虹膜識別系統和方法以及具有其程序的存儲介質的製作方法
2023-06-16 03:36:31 4
專利名稱：虹膜識別系統和方法以及具有其程序的存儲介質的製作方法
技術領域：
本發明涉及虹膜識別系統和方法，以及具有其程序的存儲介質，它們能夠通過多次切分虹膜圖像並有效地提取虹膜圖像的特徵區域，從而將識別誤差減少到最低程度。
背景技術：
通常，使用邊緣檢測方法來區分位於瞳孔和鞏膜之間的虹膜區域。但是在眼睛圖像中未呈現有圓分量(circle component)的情形下，該方法檢測虹膜耗用時間長，因為該方法是基於如下假設的眼睛圖像中呈現有圓分量。
存在的另一個問題是，由於虹膜區域是利用以瞳孔中心為中心的假定圓來確定的，所以依照假定的圓的形狀，可能只有部分瞳孔包含在眼睛圖像中或可能有部分虹膜不包含在眼睛圖像中。該假定圓的大小和位置與瞳孔近似相同。
另一種方法是，提取虹膜特徵並利用Gover變換來構造特徵向量，所構造的特徵向量的維數超過256。但它存在功效問題，即，在假定一個維數隻佔用1個字節的情況下，至少需要使用256個字節。
另外，存在有這樣一種方法，其通過測量諸如漢明距離的距離以比較虹膜特徵向量。但其問題是難於通過概括虹膜圖案而構造出參考特徵向量，且難於適當反映出在特徵向量的每一維中所包含的特徵。
另外，在處理時間和識別率方面存在一些問題，因為傳統的虹膜識別系統不能確定由外部輸入的圖像是否適合於虹膜識別。因此，使用者不得不正確地選擇他的位置，而這很不方便。
發明內容
因此，本發明是針對上述問題而做出的，並且本發明的目的是提供一種虹膜識別系統和方法，以及具有其程序的存儲介質，它們能夠通過使用Canny邊緣檢測器、二等分法和彈性體模型以無信息遺漏的方式提取出虹膜圖像。
本發明的另一目的是提供一種虹膜識別系統和方法，以及具有其程序的存儲介質，它們能夠有效提取在虹膜圖像低頻帶和高頻帶中的特徵區域，並且由所提取特徵區域的統計值來構造特徵向量。
本發明的另一目的是提供一種虹膜識別系統和方法，以及具有其程序的存儲介質，它們能夠將識別誤差減小到最小程度。
本發明的另一目的是提供一種虹膜識別系統和方法，以及具有其程序的存儲介質，它們能夠對用於虹膜識別的眼睛圖像進行濾波。
依照本發明的一個方面，它提供一種虹膜識別系統，該虹膜識別系統包括特徵向量資料庫，其用於預先存儲標識個人身份的特徵向量；虹膜圖像提取器，其用於提取由外部輸入的眼睛圖像中的虹膜圖像；特徵向量提取器，其用於多次切分虹膜圖像提取器所提取的虹膜圖像，通過被多次切分的各個虹膜圖像來獲得虹膜特徵區域，並且通過統計方法從虹膜特徵區域中提取特徵向量；以及識別器，其用於對特徵向量提取器所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，從而識別個人身份。
優選地，所述虹膜圖像提取器包括邊緣元素檢測部分，其用於通過對眼睛圖像施用Canny邊緣檢測法以檢測邊緣元素；分組部分，其用於對所檢測到的邊緣元素進行分組；虹膜圖像提取部分，其用於通過對經過分組的邊緣元素施用二等分法以提取虹膜圖像；以及歸一化部分，其用於通過對所提取的虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化。
優選地，所述彈性體模型包括多個彈性體，每個所述彈性體都是可縱向伸長的，並且其一端連接鞏膜而另一端連接瞳孔。
優選地，所述特徵向量提取器包括多次切分部分，其用於對虹膜圖像提取器所提取的虹膜圖像進行小波包(wavelet-packet)變換從而多次切分所述提取的虹膜圖像；計算部分，其用於為被多次切分的虹膜圖像的區域計算能量值；特徵區域提取部分，其用於從被多次切分的虹膜圖像的區域中提取並存儲能量值大於預設參考值的區域；以及特徵向量構造部分，其用於將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量；對於由特徵區域提取部分提取的區域，以預定的次數重複執行由多次切分部分實現的小波包變換過程和由計算部分實現的能量值計算過程，而後將能量值大於參考值的區域存儲到特徵區域提取部分。
優選地，所述計算部分對各個多次切分區域的能量值求平方，累加平方的能量值，而後將累加的能量值除以區域數目，由此能夠得到結果能量值。
優選地，所述識別器通過對特徵向量提取部分所提取的特徵向量和預先存儲在特徵向量資料庫中的特徵向量施用支持向量機方法(Supportvector machine method)來計算特徵向量之間的距離，並且如果所計算出的特徵向量之間的距離小於預設參考值則確認個人身份。
優選地，所述特徵向量提取器包括多次切分部分，其用於通過對虹膜圖像提取器所提取的虹膜圖像施用Daubechies小波變換而多次切分該提取的虹膜圖像，並且從被多次切分的虹膜圖像中提取含有x-軸和y-軸高頻分量HH的區域；計算部分，其用於通過HH區域的特徵值來計算虹膜圖案的鑑別率D，並且遞增重複次數；特徵區域提取部分，其用於確定預設參考值是否小於鑑別率D或者重複次數是否小於預設參考次數，如果所述參考值大於鑑別率D或者重複次數大於所述參考次數則完成其操作，如果所述參考值等於或小於鑑別率D，或者所述重複次數等於或小於所述參考次數則存儲並處理HH區域的信息，提取具有x-軸和y-軸低頻分量的區域LL，選擇LL區域作為新的處理目標圖像；以及特徵向量構造部分，其用於將所述被提取並存儲的區域切分為多個子區域，獲取所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量；對於被所述特徵區域提取部分選擇作為新的處理目標圖像的區域，重複執行由多次切分部分實現多次切分過程及其後續過程。
優選地，所述鑑別率D是通過對HH區域每個像素的值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。
優選地，所述識別器通過對特徵向量提取器所提取的特徵向量和預先存儲在特徵向量資料庫中的特徵向量施用歸一化的歐幾裡德距離和最小距離分類規則而確認個人身份。
優選地，所述系統還包括濾波器，其用於對由外部輸入的眼睛圖像進行濾波，並且將其輸出到虹膜圖像提取器。
優選地，所述濾波器包括閃爍檢測部分，其用於檢測眼睛圖像的閃爍；瞳孔位置檢測部分，其用於檢測眼睛圖像中的瞳孔位置；垂直分量檢測部分，其用於檢測邊緣的垂直分量；濾波部分，其用於把通過分別由閃爍檢測部分、瞳孔位置檢測部分和垂直分量檢測部分檢測得到的值分別乘以權值W1、W2和W3所得到的值大於預設參考值的眼睛圖像排除，並且將剩餘的眼睛圖像輸出到虹膜圖像提取器。
