虹膜识别系统和通过识别虹膜识别人的方法

摘要

本发明公开了一种虹膜识别系统和通过虹膜扫描而识别生物体身份的方法。系统的特征在于有一包括抓取虹膜图象以建立虹膜图象信号的照相机的虹膜图象获取单元。虹膜图象获取单元由控制单元操作,其接口连接有数据处理单元用于将输入的图象信号预处理为处理后信号。处理后数据由从参数组中选择的一系列的用于虹膜识别的一个参数所表示,此参数组包括(1)采用频率变换方法的虹膜纤维结构的密度和结构;(2)瞳孔反射;(3)瞳孔的形状;(4)自主神经环反射;(5)自主神经环的形状:(6)暗点的存在;(7)暗点的位置:和(8)暗点的形状。控制单元可操作用于将处理后数据同参数比较以判断是否表示有匹配的识别确认。

说明书

技术领域

本发明涉及虹膜识别系统和通过使用虹膜图象确认生物体身份的方法。尤其是，本发明涉及一种检测一个或多个识别参数而进行虹膜识别的方法，这些参数关于虹膜纤维结构、自主神经环(ANW)和瞳孔的形状以及它们对光的自发反射、和虹膜图象的暗点的存在、形状和位置。

背景技术

公知的用于识别一个特定的人的虹膜识别系统是将从人眼的虹膜部分采取的图象信号的虹膜代码与从数据库中检索到的相关虹膜信息进行比较从而根据比较的结果接受或拒绝一个特定的人。但是，这种传统的虹膜识别系统还没有达到可以接受的高识别精度。

此外，因为各种虹膜识别系统在区别其观察到的是否是一个活的人体的真的虹膜方面有局限，由于对伪造的虹膜图象错误识别的高风险性，它就不能安全地用于某些系统，诸如：银行业系统、电子结算系统等。

本发明的目的在于使用一种具有高精度的虹膜识别系统检验个人的身份。

另一个目的是通过分析虹膜具有的多种特征而达到高的识别精度。

因此，本发明的一个目的是通过根据获自虹膜图象的虹膜纤维结构、由光引起的瞳孔和自主神经环的反射、自主神经环和瞳孔的形状以及暗点的存在、位置和形状决定一系列的的虹膜识别参数而迅速清楚地识别生物体的虹膜。

根据本发明，通过虹膜扫描确认生物体身份的系统包括用于接收识别生物体的被识别者信息的控制单元，和包括控制单元可访问的数据库的数据存储单元，该数据库包含有可识别人体的预定的个人信息用于同被识别者的信息相比较。虹膜图象获取单元，包括由控制单元操作的照相机，当被识别者信息符合预定信息时，照相机开始抓取虹膜图象以建立输入图象信号。一个数据处理单元将输入的图象信号预处理为处理后数据。对每一可识别的人体，存储单元包括至少具有从一组参数中选择的用于虹膜识别的预存储的一系列参数之一，该组参数包括(1)采用频率变换方法的虹膜纤维结构的密度和纹理形态；(2)瞳孔反射；(3)瞳孔的形状；(4)自主神经环反射；(5)自主神经环的形状；(6)暗点的存在；(7)暗点的位置；和(8)暗点的形状。控制单元可操作用于将处理后数据同参数比较以决定是否表示有匹配的身份确认。

本发明的优点在于，照相机被设置成可拍摄生物体的双眼的结构。数据处理单元分别将每只眼的图象输入信号处理成处理后信号。以这种方式，通过虹膜扫描确认生物体的身份而达到一个较高识别精度是可以实现的。

访问识别系统时，被识别者先将被识别者信息输入给系统。在某实施例中，可以使用读卡单元、输入键单元或者类似的单元输入被识别者信息数据，在其中PIN(个人识别码)或一些其它的特定识别符号被用于访问此系统。利用声音启动系统也是可能的。

虹膜图象获取单元最好包括由控制单元操作的光源用于配合照相机连续获取一系列的虹膜图象以建立输入图象信号。最理想的情况是通过光照使虹膜收缩，而图象采集的连续性使得系统能够拍摄到这一收缩，需要的话，还可以获得随后的扩张扩张。光源最好是红外线光源。

根据另一个本发明的独特特征，系统的特征在于虹膜图象获取单元和控制单元间的一个接口使得照相机可以基于访问包含有翻译成定位数据的用户的身体特征的数据库中预定的个人信息而与用户的眼睛自动对准。

