基于虹膜身份识别的电力防误闭锁系统及防误闭锁方法

摘要

本发明公开了一种基于虹膜身份识别的电力防误闭锁系统及防误闭锁方法，其系统包括“五防”监控主机以及与其相接且对编码锁系统进行解锁控制的电脑钥匙，还包括与“五防”监控主机相接且由虹膜信息采集模块和主控模块组成的虹膜身份识别器；其电力防误闭锁方法包括步骤：一、虹膜图像获取；二、主控模块对所获取虹膜图像进行分析处理并实现自动个人身份认证即匹配，具体包括图像预处理、特征提取和特征匹配；三、“五防”监控主机根据主控模块所传送的匹配结果相应对电脑钥匙进行解锁控制。本发明设计合理、使用操作简便、操作方式灵活且识别精度最高、速度快、防伪能力最强，能有效解决现有电力防误闭锁系统所存在的多种缺陷和不足。

说明书

技术领域

本发明属于电力防误闭锁技术领域，尤其是涉及一种基于虹膜身份识别的电力防误闭锁系统及防误闭锁方法。

背景技术

变电站的电气误操作可能造成大面积停电、设备损坏、人身伤亡，甚至引起电网振荡瓦解等严重后果，我国电力系统在无数次血的教训面前，结合中外电气运行的实践，为了有效防止运行电气设备误操作引发的人身和重大设备事故，原水利电力部于1980年将防止电气误操作事故列为电力生产急需解决的重大技术问题发布。并在1990年提出了电气设备“五防”的要求，并以法规形式(能源安保[1990]1110号文)行文规定了电气防误的管理、运行、设计和使用原则。五防系指：①防止带负荷误拉、误合隔离开关；②防止误拉、误合断路器；③防止带地线或接地闸刀合闸；④防止带电挂接地线或合接地闸刀；⑤防止误入带电间隔。电气“五防”功能的实现成了电力安全生产的重要措施之一。随着电网的不断发展，技术的不断更新，防误装置得到不断改进和完善。

自1980年，原水电部提出在电力系统中要防止五种恶性电气误操作事故，倡导采用五防技术措施以来，在国内出现的常规防误闭锁方式主要有4种：机械闭锁，程序锁，电气联锁和电磁锁。其中电气联锁是建立在二次操作回路上的一种防误功能，通过开关和刀闸的辅助接点和电气线路而形成的闭锁电路，而电磁锁则作为闭锁的执行元件，所以两者是互相依存的。这些闭锁方式在防误工作中发挥了积极作用，经过20年使用和运行考验，各种传统闭锁方式的优缺点均已充分显示。

上述传统的防误闭锁方式各有所长，各有其短，都有一定的应用范围，防误功能也都有一定的局限性。①传统的防误闭锁方式主要通过相关设备的辅助接点联接来实现闭锁，闭锁可靠；但需要接入大量的二次电缆，接线方式较为复杂，运行维护较为困难；②传统的防误闭锁方式一般只能防止开关、隔刀和地刀的误操作，对误入带电间隔、接地线的挂接(拆除)等则无能为力；③在大型和主结线复杂的变电站中采用联动锁，由于有较多数量的钥匙聚散，将给倒闸操作，带来不便；④最后也是最主要的就是不能实现完整的“五防”功能。

自上世纪90年代出，微机技术就进入了防误闭锁领域，国内的电气设备厂相继推出了微机防误闭锁装置。经过10多年来的发展，这些微机防误闭锁装置已逐渐成熟，并已在电力系统中广泛推广。微机防误系统通过软件将现场大量的二次闭锁回路变为电脑中的五防闭锁规则库，实现了防误闭锁的数字化，并可以实现以往不能实现或者是很难实现的防误功能，应该说是电气设备防误闭锁技术的最新技术和飞跃。虽然微机防误闭锁方式是防误闭锁的发展方向，但其存在的固有弱点不能不引起我们的重视。

