專利名稱：基于圖像分割和二維小波變換的虹膜識別方法
技術(shù)領(lǐng)域：
基于圖像分割和二維小波變換的虹膜識別方法，屬于生物特征模式識別技術(shù)領(lǐng)域，特別涉及虹膜特征識別方法。
背景技術(shù)：
隨著信息技術(shù)的發(fā)展和電子商務(wù)的廣泛應(yīng)用，信息安全日漸成為人們面臨的一個(gè)重要而迫切的問題?？捎糜谏矸蓁b別、保護(hù)信息安全的生物特征識別技術(shù)越來越受到人們的重視。所謂生物特征識別技術(shù)是指通過計(jì)算機(jī)與光學(xué)、聲學(xué)和生物統(tǒng)計(jì)學(xué)等高科技手段密切結(jié)合，利用人體固有的生理特性和行為特征來進(jìn)行個(gè)人身份的鑒定。而虹膜特征識別技術(shù)就是利用人眼虹膜紋理的不同來進(jìn)行身份識別的。
人眼的虹膜中含有極豐富的信息。它的表面有一些類似于細(xì)絲、斑點(diǎn)、漩渦、冠狀等形狀的紋理。虹膜這些紋理具有唯一性，不同的人具有不同的虹膜紋理特性，即便是同一個(gè)人，它左眼和右眼的虹膜紋理特征都不一樣。因此，用這些紋理特征進(jìn)行身份識別是非常精確的。而且虹膜的紋理特征主要是由人還在胚胎時(shí)的環(huán)境所決定的，并且由于虹膜的外部有透明的角膜將其與外界相隔離，所以發(fā)育完全的虹膜不易受到外界的傷害而產(chǎn)生變化。因此虹膜識別具有絕對的可靠性。另外，由于瞳孔會根據(jù)光線的強(qiáng)弱發(fā)生變化，進(jìn)而牽動(dòng)虹膜形狀也跟著發(fā)生變化，利用這一點(diǎn)可以鑒別用于識別的虹膜樣本是否為活眼的虹膜，因此虹膜識別也具有較高的防偽性。正是由于虹膜紋理具有這些優(yōu)點(diǎn)，使得基于虹膜特征的身份識別技術(shù)在金融、電子商務(wù)，安全保衛(wèi)等各個(gè)方面都具有極大的應(yīng)用前景。
基于虹膜特征的身份識別技術(shù)在國外已經(jīng)獲得了蓬勃的發(fā)展，并且已經(jīng)逐步開展了虹膜識別的商品化過程。虹膜識別系統(tǒng)最初是由英國劍橋大學(xué)開發(fā)成功的。1993年，英國劍橋大學(xué)的John.G.Daugman給出了較完整的虹膜識別方法。這一方法準(zhǔn)確性高，速度快，是當(dāng)今世界上幾乎所有商用虹膜識別系統(tǒng)的理論基礎(chǔ)，他的開創(chuàng)性工作使得自動(dòng)的虹膜識別成為可能。1996年，普林斯頓的Wildes等人研制成功了基于區(qū)域圖像注冊技術(shù)的虹膜識別系統(tǒng)。1998年，昆士蘭大學(xué)的Boles等人提出了基于零交叉小波變換的虹膜識別方法。詳見文獻(xiàn)J.G.Daugman.High Confidence Visual Recognition of Persons by a Test of Statistical Independence.IEEE transactions on Pattern Analysis and Machine Intelligence，1993，15(11)1148-1161、文獻(xiàn)R.P.Wildes，J.C.Asmuth，G.L.Green，et al.A Machine-Vision System for Iris Recognition.Machine Vision and Applications，1996，9(1)1-8和文獻(xiàn)W.Boles，B.Boashah.A HumanIdentification Technique Using Images of the Iris and Wavelet Transform.IEEE transactions onSignal Processing，1998，46(4)1185-1188。
國內(nèi)對虹膜識別技術(shù)的研究起步較晚，在最近幾年內(nèi)也獲得了較快的發(fā)展。但與國外虹膜識別產(chǎn)業(yè)蓬勃興旺的發(fā)展勢頭相比，還是有一定差距。目前，中國科學(xué)院自動(dòng)化所已經(jīng)完成了虹膜識別的實(shí)驗(yàn)室階段的研究，并且申請了虹膜采集裝置的專利。上海交通大學(xué)、浙江大學(xué)、華中科技大學(xué)等也在進(jìn)行相關(guān)的研究，并也都取得了一定的研究成果。詳見文獻(xiàn)王蘊(yùn)紅，朱勇，譚鐵牛.基于虹膜識別的身份鑒別.自動(dòng)化學(xué)報(bào)，2002，28(1)1-10、文獻(xiàn)應(yīng)忍冬，徐國治.基于小波變換過零檢測的虹膜識別技術(shù).上海交通大學(xué)學(xué)報(bào)，2002，36(3)355-358和文獻(xiàn)陳良洲，葉虎年.一種新的虹膜識別算法研究.華北工學(xué)院測試技術(shù)學(xué)報(bào)，2000，14(4)211-216。
目前，國內(nèi)外已提出的虹膜識別方法中，已在實(shí)際應(yīng)用中取得了較好的識別效果的方法有1、Daugman的基于相位分析的虹膜識別方法。它采用Gabor小波濾波的方法編碼虹膜的相位特征。2D Gabor函數(shù)可以較好地達(dá)到頻率域和空間域的局部化，就是說在空間局部化的同時(shí)具有很好的頻率和方向選擇性。通過計(jì)算2D Gabor相位系數(shù)，可以有效地從紋理中提取連續(xù)和不連續(xù)的紋理信息。詳見文獻(xiàn)J.G.Daugman.High Confidence Visual Recognition ofPersons by a Test of Statistical Independence.IEEE transactions on Pattern Analysis and MachineIntelligence，1993，15(11)1148-1161。
