基于空間濾波及子區域截取的虹膜識別系統設計

崔景霞

（長春工業大學軟件職業技術學院，吉林長春 130022）

0 引 言

生物特征識別技術是一門利用人類獨特穩定以及可靠的生理特征來識別個體的科學。近年來，多種利用人體各類生理特征如指紋、掌紋、人臉以及視網膜的身份識別方法被廣泛研究并應用于安全控制系統。

虹膜是瞳孔與鞏膜之間的環形可視部分，具有終生不變性和差異性。人眼中的虹膜由隨瞳孔直徑變化而拉伸的復雜纖維狀組織構成。據推算，兩個人虹膜相同的概率是1/1 078，因此，虹膜身份認證技術的效果非常可靠和穩定。并且，由于虹膜是眼睛的外在組成部分，因此，基于虹膜的身份鑒別系統對使用者來說可以是非接觸的。唯一性、穩定性和非侵犯性使得虹膜識別技術具有廣泛的應用前景[1]。

1 虹膜識別系統組成結構

根據虹膜識別過程的特點和需求，一個完整的虹膜識別系統如圖1所示。

圖1 虹膜識別系統結構示意圖

虹膜識別系統通常包含5個部分:

1）圖像獲取;

2）圖像預處理;

3）圖像特征提取;

4）建立虹膜模式庫;

5）匹配識別。

2 虹膜特征提取方法

虹膜圖像特征提取是虹膜識別技術中十分關鍵的一個步驟。迄今為止，有關虹膜特征提取的多種方法被提出與研究。如:Daugman[2]利用多尺度小波矩提取虹膜的段紋理結構特征生成2 048位特征向量。Boles與Boashash[3]采用一維小波對沿虹膜中心同心圓的一條采樣曲線進行過零點檢測提取紋理特征。Gaussian-Hermite矩也被用于虹膜特征[4]提取。近年來，一些新方法如二維小波變換[5]、Gabor濾波器[6]、Log-Gabor濾波器[7]、Haar小波[8]和高斯拉普拉斯濾波器[9]等也被應用于虹膜特征提取中來。

文中利用空間濾波檢測虹膜中的點、線等紋理特征，進而截取紋理能量聚集的子區域。最終對截取的子區域加以投影，從而提取特征向量。具體步驟將在文中第4部分描述。

3 圖像預處理

3.1 圖像獲取

文中所采用虹膜圖像取自 The Perfect Iris Images Database虹膜數據庫，如圖2所示。

該數據庫中包含了64位項目參與者的左右眼各3幅，共384幅虹膜圖像樣本。每幅樣本圖像為768×576像素大小彩色圖片（見2（a）），該數據庫中的圖像樣本虹膜顯現完整，無睫毛、眼瞼等遮擋覆蓋，堪稱完美。

圖2 數據庫虹膜樣本示意圖

3.2 圖像預處理

將原數據庫中的樣本圖像轉換成為灰度圖像后，為增強圖像效果，對灰度化后的圖像進行直方圖均衡化處理，其效果如圖3所示。

圖3 數據庫虹膜圖像樣本預處理效果對比圖

由圖3（c）可見，經預處理直方圖均衡化后的虹膜圖像樣本，對平均亮度以及對比度的提高非常明顯。增強了視覺效果，更有助于之后階段虹膜圖像的特征提取與識別。

在一些識別技術中，圖像預處理階段通常采用Canny算子[10]等邊緣檢測算法定位并截取整個虹膜紋理區域。文中由于在提取特征過程中采取子區域特征提取方式，因而毋須截取整片虹膜區域，簡化了預處理步驟。

4 虹膜特征提取

4.1 空間濾波

由圖2（a）可見，人類虹膜總體上呈現一種由里到外的放射狀結構，包含許多相互交錯的類似斑點、細絲、冠狀、條紋、隱窩等形狀的細微特征。這些特征信息對每個人來說都是唯一的，其唯一性主要是由胚胎發育環境的差異所決定的。這些細微特征信息被稱為虹膜的紋理信息。

為將虹膜的這些紋理信息凸顯提取出來，文中提出了利用線性空間濾波的方法。線性濾波的概念源于頻域中信號處理所使用的傅里葉變換，而在文中空間濾波直接對圖像中的像素執行濾波運算。該類濾波關注的線性運算包括將鄰域中每個像素與相應的系數相乘，然后將結果進行累加，從而得到點（x，y）處的響應。若鄰域的大小為m ×n，則總共需要mn個系數。這些系數排列為一個矩陣，被稱為濾波器或掩模。