如上所述，系统最好能够分析属于虹膜特征的不同参数。但是本发明的操作中只是通过拍摄和分析前述的过程参数之一或者全部参数集合的一个子集合来确认用户身份。

用于分析虹膜纤维结构的密度和纹理形态的独特技术包括利用Haar(海雾)变换的频率变换方法。根据当前一最优实施例。本发明公开一种采用Haar变换函数的可变多区域谱变换系统。采用此独特方法，从虹膜图象中选择的一个图象被分为多个区域，其中对每一区域用一个Haar变换函数系数计算。这种谱分析的多区域系统的优点在于能够排除某些因干扰，例如，由于缺陷的存在或眼皮、睫毛的干扰等等，而引起的混淆的虹膜区域。这些缺陷可通过高频系数的产生和通过相邻区域系数间的预定的尖锐变化显现出来。于是，相邻区域分析使得Haar变换独特地应用于虹膜识别技术上。

利用Haar变换，最好结合选择表示所选的低频区域的Haar系数，从而可能建立一个具有前所未有的高识别精度的虹膜参考记录。

在某实施例中，本发明利用一系列连续的虹膜图象产生一个通过曲线表示虹膜随时间收缩和扩张的瞳孔直方图或瞳孔图。本发明公开了通过分析瞳孔图的梯度变化分析瞳孔图的新技术从而作为一个进一步提高识别的精度的方法。本发明的特征还在于分析瞳孔的边界、形状和朝向，从而成为一个进一步提高识别的精度的方法。

本发明还处理关于自主神经环的形状和反射以及暗点的存在、位置和形状的信息(如果有)，从而作为一个提高识别的精度的进一步的方法。

本发明还考虑了并使前述的系统虹膜识别参数的分析用于虹膜识别以外的系统和应用成为可能。以下情况是在本发明的范围之下的，例如，建立一个用于检测个人是否使用毒品或酒精的系统。在此类型的系统中，提供了一种用于接收识别生物体的被识别者信息的控制单元，数据存储单元，包括控制单元可访问的数据库，该数据库包含有一个可识别人体的预定个人信息用于同被识别者的信息比较。虹膜图象获取单元，包括由控制单元操作的照相机，当被识别者信息符合预定信息时，照相机开始抓取虹膜图象以建立输入图象信号。数据处理单元将输入的图象信号预处理为处理后数据。控制单元可处理作为输入图象信号处理结果而取得的数据表示对光刺激的虹膜瞳孔的平均收缩和扩张时间，从而判断是否处理后数据表示目前的或近来的麻醉剂。此系统是以如下发现为前提，即当人在被酒精或毒品麻醉时的瞳孔图的曲线形状与人没有服用酒精或毒品时的曲线形状是不同的。人的左眼和右眼的直方图的曲线的曲率特征是一个进一步测定目前或近来的麻醉剂的方法。近来或目前麻醉的人的曲线的曲率特征不同于没有服用酒精或毒品时的人的曲线的曲率特征。

本发明基于对上述的虹膜识别参数的独特选择，还公开了用于确定生物体身份或用于测定人体中至少存在一种毒品和酒精的方法。

对于本技术领域的技术人员，本发明的其它目的和优点将会容易地在以下说明中显现。其中仅介绍和说明了本发明的最优实施例，仅采用了说明实现本发明的最好方式。还要认识到本发明可以有其它和不同的实施例，可以在不偏离本发明的情况下，在各种显而易见的方面修改其一些细节。因此，附图和说明书基本上被认为是说明性的而非限制性的。

附图的简要说明

图1A是本发明的识别人体虹膜的举例的系统的方块图；

图1B是表示图1A实施例的虹膜图象获取单元的实施例的照相机和其照明系统的立体侧视图；

图2是表示取自图1B中的用于图1B中的虹膜图象获取单元的视觉指示器的局部参考图；

图3是图2中的视觉指示器的详细视图；

图4是表示图2中的向用户眼睛反射视觉引导光的视觉指示器的参考视图；

图5是图1B系统的第二透镜的前视图；

图6是通过计算机控制，执行虹膜图象获取单元抓取图象信号的实施例的流程图；

图7是图6的照相机高度调整的实施例的流程图；

图8是表示用于虹膜分析的输入图象信号的选择区(x)的虹膜图象的示意图；

图9是解释本发明的虹膜识别方法的全部操作的高级流程图；

图10A-10C是图9流程图的详细的后续流程图；

图11是表示在某角度θ的虹膜和自主神经环的运动的虹膜动态图象的例子；以及图12是其形式为瞳孔直方图或瞳孔图和变换为一维数据的自主神经环数据随时间的变化，表示图11的瞳孔的半径的相关图。；

