虹膜识别算法的应用研究

1、虹膜识别算法的应用研究【提要】研究虹膜识别问题。针对传统识别算法不能够很好的消除平移，缩放和旋转对于虹膜识别的影响，以及一维log Gabor 滤波特征提取方法丢失二维信息的缺陷，导致虹膜识别的正确率低的难题，提出一种改进的虹膜识别算法。首先在虹膜预处理过程中采用粗定位和精定位相结合的虹膜定位方法获取虹膜内外边缘，并用直方图均衡化来增强归一化的虹膜图像，突出虹膜纹理，从而降低光照不均匀性的影响，然后二维log Gabor 滤波取代一维log Gabor 滤波来提取虹膜纹理特征，克服一维log Gabor 滤波丢失二维信息的缺陷，最后对提取的特征进行编码，采用欧式距离进行匹配得到识别结果。通过C

2、ASIA 虹膜数据库进行了仿真，实验结果表明，相对于当前典型的虹膜识别方法，提高了虹膜识别的正确率，识别速度相应加快，在虹膜识别领域中有着广阔的应用前景。【关键词】 虹膜识别; 特征提取; 模式匹配; 归一化1 引言随着计算机和网络技术的不断发展，个人的身份鉴别变得越来越重要。传统的利用密码等身份鉴别的方法具有易假冒和易遗忘等缺点，与现代数字社会的需要已经逐渐不符合。近年来，基于指纹、虹膜、声音、脸部、掌纹等生物特征的识别技术引起人们的关注，其中虹膜识别由于具有呈唯一性、稳定性高可靠性和非侵犯性等优点，正成为生物特征识别领域的一个研究热点。在过去的十多年里，虹膜识别技术已经取得了巨大的进展。在

3、虹膜识别的研究中，主要有相位编码方法、基于小波过零点描述的方法、基于拉普拉斯金字塔的图像匹配方法、二维纹理分析方法和基于Gabor 滤波器的方法等。相位编码方法能够有效提取虹膜特征，并编码速度快，但由于需要对同一虹膜生成不同角度下的多个特征模板，因此占用存储空间过大，识别效率低。而二维纹理分析方法和普通Gabor 方法均采用Gabor 滤波器进行虹膜特征提取，然后从纹理分析的角度对虹膜进行识别，但是由于Gabor 滤波器会出现非零直流分量问题以及最大带宽范围被限制在一倍频，严重影响了后继纹理特征分析和提取效果。后来有学者提出了一维log Gabor 滤波器算法，该算法通过把二维虹膜图像展开成一

4、维信号，然后通过采用一维Log Gabor 对信号进行特征提取并识别，这样该算法不仅具备Gabor 滤波器优点，同时克服了传统Gabor 滤波器带宽限制问题，有效地提高了虹膜识别率。但是由于虹膜特征主要表现为二维纹理，一维Log Gabor 算法对二维虹膜图像展开成一维信号必然导致二维特征信息的丢失，同时Gabor 滤波器提取特征时存在特征角度方向过大，从而导致非有效特征提取率增加问题。如何克服因Gabor 滤波器特征提取算法的局限带来的不足，是虹膜识别研究的一个关键问题。二维log Gabor 滤波器是近年来出现的一种新的特征提取方法，其可以进行多尺度和多方向对特征进行提取。针对当前虹膜识别

5、算法存在的不足，本文在深入分析虹膜识别原理的基础上，将二维log Gabor 滤波器引入到虹膜识别过程中，提出一种改进的虹膜识别方法。并通过仿真验证其有效性和可行性。2 虹膜识别系统框架虹膜识别属于模式识别这一范畴。虹膜自动识别原理是首先通过虹膜图像采集器对人眼图像进行采集并收集到的人眼图像进行预处理; 然后通过对预处理的虹膜图像进行定位、归一化、去噪和图像增强等处理，从而获得比较理想的虹膜图像; 最后采用相应的图像特征提取算法对虹膜图像的感兴趣部分进行特征提取并编码; 选择合适的虹膜分类器完成对虹膜图像特征的分类和模式匹配，达到识别的效果。一般的虹膜识别系统原理如图1 所示。 图1 虹膜识别

6、系统原理图3 虹膜识别算法3 1 虹膜图像的预处理在虹膜图像采集过程中，由于受到人眼与采集装置距离的变化、光照不均匀等因素影响，同时，将会影响虹膜识别效果，降低虹膜识别的准确率。为了准确提取虹膜信息，消除上述因素带来的影响，在特征提取进行之前，要对虹膜图像进行预处理。虹膜图像的预处理一般包括虹膜定位，图像归一化和增强等步骤。31.1虹膜的定位虹膜定位一般采用由粗到精的定位方法，首先对虹膜内边缘圆心和半径的进行粗定位，然后精确定位虹膜的内外边缘，最后将将虹膜区域分割出来。1 粗定位。原始虹膜图像的瞳孔颜色明显要比眼睛的其它部分要黑一些，这说明瞳孔的灰度值相对来说较小，且是面积最大的连通区域，但是