優選地，當將眼睛圖像切分為M×N個塊時，所述閃爍檢測裝置計算各個原始圖像(raw)中的塊的平均亮度之和，並輸出最大亮度值F1。
優選地，所述權值W1的權重與距眼睛圖像垂直中心的距離成比例。
優選地，當將眼睛圖像切分為M×N個塊時，所述瞳孔位置檢測部分檢測出各塊平均亮度小於預設值的塊F2。
優選地，所述權值W2的權重與距眼睛圖像中心的距離成比例。
優選地，所述垂直分量檢測部分通過Sobel邊緣檢測法來檢測虹膜區域的垂直分量的值F3。
優選地，無論與距眼睛圖像中心的距離如何，所述權值W3都是相同的。
優選地，所述系統還包括寄存器，其用以將特徵向量提取器所提取的特徵向量記錄到特徵向量資料庫中。
優選地，所述系統還包括拍攝裝置，其用以拍攝個人眼睛圖像並將其輸出到濾波器。
依照本發明的另一個方面，它提供一種虹膜識別方法，所述虹膜識別方法包括如下步驟提取自外部輸入的眼睛圖像中的虹膜圖像；對所提取的虹膜圖像進行多次切分，從多次切分的各個虹膜圖像中獲得虹膜特徵區域，並且通過統計方法從虹膜特徵區域提取出特徵向量；以及對所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，由此識別個人身份。
優選地，所述提取虹膜圖像的步驟包括如下子步驟(a1)通過對眼睛圖像施用Canny邊緣檢測法而檢測邊緣元素；(a2)對檢測到的邊緣元素進行分組；(a3)通過對經過分組的邊緣元素施用二等分法以提取虹膜圖像；以及(a4)通過對所提取虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化。
優選地，所述彈性體模型包括多個彈性體，每個彈性體都是可縱向伸長的，並且其一端連接鞏膜而另一端連接瞳孔。
優選地，所述提取特徵向量的步驟包括如下子步驟(b1)對步驟(a)提取的虹膜圖像進行小波包變換從而多次切分所提取的虹膜圖像；(b2)計算被多次切分的虹膜圖像的區域的能量值；(b3)從被多次切分的虹膜圖像的區域中提取並存儲能量值大於預設參考值的區域，並且對所提取區域重複執行小波包變換步驟至能量值計算步驟；以及(b4)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
優選地，所述能量值是通過對被多次切分的區域的能量值取平方、而後累加平方的能量值、而後將該累加能量值除以區域的總數目所得到的值。
優選地，所述識別個人身份的步驟包括通過對所提取的特徵向量和預先存儲的特徵向量施用支持向量機方法而計算特徵向量之間的距離，並且如果所計算出的特徵向量之間的距離小於預設參考值則確認個人身份。
優選地，所述提取特徵向量的步驟包括如下子步驟(b1)通過對提取的虹膜圖像施用Daubechies小波變換而多次切分虹膜圖像提取器所提取的虹膜圖像；(b2)從被多次切分的虹膜圖像中提取含有x-軸和y-軸高頻分量的HH區域；(b3)通過HH區域的特徵值來計算虹膜圖案的鑑別率D，並且遞增重複次數；(b4)確定預設參考值是否小於鑑別率D或者重複次數是否小於預設參考次數；(b5)如果所述參考值大於鑑別率D或者重複次數大於所述參考次數，則完成其操作，而如果所述參考值等於或小於鑑別率D，或者所述重複次數等於或小於所述參考次數，則存儲並處理HH區域的信息；(b6)提取具有x-軸和y-軸低頻分量的區域LL；(b7)選擇LL區域作為新的處理目標圖像，其中對被選擇作為新的處理目標圖像的區域重複執行多次切分步驟及其後續步驟；以及(b8)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
優選地，所述鑑別率D是通過對HH區域每個像素的值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。
優選地，所述識別個人身份的步驟包括這樣一個步驟通過對所提取的特徵向量和預先存儲的特徵向量施用歸一化的歐幾裡德距離和最小距離分類規則而確認個人身份。
優選地，所述方法還包括對自外部輸入的眼睛圖像進行濾波的步驟。
優選地，所述濾波步驟包括如下子步驟(c1)檢測眼睛圖像的閃爍；(c2)檢測眼睛圖像中瞳孔的位置；(c3)檢測邊緣的垂直分量；(c4)將通過分別由閃爍檢測步驟、瞳孔位置檢測步驟和垂直分量檢測步驟所檢測到的值分別乘以權值W1、W2和W3所得到的值大於預設參考值的眼睛圖像排除，並使用剩餘的眼睛圖像。
優選地，所述步驟(c1)包括如下子步驟當將眼睛圖像切分為M×N個塊時，計算在各個原始圖像(raw)中的塊的平均亮度之和，並且輸出最大亮度值F1。
優選地，所述權值W1的權重與距眼睛圖像垂直中心的距離成比例。
優選地，所述步驟(c2)包括如下子步驟當將眼睛圖像切分為M×N個塊時，檢測出各塊的平均亮度小於預設值的塊F2。
優選地，所述權值W2的權重與距眼睛圖像中心的距離成比例。
優選地，所述步驟(c3)通過Sobel邊緣檢測法來檢測虹膜區域的垂直分量的值F3。
優選地，無論與距眼睛圖像中心的距離如何，所述權值W3都是相同的。
優選地，所述方法還包括記錄所提取的特徵向量的步驟。
依照本發明的另一個方面，本發明提供一種其上存儲有程序的計算機可讀取的存儲介質，所述程序包含如下步驟提取自外部輸入的眼睛圖像中的虹膜圖像；對所提取的虹膜圖像進行多次切分，從多次切分的各個虹膜圖像中獲得虹膜特徵區域，並且通過統計方法從虹膜特徵區域提取出特徵向量；以及對所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，由此識別個人身份。
優選地，提取虹膜圖像的步驟包括如下子步驟(a1)通過對眼睛圖像施用Canny邊緣檢測法而檢測邊緣元素；(a2)對檢測到的邊緣元素進行分組；(a3)通過對經過分組的邊緣元素施用二等分法以提取虹膜圖像；以及(a4)通過對所提取虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化。
優選地，所述彈性體模型包括多個彈性體，每個彈性體都是可縱向伸長的，並且其一端連接鞏膜而另一端連接瞳孔。
優選地，提取特徵向量的步驟包括如下子步驟(b1)對由所述虹膜圖像提取步驟提取的虹膜圖像進行小波包變換從而多次切分所提取的虹膜圖像；(b2)計算被多次切分的虹膜圖像的區域的能量值；(b3)從被多次切分的虹膜圖像的區域中提取並存儲能量值大於預設參考值的區域，並且對所提取的區域重複執行小波包變換步驟至能量值計算步驟；以及(b4)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
