虹膜定位的低成本嵌入式硬件架构及其在虹膜生物识别系统中的应用

沙特国王大学学报用于定位VW图像Vineet KumarSunday，Abhijit Asati1，Anu Gupta1Birla Institute of Technology and Science Pilani，Pilani 333031，India阿提奇莱因福奥文章历史记录：收到2020年2020年10月17日修订2020年11月8日接受2020年11月14日网上发售保留字：专用硬件架构FPGA实现虹膜定位A B S T R A C T本研究提出了虹膜定位的专用硬件，可用作实时和低成本的嵌入式虹膜生物识别系统的开发中的协处理器。虽然描述了用于可见光波长（VW）图像中的虹膜定位的硬件架构，但是所使用的概念也可以应用于近红外（NIR）图像。一般来说，该架构可用于一类基于边缘图生成和圆形霍夫变换（CHT）的虹膜定位算法。这里提出的架构使用中值滤波生成边缘图，用于边缘和瞳孔边界检测，然后进行Sobel边缘检测;然而，额外的反射去除模块用于瞳孔边界检测。此外，CHT硬件模块检测每个边缘图中的圆。该架构在Xilinx的Zynq-7000 SoC器件的可编程逻辑中实现。对于UBIRIS.v1 VW数据库图像（200× 150像素），该硬件实现的虹膜定位精度为98.43%，平均处理时间为5.148 ms所使用的算法适用于受试者主动参与捕获的不太受约束的正面虹膜图像©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍虹膜定位处理图像中虹膜边界的检测，是在个人计算机（PC）平台上运行的虹膜生物计量算法（图1）的所有阶段中最耗时的阶段（Basit和Javed，2007;López等人， 2011年）或基于微处理器的嵌入式系统（Grabowski和Napieralski，2011年）与有限的数据库大小（N）。用于虹膜定位任务的专用硬件对于在使用低速中央处理单元（CPU）的嵌入式虹膜生物测量系统虹膜识别算法的软件实现通常在由高性能串行微处理器（工作在GHz范围内的时钟频率）、高速缓冲存储器、高速通信总线和附加接口组成的平台上进行。*通讯作者：印度Pilani校区BITS-Pilani电气和电子工程系电子邮件地址：vineet. gmail.com（V. Kumar）。1印度Pilani校区 BITS-Pilani电气和电子工程系沙特国王大学负责同行审查便于快速执行复杂算法的功能单元然而，由于微处理器成本、完整系统成本、系统尺寸和高功耗，这种软件实现可能会限制生物识别技术在特定市场的为了推广生物识别安全，需要开发能够容易地集成到任何类型的产品中用于访问控制的嵌入式生物识别系统。除此之外，它们还被开发为独立的便携式系统，具有体积小、重量轻、功耗低和成本低的优点。这样的便携式系统可用于指纹生物测定，例如，具有大约今天的笔式驱动器的大小的个人生物测定令牌（Basit和Javed，2007;Liu-Jimenez等人， 2011年）的报告。尽管如此，由于其较高的可接受率，这些令牌可用于指纹生物测定（Jain等人， 1997）;它们尚未开发用于虹膜生物识别（Grabowski和Napieralski，2011）。从 文 献 综 述 中 发 现 ， Rakvic 等 人 （ 2009 ） ， López 等 人（2011），Grabowski和Napieralski（2011），Liu-Jimenez等人（2011）提出了开发虹膜识别嵌入式系统的主要工作。（2011年）。本文简要回顾了这些工作，重点是虹膜分割阶段，并指出虹膜分割专用硬件是虹膜识别嵌入式系统发展中的一个研究空白。在Rakvic等人（2009年）的文章中，作者演示了虹膜识别的并行化，他们在一个字段上并行化了虹膜分割、模板创建和模板匹配的https://doi.org/10.1016/j.jksuci.2020.11.0041319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comV. Kumar，A. Asati和A.古普塔沙特国王大学学报4569×Fig. 1. 虹膜生物识别系统的阶段。可编程逻辑阵列（FPGA）为基础的系统，并证明加速分别为9.6，324和19倍，相比，最先进的CPU为基础的版本。