虹膜定位與識別的算法研究與實現

杭海濱

0 引言

傳統的身份識別方法主要是基于身份識別物品（如鑰匙、證件、信用卡等）和身份識別知識（如用戶名、密碼和暗語等。）而鑰匙、證件等標識物品容易丟失或被偽造，用戶名密碼等容易被忘記或記錯。更為嚴重的是，它們無法區分物品真正的擁有者和取得標識物品或知識的冒充者，一旦冒充者獲得了這些標志物品或知識，就可以得到與真正擁有者相同的權力，極大地威脅其財產和人身安全。諸如此類的問題，使傳統身份識別體系面臨著巨大的挑戰，而使得生物特征識別（Biometrics）日益顯現，并被廣泛接受。

虹膜識別[1]是近年來興起的一種生物特征身份識別方法，它具有長期的穩定性和良好的防偽性。在虹膜識別系統中，通常將虹膜的可視特征轉化為二值模板，由于不同人的虹膜千差萬別，所以即使比對的虹膜模板有1/3發生錯誤匹配，識別系統仍能做出準確的鑒別，任意兩個虹膜相同的概率是很小的，幾乎接近于0。其缺點是，虹膜采集設備昂貴，影響其采集應用。需要一個較好的光照環境；黑眼睛虹膜難以讀取；對于盲人，眼疾患者和眼睛較小的人來說，虹膜識別技術不能使用。另外，在虹膜識別中，存在虹膜旋轉的問題，虹膜識別對的有效性還沒有經過大規模數據的測試。由于虹膜識別具有很高的安全性、防范性、穩定性和識別率，在安全性要求高的場合，虹膜識別是一種理想的身份識別方法，因此社會安全以及身份認證方面具有應用前景。本文介紹了虹膜系統的快速定位[2]和識別。

1 瞳孔和虹膜的定位

1.1 瞳孔的定位

1.1.1 圖像二值化的閾值確定

圖像二值化的目的，是為了搜尋瞳孔中心所做的預處理。其原理是將圖像的灰度值在閾值以下的像素的灰度值變為0，而灰度值在閾值以上的像素的灰度值變為255，即有算式（1）

閾值t的確定過程如下：

假設圖像尺寸為640*480，瞳孔半徑為50，瞳孔的比率為50*50*π/ (640*480)= 2.56%。然后統計圖像灰度值的累計值，當累計值超過2.56%時，即認為此時的灰度值為圖像二值化的閾值。閾值t的確定實例，如表1所示：

表1 灰度累計

1.1.2 瞳孔中心定位的實現

瞳孔中心定位的實現是通過投票法來實現的。所謂投票法，是與物理的共鳴原理相似。處理方法可以理解為，在一張白紙上，根據原圖像的二值化后的圖像，對灰度值的小地方（深色），滴上淺色的黑墨水，等到所有點都處理完畢后，在白紙上顏色最深的處即可認為是接近瞳孔中心的點。原理，如圖1所示：

圖1 投票法原理

1.1.3 瞳孔半徑的確定

取得瞳孔假設中心后，就可以確定瞳孔中心和瞳孔半徑。瞳孔中心和瞳孔半徑可以通過成長法確定。所謂成長法是，圓的半徑逐步擴大，每次都計算圓周上的黑點與圓周長的比率（即飽和度）。相鄰兩個圓的飽和度進行比較，如果化率大于一定閾值時，即認為此圓從瞳孔邊界出去了，如圖2所示：

圖2 瞳孔半徑確定

然后再判別此瞳孔假設中心的判別相鄰 8點的同樣半徑的圓的飽和度，再將此瞳孔假設中心移向相鄰8點中飽和度最大的點，如表2所示：

表2 八點領域計算

同樣對新瞳孔假設中心再進行圓的半徑逐步擴大并計算飽和度的操作。如此反復，直到找到瞳孔中心和最大瞳孔半徑為止。此處用了一階離散微分的方法。

成長法的從假象圓心到搜索所得的真圓心的過程，如圖3所示：

圖3 通過成長法獲得圓心

從圖中可以看出，起始的圓心為白色十字處，通過成長法進行多次迭代后所得到的圓心為紅十字處。

1.2 虹膜的定位

1.2.1 虹膜半徑的確定

虹膜右半徑的確定是從瞳孔孔半徑處沿著半徑方向進行掃描，求出虹膜灰度變化最大的地方即為虹膜邊界處，如圖4所示：

圖4 虹膜半徑的確定

具體處理過程如下。

(1)確定從瞳孔中心角度 10 -- 60度，以瞳孔邊界向外150像素作為掃描范圍。

(2)求出在所限角度的弧線上，求出各個弧線上的灰度平均值。

(3)弧線灰度值由后10個平均組成。

考慮到圖像噪聲大或圖像攝像錯誤的情況，僅僅靠一個圓弧來決定的話，可能會有誤差。這個誤差可能是睫毛，或是頭發等引起的。為了減小誤差，所以采用多個弧線的來決定一個弧線的方式。

