虹膜模式匹配.docx
《虹膜模式匹配.docx》由会员分享，可在线阅读，更多相关《虹膜模式匹配.docx（9页珍藏版）》请在冰豆网上搜索。
虹膜模式匹配
虹膜模式匹配
5.1识别判决
对于一个实际应用的虹膜识别系统来说，其工作主要有两个过程，第一个是系统的学习过程，即虹膜代码注册的过程。
获取要注册的已知虹膜纹理图像，对其进行预处理得到归一化的虹膜纹理图像，按照某种算法对归一化的虹膜纹理进行特征提取及编码，将得到的虹膜特征代码存入虹膜数据库中进行注册，这样就完成了识别系统的学习过程。
第二个过程是系统的识别或验证过程，当有登陆者要进入系统时，需要进行身份验证。
首先通过虹膜图像采集装置实时获得登陆者的虹膜图像，然后对虹膜图像进行预处理、归一化及特征提取等，最后将该虹膜特征代码与虹膜数据库中的虹膜特征代码进行对比，根据判决条件判断是接受还是拒绝登陆者。
生物测定学技术的应用一般分为两类，一类是身份验证--使用一种生物测定学测量值来证实一个已声明的身份，即判定测试者虹膜纹理特征是否和数据库中某一特定虹膜模板的特征一样，是1:
1的关系大多数生物测定学特征都可用作身份验证；另一类是身份识别--如果要确定一个人的真实身份，只需要将这个人的样本测量值与生物测定学数据库模板集合中的每个模板进行逐一比较，在数据库中查找和测试者虹膜特征一样的虹膜数据，不需要对这个个体身份作预先的声明，是l:
N的关系，指纹、虹膜、人脸等生物识别技术，既可用于身份验证也可用于身份识别。
身份验证和身份识别的主要区别是看它们是否需要对身份作预先的声明。
在身份验证系统中，必须首先声明个体身份，并将与该身份相应的生物测定学测量值模板数据加入到生物测定数据库中，识别时先在数据库中找到与用户提供身份相对应的记录，然后在该记录中将用户提供的生物测定学测量样本与模板数据进行比较，以确定其匹配关系是否成立，该系统回答的是“Isthispersontheonehe/sheclaimstobe”?
。
而在身份识别系统中，无须对身份作预先声明，而是直接将生物测定学的测量值模板数据加入到生物测定数据库中，识别时直接在数据库中进行逐个搜索，并将用户提供的生物测定
学样本数据与数据库中的模板数据进行比较，以确定其匹配关系是否成立，如果对整个数据库搜索一遍没有发现匹配数据，则将拒绝接受该身份的用户，该系统回答的是“Whoisthis?
”。
无论是哪一种系统都需要经过下面几个过程：
捕获虹膜图像，虹膜预处理，提取虹膜特征代码，比较虹膜纹理特征代码之间的相似度，根据判决条件判断是接受还是拒绝测试者。
5.2虹膜模式匹配
虹膜模式匹配问题也就是虹膜分类的问题，从虹膜样本的分类机制角度来看，现算法也可以分为三大类：
第一类是采用距离的方式进行分类的算法，Daugman的算法属于这一类，他通过异或运算计算虹膜特征编码模板之间的海明距离来表示虹膜之间的差异从而完成分类，采用距离的分类方式具有直接、快速的优点；第二类是采用相关性分析的方法进行分类，Wildes等人使用标准化相关函数来进行虹膜分类；第三类是采用机器学习进行分类的算法，采用机器学习进行分类的算法目前还比较少，浙江大学的古红英、潘云鹤等人采用了一种基于支持向量机的虹膜分类方法。
本文基于第一种方法。
5.2.1海明距离匹配
虹膜识别系统最终的目的是要检测测试者的虹膜特征向量能否与数据库中某一虹膜模板的特征向量相匹配，也就是要比较待测试的虹膜与虹膜模板的相似性，当算得的相似性达到某一程度时，便认为两个虹膜是来自同一只眼睛，允许登陆。