然而，这项工作使用脊能量检测（RED）算法和加速比的结果表明，有一个范围，以实现更好的加速因子虹膜分割，通过使用一种算法比RED算法。在洛佩斯等人的工作。（2011）提出了基于软硬件协同设计的虹膜识别嵌入式系统设计的最佳范例之一。在低成本的Spartan 3FPGA上实现了软硬件协同设计，结果表明，在40 MHz的时钟频率下，对于640 480像素的图像，整个虹膜识别算法的执行时间在该协同设计中，虹膜分割阶段的主要部分被实现为专用硬件，因为该阶段在软件中占用了总（所有阶段）执行时间的71%以上虹膜分割硬件的执行时间为159 ms，但其硬件结构设计和准确性评估都没有透露。此外，执行时间似乎也未优化，并且在算法的适当选择方面存在改进的范围，以实现更好的速度和准确性。Grabowski和Napieralski（2011）的作者描述了在多核嵌入式系统上实现完整的虹膜识别系统（1：N）。该系统架构主要由数字信号处理器（DSP）和FPGA组成。他们的工作表明，虹膜分割在基于PC的平台上执行时是最耗时的任务，而当使用Grabowski和Napieralski（2011）中描述的多核嵌入式系统实现时，它需要非常少的计算时间。在Liu-Jimenez et al. （2011）中，作者在用于嵌入式系统开发的两个不同平台上提出了虹膜生物测定的两种实现：（1）基于微处理器的架构;以及（2）专用硬件设计。然而，这些实现由于其复杂性而不包括虹膜识别的虹膜分割阶段，并且仅包括特征提取和模板匹配。第二种实现（基于FPGA的专用硬件解决方案）给出了最佳的处理时间，它显示了200倍的加速比基于微处理器的解决方案。与通用计算机系统相比，这两种实现方式在数据安全性、系统大小和成本方面都具有优势近红外（NIR）虹膜图像是虹膜识别系统的传统输入，但近年来，生物统计学家将注意力转向了在电磁波谱的可见波段中获取的可见波长（VW）虹膜图像（Proença，2010）。这种趋势是由多种因素支持的：（1）可见光范围内的光学相机价格便宜，并且具有非常高的分辨率，（a）行动;（2）这些照相机可以从更远的距离捕获面部或虹膜图像，其还可以用于认证可疑或暴力的个体;（3）今天的智能电话将不需要额外的NIR照相机来运行虹膜识别应用;（4）NIR波长可能是危险的，因为眼睛不会本能地以其自然机制作出反应。（视、眨眼和瞳孔收缩）（Proença，2010）。相关著作（López et al.，2011; Kumar等人，2018;Giacometto等人，2011; Ngo等人，2014年; Khan等人，2019）在用于虹膜定位任务的专用硬件实现上的应用在表1中示出，但不幸的是，它们都意味着NIR图像并且不能应用于VW图像。表1提到了它们的显著特征和性能特征，而表2总结了这些工作的局限性。这些表中的符号López et al.（2011）的工作使用Daugman的IDO近似虹膜边界的参数，然后使用活动轮廓对其进行微调。然而，只有整数部分的活动轮廓的硬件实现，而浮动部分是由微处理器执行。López的作者没有透露虹膜定位的硬件架构和精度等（2011年）。作者在Giacometto等人（2011）中也没有揭示准确性。此外，（Giacometto等人，2011）仅使用CASIA-Iris-version 1.0数据集进行了测试，该数据集被认为是NIR图像最理想的数据集之一。Ngo等人（2014）已经提出了用于边缘系统边界检测的CHT硬件实现，但该工作不包括边缘图生成和瞳孔边界检测的硬件实现。在最近的一项工作中，Khan et al.（2019）使用了一种基于阈值，形态学运算和连通分量分析的算法。该算法用多个NIR数据集进行了测试，但它不能应用于大众汽车图像。所提出的工作目标是VW图像，然而，所提出的架构概念也可以应用于NIR本文提出了一种虹膜定位提出了一种基于边缘图生成和圆形Hough变换（CHT）的虹膜定位算法。使用Xilinx的Zynq FPGA平台，并使用UBIRIS.v1数据库图像评估性能。我们以前的工作之间的区别（库马尔例如，2018年），该工作如表3所示。表中的术语“整合架构”是指接受图像作为输入并在其执行之后输出虹膜的外边界和内边界的圆参数的架构模块。Kumar等人（2018）未介绍此类架构;仅介绍了其组件，未将其整合。V. Kumar，A. Asati和A.古普塔沙特国王大学学报4570表1虹膜定位的专用硬件实现（LUT：查找表，FF：触发器，Reg：寄存器）。