優選地，所述能量值是通過對被多次切分的區域的能量值取平方、而後累加平方的能量值、而後將該累加能量值除以區域的總數目所得到的值。
優選地，所述識別個人身份的步驟包括通過對所提取的特徵向量和預先存儲的特徵向量施用支持向量機方法而計算特徵向量之間的距離，並且如果所計算出的特徵向量之間的距離小於預設參考值則確認個人身份。
優選地，所述提取特徵向量的步驟包括如下子步驟(b1)通過對提取的虹膜圖像施用Daubechies小波變換而多次切分虹膜圖像提取器所提取的虹膜圖像；(b2)從被多次切分的虹膜圖像中提取含有x-軸和y-軸高頻分量的HH區域；(b3)通過HH區域的特徵值來計算虹膜圖案的鑑別率D，並且遞增重複次數；(b4)確定預設參考值是否小於鑑別率D或者重複次數是否小於預設參考次數；(b5)如果所述參考值大於鑑別率D或者重複次數大於所述參考次數，則完成其操作，而如果所述參考值等於或小於鑑別率D，或者所述重複次數等於或小於所述參考次數，則存儲並處理HH區域的信息；(b6)提取具有x-軸和y-軸低頻分量的區域LL；(b7)選擇LL區域作為新的處理目標圖像，其中對被選擇作為新的處理目標圖像的區域重複執行多次切分步驟及其後續步驟；以及(b8)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
優選地，所述鑑別率D是通過對HH區域每個像素的值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。
優選地，所述識別個人身份的步驟包括這樣一個步驟通過對所提取的特徵向量和預先存儲的特徵向量施用歸一化的歐幾裡德距離和最小距離分類規則而確認個人身份。
優選地，所述程序還包括對自外部輸入的眼睛圖像進行濾波的步驟。
優選地，所述濾波步驟包括如下子步驟(c1)檢測眼睛圖像的閃爍；(c2)檢測眼睛圖像中瞳孔的位置；(c3)檢測邊緣的垂直分量；(c4)將通過分別由閃爍檢測步驟、瞳孔位置檢測步驟和垂直分量檢測步驟所檢測到的值分別乘以權值W1、W2和W3所得到的值大於預設參考值的眼睛圖像排除，並使用剩餘的眼睛圖像。
優選地，所述步驟(c1)包括如下子步驟當將眼睛圖像切分為M×N個塊時，計算在各個原始圖像(raw)中的塊的平均亮度之和，並且輸出最大亮度值F1。
優選地，所述權值W1的權重與距眼睛圖像垂直中心的距離成比例。
優選地，所述步驟(c2)包括如下子步驟當將眼睛圖像切分為M×N個塊時，檢測出各塊的平均亮度小於預設值的塊F2。
優選地，所述權值W2的權重與距眼睛圖像中心的距離成比例。
優選地，所述步驟(c3)通過Sobel邊緣檢測法來檢測虹膜區域的垂直分量的值F3。
優選地，無論與距眼睛圖像中心的距離如何，所述權值W3都是相同的。
優選地，所述程序還包括記錄所提取的特徵向量的步驟。
附圖簡要說明通過下文結合附圖所做詳細說明，本發明的上述的和其它的發明目的、特徵以及優點將變得更加清楚，在附圖中
圖1a是依照本發明的使用小波包變換的虹膜識別系統的方框圖；圖1b是在圖1a基礎上進一步包含寄存器的虹膜識別系統的方框圖；圖2a是依照本發明實施例的虹膜圖像提取器的方框圖；圖2b是闡釋利用二等分法提取虹膜的方法的視圖；圖2c是施用於虹膜圖像的彈性體模型的視圖；圖3a是依照本發明的特徵向量提取器的方框圖；圖3b是闡釋虹膜特徵區域的視圖；圖4a是在圖1a基礎上進一步包含濾波器的虹膜識別系統的方框圖；圖4b是依照本發明實施例的濾波器的方框圖；圖5是利用小波包變換方法實現的虹膜識別方法的流程圖；圖6是描述虹膜圖像提取步驟的詳細流程圖；圖7是描述特徵向量提取步驟的詳細流程圖；圖8是描述圖像濾波步驟的流程圖；以及圖9是描述採用Daubechies小波包變換的虹膜識別方法的流程圖。
實施本發明的最佳實施例現在將對本發明的優選實施例進行詳細說明。
圖1a是依照本發明利用小波包變換的虹膜識別系統的方框圖。
參見圖1，虹膜識別系統包括虹膜圖像提取器10、特徵向量提取器20、識別器30和特徵向量資料庫40。
虹膜圖像提取器10從由外部輸入的眼睛圖像中提取虹膜圖像。
特徵向量提取器20對由虹膜圖像提取器10提取到的虹膜圖像進行小波包變換，對變換後的圖像進行多次切分，從多次切分得到的圖像中獲取虹膜特徵區域，並且使用統計方法提取出特徵向量。
識別器30通過比較由特徵向量提取器20提取到的特徵向量和特徵向量資料庫40中存儲的特徵向量而對人進行識別。特徵向量資料庫40包含預先存儲的相應於每個人的特徵向量。
另外，識別器30通過將支持向量機方法(Support vector machinemethod)施用於由特徵向量提取器20提取到的特徵向量和特徵向量資料庫40中存儲的特徵向量而計算特徵向量之間的距離。
另外，當計算得到的距離值小於預設的參考值時，識別器30輸出為同一個人的識別結果，而當計算得到的距離值等於或大於預設的參考值時，識別器30則輸出為非同一個人的識別結果。
之所以採用支持向量機方法是因為這樣能夠提高通過對小波包變換方法生成的特徵向量組的識別度和精度。
圖1b是在圖1a基礎上進一步包含寄存器的虹膜識別系統的方框圖。寄存器50將由特徵向量提取器20提取得到的特徵向量記錄在特徵向量資料庫40中。
依照本發明的虹膜識別系統還包括拍攝裝置，它用於拍攝人眼的圖像並將其輸出到虹膜圖像提取器10。
圖2a是依照本發明實施例的虹膜圖像提取器的方框圖。
參見圖2a，虹膜圖像提取器10包括邊緣元素檢測部分12、分組部分14、虹膜圖像提取部分16和歸一化部分18。
邊緣元素檢測部分12利用Canny邊緣檢測器檢測邊緣元素。此時，虹膜72(圖2c)和鞏膜74(圖2c)的邊緣元素由於在眼睛圖像的前景和背景之間存在有許多不同，因此得以清楚地提取。但是虹膜72和瞳孔71(圖2c)的邊緣元素由於其背景近乎沒有差異，因此不能清楚地提取。
因此，可利用分組部分14和虹膜圖像提取部分16以精確地尋找虹膜72和瞳孔71的邊緣元素以及鞏膜74和虹膜72的邊緣元素。
分組部分14對邊緣元素檢測部分12檢測得到的邊緣元素進行分組。表(a)示出了由邊緣元素檢測部分12提取得到的邊緣元素，而表(b)則示出了對表(a)的邊緣元素進行分組的結果。
(a) (b)分組部分14將連結的像素邊緣元素歸為一組。這裡分組的含義包含依照連結次序對邊緣元素進行排列。
圖2b是闡釋通過對經過分組的邊緣元素施用二等分法來提取虹膜的方法的視圖。
