板之间的汉明距离的计算等，并在Daugman算法的基础上实现了虹膜图像的识别过程。
【参考文献】
[1]吕亦生，朱勇，谭铁牛.基于虹膜识别的身份鉴别[J].自动化学报，2002，28（1）：1-10.
[2]孙哲南，谭铁牛.虹膜识别研究与应用综述[J].2005，24（3）：42-45.
[3]王向军，张敏，邓晓蓓，刘冀.非接触式虹膜图像获取系统的设计[J].光电工程，2005，32（6）：35-38.
[4]孟浩，徐翠平.虹膜识别算法的研究[J].哈尔滨工程大学学报，2006（3）：400-404.
[5]袁晓燕.虹膜定位、形变及特征提取研究[D].上海：上海交通大学图像处理与模式识别研究所，2008：44-46.endprint
