基于生物特征识别的身份鉴别技术已经受到越来越多的重视。虹膜是在眼睛中瞳孔与巩膜之间的织物状各色环状物，每一个虹膜都包含一个基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构[1]。虹膜特征是随机产生的，与遗传因素无关。研究表明，没有任何两个虹膜是一样的，即使一个人的左右眼或者双胞胎的虹膜也都不一样。同时虹膜在人的一生中不会改变，所以虹膜识别拥有非常高的准确率[2]。

    目前基于DSP的嵌入式虹膜识别系统大多利用DSP+ARM的形式实现[3]，ARM负责图像采集和结果显示，DSP负责数值计算。由于TMS320DM642已经具有图像采集和显示功能，所以本文提出了一种基于单一TMS320DM642的嵌入式虹膜识别系统的设计方案，不仅节约了产品成本，还缩短了开发周期，降低了开发难度。
1 虹膜识别系统总体结构
1.1 虹膜识别系统
    本文设计的系统共有三种工作模式可供选择，分别为注册模式、匹配模式以及删除模式。在系统上电后，首先进行系统初始化，然后进入待机状态，在用户按下键盘选择工作模式后，系统由待机状态进入工作状态：(1)进行虹膜图像采集；(2)对所采集图像进行质量评价，如果图像质量不合格，则重新进行虹膜图像采集，如果图像质量合格，即对虹膜图像进行预处理、特征提取和编码；(3)根据用户选择的工作模式进行相应操作。当用户选择注册模式时，系统直接将虹膜特征编码写入虹膜特征数据库中，提示用户注册成功；当用户选择匹配模式时，系统将当前虹膜特征编码与虹膜特征数据库中的虹膜特征编码进行一对多的匹配，直到匹配成功为止，如果虹膜特征数据库中没有相匹配的信息，则提示用户匹配失败；当用户选择删除模式时，系统将当前虹膜特征编码与虹膜特征数据库中的虹膜特征编码进行一对多的匹配，如果匹配成功时，则删除该虹膜特征编码，否则提示用户删除失败。虹膜识别工作流程如图1所示。

1.2 系统硬件结构
    本文使用的平台是TI公司的TMS320DM642开发平台。TMS320DM642(以下简写为DM642)是一款专门为图像处理和视频处理定制的DSP[4]，大大简化了图像处理平台硬件的开发。在主频720 MHz下处理速度达到5 760 MIPS，非常适合在数据量非常大的图像处理中应用。
    DM642片上集成了3个Video Port(VP)接口，可以配置为多种格式数字视频流的输入输出和流捕捉模式。摄像头采集的模拟视频信号经TVP5150转换为数字信号，通过VP2口读入DM642；虹膜识别结果由DM642的VP0口输出数字信号经SAA7121H转换为模拟视频信号在监视器显示。本文设计中采集配置为有效数据区的像素大小为768×576，采用隔行扫描技术， Y、Cr、Cb的比例关系为4：2：2。视频图像采集通过EDMA将视频端口内部FIFO中的视频数据读入SDRAM中的图像存储目的地址[5]。SDRAM中存储系统运行时的临时程序代码和图像数据，Flash中存储系统引导程序、系统软件和虹膜特征数据库。电源为DM642提供+1.4 V的内核电源电压和+3.3 V的数字电源电压。系统硬件架构如图2所示。

1.3 系统软件结构
    基于DM642的嵌入式虹膜识别软件系统是在CCS3.3集成开发环境下，基于DSP/BIOS嵌入式操作系统开发的。DSP/BIOS是TI公司专为其TMS320C6000系列、TMS320C5000系列和TMS320C28x系列DSP平台所设计开发的、一款尺寸可裁剪的实时多任务操作系统内核[6]。DSP/BIOS提供4种不同的线程，优先级从高到低分别是硬件中断(HWI)、软件中断(SWI)、任务(TSK)和空闲循环(IDL)。为了完成各个线程之间的同步、互斥和通信，DSP/BIOS还定义了两类对象：邮箱信号(MBX)和旗语信号(SEM)。邮箱用于实现两个线程之间的数据交换，旗语则用于线程之间的同步和互斥。
    本系统中共有HWIINT4和HWIINT5两个硬件中断。HWIINT4用于响应键盘按键中断并且记录下用户所按的键，系统会根据用户按键的键值对全局变量KEY进行赋值。当按键是注册时，KEY=0；当按键是匹配时，KEY=1；当按键为删除时，KEY=2。HWIINT5用于响应EDMA中断，表示一帧图像采集完成。系统中共有7个任务：TSKCapture用于虹膜图像采集；TSKEvaluation用于虹膜图像质量评价；TSKProcess用于虹膜图像预处理、特征提取和编码；TSKRegister用于虹膜系统注册；TSKMatch用于虹膜系统匹配；TSKDelete用于虹膜系统删除；TSKDisplay用于视频显示。系统进程调度如图3所示。