FPGA设备硬件资源利用用方法图像大小（像素）准确度（%）时间（ms）fmax（MHz）López等人（2011年）斯巴达3 XC3S2000LUT = 1985，FF = 1765IDO和活动轮廓模型（部分）640 ×480–15940Giacometto等人（2011年）Virtex-5 LX50TLUT = 1594，Reg = 2805，BRAM = 2，DSP = 24强度梯度图像320 ×280–56.59100Ngo等人（2014年）40 nm FPGALUT = 9688，Reg = 12165，BRAM = 256和CHT边缘图与CHT320 ×240>925.15215Khan等人（2019年）旋风IV EP4CE 115LUT = 4653，Reg = 2778，乘数= 22，内存= 1641.3kbitsRegion属性320 ×24097.37-99.016.5111Kumar等人（2018年）Zynq xc7z020-1clg484LUT = 13691，Reg = 7115，BRAM =68边缘图与CHT320 ×240九十五点零六分，九十七点七分3.85203表2表1所列相关工程的局限性。虹膜定位硬件输入类型使用的输入数据集限制López等人（2011）NIR- ●硬件架构和精度未透露Giacometto等人（ 2011）NIRCASIA Iris version 1.0●仅适用于理想的近红外图像● 准确性未透露Ngo等人（ 2014）近红外ICE-2005●虹膜应显示为完整的圆形● 它只检测外部边界Khan等人（ 2019）NIRMMU v1.0，ICE-2005，CASIA-IrisV3-Lamp，ND-IRIS-0405Kumar等人（2018）NIRCASIA Iris-Thousand，版本4.0，CASIA虹膜灯，版本3.0● 不适用于具有密集眼睑和睫毛遮挡或黑暗照明的● 它不适用于大众图像● 组件未集成为单个虹膜定位模块● 它不适用于大众图像● 它只建议的VWUBIRIS.v1●适用于不太受约束的前视图VW图像表3与我们以前的工作（Kumar et al.， 2018年）。在开始为应用程序设计专用硬件之前，这是一个至关重要的练习。S.号Kumar等人（2018）这项工作毫无疑问，基于积分微分算子（IDO）和CHT的算法是目前最常用的虹膜算法1适用于近红外图像适用于大众图像定位（Proença，2010; Roy等人，2011; Shah和Ross，2009）。2没有提出虹膜定位的统一架构3所提供的硬件组件不足以用于大众虹膜定位它提供了统一的架构，这个想法将适用于（Kumar等人，2018）还介绍了其他组件，如反射消除和形态膨胀相对于FPGA上的并行实现，IDO被发现是不太合适的CHT相比为了在IDO实现中赋予并行性，需要将输入图像的k个副本存储在对应于用于圆检测的k个半径的存储器中，因为IDO需要读取图像的像素强度值，而在CHT中需要单个边缘映射图像来执行并行性。4边缘图生成技术是不同的本文的其余部分包括以下几个部分：第二部分讨论了算法的选择和提出的方法针对大众图像。第3节介绍了拟议的硬件实现。第4节讨论了合成和性能结果。最后，第五节结束了工作。2. 算法选择和建议方法在这一节中，现有的国家的最先进的虹膜定位任务的算法进行审查，专用的硬件实现，并提出了一个适合于硬件实现的算法。专用硬件的使用是实现需要高速并行处理的操作的替代方案。对于主要包含顺序操作并阻碍并行和流水线实现的算法，设计专用硬件解决方案可能并不总是合理的。 因此，算法选择成为由于CHT不需要图像的像素强度值基于IDO和CHT的算法的性能（准确度和时间）取决于在应用IDO或CHT之前的图像预处理步骤，诸如反射去除、识别潜在的圆心、感兴趣的像素或区域的选择以及最佳边缘图生成技术等（Kumar等人，2016年，2015年）。在Kumar等人（2018）中，结果表明，由于应用CHT的边缘图中边缘点数量的增加，CHT精度随着图像中高斯白噪声方差的增加而显著降低。研究人员提出了新的IDO或CHT算法，提出了新的图像预处理技术，提高了虹膜定位算法的整体性能 一些最近的算法的细节（Abdullah等人，2017; 2017年1月;Radman等人，2013;Llano，2018）在第4.4节中讨论。