未来智讯 > 移动支付论文 > 基于虹膜特征识别的移动支付技术研究

基于虹膜特征识别的移动支付技术研究

发布时间:2017-12-07 08:58:00 文章来源:未来智讯    
    关键词:移动支付;虹膜特征识别;两步法认证识
    中图分类号:TN929.5 文献标识码:A 文章编号:1001-828X(2014)01-0-02
    一、基于虹膜特征识别移动支付技术的研究背景
    在金融互联网不断迅速发展的今天,移动支付由于具有支付便捷、交易效率快速、交易方式灵活等特点,成为支付方式发展的一种必然趋势,有着十分广阔的应用前景。但是现有的移动支付技术大多数是基于口令的认证方式,这种认证方式存在着秘密容易泄露,支付安全性低的特点,成为了移动支付技术的发展瓶颈。据研究数据表明,由于对支付安全性的担忧,用户对移动支付业务的使用率还处于较低水平[1]。本文创新的提出了一种基于虹膜特征识别的双步认证方式,能在有效的提升支付安全性的基础上,减少后台程序算法的开销,提高系统的响应时间。
    对于每个一人来说,虹膜的结构都是各不相同的,并且这种独特的虹膜结构在人的一生中几乎不发生变化。虹膜特征识别具有唯一性,稳定性,可采集性,非侵犯性(非接触性,让被识别人,在没有接触的情况下提取虹膜图像,对人没有侵犯)等诸多优点。特别是虹膜识别相比于其他生物特征比如指纹识别、人脸识别,具有很高的防伪性,用手术的方法改变虹膜的纹理,也是很困难的。由于移动支付对安全性要求比较高,所以我们选择用基于虹膜的特征识别技术。
    二、基于虹膜特征识别移动支付技术的技术实现
    本文创新的提出了一种将交易流程分为本地图像预处理和远程特征识别的两步法认证识别方式,这样不仅能有效地提升支付的安全性,还能减少后台系统算法的开销,提高系统的响应时间。首先我们通过移动设备的摄像头获取用户的虹膜图像,然后在移动设备对所采集到的虹膜图像进行图像的预处理工作,提取有效的虹膜特征区域,并及时的在本地对所采集的图像质量进行预评估,如果所采集的图像质量不符合标准,则提示用户重新采集虹膜图像。将图像的预处理工作放在移动设备端的好处是,可以充分利用移动设备的硬件资源,减少将图像预处理步骤放到远程终端的开销、减少系统的响应时间,经过预处理后较小的图片也可以提高流量的利用率。而且在采集图像不符合标准的情况下,能及时提醒用户重新采集图像。
    经本地移动设备采集预处理过后的图像,通过网络传的后台终端设备。后来终端设备在数据库中获取该用户注册的虹膜特征信息,并将由移动设备端传送过来的虹膜图像,加工处理后得到的虹膜特征信息,进行比对。并将比对结果返回到移动客户端。这样做的好处是将特征点的提取和匹配的步骤放到后端终端设备,在很小算法开销的情况,可以有效的提高系统的安全性。
    图1 技术实现流程图
    三、移动设备虹膜图像预处理技术的实现
    通过移动设备图像采集得到的眼部图像有一定的灰度分布特点,一般而言瞳孔灰度要小于虹膜灰度,虹膜灰度要小于巩膜灰度,在图像中灰度最小的区域就是瞳孔所在区域,本文利用眼睛内组织的灰度级分布不同快速的定位出虹膜的内外边缘[2]。一般要精确得到图像的灰度分布密度函数在技术上实现的算法比较复杂,所以在实际中用我们可以用直方图来代替灰度分布密度函数。灰度的直方图是一个离散函数,它是表示虹膜图像每个灰度级与该灰度级出现频率的对应关系的函数[3]。设虹膜图像的像素总数为N,有L个灰度级,具有第个灰度级的灰度的像素共有N个。则第k个灰度级出现的概率为:
    从虹膜图像的灰度直方图可以看出,瞳孔的灰度远小于眼睛其它部分的灰度值,并且瞳孔区近似灰度值的像素点分布集中。我们在预处理算法中,可以有效的利用瞳孔的这一特征,可以采用二值化的方法分离出瞳孔。在预处理中采用二值化的方法分割虹膜的图像,分割点阀值大小的选择是很十分重要的,如果阀值选取过低,则将会把部分瞳孔图像划分到了背景的范畴,使得瞳孔边缘点定位的准确率下降,这样提取的虹膜图像特征点数量也会大大的减少;如果阀值取得过高,则图像中瞳孔边缘也会划分到提取的部分,从而搜索不到有效的瞳孔边缘,这样就会把一些无关的消息传送到后台数据进行匹配。所以二值化方法的关键点就是阀值的选择,二值化的公式为:
