模式识别论文——虹膜图像评估采集算法的实现.doc

虹膜图像评估采集算法的实现摘要：随着计算机技术的发展，模式识别的理论和方法逐渐得到也越来越广泛的应用。这其中包括图像评估采集问题。本文主要是利用已搭建好的一套低成本的虹膜识别采集系统，选择了基于空域方法的 Robert算子作为清晰度评价的梯度函数，实现一种基于普尔钦斑分析的虹膜图像评估采集算法，并对该算法的有效性进行了分析。关键字：虹膜识别、普尔钦斑分析、采集算法1. 研究背景与目的随着科学技术的发展，特别是计算机技术的突飞猛进和人工智能的兴起，模式识别成为一门学科并迅速地发展，并且得到了越来越多的重视，应用范围也越来越广泛。通过对具体个别事物进行观测所得到的具有时间和空间分布的信息称为模式，都可以称为模式。模式识别的作用和目的就是按照其所面向的事物相似程度，将该事物归于某一类别。身份认证即是模式识别的一种应用。而传统的身份验证技术（如证件、密码等）已难以满足当今时代发展的需要了。生物特征识别技术是一种更加安全、方便、有效的身份识别技术，该技术可以很好地保障我们的生活，因为我们自己的身体就是最安全、最有效的密码和钥匙。生物特征识别是指依靠人体的身体特征来进行身份认证的方法。这些身体特征既包括人体的生物特征，如人脸、指纹、虹膜、掌纹、指关节、视网膜和DNA等，也包括个人的行为特征。生物特征识别的核心是获取个人的身体特征后，将其转化为数字信息存储于计算机内，并利用稳定可靠的匹配算法验证身份。生物特征识别方法比传统的身份识别方法更具安全、保密和方便性，具有不易遗忘、防伪性能好、随身“携带”等优点，广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。虹膜是重要的生物识别特征，它具有唯一性、稳定性、可采集性、非侵犯性等优点。与指纹识别相比，虹膜识别具有非侵犯性、活体验证等优点，通过改变光照强度，瞳孔大小会发生改变，因此可以方便地进行活体检测；和语音、人脸等非接触式等相比，虹膜具有更高的准确性，眼科学家和解剖学家经过大量的观察发现虹膜具有独特的结构，即便对于同一个人，左眼和右眼的虹膜区别也是十分明显的。以上这些优点，使得虹膜识别成为当前最为可靠的身份认证方法之一，有着广阔的应用前景和重要的研究价值。人眼的虹膜具有一些特殊性质：虹膜的面积小，平均直径约 11mm，一般的拍摄方法无法得到可以用于识别的虹膜图像，需要采用放大倍数较大的镜头；不同人种虹膜颜色不同，西方人虹膜颜色较浅，纹理分明，大部分在可见光下可以采集到清晰的虹膜，东方人虹膜颜色较深，需要采用主动的红外光源才能采集到满意的虹膜图像。 图1 虹膜识别简要流程虹膜识别的基本流程如图1所示。一个典型的虹膜识别系统一般包括图像采集、图像预处理、虹膜特征提取以及特征匹配四个模块组成，其中图像预处理模块包括了活体检测、图像评价、虹膜定位归一化、图像增强四个部分。通过专用的摄像头采集的虹膜图像，经过图像预处理，可以得到只包含有效虹膜纹理信息的归一化图像。特征提取后，可以得到虹膜图像的代码，并存入特征数据库中。当需要身份认证时，只需要将提取出的虹膜代码与数据库中的已注册代码进行比对，即可得到识别结果。其中，虹膜采集是虹膜识别系统当中的关键技术之一。虹膜采集技术一方面决定了虹膜图像的质量，另一方面也决定了虹膜识别系统的易用性。虹膜采集系统大体分为接触式和非接触式两种。接触式采集系统要求用户将眼眶紧靠在采集腔体前端，手动触发采集。此方法固然简单、稳定，但抛弃了虹膜识别本身的一大优势，造成了用户的不舒适和一些卫生隐患，所以大部分已有产品不采用此方法。本文采用的是非接触式虹膜图像获取装置。目前，国外在虹膜图像采集方面取得了一定的成果，并开发出了一些相应的产品。JIRIS公司的JPC 1000和JIRIS CAM是新一代虹膜图像采集器，利用公司提供的 SDK 便可在自己的个人电脑上实现轻松便捷的虹膜识别身份认证。该产品利用 CMOS 图像传感器，一个 850nm 红外 LED 和带通滤光片实现了虹膜图像的采集，USB 接口实现了数据的传输和供电。