基于已提取的虹膜特征向量来进行虹膜识别，是一个典型的模式匹配问题，理论上，任何分类器都可以用在这里。
论文采用的匹配算法是基于Daugman的方法，即比较两虹膜特征向量的海明距离来实现的，该方法简单易用，足以满足虹膜识别的匹配要求。
向量X和Y的归一化海明距离为：
1N
HDXi（XOR）Yi（5.1）
Ni1
Xi和Yi为待识别的虹膜图像特征向量和虹膜模板图像特征向量的第i个向量值，XOR指异或运算：
当Xi和Yi对应的位不同时，异或结果为1，反
之则为0。
理想情况下，如果两个相匹配的虹膜是来自同一只眼睛，则HD=0；
如果来自不同的眼睛，则HD=1。
当采用Radon变换分割眼睑、阀值法剔除睫毛时，为了归一化及特征点提取的方便，所提取的纹理特征可能包含眼睑及睫毛等干扰点，编码时对这些干扰点也进行了编码，因此在匹配时需要将这些非真正的特征点去掉，即只利用那些真正的虹膜匹域的特征点产生的特征码。
本文在虹膜分割时，将受眼睑及睫毛干扰的像素点标记出来，并生成一个与虹膜特征码模板同样大小的掩码模板mask，如果提取到的特征点为干扰点，则将mask的对应位标
为1，否则标为O。
因此在计算海明距离时需要稍作修改：
（CodeACodeB）ImaskAImaskB
HD（5.2）maskAImaskB
其中CodeA和CodeB分别是两个虹膜特征编码所得到的模板，maskA和maskB分别是相应的噪声掩码模板。
下面来讨论一下虹膜模式的稳定性问题，这个问题涉及到模式的三个不变性，即平移不变性、尺度不变性和旋转不变性。
平移不变性指当虹膜在眼睛中的位置发生左右或上下改变的时候，虹膜保持一定的稳定性；尺度不变性指当人眼在不同光照的条件下，由于瞳孔的收缩扩张以及采集虹膜时沿摄像机光轴的偏移造成的采集的虹膜图像大小不同，而引起虹膜的仿射变换时，虹膜保持一定的稳定性；旋转不变性指当人眼在眼眶中绕垂直于人脸的轴作旋转运动或头部倾斜时，虹膜保持一定的稳定性。
因为在不同时刻对虹膜图像采集时，所采集到的图片中的虹膜尺寸可能并不完全相同，有时候甚至有较明显的区别，很可能将两个相同的虹膜认为是不同的，造成错误拒绝率增加，所以这三个不变性就显得格外重要。
本文中分别通过不同的技术手段来解决这三个不变性问题：
（1）平移不变性——论文第二章中提到的虹膜定位方法可以解决该不变性问题，这种方法能将处于眼眶中任何位置的虹膜内外边缘位置准确检测出来，较好地消除了虹膜平移给虹膜识别带来的不便。
（2）尺度不变性——虹膜归一化过程就是为了解决尺度不变性。
（3）旋转不变性——从直接的方法看，可以用两幅解决了平移不变性和尺度不变性的虹膜图像做相关操作，计算出匹配度最大的旋转角度，然后对旋转后的图像做编码操作。
这种方法计算量大，而且在旋转匹配时要求有一个已知的归一化虹膜图像。
本文是在虹膜特征提取与匹配的过程中解决的，具体方法如下：
在归一化虹膜图像时，将极坐标下的环形虹膜区域沿着圆周方向投影到一个无量纲的直角坐标系下，这样将圆环展成一个MN的矩阵，圆的00位置对应矩阵的第一列，（（N1）360N）0对应矩阵的最后一列，当虹膜有旋转时对应的矩阵发生平移，这样，复杂的旋转匹配转换成较为简单的矩阵按列平移操作。
虹膜图像的旋转主要是因为拍摄虹膜图像时人头部的倾斜等，一般情况下，头的倾斜在正负5度范围内，也就是矩阵左右平移（（N360）5）个像素之内。
为了减小这种干扰，在比较两虹膜时，要将归一化的虹膜图像在水平方向上平移几个像素，将求得的最小的HD作为两幅虹膜图像的HD，这样就解决了旋转不变性的问题。