图13是提取了虹膜图象边缘的自主神经环和暗点的示意图；

图14是图13的采用中(Medial)轴变换变换为一维数据的自主神经环和暗点的示意图；

图15是Haar蝴蝶状结构的变换流程图的示意图；

图16是表示谱转换的可变多区域系统的虹膜图象的示意图；

图17是瞳孔平均半径随时间变化的另一瞳孔图的示意图；和

图18是包含要被提取的瞳孔特征信息的瞳孔的示意图。

附图的详细说明

图1A是本发明的识别活生物体的虹膜的系统14的方块图；活生物体包括任何具有可识别的虹膜的活的生物，包括人和动物。系统14最好包括读卡单元40，其通过访问卡的信息记录介质可读出并识别记录在存储有个人卡号的卡上的信息。键输入单元50，有一系列的键用于输入PIN，相应于每个键的输入产生电信号。虹膜图象获取单元20有一系列的光源根据特殊控制信号的预定顺序相继自动闪烁使得具有自动聚焦功能的照相机抓取若干秒钟的虹膜动态图象(如以一秒钟产生多于25帧的速度)。驱动单元30提供虹膜图象获取单元20用于照亮和通过提供一个特殊的用于电机的控制信号来调整照相机位置所需的动力。

数据处理单元60对虹膜图象获取单元20抓取的输入图象信号进行预处理。数据存储单元80形成数据库用于存储一系列的分别同每个个人卡号或每个人的PIN相联系的识别参数，包括1)可从个人虹膜的图象信号中提取的虹膜纤维结构的密度和纹理形态，2)自主神经环(ANW)对光刺激产生的运动，3)瞳孔对光刺激产生的运动，4)自主神经环的形状，5)瞳孔的形状，6)暗点的存在、位置和形状。控制单元70通过检索数据库中的卡号或由读卡单元或键输入单元输入或读取的PIN确定用户的身份从而识别一特定人的虹膜，从而获取虹膜动态图象，根据个人信息自动调整照相机的位置，并测定一系列的虹膜识别参数用于根据图象信号查明用户的身份。在此情况下，不仅特定人的虹膜信息而且每个人的附加信息(例如，当抓取虹膜图象时，个人身高信息正比于照相机的高度，或对每个人最合适的照相机高度)都可以被存储在数据存储单元80中，从而此单元80可以通过读取附加信息自动调整照相机的高度。

图1B是双眼照相机和照明系统的一部分的立体侧视图，表示对图1A中的虹膜图象获取单元20的示意图。虹膜图象获取单元20在所需位置上安置有照相机16和一系列的第一和第二透镜11和12用于抓取虹膜图象。最好是使用具有可变抓取区域(柔性区域)的照相机16用于自动聚焦。而且，最好是使用具有焦距大于5mm的第二透镜12以防止由于用户的眼皮、睫毛、眨眼的运动造成的自动聚焦功能的降低。最好为每只眼安置第一和第二透镜。

虹膜图象获取单元20还安置有视觉引导单元18(见图2-4)用于通过使用户的眼睛定位于同图1B中的虹膜图象获取单元20连接的照相机的中央部分，从而防止虹膜偏向一边。而且，在一些情况下，可以使用侧边的光源用于初始的自动聚焦和亮度调整。图2是来自图1B的参考视图用于表示视觉指示器，图3详细表示了图2中的视觉指示器。图4是表示图2中的视觉指示器的操作的参考视图，其将光线从视觉引导光源L4反射到用户的眼睛。

如图2-4所示，视觉引导单元可以由发射细的蓝光或红光的引导光源L4组成(也由标号17表示)用于引导用户的视线。反射单元18b反射远离照相机16中央部位的光源17的光线，支撑单元18a支撑对准透镜的中心的反射单元。在此情况下，支撑单元18a最好是由透明的玻璃状材料构成以便即使安装在透镜的中心也可以避免影响虹膜图象。反射单元18b有一定的倾斜度和一镜状表面以把来自视觉引导光源L4的光线反射到用户的眼睛。

图5是图1B的第二透镜12的前视图。在第二透镜12前表面的某一位置，安置有一闪烁光源L3(12b)，它刺激瞳孔和自主神经环的运动(即收缩或扩张)。一系列的红外光源L2(12a)被环形安置或沿透镜12的外围环状排列并通过软件控制使得照相机16抓取虹膜图象和清楚的瞳孔图象。闪烁光源12b最好是由软件控制的蓝光二极管以便以一短的循环周期自动闪烁。

图6是由计算机控制执行的虹膜图象获取单元20抓取图象信号的实施例的流程图。在调整步骤S61中，照相机位置(高度)根据卡号或PIN从数据库中检索出的信息进行调整，一系列的光源(12a和17)被同时打开用于自动聚焦和将用户的眼睛吸引到目标透镜上。在步骤S62中，用户的眼睛通过使用照亮的光源17引导到目标透镜上。照相机的自动聚焦发生在步骤S63。在步骤S67中，通过光源12b以一短循环周期闪烁数秒(S66)引起瞳孔和虹膜的自主神经环的运动而获得自主神经环和运动的瞳孔的动态图象。在步骤S68中，所有的照明光源在前述的步骤S61-S68后熄灭。