7、虹膜相对眼睛的其它部分要明亮一些，这表明虹膜的灰度值相对来说要大一些，在人的眼睛中虹膜是最白的，其灰度值相应也是最大的。因此，可以利用人眼的灰度级变化的突变和虹膜的良好的环状特性，进行人眼睛的瞳孔的圆心和半径粗定位。2 精定位。当瞳孔的圆心和半径大致确定之后，就可以根据虹膜的圆形结构特征，可以对虹膜的内外边缘进行精定位。首先对虹膜的内边缘进行精定位， 其中，D( x，y 为利用Canny 算子获得的灰度边缘图像，G0( r 表示高斯函数，r0表示粗定位后的瞳孔半径，r 表示确定的搜索范围。由于虹膜外边缘相对于内边缘来说是比较模糊，如果采用与内边缘相同的精定位方法，那么就容易产生定位不准的现象，

8、为防止定位不准的现象的发生，本文采用面积分代替线积分，具体如下: 其中，r 表示搜索范围; R0的值根据虹膜内外径的大致比例关系来确定，从为搜索范围，D( x ，y 为利用Canny 算子获得的灰度边缘图像。经过上述步骤虹膜的定位完成。31.2 虹膜的归一化由于不同人的虹膜大小不一，即使同一虹膜受光照不均和瞳孔放缩等影响，会引起虹膜大小的变化，为了消除这种不利的影响，必须对定位的虹膜图像进行归一化处理，将每幅原始图像调整为与原始图像相同的尺寸和对应的位置，从而消除缩放、旋转和平移对于虹膜识别的影响。本文以瞳孔圆心为中心点，将虹膜的环形区域归一化为矩形区域的方法。首先设虹膜图像的内外边缘的交点位

9、置分别为( xi( ，yi( 和( x0( ，y0( ，然后通过采用式( 3可将虹膜图像中的每一点全部映射到极坐标( r， 中，这样虹膜经过归一化处理后的r 0， 1 ， 0，2，最后就在极坐标( r， 平面上获得64 × 256 大小的归一化虹膜图像。归一化虹膜图像通过上述映射后，对于消除缩放、旋转和平移等具有不变性。 由于归一化后的矩形虹膜图像由于眼睑遮挡的影响，从而使虹膜图像含有噪声信息，为了消除噪声干扰作用，在对虹膜进行归一化的同时，需对噪声进行相应标记，生成一个与归一化虹膜相对应的噪声屏蔽模板。在噪声屏蔽模板中，噪声信息被标记为0，虹膜信息被标记为1。313 虹膜图像的增强

10、由于角膜反射和光源位置等因素的影响，虹膜图像上的光照分布不能完全均匀，从而影响后继的纹理分析效果。为了更好的提高识别效率，在特征提取之前必须先对归一化的虹膜图像进行增强。本文对归一化后的虹膜图像采用局部的直方图均衡化。设原始图像的灰度级为rk ，直方图均衡化使用一个灰度函数作为变换函数，灰度函数为T( r ，虹膜图像中总的像素数目为N ，输入直方图做修正，得到化后图像的灰度分布函数S( r ，图像中灰度级为ri 的像素总数，则有： 经过直方图均衡化后的图像是一幅灰度级均匀分布的图像，图像灰度级的动态范围得到增大，从而实现了图像增强，减少了非均匀光照的影响。经过以上预处理以后的虹膜展开图像。32

11、 虹膜特征提取传统的虹膜特征提取采用一维log Gabor 滤波器进行。对于二维虹膜图像，其虹膜纹理的特征信息不仅反映在径向方向上，同时也体现在角度方向上，如果采用一维log Gbaor 滤波器对虹膜特征进行提取，将失去虹膜二维特征信息丢失。为了克服一维log Gabor 滤波器特征提取算法带来的不足，能够从径向和角度两个方向上同时提取虹膜纹理的信息，本文采用二维Gabor 滤波器对虹膜特征进行提取。根据频域分析，二维Log Gabor 是一种特定方向的带通滤波器。一个滤波器只能够对一定的频率和方向进行覆盖，称为一个通道。通过采用二维Log Gabor 滤波器从径向和方向对虹膜特征进行提取。二

12、维Log GaboGabor 函数的一般形式为: 其中，U ，V 分别表示滤波器径向中心频率两个轴的分量。偶Gabor 函数定义为: 其中， 表示滤波器的方向，f 表示滤波器的径向频率;( x ，y 表示高斯函数标准差。本文选16个Gabor 滤波通道，即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向，通过Gabor 滤波器的对称性可知，这样就构成了不同方向和频率下的Gabor 滤波器。如图2 所示。通过利用式( 3 对虹膜图像进行处理，从而得到各个通道上的滤波结果，来表达不同纹理之间的差异。 其中， 表示卷积，I(