線性空間濾波的機理如圖4所示[11]。

圖4 線性空間濾波原理示意圖

其過程為在圖像 f中逐點移動濾波掩模w的中心。在每個點（x，y）處，濾波器在該點處的響應是濾波掩模所限定的相應鄰域像素與濾波器系數的乘積結果的累加。對于一個大小為m×n的掩模，m，n均應遵循為奇數的原則。有意義掩模的最小尺寸為3×3，因其有一唯一的中心點，其濾波過程確定直觀。

由圖4可見，對圖像任一點（x，y）進行m×n掩模處理得到的響應R，實踐中通常用下式表達:

對圖4中的3×3掩模，圖像中任意一點（x，y）的響應用下式表達:

文中所采用的兩類濾波掩模如圖5所示。

圖5 文中選用的兩類濾波掩模

讀取原彩色圖像后，灰度化原圖像并歸一化為雙精度數據類型矩陣。而后將此矩陣圖像分別與上述兩類濾波掩模進行濾波處理。將濾波后所得圖像做二值化處理并人為設置閾值為0.98。

為凸顯不同方向紋理細節特征。將上述兩類掩模濾波處理后所得兩幅效果圖做異或運算，如圖6所示。

圖6（a）為異或運算后效果圖，為清晰顯示，對所得圖像求補結果見圖6（b）。可以明顯看出，經空間掩模濾波之后的圖像可將原虹膜圖像中的紋理信息特征有效呈現，并量化處理以供識別。

4.2 子區域截取

由圖6（b）可以看出，經濾波處理后的虹膜圖像90%以上的紋理信息均聚集在以瞳孔為中心，以2/3眼球橫向半徑為半徑的圓周范圍內。同時，可以得出在此紋理能量聚集區域范圍內，實際操作中完全可以截取一部分子區域信息用于特征向量生成而毋須截取全部紋理。文中方法采用截取以瞳孔為中心上下左右4個區域的紋理信息生成特征向量。每個區域設置為32×32像素大小的方形區域，并且每個區域近瞳孔一邊均與瞳孔外圓周相切且方形區域中心位于以瞳孔圓心為原點的坐標軸上。上述子區域截取方式如圖7所示。

分別對上述子區域做瞳孔中心方向的投影[12]。則每個子區域可生成32位一維向量，將所生成的4個32位一維向量首尾相接串聯成一個128位一維向量，而后將該一維向量除以32并作為用于最終識別的虹膜特征向量。

5 神經網絡識別

5.1 BP神經網[13]

目前，以神經系統為中心的神經網絡理論的研究正取得迅速的發展，它以自組織、自學習、自適應的特點，已經廣泛地被應用于眾多領域。

BP網絡是一種單向傳播的多層前向網絡，其結構如圖8所示。

圖8 典型的BP網絡拓撲結構

由圖可見，BP網絡是一種具有三層或三層以上的神經網絡，包括輸入層、中間層和輸出層。上下層之間實現全連接，而每層神經元之間無連接。當一對學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應。接下來，按照減少目標輸出與實際誤差的方向，從輸出層經過各中間層逐層修正各連接權值。最后回到輸入層。這種算法稱為“誤差逆傳播算法”，即BP算法。隨著這種誤差逆傳播修正不斷進行，網絡對輸入模式響應的正確率也在不斷上升。

文中采用一對一的BP神經網絡識別方法，即每一類（人）建立一個BP網絡，每個網絡的輸出層只有一個輸出節點用來輸出識別結果。

5.2 實驗結果[13]

如前所述，文中所采用虹膜圖像取自The Perfect Iris Images Database虹膜數據庫。該數據庫中包含了64位項目參與者的左右眼各3幅，共384幅虹膜圖像樣本。識別階段選取了其中20位項目參與者的左右眼虹膜圖像加以識別。由于對每位參與者而言，其左右眼虹膜紋理亦不相同，實驗中將每位項目參與者的左眼虹膜圖像與右眼虹膜圖像分割開來分別建立神經網絡加以識別。

實驗結果用正確識別率（CVR）評定，正確識別率定義如下:

式中:FAR——錯誤接受率;

