通过虹膜辨识对个体进行识别和/或认证的方法与流程

本发明涉及改进的通过虹膜辨识的生物识别或认证方法。

背景技术：

为了将个体虹膜与参考数据库中存储的虹膜数据进行比较，必须以数字方式对该个体虹膜进行表征。通常对此所使用的处理是由Daugman(US5291560)公开的方法。如图1所示，该处理提供待分析的眼睛图像，该图像被分割以隔离出对应于个体虹膜的图像部分。为了将该图像部分与参考虹膜数据进行比较，可以将待分析的虹膜区域切割成一定数量的有角度的区域，然后径向地切割成一定数量的环，如图2所示。

为了有效地比较待分析的虹膜与参考虹膜而不考虑取决于激发条件的变量扩张(variable dilation)，可以将待分析的虹膜图像标准化成固定尺寸的矩形图像的形式，从而将起源的图像的笛卡尔坐标变换成极坐标，如图3a到图3c所示。为了将该标准化图像变换成二进制代码(称为虹膜代码)，可以将诸如Gabor滤波之类的滤波应用到该图像的各个区域，例如应用到与环和角扇区的交叉点对应的每个区域。可以根据在每个区域上进行滤波后的结果的符号来将二进制值0或1分配给该区域。然后，可以很容易地将这样的二进制代码与数据库中存储的一个或更多个二进制参考代码逐位进行比较，以对其虹膜已经被分析的个体进行识别或认证。这种二进制比较归结为将位于标准化图像中相同位置处的虹膜区域互相比较。应当注意的是，标准化图像的左边缘和右边缘实际上对应于虹膜的相邻区域，并且在跟随标准化的分析中必须认为是这样的。

这样的标准化可以完美地补偿随亮度变化的虹膜的线性扩张/收缩。实际上所观察的虹膜的扩张远非是线性的。可以在标准化图像的不同位置处发现随瞳孔的扩张而变化的虹膜环。在这种情况下，可以将二进制代码的逐位比较归结为将标准化图像的实际上与虹膜的相同区域不对应的区域互相比较。而且，在瞳孔的扩张期间虹膜的移动是以三维的方式发生的。由于虹膜的不同区域的交叠，在扩张期间一些虹膜环可能出现或者消失。

已经提出复杂的模型来更精细地对随扩张变化的虹膜的移动进行建模，例如由Wyatt(Harry Wyatt,“A minimum wear–and–tear meshwork for the iris”,Vision Research 40(2000)2167–2176)提出的模型。但是，这种模型没有考虑虹膜区域的出现或者消失。诸如由Clark(A.Clark,S.Kulp,I.Herron and A；Ross,“A theoretical model for describing iris dynamics”,Handbook of Iris Recognition,pp.129–150,2013)所提出的模型之类的模型考虑了虹膜的非线性变化和虹膜的某些区域的出现/消失。然而，这种模型将虹膜的移动预测为下述参数的函数，该参数称为卜瓦松参数(Poisson parameter)，该参数的值从一个个体到另一个个体有所不同。因此，为了能够借助于这样的模型通过个体的虹膜来辨识该人，需要进行特殊的学习以确定该个体的卜瓦松参数的值。

在文章“A Biomechanical Approach to Iris Normalization”(Inmaculada Tomeo–Reyes,Arun Ross,Antwan D.Clark,Vinod Chandran)中，作者提出了一种基于Clark模型的虹膜纹理的标准化方法。如作者所表明的，该方法需要知道参考图像的瞳孔的扩张率以对测试图像进行标准化。如果对于验证场景(其中参考图像已知)来说该方法是可接受的，那么对于识别场景(其中要比较的参考图像未知)来说，该方法变得无法执行。作者还针对所有人将卜瓦松参数固定为0.49。

