开题报告-基于图像分析的虹膜区分系统开发.doc

杭州电子科技大学毕业设计（论文）开题报告题 目基于图像分析的虹膜区分系统开发学 院计算机学院专 业计算机科学与技术姓 名班 级学 号指导教师一、综述本课题国内外研究动态，说明选题的依据和意义国内外研究动态：生物识别技术是以人体生物特征为基础，根据生物特征所具有安全性、唯一性、可采集性、稳定性等特点，通过计算机对这种生物特征进行信息采集与识别，实现特征持有人身份认证。虹膜识别是生物识别技术中的一种，虹膜在婴儿期成形后就终生不变，并且虹膜位于角膜之后具有唯一性和高度的安全性基于以上特点，虹膜识别成为生物识别领域中一项极具潜力和发展前景的研究。虹膜识别技术系统的基本步骤为：（1）图像采集，用于获取虹膜图像；（2）虹膜图像预处理，进行虹膜内外边缘定位、归一化和图像增强等；（3）特征提取，得到虹膜纹理的特征编码；（4）特征匹配，将提取的虹膜特征编码与特征模板进行匹配以区分不同的虹膜。其中，虹膜图像的预处理是关键1，虹膜识别流程如图1所示。图1 虹膜识别流程虹膜一般都是通过虹膜采集设备采集虹膜图像，然后通过预处理消除图像的噪声斑点和光照带给图像的影响。 虹膜图像预处理是虹膜识别算法的第一步，主要由虹膜内外边缘定位、虹膜图像归一化和虹膜图像增强几部分组成。虹膜定位的目的就是通过定位虹膜的内外边缘、上眼睑、下眼睑，将虹膜从原始的图像中分割出来。 虹膜图像归一化：分割出来的虹膜图像还需要进行虹膜的归一化消除图像获取时的旋转、尺度变化，以及消除睫毛遮盖等带来的影响。 虹膜图像的增强：对归一化后的图像进行增强处理是为了克服由于光照不足或不均，造成的图像对比度过低或图像的亮度不均等现象。 在虹膜图像预处理后进行的是虹膜识别中最重要的两步，即虹膜的特征提取和特征匹配。最初的特征提取方法主要有 Daugman 提出二维 Gabor 变换法和 Wilds et al.提出的高斯-拉普拉斯滤波器法，后来随着虹膜识别研究的升温，许多新的方法被引入，促进了虹膜识别技术的发展。这里的主要法有精确边缘测量（canny edge detect），边缘检测算子法是用图像灰度分布的梯度来反映图像灰度的变化情况。霍夫变换（Hough Transform），由边缘检测得到虹膜的内边缘(瞳孔边缘)和外边缘(巩膜边缘)的边缘点集合，表示为(xj,yj),j=1, n。在此基础上第二步采用Hough变换的方法得到模型化的虹膜内边缘(瞳孔边缘)和虹膜外边缘(巩膜边缘)，即两个圆方程。Hough变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。在预先知道区域形状的条件下，利用Hough变换可以方便地得到边界曲线，将不连续的边缘像素点连接起来。Hough变换的主要优点是受噪声和曲线间断的影响较少。利用Hough变换可以直接检测某些已知形状的目标。Gabor滤波器2，从图像中提取纹理信息的有效策略之一是将图像与带通滤波器卷积，其中带通滤波器可以选择2DGabor滤波器。2D Gabor滤波器最初由Daugman在1980年提出的。Daugman在1985年详细论述了它们的数学特性，指出2D Gabor滤波器提供空间频率、方向、空间位置的最大分辨率，因此在空间和频域中具有良好的联合定位能力。用海明距离对虹膜图像分类，求虹膜的汉明距离就是将不同的虹膜码进行按位异或比较。公式中，A和B表示不同的虹膜码，j表示虹膜码的位，范围在1到N。其中布尔操作符XOR仅在Aj ，Bj不同时才为1，这里有两种极端:两虹膜代码完全相同时，HD则为0;两虹膜代码完全不同，即每一位都不同，HD则为1把虹膜纹理转化成有效的虹膜代码后，用虹膜代码的海明距(Hamming Distrance)大小来判别虹膜间的相似度。加权欧氏距离分类法，这种分类法是将未知虹膜的特征向量同已经训练好的已知类别的虹膜特征向量相比较，当且仅当它的特征向量与第k类特征向量的方差加权欧氏距离最小时，输入虹膜就被分类为第k类虹膜。选题依据和意义： 现代社会的发展对人类自身身份识别的准确性、安全性与使用性提出了更高的要求。而身份识别恰恰是人们日常生活中遇到的一个普遍性问题，在生活中经常会发生需要证明自己的身份、鉴别别人的身份等事情。传统的身份识别方法主要基于身份标志物品和身份标志知识，身份标志物品如证件、钥匙、自动取款机的银行卡等。身份标志知识包括用户名、密码等。在一些安全性要求严格的系统中，往往将这两者结合起来，如银行系统中很多保险箱同时需要钥匙和密码。但是，标志物品容易丢失或被伪造、标识知识容易遗忘或记错，更为严重的是传统身份识别系统往往无法区分标志物品真正的拥有者和取得标志物品的冒充者，一旦他人获得标志物品，就可以拥有相同的权力，其带来的隐患一直难以解决。美国新泽西的虹膜技术公司研制的新型安全眼“一眼看穿”3，对每个人的眼睛中的虹膜加以记录识别，准确率达到百分之百。其执行总裁比尔 沃特莫指出，一组代码大约只有512字节，非常易于在“智能卡”这样的小型内存中存储。目前这一系统正在美国的六个主要机场进行识别检测。英国最大的房屋建筑公司(Nationwide)已经在该公司的建筑街面墙内自动取款机上使用虹膜图像个人识别技术，用户插卡以后，无论白天、黑夜或用户是否戴普通(深色镜片除外)或者隐形眼镜，均可摄取准确的虹膜图像，并与存储的比较、核对身份，如确认用户即可进行下一步操作，提取现金3。目前全世界很多科研机构都在积极地开展虹膜识别系统的研究工作，并已取得了很大的进展，但是对于何种特征才能准确反映虹膜的本质特征这个关键问题，还没有一个合理的答案。因此，本课题希望能通过大量细致的工作，给出一个比较满意的答案。