本書針對傳統(tǒng)身份鑒別方法存在的安全性差、識別率低的問題，引出了具有“人證合一”的生物特征識別技術(shù)，簡要介紹常見生物特征識別的原理和研究現(xiàn)狀，然后著重對虹膜識別系統(tǒng)及虹膜作為身份特征所具有的良好特性進行概述，后對虹膜識別系統(tǒng)中每個環(huán)節(jié)的具體原理和算法實現(xiàn)做了詳細介紹，給出相應(yīng)的仿真實驗和結(jié)果分析。全書主要包括虹膜圖像采集、虹膜邊界定位、虹膜區(qū)域的干擾檢測、虹膜區(qū)域規(guī)范化、虹膜特征提取、虹膜特征匹配、虹膜識別性能的改善、虹膜圖像質(zhì)量評價、多生物特征識別技術(shù)以及行業(yè)解決方案等內(nèi)容。 本書可作為控制科學(xué)與工程、計算機科學(xué)與技術(shù)、信號與信息處理等相關(guān)專業(yè)研究生、高年級本科生的教材，也可作為信息安全系統(tǒng)、生物識別系統(tǒng)、移民管理系統(tǒng)、刑偵系統(tǒng)、圖像處理和模式識別系統(tǒng)等研究開發(fā)人員和工程技術(shù)人員的參考書。
隨著人類對信息系統(tǒng)的依賴性越來越高，信息技術(shù)的應(yīng)用也逐步滲透到人類生活的方方面面，在保障信息系統(tǒng)自身安全的前提下，如何保障信息系統(tǒng)的訪問安全和各種場景下的控制管理成為一個極其重要的課題，在這其中，用戶身份的鑒別至關(guān)重要。“棱鏡門”事件給全球的信息系統(tǒng)安全敲響了警鐘，基于口令和令牌的身份鑒別通過人“身外之物”來證明活生生的人的身份嚴重不，已難以滿足安全性要求，信息系統(tǒng)的安全事件頻出呼喚著更有效、更安全、更的身份鑒別方式。基于人體生理特征和行為特征的生物特征識別技術(shù)具有“人證合一”特性，引起了身份認證領(lǐng)域的關(guān)注，這其中的佼佼者當(dāng)屬以高性、高性、高安全性著稱的虹膜識別技術(shù)。早在上個世紀的后期，國內(nèi)業(yè)界學(xué)者們就開始了虹膜識別技術(shù)的研究和探索，將技術(shù)成果進行應(yīng)用推廣。然而，受技術(shù)的局限和關(guān)聯(lián)組件的制約，早期的應(yīng)用大多僅限于虹膜出入控制等物理防護，隨著技術(shù)的不斷突破，虹膜識別的應(yīng)用場景不斷拓展，已拓展到信息系統(tǒng)的準入控制、遠程識別認證以及移動智能設(shè)備等應(yīng)用領(lǐng)域，大有來勢兇猛之意，應(yīng)用前景一片光明。虹膜識別以人工智能、機器學(xué)習(xí)、統(tǒng)計分析、模式識別等理論基礎(chǔ)，主要依靠計算機技術(shù)、傳感器技術(shù)、信號處理技術(shù)、圖像處理技術(shù)等實現(xiàn)數(shù)據(jù)的采集和處理，涉及多學(xué)科知識和技術(shù)，該書可作為學(xué)生學(xué)習(xí)和從事相關(guān)領(lǐng)域研究工作的基礎(chǔ)教材及參考。全書的主要內(nèi)容是基于作者近年來的主要研究成果，同時參考了同行學(xué)者的部分研究成果，緊緊圍繞虹膜識別，系統(tǒng)介紹了虹膜識別各組成部分的原理及其算法，并通過直觀的實驗結(jié)果進行了正確性驗證，對讀者了解生物特征識別方面的基礎(chǔ)知識和學(xué)習(xí)虹膜識別相關(guān)算法有極大的幫助。
目錄
第1章緒論