除设备可靠性原因以外，从误操作的过程来看，误操作有三个部分组成，运行人员、检修人员以及其它人员的误操作造成.微机防误只是针对运行人员的误操作主要发生在误拉、误合刀闸和开关、误入间隔等容易造成恶性事故而设计的，它只能满足运行人员的操作要求，并不能完全解决检修人员和其它人员的误操作问题.对于检修人员，误操作主要发生在检修、试验过程中，不在微机防误系统的控制之内.对于老变电所而言，可以在改造过程中适当保留部分老的闭锁方式来解决；对于新变电所直接安装微机防误装置而言，则该问题现在只能依靠管理手段来解决.另外，变电所二次部分的操作在防误系统中虽有体现，但并不包含在操作规则之内，即没有闭锁，只能依靠运行人员的技术水平和责任心来保证此部分不出问题.

目前，微机五防操作系统对于操作人员的身份认证方案一般是采用操作时进行密码认证的方式，如果密码正确，才能允许进行相应权限的操作，否则禁止操作，由于密码认证方式本身存在难管理、易丢失、使用繁琐的缺点，往往不能对非法操作人员进行有效的控制和记录，经常会出现如下问题：

1>、由于密码保管不善，导致无操作权限的人员非法登录，违规进行操作；

2>、由于使用人员忘记登录密码，导致无法进行防误操作；

3>、由于密码管理不善，导致操作人员进行超过自身权限的操作，如非法修改逻辑关系、非法修改系统配置等；

4>、操作密码与操作人员很难做到一一对应，无法进行有效的记录，出现问题后无法责任到人。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种接线方便、设计新颖且工作性能安全可靠、错误率低的电力防误闭锁系统。

为解决上述技术问题，本发明采用的技术方案是：一种基于虹膜身份识别的电力防误闭锁系统，包括“五防”监控主机以及与“五防”监控主机相接且相应对编码锁系统进行解锁控制的电脑钥匙，其特征在于：还包括与“五防”监控主机相接的虹膜身份识别器，所述虹膜身份识别器包括虹膜信息采集模块和与虹膜信息采集模块相接且对所采集信息进行分析处理并实现自动个人身份认证的主控模块，所述主控模块分别与“五防”监控主机相接。

所述虹膜信息采集模块包括用于摄取虹膜图像的光学镜头、设置在光学镜头前部且与光学镜头配合使用的滤光镜、设置在光学镜头周侧的辅助光源、对辅助光源的光照强度进行控制的辅助光控模块以及对光学镜头所摄取的虹膜图像进行放大、滤波和数字化处理并相应对辅助光控模块进行控制的图像信号处理器，所述光学镜头与图像信号处理器相接，图像信号处理器分别与主控模块和辅助光控模块相接，辅助光控模块与辅助光源相接。

所述主控模块为ARM9微处理器。

所述ARM9微处理器为微处理器S3C2410。

所述图像信号处理器与主控模块间通过USB接口进行连接。

另外，本发明还提供了一种方法步骤简单、反应速度快且智能化能度高的基于虹膜身份识别的电力防误闭锁的方法，其特征在于该方法包括以下步骤：

步骤一、虹膜图像获取：采用虹膜信息采集模块采集操作人员眼部的虹膜图像且将所述采集的虹膜图像同步发送至主控模块；

步骤二、主控模块对所接收到的虹膜图像存储至存储器中，且同步对所述虹膜图像进行分析处理并实现自动个人身份认证，其分析处理过程如下：

201、图像预处理，其主要包括以下步骤：

2011、虹膜图像定位：在对所述虹膜图像进行定位时，先通过主控模块分别确定虹膜的内外边界线，所述内外边界线分别为虹膜与瞳孔的边界线和虹膜与巩膜的边界线且所确定出的内外边界线均为椭圆，之后根据所确定的内外边界线将处于瞳孔与巩膜间的虹膜部分图像从所述虹膜图像中分离出来，获得虹膜部分图像；