由于前面提到的CHT提供的并行性，选择了基于边缘图生成和CHT的方法当将这种方法应用于NIR图像时，瞳孔在边缘边界之前被检测到，而对于VW图像则相反（图2）。 2），因为在VW图像中边缘系统边界比瞳孔边界具有更高的对比度。该算法V. Kumar，A. Asati和A.古普塔沙特国王大学学报4571×图二、基于边缘图和CHT的虹膜定位：（a）NIR图像;（b）VW图像。在我们的先前工作（Kumar等人，2018），而VW图像的算法在这里描述。在NIR图像的情况下，眼睑和睫毛的遮挡是一个主要问题，因为我们必须首先在存在致密眼睑的情况下定位小尺寸的瞳孔（请参见图1A和1B）。5和6（Kumar等人，2016）），然后使用瞳孔参数确定虹膜外边界。与此相反，在VW图像的情况下（所提出的论文），首先定位虹膜外边界，其可见的圆形轮廓足够大，足以在存在致密眼睑的情况下通过CHT进行检测（参见图13）。然而，在某种程度上，密集的眼睑遮挡对于VW图像也可能是严重的问题，例如，部分闭合的眼睛或在非前视图虹膜图像中。2.1. 该方法所提出的算法适用于受试者主动参与捕获的不太受约束的VW图像边缘或瞳孔边界检测是一个两步过程：（1）边缘图生成;（2）使用CHT在边缘图中检测圆。接下来在各个子部分中描述所提出的边缘和瞳孔边界检测。2.1.1. 边缘检测边缘系统边界检测的过程如图所示。3.第三章。在对眼睛图像进行Sobel边缘检测之前，先对眼睛图像进行中值滤波中值滤波核的大小为5.5，这是在给定的数据库图像上进行实验后垂直Sobel边缘检测器被应用于中值滤波图像以检测垂直边缘，因为水平边缘边界边缘由于眼睑和睫毛的遮挡而在图像中大部分不可用于垂直边缘检测的Sobel核在（Kumar等人，2018），其仅使用图像梯度的x导数分量来计算梯度幅度。现在，CHT应用于边缘图以检测边缘系统边界。CHT算法的伪代码及其实现在我们以前的工作中提出（Kumar等人， 2018年）。2.1.2. 瞳孔边界检测边缘边界圆的中心定义了图4（a）中所示的用于瞳孔边界检测的感兴趣区域（ROI）。瞳孔区域的光线反射造成瞳孔因此，在边缘检测步骤之前去除（稍后详细解释）边界检测。在反射去除之后，使用中值滤波和Sobel边缘检测来生成边缘图，分别如图4（e）和图4（f）所示。垂直和水平Sobel边缘检测都用于检测瞳孔边界边缘，因为瞳孔在图像中大部分是完整的圆形瞳孔圆是使用CHT在边缘图中检测到的，如在前一小节中所做的。首先使用灰度图像上的阈值化操作来定位反射，并且定位的反射在图4（b）中被示出为二进制图像中的黑色像素。这张反射图如图4（c）所示，通过对黑色对象的形态膨胀操作来增强。在这种情况下，黑色像素被认为是具有白色背景的对象。膨胀操作会增加局部反射的区域，以便反射贴图包含反射及其周围的光晕。膨胀操作使用半径为2的“盘”型结构元素。确定增强的反射图（图4（c））中的反射坐标，并将原始强度图像中这些坐标的像素值替换为低像素值IL。强度值IL通过在子图像（ROI）中找到最小像素值（M）并将M加上25来自动确定。瞳孔是ROI中最暗的区域，数字25说明增加光瞳内的像素值的反射发光。值25通过对给定数据库的图像进行实验来确定。3. 虹膜定位本节描述了在前一节中讨论的提议方法的硬件实现本文采用标准的硬件设计方法，例如，在确定算法的主要功能后，绘制硬件结构，然后进行Verilog建模和仿真（迭代过程）。合成结果是针对Xilinx的Zynq设备获得的所提出的虹膜定位硬件模块在图5中示出，其输入是作为像素流（每个时钟周期一个像素）应用的眼睛图像，并且输出是用于边缘和瞳孔边界的两组圆参数（r，xc，yc）。该模块的内部模块如图所示。 六、所提出的硬件分两个阶段实现虹膜定位(a)边缘边界检测;以及（b）瞳孔边界检测。1位控制信号PD/LD'用于从第一相位切换到第二相位，并且在第一相位期间它保持为零（图12）。 6）。V. Kumar，A. Asati和A.古普塔沙特国王大学学报4572图3.第三章。边缘边界检测：（a）来自UBIRIS.v1的眼睛图像;（b）5× 5中值滤波图像;（c）无边缘细化的边缘图;（d）在（c）上应用CHT后检测到的边缘边界见图4。瞳孔边界检测：（a）感兴趣区域（ROI）;（b）反射图;（c）增强反射图;（d）擦洗反射;（e）5× 5中值滤波图像;（f）CHT边缘图。图五. 提出虹膜定位模块。对于PD/LD瞳孔边界检测边缘像素的坐标被存储在BRAM1和BRAM2中，然后由CHT模块读取以检测边缘边界圆。