二、研究的基本内容，拟解决的主要问题：1. 研究的基本内容：1)了解中科院自动化所虹膜数据库；2)各类虹膜图像选取；3)虹膜中心点的确认及特征提取算法；4)虹膜图像归一化为矩形或有效编码；5)Gabor小波算法思想；6)虹膜区分系统的实现。2. 拟解决的主要问题：虹膜中心点的确认及有效区域的划分；虹膜图像特征提取；虹膜匹配分类。三、研究步骤、方法及措施：第一步，虹膜的检测和提取。采用Matlab中的虹膜提取算法，将环状的虹膜重新处理为矩型图片，如图2所示。原始图像处理后矩形图像图2 对虹膜提取处理第二步，虹膜特征提取后编码4。原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点可产生8bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息。如图3所示获取LBP过程。图3 获取具体图像LBP值过程介绍LBP算子的计算方式。对于一幅图像中的某个局部区域内的任意像素点位置f(x,y)，以其为中心，将得到的8位二进制数，按照某一排列顺序，得到一组二进制向量，如上图中为（01111100），继而转为10进制数，即可得到该窗口的LBP值。显而易见的是，上述提取的LBP算子在每个像素点都可以得到一个LBP“编码”，那么，对一幅图像提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”。不过，这里我们已经将物体从图片（图片可以理解为物体在原始测量空间得到的测量特征）转换为二次特征，也就是得到了我们通常说的“特征”。这里结合一种改进的LBP算子旋转不变模式LBP，旋转不变模式LBP能够在图片发生一定的倾斜时也能得到相同的结果。它的定义可以看图4所示。图4 旋转不变模式LBP像素位置取值点我们看到中心点的邻居不再是它上下左右的8个点（补充一句，不一定非要是3*3的邻域，这个自己定，但是邻域大了意味着直方图向量维度的增加），而是以它为圆心的一个圈，规定了这个圆的半径和点的个数，就可以求出各个点的坐标，但是点的坐标不一定是整数，如果是整数那么这个点的像素值就是对应点的值，如果不是整数，就用差值的方式得到。这样，一个被标记图像的直方图被定义为：这里，n是不同的LBP模式数量，同时 。第三步，虹膜分类。采用基于模板的分类方式5，在我们的方法中，模板将由如下方式形成：对同种表情的训练样本的特征向量取平均值，所得结果作为模板。利用海明距离测量模板和测试样本之间的距离。对于CASIA虹膜数据库，假设集合X包含n个训练样本的d维特征向量，将该集合分为59个子集合，就是一个二进制序列从0到1或是从1到0的变过不超过2次（这个二进制序列首尾相连）。比如：10100000的变化次数为3次所以不是一个uniform pattern。所有的8位二进制数中共有58个uniform pattern.为什么要提出这么个uniform LBP呢，因为研究者发现他们计算出来的大部分值都在这58种之中，所以他们把值分为59类，58个uniform pattern为一类，其它的所有值为第59类。这样直方图从原来的256维变成59维。每个集合包含一种人的虹膜的训练样本。设为第c个子集合，共nc个元素，是其中第i个元素（特征向量）。有：，假设mc是第c类（c=1，2，7）虹膜模板，则：s是测试样本的特征向量。海明距离为：其中和都是二进制编码。HD的值越小，表示测试样本和模板越接近。在测试样本中选取匹配虹膜使得：minHD与测试样本距离最近的模板对应的虹膜可被确定为与该测试样本最匹配的虹膜。4、 研究工作进度：序号时间内容12014-06-25至2014-07-25进行需求分析，了解研究现状和技术指标，查阅文档22014-07-26至2014-09-16完成开题报告、文献综述、外文翻译32014-09-17至2014-10-10虹膜数据库中图像选取及虹膜图像预处理42014-10-11至2014-10-31Gabor小波识别算法52014-11-01至2014-11-15虹膜区分系统设计，撰写论文62014-11-16至2014-11-30系统整体调试出作品72014-12-01至2014-12-15根据要求完成毕业设计课题82014-12-16至2015-01-08修改论文，答辩五、主要参考文献：1 J. Daugman.High confidence visual recognition of persons by a test of statistical independenceJ. IEEE Trans. PAMI,1993， 15(11), 1148-1161. 2 J. Daugman. How Iris Recognition WorksJ. IEEE Trans. Circuits and System for Video Technology,2004,14(1), 21-30. 3 R. Wildes. Iris Recognition: An Emerging Biometric TechnologyJ. Proc. of the IEEE, 1997, 85(9), 1348-1363. 4 Yuqing He, Guangqin Feng, Yushi Hou, Li Li. Iris feature extraction method based on LBP and chunked encodingJ.Natural Computation (ICNC).2011:1663-16675 李欢利，郭立红，李小明，王心醉，董月芳. 基于统计