虹膜定位、形变及特征提取研究

论文摘要

生物特征识别技术（Biometrics）是依据人类自身所固有的生理或行为特征进行识别的一种技术。生理特征（如人脸、虹膜、指纹、掌纹、声音等）是与生俱来,多为先天的;而行为特征（如步态、笔迹等）则是习惯使然,多为后天形成的。与传统的身份识别（密码、钥匙等）相比,基于生物特征的身份识别技术的主要优点是:（1）无需刻意记忆;（2）防伪性能好,不易伪造或被盗;（3）“随身携带”,使用便捷。虹膜识别（Iris Recognition）主要基于虹膜纹理的细微结构,如细丝、斑点、沟壑、射线、皱纹和条纹等特征进行识别。虹膜识别是最可靠的生物特征识别之一,据统计,其误识率是各种生物特征识别中最低的。本论文从虹膜自身的生理结构特性出发,对虹膜识别中的关键技术进行了研究,且提出了一些新的思想和算法。本文的主要贡献及创新性工作如下:（1）虹膜图像的采集与建库。虹膜识别算法的评价依赖于测试虹膜图像库,选择适合的库可以更好的测试出算法的优劣。如果库图像过于单一,会使算法具有片面性。本文对国内外已有虹膜数据库,例如CASIA、Ubiris、Bath、ICE、MMU、UPOL、WVU以及模拟虹膜库等,进行了全面的分析。另外,利用自主研发的虹膜采集设备进行了大量的虹膜图像采集和建库工作。随着虹膜采集设备的不断更新,从接触式原型采集设备不断改进到主动/被动、有线/无线的非接触式的采集设备。建立了上海交通大学虹膜图像库SJTU-IDB （Iris DataBase of Shanghai JiaoTong University） version1,version2和version3,其数量、多样性都具有较高实用性。（2）提出鲁棒的虹膜定位算法和双阈值（Hysteresis thresholding）睫毛检测方法。虹膜图像中除了包含圆环状的虹膜,还有瞳孔、巩膜、睫毛、光斑、眼睑等。本文方法采用最小均方误差（Least Mean Square Error）来进行圆的拟合,克服了眼睑、睫毛等干扰因素对定位的影响,简单有效。（3）提出了基于网状结构的虹膜归一化方法。虹膜的生理作用是通过其纹理结构的径向缩放来调节瞳孔的大小,从而控制进入瞳孔的光照量。在虹膜识别算法中,需要对虹膜的径向形变进行补偿,通常此形变被简化为简单的线性伸缩。但是虹膜形变本身很复杂,线性伸缩的方法在外界环境变化较大的情况下会造成无法识别。由于虹膜的微观结构更接近于网状,本文实现了一种基于网状结构的虹膜纹理归一化方法,通过构成网状结构的弧线的伸缩从而达到瞳孔大小的缩放。实验表明该方法能更好的表示虹膜的形变。（4）提出二维相位一致（Phase Congruency）的虹膜形态特征提取的方法。从虹膜生理结构特性看,虹膜纹理蕴含着大量的局部形态特征。本文实现二维相位一致进行虹膜特征提取,此方法更符合人类的视觉特性,能够不受光照、对比度等影响,更有效、稳定的提取虹膜的细微形态特征,实验表明能够达到很高的识别率。（5）提出了虹膜子区域特征提取的方法。通常,人们仅把虹膜图像作为一般的纹理图像进行处理,并未考虑到虹膜本身的生理特性。尤其对于东方人,其虹膜并不像西方人那么丰富,所以在特征提取方面更应该充分利用其本身的特性。本文按照虹膜纹理分布的特点,对虹膜进行有效的划分和特征提取,使虹膜纹理微细特征更明显。利用多阈值匹配策略判断虹膜匹配。实验表明子区域的方法与多阈值的匹配策略能够进一步降低误识率。（6）虹膜特征稳定性的讨论与测试。首先分析了虹膜识别与虹膜诊断（Iris Diagnosis或者Iridology）的关系。为了进一步验证虹膜纹理的稳定性,研究和测试了屈光矫正近视眼手术（LASIK）对虹膜识别的影响。收集了较长时间间隔（2-3年）的虹膜图像进行虹膜识别的比较测试。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 生物特征识别
