一种基于无线网络和虹膜识别的个人身份认证方法与流程

本发明涉及一种基于无线网络和虹膜识别的个人身份认证方法，属于个人身份认证技术领域。

背景技术：

随着通信技术的快速发展，自动认证是一个根本问题。如何快速、准确地识别一个人，以确保信息安全已成为在这个信息时代要确定的一个关键的社会问题。个人识别号码(PIN)或密码在某些情况下不适用于身份验证方法，因为它们可能被许多个人忘记。

虹膜识别技术是基于眼睛中的虹膜进行身份识别。人的眼睛结构由巩膜、虹膜、瞳孔晶状体、视网膜等部分组成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分，其包含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等的细节特征。而且虹膜在胎儿发育阶段形成后，在整个生命历程中将是保持不变的。这些特征决定了虹膜特征的唯一性，同时也决定了身份识别的唯一性。因此，可以将眼睛的虹膜特征作为每个人的身份识别对象。

有线网络系统具有移动性差、不灵活、可拓展性差、组网和维护不便利等缺点。随着现在无线网络技术的发展，无线网络的稳定性和实时性都有了很大的改善，其性能足以保证控制系统安全稳定地运行。无线技术的使用正迅速成为连接到网络和访问偏远地区数据的最常见方式。Wi-Fi是提供向设备发送数据的便利方式的许多现有技术之一，而没有物理连接对于许多用户变得越来越有吸引力。但是，在这种环境中，图像必须通过网络链路由具有低带宽和高等待时间的无线信道传送到相应位置，因此，传输的数据量不能太大，如何解决该问题变得至关重要。

技术实现要素：

本发明要解决的技术问题是提供一种基于无线网络和虹膜识别的，用于快速、准确且可靠地进行个人身份认证的方法。

为了解决上述技术问题，本发明的技术方案是提供一种基于无线网络和虹膜识别的个人身份认证方法，其特征在于：包括如下步骤：

步骤1：捕获具有个人独特特征的虹膜图像，并保存在数据存储器中；

步骤2：在后台服务器上建立虹膜识别系统；

步骤3：现场捕获待认证的个人虹膜图像，进行压缩后通过无线网络传输至后台服务器，后台服务器对所接受的图像进行解压缩，然后输入虹膜识别系统；虹膜识别系统将解压缩后的待认证的个人虹膜图像与数据存储器中预先存储的图像进行比较，如果待认证的个人虹膜图像与预先存储的图像匹配，则该人的身份被证明；反之，则未被证明。

优选地，所述步骤2中，虹膜识别系统采用Libor Masek算法，具体步骤如下：

步骤2.1：输入待认证的个人虹膜图像；

步骤2.2：对输入的图像进行预处理；

步骤2.3：对预处理后的图像进行特征提取；

步骤2.4：将所提取的图像特征和数据存储器中预先存储的图像进行对比；

步骤2.5：重复步骤1～步骤4，直至出现匹配成功的图像或搜遍整个数据库未发现匹配成功的图像。

优选地，所述步骤2中，虹膜识别系统采用genetic遗传算法，具体步骤如下：

步骤2.1：设定初始代数的大小为m，设定交叉率、步长；

步骤2.2：输入待认证的个人虹膜图像；

步骤2.3：对输入的图像进行预处理；

步骤2.4：计算所有个体的适应度的值并归一化，表示为匹配分数；

步骤2.5：筛选出m个匹配分数大于等于0.8的个体；

步骤2.6：以0.9的概率进行单点交叉操作；

步骤2.7：以0.12的概率进行不均匀变异操作，其计算式如下所示：

其中R，r是(0，1)中随机产生的一个数；n表示迭代次数，n_max为最大迭代次数，本发明令n_max＝2000；X_k(n)表示为第n代中第k个待测值的基因串，0＜k≤m；表示第k个待测试值的下限，则表示第k个待测试值的上限。