FRR——錯誤拒絕率。

其定義如下:

實驗中，設置網絡輸出閾值為0.02，實驗結果及對比分別見表1和表2。

表1 實驗數據結果

表2 實驗結果對比

6 總結與展望

首先對虹膜圖像進行了灰度化以及直方圖均衡化等預處理操作。其后將預處理化后的圖像歸一化為雙精度數據類型矩陣，并將此矩陣圖像分別與兩類濾波掩模進行濾波處理。為凸顯不同方向紋理細節特征。將所得兩幅效果圖做異或運算后對其求補。截取以瞳孔為中心，上下左右4個區域的紋理信息生成特征向量后，建立一對一的BP神經網絡對其進行識別分類。實驗結果表明了文中方法的可靠性和有效性。同時，在實驗中得出如下結論:

1）經兩類濾波掩模后，虹膜圖像中不同方向的紋理細節特征被展現并凸顯出來。

2）在虹膜紋理能量聚集區域范圍內截取以瞳孔為中心上下左右4個區域的紋理信息以用于生成特征向量。避免了定位并截取全部紋理區域的復雜操作，簡化了特征提取步驟，并保證了提取特征的有效性。

3）提取特征的4個子區域由手工定位截取，不可避免地造成不同樣本間的區域截取的差異性，進而對識別結果形成輕微影響。如何形成對子區域截取操作的自動化以及提高區域定位精確度成為該方法今后研究的發展方向[16]。

4）文中采用投影方法提取截取區域的紋理特征向量，如何尋求其它更加有效并更突顯虹膜紋理獨特性及排它性的向量生成方法，且對所生成向量降維后加以識別，成為文中方法改進的另一發展方向[17]。

5）采用一對一的網絡結構利于更新數據庫[18]，即當增加一個類或減少一類時，不必重新訓練每個網絡。

[1] 田捷，楊鑫.生物特征識別技術理論與應用[M].北京:電子工業出版社，2005:6-7.

[2] J Daugman.High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15:1148-1161.

[3] W Boles，B Boashansh.A human identification technique using images of the iris and wavelet transform[J].IEEE T rans.Signal Processing，1998，46（4）:1185-1188.

[4] Li Ma，Tieniu Tan，Yunhong Wang，et al.Local intensity variation analysis for iris recognition[J]. Pattern Recognition，2004，37:1287-1298.

[5] 張宇.基于小波變換的虹膜識別算法研究[D]:[碩士學位論文].成都:電子科技大學，2006.

[6] J G Daumgan.Biometrical personal identification system based on iris analysis[P].US:patent 52911560，1994.

[7] D Field.Relations between the statistics of natural images and the response properties of cortical cells [J].Journal of the Optical Society of America，1987.

[8] S Lim，K Lee，O Byeon，et al.Efficient iris recognition through improvement of feature vector and classifier[J].ET RI Journal，2001，23（2）:25-29.

[9] P Burt，E Adelson.The laplacian pyramid as a compact image code[J].IEEE Transactions on Communications，1983，31（4）:532-540.

[10] 林卉，趙長勝.基于Canny算子的邊緣檢測及評價[J].黑龍江工程學院學報，2003，17（2）:3-6，16.

[11] Gonzales RC.數字圖像處理[M].2版.阮秋琦，譯.北京:電子工業出版社，2003:91-95.

[12] 呂英華，崔景霞.基于FWT-Projection-BPNN的表情識別[J].東北師大學報:自然科學版，2009（2）: 84-91.

[13] 飛思科技產品研發中心.神經網絡理論與MATLAB 7實現[M].北京:電子工業出版社，2005:99-108.

[14] 王蘊紅，朱勇，譚鐵牛.基于虹膜識別的身份確定[J].自動化學報，2002，28（1）:1-10.

[15] 范科峰，曾慶寧.基于二維小波變換的虹膜識別算法研究[J].中國有線電視，2002（24）:28-31.

[16] 何飛.面向實用環境的虹膜識別方法研究[D]:[碩士學位論文].長春:吉林大學，2010.

[17] 王玥.基于M ATLAB的虹膜識別系統研究[D]: [碩士學位論文].武漢:武漢理工大學，2007.

[18] 韓民.基于多分辨率分析的虹膜識別算法研究[D]:[碩士學位論文].濟南:山東大學，2010.