为了限制对这种虹膜扩张的复杂模型的依赖，提供了通过虹膜辨识的识别或认证方法，其中不是在标准化步骤期间而是在二进制代码的比较步骤期间考虑瞳孔的扩张。在对虹膜的两幅图像进行比较期间，这样的模型在通过考虑虹膜环的移动来根据虹膜代码计算两幅图像之间的距离之前通常试图根据虹膜代码来确定这两幅图像之间的虹膜环的最可能的移动。不需要再将标准化图像中的虹膜的每个区域与参考图像的对应区域进行比较，但是可以同与其对应最好的该图像的区域进行比较。这种比较更好地考虑了随瞳孔的扩张变化的虹膜的移动的非线性性质。还可以考虑虹膜的某些区域的出现或者消失。所比较的二进制代码之间的距离可以被减小，从而改进了辨识方法的功效。例如，Uhl&Wild(Andreas Uhl,Peter Wild,“Enhancing Iris Matching Using Levenshtein Distance with Alignment Constraints”,In G.Bebis,R.Boyle,B.Parvin,D.Koracin,R.Chung,R.Hammoud,editors,Advances in Visual Computing:6th International Symposium,(ISVC 2010)pp.469–479,LNCS,6453,Springer Verlag,2010)所描述的方法提出：将待分析的图像与参考图像的二进制代码逐位进行比较，并且在这些代码之间不一致时，考虑下述可能性：不一致是图像之一中虹膜区域的插入或者消失的结果，或者是与这两幅图像之间的位移位对应的虹膜区域之间替换的结果。由于每个操作都有预定的代价，因此该方法提出：确定替换、消失和出现的操作集合，以用最低代价解释所比较的虹膜代码之间的差异。但这种方法的缺点是逐位处理二进制代码以及不考虑从一个虹膜区域移动到属于同一虹膜环的其他区域的相关性。由于虹膜移动的各向同性的性质，因此这种相关性很重要。在对不同个体的虹膜的两幅图像进行比较期间，这种逐位处理大大加重了假阳性的可能性。

因此，需要一种通过虹膜辨识对个体进行有效的识别或认证的方法，该方法考虑根据瞳孔扩张的虹膜的某些区域的出现或者消失以及虹膜位移的非线性性质，并且受益于这一移动的各向同行性质，而不需要针对该个体的特定学习。

技术实现要素：

根据本发明的第一方面涉及一种用于对个体进行识别和/或认证的方法，包括下述步骤，所述步骤是通过用于对个体进行识别和/或认证的系统来执行的，所述用于对个体进行识别和/或认证的系统包括存储设备，所述存储设备存储：从参考虹膜图像获得的、被划分成第一预定数目N1个同心环的参考虹膜的至少一个二进制代码，以及对其中已经检测出眼睑、睫毛、反射或其它噪声源的所述参考虹膜的区域进行识别的关联参考掩模的二进制代码：

-获取待识别和/或待认证的个体的眼睛图像，

-将所获取的眼睛图像分割以将包含虹膜纹理的区域隔离并且确定关联掩模，

-将所述包含虹膜纹理的区域以及所述掩模划分成第二数目N2个同心环，

-将笛卡尔坐标的所述包含虹膜纹理的区域以及所述掩模标准化成极坐标，

-通过将第三预定数目的Gabor滤波器F应用到每个环的第四预定数目P个位置中的每个位置，来确定尺寸等于N2*P*F的二进制虹膜代码IC和尺寸等于N2*P*F的二进制掩模代码IM，其中，所述二进制虹膜代码IC对包含经标准化的虹膜的纹理的所述区域进行编码，所述二进制掩模代码IM对所述关联掩模进行编码，

-将所获取的图像的虹膜的至少一个环与所述参考虹膜之一的环进行匹配，以使得所获取的图像与所述参考图像之间的匹配距离最小化，所述匹配距离是通过计算所匹配的所获取的图像虹膜的所述环中的每个环与所述参考虹膜的对应于该环的环之间的距离之和来从所确定并存储的参考虹膜代码和所述关联掩模代码中获得的，

-计算所述最小化匹配距离，

-如果所述最小化匹配距离小于预定阈值，则识别和/或认证所述个体。

所述匹配步骤可以实施维特比算法。

所述匹配步骤可以包括：

-计算尺寸为N1*N2的比较矩阵M所述比较矩阵的每个系数M(i,j)借助于所确定的参考虹膜代码和所述关联掩模代码对存储的所述参考虹膜的第i个环与所获取的图像的虹膜的第j个环之间的比较结果进行编码，