步骤2.8：迭代次数+1，重复步骤2.4、2.5、2.6，直到最大迭代次数＝2000为止。

优选地，所述步骤3中，图像压缩的方法为主分量分析法PCA。

更优选地，所述主分量分析法PCA的具体步骤如下：

步骤1：获得虹膜图像的灰度值矩阵；

步骤2：计算灰度值矩阵各列的平均值，并对进行归一化，获得矩阵X；

步骤4：计算协方差矩阵C_x；

步骤5：对C_X进行特征值分解，C_X＝P^TDP；

其中D为对角阵，对角线上的元素按递减顺序排列，对应的特征向量在P矩阵中按行排列；

步骤6：计算Y＝PX，那么Y中每个向量是主分量分析法得到的新数据；

步骤7：保留P中的前2/3行进行步骤6计算，最终压缩图像矩阵。

优选地，所述步骤3中，图像解压缩的方法为逆主分量分析法IPCA。

更优选地，所述逆主分量分析法IPCA的具体步骤如下：

步骤1：压缩图像矩阵Y；

步骤2：计算特征向量矩阵的逆P^-1；

步骤3：对逆矩阵P^-1和压缩矩阵Y进行缩放；

步骤4：将乘法结果X＝P^-1.*Y加到平均矩阵；

步骤5：解压缩图像矩阵。

相比现有技术，本发明提供的方法具有如下有益效果：

1、利用虹膜识别技术，可以快速、准确且可靠地进行个人身份认证；

2、给出了两种虹膜识别算法，试验表明，genetic遗传算法比Masek算法更精确，计算时间和复杂度更低，这使得genetic遗传算法比Masek算法能更好地识别虹膜模式；

3、通过主分量分析法PCA/逆主分量分析法IPCA技术对个人虹膜图像进行压缩/解压缩，虹膜生物特征数据被压缩后，可以减少存储这些虹膜图像所需的空间，实现生物特征数据的有效存储和快速传输；

4、采用无线网络作为虹膜图像的传输介质，相比有线网络，其稳定性、灵活性、实时性更好，布点简单，布网工期短，网络被破坏后易恢复。

附图说明

图1为实施例1中，Libor Masek算法流程图；

图2为实施例2中，genetic遗传算法流程图；

图3为主成分分析法PCA的流程图；

图4为逆主分量分析法IPCA的流程图；

图5为压缩解压缩的虹膜图像模式识别过程与真实iris虹膜图像模式识别过程对比试验布局图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

实施例1

一种基于无线网络和虹膜识别的个人身份认证方法，包括如下步骤：

步骤1：捕获具有个人独特特征的虹膜图像，并保存在数据存储器中；

步骤2：在后台服务器上建立虹膜识别系统；

步骤3：现场捕获待认证的个人虹膜图像，进行压缩后通过无线网络传输至后台服务器，后台服务器对所接受的图像进行解压缩，然后输入虹膜识别系统；虹膜识别系统将解压缩后的待认证的个人虹膜图像与数据存储器中预先存储的图像进行比较，如果待认证的个人虹膜图像与预先存储的图像匹配，则该人的身份被证明；反之，则未被证明。

上述步骤2中，虹膜识别系统采用Libor Masek算法。Libor Masek算法采用来自中国科学院自动化研究所的输入虹膜图像，CASIA数据库，如图1所示。第一阶段是对输入虹膜图像的预处理，分为两个子阶段：

第一子阶段是使用圆形霍夫变换的虹膜分割，包围圆形虹膜和瞳孔区域，然后通过使用线性闭塞眼睑和睫毛的反射霍夫变换。

第二个子阶段是使用Daugman橡胶片模型的虹膜归一化，其中将分割的虹膜区域归一化为具有固定尺寸的矩形块一致性。归一化子阶段的结果是二维(2D)向量，一个代表归一化虹膜区域，另一个表示包含眼睑、睫毛和反射的噪声区域。在特征提取阶段，从一维(1D)Log-Gabor滤波器提取相位数据，采用一维Log-Gabor小波方法。然后滤波的输出被相位量化为四个电平以对其进行编码，虹膜的独特模式成为逐位2D模板，并且标记没有用的相位数据(相位幅度接近零)在相应的二维噪声掩模。为了匹配的目的，计算汉明距离用于比较输入图像模板与来自数据的虹膜模板的分类存储，以检查它们是否匹配。

上述步骤3中，图像的压缩/解压缩的方法为主分量分析法PCA/逆主分量分析法IPCA。

结合图3和图4，主成分分析法PCA是用于减少数据维度的方法，可以减少没有多少信息的损失。PCA用作具有低水平损失的图像压缩算法。PCA接收输入灰度图像并计算其平均值，然后计算协方差矩阵并找到特征向量(主成分)和特征值。最终的压缩图像矩阵通过使用逆主成分分析法IPCA解压缩。

