奥比中光深度相机虹膜识别系统：基于MATLAB的完整实现教程

本教程将详细讲解如何利用奥比中光（Orbbec）深度相机（如Astra Pro、Astra+）采集的红外图像，结合MATLAB仿真环境构建一套完整的虹膜识别系统。内容涵盖硬件拍摄效果、软件架构、GUI操作流程、核心算法原理、代码实现细节与常见问题，帮助你从零搭建并深入理解虹膜识别技术。

图1 奥比中光红外深度相机拍摄效果

MATLAB仿真红外效果图片，使用奥比中光的Astra_Pro深度相机和Astra+进行拍摄，效果十分出色。

声明：本文的虹膜识别系统模型参考了西澳大利亚大学计算机科学与软件工程学院马特实验室利博尔·马塞克与彼得·科维西教授的《基于虹膜的生物特征识别系统》。

一、系统文件结构说明

在开始操作之前，先了解各个文件夹的功能，帮助你快速定位资源：

• 文件夹“CASIA1”：存放原始眼睛图像（将拍摄好的虹膜图像保存到此文件夹中）。
• 文件夹“fnc”：包含GUI的后端函数（算法实现、图像处理等）。
• 文件夹“template-database”：存储从眼睛图像中提取的注册模板（即虹膜参数数据）。
• 文件“IrisRecognitionGUI.mlapp”：系统GUI配置生成的App主文件（直接双击运行）。

二、MATLAB图形用户操作界面（GUI）

• ‘Enrollment’：将账户虹膜的模板注册到数据库中。
• ‘Verify’：验证数据库中不同虹膜的模型（支持1:1或1:N匹配）。
• ‘View Account information’：查看已注册虹膜文件的信息（如账户ID、注册时间等）。

三、虹膜识别系统操作流程（详细步骤）

以下演示完整的注册与验证流程：

1. 选择图像
   单击App中的 ‘image select …’ 按钮，从本地文件夹选择一张虹膜图像打开。

   

2. 填写信息并注册
   在弹出的表单中填写用户信息（如姓名、ID等），然后点击 ‘Enroll’ 进行信息注册。

   

3. 注册成功提示
   当界面显示如下消息时，代表注册虹膜信息成功。

   

   小提示：注册成功后，模板会自动保存在“template-database”文件夹中，文件名为用户ID+时间戳。

4. 验证操作——选择图像
   若要验证某张虹膜图像，同样单击 ‘image select …’ 打开待验证图像。

   

5. 执行验证
   选择虹膜信息并打开后，单击 ‘Verify’ 对虹膜信息进行验证。

   

6. 查看账户信息
   选择已注册的模板，单击 ‘View account…’ 可以查看该模板的详细信息（如注册时的文本、图像路径等）。

四、MATLAB仿真实现：核心算法详解

本节详细介绍系统背后用到的三种关键算法：霍夫变换、Daugman积分-微分算子、主动轮廓模型。

4.1 霍夫变换算法（Hough Transform）

霍夫变换是一种计算机视觉算法，用于检测图像中存在的简单几何对象（如直线、圆）。

从眼睛结构示意图可见，虹膜本身是一个近似圆形的区域。因此，使用圆形霍夫变换可以推导出瞳孔和虹膜区域的半径与中心坐标。本文采用一种基于圆形霍夫变换的自动分割算法，精准分割出虹膜区域，方便后续比对。

实现原理：

• 首先，通过计算眼睛图像中亮度值的一阶导数生成边缘图，然后对其进行阈值化。
• 从边缘图中，在霍夫空间中对通过每个边缘点的圆的参数进行投票统计。这些参数是圆心坐标 (x0, y0) 和半径 r，圆的标准方程为：

• 霍夫空间中的最大值点对应于由边缘点最优定义的圆的半径和中心坐标。

眼睑检测：利用抛物线霍夫变换来检测上下眼睑，用抛物线弧线逼近眼睑轮廓，方程为：

其中 a_j 控制曲率，(h_j, k_j) 是抛物线的峰值，θ_j 是相对于x轴的旋转角度。

常见问题Q：为什么使用霍夫变换而不是直接用边缘检测拟合圆？
A：霍夫变换对噪声和遮挡具有鲁棒性，能同时在图像中检测多个圆，并且适合处理因光照或睫毛造成的边缘不连续情况。

4.2 Daugman的积分-微分算子

Daugman利用积分-微分算子定位圆形虹膜和瞳孔区域，以及上下眼睑的弧线。算子定义如下：

其中 I(x,y) 是眼睛图像，r 是要搜索的半径，G_σ(r) 是高斯平滑函数，s 是由半径 r、中心 (x0,y0) 给出的圆形轮廓。通过改变圆形轮廓的半径和中心位置，搜索像素值变化最大的圆形路径。为了实现精确的虹膜定位，该算子被迭代地应用，并逐渐减少平滑数量。

眼睑的定位方式类似，但轮廓整合路径从圆形变成弧形。

小提示：积分-微分算子的优势在于其亚像素精度，尤其适合虹膜边缘模糊或对比度较低的情况。

4.3 主动轮廓模型（Active Contour Model, Snake）

利用主动轮廓模型对瞳孔进行精确定位。轮廓由一系列顶点组成，其位置受两种力的作用：

• 内力：依赖于轮廓自身的期望特征（如平滑度、刚性）。
• 外力：依赖于目标图像（如边缘梯度信息）。

每个顶点在时间 t 和 t+1 之间移动，表达式如下：

其中 F_i 是内力，G_i 是外力，v_i 是顶点 i 的位置。为定位瞳孔，内力被校准为轮廓形成一个全局扩展的离散图，外力通常利用边缘信息找到。

常见问题Q：主动轮廓模型是否适用于所有光照条件？
A：主动轮廓对初始位置敏感，且依赖边缘信息。在极暗或过曝条件下，边缘不明显会导致收敛失败。建议结合霍夫变换先获得粗略位置，再用Snake精调。

