18、非理想情况下的虹膜识别技术解析

非理想情况下的虹膜识别技术解析

1. 引言

虹膜识别在高安全性生物识别应用中备受关注。以往大多数先进的虹膜识别算法主要聚焦于处理和识别在受控环境下捕获的理想虹膜图像。然而，在实际应用中，我们常常会遇到非理想的虹膜图像，这些图像受到诸如视线偏差、眼睑和睫毛遮挡、非均匀光照、运动模糊、反射等因素的严重影响。针对这些问题，我们采用了变分水平集曲线演化方案来准确分割非理想虹膜图像，同时运用遗传算法（GAs）来选择有信息价值的特征子集，以提高识别准确性。

2. 非理想虹膜分割

非理想虹膜图像的分割是一项具有挑战性的任务，因为瞳孔和虹膜的形状可能是非圆形的，且形状会因图像采集技术的不同而有所差异。我们将虹膜分割过程分为两个步骤：
- 步骤一：椭圆模型近似
- 选择一个具有五个参数（p1, p2, r1, r2, φ1）的椭圆区域来近似瞳孔的内边界，其中（p1, p2）是瞳孔中心的水平和垂直坐标，（r1, r2）是长轴和短轴的长度，φ1是椭圆的方向。
- 测量瞳孔圆周上固定数量点的强度值，以小步长（3 像素）改变椭圆参数来增大椭圆尺寸，并随机选择圆周上的固定数量点计算总强度值。
- 重复此过程，找到亮度变化最大的边界和瞳孔中心。
- 以类似的方式找到外边界的近似估计（I1, I2, R1, R2, φ2）。
- 步骤二：变分水平集曲线演化
- 在水平集公式中，活动轮廓 C 可以由水平集函数 φ(t, x, y) 的零水平集 C(t) = {(x, y)|φ(t, x, y) = 0} 表示。
- 为了使曲线向内外边界演化，定义总能量泛函