-构建维特比网格，其中所述参考虹膜的环i与所获取的图像的虹膜的环j的每次匹配的代价为：

对于i＝1，Cost(i,j)＝Prob(i,j)*M(i,j)

对于任何i＞1∶Cost(i,j)

＝Prob(i,j)*M(i,j)

+min_{L＝li:ls and k＝kmin:kmax}(ProbT(i,j),(i-L,j+k))

*Cost(i-L,j+k))

其中：

li、ls、kmin、kmax为预定的相关整数，其中li≥1且0<j+k≤N2，

Prob(i,j)为所述参考虹膜的第i个环与所获取的图像的虹膜的第j个环的预定匹配概率，

ProbT((i,j),(p,q))为将所述参考虹膜的第i个环与所获取的图像的虹膜的第j个环的匹配考虑在内的所述参考虹膜的第p个环与所获取的图像的虹膜的第q个环的预定匹配概率，

-确定所述维特比网格中的路径，包括：

将所述参考虹膜的第M个环与所获取的图像的虹膜的第Path(M)个环进行匹配，其中Path(M)为在j上使(Cost(M,j))最小化时的索引，属于[1；N2]，其中M为小于或者等于所述第一预定数目N1的整数，

根据已经与索引Path(D)的所获取的图像的虹膜的环相匹配的索引D的所述参考虹膜的环，将索引M’的所述参考虹膜的至少一个其它环与索引Path(M’)的所获取的图像的虹膜的环进行匹配，其中M’<M，其中M’＝D-Z(D,Path(D),1)并且Path(M’)＝Path(D)+Z(D,Path(D),2)，所述函数Z是根据R中的R³来定义的使得Z(i,j,1)和Z(i,j,2)分别为使函数ProbT((i,j),(i-L,j+k))*Cost(i-L,j+k)最小化的整数L∈[li,ls]和k∈[kmin,kmax]。

可以借助于下述公式来进行所述最小化匹配距离的计算，

${\mathrm{HD}}_{Viterbi}={\mathrm{MIN}}_{t=-T:T}\frac{{\mathrm{\&Sigma;}}_{i=1}^{N}Dist(i,Path(i),t)}{1+{\mathrm{\&Sigma;}}_{i=1}^{N}Mask(i,Path(i),t)}$

其中：

T为对所获取的图像与所述参考图像之间的旋转的预定最大公差，

尺寸为N1x(P*F)或者N2x(P*F)的IC1、IC2、IM1和IM2矩阵分别对应于所述参考虹膜的代码、所获取的图像的虹膜的代码以及所述关联掩模代码，

$Dist(i,j,t)={\mathrm{\&Sigma;}}_{p=1}^P{\mathrm{\&Sigma;}}_{f=0}^{F-1}|IC1(i,p+f)-IC2(j,p+t+f)|,$

$Mask(i,j,t)={\mathrm{\&Sigma;}}_{p=1}^P{\mathrm{\&Sigma;}}_{f=0}^{F-1}IM1(i,p+f)*IM2(j,p+t+f).$

可以通过考虑根据瞳孔扩张的虹膜位移的非线性性质以及虹膜的某些区域的出现或者消失，并且受益于这一移动的各向同行性质来在不需要具体学习该个体的情况下通过虹膜辨识对该个体进行识别和/或认证。