无线网络具有成本效益，并且它们允许计算机是移动的，电缆较少，并且以接近有线局域网(LAN)的速度进行通信。结合图5，本实施例中，所有站都连接到路由器设备作为基础设施网络。连接的站利用有线或无线通过路由器彼此通信。无线网络将虹膜图像发送到两条线路：线路1表示压缩解压缩的虹膜图像模式识别过程，线路2表示真实iris虹膜图像模式识别过程。采用五台电脑，PC1与PC2、PC3分别通过有线连接，传输过程更快，PC2与PC4、PC3与PC5分别通过无线连接。

实施例2

本实施例与实施例1基本相同，其区别在于：

步骤2中，虹膜识别系统采用genetic遗传算法。genetic算法是一种优化算法，通常它用于找到特定函数的最大值或最小值的最优解。本实施例提出的genetic算法被用作最大值函数，以找到个体之间的最佳相似性得分(最佳适应度)值，如图2所示，其示出了算法流程图，首先计算所有个体的适应度的值并归一化，表示为匹配分数，筛选出m个匹配分数大于等于0.8的个体，之后进行交叉操作以及依照公式进行变异操作(每一代有m个体)，反复执行上述操作知道最大迭代次数等于2000结束操作。

实施例1与实施例2的验证结果比较

通过从CASIA数据库(版本1.0)获取的虹膜图像测试实施例1与实施例2的系统。CASIA数据库是最知名的，并且被许多研究人员广泛使用。选择四个虹膜图像进行训练，三个测试每个类(108类)。输入光圈图像模板与存储的模板进行比较，以给出最终决定。

实施例1的Masek算法中，在108个人或类别中选择的阈值(最低汉明距离)小于0.3834，以使得每3个测试图像样本中的至少一个图像样本正确匹配。

在实施例2的genetic遗传算法中，选择的阈值(个体在个体中的最佳适合度评分)高于0.800。

为了测量虹膜识别系统的性能，对于三组样本计算假接受率(FAR)，假拒绝率(FRR)和正确识别率(CRR)，并且它们有以下等式，

表1两种虹膜模式识别方法的性能测量结果

表2虹膜图像压缩和不压缩的结果比较

表1显示了两种虹膜模式识别方法的性能测量结果。Masek算法对于前150个样本具有零FAR和FRR等于1.33％。但是当采样324个样本时，FRR增加到4.93％，FAR仍然为零。150个样本的Masek算法的CRR为98.66％，并且324个样本的CRR降低到95.06％。在遗传算法中，已经实现了前75个样本的零错误率和100％的识别率。对于第二组样品，遗传算法的FAR和FRR增加到0.66％，CRR降低到99.33％。当通过遗传算法测试324个样品时，FAR从0.66％增加到1.54％，FRR从0.66％增加到2.77％，CRR从99.33％降低到97.22％。

在表2中，使用Masek算法的解压缩虹膜图像的平均识别时间为135.7秒，这比等于11.5秒的真实虹膜图像的平均识别时间多得多。但是，使用遗传算法的解压缩虹膜图像的平均识别时间为9.3秒，大于等于6.5秒的真实虹膜图像的平均识别时间。除了将压缩图像发送到PC4的时间以及将解压缩的虹膜图像识别的结果发送回PC1之外，线路1中的发送时间涉及从PC1到PC2的发送时间。对于Genetic算法中的传输时间而言是相同的，除了没有压缩图像传输之外，因为发送相同的输入虹膜图像。对于Masek和Genetic方法，线路1的传输时间分别为24.6秒和23.3秒，这比两种方法的25.5秒的线路2的传输时间稍短一点。

综上，在表1中，性能结果表明，当样本数增加时，错误率增加，并且当获取更多样本时，识别率降低。根据CCR结果表明，Genetic算法比Masek算法更准确。

在表2中，时序结果表明，Masek算法平均比Genetic算法需要更多的识别时间。两种方法都需要更多的时间来识别线路1中的虹膜图像，因为在PC2中使用PCA较早地压缩图像，并且在使用PC4中的IPCA的解压缩处理之后识别该图像。线路1的传输时间低于线路2，因为PC2传输压缩的虹膜图像，而PC3传输真实的未压缩虹膜图像。

Genetic算法的执行时间小于Masek算法的执行时间。这使得Genetic算法更快，并且比Masek算法更准确。两种方法都能够识别解压缩的虹膜图像。解压缩的虹膜图像使识别处理比未压缩的实像的识别处理长。压缩虹膜图像通过无线网络传输的时间少于实际图像。