1.1生物特征識別的產(chǎn)生背景
1.1.1傳統(tǒng)的身份鑒別
1.1.2身份鑒別面臨挑戰(zhàn)
1.2生物特征識別概述
1.2.1悄然興起的識別技術(shù)
1.2.2生物特征識別簡介
1.2.3生物特征識別研究現(xiàn)狀
1.3典型生物特征識別技術(shù)
1.3.1生物特征識別的分類
1.3.2典型生物特征識別
1.3.3選擇生物特征的原則
本章小結(jié)
參考文獻
第2章虹膜識別概述
2.1虹膜概述
2.1.1什么是虹膜
2.1.2虹膜的優(yōu)勢
2.2虹膜識別系統(tǒng)
2.2.1虹膜識別系統(tǒng)原理
2.2.2虹膜識別系統(tǒng)組成
2.3虹膜識別工作模式
2.3.1工作模式
2.3.2用戶身份登記子系統(tǒng)
2.3.3用戶身份識別子系統(tǒng)
2.4虹膜識別發(fā)展現(xiàn)狀
2.4.1發(fā)展現(xiàn)狀
2.4.2應(yīng)用領(lǐng)域
本章小結(jié)
參考文獻
第3章虹膜圖像采集
3.1虹膜圖像獲取技術(shù)
3.2虹膜圖像采集設(shè)備
3.2.1虹膜圖像采集
3.2.2幾何測距
3.2.3聚焦檢測
3.2.4虹膜圖像采集設(shè)備
3.3建立虹膜數(shù)據(jù)庫
3.3.1建庫意義
3.3.2建庫方法
3.4虹膜數(shù)據(jù)庫
3.4.1CASIA虹膜數(shù)據(jù)庫
3.4.2NICE.I虹膜數(shù)據(jù)庫
3.4.3TIANDI虹膜數(shù)據(jù)庫
本章小結(jié)
參考文獻
第4章虹膜邊界定位
4.1圖像濾波
4.1.1空域濾波
4.1.2低通濾波
4.2邊緣提取
4.2.1邊緣檢測
4.2.2二值邊緣提取
4.3基于投票機制的虹膜邊界定位
4.3.1Hough圓的檢測
4.3.2感興趣區(qū)域選擇
4.3.3基于投票機制的虹膜邊界定位
4.3.4仿真實驗
4.4基于微積分的虹膜邊界定位
4.4.1微積分檢測圓
4.4.2局部極值的剔除
4.4.3基于微積分的虹膜邊界定位
4.4.4仿真實驗
本章小結(jié)
參考文獻
第5章邊緣點選擇
5.1非虹膜邊界點影響虹膜定位
5.1.1二值化閾值影響邊緣提取
5.1.2非虹膜邊界點來源
5.2極坐標下的虹膜邊界定位
5.2.1極坐標下的虹膜邊界
5.2.2圓的極坐標表示
5.2.3極坐標下的虹膜邊界定位
5.2.4仿真實驗
5.3水平邊緣點選擇
5.3.1邊緣點選擇的可行性
5.3.2水平邊緣點選擇步驟
5.3.3仿真實驗
5.4投票機制的虹膜邊界定位改進算法
5.4.1極坐標下邊界點選擇
5.4.2極坐標到原圖像空間的映射
5.4.3投票機制的虹膜邊界定位改進算法
5.4.4仿真實驗
本章小結(jié)
參考文獻
第6章虹膜區(qū)域的干擾檢測
6.1虹膜區(qū)域的干擾
6.2眼瞼輪廓定位
6.2.1眼瞼定位概述
6.2.2眼瞼輪廓定位
6.2.3眼瞼陰影估計
6.3睫毛位置定位
6.4光斑位置定位
6.5仿真實驗
本章小結(jié)
參考文獻
第7章虹膜區(qū)域規(guī)范化
7.1虹膜區(qū)域的不變性
7.1.1規(guī)范化原因
7.1.2平移不變性
7.1.3旋轉(zhuǎn)不變性
7.1.4伸縮不變性
7.2虹膜區(qū)域彈性模型
7.2.1彈性模型
7.2.2虹膜區(qū)域的表示
7.3虹膜區(qū)域規(guī)范化
7.3.1虹膜區(qū)域規(guī)范化
7.3.2確定規(guī)范化區(qū)域