所述比较矩阵M的每个系数M(i,j)可以是对于固定的t的在Dist(i,j,t)与Mask(i,j,t)之间的比率的变换LT的结果。

这种变换量化了参考虹膜的每个环与所获取图像的虹膜的每个环之间的相似程度，而不考虑被障碍物或者噪声的存在扰乱的图像的区域。

所述同心环的厚度可以不同。

这使环的厚度适于虹膜纹理的径向变化，该径向变化在虹膜位置的相当大的径向距离上可以是均匀的，并且在虹膜的其它部分上迅速径向变化。

所述同心环中的至少两个同心环可以交叠。

对两幅图像的环进行匹配考虑到虹膜中厚度小于环的厚度的冠形的消失或出现。

所述概率ProbT和Prob可以是通过自动学习或者通过使用虹膜的纹理的失真模型来确定的。

所述概率ProbT和Prob可以是瞳孔的扩张水平的函数。

这使用适于在所获取的图像中注意到的瞳孔的扩张的函数，并且生成比通用函数更适合的函数，其中该通用函数将被定义而不考虑扩张水平。

根据本发明的第二方面涉及一种计算机程序产品，包括代码指令，当通过处理器来执行该程序时，所述代码指令用于执行根据第一方面所述的用于对个体进行识别和/或认证的方法。

根据本发明的第三方面涉及一种数据处理设备，其特征在于，所述数据处理设备能够连接到存储设备，所述存储设备存储：从参考虹膜图像获得的、被划分成第一预定数目N1个同心环的参考虹膜的至少一个二进制代码，以及对其中已经检测出眼睑、睫毛、反射或其它噪声源的所述参考虹膜的区域进行识别的关联参考掩模的二进制代码，并且其特征在于，所述数据处理设备包括：

-通信接口，被配置为接收所获取的待识别和/或待认证的个体的眼睛图像；

-计算机，被配置为：

将接收的所述眼睛图像分割以将包含虹膜纹理的区域隔离并且确定关联掩模，

将所述包含虹膜纹理的区域以及所述掩模划分成第二数目N2个同心环，

将笛卡尔坐标的所述包含虹膜纹理的区域以及所述掩模标准化成极坐标，

通过将第三预定数目的Gabor滤波器F应用到每个环的第四预定数目P个位置中的每个位置来确定尺寸等于N2*P*F的二进制虹膜代码IC和尺寸等于N2*P*F的二进制掩模代码IM，其中，所述二进制虹膜代码IC对包含经标准化的虹膜的纹理的所述区域进行编码，所述二进制掩模代码IM对所述关联掩模进行编码，

将所获取的图像的虹膜的至少一个环与所述参考虹膜之一的环进行匹配以使得所获取的图像与所述参考图像之间的匹配距离(HD_Viterbi)最小化，所述匹配距离是通过计算所匹配的所获取的图像虹膜的所述环中的每个环与所述参考虹膜的对应于该环的环之间的距离(Dist)之和来从所确定并存储的参考虹膜代码和所述关联掩模代码中获得的，

计算所述最小化匹配距离，

将所述最小化匹配距离与预定阈值进行比较。

根据本发明的第四方面涉及一种用于对个体进行识别和/或认证的系统，包括：

-存储设备，所述存储设备存储：从参考虹膜图像获得的、被划分成第一预定数目N1个同心环的参考虹膜的至少一个二进制代码，以及对其中已经检测出眼睑、睫毛、反射或其它噪声源的所述参考虹膜的区域进行识别的关联参考掩模的二进制代码，

-图像捕捉设备，被配置为获取待识别和/或待认证的个体的眼睛的图像，

-根据第三方面所述的数据处理设备，被配置为使所获取的图像与所述参考图像之间的匹配距离(HD_Viterbi)最小化，并且被配置为如果所述最小化匹配距离小于预定阈值，则识别和/或认证所述个体。

这种用于对个体进行识别和/或认证的计算机程序产品、处理设备和系统与针对根据第一方面的方法所提到的优势具有相同的优势。

附图说明

其它特征和优势将从以下对实施例的描述中体现出来。将参照附图来给出该描述，其中：

-图1示出了对待识别/待认证的个体的眼睛的图像实施划分步骤；

-图2示出了对虹膜的纹理实施划分步骤，将其分成同心环和角扇区；

-图3a至图3c示出了对包含虹膜纹理的区域实施标准化步骤；

-图4示意性地示出了根据本发明的实施例的用于对个体进行识别和/或认证的系统中的硬件装置；

-图5是示出了根据本发明的实施例的用于对个体进行识别和/或认证的方法的图；

-图6a至图6c示出了具有不同的瞳孔扩张的个体的眼睛的图像；

-图6d和图6e示出了与图6a和图6b中以及图6a和图6c中分别示出的具有瞳孔扩张的两幅眼睛图像的比较对应的比较矩阵的示例；

-图7示出了在所述维特比网格(Viterbi trellis)中确定路径。

具体实施方式

本发明的实施例涉及用于对个体1进行识别和/或认证的方法，该方法是通过图4中所示出的用于对个体进行识别和/或认证的系统100来实施的。

这种系统100包括图像捕捉设备2，该图像捕捉设备2致力于获取识别或认证个体1所使用的生物计量数据。这种生物计量数据尤其可以包括个体1的眼睛的图像。图像捕捉设备2尤其可以包括摄影单元或者摄像机，用于捕捉可见光场中或者红外场中的图像。