2、Boles的過零點(diǎn)檢測的虹膜識別方法。它采用一維小波變換對沿虹膜中心同心圓的一條采樣曲線進(jìn)行過零點(diǎn)檢測，通過兩個(gè)自定義的相似度函數(shù)完成虹膜特征的分類。其理論基礎(chǔ)為Mallat的信號過零點(diǎn)描述重建理論。詳見文獻(xiàn)W.Boles，B.Boashah.A HumanIdentification Technique Using Images of the Iris and Wavelet Transform.IEEE transactions onSignal Processing，1998，46(4)1185-1188。
3、譚鐵牛，王蘊(yùn)紅等人的基于紋理分析的虹膜識別方法。該方法將虹膜的特征看作一種隨機(jī)紋理，從紋理分析的角度提取虹膜的局部特征。該方法采用Gabor濾波和以Daubechies-4小波為小波基的二維小波變換提取虹膜紋理特征，并用方差倒數(shù)加權(quán)歐氏距離方法進(jìn)行特征匹配，取得了較好的識別效果，詳見文獻(xiàn)王蘊(yùn)紅，朱勇，譚鐵牛.基于虹膜識別的身份鑒別.自動(dòng)化學(xué)報(bào)，2002，28(1)1-10。
上述3種虹膜識別方法雖然都取得了較好的識別效果，但仍有不完善的地方。方法1雖然取得了較高的識別精確度，但由于其提取的虹膜特征向量的維數(shù)較高，達(dá)到了2048維。因此對采集到的虹膜圖像的清晰度有較高的要求。方法2雖然克服了以往系統(tǒng)受漂移、旋轉(zhuǎn)和比例放縮帶來的局限，也對亮度變化及噪聲不敏感，并對采集圖像的質(zhì)量要求不是很高，但由于該算法只利用了一部分虹膜紋理特征信息，所以并沒有獲得較高的正確識別率。方法3采用了不同的紋理分析策略提取紋理特征，獲得了較快的運(yùn)行速度，但它對虹膜紋理描述比較粗糙，其正確識別率仍然不是很高。
評價(jià)一種虹膜識別方法的優(yōu)劣有兩個(gè)較重要的指標(biāo)識別率和運(yùn)行速度。通常，這兩個(gè)指標(biāo)是矛盾的。一種好的虹膜識別方法是要在滿足系統(tǒng)實(shí)時(shí)性要求的運(yùn)行速度的前提下，最大限度的提高識別率。

發(fā)明內(nèi)容
本發(fā)明提出的虹膜識別方法在滿足實(shí)時(shí)性要求的前提下獲得了較高的虹膜識別率。它通過圖像分割較好地慮除了虹膜紋理圖像中的噪聲干擾，再通過二維小波變換較全面的提取出了二維虹膜紋理圖像的特征信息，最后通過方差倒數(shù)加權(quán)特征求和的方法得到最后的識別結(jié)果。
為了方便描述本發(fā)明的內(nèi)容，首先在此作一個(gè)術(shù)語定義1.虹膜人眼球中介于瞳孔和鞏膜中間的組織，該部分組只含有獨(dú)特的，豐富的紋理信息，可用于進(jìn)行身份識別。它的幾何形狀為環(huán)形形狀。
2.虹膜內(nèi)、外邊緣虹膜與瞳孔的交界處稱為虹膜的內(nèi)變緣，它是一個(gè)圓形。虹膜與鞏膜的交界處稱為虹膜的外邊緣，它也是一個(gè)圓形。
3.虹膜圖像采集裝置捕獲虹膜圖像數(shù)字信號的裝置。
4.灰度圖像圖像中只包含了亮度信息而沒有任何顏色信息的圖像。
5.中值濾波是一種非線性的信號處理方法，也是一種典型的低通濾波器。它將領(lǐng)域中的像素按灰度級排序，取其中間值為輸出像素值。中值濾波的效果依賴于兩個(gè)要素領(lǐng)域的空間范圍和中值計(jì)算中涉及的像素?cái)?shù)。
6.灰度直方圖灰度直方圖(histogram)是灰度級的函數(shù)，它表示圖像中具有每種灰度級的象素的個(gè)數(shù)，反映圖像中每種灰度出現(xiàn)的頻率?；叶戎狈綀D的橫坐標(biāo)是灰度級，縱坐標(biāo)是該灰度級出現(xiàn)的頻率，是圖像的最基本的統(tǒng)計(jì)特征。
7.圖像二值化設(shè)定一個(gè)閾值，把圖像中每一個(gè)象素點(diǎn)的灰度值都與這個(gè)閾值相比較，當(dāng)灰度值大于閾值時(shí)即把該象素點(diǎn)的灰度值設(shè)為1；當(dāng)灰度值小于閾值時(shí)即把該點(diǎn)的灰度值設(shè)為0。把圖像中象素點(diǎn)灰度值變?yōu)橹挥?，1的過程稱為圖像二值化。
8.虹膜定位在一幅包含瞳孔、鞏膜、眼睫毛的虹膜圖像中，準(zhǔn)確的定位出環(huán)形虹膜在圖像中的幾何位置的過程。
9.Roberts算子它是一種常用的邊緣檢測算子。Roberts算子基于用圖像的垂直和水平差分來逼近梯度算子。它由兩個(gè)2×2模板共同實(shí)現(xiàn)100-1,01-10.]]>其計(jì)算公式為R(i,j)=(f(i,j)-f(i+1,j+1))2+(f(i,j+1)-f(i+1,j))2.]]>10.x方向的灰度投影量P(x)在灰度矩陣B(x，y)中，在x方向上把每個(gè)x值對應(yīng)的象素灰度都加在一起。即P(x)=ΣyB(x,y).]]>11.y方向的灰度投影量P(y)在灰度矩陣B(x，y)中，在y方向上把每個(gè)y值對應(yīng)的象素灰度都加在一起。即P(y)=ΣxB(x,y).]]>12.圓形邊緣檢測器它的基本數(shù)學(xué)算子為 其基本思想就是在參數(shù)空間不斷迭代(r，x0，y0)的值，由于每個(gè)參數(shù)值(r，x0，y0)都對應(yīng)著一個(gè)圓，所以迭代(r，x0，y0)的過程，也即是迭代圓的過程。在每一個(gè)圓的圓周上，求灰度值的圓積分。隨著(r，x0，y0)的循環(huán)變化，灰度值圓積分也跟著變化，找到圓積分變化最大的那個(gè)圓即為要檢測的圓。