參見圖2b，虹膜圖像提取部分16將分組的邊緣元素作為一個邊緣組，並且對各個組都施用二等分法，由此能夠獲得圓的圓心。如圖2b所示，虹膜圖像提取部分16獲得與連接任意兩點A(XA，YA)和B(XB，YB)的直線相垂直的二等分線C，並且檢驗所獲得的直線是否通過圓心O。
結果，虹膜圖像提取部分16將具有高接近程度的邊緣組之中的位於邊界線內側的邊緣組確定為虹膜的內部邊緣元素，而將具有高接近程度的邊緣組之中的位於邊界線外側的邊緣組確定為虹膜的外部邊緣元素通過在歸一化部分18中施用彈性體模型，以對虹膜圖像提取部分16提取的虹膜圖像進行歸一化。圖2c是用於對虹膜圖像進行歸一化的彈性體模型的視圖。
之所以使用彈性體模型的理由是，有必要將由瞳孔71和鞏膜74限定構成的虹膜圖像映射到預設的空間中。彈性體模型需要滿足的前提條件是儘管虹膜圖像的形狀有所變形，但虹膜圖像的區域關係應當是一一對應的。彈性體模型必須考慮到當虹膜圖像形狀有變形時所產生的活動特性。
彈性體模型包括多個彈性體，其中每個彈性體的一端都通過樞接而連接到鞏膜74，而另一端都連接到瞳孔71。彈性體可以在縱向上變形，但不能在與縱向垂直的方向上變形。
在這種情形下，彈性體的前端由於它與樞接點相連因而是可轉動的。可以將與瞳孔邊界相垂直的方向設定為彈性體的軸向。
分布於虹膜圖像中的虹膜圖案在接近瞳孔71的區域中分布密集，而在接近鞏膜74的區域中分布稀疏。因此，儘管在瞳孔71附近的區域中出現的誤差較小但仍難於識別虹膜。另外有可能就一個人在鞏膜74附近區域中的虹膜而錯誤識別為其他人。
另外有可能由於虹膜肌肉的不對稱收縮或擴張而產生誤差。當拍攝眼睛圖像的角度相對瞳孔傾斜時則原始圖像可能變形失真。
因此，當施用彈性體模型時，則有可能得到如圖1所示的歸一化的虹膜圖像73。下面將對施用彈性體模型的過程進行說明。
內、外邊界之間的關係如下所示To=arcsin{(Yi-Yoc)*cosNi-(Xi-Xoc)*sinNiRo}+Ni]]>其中，(Xi，Yi)位於邊界內側的一點的坐標Ni在Xi和Yi處的法線向量的方向(Xoc，Yoc)外邊界的中心Ro外邊界的半徑(Xo，Yo)包含Xi和Yi的彈性體通過樞接而連接到外邊界處的位置To(Xoc，Yoc)和(Xo，Yo)之間的角度首先，計算出Ni，而後根據上述公式設定Ni和To之間的關係。之後基於外邊界的圓使極坐標角度移動以預設的角度單位而計算針對To的Ni和(Xi，Yi)。而後使(Xi，Yi)和(Xo，Yo)之間的圖像歸一化。通過這種過程獲得的虹膜圖像具有耐抗由虹膜運動引起的變形的特性。
圖3a是依照本發明的特徵向量提取器的方框圖。
參見圖3a，特徵向量提取器20包括多次切分部分22、計算部分24、特徵區域提取部分26和特徵向量構造部分28。
多次切分部分22對由虹膜圖像提取器10提取得到的虹膜圖像進行小波包變換。下面對小波包變換進行更加詳細的說明。
小波包變換將二維虹膜圖像分解為關於頻率和時間的分量。無論何時只要執行小波包變換，則將虹膜圖像切分為4個區域，即，包含高頻分量的區域HH、HL和LH，以及包含低頻分量的區域LL，如圖3b所示。
包含最低頻帶的區域呈現出的統計特性與原始圖像相似，除最低頻帶之外的其它頻帶具有這樣特性能量集聚在邊界區域內。
由於小波包變換提供了足夠的小波基礎，所以就有可能在適當選擇適合於空間頻率特徵的基礎條件下對虹膜圖像進行有效分解。因此，就有可能依照低頻帶以及高頻帶的空間頻率特徵對虹膜圖像進行分解。
計算部分24計算由多次切分部分22切分產生的虹膜圖像的各個區域的能量值。
特徵區域提取部分26從由多次切分部分切分產生的虹膜圖像的各個區域中提取並存儲能量值大於預設參考值的區域。
對特徵區域提取部分提取的區域再次執行小波包變換。而後以預定次數重複執行計算部分24計算能量值的步驟。能量值大於預設參考值的區域被存儲到特徵區域提取部分26中。
當對所有區域的虹膜特徵都進行提取從而構造特徵向量時，由於含有無用信息的區域也被用到，因而導致識別率下降並且處理時間增大。因此，由於可以將具有較高能量值的區域視為含有較多特徵信息的區域，所以在特徵區域提取部分26中只對大於參考值的區域進行提取。
圖3b顯示了經過3次小波包變換而得到的虹膜特徵區域。假定當執行2次小波包變換後只有LL區域的能量值大於參考值，並且當執行3次小波包變換後只有LL3區域和HL3區域的能量值大於參考值。因此對LL1、LL2、LL3和HL3區域進行提取並將它們存儲作為虹膜圖像的特徵區域。
特徵向量構造部分28將特徵區域提取部分26提取並存儲的區域分割為M×N個子區域，獲得各個子區域的平均值和標準偏差，並且利用所獲得的平均值和標準偏差來構造特徵向量。
圖4a是在圖1a基礎上進一步包含濾波器的虹膜識別系統的方框圖，而圖4b是依照本發明實施例的濾波器的方框圖。
濾波器60對由外部輸入的眼睛圖像進行濾波並且將其輸出到虹膜圖像提取器10。濾波器60包括閃爍(blinking)檢測部分62、瞳孔位置檢測部分64、垂直分量檢測部分66和濾波部分68。
閃爍檢測部分62檢測眼睛圖像的閃爍並且將其輸出到濾波部分68。當將眼睛圖像切分為M×N個塊時，閃爍檢測部分62計算各個原始圖像(raw)中的塊的平均亮度之和，並且將最大亮度值F1輸出到濾波部分68。
閃爍檢測器62利用了眼瞼圖像亮於虹膜圖像。這是為了分選出那些由於將眼瞼定位在中心使得眼瞼遮蔽了虹膜而導致的劣質圖像。
瞳孔位置檢測部分64檢測眼睛圖像中的瞳孔位置並且將其輸出到濾波部分68。當將眼睛圖像分割為M×N個塊時，閃爍檢測部分62檢測出平均亮度小於預設參考值的塊F2並且將其輸出到濾波部分68。因為在眼睛圖像中瞳孔最暗，所以當找到眼睛圖像垂直中心後就有可能很方便地檢測到塊F2。
垂直分量檢測部分66檢測在眼睛圖像中邊緣的垂直分量，並且將其輸出到濾波部分68。垂直分量檢測部分66對眼睛圖像施用Sobel邊緣檢測法以計算虹膜區域的垂直分量的值。該方法通過在垂向上定位睫毛而將劣質圖像分選出來，因為當睫毛遮蔽虹膜時是不可能對虹膜進行識別的。
濾波部分68將分別由閃爍檢測部分62、瞳孔位置檢測部分64和垂直分量檢測部分66輸入的值F1、F2和F3分別乘以權值W1、W2和W3。濾波部分68將值大於參考值的眼睛圖像排除，並且將剩餘的眼睛圖像輸出到虹膜圖像提取器10。
這裡，優選地是，權值W1的權重與瞳孔偏離眼睛圖像垂直中心的位置成比例。例如，當將權值1賦予眼睛圖像的垂直中心所在的原始圖像(raw)時，則將權值5賦予偏離眼睛圖像的垂直中心四個塊的原始圖像(raw)。