对于PD/LD新边缘像素的坐标通过对原始边缘像素的坐标进行归一化，存储在BRAM1和BRAM2中，然后由CHT硬件模块读取，检测瞳孔边界圆。Sobel边缘检测器模块在边缘边缘检测期间用作“垂直边缘检测器”，并且在瞳孔边界检测期间用作“垂直加水平边缘检测器”。此外，对于边缘和瞳孔边界检测，阈值（T）也是不同的，其使用PD/LD '来选择。控制信号PD/LD主要见图6。所提出的虹膜定位架构（图1的内部框图）。 5）。V. Kumar，A. Asati和A.古普塔沙特国王大学学报4573×××××见图7。 提出的架构的硬件控制流程。图6的硬件组件是中值滤波器、Sobel边缘检测器、反射去除和CHT，其结构设计和实现在下一小节中描述。图7示出了图1中呈现的架构的硬件控制流。 六、 该图示出了“PD/L D 的 0 0 值 ” 遵 循导致边缘边界检测的路径，并且“ 1 0值” 选择导致瞳孔检测的右侧路径。所提出的架构概念也可以用于NIR图像，但是瞳孔和边缘边缘图生成技术将是不同的。首先，PD/LD在我们以前的工作中描述了用于NIR图像的边缘图生成技术的硬件实现（Kumar等人， 2018年）。3.1. 5×5中值滤波在我们以前的工作中描述了5 × 5中值滤波器的硬件实现（Kumar等人，2018，2017），请读者参考（Kumar等人， 2018年，对于这一部分。在每个时钟周期，中值滤波器核心接受输入图像的新的5× 5像素窗口，并找到它的中值。 2018年）。3.2. 索贝尔边缘检测器所提出的Sobel边缘检测器架构如图1所示。 8不同于（Kumar等人， 2018），在某种意义上，它可以用于垂直边缘检测或用于使用控制信号Vertical的垂直加水平边缘检测。Sobel滤波器核心计算部分图像梯度的Gx和Gy导数，然后计算梯度幅度（GM），如图所示。8.第八条。 用于计算图像梯度G x和G y的Sobel核在（Kumar等人， 2018年）。寄存器在该架构中用于实现流水线，并获得每个时钟周期一个边缘像素（输出）图的上半部分显示了一个3 × 3的滑动窗口架构，在图像宽度W的（2W + 3）个时钟周期的初始等待时间之后，每个时钟周期将输入图像的3个像素发送到Sobel滤波器核心。3.3. 反射消除所提出的硬件架构如图9所示，其实现了第2.1.2中描述的反射消除技术。该架构在输入“Pixel-stream_in”处接受图像的像素流V. Kumar，A. Asati和A.古普塔沙特国王大学学报4574××图8.第八条。提出的Sobel边缘检测器架构（灰色部分仅执行垂直边缘检测）。见图9。 建议的反射消除架构。在由滑动窗口组件引起的初始延迟之后，该架构用于去除瞳孔区域内的照明如第2.1.2所述，使用边缘系统边界圆的中心（xc，yc）在输入图像中定位感兴趣区域（子图像）。图中的架构。 9将输入图像读取为串行像素流，并且将位于子图像内的像素与阈值（T）进行比较以检测反射像素。局部反射面积增加使用膨胀形态滤波的黑色对象，它使用一个磁盘类型的结构元素。的膨胀滤波的输出是零或一，其中零值表示反射（图9）。这些反射像素在输入图像中使用多路复用器和如图所示的5 × 5滑动窗口被低强度值IL（在第2.1.2节中讨论）替换。9.第九条。所提出的用于膨胀滤波的架构在图10中示出，其使用图10中示出的5 × 5盘型结构元件。 10（a）.然而，该体系结构是可编程的，在这个意义上，它可以用于不同类型的结构元素，只是通过改变值的S1，S2，等等，对应于一个结构元素。5× 5滑动窗口V. Kumar，A. Asati和A.古普塔沙特国王大学学报4575×××见图10。 膨胀形态滤波：（a）结构元素;（b）具有可编程结构元素的建议架构。在图10（b）的上半部分中示出的DFF架构使用25个D触发器（DFF）而不是8位寄存器，因为它生成二进制图像而不是强度图像的像素窗口。该架构中的行缓冲器是图像行缓冲器，其本质上是3.4. 循环霍夫变换CHT 硬 件 实 现 在 我 们 的 详 细 工 作 中介绍过（ Kumar 等 人 ，2018），但与（Kumar et al.， 2018年），具体内容如下。