系统流程如图5-1。
图中M表示需要左右平移的位数，hMin表示待测虹膜在经过平移后，与数据库中的虹膜模板特征向量相匹配的最小值。
5.2.2最小距离分类器
在实际的虹膜识别系统中，由于注册的虹膜模板数是不确定的，就不可能为每个虹膜模板设立一个类别，因此，我们简化对虹膜的分类，将类别分成两大类，即计算的两个虹膜是来自同一只眼睛和两个虹膜不是来自同一只眼睛。
得到待识别的虹膜与数据库中某一虹膜模板的海明距离后，要根据判决函数判断是否是来自同一只眼睛，即判断接受还是拒绝，这就是一个决策分类问题。
它是模式识别系统要解决的关键问题。
一般来讲，决策分类没有能不能进行的问题，因为毫无根据的“瞎猜”也可以认为是一个“决策”，
结束
图5-1流程图
所以我们的任务是如何作出最优决策。
从数学观点来看，决策分类就是找出决策函数或称边界函数。
关于决策函数的产生，当已知待识别模式的完整的先验知识时，则可据此确定决策函数的数学表达式。
如果仅知道待识别模式的定性知识，则在确定决策函数的过程中，通过反复学习训练、调整，以达到满意的决策函数表达式，作为决策分类的依据。
论文采用了监督分类法，其框图如图5-2所示。
学习过程：
首先对已知的虹膜图像样本进行定位等处理和特征提取；其次分别计算出虹膜样本中相同虹膜之间的相似度（以海明距衡量）R1和不同虹膜之间的相似度R2；然后根据得到的R1和R2值对它们进行统计，得出判别函数。
在分
第五章虹膜模式匹配类过程中，前面的过程是一样的，在得到两个虹膜之间的相似度R后，要根据学习过程得到的判决函数进行分类--来自同一虹膜还是来自不同虹膜。
根据得到的虹膜之间相似度的特性，选用最小距离分类器，这种分类器简单而又易于实现，并且计算量很小，足以满足我们的需要。
最小距离分类器实际上是线性分类器的一种特殊情况，是在未知模式和各个类别样本间最近匹配的基础上分类的。
该分类器利用欧氏距离作为判别函数，把未知模式与若干个标准模式比较，看与哪一个相同或相似，并以此判断被识别模式的类别。
假定有m类，给出m个参考向量R1、R2、、Rm，Ri与模式类i相联系。
对于Ri的最小距离分类就是把输入的新模式X划分为i类，其分类准则就是比较X与参考模型原型R1、R2、、Rm之间的距离，跟哪一个最近就属于哪一类。
X和R之间的距离可表示为：
d（X,Ri）XRi（XRi）T（XRi）（5.3）其中（XRi）T是（XRi）的转置，由上式可得：
2T
（XRi）2（XRi）T（XRi）
XTX（XTRiRiTXRiTRi）（5.4）
由此可设定最小距离判别函数Di（X）为：
Di（X）XTRiRiTXRiTRi（i1,2,3,...,m）（5.5）
如果Xi,Di（X）max，则d（X,Ri）min。
由上式可见，Di（X）是一个线性函数，因此最小距离分类器也是一个线性分类器。
对于两类分类情况，根据d（X,Ri）（i1,2）可设定如下简单的判别函数：
D（X）d（X,R1）d（X,R2）（5.6）如果D（X）0，则X1；如果D（X）0，则X2。
对于虹膜识别系统来讲，事先要根据监督分类学习过程确定相同虹膜相似度的统计数据以及不同虹膜相似度的统计数据，在得到一个未知类别的相似度R后，可根据
最小距离分类器判别其类别
5.3统计分析
在虹膜匹配过程中有可能出现错误，可以将虹膜识别、验证归结为一个统计假设检验问题。
假设受验者为H0，根据假设检验本身的性质（真/假）以及假设检验的结果（接受/拒绝），有以下四种结果出现：
接受H0（H0真），拒绝H0（H0真），接受H0（H0假），拒绝H0（H0假）。
