虹膜识别系统是通过区别眼睛瞳孔的虹膜图案识别每个人的仪器，而虹 膜图案对于每个人来说是唯一的。这与使用每个人的声音和指纹的其它生物 测定方法相比，具有高的识别准确性和出色的安全性。人的虹膜是眼睛瞳孔 与白巩膜之间的区域，虹膜识别是一项识别每个人的技术，该技术基于分析 每个人不同的虹膜图案得到的信息。
一般地，在利用人体的特征信息识别每个人的应用技术领域，有效地从 输入图像中获取唯一的特征信息是一项核心技术。小波变换用于提取虹膜图 像的特征，并且是一种在多分辨模式中分析信号的技术。小波变换是利用特 殊选择的信号形成信号、系统和一系列过程的模型的数学理论。这些信号称 为小波。最近，小波变换广泛用于信号和图像处理领域，因为与基于Fourier 变换的传统信号处理算法相比，它具有快的速度，并且能有效地在时间和频 率域内完成信号的定位。
另一方面，通过从图像获取设备获取的虹膜图像中仅提取虹膜图案并将 其规格化为450×60而得到的图像，用于通过小波变换提取特征值。并且， Harr小波变换已经广泛用于传统的虹膜识别、图像处理等等。但是，Harr 小波函数的缺点在于，特征值是不连续的并且快速变化，并且在图像被压 缩后进行解压缩的情况下不能得到高分辨率的图像。相反，由于Daubechies 小波函数是连续函数，因此可以避免Harr小波函数数值不连续并且快速变 化的缺点，并且可以更准确、更巧妙地提取特征值。因此，在使用Daubechies 小波变换将已经压缩后的图像进行解压缩时，图像还原时的分辨率，与Harr 小波变换的相比，更接近原始图像。由于Daubechies小波函数比Harr小波 函数更复杂，其缺点是需要更多的运算量。但是，这很容易被当前发展的超 高速微处理器所克服。
Daubechies小波变换的优点还有，在进行小波变换提取特征值时，能 得到精细的特征值。即，如果使用Daubechies小波变换，则可以用低容量 的数据表达虹膜特征，并且可以准确地提取特征。
在传统虹膜识别领域，主要使用的是利用Gabor变换的提取特征值并形 成特征向量的方法。但是，这些方法产生的特征向量具有256或更大的维数， 并且尽管假定一个字节指定为一维，它们至少是256字节。这样，产生的问 题是，当应用于需要低容量信息的领域时，实用性和有效性降低。因此，需 要开发一种形成低容量特征向量的方法，其中图案信息的处理、存储、传输、 搜索等工作可以高效地进行。另外，由于在先前技术中，例如美国专利 No.5,291,560，将一种简单的测量距离的方法，例如两个特征向量(特征向 量与输入图案和存储的基准特征向量有关)之间的Hamming距离(HD)，用 于图案分类，因此其不足之处在于，通过归纳图案信息形成基准特征向量 是不容易做到的，并且不能恰当反映出特征向量每个维度的信息特征。
即，在使用Hamming距离的方法中，为了验证以二进制向量形式产生的 两个特征向量，根据各个维数所赋的位值被互相比较。如果彼此相同，则为 0；如果它们彼此不同，则为1。接着，得出一个被总维数除的数值作为最终 结果。这个方法在区别由二进制代码组成的特征向量之间的相似程度方面是 简单的并且是有用的。当使用Hamming距离时，如果相同数据之间进行对比， 则所有位的对比结果变为0。这样，得到0的结果意味着这个数据属于其本 人的。如果数据确实属于此人，相似程度的概率为0.5。这样，在与其它人 的数据对比时，数值集中在0.5左右是可以理解的。因此，在0和0.5之 间设定的恰当极限将是区别本人数据与它人数据的界限。当通过细分数据从 提取的虹膜特征中得出信息时，Hamming距离(HD)应用于这一方面是优秀的， 但当使用低容量数据时，它是不适用的。换言之，当具有256字节信息的特 征向量的总位数是2048时，即使使用Hamming距离，也能达到相当高的接 收率。但是，如本发明一样使用低容量特征向量时，其中特征向量的数量减 小，则得不到高的接收率。