7.4仿真實驗
本章小結(jié)
參考文獻
第8章虹膜特征提取
8.1虹膜特征表示框架
8.1.1虹膜特征提取方法
8.1.2虹膜特征表示框架
8.2經(jīng)典虹膜識別算法
8.2.1二維Gabor相位特征識別算法
8.2.2多通道Gabor統(tǒng)計特征識別算法
8.2.3圖像相關(guān)性匹配算法
8.3局部過零檢測的虹膜特征提取
8.3.1局部過零檢測方法
8.3.2局部過零檢測的特征提取算法
8.4仿真實驗
8.4.1二值特征表示
8.4.2虹膜分類
8.4.3算法比較
本章小結(jié)
參考文獻
第9章虹膜特征匹配
9.1模式匹配的相似度
9.1.1漢明距離
9.1.2矩陣相似度
9.1.3剔除干擾影響的相似度計算
9.1.4克服虹膜旋轉(zhuǎn)的相似度計算
9.1.5相似度歸一化
9.2分類閾值的確定
9.2.1分類閾值
9.2.2基于馬氏距離確定分類閾值
9.2.3基于最小風(fēng)險確定分類閾值
9.2.4分類閾值的調(diào)整
9.3仿真研究
9.3.1分類閾值對虹膜分類的影響
9.3.2移位比較次數(shù)對分類的影響
9.3.3特征提取算子對分類的影響
9.3.4虹膜干擾區(qū)域?qū)Ψ诸惖挠绊?/p>
9.3.5虹膜有效區(qū)域?qū)Ψ诸惖挠绊?/p>
9.3.6在不同數(shù)據(jù)庫上的仿真實驗
本章小結(jié)
參考文獻
第10章虹膜識別性能的改善
10.1序列圖像特征投影識別
10.1.1序列圖像特征投影識別原理
10.1.2投影子空間特征選擇算法
10.1.3仿真實驗
10.2分類器增強
10.2.1分類器
10.2.2分類器增強算法
10.2.3仿真實驗
10.3虹膜穩(wěn)定特征注冊
10.3.1穩(wěn)定特征
10.3.2穩(wěn)定特征選擇算法
10.3.3仿真實驗
10.4雙目虹膜識別
10.4.1雙目虹膜識別現(xiàn)狀
10.4.2雙目虹膜識別系統(tǒng)
本章小結(jié)
參考文獻
第11章虹膜圖像質(zhì)量評價
11.1虹膜圖像質(zhì)量評價
11.1.1圖像質(zhì)量對虹膜識別的影響
11.1.2虹膜圖像質(zhì)量評價目的
11.1.3虹膜區(qū)域分割質(zhì)量評價
11.2虹膜圖像質(zhì)量評價方法
11.2.1圖像清晰評價
11.2.2虹膜干擾評價
11.2.3綜合質(zhì)量評價
11.3活體虹膜檢測
11.3.1活體虹膜檢測的意義
11.3.2活體虹膜檢測方法
11.4隱形眼鏡的檢測
11.4.1隱形眼鏡檢測的意義
11.4.2隱形眼鏡實驗測試
11.4.3隱形眼鏡檢測方法
本章小結(jié)
參考文獻
第12章多生物特征識別技術(shù)
12.1單生物特征具有局限性
12.1.1受數(shù)據(jù)采集影響
12.1.2受特征提取算法影響
12.1.3受模式匹配算法影響
12.1.4未經(jīng)過大規(guī)模數(shù)據(jù)庫測試
12.2多模態(tài)生物識別技術(shù)
12.2.1多生物特征識別
12.2.2多生物特征融合策略
12.2.3融合虹膜的多生物特征識別
本章小結(jié)
參考文獻
第13章行業(yè)解決方案
13.1公安行業(yè)
13.2教育行業(yè)
13.3金融行業(yè)
13.4智慧城市
13.5司法行業(yè)
13.6出入境管理
本章小結(jié)
參考文獻
第5章邊緣點選擇