(4) 每一圓弧的灰度變化量由左相鄰7個弧線和右相鄰的7個弧線之差的和算出。

求微分變化量時，不是簡單地求相鄰兩個弧線的灰度差，而是求一定區域內弧線灰度值的差之和。(5) 最大變化量即為虹膜左右邊界。至此，可以得到虹膜的左右半徑。

1.2.2 眼瞼的確定

上下眼瞼的確定，是通過在垂直方向的對虹膜掃描而求出的，如圖5和圖6所示：

圖5 眼瞼的掃描

圖6 眼瞼的梯度

但在實際的圖像中，人眼有可能是歪的，如圖7所示：

圖7 圖像歪的眼瞼的掃描

為此，灰度的梯度變化率變成了圖8的圖形，如圖8所示：

圖8 圖像歪的眼瞼的梯度

這樣，需要旋轉掃描角度和掃描半徑，去擬合實際的眼瞼曲線。掃描過程如下。

(1)以90°為分界的左右個10°來旋轉。

(2)旋轉半徑是2至8倍的瞳孔半徑。

這樣對于上眼瞼，共掃描21*7=141次掃描，得出梯度變化率最大處的掃描半徑作為虹膜與眼瞼的分界圓弧。

1.2.3 睫毛的噪聲去除

有一部分人的眼睛的睫毛較長會遮擋到虹膜部分，這樣會影響到特征提取的精度。考慮到睫毛一般比虹膜顏色深，所以先計算出虹膜ROI(Region of Interest)的平均灰度值，即P1,P2區域。在ROI的平均灰度值的0.6-0.8倍以下的灰度值的地方認為是睫毛，如圖9所示：

圖9 睫毛的去除

得計算公式（2）

2 虹膜特征值的提取和比照

虹膜的特征提取是為了進行虹膜的識別而做的預處理，特征值比照是為了根據虹膜特征值進行虹膜的識別。

2.1 虹膜角度方向的分割

根據虹膜左右半徑，將虹膜分成8個環，如圖10所示：

圖10 虹膜的分割

其分割原理如下：

設d=虹膜左半徑-虹膜右半徑，最小環的中心坐標x1=瞳孔中心，由此類推，第n個環的中心Xn=X1+(d/2)/8*(n-1)，|X8-X1|=d/2。

2.2 虹膜半徑方向的分割

在虹膜徑向方向將虹膜分成256份，即每個微小區域的角度為2*PI/256=PI/128，大約為1.4度。如圖11所示：

圖11 虹膜微小區域分割

這樣一個環被分成256分，將虹膜的整個區域的8個環分成8*256=2048個微小區域。下一步將通過2048個微小區域來提取虹膜特征值。

2.3 虹膜特征值提取和特征值符號化

對所得到的2048個從微小區域，計算每一個微小區域的灰度平均值。對于每一個微小區域，計算包括在四邊形的矢量內的所有像素的灰度值的和除以這四邊形所包含的像素個數，得到此微小區域的平均灰度值，如圖12所示：

圖12 微小區域平均值

整個虹膜的灰度平均值為2048個。下面以一個圓環為例說明如何將灰度特征值符號化，如圖13所示：

圖13 特征值符號化

將兩個微小區域y1,y2的灰度值相減，有如下四種情況：

y1-y2<0 此微小區域的符號化值為00，即為上升；

y1-y2>0 此微小區域的符號化值為01，即為下降；

y1-y2=0 此微小區域的符號化值為10，即為無變化；

當計算出的y1或y2大于或小于一定的閾值，如250，20等，此微小區域為不可使用區域，其符號化值為11。

這樣做的優點是：1）提高了虹膜圖像的不可復原度，有利于圖像數據的保密。2）數據處理量減少，加快了比照速度。

一個虹膜所占容量為2048*2=4192位，即512字節，為了提高比照精度，在特征提取時將虹膜旋轉半個微小角度，即0.7度。因此，一個虹膜所占容量為8192位，即1024字節。

3 特征值的比照

對符號化后的兩個文件進行比較，具有相同特征值，則得到1分。設有2個特征值符號化后的文件文件1和文件2。

文件1的符號化值為：00 01 10 11…

文件2的符號化值為：00 10 10 10…

就前面4個特征值比照結果而言，比照結果為2分。在比照中，采用 FAR（錯誤接受率）,FRR（錯誤拒絕率）來評價識別精度。在此系統中，用 FAR=0.1%時的 FRR率來評價識別精度。

實驗表明，用本文的方法，既能較快速地定位虹膜，也能獲得較高的比照精度。實驗結果表明，本方案對1066張照片進行比照，當FAR=0.1%時，FRR=0.08%，取得了良好的比照效果。

另外，為了進一步提高比照速度，處理從32位機改為64位機，程序也相應從32位轉換成64位，比照速度提高了近1倍。

4 結論

本文較詳細介紹了虹膜定位和識別的整個過程。包括瞳孔中心的定位，虹膜左右半徑的確定，虹膜微小區域的分割，虹膜特征值的計算和特征值的符號化和虹膜比照。按照文中介紹的方法，取得了較好的比照精度。在虹膜識別方面，有諸多種虹膜識別方法，如微小區域的小波分析法，Gabor濾波器法[5]等。為了進一步提高比照精度，在 Gabor濾波器方面，將開展一些工作。

[1]田啟川，虹膜識別原理及算法[M]，北京，國防工業出版社，2010.6.

[2]刁雪峰，快速虹膜定位算法研究[D]，蘭州理工大學碩士論文，2010.9.

[3]駱麗，實時虹膜圖像質量評估的算法研究與實現[D]，電子科技大學碩士論文，2008.5.

[4]張立云，虹膜圖像質量評估方法的研究[D]，上海海事大學碩士論文，2009.7.

[5]張帆，基于Gabor變換的虹膜識別算法[D]，中國民航大學碩士學位論文，2008.3.