图7是图6的步骤S61中的调整照相机高度的详细流程图，流程图包括以下步骤：输入卡号或PIN(S71)；通过在数据库中检索输入的卡号或PIN(S72)获得关于相关的人的照相机高度信息；在将获得的照相机高度信息同目前的照相机高度信息比较后通过电机的前向或反向的旋转(S73)使照相机调整到适合于相关的人的高度。

图8是虹膜图象的示意图用于表示根据本发明的一实施例的要求作虹膜分析的输入图象信号的选择区域(X)。选择用于分析虹膜的区域应包括至少一部分自主神经环10b和全部瞳孔10a。此外，选择区(X)最好是清楚可见的部分并且不受眼皮，睫毛等的影响，以及设置在大于虹膜直径的三分之一小于虹膜直径的二分之一的范围内。

图16是本发明的一最佳实施例中的采用可变多区域谱分析系统进行虹膜图象分析的示意图，更详细的信息如下。可变多区域谱分析系统使得在分析中可选择虹膜的可见部分，而不被干扰所混淆，从而增加了识别过程的可靠性。眼睛孔径的解剖特征和眼皮的肿胀是可以识别并可以排除的。事先不能被预计到的边缘缺陷或干扰如眨眼是可以识别并可以排除的。

图9是表示本发明的全部虹膜识别方法的高级流程图，图10A-10C是图9的高级流程图步骤的详细的后续流程图。

如图10A-10C所示，在根据本发明的虹膜识别方法中，通过包括一个或多个以下过程可以得到各种不同的实施例。首先，卡号或PIN确认过程S101-S103通过根据相应的号从数据库中检索和获得个人信息而查明用户的身份。在输入卡号或PIN后，图象获取过程S104-S105通过根据在确认过程和控制一系列光源过程中获得的用户个人信息而调整照相机的位置从而获得动态虹膜图象。

现对根据本发明可以获得并分析的不同识别参数进行说明。虹膜纤维结构的密度和纹理形态

虹膜纤维结构确认过程S106-S110用于在通过对在前述过程获得的选择的静态的虹膜图象进行Wavelet(小波)变换而变换适合虹膜分析的区域的图象信号从而决定识别参数之后，根据相应的识别参数查明用户的身份。此变换可以应用于同可变多区域谱分析系统相联系的图8的区域或在如下所述的图16的单个区域。

在本发明的实施例中，虹膜纤维结构确认过程由以下步骤组成：通过对虹膜图象的动态信号的预处理选择适合于虹膜图象分析S106、S107(图10A)的区域(选择区域X；基本包括一部分自主神经环和全部瞳孔，在大于虹膜直径的三分之一小于虹膜直径的二分之一的范围内)。通过二维Wavelet变换(如Harr变换)变换选择区的选择的静态图象信号后，在步骤S108中，从表示虹膜纤维结构的密度和纹理形态的特殊信息的Wavelet变换系数决定识别参数；在步骤S109,S110，通过从数据库中检索相关的参数确认用户的身份。Wavelet变换

通常，虹膜纤维结构的密度和纹理形态因人而异。如果包含有关于密度信息的Wavelet变换(尤其是，如Haar变换的Wavelet变换)主要是在低频率区域进行的，那么，特别是二维Haar变换系数的低频率部分具有虹膜纤维结构的密度和纹理形式的大部分信息。

通过对如上所述的所选择的虹膜图象信号进行Wavelet变换决定频率特征，将表示频率特征的二维Haar变换的所选择的低频率系数选定为识别参数，从而选择了具有虹膜纤维结构的密度和纹理形态的大部分信息的低频率部分。

本发明中应用的Haar变换是对称、可分、一元的，并且采用根据尺寸(范围)和位置而变化的下述的Haar函数。

一个附加的Haar函数定义如下：

φ_m,n[t]=2^-m/2φ[2^-mt-n],m,n∈Z为了简化谱分析算法，最优实施例排除了归一化因子2^-m/2。因此，上述函数定义为

φ_m,n[t]=φ[2^-mt-n],m,n∈Z

此函数也称为正负号Haar函数。函数的两个数决定函数的排列顺序。

在本发明中当决定实际的Haar变换时，由于图象的尺寸很大，需要大量的计算；但是计算效率由于采用了蝴蝶状结构的变换流程图而大大地提高了。

如图15所示(其中n=8)为通过表示蝴蝶状结构的变换流程图的正负号Haar函数进行快速谱转换算法的图形描述。表示要被变换的象素值P0-P7沿图中的垂直轴排列。

在流程图中，基于下述方程右边的每个后续级的值依赖于前面的值：

X[n]=(x[n]+x[m])/2；

X[m]=(x[n]-x[m])在此m=n+1以及X[n]是象素n的亮度。

采用蝴蝶状结构的变换流程图的结果使得Haar函数的谱转换过程比以前的过程操作快了200多倍。可变多区域分析

如下所述为采用Haar函数的谱转换的可变多区域系统。可变多区域系统最好是采用上述图8所公开的区域选择方法。在虹膜的一些部分或虹膜的大的可见部分以眨眼、眼皮和睫毛形式偶尔发生的干扰不可用于分析。干扰或虹膜的不可见部分减少了用于比较的区域的数目导致降低了人识别的可靠性。