为了检测一个 圆，200× 150 像素图 像，这里 提出的 CHT 结构 使用（200/m）×（150/n）、200×1和150× 1单元的三个累加器阵列，与直接CHT实现相比，其中减少了m×n（大约）的因子的存储器需求分段，它使用一个200 150的累加器数组细胞这里提出的建议CHT选择m = n = 2，图像大小为200150像素，因为精度开始下降对于较高的m和n值，而（Kumar等人，2018）对于320 240像素的图像大小使用m = n = 4。因此，内存需求减少到25%（约）。或者换句话说，75%（大约）的理论减少。与直接CHT相比，所提出的CHT实现了无任何精度降低。4. 结果和讨论本节介绍FPGA实现结果，所提出的虹膜定位架构的准确性结果和处理时间。此外，所提出的工作的结果进行了比较与公布的结果，这表明显着的改善。V. Kumar，A. Asati和A.古普塔沙特国王大学学报4576×××××××××4.1. FPGA实现结果所提出的虹膜定位架构是用Verilog HDL实现的，以Xilinx之所以选择Zynq设备，是因为它包含CPU核心，未来在实现完整系统时，可以使用这些核心来执行虹膜识别的其他计算密集度较低的阶段。用专用的FPGA硬件实现完整的虹膜识别算法是非常困难的，也是不明智的表4示出了图1所示的完整架构的合成结果。 6因为200 150像素图像。获得的最大频率fmax为109MHz。目标FPGA包含36K大小的块RAM，并且每个块RAM可以被配置为宽高比为2K的双端口RAM16位。每个块也可以作为两个独立的1 K 16位双端口RAM。块RAM主要用于实现滑动窗口结构的行缓冲器和CHT累加器阵列。4.2. 虹膜定位精度为了评估所提出的虹膜定位硬件的准确性性能，从UBI-RIS. v1数据库中获取眼睛图像，该数据库包含在VW光下收集的大小为200 × 150像素的JPEG图像（Proença和Alexandre，2005）。UBI-RIS. v1数据库由在两个不同的会话中从241人收集的1877张图像组成。1214张图像的第一次图像捕获会话是在受试者的积极参与下进行的，并且包含较少的噪声因素，特别是与反射、亮度和对比度相关的噪声因素。第二次会议包括异构图像的反射，对比，亮度和焦点问题。此外，这些图像是在受试者最少积极参与的情况下收集的，增加了几个噪声问题。在本文中，我们对会话1图像进行了实验，因为我们的方法适用于不太受约束的图像。用Verilog HDL编写了一个附加模块“绘制圆圈”，该模块在输入眼睛图像上绘制两个白色圆圈以显示（指示）虹膜边界定位。它将输入图像的副本存储在块RAM中，并输入由虹膜定位模块提供的圆参数，如图11所示。 虹膜定位硬件和“画圆”模块都图12是用于在FPGA上测试和评估虹膜定位硬件的设置，其使用VIVADO v2014.4的创建 了一 个Simulink 模型 ，其 快照 如图 12 所示 ，该 模型 使用Simulink块集从计算机硬盘读取图像文件并显示输出图像。“读取输入图像”是一个由Simulink模块组成的子系统，它将图像从计算机硬盘导入模型，将图像转换为1D阵列，并向被测硬件提供图像像素流。Simulink模型中的中心块“JTAG Cosim”包含虹膜定位硬件的比特流文件（.bit）以及用于在ZedBoard上配置Zynq xc 7z 020 - 1clg 484FPGA的“绘制圆圈”模块。ZedBoard使用JTAG电缆连接到计算机。当模型第一次运行时，ZedBoard上的FPGA设备被编程，从计算机接收输入像素流，处理像素并将输出像素流发送回计算机。来自Zedboard的输出像素流从1D阵列转换为2D阵列（图像），并通过另一个Simulink子系统“View Iris Localized Image”使用视频查看器显示现在，为了测试下一个图像，在“读取输入图像”子系统和虹膜定位硬件中指定新的图像路径表4Zynq xc 7z 020 - 1clg 484器件（fmax = 109 MHz）的拟议架构（图6逻辑利用使用设备上可用切片寄存器9132106,400切片LUT数量15,47653,200块RAM106140在FPGA上再次运行，但由于FPGA已编程，因此该时间模型在跳过FPGA配置的情况下运行。表5显示了UBIRIS.v1数据库中会话-1的1214幅图像的虹膜定位准确度结果。本文的工作大多只使用整数运算，硬件和软件实现都使用相同的 精 度 。 