13.虹膜圖像歸一化由于每次采集虹膜圖像時(shí)虹膜的位置都會有所不同，而且由于采集系統(tǒng)光照的影響，會導(dǎo)致瞳孔的放大或收縮，這會使虹膜的大小也跟著變化。所以定位出圓環(huán)形的虹膜區(qū)域不能直接用來特征提取，必須把圓環(huán)形虹膜轉(zhuǎn)換成一個(gè)大小固定的灰度矩陣圖像。該過程即為圖像歸一化過程。
14.直方圖均衡化它是把原始圖像的直方圖變換為均勻的形式，這樣就增加了象素灰度值的動(dòng)態(tài)范圍，增強(qiáng)了圖像整體上的對比度。經(jīng)過均衡化后的圖像，其清晰程度有明顯的提高，所需的目標(biāo)信息就會被突出出來。直方圖均衡化能解決由于非均勻光照對虹膜結(jié)果造成影響的問題。
15.二維小波變換對一幅虹膜圖像進(jìn)行二維小波變換可以提取水平方向、垂直方向和對角方向的細(xì)節(jié)系數(shù)。它非常適合分析二維圖像信號。
16.Haar小波它是一種較簡單的小波基，它的小波函數(shù)為ψ(t)=1,t∈
-1,t∈[1/2,1.]]>17.小波通道對一幅圖像進(jìn)行完全的小波分解得到一系列的小波系數(shù)。通常把這些小波分解系數(shù)構(gòu)成的子圖像稱為小波分解通道。對一幅圖像進(jìn)行1階二維小波變換可得到四種小波通道LL，LH，HL，HH。每個(gè)通道表征了原始圖像不同空間頻率和方向下的信息。
18.均值它表示小波通道中，小波系數(shù)的平均值。它表征了小波通道的能量大小。它的計(jì)算公式為En=1M×NΣi=1MΣj=1N|x(i,j)|.]]>19.樣本方差它用來衡量小波通道中，小波系數(shù)與均值的偏離程度。它的計(jì)算公式為Dn=Σi=1MΣj=1N[|x(i,j)|-En]2M×N-1.]]>20.系統(tǒng)學(xué)習(xí)階段系統(tǒng)把采集到的虹膜圖像，提取出完整的特征值。并把該特征值存入虹膜樣本數(shù)據(jù)庫，以作為匹配識別的標(biāo)準(zhǔn)樣本。
21.系統(tǒng)識別階段系統(tǒng)讀入未知身份的虹膜圖像，提取一半的特征值。并把該特征值與虹膜樣本數(shù)據(jù)庫中的特征值按照一定的匹配識別算法進(jìn)行比較，最終得出未知身份虹膜圖像的識別結(jié)果。
本發(fā)明詳細(xì)技術(shù)方案為基于圖像分割和二維小波變換的虹膜識別方法，其特征是，它包含下列步驟步驟1采集虹膜圖像。
通過虹膜圖像的采集裝置采集虹膜圖像，得到可用于進(jìn)一步處理的虹膜圖像灰度矩陣H(x，y)。
步驟2虹膜圖像中值濾波。
對步驟1所得的虹膜圖像灰度矩陣H(x，y)做平滑處理得到灰度矩陣I(x，y)。在平滑處理中，濾波器為采樣窗口大小為9個(gè)離散象素點(diǎn)的非線性中值濾波器。
步驟3虹膜內(nèi)邊緣定位。具體包括以下步驟步驟1)圖像二值化求出灰度矩陣I(x，y)的灰度直方圖，找出灰度直方圖內(nèi)中灰度值在(20～125)范圍內(nèi)的峰值所對應(yīng)的灰度值M，把灰度值M與一安全系數(shù)D相加得到可用于灰度圖像二值化的閾值Y。安全系數(shù)D通常取3到7之間的數(shù)。以Y為閾值對虹膜灰度圖像I(x，y)進(jìn)行二值化，得到二值化圖像B(x，y)。
步驟2)找內(nèi)邊緣粗略圓心計(jì)算出二值化矩陣B在x方向的灰度投影量P(x)，在y方向的灰度投影量P(y)。在一維數(shù)組P(x)中，找到其最小值，并找到該最小值對應(yīng)的x1；同理在一維數(shù)組P(y)中，找到其最小值，并找到該最小值對應(yīng)的y1。(x1，y1)即為虹膜內(nèi)邊緣的粗略圓心。
步驟3)邊緣檢測對二值化后的圖像B(x，y)用Roberts算子進(jìn)行圖像的邊緣檢測，得到一個(gè)含有邊緣的二值圖像BW(x，y)。
步驟4)將邊緣點(diǎn)分成4個(gè)象限在BW(x，y)中以步驟3)中得到的內(nèi)邊緣粗略圓心(x1，y1)為坐標(biāo)原點(diǎn)建立坐標(biāo)系。把離散邊緣點(diǎn)分為四個(gè)象限。在每個(gè)象限內(nèi)，在距離原點(diǎn)30個(gè)像素和50個(gè)像素的扇形范圍內(nèi)，隨機(jī)選取3個(gè)像素相差在10個(gè)單位以上的邊緣點(diǎn)。同理，在其他象限內(nèi)也是如此選擇3個(gè)像素點(diǎn)。這樣4個(gè)象限共有12個(gè)像素點(diǎn)。
步驟5)4個(gè)象限聯(lián)合精確定位在步驟4)的12個(gè)點(diǎn)中選出3個(gè)不在同一直線上的點(diǎn)，由這個(gè)3個(gè)點(diǎn)就能構(gòu)成一個(gè)圓。并求出其余9個(gè)點(diǎn)到這個(gè)圓的距離d。12個(gè)點(diǎn)最多能構(gòu)成220個(gè)圓，也即有220個(gè)距離d，在這220個(gè)距離中找到最小的d對應(yīng)的那個(gè)圓即為虹膜的內(nèi)邊緣。設(shè)得到的虹膜內(nèi)邊緣的圓心為(xa，ya)，半徑為ra。