图象分析开始时，将虹膜图象分为如图16所示的外环100和包括瞳孔120的内环区域。将外环100与圆区域分离的边界被设置在距离虹膜圆点50个象素的位置。在其它实施例中可采用多于或少于50个象素的值。外环的外边界大约开始在巩膜-虹膜边界处。外环的直径可以由于许多因素而变化，诸如：个体间的不同虹膜尺寸、获得虹膜图象的不同范围等等。由于在瞳孔120和外环100之间的与外环100和区域110相关的虹膜部分以不同的速度收缩和扩张，对内环和外环应用不同的归一化因子。

在目前的最优实施例中，每个区域100、110最好沿径向被分为大小相等的扇区。总共32个扇区由标号I_0-31表示。对32个扇区I_0-31中的每一个，采用如上所述的Wavelet变换，计算1024个Haar函数系数，形成32×32的矩阵。但是，在本发明的范围内在所有扇区的扇区总数(n+p)、在每个单个扇区(n,p)的扇区数、扇区的大小和Haar函数系数的数量可以变化。也就是，每个扇区可以有不同的扇区(n,p)数，即，区域110可以在径向分为10个扇区(p=10)而外环100可以在径向分为16(n=16)个扇区。

接着，被由通常分别表示上下眼皮的标号13A和13B所示的眼皮所关闭或干扰的扇区或者睫毛被通过相邻扇区的系数比较而排除。在比较相邻的扇区系数时，如果观察到高频系数的尖锐变化，此扇区就被作为缺陷而被排除。参见图16，通过从将扇区0和15分离，将扇区7和8分离的水平线开始，4个扇区为一组，顺时针或逆时针进行相邻扇区比较。以这种方式，比较扇区I₀-I₃,I₇-I₄,I₈-I₁₁和I₁₅-I₁₂。

例如，比较扇区I₀和I₁的高频系数，如果差值没有超过预定的高频系数的阀值，扇区I₁被认为是好的。扇区I₀被认为是好的或者在分析被眼皮所遮挡的瞳孔时，它会被排除。接下来，比较扇区I₁和I₂，如图16所示，眼皮边界位于扇区I₂，扇区I₂的边界会导致差值超过扇区高频系数阀值从而排除扇区I₂。在排除扇区I₂后，扇区I₃同样被排除，在余下的四等分的扇区中，重复相同的过程。

在从分析中删去已排除的扇区后，选择全部1024个系数的子集。选择的系数的数目由几个因素决定。过多的系数会无谓地增加数据库的容量，太少的系数又会恶化识别的质量。此外，因为图象亮度的改变使一些系数相应地变化以及一些高频系数包含太多的噪音，一些系数没有被选择。作为实验的结果，一最优实施例采用从1024个Haar系数的32×32矩阵中选择的31个系数。选择的系数在矩阵的特定位置如下：(0,1),(1,0),(1,1),(0,2),(0,3),(2,0),(3,0),(1,2),(1,3),(2,1),(3,1),(0,4),(0,5),(0,6),(0,7),(4,0),(5,0),(6,0),(7,0),(1,4),(1,5),(1,7),(4,1),(5,1),(6,1),(7,1),(2,2),(3,2),(2,3)和(3,3)。在不同实施例中可采用多或少的系数数目。

从32个扇区I₀-I₃₁的每一个中选择的31个系数使得建立一个虹膜的参考记录约1K字节的大小。记录的第一个32位包含扇区排除分析结果。

新的虹膜图象的识别以上述的参考图象的相同方式进行。获得的特征记录与数据库中的所有虹膜参考记录比较。输入的和参考的虹膜系数间的差值的逐扇区累加。由于系数的归一化，总和值在0至2的范围内。总和值1表示一个绝对的灰度图象。0表示扇区谱的完全一致，2表示谱的模数相同符号相反。

在直接实验以后，测定到由于虹膜的蠕动(虹膜的一些区域的迅速自发的运动)一些区域不同于参考区域。因此，最好是只有那些总和值小于1的扇区用于虹膜图象分析。在此情况，蠕动破坏的扇区被增加到拒绝的扇区中并从识别尝试中排除。对每只眼睛，用于虹膜图象分析的最小扇区数是10，采用较少的扇区会使识别质量相应地降低。为了强化差值，比较扇区系数的结果被相乘。因此，如果识别的图象与参考图象相一致，结果值就趋近于0，反之，不同图象结果值将在几百或几千的范围。