2012、图像灰度标定及增强处理：采用主控模块对所分离出来的虹膜部分图像进行灰度标定及增强处理；

2013、图像归一化处理：采用主控模块对经灰度标定及增强处理后的虹膜部分图像进行归一化处理，将虹膜部分图像的环形区域线性拉伸为矩形区域，获得矩形虹膜部分图像；

202、特征提取：采用主控模块所述矩形虹膜部分图像中提取出能代表并区别该矩形虹膜部分图像的一组独特参数，并对该组独特参数进行编码；

203、特征匹配：采用主控模块将步骤202中提取并编码的一组独特参数与在所述存储器中预先存储的已知虹膜特征参数进行匹配，当提取并编码的一组独特参数与所述已知虹膜特征参数中的任一种参数相匹配时，匹配结果为“通过”；否则，匹配结果为“拒绝”；所述已知虹膜特征参数存储在所述存储器中对应的虹膜特征参数数据库内；所述主控模块将匹配结果同步上传至“五防”监控主机；

步骤三、“五防”监控主机根据主控模块所传送的匹配结果，相应对电脑钥匙进行解锁控制。

上述步骤2011中所述的通过主控模块确定虹膜的内外边界线时，先确定虹膜的内边界线且确定虹膜的内边界线时，包括以下步骤：

步骤1)、利用阈值法确定瞳孔区域并对所确定的瞳孔区域进行填充；

步骤2)、利用canny算子获得所填充瞳孔区域的边界，在所获得瞳孔区域的边界中随机选取多个点计算内边界线对应椭圆的中心以及长轴和短轴的长度；

确定虹膜的内边界线后再确定虹膜的外边界线，且确定虹膜的外边界线时，沿所述内边界线的多个边界点在水平方向向两边寻找，找到高斯滤波后灰度方差大于预设阈值的多个对应点，作为外边界线的边界点，并且利用已找出的多个对应点计算外边界线对应椭圆的中心以及长轴和短轴的长度，所述预设阈值为4～7。

上述步骤2012中所述的采用主控模块进行灰度标定及增强处理时，采用基于商图象的标定增强方法进行灰度标定及增强处理，且其标定及增强处理过程包括以下步骤：

步骤I、获取样本图像集：先确定三种不同强度的光照，并在三种不同强度光照条件下采集多个虹膜图像样本作为标定用样本图像，且将每个样本图象转换为矢量形式；所采集的样本图象集为A＝{A₁，A₂，...，A_N}，其中N为所采集样本图象的数量，A_i为[I_i¹，I_i²，I_i³]为其中一个样本图像在所述三种光照条件下的合成数据且I_i^j分别为该样本图像在所述三种光照条件下的图像矢量，A为N个不同虹膜图像样本在三种线性无关的光源下的图像集，若令则A＝{I₁，I₂，I₃}；其中，i＝1、2、3...N，j＝1、2、3；

步骤II、求解步骤2011中分离出来的虹膜部分图像的商图像，其求解过程如下：

(a)利用公式求解N维向量v_i，其中i＝1、2、3...N，y_s＝ρ_yn^Ts为均匀光源s照射下虹膜部分图像的矢量函数，式中ρ_y表示所述虹膜部分图像中任一点的表面反射率，n^T表示该点的表面法向量，s为均匀光源；

(b)通过方程组：

$\left(\begin{array}{ccc}{\alpha }_1(v_1^T{A}_1^T{y}_s-y_S^T{y}_s)& +...+{\alpha }_N{v}_N^T{A}_1^T{y}_s& =0\\ {\alpha }_1{v}_1^T{A}_2^T{y}_s& +...+{\alpha }_N{v}_N^T{A}_2^T{y}_s& =0\\ .& ...& .\\ .& ...& .\\ .& ...& .\\ {\alpha }_1{v}_1^T{A}_N^T{y}_s& +...+{\alpha }_N(v_N^T{A}_N^T{y}_s-y_S^T{y}_s)& =0\end{array}\right)$求解α_i，其中i＝1、2、3...N；