系统100还包括存储设备3。这种存储设备被配置为存储：从参考虹膜图像获得的、被划分成第一预定数目N1个同心环的参考虹膜的至少一个二进制代码，以及对其中已经检测出眼睑、睫毛、反射或其它噪声源的参考虹膜的区域进行识别的关联掩模的参考二进制代码。该存储设备可以是任何类型的只读存储器，例如闪存或者硬盘驱动器。这种存储设备可以以数据库的形式来存储这种二进制代码。

这些参考虹膜图像是系统中记录的多个个体的虹膜图像，因此这些参考虹膜图像可以被该系统所识别或认证。这些参考虹膜图像已经被处理以获得相应的参考虹膜代码。应用到这些图像的处理与下文中描述的向通过图像捕捉设备2所获取的待认证的个体的虹膜的图像应用的处理是相同的。

系统100还包括数据处理设备4，该数据处理设备4被配置为对图像捕捉设备2所获取的个体1的虹膜的图像进行处理，以从中推断出相应的虹膜代码并且将其与所存储的参考虹膜代码进行比较。这种处理尤其包括将虹膜切割成第二预定数目N2个同心环。所述处理设备连接到图形捕捉设备2和存储设备3。这种数据处理设备可以包括计算机5和通信接口6。这种计算机5可以包括例如x-86或RISC类型的微处理器或处理器、控制器或者微控制器、DSP、诸如ASIC的集成电路或者诸如FPGA的可编程电路之类、这些元件的组合或者执行下文中所描述的方法的计算步骤的部件的任何其它组合。该通信接口6可以是模拟的或者数字的任何接口，用于让计算机5与上文所描述的系统100的其它元件交换信息。这种接口可以例如是RS232串行接口、USB、火线(Firewire)、HDMI接口，或者以太网或Wifi类型的有线或无线的通信网络接口。在一个实施例中，所述处理设备、图像捕捉设备2和存储设备3可以被集成在一个共同的壳体中，例如在集成在便携式电话中或者集成在控制开口打开的综合信道控制系统中的情况下。可替选地，可以从该设备或者其它设备远程访问这些设备中的一个或更多个设备，例如图像捕捉设备2包括监控摄像机，该监控摄像机经由通信网络而被附接到包括计算机系统的中央服务器的处理设备。

通过确定待识别或待认证的个体的所获取的眼睛图像中虹膜的环与参考虹膜的环之间的最优匹配，本发明提出了对个体的虹膜图像与参考虹膜图像的改进比较。这种匹配考虑了由于瞳孔的扩张而造成的所获取的图像与参考图像之间虹膜的失真。该扩张本身可以是这两幅图像的捕捉之间曝光的差异的结果。该方法不需要匹配两个虹膜的所有的环，以便可以考虑在虹膜的失真期间环的任何出现或者消失。

更确切地说，确定这种最优匹配，以便使所获取的图像与参考图像之间的距离(所谓的匹配距离(HD_Viterbi))最小化。该距离是通过考虑虹膜的环之间的所选择的匹配来从针对所获取的图像而确定的虹膜代码和参考虹膜代码中计算的。在一个实施例中，这种匹配是借助于维特比算法来确定的。

可以根据图5中示出的步骤来实施识别和/或认证方法。

在获取步骤101期间，通过图像捕捉设备2来获取个体1的眼睛的图像。该图像可以是二维的或者三维的，彩色的或者黑白的。在数字图像的情况下，可以根据诸如位图、jpeg、png、tiff、raw……格式的各种格式对该图像进行编码。在黑白图像的情况下，该图像可以包括一定数量的灰度级。