另一方面，当使用低容量特征向量时，接收率的提高被限制在一定程度 上，因为丢失的信息增加。这样，在产生特征向量的过程中，应该考虑防止 信息丢失并保持特征向量最小容量的方法。

因此，本发明的提出是为了解决上述这些问题。本发明的一个目的是提 供一种形成低容量特征向量的方法，其中与传统的Harr小波变换相比，通 过使用Daubechies小波变换从输入的虹膜图像信号提取虹膜特征，误接收 率(FAR)和误拒绝率(FRR)能够明显降低。
本发明的另一个目的是提供一种检测特征向量之间相似性的方法，其中 当低容量特征向量形成时产生的信息丢失可以减小到最低程度，并且低容量 特征向量能恰当地用于相似性检测。
为了达到本发明的上述目的，提供了一种使用Daubechies小波变换识 别人虹膜的方法，其中执行从用户眼睛图像中仅提取虹膜图像的预处理过 程，用户的眼睛图像是使用卤素灯照明器利用图像获取设备获取的，并且用 户的身份是通过预处理的虹膜图像确定的。所述方法包括：(a)对预处理的 虹膜图像重复进行预定次数的Daubechies小波变换，从而将虹膜图像多次 分割，从多次分割的图像中提取包括高频部分的图像，从而提取虹膜特征； (b)从包括高频部分的提取图像中提取特征向量的特征值，并通过量化相关 的特征值产生二进制特征向量；(c)通过检测产生的特征向量与先前注册的 特征向量之间的相似性，确定用户为注册者。
下面将简要介绍本发明。虹膜图像是通过图像获取设备获取，其中使用 卤素灯照明器。通过重复执行输入虹膜图像的Daubechies小波变换，虹膜 图像被多次分割并且提取出具有最佳大小的虹膜特征。接着通过量化提取的 特征值形成特征向量，其在显示和处理图像方面是有效的。由于使用 Daubechies小波变换作为小波变换，可以提取出更准确的特征值，同时保持 小波的最大优点。并且，当通过将提取的特征值量化为二进制数值来减小特 征向量的维数时，即，当形成低容量特征向量时，恰当地使用检测加权注册 的和输入的特征向量之间的相似性的方法，用以防止由于低容量特征向量的 形成引起的接收降低。因此，通过上述方法确定了用户的真实性。
附图说明
图1表示用于执行本发明虹膜识别方法的图像获取设备的组成；
图2是本发明校验虹膜图像的程序的流程图；
图3是本发明通过Daubechies小波变换多次分割虹膜图像的程序的流 程图；
图4是一个通过Daubechies小波变换多次分割虹膜图像的实施例；
图5是本发明基于从多次分割虹膜图像的程序获取的数据，形成虹膜图 像特征向量的程序的流程图；
图6a是一个提取的虹膜图像的特征值的分布实例；
图6b表示从图6a的分布实例产生二进制特征向量的量化函数；
图7是通过特征向量之间的相似性检测判断用户真实性的程序的流程 图。

下面将参考附图详细解释本发明利用Daubechies小波变换识别人虹膜 的方法。
图1表示在本发明虹膜识别方法中使用的图像获取设备的组成。参看图 1，下面解释虹膜图像获取设备的组成。在本发明虹膜识别方法中使用的图 像获取设备包括：卤素灯11，用于照亮虹膜以便获取清晰的虹膜图案；CCD 摄像机13，通过透镜12对用户的眼睛10摄像；帧抓取器14，与CCD摄像 机12连接，用于获取虹膜图像；以及监视器15，将当前输入到摄像机的图 像显示给用户，从而当获取图像时用户能获取正确的图像并便于用户定位。
根据图像获取设备的组成，CCD摄像机用于获取图像，虹膜的识别是通 过虹膜褶的图案分析。但是，当使用普通的照明器在室内获取虹膜图像时， 由于虹膜图像基本是灰暗的，因此难以提取所需的图案信息。因此，需要使 用额外的照明器，以便不丢失虹膜图像信息。在这种情况下，需要防止由于 反射光造成的虹膜图案信息的丢失以及识别能力的减弱，并且需要使用恰当 的照明器，以便得到清晰的虹膜图案。在本发明中，使用具有强的泛光照明 效果的卤素灯11作为主要照明器，从而清晰地显示虹膜图案。并且，如图1 所示，通过将卤素灯放置在眼睛的左、右侧，使灯的反射光形成在虹膜区的 外围，可以避免虹膜图像信息的丢失以及用户眼睛的疲劳。