(c)通过公式对α_i进行转换且此时且当时，能量函数的函数值最小；能量函数式中x为3维向量，即{x₁，x₂，x₃}；

(d)通过公式计算能量函数f(x)函数值最小时对应的三维向量x；

(e)利用公式对每个对应像素点进行相除后，获得商图像；

步骤III、计算得出所述虹膜部分图像进行标定及增强处理时的标定公式为式中z_i是控制标定后的图像光照值且为笛卡尔积且其表示图像中每个对应像素点相乘。

上述步骤202中采用主控模块(4-2)进行特征提取时，其特征提取过程主要包括以下步骤：

(L)采用2D-Gabor滤波器对经步骤201中所述图像预处理进行处理后得到的虹膜部分图像进行滤波处理，获得其中I(x，y)表示滤波前的虹膜部分图像；g^e(x，y)与g^o(x，y)分别为2D Gabor滤波器的实部和虚部，且$g^e(x,y)=\frac{1}{2\pi {\sigma }_x{\sigma }_y}\exp (-\frac{1}{2}\frac{x_1^2+y_1^2}{{\sigma }^2})\cos \left(2\pi {\mathrm{fx}}_1\right),$$g^o(x,y)=\frac{1}{2\pi {\sigma }_x{\sigma }_y}\exp (-\frac{1}{2}\frac{x_1^2+y_1^2}{{\sigma }^2})\sin \left(2\pi {\mathrm{fx}}_1\right),$

其中x₁＝xcos(θ)+ysin(θ)，y₁＝-xsin(θ)+ycos(θ)；f为正弦平面波的频率，其中K＝1、2、3...∞；*号表示卷积运算；

(M)采用LBP算法并通过测量0和1跳变的次数来对经2D-Gabor滤波器滤波后的虹膜部分图像进行LBP编码，进行LBP编码时，采用公式：

${\mathrm{LBP}}_P=\left(\begin{array}{cc}{\Sigma }_{j=0}^{P-1}s(g_j-g_c)& \mathrm{ifU}\left({\mathrm{LBP}}_P\right)\le 2\\ P+1& \mathrm{otherwise}\end{array}\right)$

其中，P为所取邻域内的像素数；g_i表示所取区域内的像素点，g_c表示所取区域内的中心点；

(N)通过对所述虹膜部分图像中的每个像素点求其LBP特征编码，便得到一幅LBP特征图。

上述步骤203中所述的采用主控模块进行特征匹配时，主要包括以下步骤：

2031、剔除遮挡并获取共同区域：

利用公式code_available＝code∩mask_object∩mask_sample，找出对经特征提取后的虹膜部分图像即待测目标图像和预先存储在所述虹膜特征参数数据库中的已知虹膜特征参数对应的已知类别虹膜标准图像的共同有效区域；式中，Code为编码图，mask_object待测目标图像的LBP特征图，mask_sample为已知类别虹膜标准图像的LBP特征图；

2032、获取特征矢量：先将待测目标图像或已知类别虹膜标准图像的多张特征编码图中的共同区域均先转换成列矢量，之后再将列矢量拼接成一个特征矢量，便可获得待测目标图像与已知类别虹膜标准图像各自对应的特征向量；

2033、降维：对步骤(P)中所获得的待测目标图像与已知类别虹膜标准图像各自对应的特征向量分别进行降维，即对各自所对应的特征矢量分别进行PCA变换，选取能量达95％的系数所构成的矢量的部分元素作为分类识别用特征；

2034、识别：采用最小距离分类法将待测目标图像的特征矢量X同预先存储的所有已知类别虹膜标准图像的特征矢量进行比较并相应进行分类，进行比较时，采用归一化欧式对特征矢量X与第i类已知类别虹膜标准图像特征向量间的距离进行测定，当且仅当成立时，所述待测目标图像被分入第i类已知类别虹膜标准图像；否则，所述待测目标图像不能被分入第i类已知类别虹膜标准图像；式中，m_kⁱ，σ_kⁱ分别表示第i类已知类别虹膜标准图像第k个特征的均值和标准方差。