从Haar变换的结果，由于低频谱系数包含更多的虹膜纤维结构的密度和纹理形态的信息，将实验选择的低频区的系数用于识别过程。自主神经环和瞳孔反射

图10B的瞳孔和自主神经环反射确认过程S111-S116通过检测获得的虹膜的动态图象中的瞳孔和自主神经环经相关的识别参数查明用户的身份。然后采用检测的动态图象信号中的瞳孔和虹膜的动态反射(收缩和扩张)决定识别参数。

进而，在本发明的实施例中，瞳孔和自主神经环的反射确认过程包括以下步骤：通过计算获得的虹膜的动态图象的中央部分(图10B的S111、S112)检测瞳孔区；计算自主神经环区(S113)；在计算检测区的运动的瞳孔和自主神经环的反射(扩张或收缩)的时间后分别决定用于识别活的瞳孔和自主神经环的识别参数；以及通过检索数据库(S115,S116)的相关参数确认用户的身份。

图11是表示在某角度θ的瞳孔10a和自主神经环自主神经环的运动的虹膜图象的例子；图12是说明转化为一维数据的平均瞳孔半径R1、在某θ角度的瞳孔半径R2和在某θ角度的自主神经环的半径R3随时间变化的示意图。在图示中，第一时刻“t1”表示光源闪烁的操作时间，第二时刻“t2”表示R1的开始收缩的时间，第三时刻“t3”此时平均瞳孔半径为最小，第四时刻“t4”此时瞳孔半径在某角度θ为最小，第五时刻“t5”此时自主神经环的在某角度θ的半径为最小。因此，作为这些动态图象的比较结果，各识别参数可以通过瞳孔自主神经环对光的自发反射而获得。

基于上述目的，当瞳孔收缩时，如果瞳孔半径的移动超过了某一百分比(如：大于5％)，本发明就利用考虑的表示生物体的预定的参考值。必须根据获取的虹膜动态图象检测瞳孔的边缘以便观察瞳孔的运动。目前，通过采用对称中心搜索算法决定大致的虹膜中心后检测虹膜的边缘是可能的。

采用此方法，即使虹膜图象不是在其中心处获得而是向左或右边偏离，也可能无误地识别虹膜。

当虹膜图象太倾向一边而不能被识别，可再次获取图象。并且，当获取的是其它图象而不是虹膜图象时，在许多情况下在真图象和伪图象间区别开是可能的。在上述的对称中心搜索算法中，根据图象的水平和垂直线获得下述的函数F(i)。$$ >>F>>(>i>)>>=>>\Sigma >>k>=>->N>>N>>\phi >>(>k>)>>x>>(>i>+>k>)>>>$$在此，其中，N是图象直线的长度，x(i)是水平或垂直线的第‘i’象素的亮度，当i≤0时x(i)=x(0)，当i≥N时x(i)=x(N)。

在此情况下，使函数F(i)的绝对值最小化的定义域(i)在对称的中心。对水平和垂直线应用这些方法后，最小化函数F(i)的绝对值的定义域(i)的交叉点设置在对称的中心。如果水平和垂直线的定义域(i)没有交叉，而是分开的，尤其是它们偏离一定的范围，这意味着获得的图象不是虹膜图象或虹膜图象过于偏向右边和左边；因此，在进行进一步的识别前应重新抓取图象。

在从上述的虹膜获取图象的情况下，闪烁的光源12b引起瞳孔和自主神经环的收缩和扩张。瞳孔和自主神经环的运动不在同时发生，根据每个人显示不同的类型。这种从不在同时发生的运动获得的瞳孔和自主神经环反射(图11和12)的参数被用于识别。

参见图17，瞳孔图或瞳孔直方图表示对应于在时间T₀的光的闪烁的瞳孔的平均收缩和扩张。垂直轴表示瞳孔的幅度或半径。水平轴表示始于T₀的时刻或光闪烁的时刻。T_L是对应于光闪烁的瞳孔收缩和扩张的时刻；T_L-T₀是瞳孔响应潜伏时间。A_L是光闪烁前的瞳孔的平均半径。T_M是瞳孔收缩到最小半径A_M的时刻，减去潜伏时间的瞳孔收缩时间是T_M-T_L或T_P。T₁和T₂分别是动态虹膜图象第40帧和第70帧的时刻，A₁和A₂分别是在时刻T₁和T₂的相应的瞳孔半径。S_P是在T_L和T_M间瞳孔收缩的速度。D_AB是沿在T_L和T_M间瞳孔收缩曲线的直线距离。％A₁是在T₁的瞳孔扩张距离或A_l-A_m同平均瞳孔扩张距离或A_L-A_m的比率。％A₂是在T₂的瞳孔扩张距离或A₂-A_m同平均瞳孔扩张距离或A_L-A_m的比率。