步驟4虹膜外邊緣定位。具體包括以下步驟步驟1)限定圓邊緣檢測模板的迭代范圍在步驟2得到I(x，y)中，用圓形邊緣檢測器進(jìn)行迭代求灰度積分值。在迭代過程中把內(nèi)邊緣的圓心(xa，ya)作為迭代(x0，y0)的初始值。并把(x0，y0)的搜索范圍限定在以(xa-10，ya-10)、(xa-10，ya+10)、(xa+10，ya-10)、(xa+10，ya+10)為頂點(diǎn)的矩形內(nèi)。并把r的搜索范圍限定在70～110個(gè)單位像素內(nèi)。在搜索的過程中，并不是在整個(gè)圓上對灰度做圓積分，而是在以(x0，y0)建立的直角坐標(biāo)系中，角度為-45°～45°、135°～225°的圓形弧線上求灰度的積分。
步驟2)迭代中找出外邊緣在步驟1)的范圍內(nèi)迭代參數(shù)空間的(r，x0，y0)的值，求出灰度積分變化最大的那個(gè)圓即為虹膜的外邊緣。對應(yīng)的參數(shù)值(r，x0，y0)即為虹膜外邊緣的半徑和圓心值(rb，xb，yb)。定位結(jié)果如圖1所示。
步驟5虹膜圖像歸一化。具體包括以下步驟步驟1)建立坐標(biāo)轉(zhuǎn)換模型、并將虹膜圖像歸一化由步驟3和步驟4得到虹膜內(nèi)、外邊緣的圓周參數(shù)(ra，xa，ya)、(rb，xb，yb)，以內(nèi)圓圓心(xa，ya)作為坐標(biāo)系的原點(diǎn)建立將直角坐標(biāo)轉(zhuǎn)換為極坐標(biāo)的數(shù)學(xué)模型(如圖2所示)。在該模型中從原點(diǎn)開始做與水平線成θ角的射線，它與內(nèi)、外邊界各有一個(gè)交點(diǎn)，分別記作B(xi，yi)，A(xo，yo)。射線上兩個(gè)交點(diǎn)A，B之間的任何一點(diǎn)的坐標(biāo)(x，y)都可以用A(xo(θ)，yo(θ))，B(xi(θ)，yi(θ))的線性組合來表示x(r,θ)=(1-r)*xi(θ)+r*x0(θ)y(r,θ)=(1-r)*yi(θ)+y*y0(θ).]]>這樣就可以將虹膜圖像歸一化為以θ為橫軸，r為縱軸的固定尺寸的灰度矩陣P(x，y)，虹膜歸一化處理結(jié)果如圖3所示。
步驟2)直方圖均衡化對步驟1)得到的灰度矩陣P(x，y)做直方圖均衡化處理得到歸一化灰度矩陣PI(x，y)。
步驟6歸一化后灰度矩陣第一次圖像分割在PI(x，y)中，選取灰度矩陣上方16×1024的部分作為虹膜紋理A區(qū)域。選取行寬為17～48，列的范圍分別是1～128、384～640、896～1024共3小塊區(qū)域作為虹膜紋理B區(qū)域。選取行寬為49～64，列的范圍分別是1～64、448～576、980～1024共3小塊區(qū)域作為虹膜紋理C區(qū)域，虹膜圖像第一次分割如圖4所示。
步驟7歸一化后灰度矩陣第二次圖像分割。
把步驟6中的紋理A區(qū)域分成8個(gè)小塊的灰度矩陣行寬為1～16，列寬分別為1～128、129～256、257～384、385～512、513～640、641～768、769～896、897～1024。把虹膜紋理B區(qū)域也分成8個(gè)小塊的灰度矩陣行寬為17～32，列寬分別為1～128、385～512、513～640、897～1024；行寬為33～48，列寬分別為1～128、385～512、513～640、897～1024。把虹膜紋理C區(qū)域分成2個(gè)小塊的灰度矩陣行寬為49～64，列寬為1～64、961～1024的兩個(gè)灰度矩陣區(qū)域結(jié)合在一起；行寬為49～64，列寬為449～578的灰度矩陣區(qū)域。虹膜圖像第二次分割如圖5所示。
步驟8對每個(gè)分割區(qū)域進(jìn)行二維小波變換對步驟7中的每個(gè)小分割區(qū)域以Haar小波為小波基進(jìn)行3階二維小波變換，二維小波變換后共得到10個(gè)小波通道。把這些通道分別記為LL3、LH3、HL3、HH3、LH2、HL2、HH2、LH1、HL1、HH1。其中HH1、HH2、HH3三通道代表了虹膜圖像在水平高頻和垂直高頻下的信息，它們含有大量的噪聲，不利于提取虹膜特征。舍棄這三個(gè)通道只保留剩余的7個(gè)通道，如圖6所示。
步驟9提取小波系數(shù)均值和方差作為特征值對某個(gè)小分割區(qū)域二維小波變換后的每個(gè)小波通道提取其均值和樣本方差En=1M×NΣi=1MΣj=1N|x(i,j)|,Dn=Σi=1MΣj=1N[|x(i,j)|-En]2M×N-1]]>作為特征值。這樣該小分割區(qū)域每個(gè)小波通道能提取出兩個(gè)特征值。7個(gè)小波通道就能提取出14個(gè)特征值。對每個(gè)小分割區(qū)域都重復(fù)此過程。每個(gè)小分割區(qū)域都能提取出14個(gè)特征值，共有18個(gè)小分割區(qū)域，故能提取出252個(gè)特征值。
步驟10用方差倒數(shù)加權(quán)均值差進(jìn)行匹配識別。具體包括以下步驟步驟1)提取完整特征做為虹膜特征樣本在系統(tǒng)的學(xué)習(xí)階段，對要學(xué)習(xí)的每幅虹膜圖像都按照步驟2到步驟9的處理過程進(jìn)行處理。每幅虹膜圖像能提取出252個(gè)特征值，把這些特征值作為該虹膜圖像的樣本存儲在虹膜樣本數(shù)據(jù)庫中，用于后面識別判定。
步驟2)提取均值特征用于識別在系統(tǒng)的識別階段，對一幅未知的虹膜圖像，對該圖像按照步驟2到步驟9的處理過程進(jìn)行處理。并在步驟9中只提取均值En作為特征值。這樣用于識別的虹膜圖像只需提取出128個(gè)特征值。
步驟3)分3個(gè)部分分別進(jìn)行匹配識別在匹配識別過程中，把樣本中的252個(gè)特征值按照步驟6的三個(gè)紋理區(qū)域分成3個(gè)部分EA、EB、EC。EA為虹膜紋理A區(qū)域經(jīng)變換提取的特征值。EB為虹膜紋理B區(qū)域經(jīng)變換提取的特征值。EC為虹膜紋理C區(qū)域經(jīng)變換提取的特征值。同理也把待識別虹膜圖像的128個(gè)特征值分成3個(gè)部分eA、eB、eC。按照方差倒數(shù)加權(quán)求和的匹配識別算法對3個(gè)部分分別進(jìn)行匹配識別運(yùn)算。即Pj=Σi=1N(eji-Eji)2Dji,]]>j＝A，B，C。