本发明与现有技术相比具有以下优点：

1、所用基于虹膜身份识别的电力防误闭锁系统接线方便、设计新颖且工作性能安全可靠、错误率低。虹膜作为重要的身份鉴别特征，具有唯一性、稳定性、可采集性、非侵犯性等优点。非侵犯性(或非接触式)的生物特征识别是身份鉴定研究与应用发展的必然趋势，与脸像、声音等非接触式的身份鉴别方法相比，虹膜具有更高的准确性。虹膜识别的错误率是各种生物特征识别中最低的。

2、所采用的虹膜信息采集模块使用操作方式灵活、低成本、所获得图像清晰，且经过不断地更新换代，可以在20-30cm距离范围内通过语音提示、主动视觉反馈等技术采集到合格的虹膜图像。

3、采用基于商图象的标定增强方法进行灰度标定及增强处理可以抑制光照不均匀的影响，得到光照度比较一致的虹膜图像，并且具有较好的对比度，利于识别率的提高。

4、具有识别精度最高，速度快，防伪能力最强的优点，将其应用到操作人员的身份认证上，能从技术手段上避免出现现有电力防误闭锁系统所存在的多种缺陷和不足，通过在变电站内分布一定数量的虹膜身份认证设备，在操作过程中适当地对操作人员身份进行强制再确认，如身份确认无误，才能继续进行操作，否则将禁止操作人员继续进行操作，并对用户所处间隔的正确性进行提示和确认，如所在间隔正确，则允许继续进行操作，否则提示用户间隔错误，并禁止操作人员继续进行操作，从而有效地对操作人员进行控制，并能进一步有效防止误操作的发生.

综上所述，本发明设计合理、使用操作简便、操作方式灵活且识别精度最高、速度快、防伪能力最强，能有效解决现有电力防误闭锁系统所存在的多种缺陷和不足。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明基于虹膜身份识别的电力防误闭锁系统的原理框图。

图2为本发明基于虹膜身份识别的电力防误闭锁方法的流程图。

附图标记说明：

1-“五防”监控主机；  2-电脑钥匙；           3-编码锁系统；

4-虹膜身份识别器；    4-1-虹膜信息采集模     4-11-光学镜头；

                      块；

4-12-滤光镜；         4-13-图像信号处理器；  4-14-辅助光源；

4-15-辅助光控模块；   4-2-主控模块。

具体实施方式

如图1所示的一种基于虹膜身份识别的电力防误闭锁系统，包括“五防”监控主机1以及与“五防”监控主机1相接且相应对编码锁系统3进行解锁控制的电脑钥匙2，还包括与“五防”监控主机1相接的虹膜身份识别器4。所述虹膜身份识别器4包括虹膜信息采集模块4-1和与虹膜信息采集模块4-1相接且对所采集信息进行分析处理并实现自动个人身份认证的主控模块4-2，所述主控模块4-2与“五防”监控主机1相接。所述编码锁系统3包括智能锁具、遥控闭锁继电器、电编码锁、机械编码锁等多种编码锁。

本实施例中，所述虹膜信息采集模块4-1包括用于摄取虹膜图像的光学镜头4-11、设置在光学镜头4-11前部且与光学镜头4-11配合使用的滤光镜4-12、设置在光学镜头4-11周侧的辅助光源4-14、对辅助光源4-14的光照强度进行控制的辅助光控模块4-15以及对光学镜头4-11所摄取的虹膜图像进行放大、滤波和数字化处理并相应对辅助光控模块4-15进行控制的图像信号处理器4-13，所述光学镜头4-11与图像信号处理器4-13相接，图像信号处理器4-13分别与主控模块4-2和辅助光控模块4-15相接，辅助光控模块4-15与辅助光源4-14相接。

