基于虹膜的人體特征識別方法研究

圖5 虹膜長半徑

對圖1的圖像數據，從左右順次、從上至下掃描每個像素點，根據式（2）計算每個像素點與圓心的距離。

（2）

其中，dist為距離，（x,y）為掃描點的坐標值，（Xpos,Ypos）為虹膜圓心的坐標值。保留所有小于等于虹膜長半徑或大于等于虹膜短半徑的像素，其余設像素值為0（即標為黑色）。保留的環形部分即為截取到的虹膜圖像部分，如圖6所示。

圖6 環形的虹膜圖像部分

為了提取虹膜圖像的特征值，建立一個特征矩陣數組，X、Y 值與上一步中的矩形數組一致，用來存放相應的特征值。這些值對于虹膜圖像中的每一個像素點來說都是其獨有的、能對其進行唯一標志的值，因此都可以作為特征值來利用。本文中提取的是每個像素點的二導函數作為其特征值，因此在本步驟中可以直接將其讀入到特征矩形數組中。

特征匹配

本文采用海明距（Hamming Distance）進行特征匹配。海明距最初為了解決通信中存在的誤碼問題而發明的。簡單來說，它是指同樣長度的兩個碼中，對應位不同的碼的個數。比如：10101 和 00110，海明距為3。式（3）為海明距定義的公式。

（3）

其中Ai和Bi為待比較的兩端代碼，+為異或運算，L為代碼的長度。

將兩幅虹膜圖像的特征編碼進行按位比較時，同一虹膜的不同時間提取的特征碼，其 HD 分布的峰值將在 0.1 附近；而不同虹膜的特征碼進行比對時，HD 分布的峰值將在 0. 5 附近。這里所說的分布的峰值是按位比較時，兩段特征編碼相應位相同的概率的最大值。因此，對已經得到的虹膜圖像特征矩陣數組，首先要從中隨機的選擇一段 L 長度的代碼（二進制），即隨機選擇代碼段的起始位置。這里要注意的是，對于待識別的兩段代碼，起始位置要盡量一致。L 的值可隨意設定，但 L 的值越大，匹配的時間越長，速度越滿，識別的精度越高，匹配的正確率越大；反之，L 的值越小，匹配的時間越少，速度越快，識別的精度越低，匹配的正確率越小。本文中 L 的值設為 2048。

結果分析

精確性是最重要的一個性能指標，一般用識別率來表示，主要由拒判率、誤判率和等誤率來測定。

拒判率 FRR：也稱錯誤拒讀率或稱錯誤不匹配率，表示授權人（合法的用戶）不被準確承認（誤認為冒名頂替者） 的程度。FRR 越大，系統越精確，安全性也越高，但寬容度越來越低，致使越來越多的合法用戶被系統錯誤的拒絕。反之授權人越容易通過，未授權者也變得容易混入。FRR 實際上也是系統可接受性的重要指標。

誤判率 FAR ：也稱錯誤接收率或稱錯誤匹配率，表示未授權的人（冒名頂替者）被確認成授權人（有效的個體）的程度。FAR 的值越小，說明未授權的人越無法通過，系統越安全。但是，授權人的通過將變得越發困難。如在對安全有嚴格要求的應用領域，可以運行在很小的 FAR 上。FRR 和 FAR 之間的關系如圖 7 所示。

圖7 拒判率和誤判率之間的關系

實驗結果表明，本文所設計的系統在精確性、識別速度上滿足了實用的要求。