五、MATLAB仿真代码分析

函数 createIristemplate 是核心功能函数，用于使用霍夫变换和预定义参数集创建虹膜模板图像。详解如下：

• 输入：图像文件名 eyeimage_filename（假定为虹膜灰度图像）。
• 参数初始化：设置霍夫变换的径向分辨率 radial_res、角度分辨率 angular_res，以及特征编码参数（nscales、minWa veLength、mult、sigmaOnf）。
• 读取图像：使用 imread 函数。
• 输出保存：
  • 模板图像（template）和掩码图像（mask）保存到用户指定的文件（文件名基于输入图像名，后缀 .mat）。
  • 掩码图像文件名额外添加 -houghpara.mat。
• 返回值：template 和 mask。

代码关键段落解析

if stat == 1
    % if this file has been processed before
    % then load the circle parameters and
    % noise information for that file.
    load(sa vefile);
else % if this file has not been processed before
    % then perform automatic segmentation and
    % sa ve the results to a file
  [circleiris circlepupil imagewithnoise] = segmentiris(eyeimage);
  sa ve(sa vefile,'circleiris','circlepupil','imagewithnoise');
end

% WRITE NOISE IMAGE
%imagewithnoise2 = uint8(imagewithnoise);
imagewithcircles = uint8(eyeimage);

%get pixel coords for circle around iris
[x,y] = circlecoords([circleiris(2),circleiris(1)],circleiris(3),size(eyeimage));
ind2 = sub2ind(size(eyeimage),double(y),double(x));

%get pixel coords for circle around pupil
[xp,yp] = circlecoords([circlepupil(2),circlepupil(1)],circlepupil(3),size(eyeimage));
ind1 = sub2ind(size(eyeimage),double(yp),double(xp));

以上代码实现了：

• 检查是否已有预处理结果（通过 stat 标志），如有则直接加载，避免重复计算。
• 若无，则调用 segmentiris 自动分割虹膜和瞳孔，并保存圆参数和噪声图像。
• 将虹膜和瞳孔的圆形坐标转为线性索引（sub2ind），用于后续在原图上绘制圆形标记。

辅助函数说明

• createCircleMask：负责创建虹膜周围圆圈的二进制掩码图像。先读取图像，应用霍夫变换检测圆，将结果保存至文件（如 circle.mat）。
• createPupilMask：类似，但使用不同的霍夫变换参数检测瞳孔周围的圆，同时检测椭圆等非圆形特征。

标准化与特征编码

% Write noise regions
imagewithnoise2(ind2) = 255;
imagewithnoise2(ind1) = 255;
% Write circles overlayed
imagewithcircles(ind2) = 255;
imagewithcircles(ind1) = 255;

w = cd;
cd(DIAGPATH);
imwrite(imagewithnoise2,[eyeimage_filename,'-noise.jpg'],'jpg');
imwrite(imagewithcircles,[eyeimage_filename,'-segmented.jpg'],'jpg');
cd(w);

% perform normalisation
[polar_array noise_array] = normaliseiris(imagewithnoise, circleiris(2), ...
    circleiris(1), circleiris(3), circlepupil(2), circlepupil(1), circlepupil(3),eyeimage_filename, radial_res, angular_res);

% WRITE NORMALISED PATTERN, AND NOISE PATTERN
w = cd;
cd(DIAGPATH);
imwrite(polar_array,[eyeimage_filename,'-polar.jpg'],'jpg');
imwrite(noise_array,[eyeimage_filename,'-polarnoise.jpg'],'jpg');
cd(w);

% perform feature encoding
[template mask] = encode(polar_array, noise_array, nscales, minWa veLength, mult, sigmaOnf);

上述代码执行以下步骤：

1. 写入噪声区域：将虹膜和瞳孔内部的像素置为白色（255），生成噪声掩蔽图。
2. 绘制分割圆：在原图上叠加虹膜和瞳孔的圆轮廓，保存为 -segmented.jpg。
3. 归一化：调用 normaliseiris 将环形虹膜区域展开为矩形极坐标图像（polar_array），同时得到对应的噪声图（noise_array）。
4. 特征编码：使用 encode 函数（基于Log-Gabor滤波器）从归一化图像中提取特征，生成二进制模板 template 和掩码 mask。

小提示：归一化的径向分辨率 radial_res 建议设置为20，角度分辨率 angular_res 建议设置为240（即360°/1.5°间隔），可兼顾准确性与运算速度。

六、MATLAB虹膜识别系统GUI设计

GUI界面通过MATLAB的App Designer（或GUIDE）实现，利用 Graph 函数和 Subplot 函数添加多个图形窗口。主要控件包括图像选择按钮、注册/验证按钮、信息显示面板等。界面布局参考下图：

七、总结与效果验证

通过奥比中光的Astra_pro和Astra+相机拍摄的红外图像，配合上述MATLAB算法及GUI系统，完全能够胜任虹膜识别任务，并且取得了很好的效果（参见图1）。

常见问题Q：拍摄时需要注意哪些事项？

A：

• 确保红外补光充足，避免过暗或过曝。
• 拍摄距离建议15-30cm，尽量让虹膜位于图像中心。
• 避免眼部有重度眼妆或浓密睫毛遮挡虹膜。
• 选择静止状态拍摄，减少运动模糊。

至此，你已经学会了如何利用奥比中光深度相机与MATLAB构建一套完整的虹膜识别系统。你可以在此基础上扩展更多功能，如活体检测、多模态融合等。