所述主控模块4-2为ARM9微处理器，并且所述ARM9微处理器为微处理器S3C2410。所述图像信号处理器4-13与主控模块4-2间通过USB接口进行连接。

结合图2，本发明基于虹膜身份识别的电力防误闭锁方法，包括以下步骤：

步骤一、虹膜图像获取：采用虹膜信息采集模块4-1采集操作人员眼部的虹膜图像且将所述采集的虹膜图像同步发送至主控模块4-2。

步骤二、主控模块4-2对所接收到的虹膜图像存储至存储器中，且同步对所述虹膜图像进行分析处理并实现自动个人身份认证，其分析处理过程如下：

201、图像预处理，其主要包括以下步骤：

2011、虹膜图像定位：在对所述虹膜图像进行定位时，先通过主控模块4-2分别确定虹膜的内外边界线，所述内外边界线分别为虹膜与瞳孔的边界线和虹膜与巩膜的边界线且所确定出的内外边界线均为椭圆，之后根据所确定的内外边界线将处于瞳孔与巩膜间的虹膜部分图像从所述虹膜图像中分离出来，获得虹膜部分图像。

本实施例中，通过主控模块4-2确定虹膜的内外边界线时，先确定虹膜的内边界线且确定虹膜的内边界线时，包括以下步骤：

步骤1)、利用阈值法确定瞳孔区域并对所确定的瞳孔区域进行填充；

步骤2)、利用canny算子获得所填充瞳孔区域的边界，在所获得瞳孔区域的边界中随机选取多个点计算内边界线对应椭圆的中心以及长轴和短轴的长度；

确定虹膜的内边界线后再确定虹膜的外边界线，且确定虹膜的外边界线时，沿所述内边界线的多个边界点在水平方向向两边寻找，找到高斯滤波后灰度方差大于预设阈值的多个对应点，作为外边界线的边界点，并且利用已找出的多个对应点计算外边界线对应椭圆的中心以及长轴和短轴的长度，所述预设阈值为4～7。

实际使用过程中，通常随机选取边界线上的5个点即可求出边界线对应椭圆的中心以及长轴和短轴的长度。例如求取内边界线时，随机选取内边界上的5个点且要求这5个点两两之间的距离大于10个像素。

设内边界线对应椭圆的方程如下：Ax²+2Bxy+Cy²+Dx+Ey+1＝0，将选取5个点的坐标带入上述椭圆方程，解方程组即可得到系数A、B、C、D和E。

设内边界线对应椭圆的圆心坐标为(u，v)，可将方程写成：

A(x-u)²+2B(x-u)(y-v)+C(y-v)²+f＝0

与一般方程式对比，有$-2\left(\begin{array}{cc}A& B\\ B& C\end{array}\right)\left(\begin{array}{c}u\\ v\end{array}\right)=\left(\begin{array}{c}D\\ E\end{array}\right)$

由此可算出椭圆的圆心(u，v)，在无旋转的情况下椭圆方程为：

$\frac{{(x-u)}^2}{a^2}+\frac{{(y-v)}^2}{b^2}=1$

令同时在内边界上再找两点，设其坐标分别为(x₁，y₁)，(x_y，y_y)，通过下式算得(L₁，L₂)，

$\left(\begin{array}{cc}{(x_1-u)}^2& {(y_1-v)}^2\\ {(x_2-u)}^2& {(y_2-v)}^2\end{array}\right)\left(\begin{array}{c}{L}_1\\ L_2\end{array}\right)=\left(\begin{array}{c}1\\ 1\end{array}\right)$