然 而 ， 在CHT 硬 件 实 现 中 的 一 个 地 方 （Kumar 等 人 ，2018），使用两个32位定点乘法器生成圆点（r cos h，r sin h），与MATLAB实现中的浮点乘法器相反，但它不影响精度。使用公式（NI/NT）100，通过手动检查输出图像计算准确度，如表5所示。表中正确的虹膜定位图像意味着边缘和瞳孔边界都被正确定位。表5中的结果表明，MATLAB和硬件实现具有相同的精度。图13中示出了正确虹膜定位的样本图像以及用于边缘和瞳孔边界检测的边缘图。正确的虹膜定位意味着瞳孔和边缘边界都被准确地检测到。4.3. 处理时间最大工作频率为109 MHz，从所提出的架构的合成，但处理时间计算的时钟为100 MHz。通过将时钟周期乘以完成虹膜定位任务所需的时钟周期数来获得处理时间每幅图像的平均处理时间为5.148ms，从200 - 150像素大小的100幅该算法的计算时间与虹膜图像边缘图中边缘点的个数（N）大致成正比。这些边缘点是CHT模块的输入，并且CHT模块所花费的时间与边缘点成正比，如Kumar等人的等式（5）所给出的。（2018年）。因此，如果图像大小加倍，即400 × 300像素，并且假设边缘点也加倍，则计算时间将为约10ms。然而，这个时间可以通过使用诸如大尺寸中值滤波器的各种技术来减少图像的边缘图中的假边缘点来减少。所提出的方法的MATLAB代码是使用MATLAB的内置函数编写的MATLAB代码不适合显示硬件相对于软件的加速比。 这是一个很好的证明的事实，一个算法的专用硬件总是给它的软件实现（编译的机 器 代 码 ） ， 这 也 是 在 我 们 以 前 的 作 品 之 一 Kumar 等 人 。（2017），其中用于瞳孔检测的边缘图生成技术的硬件实现实现比用C++实现的软件实现的速度快206倍。因此，作者认为，C/C++实现可以避免在这里，以显示加速，这是一种额外的信息，为所提出的工作。V. Kumar，A. Asati和A.古普塔沙特国王大学学报4577见图11。虹膜定位模块在FPGA上的测试。见图12。设置用于测试和评估FPGA上虹膜定位硬件的准确性。表5UBIRIS.v1虹膜定位的准确性结果（两种实现中使用了相同的精度）。执行次数用于测试的图像（NT）正确虹膜局部图像准确度（%）=（NI/NT）×100MATLAB1214 1195 98.43FPGA1214 1195 98.434.4. 与以往作品的表7中的比较表明，对于UBIRIS.v1数据集图像，所提出的方法的准确性然而，所提出的方法有局限性的工作较少无约束的图像。在Radman et al. （2013），开发了基于圆形Gabor滤波器和IDO的算法，以针对接近理想的VW图像，如UBIRIS.v1，而（2017年1月）使用基于反射去除，IDO，图像强度和傅立叶级数的方法来针对非理想的VW图像。 在Abdullah et al. （2017）提出了一种基于主动轮廓力的鲁棒虹膜定位算法，图十三.使用所提出的工作获得的样本图像：（a）原始图像;（b）边缘图边缘边缘检测;（c）边缘图瞳孔边界检测;（d）虹膜定位图像。表6200× 150像素图像的处理时间。在NIR或VW照明下捕获的非理想图像。所提出的硬件架构没有与预工艺硬件模块@100 MHzMATLAB代码CPU@2.40GHzviews作品，作为硬件实现虹膜定位5.148 ms 1.809 sec大众虹膜定位是不可用的最好的我们的知识。V. Kumar，A. Asati和A.古普塔沙特国王大学学报4578×表7与UBIRIS.v1图像的已发表结果进行比较。方法准确度（%）Radman等人（2013年）97.362017年1月98日Abdullah等人（2017年）96.5098.43此外，由于使用的图像大小、设备和图像类型不同，将所呈现的作品与表1中列出的相关作品进行5. 结论本文提出的工作提供了一个解决问题的专用硬件实现的虹膜本地化任务。这一工作对于基于视频的生物特征识别系统中处理高帧率视频的实时虹膜定位也是有用的所有先前发表的虹膜定位专用硬件的作品都是针对NIR图像的，而所提出的工作可以定位大众图像中的虹膜。所提出的架构概念可以用于集成我们先前工作中提出的边缘图生成和圆检测的硬件模块（Kumar等人， 2018），以便为NIR图像构建单个虹膜本地化模块。此外，Kumar等人使用的一些硬件组件。（2018）的方法，如Sobel边缘检测、中值滤波和CHT模块。