在虹膜邊界定位中，經(jīng)過邊緣提取得到的圖像中包含了大量的虹膜邊界以外的點，如果不能消除這些非虹膜邊界上的點，不縮小虹膜邊界定位的計算范圍，那么虹膜定位的精度和速度都會受到很大的影響。雖然根據(jù)先驗知識，把虹膜的定位問題可以限制到一個較小的圖像塊中，但是在這個小的圖像塊中仍然存在許多非虹膜邊界的點，特別是虹膜紋理豐富、睫毛濃重的人眼圖像，定位虹膜受到很多干擾點的影響。本章介紹如何進行邊緣點的選擇，盡可能將影響虹膜邊界定位的、與虹膜邊界無關(guān)的邊緣點剔除，然后再進行虹膜邊界定位。5.1非虹膜邊界點影響虹膜定位5.1.1二值化閾值影響邊緣提取
影響虹膜分割精度和速度的主要因素實質(zhì)上就是虹膜圖像邊緣點的提取質(zhì)量。對于虹膜邊界定位來說，虹膜圖像中存在大量的干擾，如睫毛、眼瞼、光斑等，這些干擾會影響虹膜邊界定位的速度和精度，另外，虹膜本身的紋理變化形成的邊緣點在虹膜的定位過程中也會影響虹膜邊界定位的結(jié)果并造成虹膜邊界定位時間延長。前面章節(jié)也對虹膜邊緣點過多的問題進行了分析，并采用了基于瞳孔中心位置估計和先驗知識的邊界定位算法，將虹膜的定位限制在一個小的區(qū)域，僅僅選取該圖像塊內(nèi)的邊緣點進行虹膜邊界的定位，將參數(shù)的投票范圍也做了限制，提高了定位速度。圖5.1為一幅人眼圖像以及邊緣提取的結(jié)果。從圖可以看出，這些邊緣點的特點是無規(guī)律、隨機性大，和真實虹膜邊界點難以區(qū)分。在基于二值邊緣的定位中，二值邊緣點的數(shù)目、位置對快速定位有很大的影響，只要虹膜邊界上有足夠多的邊緣點，而其他位置的邊緣點較少，就能保障虹膜快速、定位，因此，二值化閾值的選擇對虹膜邊界定位相當(dāng)關(guān)鍵。
圖5.1虹膜邊界定位方法示意圖
為了減少邊緣點數(shù)，可以增大二值化閾值，如有些文獻采用基于小波變換的邊緣檢測方法，通過熵最小獲得二值化閾值，在一定程度上消除部分干擾噪聲帶來的邊緣，但是可能會同時將虹膜邊界上的點剔除，給定位虹膜邊界帶來難度。實際上，即使在限定的圖像塊中定位，仍然有大量虹膜邊界以外的點很難消除。利用二值邊緣進行虹膜邊界定位要盡可能利用虹膜邊界上的點，但是在提取邊緣時會同時提取到許多干擾邊緣點，這些邊緣點和虹膜邊界點差異不明顯，通過二值化閾值無法將它們分開，這樣眾多邊緣點會嚴重影響虹膜定位的精度和速度，關(guān)于圖像二值化邊緣點的提取一直是邊緣檢測中研究的重點。進一步消除這些塊中的邊緣點，將虹膜邊界點和非虹膜邊界點進行分類，從而剔除那些非虹膜邊界上的邊緣點，有助于虹膜定位。5.1.2非虹膜邊界點來源對虹膜定位產(chǎn)生影響的邊緣點主要來自以下幾個方面： (1) 由于虹膜屬于小目標，對光照環(huán)境要求高，采集虹膜圖像需要輔助光源，而光源在虹膜和瞳孔處容易成明顯的光斑，這些光斑點與周圍的虹膜和瞳孔區(qū)域形成灰度差異，造成明顯的邊緣； (2) 眼睛閉合程度不同，特別是上眼瞼在人眼圖像中表現(xiàn)出明顯的邊緣； (3) 一根根睫毛會與其周圍的虹膜區(qū)域形成灰度差異產(chǎn)生邊緣； (4) 虹膜本身的紋理造成圖像中的灰度變化，會形成邊緣。圖像中邊緣點是信號“變化劇烈”的地方，虹膜邊界本身以及眼瞼、睫毛、光斑、虹膜的紋理等都具有灰度的突變特征從而形成非虹膜邊界的邊緣點，這些邊緣點一般沒有規(guī)律和特征，很難在虹膜邊界定位之前將它們剔除，因此在邊界定位時干擾產(chǎn)生的邊緣點對邊界定位造成一定的影響，能否選擇有效的虹膜邊緣點就成了改善邊界定位實時性和精度的關(guān)鍵所在。