得到相应便求出：由此得到内边界线对应椭圆的圆心以及长轴和短轴的大小。

2012、图像灰度标定及增强处理：采用主控模块4-2对所分离出来的虹膜部分图像进行灰度标定及增强处理。

步骤2012中所述的采用主控模块4-2进行灰度标定及增强处理时，采用基于商图象的标定增强方法进行灰度标定及增强处理，且其标定及增强处理过程包括以下步骤：

步骤I、获取样本图像集：先确定三种不同强度的光照，并在三种不同强度光照条件下采集多个虹膜图像样本作为标定用样本图像，且将每个样本图象转换为矢量形式；所采集的样本图象集为A＝{A₁，A₂，...，A_N}，其中N为所采集样本图象的数量，A_i为[I_i¹，I_i²，I_i³]为其中一个样本图像在所述三种光照条件下的合成数据且I_i^j分别为该样本图像在所述三种光照条件下的图像矢量，A为N个不同虹膜图像样本在三种线性无关的光源下的图像集，若令则A＝{I₁，I₂，I₃}；其中，i＝1、2、3...N，j＝1、2、3；

步骤II、求解步骤2011中分离出来的虹膜部分图像的商图像，其求解过程如下：

(a)利用公式求解N维向量v_i，其中i＝1、2、3...N，y_s＝ρ_yn^Ts为均匀光源s照射下虹膜部分图像的矢量函数，式中ρ_y表示所述虹膜部分图像中任一点的表面反射率，n^T表示该点的表面法向量，s为均匀光源；

(b)通过方程组：

$\left(\begin{array}{ccc}{\alpha }_1(v_1^T{A}_1^T{y}_s-y_S^T{y}_s)& +...+{\alpha }_N{v}_N^T{A}_1^T{y}_s& =0\\ {\alpha }_1{v}_1^T{A}_2^T{y}_s& +...+{\alpha }_N{v}_N^T{A}_2^T{y}_s& =0\\ .& ...& .\\ .& ...& .\\ .& ...& .\\ {\alpha }_1{v}_1^T{A}_N^T{y}_s& +...+{\alpha }_N(v_N^T{A}_N^T{y}_s-y_S^T{y}_s)& =0\end{array}\right)$求解α_i，其中i＝1、2、3...N；

(c)通过公式对α_i进行转换且此时且当时，能量函数的函数值最小；能量函数式中x为3维向量，即{x₁，x₂，x₃}；

(d)通过公式计算能量函数f(x)函数值最小时对应的三维向量x；

(e)利用公式对每个对应像素点进行相除后，获得商图像；

步骤III、计算得出所述虹膜部分图像进行标定及增强处理时的标定公式为式中z_i是控制标定后的图像光照值且为笛卡尔积且其表示图像中每个对应像素点相乘。

2013、图像归一化处理：采用主控模块4-2对经灰度标定及增强处理后的虹膜部分图像进行归一化处理，将虹膜部分图像的环形区域线性拉伸为矩形区域，获得矩形虹膜部分图像。

本实施例中，进行归一化处理时，采用以下公式表征：

I(x(ρ，θ)，y(ρ，θ))→I(ρ，θ)

$\left(\begin{array}{c}x(\rho ,\theta )=(1-\rho )\times x_p\left(\theta \right)+\rho \times x_i\left(\theta \right)\\ y(\rho ,\theta )=(1-\rho )\times y_p\left(\theta \right)+\rho \times y_i\left(\theta \right)\end{array}\right)$