然后，数据处理设备执行下述步骤：分割102、划分103、标准化104、确定二进制代码105、匹配106以及计算距离107。

在分割步骤102期间，所获取的眼睛图像被分割以将包含虹膜纹理的区域隔离。在图1中，这是圆圈之间的区域7。将虹膜区域与眼白8和瞳孔9隔离开。在该步骤期间，还可以确定对其中已经检测出眼睑、睫毛、反射或其它噪声源的虹膜区域进行识别的关联掩模。这种掩模尤其可以对其中光斑被反射的眼睛区域进行识别，以意图在眼睛图像的获取期间施加预定的曝光量。

在划分步骤103期间，可以将所述包括虹膜纹理的区域和所述掩模划分成N2个如图2中所示的同心环。这些同心环可以是固定厚度或者可变厚度的同心环。

这些同心环还可以交叠。在这种情况下，对两幅图像的环进行匹配考虑虹膜中厚度小于环的厚度的冠形的消失或出现。

在标准化步骤104期间，按固定尺寸的矩形图像的形式对来源于分割步骤102和划分步骤103的包含虹膜纹理的区域和所述掩模进行标准化，从而将起源的图像的笛卡尔坐标变换成极坐标，如图3a至图3c中所示，该变换遵循由Daugman提出的极坐标变换：I(x(r,θ),y(r,θ))–>I(r,θ)，其中I是所获取的虹膜图像。

在该标准化图像中，虹膜的细分环形成行。为了将该标准化图像变换成二进制代码(所谓的虹膜代码)，可以在用于确定二进制代码的步骤105期间通过将第三预定数目个滤波器F进行的滤波应用到每个环的第四预定数目P个位置之中的每个位置。例如，虹膜可以按角度被细分成P个角区域，并且这种滤波可以被应用到与环和角扇区的交叉点对应的每个区域。在标准化的虹膜图像中，这些角扇区中的每个角扇区构成一列。这种滤波器可以是Gabor滤波器，表征该滤波器被应用到的区域中虹膜的纹理的光度变化。因此，可以根据在该位置处滤波的结果的符号来将二进制值0或1分配给每个位置。可以对与所获取的图像相关的掩模执行类似的操作。因此，可以确定对包含经标准化和经过滤的虹膜纹理的所述区域进行编码的尺寸等于N2*P*F的二进制虹膜代码IC。还可以确定对关联掩模进行编码的尺寸等于N2*P*F的二进制掩模代码IM。可以从尺寸为N2x(P*F)的两个矩阵来形成这些二进制代码，矩阵的每行对应于虹膜图像的环(如标准化图像中)，P列的每一组对应于虹膜图像的角扇区。例如，这些矩阵中的每个矩阵的行1可以与最接近瞳孔的环相关联。在一个实施例中，N1可以等于N2，并且例如可以等于8。通过示例的方式，虹膜可以被细分成32个环并且被细分成64个角区域，应用到每个位置的滤波器的数量可以等于4。

然后，在匹配步骤106期间，将所获取的图像的虹膜的至少一个环与所述参考虹膜之一的环进行匹配，以使得所获取的图像与参考图像之间的距离(所谓的匹配距离((HD_Viterbi)))最小化，所述匹配距离是通过计算所匹配的获取的图像虹膜的所述至少一个环中的每个环与对应于它的参考虹膜的环之间的距离(Dist)之和来从确定并存储的参考虹膜代码以及关联掩模代码中获得的。匹配步骤106可以实施维特比算法。

更确切地说，匹配步骤106包括以下步骤。

首先，计算尺寸为N1*N2的比较矩阵M(106₁)。该比较矩阵反映了所获取的图像的虹膜的N2个环中的每个环与同它进行比较的参考虹膜的N1个环的相似程度。所述比较矩阵的每个系数M(i,j)借助于所述确定的参考虹膜代码和关联掩模代码对存储的参考虹膜的第i个环与所获取的图像的虹膜的第j个环之间的比较结果进行编码。对于固定的t，所述比较矩阵M的每个系数M(i,j)可以是Dist(i,j,t)与Mask(i,j,t)之间的比率的变换LT的结果，其中：

