一种虹膜识别系统的制作方法

本发明涉及生物识别领域，具体涉及一种虹膜识别系统。

背景技术：

随着现代科学技术的快速发展，出现了一系列基于生物特征识别技的身份认证技术，其中包括人脸识别技术、指纹识别技术、掌纹识别技术、语音识别技术、虹膜识别技术等等，其中虹膜识别技术依据是虹膜的稳定性、唯一性和非侵犯性，不同于人类体表的人脸、指纹和掌纹，虹膜是体内的，不可改变的。人脸识别技术会受到整容的影响，指纹识别技术对一些先天或后天无指纹的人不适用，掌纹识别技术在劳动、生活中容易受到破坏，而虹膜识别技术的干涉因素则少得多，因此比人脸识别技术、指纹识别技术和掌纹识别技术都更有优势和发展前景。

在获取人眼的虹膜图像特征时，会在虹膜上出现大量的光斑，光斑会大大降低虹膜图像的质量，进而影响虹膜识别的精确度，因此在虹膜识别中，对于光斑的处理是一个关键的技术难点，同时这也影响着现有的虹膜识别技术的发展与应用。

技术实现要素：

针对上述问题，本发明旨在提供一种虹膜识别系统。

本发明的目的采用以下技术方案来实现：

一种虹膜识别系统，包括虹膜采集模块、虹膜存储模块、虹膜识别模块和电源，所述虹膜采集模块与所述虹膜识别模块有线连接，用于采集目标虹膜图像；所述虹膜存储模块与所述虹膜识别模块有线连接，存储有标准虹膜图像；所述虹膜识别模块用于对目标虹膜图像进行处理、识别；所述电源分别与虹膜采集模块、虹膜存储模块、虹膜识别模块连接。

本发明的有益效果为：本发明采用的虹膜图像特征提取方法增强了算法的灵活性，提高了虹膜识别的精确度，使得本虹膜识别系统具有强大的识别性能。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的框架结构图；

图2是本发明的虹膜识别模块的框架结构图。

附图标记：

虹膜采集摄像头1、虹膜存储模块2、虹膜识别模块3、电源4、预处理子模块31、特征提取子模块32和匹配子模块33。

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，包括虹膜采集模块1、虹膜存储模块2、虹膜识别模块3和电源4，所述虹膜采集模块1与所述虹膜识别模块2有线连接，用于采集目标虹膜图像；所述虹膜存储模块2与所述虹膜识别模块3有线连接，存储有标准虹膜图像；所述虹膜识别模块3用于对目标虹膜图像进行处理、识别；所述电源4分别与虹膜采集模块、虹膜存储模块、虹膜识别模块连接。

优选地，所述虹膜采集模块包括虹膜采集摄像头和红外LED。

优选地，所述虹膜存储模块为Flash数据存储器。

本发明上述实施例，采用的虹膜图像特征提取方法增强了算法的灵活性，提高了虹膜识别的精确度，使得本虹膜识别系统具有强大的识别性能。

优选地，参见图2，所述虹膜识别模块包括依次有线连接的预处理子模块、特征提取子模块和匹配子模块；

所述预处理子模块用于对拍摄的目标虹膜图像中的光斑点进行检测，得到光斑点后拟合以光斑点为中心的上下左右四个包络点灰度值，对光斑点进行灰度值填充，通过以下自定义公式进行灰度值填充：

其中，J0表示光斑点的灰度值填充值，m0、n0分别为光斑点的横、纵坐标，m3、m4分别表示与m0相邻的左、右横坐标，n1、n2分别表示与n0相邻的上、下纵坐标，J1、J2、J3、J4分别表示光斑点上、下、左、右四个包络点的灰度值；

得到灰度值填充后的目标虹膜图像，进一步地对其进行精确定位并对灰度值填充后的目标虹膜图像进行归一化，得到归一化后的目标虹膜图像I，I＝[I1,I2,…,IL]^T，其中Il为目标虹膜图像归一化后的第l行，L为总行数，l∈L。

本发明上述实施例，采用自定义公式对目标虹膜图像中的光斑点进行灰度值填充，使得光斑区域绝大部分都能很好地被填充，有利于很好地保存虹膜图像的结构信息，在进行进一步的定位时，有利于虹膜图像的有效定位以及归一化处理。

优选地，所述特征提取子模块用于对归一化后的目标虹膜图像进行逐行分解，提取其中的包络信号和调频信号，将包络信号和调频信号相乘，得到具有瞬时频率的乘积函数分量，具体包括：

(1)数值初始化l＝1，k＝1，l表示归一化后的目标虹膜图像的行数，k表示具有瞬时频率的乘积函数分量的个数；

(2)拟合Il的极大值和极小值构成的上下包络：

其中，Pl,k(T)表示平均包络函数，Ql,k(T)表示局部包络函数，Maxl,k(T)、Minl,k(T)分别表示归一化后的目标虹膜图像I第l行第k个具有瞬时频率的乘积函数分量的最大值、最小值，T表示时间变量；

(3)从归一化后的目标虹膜图像I中将平均包络函数Pl,k(T)分离出来，采用局部包络函数Ql,k(T)对分离后的函数进行解调，得到调频信号Wl,k(T)：

(4)令Il+1(T)＝Wl,k(T)重复步骤(2)、(3)得到包络估计函数Ql,k+1(T)，如果Ql,k+1(T)≠1说明Wl,k(T)不是纯调频信号，重复迭代以上步骤z次直至Wl,k(T)为纯调频信号，即迭代的终止条件为：

∑Ql,z+1(T)≈1

(5)将迭代过程中所有的包络估计函数相乘得到相应的包络信号Ql(T)：

Ql(T)＝Ql,1(T)Ql,2(T)…Ql,z(T)

其中，l表示归一化后的目标虹膜图像的行数，z表示迭代次数，T为时间变量；

(6)将包络信号Ql(T)和纯调频信号Wl,k(T)相乘，得到目标虹膜图像的乘积函数分量Sl,k(T)：

Sl,k(T)＝Ql(T)Wl,k(T)

(7)将Sl,k(T)二值化，并作为目标虹膜图像的特征编码：

其中，Sl,k^*(T)表示目标虹膜图像T时刻第l行第k个码值。

本发明上述实施例，对虹膜图像进行特征提取，有效保留了虹膜图像的纹理特征，避免了虹膜纹理微结构的不规则性和随机分布对特征提取的影响，增强本模块算法的鲁棒性，同时使用自定义的平均包络函数和局部包络函数，有效消除了过包络和欠包络现象，增强包络曲线计算的灵活性。

优选地，所述匹配子模块用于将目标虹膜图像的码值与标准虹膜图像的码值进行对比，采用自定义差异距离公式计算两个虹膜图像的差异：

其中，F表示虹膜图像差异距离，dmin为位移匹配向量的最小值，ω为最大位移数目，Sl,k^*(T)′为标准虹膜图像T时刻第l行第k个码值，表示异或运算；

若F<Fth，则说明两个虹膜图像相同，否则两个虹膜图像相异，Fth为差异距离阈值。

本发明上述实施例，采用自定义的评价公式对两幅虹膜图像的特征进行评价，增大了不同虹膜的差别，消除虹膜定位误差，大大降低了虹膜图像的误判几率，同时保证了虹膜图像的特征稳定性，有利于提高虹膜识别的精确性，增强识别性能。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。