因此假设检验可能出现两种错误：
错误拒绝和错误接受，分别称为第一类错误和第二类错误，两类错误事件发生的理论概率或者发生的实际频率称为错误拒绝率，错误接受率。
对虹膜进行两两匹配，其海明距离分布模型会如图5-2所示，服从高斯分布：
图5-2海明距离分布模型[21]设两曲线的概率密度函数分别为p1、p2，则：
1
p1exp
（xHDs）2
22
p2
（xHDd）2
（5.7）
1
HDs和HDd分别是类内和类间海明距离的均值。
如果HDHDT，则接
受受验者，否则拒绝受验者，根据图5-2我们可以得到四种可能结果的概率值：
正确接受率：
P（AA）
HDT
0
p1（x）dx
（5.8）
错误拒绝率：
1
P（AR）HDp1（x）dx
错误接受率：
HDT
P（IA）Tp2（x）dx
（5.9）
（5.10）
正确拒绝率：
P（IR）
HDT
p2（x）dx
（5.11）
显然，P（AA）P（AR）1，P（IA）P（IR）1，P（AA）P（IA），P（IR）P（AR）。
上述几个指标是相互关联的，如果降低错误拒绝率，错误接受率就要增加，反之是一样的。
我们给出了ROC（接受机工作特性，ReceiverOperatingCharacteristics）曲线，如图5-3所示，图中横坐标表示错误接受率，纵坐标表示正确接受率。
在给定阈值HDT，我们就可以得到上述的四种可能结果的概率值，对阈值依次取值，就可以得到一组对应的错误接受率和正确接受率，根据这些数据绘出ROC曲线，曲线中的每一点都代表了一个阈值。
图5-3ROC曲线[21]
ROC曲线是指以错误接受率为自变量画出的正确接受率的变化曲线，或者以错误拒绝率为自变量画出的正确拒绝率的变化曲线。
它对于两类分类问题是一个完全模型无关的方法，它是根据各种矛盾要求进行调节，从而将问题简化为选出一个最优的阈值。
图中ROC曲线具有如下明显的特点：
（1）ROC曲线在对角线的上方，对应了不等式P（AA）P（IA）。
（2）ROC曲线从图形上刻画出了正确接受率和正确拒绝率之间的这种“折中”关系。
如果其中正确接受率提高了，那么正确拒绝率就要相应下降，反过来也一样。
（3）ROC曲线是以（0,0）为起点，以（1,1）为终点。
如果决策阈值取在曲线的左下方，此时阈值很小，则错误接受率为O，而正确接受率也为0，也就是说拒绝了所有的可信者和冒名者。
如果阈值取在曲线的右上方，此时阈值很大，则正确接受率为1，而错误接受率也为1，也就是说接受了所有的可信者和冒名者。
（4）理想的决策阈值对应着点（0,1），此时接受所有的可信者，并且拒绝
所有的冒名者
根据ROC曲线，我们可以得到最优阈值，最优运行点处的斜率为1，如图5-3所示，此时阈值所对应的错误接受率与错误拒绝率相等，即为等错率EER，即P（IA）P（AR）EER：
1
HDT
p1（x）dx
HDT
0
p2（x）dx
（5.12）
由上式可得到最优阈值T我们可根据实际情况的需要来整决策阈值的大小从而使识别标准更严格或者宽松。
选择合适的阈值，可以很好地分辨出是来自同一个人的虹膜还是来自不
同人的虹膜。
当取阈值HDT0.42时，等错率EER3.3%，即相当于正确
识别率CRR123.3%93.4%。
5.4小结
本章针对一维LogGabor小波虹膜纹理特征编码算法，采用加权海明距离匹配，基于最小距离分类器和海明距离的统计分析确定判决阈值，并在中科院虹膜库V3.0上进行测试，识别率达到93.4。
第五章虹膜模式匹配
升级会员 