• 1.2.1 常用的生物特征识别技术
• 1.2.2 生物特征识别的性能评判标准
• 1.2.2.1 基于应用的考虑
• 1.2.2.2 技术指标
• 1.2.3 生物特征识别的应用
• 1.2.3.1 生物特征识别应用领域
• 1.2.3.2 生物特征识别市场
• 1.2.4 生物特征识别面临的挑战
• 1.3 虹膜识别
• 1.3.1 虹膜生理结构
• 1.3.2 虹膜用于生物特征识别
• 1.3.3 虹膜识别的研究内容
• 1.3.4 虹膜识别研究动态
• 1.3.4.1 虹膜识别的发展
• 1.3.4.2 几个重要的虹膜识别系统
• 1.3.4.3 虹膜库
• 1.3.5 虹膜识别研究的难点
• 1.4 本论文的研究内容
• 1.4.1 本文的创新性工作
• 1.4.2 研究方法和研究路线
• 1.4.3 本文安排
• 第二章 虹膜图像库
• 2.1 引言
• 2.2 国内外现有虹膜图像库
• 2.2.1 CASIA 虹膜图像库
• 2.2.2 Ubiris 虹膜图像库
• 2.2.3 Bath 虹膜图像库
• 2.2.4 ICE 虹膜图像库
• 2.2.5 其它虹膜图像库
• 2.2.6 模拟虹膜图像库
• 2.3 SJTU 虹膜图像库（SJTU-IDB.）
• 2.3.1 SJTU-IDB versi0111
• 2.3.2 SJTU-IDB versi0112
• 2.3.3 SJTU-IDB versi0113
• 2.4 实验
• 2.4.1 虹膜质量统计
• 2.4.2 虹膜图像质量对识别算法的影响
• 2.5 本章小结
• 第三章 虹膜定位
• 3.1 引言
• 3.2 虹膜定位
• 3.2.1 常用虹膜定位算法
• 3.2.2 影响定位的各种因素
• 3.2.3 虹膜定位算法
• 3.2.3.1 瞳孔定位
• 3.2.3.2 外圆定位
• 3.3 干扰检测
• 3.3.1 眼睑检测
• 3.3.2 睫毛检测
• 3.3.3 光斑检测
• 3.4 实验结果
• 3.5 本章小结
• 第四章 虹膜纹理形变与归一化
• 4.1 引言
• 4.2 虹膜形变及归一化相关研究
• 4.3 基于虹膜网状结构的归一化方法
• 4.3.1 基本步骤
• 4.3.2 具体实现
• 4.4 实验与分析
• 4.5 本章小结
• 第五章 虹膜特征提取与匹配
• 5.1 引言
• 5.2 相关工作及分析
• 5.2.1 二维Gabor小波
• 5.2.2 高斯-拉普拉斯金字塔
• 5.2.3 过零点检测
• 5.2.4 其他研究进展
• 5.3 利用2 位相位一致进行虹膜形态特征提取
• 5.3.1 虹膜细节形态特征提取
• 5.3.2 相位一致性
• 5.3.3 相位一致性计算方法
• 5.3.4 匹配距离的计算
• 5.3.5 实验与分析
• 5.4 虹膜生理特性的子区域特征提取
• 5.4.1 划分子区域
• 5.4.2 特征提取
• 5.4.3 编码与距离计算
• 5.4.4 分类决策
• 5.4.5 实验及分析
• 5.5 本章小结
• 第六章 虹膜纹理稳定性讨论与测试
• 6.1 引言
• 6.2 虹膜识别与虹膜诊断
• 6.3 准分子屈光矫正视力手术前后虹膜识别测试
• 6.3.1 准分子屈光视力矫正手术
• 6.3.2 手术后虹膜识别测试
• 6.4 相隔数年采集的虹膜图像识别测试
• 6.5 本章小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 7.2.1 虹膜获取设备的升级
• 7.2.2 不完美虹膜的识别
• 7.2.3 归一化研究
• 7.2.4 虹膜分类
• 7.2.5 大规模图像库及性能评价体系
• 7.2.6 虹膜识别应用的拓展
• 参考文献
• 攻读博士学位期间完成的论文、专利
• 致谢