一种视网膜识别系统的制作方法

本发明涉及生物识别领域，具体涉及一种视网膜识别系统。

背景技术：

视网膜是位于人类眼球后部的生物特征，人类的视网膜各不相同，即使是孪生子抑或时同一人的左右眼，视网膜的血管分布都是不同的，因此视网膜是具有唯一性的生物特征，而且除非患有眼疾或者受到严重的脑外伤，视网膜的结构形式在人的一生中都是不会变化的，具有极强的稳定性，相比于体表的指纹、掌纹，视网膜的稳定性可谓时另一个数量级。

现有技术中，对于视网膜的识别主要有基于血管以及基于细节点的识别方法，其鲁棒性也比较理想，但是若视网膜存在病灶区，视网膜的血管信息往往被破坏，在后续提取特征点时将面临极大的困难，而且如果视网膜血管分布情况复杂的话没，利用基于血管的方法来进行视网膜识别的效果往往不如人意，因为在血管分割不准确会导致后续步骤难以准确进行。

技术实现要素：

针对上述问题，本发明旨在提供一种视网膜识别系统。

本发明的目的采用以下技术方案来实现：

一种视网膜识别系统，包括视网膜图像采集模块、预处理模块、降噪模块、视网膜数据库和匹配识别模块，所述视网膜图像采集模块与所述预处理模块连接，用于采集目标人员的初始视网膜图像；所述预处理模块与所述降噪模块有线连接，用于对初始视网膜图像进行增强处理；所述降噪模块与所述匹配识别模块有线连接，用于降低增强后的视网膜图像的噪声；所述视网膜数据库与所述匹配识别模块连接，存储有标准的视网膜图像；所述匹配识别模块对降噪后的视网膜图像进行特征点提取，以及将得到的特征点与标准视网膜图像的特征点进行匹配对比。

本发明的有益效果为：本发明克服了血管分割的视网膜识别方法导致的形变问题，可对视网膜图像的特征点准确提取，大大提高了本视网膜识别系统的准确率。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的框架结构图；

图2是本发明的视网膜图像采集模块的框架结构图。

附图标记：

视网膜图像采集模块1、预处理模块2、降噪模块3、视网膜数据库4、匹配识别模块5、激光发射器101、护眼镜片102、视网膜摄像头103。

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，包括视网膜图像采集模块1、预处理模块2、降噪模块3、视网膜数据库4和匹配识别模块5，所述视网膜图像采集模块1与所述预处理模块2连接，用于采集目标人员的初始视网膜图像；所述预处理模块2与所述降噪模块3有线连接，用于对初始视网膜图像进行增强处理；所述降噪模块3与所述匹配识别模块5有线连接，用于降低增强后的视网膜图像的噪声；所述视网膜数据库4与所述匹配识别模块5连接，存储有标准的视网膜图像；所述匹配识别模块5对降噪后的视网膜图像进行特征点提取，以及将得到的特征点与标准视网膜图像的特征点进行匹配对比。

优选地，参见图2，所述视网膜图像采集模块包括激光发射器101、护眼镜片102、视网膜摄像头103，所述激光发射器101向目标人员的眼球发射激光，所述护眼镜片102设置在激光发射器102前。

优选地，所述预处理模块、降噪模块和匹配识别模块均采用DSP芯片。

本发明上述实施例，克服了血管分割的视网膜识别方法导致的形变问题，可对视网膜图像的特征点准确提取，大大提高了本视网膜识别系统的准确率。

优选地，所述预处理模块利用改进的环形Gabor滤波器提取初始视网膜图像的方向不变性特征，计算出初始视网膜图像的类偏场，并将初始视网膜图像的类偏场从初始视网膜图像中去除，将得到的视网膜图像的灰度值归一化到1至255，具体为：

X1＝X0-H

其中，X2为归一化后的视网膜图像的灰度值，X1表示去除类偏场后的视网膜图像的灰度值，X1∈[-255，255]，H表示初始视网膜图像的类偏场，X0(m,n)表示初始视网膜图像，

为改进的环形Gabor滤波器，表示改进的环形Gabor滤波器的实数部分，

表示改进的环形Gabor滤波器的虚数部分，f(m,n)为各向同性的二维高斯函数，v为改进的环形Gabor滤波器的中心频率，m、n分别表示视网膜图像的横、纵坐标。

本发明上述实施例，对初始视网膜图像进行增强处理，很好地保持了高斯子空间中视网膜图像信息的完整性，有利于后续模块中描述因子的稳定提取，将视网膜图像的灰度值进行归一化处理，使得视网膜图像的灰度对比度增大，灰度分布更加均匀。

优选地，所述降噪模块利用平滑处理的方法对在增强初始视网膜图像的同时增强的噪声，利用单调递减的扩散函数来对视网膜图像的亮度和梯度进行选择，保持梯度值较大的边缘区域，得到平滑处理视网膜图像，平滑处理过程用数学公式表示为：

其中，div[·]表示散度算子，向量表示空间坐标，τ表示扩散过程的轮数，l表示亮度，表示扩散强度控制函数，是一个单调递减的函数。

本发明上述实施例，利用迭代的各项异性扩散平滑方法对增强后的视网膜图像进行平滑处理，一方面有利于去除视网膜图像中的噪声，使得图像更加清晰，提高后续模块中对特征点的提取的精确度，另一方面有利于保存图像的边缘信息。

优选地，所述匹配识别模块首先对视网膜图像的特征点进行检测，再将这些特征点与标准的视网膜图像特征点进行匹配评价，具体为：

(1)特征点提取：对降噪处理后的视网膜图像的每一个像素的16×16领域划分成一系列4×4的单元，将每个单元中的梯度方向统计到8个主方向中，即获得一个128维的特征向量，在高斯子空间中，利用高斯差分图像检测特征向量的极值点，选择稳定的极值点作为特征点，并计算这些特征点的主方向；

(2)特征匹配评价：利用自定义匹配得分函数δ对视网膜图像进行识别评价：

其中，α为像素领域，(m1,n1)、(m2,n2)分别表示两幅视网膜图像的像素坐标，T1、T2分别表示降噪处理后的视网膜图像的特征向量矩阵和标准视网膜图像的特征向量矩阵，i(m1,n1)表示降噪处理后的视网膜图像的匹配像素位移，p表示水平平移量，q竖直平移量，ρ为平移量参数，ρ＝300；

若δ＞C则说明，该视网膜图像与所匹配到的标准视网膜图像同源，否则异源，C匹配分数阈值。

本发明上述实施例，将匹配问题看作一个优化问题，自定义匹配得分函数由几部分构成来对视网膜图像匹配程度做出评价，如此有利于克服形变问题，提高视网膜系统的准确率，特征点数目相比于为处理前大大增多，兼顾相似性和像素位置关系。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。