優選的是，權值W2的權重與瞳孔偏離眼睛圖像中心的位置成比例，而權值W3的權重與瞳孔位置無關。
通過調整應用於濾波部分68的參考值可以確定適於識別的圖像的品質。將F1、F2和G3分別乘以W1、W2和W3所得到的值可用於確定在預設時間內獲取的圖像幀的優先級。此時，優選的是，結果值越低則優先級越高。
圖5顯示了利用小波包變換方法的虹膜識別方法的流程圖。參見圖5，依照本發明的方法包括虹膜圖像提取步驟S100，特徵向量提取步驟S200，以及識別步驟S300。
在虹膜圖像提取步驟S100中，從由外部輸入的眼睛圖像提取虹膜圖像。
在特徵向量提取步驟S200中，對所提取的虹膜圖像進行小波包變換並且進行多次切分，從多次切分的圖像獲得虹膜特徵區域，並且通過統計方法提取特徵向量。
在識別步驟S300中，將所提取的特徵向量與預先存儲的特徵向量進行比較。此時，優選的是使用支持向量機方法。
另外，依照本發明的虹膜識別方法可進一步包括記錄在特徵向量提取步驟S200中所提取的特徵向量的記錄步驟。
圖6是描述虹膜圖像提取步驟的詳細流程圖。
參見圖6，虹膜圖像提取步驟S100包括通過對眼睛圖像施用Canny邊緣檢測法而檢測邊緣元素的步驟S110，對檢測到的邊緣元素進行分組的步驟S120，通過對經過分組的邊緣元素施用二等分法而提取虹膜圖像的步驟S130，以及通過對所提取的虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化的步驟S140。
圖7是描述特徵向量提取步驟的詳細流程圖。
參看圖7，特徵向量提取步驟S200包括對在虹膜圖像提取步驟中所提取的虹膜圖像進行小波包變換和多次切分的步驟S210，對多次切分的虹膜圖像的各個區域執行能量值計算的步驟S220，對多次切分的區域的能量值與參考值進行比較的步驟S230，提取並存儲能量值大於參考值的區域的步驟S235，以預設次數對所提取的區域重複執行步驟S210至S235的步驟S240，將所提取的各個區域切分成多個子區域、並且對子區域求取平均值和標準偏差值的步驟S250，以及通過利用所求取的平均值和標準偏差值來構造特徵向量的步驟S260。
虹膜識別方法還包括如圖8所示的視頻濾波步驟。參見圖8，視頻濾波步驟S400包括檢測眼睛圖像的閃爍的步驟S410，檢測瞳孔位置的步驟S20，檢測邊緣的垂直分量的步驟S430，以及排除具有通過將在步驟S410至S430中的檢測值分別乘以權值W1、W2和W3所獲得的值的眼睛圖像、並使用剩餘眼睛圖像的步驟S440。上述每個所獲得的值都大於預設值。
下文將參照圖1至8詳細描述由如下步驟構成的處理過程從眼睛圖像中提取虹膜圖像，從通過小波包變換提取的特徵區域構造特徵向量，以及將特徵向量和預先存儲的特徵向量進行比較，由此能夠識別出個人身份。
虹膜圖像提取器20的邊緣元素檢測部分12通過對由外部輸入的眼睛圖像施用Canny邊緣檢測法來檢測邊緣元素(S110)。即，在步驟S110，獲取在眼睛圖像中前景和背景產生差別的邊緣。
為了更加精確地檢測瞳孔71和虹膜72之間的邊緣元素以及鞏膜74和虹膜72之間的邊緣元素，分組部分14將檢測得到的邊緣元素分成組(S120)。如圖2b所示，虹膜圖像提取部分16通過對經過分組的邊緣元素施用二等分法來提取虹膜(S130)。
如圖2c所示，歸一化部分18通過對所提取的虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化，並且將其輸出到特徵向量提取部分20(S140)。
特徵向量提取器20的多次切分部分22對虹膜圖像提取器10所提取的虹膜圖像進行小波包變換和多次切分(S210)。然後計算器24為多次切分的虹膜圖像的各個區域計算能量值(S220)。
特徵區域提取部分26將多次切分的區域的能量值與參考值進行比較。
那些能量值大於參考值的區域被提取和存儲(S235)，對所提取區域以預設次數重複步驟S210至S235(S240)。
照此，當提取並存儲虹膜特徵區域後，特徵向量構造部分28將所提取的各個區域切分為多個子區域，並且獲得平均值和標準偏差值(S250)。利用平均值和標準偏差值來構造特徵向量。
識別器30通過對由特徵向量提取器20提取的特徵向量和特徵向量資料庫40中存儲的特徵向量施用支持向量機方法來確定個人身份(S300)。
在通過對特徵向量施用支持向量機方法計算出特徵向量之間的距離之後，如若計算得到的距離小於參考值，則身份得以確認。
另一方面，當虹膜識別系統如圖4a所示還包括有濾波器60時，濾波器60對來自外部的眼睛圖像進行濾波，並且將其輸出到虹膜圖像提取器10(S400)。
閃爍檢測部分62計算在各個原始圖像(raw)中的塊的平均亮度之和，並且將最大亮度值F1輸出到濾波器60(S410)。瞳孔位置檢測部分64計算平均亮度小於預設值的塊F2，並且將其輸出到濾波部分68(S420)。垂直分量檢測部分66通過對眼睛圖像施用Sobel邊緣檢測法來計算虹膜圖像的垂直分量的值F3(S430)。
濾波部分68將具有通過將閃爍檢測部分62、瞳孔位置檢測部分64和垂直分量檢測部分66檢測的值分別乘以權值W1、W2和W3而獲取的值的眼睛圖像予以排除(S440)。濾波部分68將剩餘的眼睛圖像輸出到虹膜圖像提取器10。
依照本發明的另一個實施例，特徵向量提取器20可以通過使用Daubechies小波變換來多次切分虹膜圖像，並且識別器30可以通過使用歸一化的歐幾裡德距離和最小距離分類規則來執行識別。
對Daubechies小波變換的描述參照圖3a，並且圖9是描述採用Daubechies小波變換的虹膜識別方法的流程圖。
多次切分部分22通過對虹膜圖像施用Daubechies小波變換來多次切分由特徵向量提取器20提取的虹膜圖像(S510)。而且多次切分部分22從多次切分的虹膜圖像中提取含有高頻X-軸和Y-軸分量HH的區域(S520)。
計算部分24根據HH區域的特徵值計算虹膜圖案的鑑別率D，並且遞增次數(S530)。
特徵區域提取部分26確定預先設定的參考值是否小於鑑別率D或者重複次數是否小於預先設定的參考次數(S540)。作為結果，若該參考值大於鑑別率D或該重複次數大於該參考次數，則處理過程完成。
但是，若該參考值等於或小於鑑別率D，或該重複次數等於或小於該參考次數，則特徵區域提取部分26存儲並在當前時間處理HH區域的信息(S550)。
接下來，特徵區域提取部分26從多次切分的虹膜圖像中提取含有低頻X-軸和Y-軸分量的LL區域(S370)，並且選擇減小為之前虹膜圖像的1/4大小的LL區域作為新的處理對象。