$Dist(i,j,t)={\mathrm{\&Sigma;}}_{p=1}^P{\mathrm{\&Sigma;}}_{f=0}^{F-1}|IC1(i,p+f)-IC2(j,p+t+f)|,$

$Mask(i,j,t)={\mathrm{\&Sigma;}}_{p=1}^P{\mathrm{\&Sigma;}}_{f=0}^{F-1}IM1(i,p+f)*IM2(j,p+t+f)$

其中，尺寸为N1x(P*F)或者N2x(P*F)的IC1、IC2、IM1和IM2矩阵分别对应于参考虹膜的代码、所获取图像的虹膜的代码以及关联掩模代码。

旋转参数t考虑了例如由于个体的头部的不同倾斜而造成的在所获取的图像与参考图像之间虹膜绕着穿过瞳孔中心的眼睛的对称轴的旋转。可以针对待考虑的旋转参数t的每个值来计算这样的矩阵，例如针对区间[–T；T]中F的t倍的所有值，其中T为所获取的图像与参考图像之间的旋转的预定最大公差。

变换LT的结果可以对应于灰度级，该灰度级代表所比较的环之间的相似水平。通过示例的方式，针对所比较的环之间的零距离以及Dist(i,j,t)与Mask(i,j,t)之间的比率小于0.5时的零值，该变换可以分配值255。所比较的两个环越相似，与它们的比较相关联的灰度级将越接近白色。

图6d和图6e中示出了比较矩阵的两个示例，图6d对应于具有图6a和图6b中所示的瞳孔扩张的两幅眼睛图像的比较，图6e对应于图6a的眼睛图像与具有更明显的瞳孔扩张的图6c的眼睛图像的比较。在图6d中，对应于环之间最短距离的最白的像素主要位于矩阵的对角线上。这是图6a与图6d的虹膜之间律失真(law distortion)的结果。因此，所获取图像的虹膜的每个区域近似对应于位于参考图像的相同位置中的参考虹膜的区域。相反地，由于图像6a与图像6c之间瞳孔扩张的较大差异，图6e的最清晰区域没有位于图像的对角线上。

接下来，构造维特比网格(106₂)，其中参考虹膜的环i与所获取的图像的虹膜的环j的每次匹配的代价为：

对于i＝1,Cost(i,j)＝Prob(i,j)*M(i,j)

对于任何i＞1∶Cost(i,j)

＝Prob(i,j)*M(i,j)

+min_{L＝li:ls and k＝kmin:kmax}(ProbT(i,j),(i-L,j+k))*Cost(i-L,j+k))

其中：

o li、ls、kmin、kmax为预定的相关整数，具有li≥1且0<j+k≤N2，

o Prob(i,j)为参考虹膜的第i个环与所获取图像的虹膜的第j个环的预定的匹配概率，

o ProbT((i,j),(p,q))为将参考虹膜的第i个环与所获取图像的虹膜的第j个环的匹配考虑在内的参考虹膜的第p个环与所获取图像的虹膜的第q个环的预定的匹配概率，函数ProbT也被定义以便送回与非现实情形对应的L和k的组合的高的总值，例如L＝1且k＝1，对应于交叉匹配，例如在所获取图像的虹膜的环j已经与参考图像的虹膜的环i匹配时，将所获取图像虹膜的环j+1与参考图像的虹膜的环i–1匹配。

优选地，L＝li＝ls＝1并且(kmin,kmax)＝(0,1)或者(1,0)。

与两个环(i,j)的匹配相关联的代价是由于所获取的图像中瞳孔的扩张引起的虹膜的失真而造成参考虹膜的第i个环已经移动到所获取图像的虹膜的第j个环的位置的固有概率Prob(i,j)的函数。该代价还借助于M(i,j)反映了这些环之间的相似程度。该代价还考虑到为参考虹膜的前一个环所建立的匹配，以便考虑匹配中的整体连贯性并且防止从数值上看吸引人但是不对应于任何物理现实的匹配，例如，尽管参考图像的第i-1个环已经与所获取图像的虹膜的外围的环关联，但将参考虹膜的第i个环与所获取图像的虹膜的非常中心的环进行匹配。