2 虹膜识别算法
    虹膜识别算法主要包括：(1)虹膜图像预处理；(2)虹膜图像特征提取与编码；(3)编码匹配。
2.1 虹膜图像预处理
    虹膜图像预处理主要包括虹膜内外圆定位、定位图像归一化和图像增强三个部分。
    本文采用参考文献[7]的定位方法，定位结果如图4所示。

    在采集虹膜图像时，采集设备与被采集者的相对位置会发生变化，使得采集到的人眼图像的大小、位置、角度有差异。所以必须将虹膜图像进行归一化以减小由这些差异带来的误差。归一化就是将虹膜纹理区域中的点一一映射到极坐标系中。
    由于采集虹膜图像时需要增强光照，将会引起虹膜纹理的明暗程度不同，给后续步骤造成影响。因此，为了提高识别效果，需要对归一化的虹膜图像进行增强。本文采用直方图均衡化实现虹膜图像增强。
2.2 虹膜图像特征提取与编码
    虹膜图像特征提取与编码是虹膜识别中最关键的一步，直接关系到虹膜识别的准确率。
    2D-Gabor在空域和频域的局部特性与视觉细胞很相似，可以模拟视觉简单细胞的二维感受视野轮廓，同时又具有良好的频率和方向选择性，能提供最佳的时域和频域分辨率。因此本文采用2D-Gabor滤波对虹膜图像进行特征提取。
    2D-Gabor滤波器最早由Jhon Daugman博士于1985年提出[8]，目前基于2D-Gabor滤波器的虹膜算法已经成为虹膜识别的主流算法。由于虹膜本身的形状近似为环状，在虹膜图像归一化中已经将虹膜纹理信息映射到极坐极系中。为了方便表达和降低复杂度，将Gabor滤波器用极坐标表示为：

    由于Gabor滤波器分成实部和虚部两部分，因此滤波后采样点位置的值也存在实部和虚部，按照实部和虚部的相角大小可以分别得到两位编码，如式(2)所示。经过该种编码后虹膜纹理特征变成0、1的编码序列。

3 实验结果
    实验所用的虹膜图像全部由实验室搭建的采集设备拍摄，目前拍摄了20人，每人左右眼在不同的时期各拍摄6张，共计240张虹膜照片，照片为8 bit灰度图像，768×576像素大小。虹膜照片效果如图4(a)所示。
    为了验证本系统工作的有效性，选取不同的HD阈值进行判别，统计类内的拒判次数和类间的误判次数，分别得到误判率（FRR）和误认率(FAR)。本实验共进行600次类内和3 000次类间的判别实验。表１列出了不同HD阈值下误认率和误判率。

    当选择合格的HD阈值时，嵌入式虹膜识别系统具有非常高的识别率，且系统识别时间在1.5 s以内，达到了快速高效的识别效果。
    嵌入式虹膜识别系统与基于PC的虹膜识别系统相比具有体积更小、成本更低、实用性更强、可靠性更高等优点，是未来虹膜识别系统的主要发展方向。本文设计的基于DM642的嵌入式虹膜识别系统可以广泛地应用于银行、机场、海关等需要身份识别的场合。
参考文献
[1] 徐露.虹膜识别若干关键问题研究[D].沈阳：沈阳工业大学，2008.
[2] DAUGMAN J.How iris recognition works[J].IEEE Transactions on Circuits and Systems For Video Technology，2004，14(1)：21-30.
[3] 周涛，解梅.基于ARM和DSP的虹膜识别系统的设计[J].计算机技术与发展，2008，10(18)：13-15.
[4] Texas Instruments Inc.TMS320DM642 video/imaging fixedpoint digital signal processor[EB/OL].[2002-07-20].http：//www.ti.com/lit/ds/symlink/tms320dm642.
[5] Zhao Xin，Xie Mei.A practical design of iris recognition system based on DSP[C].Intermational Conference on Intelligent Human-machine Systems and Cybernetics.United States：IEEE Computer Society，2009：66-70.
[6] 彭启琮，管庆.DSP集成开发环境[M].北京：电子工业出版社，2004.
[7] 叶永强，沈建新，周啸.基于瞳孔灰度特征的快速定位[J].光电工程，2010，37(3)：127-132.
[8] DAUGMAN J.Uncertainty relation for resolution in space[J].Spatial Frequency and Orientation Optimized by Two-Dimensional Visual Cortical filter，1985，12(7)：1160-1169.