步驟4)用不同的系數(shù)加權(quán)3個(gè)識別結(jié)果由步驟3)可以得到PA、PB、PC。對每部分的識別結(jié)果乘以加權(quán)系數(shù)即得到了最終的識別結(jié)果P。即P＝a*PA+b*PB+c*PC。通常加權(quán)系數(shù)根據(jù)虹膜紋理分布的情況則加權(quán)系數(shù)a∶b∶c＝7∶2∶1。在本發(fā)明的具體實(shí)現(xiàn)過程中，取a＝0.7，b＝0.2，c＝0.1。
步驟5)設(shè)定閾值T進(jìn)行識別判決設(shè)定一個(gè)閾值T，當(dāng)P當(dāng)P＜T時(shí)，即判定待識別的虹膜圖像與數(shù)據(jù)庫中的當(dāng)前虹膜圖像樣本來自同一只眼睛。當(dāng)P＞T時(shí)，即判定待識別的虹膜圖像與數(shù)據(jù)庫中的當(dāng)前虹膜圖像樣本來自不同的眼睛。
通過以上10個(gè)步驟，就可以通過采集虹膜圖像來進(jìn)行實(shí)時(shí)性的身份識別。
需要說明的是1、步驟3的步驟1)中引入安全系數(shù)的目的是為了避免在對虹膜圖像二值化過程中引入眼睫毛等噪聲干擾。安全系數(shù)的值不能設(shè)的過大或過小，通常取值為5較適宜。
2、步驟3的步驟2)中找到粗略圓心的目的是為了在步驟3的步驟4)中能以此圓心為坐標(biāo)原點(diǎn)建立坐標(biāo)系，進(jìn)而確定四個(gè)可以搜索圓的象限。
3、步驟3的步驟3)在眾多的邊緣檢測算子中，只選用Roberts算子進(jìn)行邊緣檢測。是由于二值化的閾值選擇較好，使得內(nèi)變緣已經(jīng)較明顯。故使用簡單的Roberts算子已經(jīng)能精確地檢測出內(nèi)邊緣，且由于其計(jì)算簡單，所以也具有很高的運(yùn)算速度。
4、在步驟3的步驟2)中按照灰度的累積計(jì)算已可以粗略的估計(jì)出虹膜內(nèi)邊緣的圓心和半徑。但還要進(jìn)行步驟3)、步驟4)、步驟5)的原因是由于虹膜的紋理大部分都在靠近內(nèi)邊緣的地方，所以粗略的估計(jì)會影響識別率。虹膜的內(nèi)邊緣需要精確定位，故通過步驟3)、步驟4)、步驟5)來精確的定位內(nèi)邊緣。
5、步驟4中定位虹膜外邊緣的過程之所以與步驟3定位內(nèi)邊緣的方法不同是由于虹膜外邊緣和鞏膜灰度差值不是很大，不能用二值化的方法來快速的定位。并且由于靠近外邊緣的虹膜區(qū)域紋理分布較少，還容易受到眼睫毛的干擾，所以外邊緣的定位不需要很高的精確度。采用圓形邊緣檢測器進(jìn)行來定位外邊緣已經(jīng)達(dá)到了定位的精度要求。
6、之所以要通過步驟5做歸一化處理是由于每次采集虹膜圖像時(shí)虹膜的位置都會有所不同。而且由于采集系統(tǒng)光照的影響，會導(dǎo)致瞳孔的放大或收縮，這會使虹膜的大小也跟著變化。所以定位出圓環(huán)形的虹膜區(qū)域不能直接用來特征提取，必須把圓環(huán)形虹膜轉(zhuǎn)換成一個(gè)大小固定的灰度矩陣圖像。雖然每次采集虹膜圖像時(shí)，都會造成虹膜的絕對位置的改變，但是虹膜紋理的相對位置一般是不會變化的。故我們采用極坐標(biāo)變換的方法對虹膜進(jìn)行歸一化。由于虹膜的內(nèi)外邊緣通常不是同心的，所以這種極坐標(biāo)變換也不是同心的。
7、步驟5中的步驟3)是對歸一化后的灰度圖像通過直方圖均衡化來達(dá)到圖像增強(qiáng)的目的。該步驟能解決圖像采集過程中由于非均勻光照引起的虹膜圖像灰度分布不均的問題。
8、步驟6為對歸一化后虹膜圖像灰度矩陣做第一次圖像分割處理。它按照虹膜紋理分布的稀疏把歸一化灰度矩陣分成A、B、C3個(gè)部分。
9、步驟7為第二次圖像分割，它在第一次圖像分割的基礎(chǔ)上進(jìn)而把虹膜圖像分成18個(gè)受噪聲干擾可能性較小的區(qū)域。
10、步驟8中，每個(gè)分割區(qū)域經(jīng)過3階二維小波變換后都能得到10個(gè)小波通道，之所以要舍棄3個(gè)包含對角細(xì)節(jié)的小波通道是由于這3個(gè)小波通道受噪聲干擾的可能性最大，會影響識別率，所以舍棄這3個(gè)小波通道。
11、步驟9中，均值用來衡量小波通道的能量，方差用來衡量小波通道中小波系數(shù)偏離均值的程度。
12、步驟10的步驟2)中，在系統(tǒng)的識別階段只需要提取一半特征值是由于在匹配算法中采用的是方差倒數(shù)加權(quán)求和的匹配識別算法。并且所用的方差是數(shù)據(jù)庫中虹膜樣本特征中的方差，而不需要知道待識別虹膜圖像中的方差特征。所以在識別階段，提取待識別虹膜圖像的虹膜特征時(shí)，只需提取待識別虹膜圖像經(jīng)過二維小波變換后小波系數(shù)的均值特征，而不需要提取小波通道的方差特征。這在一定程度上提高了虹膜識別的運(yùn)算速度，提高了識別系統(tǒng)的實(shí)時(shí)性。
13、步驟10的步驟5)中，可以根據(jù)安全需要的不同來設(shè)置不同的閾值T。在對安全性要求較高的場合，可以相對設(shè)置較低的閾值T；在對安全性要求較低的場合，可以相對設(shè)置較高的閾值T。