13、 x，y 表示处理后虹膜图像; k 表示第k 个尺度，j 表示第j 个方向，Fkj( x，y 表示卷积后结果。3 4 特征编码通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后，获得了子块滤波模的最大值所小波号。本文通过采用分块方式对特征进行编码，提取局部相位信息。设整个虹膜图像( x，y 被分M × N 大小的若干个子块，子块大小与滤波器模板大小一样。通过( 6对局部相位信息值进行计 算，得到一个复数。如果这个复数的实部大于等于0，则表示该特征码为1，否则为0; 如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0，因此，最后得到虹膜特征码。每个子块进行计算公式为: 其中

14、，( i，j 表示每个子块的中心坐标。3 5 虹膜分类匹配进行虹膜特征提取后，就要对提取的虹膜特征向量来进行虹膜识别，因引虹膜识别是一个典型的模式匹配问题，即将采集的图像与数据库中的虹膜图像进行比对，判断两个虹膜是否属于同一类。综合考虑虹膜的物理征点及物理意义。本文采用著名的欧式距离分类器来进行识别。设，未知虹膜的特征向量为V1，同知类别的虹膜特征向量为V2，那么这两个特征点之间的欧式距离计算公式为: 其中，i = 1，2，n 定义特征向量均值MD和绝对变差均值MAD: 如果两个虹膜的欧式距向量有着均值和绝对变差均值小于设定的阈值，就表示同一类，否则，不是同一类。4 仿真研究4 1 虹膜数据库

15、本文仿真对象来自CASIA 数据库中的虹膜样本处理对象。CASIA 虹膜数据库是当前国际上最大的共享虹膜数据库，是由中国科学院自动化研究所虹膜识别研究小组提供的虹膜图像样本数据库，专用于虹膜识别。CASIA 虹膜数据库包含男62 和女18 人总共108 只不同眼睛的虹膜图像样本，眼睛图像的分辨率为320 × 280 及256 级灰度，每只眼睛均有7 幅8 位灰度图像。4 2 虹膜预处理过程对虹膜预处理过程如图3 所示。 4 3 识别性能的测试虹膜识别是一种一对多的匹配，通过采用未知虹膜的特征与已知分类的虹膜库中的特征进行匹配，最后获得用户的身份识别，对比实例为主成分析分析法( PCA

16、 和小波算法，对比结果如表1 所示。本文采用常用的评价指标是正确识别率( CRR ，作为该算法的虹膜识别能力。CRR 定义如下:CRR =识别正确的样本数/样本总数 （12 从表1 的识别正确率和错误率结果来看，本文提出的算法是有效的，而且是提高了识别的正确率，识别的错误率相应的降低。4 4 算法的认证性能测试虹膜的认证实验是一对一的匹配模式，在该模式下输入的数据声称自己是来自某一个特定的类别，测试目的判断测试算法能否有能力正确判断。为了对二维Log Gabor 滤波对虹膜特征提取的有效性的测试，本文一维log Gabor 滤波和普通的Gabor 滤波特征算法作为参照模型，其它过程均相同。通过

17、采用不同的阈值下错误接受率( FAR 和错误拒绝率( FRR 比较来衡量其有效性。图4 为三种算法的FAR 和FRR 比较结果图。表2 为三种算法在错误接收率( FAR 为0 01% 条件下的比较结果。从表2 和图4 可知，与一维log Gabor 滤波和普通的Gabor 滤波特征算法相比，在采用同一相似度度量下，本文的基于二维Log Gabor 滤波的虹膜特征提取方法在相同错误接受率下更小的错误拒绝率，表示虹膜的识别性能大大改善，这是因为二维Log Gabor 滤波在提取虹膜特征的尺度信息的同时也提取其方向结构特征，得到的特征更加细化和全部，加大了对虹膜局部纹理信息的分析和表达。因此，本文提

18、出的二维Log Gabor 滤波得到的特征滤波器在提取虹膜特征方面效果更好，可以提高识别的效果。 图4 三种算法的FAR 与FRR 的关系 5 结束语虹膜识别作为身份认证的一种新的技术，得到人们广泛的关注。针对当前虹膜识别算法存在的问题，本文提出一种改进的虹膜认别算法。该算法在虹膜预处理过程中采用粗定位和精定位相结合的虹膜定位方法，加快了算法的速度，在特征提取过程，采用二维log Gabor 滤波器取代一维log Gabor 滤波器进行特征提取，解决了一维Log Gabor 滤波器无直流分量和带宽受限制的缺陷，有效地提取虹膜纹理特征。仿真结果表明，与传统的虹膜识别算法相比，本文提出的方法识别的正确率大大提高，识别速度也相应加快，说明对传统算法的改进利于提高系统的识