基于零谱矩滤波器的虹膜识别方法

吴岸雄

摘  要：提出了一种基于低通平衡式零谱矩滤波器的虹膜识别算法，通过对归一化后的虹膜纹理运用零谱矩滤波器提取特征，然后采用支持向量机实现编码识别匹配。最终实验结果显示，此算法识别率高，识别速度快，稳定性好。

关键词：虹膜识别;零谱矩滤波器;小波变换

中图分类号：TP391.41 文献标志码：A 文章编号：2095-2945（2020）33-0138-02

Abstract： An Iris Recognition Algorithm based on low pass balanced zero spectral moment filter is proposed， which extracts features from normalized iris texture using zero spectral moment filter， and then uses support vector machine code to realize recognition and match. Finally， the experimental results show that the algorithm has high recognition rate， fast recognition speed and good stability.

Keywords： iris recognition; zero spectral moment filters; wavelet

1 概述

21世纪，信息社会中的个人信息安全保护已成为一个必须解决的关键社会问题。因此，基于生物特征的识别技术更显其价值[1]。人类虹膜具有独特性、稳定性、可收集性和不可侵犯性等優点，使得该技术容易被用户所接受以及推广。

2 虹膜图像预处理

虹膜识别系统通常包括虹膜图像预处理（图像采集、虹膜定位、归一化）、特征提取和编码识别。虹膜图像预处理如图1所示。

2.1 虹膜定位

虹膜的位置是在两个边界即内边界和外边界之间找到瞳孔和虹膜、虹膜和巩膜，如果得到了圆心和半径，这个圆我们就能唯一确定，换句话说：虹膜定位就是在人眼图像中确定两对圆心和半径。找到虹膜位置后的最终结果如图2c。

2.2 归一化

虹膜图像由于受光线等因素的影响可能会导致虹膜区域大小不同，为了便于识别，虹膜图像必须进行相同尺寸的扩展。同时，虹膜图像具有良好的极坐标特性，因此本文采用极坐标变换方法，原理如图3。

图3 虹膜图像展开

用户上眼睑将部分覆盖虹膜的顶部。为了排除这部分，以瞳孔为中心，逆时针方向拦截150～210～330～390度的虹膜区域，如图4a所示。将截获的虹膜区域在极坐标下展开为40×256的矩形，如图4b所示。

3 特征提取

现在，大多数现有的虹膜识别方法使用线性变换（如伽柏滤波和小波）来提取虹膜纹理的局部特性。而本文提出的零矩滤波器是传统信号处理中优于有限脉冲响应滤波器的一种具有良好正常平滑度和阻带衰减特性的新型滤波器，本文在研究零谱矩滤波器的基础上，提出了一种基于零谱矩滤波器的虹膜纹理特征提取算法。采用平衡零矩滤波器对虹膜图像进行分解，提取更精确的虹膜纹理特征。

3.1 零谱矩滤波器

设{hk}和H（？棕）是由一个多分辨分析导出的频率响应和传递函数，其中滤波器H（？棕）=hke，在适当的正则性假定下，有以下式子成立：

|H（？棕）|2=|H（？棕+？仔）|2=1，H（0）=1              （1）

谱矩定义为

Hi（？棕）=hkeki   （2）

如果在？棕=？棕0处H（？棕）满足Hi（？棕0）=0，（i=1，...，I），而

HI+1（？棕0）≠0，则称H（？棕）在？棕=？棕0处具有I阶零谱矩，记为

I，在这里特别考虑在？棕0=0，？仔处的I0与I？仔阶零谱矩。

对于（3），由于H（0）=1，故H（？仔）=0，因此{hk}称为低通滤波器，这里有以下对应的等式成立：

hk=，hk（-1）k=0      （3）

而在？棕0=0，？仔处具有I0与I？仔阶零谱矩，意味着有以下的等式成立：

这样的H（？棕）称之为零谱矩滤波器。

3.2 基于零谱矩滤波器的特征提取

利用上述计算的滤波器和图像的线分解，可将上述零谱矩滤波分解方法应用于该图像由于LL子图是下一层原始图像尺度空间的近似表示，我们从中选取三个LL子图进行特征提取，经过三次分解，三个LL子图的大小为8×128。将三个TJIJ子图的特征值全部取出，得到3072，做比较需要很多计算。你可以用一个2×16的模板在它们之间移动，你会得到96个特征区域，你会得到图像的平均值和方差。

4 实验结果及分析

本文采用了一种带方差的欧式距离逆加权分类器。108个人的虹膜数据可以通过虹膜图像数据库获得320× 280，这样，虹膜数据库中有756个虹膜图像样本。经过大量实验，在选择正常阈值的情况下，待识别虹膜的特征提取和匹配速度小于200ms，准确识别率达到98%。实验结果表明，本文所研究算法速度快，有较好的识别效果。

参考文献：

[1]Daugman J G.How Iris Recognition Works [J].IEEE Transactions on Circuits and Systems for Video Technology，2004，14（1）：21-30.

[2]徐中宇，马驷良，罗宏文.基于二维小波变换的虹膜识别方法[J].吉林大学学报（理学版），2005，43（2）：179-181.