本發(fā)明把虹膜定位分成內(nèi)邊緣定位和外邊緣定位兩個(gè)部分，并把重點(diǎn)放在內(nèi)邊緣定位上。接著采用直角坐標(biāo)與極坐標(biāo)映射理論把定位后的圖像歸一化到一個(gè)固定的灰度矩陣中。并對歸一化后的圖像進(jìn)行兩次圖像分割，最終分割成18個(gè)小區(qū)域。再通過對歸一化處理后虹膜圖像的各個(gè)小分割區(qū)域進(jìn)行二維小波變換，提取出主要小波通道的小波系數(shù)均值和方差作為特征值。在匹配識別算法中，對歸一化處理中第一次圖像分割后的3部分區(qū)域分別采用方差倒數(shù)加權(quán)求和的匹配算法進(jìn)行識別判決，得到3個(gè)識別結(jié)果。最后用不同的可信度系數(shù)來加權(quán)這3個(gè)識別結(jié)果，得到最終的識別結(jié)果。采用本發(fā)明的虹膜識別算法進(jìn)行身份識別可以獲得較高的識別準(zhǔn)確率和較好的抗噪性能，并有較快運(yùn)行速度，滿足系統(tǒng)實(shí)時(shí)性的要求。
本發(fā)明的創(chuàng)新之處在于1、在對虹膜圖像定位過程中，按照先定位內(nèi)邊緣再定位外援的順序，先對虹膜圖像二值化，接著用Roberts算子進(jìn)行邊緣檢測，然后以Hough變換的思想來精確定位虹膜內(nèi)邊緣；在定位外邊緣時(shí)，采用Daugman提出的圓邊緣檢測模板來定位外邊緣，并根據(jù)已定位的內(nèi)邊緣的參數(shù)，縮小了圓邊緣檢測模板的搜索范圍，提高了運(yùn)算速度。
2、對歸一化矩陣進(jìn)行兩次圖像分割。第一次分割把歸一化矩陣分割成3個(gè)部分。第二次分割把歸一化矩陣分割成18個(gè)小區(qū)域。經(jīng)過兩次分割較大限度的避免了眼皮和眼睫毛的影響，并為后面的特征提取做了充分的準(zhǔn)備。接著對歸一化后的灰度矩陣圖像做了直方圖均衡化的圖像增強(qiáng)處理，避免了由于光照不均而引起圖像強(qiáng)暗差別較大的情況。
3、在特征提取階段，以Haar小波為小波基對18個(gè)小分割區(qū)域分別進(jìn)行3階二維小波變換得到10個(gè)小波通道。在這10個(gè)小波通道中，舍棄掉含有噪聲干擾的包含水平高頻和垂直高頻信息的3個(gè)小波通道，保留剩余的7個(gè)通道。并對這7個(gè)通道的二維小波系數(shù)求均值和方差作為特征值。
4、采用方差倒數(shù)加權(quán)求和的匹配算法。并且所用的方差為數(shù)據(jù)庫中已有的方差，使得在識別階段只需提取待識別虹膜的小波系數(shù)的均值作為特征值，即識別系統(tǒng)識別階段提取的特征值數(shù)量僅為學(xué)習(xí)階段提取特征值數(shù)量的一半。這在一定程度上較好的加快了系統(tǒng)的運(yùn)算速度，提高了系統(tǒng)的實(shí)時(shí)性能。


圖1是虹膜定位結(jié)果示意圖該圖虹膜原圖像使用的是CASIA虹膜數(shù)據(jù)庫(version 1.0)中的一幅虹膜圖像。它是一幅高為280個(gè)象素，寬為320個(gè)象素的灰度圖像矩陣。圖中兩個(gè)白色的圓形包含的區(qū)域即為環(huán)行虹膜區(qū)域。
圖2為坐標(biāo)系變換模型示意3為虹膜歸一化處理結(jié)果把圖1中的環(huán)行虹膜區(qū)域歸一化成一個(gè)固定的灰度矩陣，圖中灰度矩陣的高為64個(gè)象素，寬為1024個(gè)象素。
圖4為虹膜圖像第一次分割按照虹膜的紋理分布情況把歸一化灰度矩陣分為3個(gè)區(qū)域。其中A區(qū)域紋理分布最密，整個(gè)虹膜70％的紋理都分布在該區(qū)域；B區(qū)域包含有20％的虹膜紋理；C區(qū)域包含有10％的虹膜紋理。
圖5為虹膜圖像第二次分割按照受噪聲干擾的可能性，在圖4的基礎(chǔ)上，繼續(xù)把圖像分割成18個(gè)小分割區(qū)域(圖中(1)至(18))。這18個(gè)小區(qū)域受眼皮和眼睫毛的干擾較小。
圖6為二維變換小波通道選擇示意中深色部分為保留的小波通道，白色部分為舍棄的小波通道。其中，LL3為3階二維小波變換后虹膜圖像在水平低頻和垂直低頻下的信息。LH1、LH2、LH3分別為1、2、3階小波變換后虹膜圖像在水平低頻和垂直高頻下的信息。HL1、HL2、HL3分別為1、2、3階小波變換后虹膜圖像在水平高頻和垂直低頻下的信息。HH1、HH2、HH3分別為1、2、3階小波變換后虹膜圖像在水平高頻和垂直高頻下的信息。
圖7為本發(fā)明流程示意圖。
具體實(shí)施例方式
采用本發(fā)明的算法，在CASIA虹膜數(shù)據(jù)庫(version 1.0)中進(jìn)行了實(shí)驗(yàn)。我們隨機(jī)選取CASIA數(shù)據(jù)庫中100組虹膜圖像。每組虹膜圖像中取四幅圖像，共400幅虹膜圖像進(jìn)行實(shí)驗(yàn)。在學(xué)習(xí)階段，對每組虹膜圖像中的4幅虹膜圖像分別提取252個(gè)均值和方差特征值，再對這4幅圖像的特征值取均值作為最后的對應(yīng)于該組虹膜圖像的樣本特征值存入樣本數(shù)據(jù)庫中。同理，我們把這100組虹膜圖像的樣本特征值都提取出來，并存入樣本數(shù)據(jù)庫中。在識別階段，我們對樣本數(shù)據(jù)庫中每組樣本特征值都用400幅虹膜圖像來進(jìn)行模式匹配識別運(yùn)算。這樣總共進(jìn)行40000(400×100)次模式匹配識別運(yùn)算。共得到40000個(gè)匹配識別計(jì)算結(jié)果P。根據(jù)P的經(jīng)驗(yàn)值來設(shè)置閾值T。當(dāng)T＝2.0時(shí)能取得較好的正確識別率，此時(shí)正確識別率為98.6％。
權(quán)利要求