采集距离分别在 15cm 和 22cm 处。该产品实现了低成本的验证模式虹膜识别。IrisGuard公司的IG-AD100是一款双目虹膜识别产品。该产品集成了双目虹膜摄像头、两侧红外照明光源板，人脸识别摄像头，测距装置，LCD显示器，功能按键，指示灯，喇叭。系统将视频信号传给PC机，同时，利用RS-232接口接收控制信号，帮助用户采集到清晰的虹膜图像。2003年3月18日，阿布扎比（阿拉伯联合酋长国之一）宣布世界上第一套国家级的基于虹膜识别技术出入境管理系统开始启用。国内对虹膜识别的研究起步相对较晚，但在虹膜图像采集方面已经有了很多显著的研究成果和相关产品。谭铁牛院士带领的中科院模式识别国家重点实验室是国内最早开展虹膜识别研究的单位之一，并于 2000 年初开发出了自主的虹膜识别核心算法。谭教授团队发明制造出了一代双目嵌入式虹膜识别产品IKEMB -100在采集方法上，与其他虹膜识别产品所采用的镜面反射、语音提示、LED指示等方式不同，嵌式虹膜识别仪IKEMB-100 采用主动视觉反馈方法。在虹膜识别仪上添加了图像显示设备，实时显示出由采集设备所获取的双眼虹膜图像，实现了“所见即所得”的虹膜识别效果。这种方式可更方便地引导用户采集虹膜图像，大大提高了产品的易用性。该产品的采集范围是 22cm-40cm，实现了网络化和活体检测的功能。目前，该产品已经应用在国内煤矿人员考勤，计划生育身份验证等领域当中。本文研究的目的是通过使用一套基于普尔钦斑分析的低成本虹膜识别采集系统，实现了一套基于普尔钦斑分析的虹膜图像评估采集算法，与硬件设备相配合，实现了快速易用的虹膜图像采集。2. 方案设计图2虹膜采集装置工作示意图图2是本文所用的使用的一种低成本虹膜采集系统。它主要的工作流程如下：红外光源为虹膜采集营造一个均匀光照的近红外环境；半透半反的带通滤波器具有双重功能，一方面，它能有效地滤除周围可见光的影响，另一方面，它能反射可见光，这样用户就能像照镜子一样看到自己的眼睛，帮助用户在方位上对准摄像机。当用户的眼睛在方位上对准后，需要用户利用位置辅助单元移动头部，确定合适的距离，使得在此位置得到的虹膜图像大小适宜，成像最为清晰。同时，摄像机利用高通红外镜头和图像传感器不断地获取虹膜图像序列，主机需要利用虹膜图像评估算法实时分析此虹膜视频序列，直到获得各个指标均满足的虹膜图像。当图像采集成功时，主机发出控制信号给控制单元，利用声音和指示灯告知用户采集成功。当需要进行活体检测时，控制单元改变可见光源的工作模式，使瞳孔收缩或舒张，达到辨别真伪的效果。在图2虹膜图像获取装置的结构图中，主机的主要任务是完成虹膜图像的评估和采集，发出指令给控制单元。虹膜图像评估算法的实时性决定了用户使用的舒适度，评估算法的指标决定了获取到的虹膜图像的质量，从而影响到识别的精度。3. 算法描述本文所实现的基于普尔钦斑分析的虹膜图像评估算法。首先，需要对图像整体质量进行评估，但由于虹膜图像获取装置采用了焦距较大、光圈也较大的镜头，导致成像景深过小，进而有时会出现睫毛清晰而虹膜不清晰，或者睫毛不清晰而虹膜清晰的情况，这就需要对虹膜图像进一步进行分析。本文采用的一种对虹膜图像中的普尔钦斑进行分析的算法，使得虹膜清晰度的评价更为精确。3.1 图像清晰度评价图像清晰度评价最重要的一个环节是评价函数的设计。良好的图像清晰度评价函数应该使函数值与图像的清晰度始终保持严格的单调性。现有的图像清晰度评价函数主要有基于空域算子、基于频域算子和基于熵算子三大类。其中，空域算法计算简单，便于实时处理。故本文采用基于空域算子的评价函数。空域方法直接利用图像的灰度信息和评估算法生成图像清晰度评价的决策量。这种方法的核心在于清晰图像的边缘比模糊图像的边缘更为尖锐，变化更为剧烈。在图象处理研究当中，边缘信息通常用梯度函数来提取。对焦良好的图象有更尖锐的边缘，因而会有更大的梯度函数值。常用的梯度函数主要有Tenengrad 函数、能量梯度函数、Brenner 函数、方差函数等。Tenengrad 函数是利用 Sobel 算子来提取水平和垂直方向的梯度值，其评价函数定义为,式中,是定义在点上的与Sobel算子的卷积。