通過反覆對選定作為新處理對象的虹膜區域施用Daubechies小波變換，就可得到虹膜特徵區域。
鑑別率D是通過對HH區域的每個像素值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。無論何時施用Daubechies小波變換，虹膜圖像總是被切分為HH、HL、LH和LL區域。圖3b示出了執行了3次Daubechies小波變換的情形。
特徵向量構造部分28將由特徵區域提取部分26所提取並存儲的區域切分為M×N個子區域，獲取各個子區域的平均值和標準偏差值，並且利用該平均值和標準偏差值構造特徵向量。
如圖3b所示，由於各個區域都被切分為若干子區域，所以特徵向量是利用平均值和標準偏差值構造的。
識別器60通過對從特徵提取器30提取的特徵向量和特徵資料庫50中存儲的特徵向量施用歸一化的歐幾裡得距離和最小距離分類規則而對個人身份進行識別。
識別器60通過施用歸一化歐幾裡得距離和最小距離分類規則來計算特徵向量之間的距離。
由於特徵向量之間的距離小，所以優選地識別器60在通過對所計算得到的特徵向量之間的距離施用最小距離分類規則所得到的值等於或小於預設的參考值的情況下，才確定個人身份。
工業實用性如前所述，本發明通過利用Canny邊緣檢測法、二等分法和彈性體模型，從而能夠以無信息遺漏的方式提取出虹膜圖像。
另外，它可以將由瞳孔運動、虹膜區域的旋轉與位置改變、由相機亮度和陰影之間的差異導致的虹膜圖像失真所引致的不利影響減低到最小程度，並且提高虹膜檢測的精度。
另外，它可以提高用戶使用的方便程度，它因為能夠獲取與用戶位置和距離無關的虹膜圖像。
它可以通過利用小波包變換有效提取含有虹膜圖像高頻帶及低頻帶的特徵區域從而構造出特徵向量。尤其是，它可以有效減小特徵向量的大小，因為依照本發明特徵向量與現有技術相比其大小較小。
它還可以對特徵向量進行歸一化，並且由於使用支持向量機方法作為分類規則而提高了區分一個人和其他人的能力。因此它可以提供一種就處理性能和處理時間來看為高效率的系統。
它還可以通過執行不受歐幾裡德距離或最小距離分類規則影響的距離計算和類似措施，從而提供一種就處理性能和處理時間來看為高效率的系統。
它還可以提供虹膜圖案信息的分析，而且可應用於各種圖案識別領域。
另外，當所輸入的眼睛圖像包含閃爍時，或者一部分虹膜因用戶移動致使虹膜中心偏離眼睛圖像中心而被去除掉時，或者虹膜圖像因眼瞼陰影而導致模糊不清時，或者虹膜圖像包含各種陰影時，它可以通過即時去除圖像來提高處理過程的效率以識別率。
雖然在上文描述的本發明是結合目前被認為最實用和優選的實施例進行的，但是應當理解本發明不局限於所披露的實施例和附圖。相反，本發明的意圖覆蓋了由所附權利要求書表述的精神和範圍之內的各種修改和變換。
權利要求
1.一種虹膜識別系統，包括特徵向量資料庫(DB)，其用於預先存儲標識個人身份的特徵向量；虹膜圖像提取器，其用於提取由外部輸入的眼睛圖像中的虹膜圖像；特徵向量提取器，其用於多次切分虹膜圖像提取器所提取的虹膜圖像，通過被多次切分的各個虹膜圖像來獲得虹膜特徵區域，並且通過統計方法從虹膜特徵區域中提取特徵向量；以及識別器，其用於對特徵向量提取器所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，從而識別個人身份。
2.如權利要求1所述的虹膜識別系統，其特徵在於，所述虹膜圖像提取器包括邊緣元素檢測部分，其用於通過對眼睛圖像施用Canny邊緣檢測法以檢測邊緣元素；分組部分，其用於對所檢測到的邊緣元素進行分組；虹膜圖像提取部分，其用於通過對經過分組的邊緣元素施用二等分法以提取虹膜圖像；以及歸一化部分，其用於通過對所提取的虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化。
3.如權利要求2所述的虹膜識別系統，其特徵在於，所述彈性體模型包括多個彈性體，每個所述彈性體都是可縱向伸長的，並且其一端連接鞏膜而另一端連接瞳孔。
4.如權利要求1所述的虹膜識別系統，其特徵在於，所述特徵向量提取器包括多次切分部分，其用於對虹膜圖像提取器所提取的虹膜圖像進行小波包變換從而多次切分所述提取的虹膜圖像；計算部分，其用於為被多次切分的虹膜圖像的區域計算能量值；特徵區域提取部分，其用於從被多次切分的虹膜圖像的區域中提取並存儲能量值大於預設參考值的區域；以及特徵向量構造部分，其用於將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量；對於由特徵區域提取部分提取的區域，以預定的次數重複執行由多次切分部分實現的小波包變換過程和由計算部分實現的能量值計算過程，而後將能量值大於參考值的區域存儲在特徵區域提取部分中。
5.如權利要求4所述的虹膜識別系統，其特徵在於，所述計算部分對各個多次切分區域的能量值求平方，累加平方的能量值，而後將累加的能量值除以區域數目，由此能夠得到結果能量值。
6.如權利要求4所述的虹膜識別系統，其特徵在於，所述識別器通過對特徵向量提取部分所提取的特徵向量和預先存儲在特徵向量資料庫中的特徵向量施用支持向量機方法來計算特徵向量之間的距離，並且如果所計算出的特徵向量之間的距離小於預設參考值則確認個人身份。
7.如權利要求1所述的虹膜識別系統，其特徵在於，所述特徵向量提取器包括多次切分部分，其用於通過對虹膜圖像提取器所提取的虹膜圖像施用Daubechies小波變換而多次切分該提取的虹膜圖像，並且從被多次切分的虹膜圖像中提取含有x-軸和y-軸高頻分量HH的區域；計算部分，其用於通過HH區域的特徵值來計算虹膜圖案的鑑別率D，並且遞增重複次數；特徵區域提取部分，其用於確定預設參考值是否小於鑑別率D或者重複次數是否小於預設參考次數，如果所述參考值大於鑑別率D或者重複次數大於所述參考次數則完成其操作，如果所述參考值等於或小於鑑別率D，或者所述重複次數等於或小於所述參考次數則存儲並處理HH區域的信息，提取具有x-軸和y-軸低頻分量的區域LL，選擇LL區域作為新的處理目標圖像；以及特徵向量構造部分，其用於將所述被提取並存儲的區域切分為多個子區域，獲取所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量；對於被所述特徵區域提取部分選擇作為新的處理目標圖像的區域，重複執行由多次切分部分實現多次切分過程及其後續過程。