1.基于圖像分割和二維小波變換的虹膜識別方法，其特征是，它包含下列步驟步驟1采集虹膜圖像通過虹膜圖像的采集裝置采集虹膜圖像，得到可用于進(jìn)一步處理的虹膜圖像灰度矩陣H(x，y)；步驟2虹膜圖像中值濾波對步驟1所得的虹膜圖像灰度矩陣H(x，y)做平滑處理得到灰度矩陣I(x，y)；步驟3虹膜內(nèi)邊緣定位，具體包括以下步驟步驟1)圖像二值化求出灰度矩陣I(x，y)的灰度直方圖，找出灰度直方圖內(nèi)中灰度值在(20～125)范圍內(nèi)的峰值所對應(yīng)的灰度值M，把灰度值M與一安全系數(shù)D相加得到可用于灰度圖像二值化的閾值Y；以Y為閾值對虹膜灰度圖像I(x，y)進(jìn)行二值化，得到二值化圖像B(x，y)；步驟2)找內(nèi)邊緣粗略圓心計(jì)算出二值化矩陣B在x方向的灰度投影量P(x)，在y方向的灰度投影量P(y)；在一維數(shù)組P(x)中，找到其最小值，并找到該最小值對應(yīng)的x1；同理在一維數(shù)組P(y)中，找到其最小值，并找到該最小值對應(yīng)的y1；(x1，y1)即為虹膜內(nèi)邊緣的粗略圓心；步驟3)邊緣檢測對二值化后的圖像B(x，y)用Roberts算子進(jìn)行圖像的邊緣檢測，得到一個(gè)含有邊緣的二值圖像BW(x，y)；步驟4)將邊緣點(diǎn)分成4個(gè)象限在BW(x，y)中以步驟3)中得到的內(nèi)邊緣粗略圓心(x1，y1)為坐標(biāo)原點(diǎn)建立坐標(biāo)系，把離散邊緣點(diǎn)分為四個(gè)象限；在每個(gè)象限內(nèi)，在距離原點(diǎn)30個(gè)像素和50個(gè)像素的扇形范圍內(nèi)，隨機(jī)選取3個(gè)像素相差在10個(gè)單位以上的邊緣點(diǎn)；同理，在其他象限內(nèi)也是如此選擇3個(gè)像素點(diǎn)，這樣4個(gè)象限共有12個(gè)像素點(diǎn)；步驟5)4個(gè)象限聯(lián)合精確定位在步驟4)的12個(gè)點(diǎn)中選出3個(gè)不在同一直線上的點(diǎn)，由這個(gè)3個(gè)點(diǎn)構(gòu)成一個(gè)圓，求出其余9個(gè)點(diǎn)到這個(gè)圓的距離d；12個(gè)點(diǎn)最多能構(gòu)成220個(gè)圓，也即有220個(gè)距離d，在這220個(gè)距離中找到最小的d對應(yīng)的那個(gè)圓即為虹膜的內(nèi)邊緣，設(shè)得到的虹膜內(nèi)邊緣的圓心為(xa，ya)，半徑為ra；步驟4虹膜外邊緣定位，具體包括以下步驟步驟1)限定圓邊緣檢測模板的迭代范圍在步驟2得到I(x，y)中，用圓形邊緣檢測器進(jìn)行迭代求灰度積分值；在迭代過程中把內(nèi)邊緣的圓心(xa，ya)作為迭代(x0，y0)的初始值，并把(x0，y0)的搜索范圍限定在以(xa-10，ya-10)、(xa-10，ya+10)、(xa+10，ya-10)、(xa+10，ya+10)為頂點(diǎn)的矩形內(nèi)，并把r的搜索范圍限定在70～110個(gè)單位像素內(nèi)；在搜索的過程中，并不是在整個(gè)圓上對灰度做圓積分，而是在以(x0，y0)建立的直角坐標(biāo)系中，角度為-45°～45°、135°～225°的圓形弧線上求灰度的積分；步驟2)迭代中找出外邊緣在步驟1)的范圍內(nèi)迭代參數(shù)空間的(r，x0，y0)的值，求出灰度積分變化最大的那個(gè)圓即為虹膜的外邊緣，對應(yīng)的參數(shù)值(r，x0，y0)即為虹膜外邊緣的半徑和圓心值(rb，xb，yb)；步驟5虹膜圖像歸一化，具體包括以下步驟步驟1)建立坐標(biāo)轉(zhuǎn)換模型、并將虹膜圖像歸一化由步驟3和步驟4得到虹膜內(nèi)、外邊緣的圓周參數(shù)(ra，xa，ya)、(rb，xb，yb)，以內(nèi)圓圓心(xa，ya)作為坐標(biāo)系的原點(diǎn)建立將直角坐標(biāo)轉(zhuǎn)換為極坐標(biāo)的數(shù)學(xué)模型；在該模型中從原點(diǎn)開始做與水平線成θ角的射線，它與內(nèi)、外邊界各有一個(gè)交點(diǎn)，分別記作B(xi，yi)，A(x0，y0)；射線上兩個(gè)交點(diǎn)A，B之間的任何一點(diǎn)的坐標(biāo)(x，y)都可以用A(x0(θ)，y0(θ)，B(xi(θ)，yi(θ))的線性組合來表示x(r,θ)=(1-r)*xi(θ)+r*x0(θ)y(r,θ)=(1-r)*yi(θ)+r*y0(θ),]]>這樣就可以將虹膜圖像歸一化為以θ為橫軸，r為縱軸的固定尺寸的灰度矩陣P(x，y)；步驟2)直方圖均衡化對步驟1)得到的灰度矩陣P(x，y)做直方圖均衡化處理得到歸一化灰度矩陣PI(x，y)；步驟6歸一化后灰度矩陣第一次圖像分割在PI(x，y)中，選取灰度矩陣上方16×1024的部分作為虹膜紋理區(qū)域(A)；選取行寬為17～48，列的范圍分別是1～128、384～640、896～1024共3小塊區(qū)域作為虹膜紋理區(qū)域(B)；選取行寬為49～64，列的范圍分別是1～64、448～576、980～1024共3小塊區(qū)域作為虹膜紋理區(qū)域(C)；步驟7歸一化后灰度矩陣第二次圖像分割。