    T为设定的阀值
    通过对虹膜灰度分布特征具体情况的分析,本文采用双峰法来确定阀值。双峰法属于全局阀值分割法的一种,其间阀值的选取是以灰度直方图为处理对象的[4]。可以近似认为虹膜图像的灰度分布曲线类似由两个正态分布函数和叠加而成,图像直方图会出现两个分离的峰值。
    需要分离的虹膜图像,瞳孔的灰度分布类似于正态分布函数,虹膜的灰度分布类似于正态分布函数,两个函数之间有一个谷值。在虹膜图像的灰度直方图中,像素最集中,灰度值最小的那个峰值区域,为瞳孔区的灰度分布,为最左侧第一个峰值区域。选取左侧第一个峰值和第二个峰值之间的谷值的灰度值作为分割的阀值,下图是分离出虹膜图像的示意图。
    (a)摄像头采集图片 (b)经过预处理后的虹膜图像
    分析上图可以看到,我们对移动设备摄像头采集得到的大约在5MB左右的虹膜图像,经图像预处理算法的处理成只有几KB的有效虹膜区域的灰度图像。然后对这个图像进行图像质量的预评估,如果这个图像符合标准,则往后台终端设备传送,这样比仅仅可以节约流量资源,还可以大大地提高预处理的速度。
    四、后台终端设备虹膜特征识别技术的实现
    通过移动设备采集并经过预处理过后的图像,利用通讯网络传到后台的终端设备。终端设备在后台数据库中获取该用户事先注册的虹膜特征信息,与从移动设备端传送过来的虹膜图像进行比对。针对虹膜图像的纹理特征和幅度、相位信息,我们可以利用二维Gabor滤波来提取虹膜的特征信息,因为Gabor滤波器具有频率和方向选择性[5],所以能够最大限度的提供虹膜图像局部方向和频率信息, Gabor 的二维滤波算子描述如下:
    其中,θ表示Gabor的方向值,f表示Gabor的频率,、是分别沿着坐标轴x和y的Gaussian包络值。、可以使某一方向上的纹线得到增强,一般将他们取值为经验值。
    Gabor滤波器的傅氏变换为:
    对于提取的虹膜特征点我们可以用基于小波分解的算法进行特征点的匹配[6],最后将比对结果返回到移动客户端。这样做的优点是将虹膜特征点的提取和匹配的步骤转移放到后端终端设备,可以有效的提高虹膜特征匹配的准确性,避免干扰,最大程度上的减少支付的风险,保证移动支付的安全性。
    参考文献:
    [1]三大运营商发力争夺移动支付市场[J].经济参考报,2013.
    [2]李庆嵘.马争.虹膜定位算法研究[J].电子科技大学学报,2002.
    [3]薛白,刘文耀,王金涛,等.虹膜图像预处理算法[J].光电子·激光,2003,14(7):741-744.
    [4]田捷,杨鑫.生物特征识别技术理论与应用[M].北京:电子工业出版社,2009.
    [5]J.P.Jones and L.A.Palmer.An evaluation of the two-dimensional Gabor filter model of simple receptive fields in cat striate cortex.Journal of Neurophysiology,Vol 58,Issue 6,1233-1258.
    [6]王蕴红,朱勇,谭铁牛.基于虹膜识别的身份鉴别[J].自动化学报,2002,Vol.28,No.1.
    作者简介:叶振栋(1985-),男,硕士研究生,建行成都开发中心,研究方向:移动支付技术。
转载请注明来源。原文地址:https://www.7428.cn/page/2017/1207/6931/
 与本篇相关的热门内容: