基于Gabor滤波器的中科院虹膜识别系统

资 源 简 介

该项目旨在开发一套高性能的MATLAB虹膜特征识别系统，核心流程围绕Gabor滤波器的构造与应用展开。首先，算法根据参数化方程构建多尺度、多方向的二维Gabor滤波器组，这些滤波器在捕捉图像边缘、纹理和方向性特征方面具有仿生视觉特性，能够有效提取不同频率下的空间细节。针对中科院CASIA虹膜数据库（如CASIA-V1或V4）中的高分辨率红外图像，系统实施精确的预处理步骤，包括利用Daugman算子或边缘检测定位瞳孔与虹膜边缘，并运用橡胶板模型将环状虹膜区域归一化为标准的极坐标矩形图，以此消除眼球缩放与倾斜

详 情 说 明

基于Gabor滤波器的中科院虹膜库识别系统 (MATLAB)

项目介绍

本项目是一套基于MATLAB开发的高性能虹膜特征识别演练系统。系统核心采用Gabor滤波器技术，模拟了从中科院CASIA虹膜数据库图像预处理到特征匹配的全流程。通过构建多尺度、多方向的二维Gabor滤波器组，系统能够精确捕捉虹膜纹理中的空间频率与方向性特征，并利用Daugman橡胶板模型和相位编码技术，将复杂的虹膜生物特征转化为唯一的二进制IrisCode。该系统不仅展示了生物识别的核心算法逻辑，还提供了直观的可视化界面，方便用户观察滤波响应、归一化效果以及特征匹配的统计分布。

功能特性

1. 多维Gabor滤波器组构造：系统能够基于参数化方程生成不同尺度和方向的Gabor核函数，模拟人类视觉系统的频率和方向选择性。
2. 虹膜图像仿真模型：内置CASIA风格的虹膜图像模拟生成器，能够合成带有瞳孔、虹膜纹理、高斯噪声及睫毛遮挡效果的实验图像。
3. 高精度归一化处理：实现Daugman橡胶板模型，利用双线性插值算法将环状虹膜区域转换为标准的极坐标矩形图，消除缩放与倾斜干扰。
4. 相位非线性编码：通过保留Gabor滤波响应的象限相位信息，为每个样本生成稳健的二进制特征串。
5. 汉明距离比对算法：基于异或运算快速计算特征提取结果之间的汉明距离，实现大批次样本的自动化匹配与评分。
6. 全流程可视化统计：支持Gabor核三维分布、归一化结果、特征模版以及汉明距离得分矩阵的实时图形化展示。

使用方法

1. 环境准备：确保安装了MATLAB环境（推荐R2018a及以上版本）并安装了图像处理工具箱。
2. 执行程序：在MATLAB命令行窗口中直接运行名为 main 的主函数。
3. 观察结果：

- 图表1：查看Gabor滤波器在不同尺度和方向上的三维频率响应分布。 - 图表2：观察从原始模拟图像、归一化图像到最终二进制IrisCode的转换过程，并查看所有样本之间的汉明距离得分矩阵。

1. 查阅报告：查看MATLAB控制台输出的识别系统报告，包括理想匹配与非匹配的平均汉明距离等统计指标。

系统要求

• 操作系统：Windows, macOS 或 Linux
• 软件环境：MATLAB (包含 Image Processing Toolbox)
• 硬件要求：标准PC配置，计算复杂度主要集中在二维卷积运算。

逻辑流程与实现细节

系统在主程序中依次执行以下核心逻辑：

1. 参数与滤波器初始化

首先定义Gabor滤波器的结构（2个尺度，4个方向，31x31的核大小）以及归一化后的标准尺寸（64x512像素）。随后调用专用函数，利用Gabor函数公式（包含高斯包络和复正弦波）计算并生成滤波器组存储于元胞数组中。

2. 图像获取与模拟定位

程序模拟生成指定数量（如5个）的虹膜样本。通过定义瞳孔圆心、瞳孔半径和虹膜边缘半径，模拟真实的定位结果。为了体现实际识别中的鲁棒性，系统对定位参数加入了随机波动。

3. 归一化（Daugman橡胶板模型）

通过极坐标变换，将圆环形虹膜区域映射到矩形平面。系统在0到2π的角向空间和瞳孔到虹膜边缘的径向空间内进行采样，并使用双线性插值算法确保采样后图像的平滑度，消除眼球大小和缩放带来的识别误差。

4. 特征提取与相位编码

将归一化后的灰度图与Gabor滤波器组进行二维滤波（卷积）。提取滤波结果的实部和虚部，根据符号进行二值化处理（大于0为1，否则为0）。这种相位编码方式对光照强度变化具有极强的鲁棒性。

5. 特征比对与评估

计算不同特征码之间的汉明距离。距离越接近0表示匹配度越高，距离接近0.5表示两者不匹配。系统根据预设阈值（如0.35）自动判断识别结果，并计算理想匹配与非匹配的统计均值。

关键函数与算法分析

• createGaborBank: 核心算法函数。它基于空间频率、方向、尺度和带宽参数构建复数滤波器。通过控制频率 f 的阶梯性递减实现多尺度覆盖。
• simulateIrisImage: 数据模拟函数。利用反傅里叶变换生成高频纹理，结合掩膜技术模拟瞳孔和虹膜的视觉结构，并添加遮挡和噪声以贴近实际CASIA库图像特征。
• irisNormalization: 空间坐标转换核心。基于线性插值逻辑，将笛卡尔坐标系的环形像素点精准映射到极坐标矩形阵列。
• extractIrisCode: 相位特征量化函数。它将连续的滤波响应转换为离散的二进制位序列。实部和虚部的四象限编码极大压缩了数据量，同时保留了纹理的关键拓扑信息。
• computeHammingDistance: 相似度度量函数。通过计算两个二进制序列中不同位数的比例，给出直观的差异性得分，是生物识别领域最经典的比对算法。