因为使用毒品或酒精的人的瞳孔图不同于未使用毒品或酒精的人的瞳孔图。瞳孔图可被用于检测个人使用毒品和/或酒精。使用毒品的人的瞳孔图中瞳孔收缩时间慢于瞳孔收缩到最小半径的时间，T_M。使用酒精的人的瞳孔直方图与未使用酒精的人相比更平缓。也就是说，酒精使用者的D_AB较小。并且，酒精使用者的％A₁和％A₂较小。

为了检测在人体中的毒品和/或酒精的存在，用瞳孔直方图检测每个瞳孔(左和右)的参数D_AB,D_P,T₂-T₀,T_M,％A₁和％A₂的值，还计算了每个参数的左右眼间的比值。检测和计算的值然后同正常的未使用毒品或酒精的人的值比较，正常人的值得自实验。如果检测参数值比正常人值低或小得多，就检测出了毒品和酒精的使用。如果检测参数值约等于或超过正常人值，就未检测出毒品和酒精的使用。这是因为毒品和酒精使用者的瞳孔反射更慢并同未使用毒品和酒精的人比较瞳孔收缩较小。

而且，人的左右瞳孔的反射率可以用于测定人体内毒品和/或酒精的存在。在如上所述的计算后，比较左右瞳孔的前面定义的D_AB,S_P,T₂-T₀,T_M,％A₁和％A₂的比率。如果比率比1∶1大得多或小得多，多于15％，就检测出毒品和/或酒精的使用。毒品使用者的左右瞳孔的反射是不相同的，因此左右瞳孔反射率的显著差异是使用毒品和/或酒精的表示。自主神经环&瞳孔形状

根据检测的自主神经环和瞳孔的形状，决定识别参数后，自主神经环和瞳孔形状确认过程S117-S119就通过检测选择的虹膜图象外的自主神经环和瞳孔查明用户的身份。本发明通过使用应用于选择虹膜图象信号的中轴变换，独特地测定了自主神经环的形状。本发明通过采用现有技术的边缘检测和曲线拟合算法独特地测定了瞳孔的形状。自主神经环

而且，在本发明的各实施例中，自主神经环和瞳孔确认过程可包括以下步骤：步骤S117(图10B和10C)从选择虹膜图象信号检测自主神经环和瞳孔；步骤S118基于通过如上所述的用中轴变换变换检测的自主神经环的二维图象信号得到的自主神经环形状和通过边缘检测和曲线拟合算法得到的瞳孔形状计算识别参数；步骤S119、S120通过从数据库中检索相应的识别参数确认用户的身份。

图13是表示从虹膜图象检测的边缘的自主神经环10b和暗点10d的示意图，图14是图13的采用中(Medial)轴变换变换为一维数据的自主神经环和暗点的示意图。

例如，具有特殊形状的目标的中轴变换是在多于两点处切于目标的圆的圆心的轨迹。换句话说，它是离目标边界最近的点的轨迹。

因此，既然可能通过中轴变换将二维目标变换为一维数据，这就可以应用在识别自主神经环形状和瞳孔的形状和位置上。

图18是瞳孔和虹膜的形状、位置和识别参数的示意图。

本发明中，采用公知技术边缘检测算法独特地检测了瞳孔的形状。在图18中一般用标号10a表示瞳孔的边缘。并且，在图18中分别用标号10i和10h表示虹膜和瞳孔的中心被通过几何方法确定并用做识别参数。虹膜中心和瞳孔中心的分开的方向和距离，通常用标号10j表示，被用作识别参数。

还有，许多瞳孔在形状上不是完全的圆形，许多是椭圆长轴方向变化的椭圆形。在一最优实施例中，本发明用公知技术的曲线和形状拟合算法独特地测定瞳孔离心率的方向和大小。参见图18，分别由标号10m和10n表示瞳孔椭圆的长轴和短轴。瞳孔的离心率用短轴10n同长轴10m的比率表示。在图18中一般由标号10f表示的沿瞳孔周长的平缓部分以及分别由10g和10e表示的瞳孔移进移出的区域可以作为进一步的识别参数被识别和特征化以便增进识别的质量。暗点测定

暗点确认过程S121-S127通过判断暗点是否存在，如果存在检测暗点区以及基于检测的暗点的位置和形状测定识别参数，而被用于查明用户的身份。

此外，根据本发明在虹膜的识别方法中，暗点确认过程可以通过包括如图10C所述的下列一系列的过程中的至少一个过程而应用于上述的实施例中：第一暗点确认过程S121，及后续步骤S125-S129，通过基于获得的虹膜选择的静态图象判断暗点是否存在，如果暗点存在，用中轴变换变换暗点区的图象信号，并基于变换结果外的暗点的位置和形状测定识别参数从而查明用户的身份。如果暗点不存在，第一暗点确认过程结果导致第二暗点确认过程S122-S124的发生。其中如果在重新判断参考虹膜中是否存在暗点后，在参考虹膜中没有暗点就可以接受用户；反之，如果在参考虹膜中存在暗点，就将用户作为不适合者而拒绝。