8.如權利要求7所述的虹膜識別系統，其特徵在於，所述鑑別率D是通過對HH區域每個像素的值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。
9.如權利要求7所述的虹膜識別系統，其特徵在於，所述識別器通過對特徵向量提取器所提取的特徵向量和預先存儲在特徵向量資料庫中的特徵向量施用歸一化的歐幾裡德距離和最小距離分類規則而確認個人身份。
10.如權利要求1所述的虹膜識別系統，其特徵在於，所述系統進一步包括濾波器，其用於對由外部輸入的眼睛圖像進行濾波，並且將其輸出到所述虹膜圖像提取器。
11.如權利要求10所述的虹膜識別系統，其特徵在於，所述濾波器包括閃爍檢測部分，其用於檢測眼睛圖像的閃爍；瞳孔位置檢測部分，其用於檢測眼睛圖像中的瞳孔位置；垂直分量檢測部分，其用於檢測邊緣的垂直分量；濾波部分，其用於將通過分別由閃爍檢測部分、瞳孔位置檢測部分和垂直分量檢測部分檢測得到的值分別乘以權值W1、W2和W3而得到的值大於預設參考值的眼睛圖像予以排除，並且將剩餘的眼睛圖像輸出到所述虹膜圖像提取器。
12.如權利要求11所述的虹膜識別系統，其特徵在於，當將眼睛圖像切分為M×N個塊時，所述閃爍檢測裝置計算各個原始圖像中的塊的平均亮度之和，並輸出最大亮度值F1。
13.如權利要求12所述的虹膜識別系統，其特徵在於，所述權值W1的權重與距眼睛圖像垂直中心的距離成比例。
14.如權利要求11所述的虹膜識別系統，其特徵在於，當將眼睛圖像切分為M×N個塊時，所述瞳孔位置檢測部分檢測出各塊平均亮度小於預設值的塊F2。
15.如權利要求14所述的虹膜識別系統，其特徵在於，所述權值W2的權重與距眼睛圖像中心的距離成比例。
16.如權利要求11所述的虹膜識別系統，其特徵在於，所述垂直分量檢測部分通過Sobel邊緣檢測法來檢測虹膜區域的垂直分量的值F3。
17.如權利要求6所述的虹膜識別系統，其特徵在於，無論與距眼睛圖像中心的距離如何，所述權值W3都是相同的。
18.如權利要求1所述的虹膜識別系統，所述系統還包括寄存器，其用以將特徵向量提取器所提取的特徵向量記錄到所述特徵向量資料庫中。
19.如權利要求1所述的虹膜識別系統，所述系統進一步包括拍攝裝置，其用以拍攝個人的眼睛圖像並將其輸出到濾波器。
20.一種虹膜識別方法，包括如下步驟提取自外部輸入的眼睛圖像中的虹膜圖像；對所提取的虹膜圖像進行多次切分，從多次切分的各個虹膜圖像中獲得虹膜特徵區域，並且通過統計方法從虹膜特徵區域提取出特徵向量；以及對所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，由此識別個人身份。
21.如權利要求20所述的方法，其特徵在於，所述提取虹膜圖像的步驟包括如下子步驟(a1)通過對眼睛圖像施用Canny邊緣檢測法而檢測邊緣元素；(a2)對檢測到的邊緣元素進行分組；(a3)通過對經過分組的邊緣元素施用二等分法以提取虹膜圖像；以及(a4)通過對所提取的虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化。
22.如權利要求21所述的方法，其特徵在於，所述彈性體模型包括多個彈性體，每個彈性體都是可縱向伸長的，並且其一端連接鞏膜而另一端連接瞳孔。
23.如權利要求20所述的方法，其特徵在於，所述提取特徵向量的步驟包括如下子步驟(b1)對步驟(a)提取的虹膜圖像進行小波包變換從而多次切分所提取的虹膜圖像；(b2)計算被多次切分的虹膜圖像的區域的能量值；(b3)從被多次切分的虹膜圖像的區域中提取並存儲能量值大於預設參考值的區域，並且對所提取區域重複執行小波包變換步驟至能量值計算步驟；以及(b4)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
24.如權利要求23所述的方法，其特徵在於，所述能量值是通過對被多次切分的區域的能量值取平方、而後累加平方的能量值、而後將該累加能量值除以區域的總數目所得到的值。
25.如權利要求23所述的方法，其特徵在於，所述識別個人身份的步驟包括通過對所提取的特徵向量和預先存儲的特徵向量施用支持向量機方法而計算特徵向量之間的距離，並且如果所計算出的特徵向量之間的距離小於預設參考值則確認個人身份。
26.如權利要求20所述的方法，其特徵在於，所述提取特徵向量的步驟包括如下子步驟(b1)通過對提取的虹膜圖像施用Daubechies小波變換而多次切分虹膜圖像提取器所提取的虹膜圖像；(b2)從被多次切分的虹膜圖像中提取含有x-軸和y-軸高頻分量的HH區域；(b3)通過HH區域的特徵值來計算虹膜圖案的鑑別率D，並且遞增重複次數；(b4)確定預設參考值是否小於鑑別率D或者重複次數是否小於預設參考次數；(b5)如果所述參考值大於鑑別率D或者重複次數大於所述參考次數，則完成其操作，而如果所述參考值等於或小於鑑別率D，或者所述重複次數等於或小於所述參考次數，則存儲並處理HH區域的信息；(b6)提取具有x-軸和y-軸低頻分量的區域LL；(b7)選擇LL區域作為新的處理目標圖像，其中對被選擇作為新的處理目標圖像的區域重複執行多次切分步驟及其後續步驟；以及(b8)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
27.如權利要求26所述的方法，其特徵在於，所述鑑別率D是通過對HH區域每個像素的值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。
28.如權利要求26所述的方法，其特徵在於，所述識別個人身份的步驟包括這樣一個步驟通過對所提取的特徵向量和預先存儲的特徵向量施用歸一化的歐幾裡德距離和最小距離分類規則而確認個人身份。
29.如權利要求20所述的方法，所述方法還包括對自外部輸入的眼睛圖像進行濾波的步驟。
30.如權利要求29所述的方法，其特徵在於，所述濾波步驟包括如下子步驟(c1)檢測眼睛圖像的閃爍；(c2)檢測眼睛圖像中瞳孔的位置；(c3)檢測邊緣的垂直分量；(c4)將通過分別由閃爍檢測步驟、瞳孔位置檢測步驟和垂直分量檢測步驟所檢測到的值分別乘以權值W1、W2和W3所得到的值大於預設參考值的眼睛圖像予以排除，並使用剩餘的眼睛圖像。
31.如權利要求30所述的方法，其特徵在於，所述步驟(c1)包括如下子步驟當將眼睛圖像切分為M×N個塊時，計算在各個原始圖像中的塊的平均亮度之和，並且輸出最大亮度值F1。
32.如權利要求31所述的方法，其特徵在於，所述權值W1的權重與距眼睛圖像垂直中心的距離成比例。