图2是根据本发明校验虹膜图像的程序的流程图。参看图2，在步骤200， 如上所述使用图像获取设备获取眼睛的图像。在步骤210，通过预处理从获 取的眼睛图像中提取虹膜区的图像，并变换到极坐标系统，将变换的虹膜图 案输入到提取特征的模块中。在步骤220，对变换到极坐标系统的输入虹膜 图案进行Daubechies小波变换，接着提取虹膜区的特征。提取的特征具有 实数。在步骤230，通过将K级量化函数应用到提取的特征产生二进制特征 向量。在步骤240，检测产生的特征向量与先前注册的用户数据之间的相似 性。通过相似性检测，确定用户真实性并显示验证的结果。
如上所述，在通过Daubechies小波变换提取虹膜区特征的情况下，具 有8、16或更多系数的Daubechies小波函数能比具有4个系数的Daubechies 小波函数能提取更精确的特征值，但前者比后者更复杂。尽管在本发明中使 用并测试了具有8个或更多系数的Daubechies小波函数，但与已经使用和 测试的具有4个系数的Daubechies小波函数相比，本发明并没有得到更大 的性能改善，并且运算量和处理时间增多了。因此，使用具有4个系数的 Daubechies小波函数提取特征值。
图3是根据本发明利用Daubechies小波变换多次分割虹膜图像的程序 的流程图，图4是表示通过Daubechies小波变换分割的图像。参看图3和4， 在本发明中，使用各种母小波中的Daubechies小波执行虹膜图像特征的提 取。如图4所示，“L”和“H”分别用于表示低频和高频组分，“LL”表示 在所有x和y方向已经通过低通滤波器(LPF)的组分，而“HH”表示在x 和y方向已经通过高通滤波器(HPF)的组分。并且，下标表示图像分割阶 段。例如“LH2”表示在2阶段小波分割过程中在x方向通过低通滤波器并且 在y方向通过高通滤波器的图像。
在步骤310，使用Daubechies小波变换将输入的图像多次分割。由于虹 膜图像被认为是二维信号，其中一维信号沿x和y方向排列，为了分析虹膜 图像，利用在所有x和y方向通过LPF和HPF提取一幅图像的4分割的组成 部分。即，一幅二维图像信号在垂直和水平方向进行小波变换，并且在执行 一次小波变换后图像分割成四个区LL、LH、HL和HH。此时，通过Daubechies 小波变换，信号被分割成通过高通滤波器的微分部分，以及通过低通滤波 器的平均部分。
另外，用两个因素评价了虹膜识别系统的性能：误接收率(FAR)和误 拒绝率(FRR)。这里，FAR表示由于未注册者被误识别为注册者造成未注册 者的进入被接收的概率；FRR表示由于注册者被误识别为未注册者造成注册 者的进入被拒绝的概率。例如，与利用传统Harr小波变换识别人虹膜的方 法相比，使用本发明的利用Daubechies小波变换识别人虹膜的方法，FAR 从5.5％降低到3.07％，FRR从5.0％减小到2.25％。
在步骤320，从分割的虹膜图像中提取出在x和y方向仅包括高频部分 的区域HH。
在步骤330，在增加分割虹膜图像次数的迭代次数后，当迭代次数大于 预定的次数时结束处理步骤。另外，如果迭代次数低于预定的次数，在步骤 340，区域HH的信息被存储为在用于提取虹膜特征的信息。
接着，在步骤350，从多次分割的虹膜图像中提取在x和y方向仅包括 低频部分的LL区域。由于提取的区域LL(对应于第四尺寸比先前的图像减 小的图像)包括虹膜图像的主要信息，因此这提供了一幅用于新处理的图像， 从而小波变换可以再次应用于相关的区域。此后，从步骤310开始重复执行 Daubechies小波变换。