能量梯度函数用相邻点的灰度差分值计算梯度，梯度函数定义为 式中，表示点在图像上的灰度值。Brenner 函数只是计算相差两个单位的两个像素的灰度差值，定义为方差函数中引入了平均灰度的概念，定义为其中表示图像的平均灰度值。总体而言，空域算子计算相对简单，效率较高，但单调性略差。 首先，对图像进行高斯滤波，去掉一些噪声。其中，为点的灰度值，G 是高斯滤波器，*表示二者的卷积。接下来，利用 Robert 算子与滤波后的图像进行卷积。M与N表示图像的高度和宽度。之后，进行梯度函数的归一化。结果中，f(I)表示图像的清晰程度，函数值越大表示图像越清晰，越小表示图像越模糊。总体而言，由于虹膜采集时对图像处理实时性要求较高，故选择计算简单的空域算法较为合理。再者，由于图像清晰度评价只是虹膜评估的第一道屏障，所以它的精度不高不会过于影响虹膜图像的采集。3.2 虹膜图像普尔钦斑分析光源所发出的近红外光在用户眼睛角膜上形成的高亮度反射点称为普尔钦斑。其提取过程如图3所示，首先，将原始图像进行二值化，经过一次连通域选择后得到带有普尔钦斑的瞳孔区域，再经过一次连通域选择后可以得到不带有普尔钦斑的瞳孔区域，两次结果相与则可以得到瞳孔内普尔钦斑的区域。最终，将归一化的普尔钦斑分析指标定义为，其中，为普尔钦斑的面积，M与N代表图像的维数。图3普尔钦斑的提取过程瞳孔中的普尔钦斑大小和虹膜的清晰程度成正比。普尔钦斑基本上和虹膜位于同一平面，因此，普尔钦斑最小最清晰的时候，虹膜纹理也最为清晰。4. 实验结果图4表示了一组虹膜图像清晰度评价的实验结果。实验中，人眼利用镜面反射确定移动方向，从较远处向前移动，直到对准瞄准框之后，继续向前移动一小段距离。由结果可以明显看出，评价函数的值随图像的清晰度单调变化。然而，细致观察图（d）和图（e），可以发现，图（e）的虹膜纹理要比图（d）清晰，但是图（e）的评价函数值却相对较低。究其原因，在于虹膜图像获取装置的景深较小，而图（d）中睫毛相对虹膜更为清晰，图（e）则反之。图像中睫毛的边缘灰度值变化剧烈，因此会给图像的清晰度评价带来很大影响。因此，需利用普尔钦斑分析来提高评价精度。图4 虹膜图像清晰度评价实验结果图5表示了一组普尔钦斑分析的实验结果。这几张图片取自图4中的图（c）（f）。普尔钦斑指标越低，说明普尔钦斑面积越小，成像平面离焦平面越近，图像中的虹膜纹理也就越清晰。可以明显地看出，与图像清晰度分析的结果不同，图（e）的普尔钦斑指标较图（d）更低，这样的结果更为准确。结果中普尔钦斑指标随图像清晰度单调变化，更准确地说，它随虹膜纹理的清晰度单调变化，抑制了睫毛的边缘对虹膜图像评估的影响。该方法大大提高了采集系统的工作效率和用户使用的舒适度。图5 普尔钦斑分析实验结果5. 结论本文介绍了一些常用的图像清晰度评价算法，选择了基于空域方法的 Robert算子作为清晰度评价的梯度函数。实现了一种基于普尔钦斑分析的虹膜图像的评估采集算法，并对该算法的有效性进行了分析。在软硬件的配合下，用户虹膜采集的舒适度有了很大改善，虹膜图像的质量也有所提高。6. 参考文献：1 杜勇. 虹膜识别算法及系统研究D. 哈尔滨：哈尔滨工业大学. 2006. 2 Kelly G, Mansfield T, Chandler D, et al. Biometric Product Testing Final ReportJ. National Physical Laboratory of UK, 2001.3 Eskicioglu A M, Fisher P S. Image Quality Measures and Their PerformanceJ. IEEE Transactions on Communications, 1995, 43(12): 2959-2965.4 李奇, 冯华君, 徐之海等. 数字图像清晰度评价函数研究J. 光子学报, 2002, 31(6): 736-738.5侯文君, 李杨, 都思丹.应用于虹膜采集装置的自动对焦算法J. 光电工程, 2008, 35(6): 119-123.6J