基於嵌入零樹小波編碼之虹膜辨識 Iris Recognition Based on Embedded Zerotree Wavelet Coder 指導教授：陳文雄 老師 學生：李宗浩 日期：2009/3/23
大綱 Ⅰ. 簡介 Ⅱ. 系統架構 Ⅲ. 前處理模組 Ⅳ. 特徵萃取模組 Ⅴ. 分類辨識模組 Ⅵ. 實驗結果
簡介 生物辨識 生理特徵 臉型、掌型、掌紋、指紋、視網膜和虹膜…等。 行為特徵 聲音和簽名…等。
簡介 虹膜紋理具有以下特性 辨識分為 終身不變、獨一無二、不易仿照、普遍性。符合生物辨識的特性。 識別(identification)：一對多 確認(verification)：一對一
系統架構
影像前處裡模組
影像強化 受光源影響虹膜影像 影像增強結果
特徵萃取模組
特徵萃取模組
Downsample 以部份重疊方式做downsample能降低擷取影像位移與虹膜伸展收縮之影響。
Downsample row與column以每m*n pixel取mean並相互重疊50%。
SPIHT編碼法 SPIHT（Set Partitioning in Hierarchical Trees）是由 Said 和 Pearlman 於1996 年所發表的； SPIHT 是 EZW ( Embedded Zerotree Wavelet ) 的改良版，同是利用scan order、zerotree 的觀念及門檻值來將離散小波轉換後的係數切割成數層 ， 然後分別將切割後的結果一一儲存傳送的技術。
掃描順序 掃描順序頻帶順序示意圖。
零樹(Zerotree) Zerotree 切割示意圖。 選取最具代表性之層
四元樹(quadtree) 經小波轉換後的數值，以最低頻的係數為根，中頻及高頻為子節點，每個根會延伸出四個子節點，這些子節點是被用來加強父節點。 在編碼過程中以四元樹的概念，利用零樹門檻值決定影像中重要係數，並只對其重要係數編碼。
四元樹(quadtree) 以三階離散小波轉換後的結果說明： A(1,2) 代表右圖中(1)與(2)的集合。 B(1,2) 代表右圖中(2)的集合。 A(4,2) 代表右圖中(3)的集合。 B(4,2) 則不存在。
比對方式 特徵碼為二元碼，使用漢明距離進行比對。 漢明距離為3
修改SPIHT編碼 特徵碼長度改為固定碼長形式，比對時加入不同碼長的概念，即為本系統修改SPIHT編碼法的宗旨。
各頻域權重選擇 把三階小波轉換結果分成四個頻域，加上重建數值，共有五項權重參數。 非常重要w = 5 很重要 w = 4 重要 w = 3
最佳化流程圖
分類辨識模組
符號說明 真實接受（Acceptance of Authentic, AA） 真實拒絕（Rejection of Authentic, RA） 冒牌接受（Acceptance of Faker, AF） 冒牌拒絕（Rejection of Faker, RF） 錯誤拒絕率（False Rejection Rate, FRR） 錯誤接受率（False Acceptance Rate, FAR） 等錯誤率（Equal Error Rate, EER）
實驗結果-影像前處理 虹膜影像資料庫： 採用貝魯特大學-計算機科學系-SOCIA實驗室所提供的UBIRIS虹膜影像資料庫進行實驗。 每隻眼睛有5張24位元彩色影像，解析度爲800×600像素。 共1205張人眼影像。
實驗結果-影像前處理 影像前處理失敗原因分析 失敗原因 數量 比例( % ) （a） 拍攝失焦 45 29.22 （b） 眼瞼遮蔽（含睫毛遮蔽） 73 47.4 （c） 眼睛閉合 11 7.14 （d） 瞳孔與虹膜顏色相近 22 14.29 （e） 其他（人臉影像） 3 1.95 總和 154 100
實驗結果-影像前處理 拍攝失焦 眼瞼遮蔽 眼睛閉合 瞳孔與虹膜顏色相近
實驗結果 其中這五項參數的組合中，共有14組為最佳解( EER = 0% )。 最低頻 次低頻 高頻 重建數值
實驗結果 在距離分布圖發現加入權重後可拉開同類與非同類之間距離。 加入權重前 加入權重後
實驗結果 在各項參數與權重均選擇最佳情況下，本系統可達到EER = 0%。
實驗結果 Downsample係數與方式 五項權重之最佳化 特徵碼長度 EER(%) 8*8取mean(無重疊) 無 292 bytes 0.2478 16*16取mean(無重疊) 73 bytes 0.1282 16*16取mean(重疊) 0.0132 32*32取mean(重疊) 0.0489 有 0.0813 0.0165