另一方面，当虹膜图像从笛卡尔坐标系统变换到极坐标系统时，为了避 免虹膜特征随瞳孔尺寸的变化而变化，虹膜内外边缘之间的区域在r方向被 分割成60个片段，在0方向通过改变0.8度的角度被分割成450个片段。 最终，获取了虹膜图像的信息并规格化为450×60(0×r)个数据。接着，如 果对获取的图像再次小波变换，得到尺寸减小一半的225×30个区域HH的特 征，即，225×30条信息用作特征向量。这种信息可以如其原样使用，但为了 减少信息的数量，重复执行分割信号的过程。由于区域LL包括虹膜图像的 主要信息，因此通过连续对各个相关区域进行小波变换得到更加减少的区域 的特征值，例如HH2、HH3和HH4。
迭代次数，由于被当作是重复执行小波变换的识别标准，应该在考虑信 息丢失以及特征向量多少的条件下设定为恰当的数值。因此，在本发明中， 执行小波变换4次得到的区域HH4成为主要特征区，并且其数值被选作特征 向量的组成部分。此时，区域HH4包含具有84(＝28×3)个数据的信息。
图5是本发明使用从多次分割虹膜图像的过程获取的数据，形成虹膜图 像特征向量的程序的流程图。参看图5，在步骤510，输入从上述过程提取 的n特征向量的信息，即输入区域HH1、HH2、HH3和HH4的信息。在步骤520， 为了在n特征向量中获取区域HH1、HH2、HH3的特征信息，而不包括最后小波 变换得到的区域HH4的信息，计算区域HH1、HH2、HH3的每个平均值并分配一 个维数。在步骤530，将最终得到的区域HH4的所有数值提取为其特征值。 当提取虹膜图像信号的特征结束后，基于这些特征产生特征向量。产生特征 向量的模块主要执行提取实数形式的特征值的过程，并接着将它们转换成由 0和1组成的二进制代码。
但是，在步骤540，将在步骤520提取的N-1特征值以及在步骤530提 取的M(最终得到的区域HH的大小)特征值综合在一起，产生(M+N-1)维的 特征向量。即，由区域HH4的84个数据以及区域HH1、HH2和HH3的3个平均 数据综合在一起的总共87个数据，被用作本发明的特征向量。
在步骤550中，先前得到的特征向量的数值，即，以实数形式表示的特 征向量的各个分量值，被量化为二进制数值0或1。在步骤560，由量化的 数值产生(M+N-1)位特征向量。即，根据本发明，产生87位特征向量。
图6a表示提取的虹膜图像的特征值的分布实例。当87维特征向量的数 值按照各自的维数分布时，分布的形状大致如图6a所示。包括所有维数的 二进制向量按如下的方程1产生：
[方程1]
fn＝0 if f(n)＜0
fn＝1 if f(n)＞0
式中，f(n)是第n维的特征值，fn是第n维特征向量的数值。
当为了使用低容量特征向量，产生通过为总共87维分配一个位所得到 的87位特征向量时，识别率的提高被限制在一定程度上，因为虹膜图像的 信息丢失增加。因此，当产生特征向量时，需要防止信息丢失，同时保持特 征向量的最小容量。
图6b表示从图6a所示的特征值的分布实例中产生二进制特征向量的量 化函数。如图6a所示，从其大小看，提取的(M+N-1)维特征向量大多数均匀 分布在1和-1之间。接着，将图6a所示的K级量化函数应用到特征向量产 生二进制向量。由于通过方程1的过程仅能获得特征值的符号，因此可以理 解的是，有关大小的信息被丢弃了。这样，为了接收特征向量的大小，本发 明使用了4级量化过程。
如上所述，为了有效地将通过4级量化产生的特征向量与注册的特征向 量进行对比，量化级的权重如下面的方程2所示：
[方程2]
fn＝4 if f(n)≥0.5(4级)
fn＝1 if 0.5＞f(n)≥0(3级)
fn＝-1 if 0＞f(n)＞-0.5(2级)