因此，如果我们将这两项工作（本文和（Kumar等人，2018年），并且可以开发新的虹膜定位模块，该模块适用于NIR和VW图像。也有一个范围，以改善拟议的算法（大众汽车的图像），通过使用额外的预处理，如自适应阈值，使它可以与无约束的图像以及。目前，所提出的方法适用于前视虹膜图像，用户必须在捕获虹膜图像时向前看。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认我们要感谢Hugo Proenca教授（贝拉内政大学计算机科学系）为我们提供了本研究中使用的UBIRIS.v1数据库。该数据库由葡萄牙贝拉内政大学开发。引用Basit，A.，Javed，M. Y.，2007.灰度图像中虹膜的灰度梯度定位方法。光学激光工程45（12），1107-1114。López，M.，Daugman，J.，Cantó，E.，2011.虹膜识别算法的软硬件协同设计。IET Inf.安全性 5（1），60-68。Grabowski，K.，Napieralski，A.，2011.针对虹膜识别优化的硬件架构。IEEE Trans.电路系统视频技术 21（9），1293-1303。Liu-Jimenez，J.，桑切斯-雷罗河，Fernando-Saavedra，B.，2011.“虹膜生物识别嵌 入式系统” ，IEEE Trans. 超大规模集成电路系统 19（2），274-282。贾恩，A.K.，洪湖，Pankanti，S.，博莱河1997.一种使用指纹的身份认证系统。Proc.IEEE 85（9），1365-1388。Rakvic，R.N.，Ulis，B.J.，Broussard，R.P.，艾夫斯，R.W.，斯坦纳，N.，2009年 简化虹膜识别。IEEE Trans.INF. 法医安全 4（4），812-823。Proença，H.，2010.虹膜识别：对可见光波段采集的退化图像进行分割。IEEE Trans.模式肛门。马赫内特尔32（8），1502-1516。库马尔，V.，Asati，A.，古普塔，A.，2018.用于虹膜定位的硬件加速器。J. 信号处理。90（4），655-671.Giacometto，F.J.，Vilardy，J.M.，Torres指挥官马托斯湖2011.设计并实现了一种算法，用于通过对FPGA上实现的纹理进行分析来创建用于虹膜生物特征认证的模板。J.Phys.274（1），1-13.Ngo，H.，Rakvic河，布鲁萨尔河，艾夫斯河2014.实时虹膜边界检测系统中Hough变换的资源感知架构设计与实现。IEEE Trans.消费电子学。 60（3），485-492.Khan，T. M.，贝利D.G. Khan，M.A.U.，江，Y.，2019.实时虹膜分割及其FPGA实现。J. Real-Time Image Proc. https://doi.org/10.1007/s11554-019-00859-w.Roy，K.，Bhattacharya，P.，孙振英，2011.基于变分水平集方法的虹膜分割。选购配件激光工程 49（4），578-588。Shah，S.，罗斯，A.，2009年基于测地线活动轮廓的虹膜分割IEEE Trans.信息取证安全4（4），824-836。库马尔，V.，Asati，A.，古普塔，A.，2016.无约束红外虹膜图像中高精度瞳孔定位的一种新的边缘图创建方法。J. Electr. Comp. Eng. 2016，10.库马尔，V.，Asati，A.，古普塔，A.，一种用于噪声红外虹膜图像的虹膜定位方法，在：IEEE信号和图像处理应用国际会议论文集，马来西亚吉隆坡，pp.208库马尔，V.，Asati，A.，古普塔，A.，2018.用于虹膜定位的环形Hough变换的高效存储器结构及其FPGA实现。IET Image Proc. 12（10），1753-1761。Abdullah，M.A.M.，Dlay，S.S.，Woo，W.L.，钱伯斯，J.A.，2017.基于非圆归一化的主动轮廓力的鲁棒虹膜分割方法。IEEE Trans.系统：赛博网系统 47（12），3128-3141。Jan，F.，2017.可见光波段人眼图像中非圆形虹膜轮廓定位。Comput.《电气工程》62，166-177。Radman，A.，Zainal，N.，Jumari，K.，2013.快速可靠的虹膜分割算法。IET图像处理。7（1），42-49。Ll