33.如權利要求30所述的方法，其特徵在於，所述步驟(c2)包括如下子步驟當將眼睛圖像切分為M×N個塊時，檢測出各塊的平均亮度小於預設值的塊F2。
34.如權利要求14所述的方法，其特徵在於，所述權值W2的權重與距眼睛圖像中心的距離成比例。
35.如權利要求30所述的方法，其特徵在於，所述步驟(c3)通過Sobel邊緣檢測法來檢測虹膜區域的垂直分量的值F3。
36.如權利要求35所述的方法，其特徵在於，無論與距眼睛圖像中心的距離如何，所述權值W3都是相同的。
37.如權利要求20所述的方法，所述方法進一步包括記錄所提取的特徵向量的步驟。
38.一種其上存儲有程序的計算機可讀取的存儲介質，所述程序包含如下步驟提取自外部輸入的眼睛圖像中的虹膜圖像；對所提取的虹膜圖像進行多次切分，從多次切分的各個虹膜圖像中獲得虹膜特徵區域，並且通過統計方法從虹膜特徵區域提取出特徵向量；以及對所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，由此識別個人身份。
39.如權利要求38所述的存儲介質，其特徵在於，所述提取虹膜圖像的步驟包括如下子步驟(a1)通過對眼睛圖像施用Canny邊緣檢測方法而檢測邊緣元素；(a2)對檢測到的邊緣元素進行分組；(a3)通過對經過分組的邊緣元素施用二等分法以提取虹膜圖像；以及(a4)通過對所提取虹膜圖像施用彈性體模型而對所提取的虹膜圖像進行歸一化。
40.如權利要求39所述的存儲介質，其特徵在於，所述彈性體模型包括多個彈性體，每個彈性體都是可縱向伸長的，並且其一端連接鞏膜而另一端連接瞳孔。
41.如權利要求38所述的存儲介質，其特徵在於，所述提取特徵向量的步驟包括如下子步驟(b1)對由所述虹膜圖像提取步驟提取的虹膜圖像進行小波包變換從而多次切分所提取的虹膜圖像；(b2)計算被多次切分的虹膜圖像的區域的能量值；(b3)從被多次切分的虹膜圖像的區域中提取並存儲能量值大於預設參考值的區域，並且對所提取的區域重複執行小波包變換步驟至能量值計算步驟；以及(b4)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
42.如權利要求41所述的存儲介質，其特徵在於，所述能量值是通過對被多次切分的區域的能量值取平方、而後累加平方的能量值、而後將累加的能量值除以區域的總數目所得到的值。
43.如權利要求41所述的存儲介質，其特徵在於，所述識別個人身份的步驟包括如下子步驟通過對所提取的特徵向量和預先存儲的特徵向量施用支持向量機方法而計算特徵向量之間的距離，並且如果所計算出的特徵向量之間的距離小於預設參考值則確認個人身份。
44.如權利要求38所述的存儲介質，其特徵在於，所述提取特徵向量的步驟包括如下子步驟(b1)通過對提取的虹膜圖像施用Daubechies小波變換而多次切分虹膜圖像提取器所提取的虹膜圖像；(b2)從被多次切分的虹膜圖像中提取含有x-軸和y-軸高頻分量的HH區域；(b3)通過HH區域的特徵值來計算虹膜圖案的鑑別率D，並且遞增重複次數；(b4)確定預設參考值是否小於鑑別率D或者重複次數是否小於預設參考次數；(b5)如果所述參考值大於鑑別率D或者重複次數大於所述參考次數，則完成其操作，而如果所述參考值等於或小於鑑別率D，或者所述重複次數等於或小於所述參考次數，則存儲並處理HH區域的信息；(b6)提取具有x-軸和y-軸低頻分量的區域LL；(b7)選擇LL區域作為新的處理目標圖像，其中對被選擇作為新的處理目標圖像的區域重複執行多次切分步驟及其後續步驟；以及(b8)將所述被提取並存儲的區域切分為多個子區域，獲得所述子區域的平均值和標準偏差值，並且利用所述平均值和標準偏差值來構造特徵向量。
45.如權利要求44所述的存儲介質，其特徵在於，所述鑑別率D是通過對HH區域的每個像素的值取平方、而後累加平方值、而後將累加值除以HH區域的總數所得到的值。
46.如權利要求44所述的存儲介質，其特徵在於，所述識別個人身份的步驟包括這樣一個步驟通過對所提取的特徵向量和預先存儲的特徵向量施用歸一化的歐幾裡德距離和最小距離分類規則而確認個人身份。
47.如權利要求38所述的存儲介質，還包括對自外部輸入的眼睛圖像進行濾波的步驟。
48.如權利要求47所述的存儲介質，其特徵在於，所述濾波步驟包括如下子步驟(c1)檢測眼睛圖像的閃爍；(c2)檢測眼睛圖像中瞳孔的位置；(c3)檢測邊緣的垂直分量；(c4)將通過分別由閃爍檢測步驟、瞳孔位置檢測步驟和垂直分量檢測步驟所檢測到的值分別乘以權值W1、W2和W3所得到的值大於預設參考值的眼睛圖像予以排除，並使用剩餘的眼睛圖像。
49.如權利要求48所述的存儲介質，其特徵在於，所述步驟(c1)包括如下子步驟當將眼睛圖像切分為M×N個塊時，計算在各個原始圖像中的塊的平均亮度之和，並且輸出最大亮度值F1。
50.如權利要求49所述的存儲介質，其特徵在於，所述權值W1的權重與距眼睛圖像垂直中心的距離成比例。
51.如權利要求51所述的存儲介質，其特徵在於，所述步驟(c2)包括如下子步驟當將眼睛圖像切分為M×N個塊時，檢測出各塊的平均亮度小於預設值的塊F2。
52.如權利要求51所述的存儲介質，其特徵在於，所述權值W2的權重與距眼睛圖像中心的距離成比例。
53.如權利要求48所述的存儲介質，其特徵在於，所述步驟(c3)通過Sobel邊緣檢測法來檢測虹膜區域的垂直分量的值F3。
54.如權利要求53所述的存儲介質，其特徵在於，無論與距眼睛圖像中心的距離如何，所述權值W3都是相同的。
55.如權利要求38所述的存儲介質，所述程序進一步包括記錄所提取的特徵向量的步驟。
全文摘要
本發明披露了一種虹膜識別系統和方法，以及具有其程序的存儲介質。該虹膜識別系統包括特徵向量資料庫，其用於預先存儲標識個人身份的特徵向量；虹膜圖像提取器，其用於提取由外部輸入的眼睛圖像中的虹膜圖像；特徵向量提取器，其用於多次切分虹膜圖像提取器所提取的虹膜圖像，通過被多次切分的各個虹膜圖像來獲得虹膜特徵區域，且通過統計方法從虹膜特徵區域中提取特徵向量；以及識別器，其用於對特徵向量提取器所提取的特徵向量與特徵向量資料庫中存儲的特徵向量進行比較，從而識別個人身份。
文檔編號G06K9/00GK1599913SQ02824078
公開日2005年3月23日 申請日期2002年12月3日 優先權日2001年12月3日
發明者李一昺, 李寬容, 奇均度, 尹成秀 申請人:株式會社斯耐克斯技術, 李一昺