此外，在本发明的每个实施例中，第一暗点确认过程可以包括步骤：步骤S121(图10C)通过从获得的虹膜的静态图象信号测定虹膜图象的边缘而判断暗点是否存在；步骤S125在如果判断结果为暗点存在就测定暗点区；步骤S126在用中轴变换变换测定暗点区的二维图象信号后给出暗点的形状和位置计算识别参数；步骤S127-S129通过在数据库中检索相关的参数确认用户的身份。

还有，在本发明的各实施例中，第二暗点确认过程可包括以下步骤：步骤S121判断在输入图象中是否存在暗点；如果在输入图象上暗点不存在，步骤S122重新判断在参考虹膜中是否存在暗点；步骤S123，如果在参考虹膜中不存在暗点就接受，步骤S124，如果在参考虹膜中存在暗点就拒绝。

上述解释的本发明的操作和达到的效果将通过一实例表示。

首先，通过读卡单元40读入卡号或键输入单元50的按键输入用户的PIN。执行卡号和PIN确认过程通过在控制单元70中的存储单元80中检索卡号或PIN判定是否存在相应的号码。

如果没有对应号码，用户被当做不可识别的用户而被拒绝。如果发现对应的卡号，控制单元70将用户作为可识别的用户而接受，然后根据卡号或PIN在读出附加个人信息后将控制信号传送给电机驱动单元30以将照相机调整到合适的高度。此时，控制信号比较目前的照相机位置和适合用户的照相机位置间的差别，然后通过前向或反向驱动电机自动调整照相机的高度。此外，两眼间的宽度也可根据每个用户调整。

下面，控制单元70通过控制虹膜图象获取单元20打开红外光源12a执行初始自动聚焦的调整。视觉指示器18通过打开视觉引导光源17引导用户从而防止虹膜图象偏向一边。于是，在抓取图象时，引导光源17(即细的蓝色光源)将抓取的人的虹膜图象的视点固定在透镜的中央部位。

虹膜的动态图象在以短循环周期操作闪烁光源12b若干秒而获得。然后所有的光源熄灭。

虹膜图象的获取应该是这样的，即它可以通过用某软件短时间地控制闪烁光源12b表明瞳孔和自主神经环的变化的形状。基于此目的，在本发明中获取的虹膜图象每秒种多于25帧。

如上所述，在数据处理单元60中获取的虹膜连续图象被预处理。在选择适合于虹膜分析的区域后选择相应区域的图象信号。在最优实施例中，在上面详细介绍的可变多区域谱变换系统，通过逐扇区进行分析。在另一实施例中，用于分析虹膜的区域是包括全部瞳孔的水平带状区域，如图8所示，即不受被识别的人眼皮、睫毛等影响的清楚可见的部分。

控制单元70通过仅采用选择的低频部分进行虹膜纤维结构确认过程而查明用户的身份，上面对此已详细介绍。

接着，在控制单元70中执行瞳孔和自主神经环反射确认过程，如果闪烁光源12b引起瞳孔和自主神经环的收缩和扩张，表示是活的生物体，瞳孔和自主神经环反射确认过程就执行以接受的获取的图象；在分析来自虹膜动态图象的瞳孔和自主神经环的反射后，没有运动，表示不是活的生物体就拒绝获取的图象。通过上述的中轴变换(或Grass-fire技术)将选择静态虹膜图象中的每个人的具有不同特征的自主神经环区的二维图象信号转变为一维数据。如上所述，瞳孔的特殊特征也被识别和比较。

控制单元70然后执行第一和第二暗点确认过程，识别暗点是否存在，如果存在，识别位置和形状的识别方法最终确认用户的身份。如自主神经环的中轴变换的结果所示，通过图象处理过程将暗点从图13和图14选择的虹膜静态图象中提取出暗点：当暗点形状通过边缘检测清楚可见时，通过中轴变换将暗点的形状和位置用一维数据表示，用暗点形状和位置作为识别参数。

由于本发明通过用从虹膜动态图象获得的虹膜纤维结构和纹理形态、瞳孔和自主神经环对光的反射、自主神经环和瞳孔的形状、暗点的存在、形状和位置作为一系列的测定虹膜的识别参数而迅速精确地识别出非伪造的活人体的虹膜，从而本发明提供了一种辨别特定的人的方法，因此本发明有很多的优点，它在应用在银行业系统和电子交易/清算系统时可以防止金融事故，在应用于访问控制系统时避免与安全相关的事故。