把步驟6中的紋理區(qū)域(A)分成8個(gè)小塊的灰度矩陣行寬為1～16，列寬分別為1～128、129～256、257～384、385～512、513～640、641～768、769～896、897～1024；把虹膜紋理區(qū)域(B)也分成8個(gè)小塊的灰度矩陣行寬為17～32，列寬分別為1～128、385～512、513～640、897～1024；行寬為33～48，列寬分別為1～128、385～512、513～640、897～1024；把虹膜紋理區(qū)域(C)分成2個(gè)小塊的灰度矩陣行寬為49～64，列寬為1～64、961～1024的兩個(gè)灰度矩陣區(qū)域結(jié)合在一起；行寬為49～64，列寬為449～578的灰度矩陣區(qū)域；步驟8對每個(gè)分割區(qū)域進(jìn)行二維小波變換對步驟7中的每個(gè)小分割區(qū)域以Haar小波為小波基進(jìn)行3階二維小波變換，二維小波變換后共得到10個(gè)小波通道，把這些通道分別記為LL3、LH3、HL3、HH3、LH2、HL2、HH2、LH1、HL1、HH1；舍棄HH1、HH2、HH3這三個(gè)通道只保留剩余的7個(gè)通道；步驟9提取小波系數(shù)均值和方差作為特征值對某個(gè)小分割區(qū)域二維小波變換后的每個(gè)小波通道提取其均值和樣本方差En=1M×NΣi=1MΣj=1N|x(i,j)|,Dn=Σi-1MΣj-1N[|x(i,j)|-En]2M×N-1]]>作為特征值，這樣該小分割區(qū)域每個(gè)小波通道能提取出兩個(gè)特征值，7個(gè)小波通道就能提取出14個(gè)特征值；對每個(gè)小分割區(qū)域都重復(fù)此過程，共能提取出252個(gè)特征值；步驟10用方差倒數(shù)加權(quán)均值差進(jìn)行匹配識別，具體包括以下步驟步驟1)提取完整特征做為虹膜特征樣本在系統(tǒng)的學(xué)習(xí)階段，對要學(xué)習(xí)的每幅虹膜圖像都按照步驟2到步驟9的處理過程進(jìn)行處理，每幅虹膜圖像能提取出252個(gè)特征值，把這些特征值作為該虹膜圖像的樣本存儲在虹膜樣本數(shù)據(jù)庫中，用于后面識別判定；步驟2)提取均值特征用于識別在系統(tǒng)的識別階段，對一幅未知的虹膜圖像，對該圖像按照步驟2到步驟9的處理過程進(jìn)行處理，并在步驟9中只提取128個(gè)均值En用于識別；步驟3)分3個(gè)部分分別進(jìn)行匹配識別在匹配識別過程中，把樣本中的252個(gè)特征值按照步驟6的三個(gè)紋理區(qū)域分成3個(gè)部分EA、EB、ECEA為虹膜紋理區(qū)域(A)經(jīng)變換提取的特征值，EB為虹膜紋理區(qū)域(B)經(jīng)變換提取的特征值，EC為虹膜紋理區(qū)域(C)經(jīng)變換提取的特征值；同理也把待識別虹膜圖像的128個(gè)特征值分成3個(gè)部分eA、eB、eC；按照方差倒數(shù)加權(quán)求和的匹配識別算法對3個(gè)部分分別進(jìn)行匹配識別運(yùn)算，即Pj=Σi=1N(eji-Eji)2Dji,]]>j＝A，B，C；步驟4)用不同的系數(shù)加權(quán)3個(gè)識別結(jié)果由步驟3)可以得到PA、PB、PC，對每部分的識別結(jié)果乘以加權(quán)系數(shù)即得到了最終的識別結(jié)果P，即P＝a*PA+b*PB+c*PC；步驟5)設(shè)定閾值T進(jìn)行識別判決設(shè)定一個(gè)閾值T，當(dāng)P當(dāng)P＜T時(shí)，即判定待識別的虹膜圖像與數(shù)據(jù)庫中的當(dāng)前虹膜圖像樣本來自同一只眼睛；當(dāng)P＞T時(shí)，即判定待識別的虹膜圖像與數(shù)據(jù)庫中的當(dāng)前虹膜圖像樣本來自不同的眼睛。
2.根據(jù)權(quán)利要求1所述的基于圖像分割和二維小波變換的虹膜識別方法，其特征是，所述步驟2中對步驟1所得的虹膜圖像灰度矩陣H(x，y)做平滑處理過程中，濾波器為采樣窗口大小為9個(gè)離散象素點(diǎn)的非線性中值濾波器。
3.根據(jù)權(quán)利要求1所述的基于圖像分割和二維小波變換的虹膜識別方法，其特征是，步驟3中的步驟1)圖像二值化處理過程中，所述安全系數(shù)D通常取3到7之間的數(shù)。
4.根據(jù)權(quán)利要求3所述的基于圖像分割和二維小波變換的虹膜識別方法，其特征是，所述安全系數(shù)D為5。
5.根據(jù)權(quán)利要求1所述的基于圖像分割和二維小波變換的虹膜識別方法，其特征是，步驟10的步驟4)中所述加權(quán)系數(shù)通常根據(jù)虹膜紋理分布的情況而定，其具體比例可以是a∶b∶c＝7∶2∶1。
全文摘要
基于圖像分割和二維小波變換的虹膜識別方法，屬于生物特征模式識別技術(shù)領(lǐng)域。先把虹膜定位分成內(nèi)邊緣定位和外邊緣定位兩個(gè)部分，并把重點(diǎn)放在內(nèi)邊緣定位上。接著采用直角坐標(biāo)與極坐標(biāo)映射理論把定位后的圖像歸一化到一個(gè)固定的灰度矩陣中。并對歸一化后的圖像進(jìn)行兩次圖像分割，最終分割成18個(gè)小區(qū)域。再通過對歸一化處理后虹膜圖像的各個(gè)小分割區(qū)域進(jìn)行二維小波變換，提取出主要小波通道的小波系數(shù)均值和方差作為特征值。在匹配識別算法中，采用方差倒數(shù)加權(quán)求和的匹配算法進(jìn)行識別判決。最后用不同的系數(shù)來加權(quán)這3個(gè)識別結(jié)果，得到最終的識別結(jié)果。與已有的虹膜識別方法相比本發(fā)明在滿足系統(tǒng)實(shí)時(shí)性要求的前提下具有較好的抗噪性能和較高的識別率。
文檔編號G06K9/00GK1928886SQ20061002126
公開日2007年3月14日 申請日期2006年6月27日 優(yōu)先權(quán)日2006年6月27日
發(fā)明者馬爭, 董自信 申請人:電子科技大學(xué)