fn＝-4 if f(n)≤-0.5(1级)
式中，fn是用户先前注册的特征向量fR或从用户眼睛图像的虹膜图像产 生的用户特征向量fT的第n维。如何使用方程2中表示的权重的解释如下：
当第n维特征值f(n)等于或大于0.5(4级)时，如果数值是“11”， 则第i维fRi或fTi的数值被转换并指定为4。当第n维特征值f(n)大于0并 小于0.5(3级)时，如果数值是“10”，则第i维fRi或fTi的数值被转换并指 定为1。当第n维特征值f(n)大于-0.5并小于0(2级)时，如果数值是“01”， 则第i维fRi或fTi的数值被转换并指定为-1。当第n维特征值f(n)等于或小 于-0.5(1级)时，如果数值是“00”，则第i维fRi或fTi的数值被转换并 指定为-4。这是由于权重被应用到如方程2表示的各个数值上，因为它适于 以下的本发明验证方法。
图7是通过特征向量之间的相似性检测识别用户真实性的程序的流程 图。参看图7，在步骤710中，从用户眼睛图像的虹膜图像产生用户的特征 向量fT。在步骤720，搜索先前注册的用户特征向量fR。在步骤730，为了 检测两个特征向量之间的相似性，基于方程2，根据二进制特征向量的数值 将权重赋予特征向量fR和fT。
在步骤740，计算两个特征向量的内积或标积S，并最终检测相似性。 在一般用于确定用户注册特征向量fR和特征向量fT之间关系的方法中，两个 特征向量的内积S可以显示最直接的关系。即，当在步骤730中将权重赋予 特征向量的各个数据时，两个特征向量的内积S用于检测两个向量之间的相 似性。
下面的方程3用于计算两个特征向量的内积：
[方程3]
$S=\underset{i}{\overset{n}{\Sigma }}{f}_{\mathrm{Ri}}{f}_{\mathrm{Ti}}=f_{R1}+f_{T1}+f_{R2}{f}_{T2}+...+f_{\mathrm{Rn}}{f}_{\mathrm{Tn}}$
式中，fR是已经注册的用户特征向量，fT是从用户眼睛的虹膜图像中产 生的用户特征向量。
根据上述过程，如同根据各个维数从虹膜图像中关于提取的特征向量的 数值产生二进制向量的方法，可以维持根据特征向量数值的符号量化得到的 一个效果。即，像Hamming距离一样，可以表达0和1之间的差别。当两个 特征向量关于每个维数具有符号相同的数值，正值加到两个特征向量的内积 S上。否则，负值加到两个向量的内积S上。因此，如果两个数据属于同一 个人，则两个特征向量的内积S增大；而如果两个数据不属于同一个人，则 特征向量的内积S减小。
在步骤750，根据从两个特征向量内积S得到的相似性判断用户的真实 性。此时，基于检测的相似性判断用户的真实性是根据以下的方程4：
[方程4]
If S＞C，then TRUE or else FALSE
式中，C是验证两个特征向量之间相似性的基准值。
即，如果两个特征向量的内积等于或大于验证基准值C，则确定用户为 注册者。否则，确定用户为未注册者。
如上所述，本发明利用Daubechies小波变换识别人虹膜的方法的优点 在于，与使用传统Harr小波变换的方法相比，明显减小了FAR和FRR，因为 通过Daubechies小波变换从输入的虹膜图像信号中提取虹膜特征。
并且，为了验证注册的和提取的特征向量fR和fT之间的相似性，计算两 个特征向量的内积S，并且基于计算两个向量内积S得到的相似性判断用户 的真实性。因此，提供了一种检测特征向量之间相似性的方法，其中可以将 形成低容量特征向量可以产生的信息丢失降低到最小程度。
上面所述的仅是体现本发明利用Daubechies小波变换识别人虹膜的方 法的实施例。本发明并不限于上述实施例。本领域的一般技术人员，在不偏 离权利要求限定的本发明技术精神和范围的情况下，可以对本发明做出各种 修改和变化。