可以通过在不同扩张阶段拍摄的虹膜的图像的基础上进行自动学习来确定Prob和ProbT函数。可替选地，可以通过使用诸如由上文中所引用的Clark所提出的模型之类的虹膜的纹理的失真模型来以解析的方式确定这些函数。可以根据瞳孔的扩张水平来将函数Prob和ProbT制成表。

可以针对为旋转参数t的不同值所计算的比较矩阵M中的每个比较矩阵来构建这样的维特比网格。

接下来，通过以下方式来确定每个所述维特比网格中的路径(106₃)：

o将参考虹膜的第M个环与所获取图像的虹膜的第Path(M)个环匹配，其中Path(M)为在j上使(Cost(M,j))最小化时的索引，属于[1；N2]，其中M为小于或者等于第一预定数目N1的整数，

即，Path(M)＝Argmin_j＝1:N2(Cost(M,j))，其中Argmin(x_i)为将一系列值x_i中最小值的索引送回的函数。参考虹膜的该相同环将是与所获取图像的虹膜的环相匹配的虹膜的最外面的环。

o根据已经与索引Path(D)的所获取图像的虹膜的环相匹配的索引D的参考虹膜的环，将索引M’的参考虹膜的至少一个其它环与索引Path(M’)的所获取图像的虹膜的环进行匹配，其中M’<M，M’＝D-Z(D,Path(D),1)并且Path(M’)＝Path(D)+Z(D,Path(D),2)，函数Z是根据R中的R³来定义的使得Z(i,j,1)和Z(i,j,2)分别为使函数ProbT((i,j),(i-L,j+k))*Cost(i-L,j+k)最小化的整数L∈[li,ls]和k∈[kmin,kmax]，

即，(k,L)＝Argmin_{k＝kmin:kmax,L＝li:ls}ProbT((i,j),(i-L,j+k))*Cost(i-L,j+k。

优选地，li＝ls＝1。给出：M’＝D-1且Path(M’)＝Path(D)+k

其中k使ProbT[(D,Path(D)),(D–1,Path(D)+k)]*Cost(D–1,Path(D)+k)最小化。

可以针对参考虹膜的多个环，通过多个环的降序直到i＝1或者直到Path(i)＝1来连续地确定这种匹配(所获取图像(对应于参考图像)的虹膜的第i个环对应于参考虹膜(对应于所获取图像)的中心环，这意味着参考图像中(对应于所获取图像中)瞳孔的扩张已经使得与所获取图像(对应于参考图像)的环1到环i-1对应的所有环消失)。

给定所比较的虹膜环的相似性以及匹配概率Prob(i,j)和ProbT((i,j),(p,q))，该维特比路径使得能够确定使路径的总代价最小化的匹配，因此对应于所比较的虹膜的环之间最可能的匹配。

图7中示出了这种路径，其中圆形对应于所获取图像的虹膜的环以及参考虹膜的环，并且其中每个交叉表示所获取图像的虹膜的所述环之一与参考虹膜的所述环之一之间的匹配。

通过这种匹配而减至最小化的匹配距离可以是借助于以下公式在计算步骤107期间所计算的汉明距离:

${\mathrm{HD}}_{Viterbi}={\mathrm{MIN}}_{t=-T:T}\frac{{\mathrm{\&Sigma;}}_{i=1}^{N}Dist(i,Path(i),t)}{1+{\mathrm{\&Sigma;}}_{i=1}^{N}Mask(i,Path(i),t)}$

其中T为对所获取图像与参考图像之间的旋转的预定最大公差。

通过在维特比图中所选择的维特比路径而使两幅虹膜图像之间产生的匹配距离最小化，以保留所比较的图像的环之间的最可能匹配。

最后，在识别和/或认证步骤108期间，根据在计算步骤107期间获得的最小化匹配距离，其眼睛图像已经被获取的个体被识别和/或认证。如果该最小化的匹配距离小于预定阈值，则个体可以被识别和/或认证。

通过辨识其虹膜图像已经被获取的个体的虹膜，同时考虑由于瞳孔的扩张而导致的非线性失真以及虹膜的某些区域的出现或消失，同时受益于该移动的各向同性性质，可以在不需要针对该个体的学习的情况下对该个体进行识别和/或认证。