由于圖像中的這些邊緣點與虹膜邊界點沒有明顯的特征差異，邊緣檢測算法無法對是否為虹膜邊界點做出判別，因此，即使從圖像中獲得的邊緣點很多，也不可輕易設(shè)定較大的閾值重新去提取邊緣以減少邊緣點的總數(shù)，一般情況下，為了保障邊緣提取效果，特別是對于對比度低的圖像，可能會設(shè)定較小的二值化閾值，這樣得到的輸出圖像中非虹膜邊界點必然較多，這也勢必帶來計算量的增加，甚至?xí)绊懚ㄎ坏木取：缒み吔缍ㄎ皇艿竭^多非虹膜邊界點的影響，造成計算量大和參數(shù)投票結(jié)果不集中，使虹膜定位失敗。5.2極坐標下的虹膜邊界定位5.2.1極坐標下的虹膜邊界
在直角坐標中，虹膜識別都是通過檢測圓來定位虹膜邊界。虹膜的邊界主要表現(xiàn)在虹膜與瞳孔的灰度突變以及虹膜與鞏膜的灰度突變，這兩條邊界可以近似看作圓的形狀。在許多的虹膜邊界定位中，圓的檢測是依靠在原圖像空間邊緣點對參數(shù)組進行投票實現(xiàn)圓的檢測和定位。其實，圓在不同的坐標下具有不同的形式，特別是在以圓心為極點的極坐標下，圓邊界會變成水平直線。設(shè)想將圖像進行坐標變換，使原圖像從一個直角坐標空間映射到極坐標空間，那么檢測圓的問題就會變成極坐標下檢測直線的問題，使檢測過程簡化。圖5.2(a)的一幅人眼圖像，圖中虹膜的兩條邊界已經(jīng)標出，那么按照圓心為極點將圖像展開為極徑和極角的表示形式，那么在以極徑和極角為坐標的空間里就會得到一條直線，而且這條直線一定是一條水平直線，如圖5.2(b)和圖5.2(c)，而這樣一條水平直線的檢測要比在原圖像中進行圓的檢測容易得多。無論是在極坐標下的直線檢測，還是直角坐標下的圓的檢測，都可以通過投票來確定參數(shù)，在極坐標下，只要采用投影就可以求得直線位置，即直接計算每行邊界點的累加值。
圖5.2虹膜邊界定位方法示意圖
在圖5.2中存在虹膜的兩條邊界，當(dāng)在每個點將圖像用極坐標展開后可以看出，在坐標(128，175)作為極點時展開的矩形區(qū)域中存在一條水平直線，這時的直線對應(yīng)于虹膜的內(nèi)邊界，其中在垂直軸上的投影較大值所在行對應(yīng)于虹膜內(nèi)邊界半徑(等于42)，而當(dāng)極點選擇(133，182)時，可以看到虹膜的外邊界近似于一條直線，在垂直軸上的投影較大值所在行對應(yīng)于虹膜外邊界半徑(等于110)。從圖5.2上可以看出，虹膜的內(nèi)、外邊界經(jīng)過極坐標表示后并不是兩條平行的直線，也說明大多數(shù)虹膜的內(nèi)、外邊界不是同心圓，因此內(nèi)、外邊界需要分別進行定位。虹膜的內(nèi)邊界圓半徑小，展開的直線在上面，外邊界圓半徑大，展開的直線靠下面。這樣，如果知道內(nèi)、外邊界的半徑大小的取值范圍，可以將直線位置的計算限定在一個很小的范圍里。圖5.1(b)的邊緣提取圖像中邊緣點是無規(guī)律的，很難找到有效辦法消除非虹膜邊緣點的影響。圖5.3給出對虹膜圖5.1進行極坐標變換的結(jié)果，分別將極點選在內(nèi)邊界中心和外邊界中心上，虹膜的邊界就成了水平直線，見圖5.3(c)~(f)。當(dāng)以該虹膜的內(nèi)邊界的圓心作為極點時，那么，將圖像展開為極徑和極角的表示形式，在極坐標的空間里會得到如圖5.3(c)和圖5.3(d)所示的圖像，內(nèi)邊界是一條直線； 如果將虹膜的外邊界圓的圓心作為極點，那么展開的極坐標圖中外邊界也是一條直線，如圖5.3(e)和圖5.3(f)所示。