其中，(x_p(θ)，y_p(θ))和(x_i(θ)，y_i(θ))分别为在θ方向上虹膜内边缘和外边缘的点，θ∈[0，2π]，ρ∈[0，1]。

归一化后图像矩阵的大小由θ，ρ的步长确定，本发明所取角度步长Δθ为0.005-0.01，径向步长Δρ为0.001-0.005，具体取值可根据采集时的分辨率确定。

202、特征提取：采用主控模块4-2所述矩形虹膜部分图像中提取出能代表并区别该矩形虹膜部分图像的一组独特参数，并对该组独特参数进行编码。

本实施例中，采用主控模块4-2进行特征提取时，其特征提取过程主要包括以下步骤：

(L)采用2D-Gabor滤波器对经步骤201中所述图像预处理进行处理后得到的虹膜部分图像进行滤波处理，获得其中I(x，y)表示滤波前的虹膜部分图像；g^e(x，y)与g^o(x，y)分别为2D Gabor滤波器的实部和虚部，且$g^e(x,y)=\frac{1}{2\pi {\sigma }_x{\sigma }_y}\exp (-\frac{1}{2}\frac{x_1^2+y_1^2}{{\sigma }^2})\cos \left(2\pi {\mathrm{fx}}_1\right),$$g^o(x,y)=\frac{1}{2\pi {\sigma }_x{\sigma }_y}\exp (-\frac{1}{2}\frac{x_1^2+y_1^2}{{\sigma }^2})\sin \left(2\pi {\mathrm{fx}}_1\right),$

其中x₁＝xcos(θ)+ysin(θ)，y₁＝-xsin(θ)+ycos(θ)；f为正弦平面波的频率，其中K＝1、2、3...∞；*号表示卷积运算；

(M)采用LBP算法并通过测量0和1跳变的次数来对经2D-Gabor滤波器滤波后的虹膜部分图像进行LBP编码，进行LBP编码时，采用公式：

${\mathrm{LBP}}_P=\left(\begin{array}{cc}{\Sigma }_{j=0}^{P-1}s(g_j-g_c)& \mathrm{ifU}\left({\mathrm{LBP}}_P\right)\le 2\\ P+1& \mathrm{otherwise}\end{array}\right)$

其中，P为所取邻域内的像素数；g_i表示所取区域内的像素点，g_c表示所取区域内的中心点；

(N)通过对所述虹膜部分图像中的每个像素点求其LBP特征编码，便得到一幅LBP特征图。

203、特征匹配：采用主控模块4-2将步骤202中提取并编码的一组独特参数与在所述存储器中预先存储的已知虹膜特征参数进行匹配，当提取并编码的一组独特参数与所述已知虹膜特征参数中的任一种参数相匹配时，匹配结果为“通过”；否则，匹配结果为“拒绝”；所述已知虹膜特征参数存储在所述存储器中对应的虹膜特征参数数据库内；所述主控模块4-2将匹配结果同步上传至“五防”监控主机1。

本实施例中，采用主控模块4-2进行特征匹配时，主要包括以下步骤：

2031、剔除遮挡并获取共同区域：

利用公式code_available＝code∩mask_object∩mask_sample，找出对经特征提取后的虹膜部分图像即待测目标图像和预先存储在所述虹膜特征参数数据库中的已知虹膜特征参数对应的已知类别虹膜标准图像的共同有效区域；式中，Code为编码图，mask_object待测目标图像的LBP特征图，mask_sample为已知类别虹膜标准图像的LBP特征图；

2032、获取特征矢量：先将待测目标图像或已知类别虹膜标准图像的多张特征编码图中的共同区域均先转换成列矢量，之后再将列矢量拼接成一个特征矢量，便可获得待测目标图像与已知类别虹膜标准图像各自对应的特征向量；

2033、降维：对步骤(P)中所获得的待测目标图像与已知类别虹膜标准图像各自对应的特征向量分别进行降维，即对各自所对应的特征矢量分别进行PCA变换，选取能量达95％的系数所构成的矢量的部分元素作为分类识别用特征；

2034、识别：采用最小距离分类法将待测目标图像的特征矢量X同预先存储的所有已知类别虹膜标准图像的特征矢量进行比较并相应进行分类，进行比较时，采用归一化欧式对特征矢量X与第i类已知类别虹膜标准图像特征向量间的距离进行测定，当且仅当成立时，所述待测目标图像被分入第i类已知类别虹膜标准图像；否则，所述待测目标图像不能被分入第i类已知类别虹膜标准图像；式中，m_kⁱ，σ_kⁱ分别表示第i类已知类别虹膜标准图像第k个特征的均值和标准方差。

步骤三、“五防”监控主机1根据主控模块4-2所传送的匹配结果，相应对电脑钥匙2进行解锁控制。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。