一種用于虹膜識別的特征提取算法

來 毅, 王 倩, 劉 穎, 李大湘

(西安郵電大學 通信與信息工程學院， 陜西 西安 710121)

?

一種用于虹膜識別的特征提取算法

來 毅, 王 倩, 劉 穎, 李大湘

(西安郵電大學 通信與信息工程學院， 陜西 西安 710121)

通過對比分析2維(2D)復Gabor濾波器實部和虛部幅頻的響應特性，給出一種基于2D奇Gabor濾波的虹膜特征提取算法。根據2D奇Gabor濾波器關于原點奇對稱，利用其編碼虹膜紋理特征點的相位信息，計算漢明距離，實現虹膜分類識別。實驗結果表明，所給算法可使系統識別錯誤率降低約12%。

虹膜識別；特征特取；Gabor濾波器

虹膜識別作為一種新穎的基于生理特征的識別方法[1]，是以人眼的虹膜為特征，通過區分人眼虹膜紋理信息進行有效的身份鑒別。虹膜識別的關鍵是特征提取和匹配[2]，其結果直接決定了虹膜識別系統的性能[3]。虹膜識別算法通常都是采用2維(2D)復Gabor濾波的方法，對虹膜紋理的相位特征進行編碼[4]，但2D復Gabor濾波器的實部含有直流分量且易形成低通濾波器，無法有效提取虹膜紋理特征。

本文擬利用2D奇Gabor濾波器，對歸一化后的虹膜圖像進行濾波，再對濾波后的相位信息進行編碼，并通過計算虹膜間的漢明距離進行匹配。

1 Gabor濾波器

虹膜圖像本質上是一種紋理圖像，從中提取紋理特征的有效方法之一，就是將圖像與帶通濾波器進行卷積。由于2D Gabor濾波器能夠很好地模擬皮層簡單細胞的二維感受輪廓，最大限度地提供圖像的方向信息和頻率信息，同時也能夠提取位置信息[5]，因此，實際應用中帶通濾波器通常選擇2D Gabor濾波器。

2D復Gabor濾波器在空頻域的形式可描述為[6]

(1)

其中,(x0,y0)是濾波器的中心點坐標，f0是濾波器的中心頻率,θ0是濾波器方向,α和β是空間參數。

由式(1)分析可知，G(x,y)函數被局限在Gauss窗內。在窗口內，G(x,y)與人的視覺感知細胞的2D接收域波形非常相似[4]。通過調整G(x,y)的參數(x0,y0,f0,θ0,α,β)，可使Gabor函數具有各種不同的空間特征，如方向選擇性與頻率選擇性等。為了簡單起見，取

x0=0, y0=0, α=β=σ,

則式(1)簡化為

G(x,y)=he(x,y)-i ho(x,y)。

(2)

其中

(3)

(4)

分別為G(x,y)的偶部(即實部)和奇部(即虛部)，其Fourier變換分別為

(5)

(6)

其中帶通濾波器

H1(u,v)=σe-πσ2[(u-f0cos θ0)2+(v-f0sin θ0)2],

(7)

H2(u,v)=σe-πσ2[(u+f0cos θ0)2+(v+f0sin θ0)2],

(8)

關于原點偶對稱，故He(u,v)由關于原點偶對稱的兩個帶通濾波器形成，Ho(u,v)由關于原點奇對稱的兩個帶通濾波器形成 。

Gabor濾波器頻率的半峰帶寬可描述為[7]

σf0=c(常數)。

即當f0較大時，σ比較小，濾波器帶寬變寬，此時構成He(u,v)的兩個帶通濾波器在低頻部分疊加容易形成低通濾波器，這種情況十分不利于虹膜紋理特征的提取。然而,H1(u,v)和-H2(u,v)關于原點是奇對稱的，此時恰好在低頻部分相互抵消，故在任何情況下，由它們構成的Ho(u,v)都是一個很好的帶通濾波器。設置適當的f0，則Ho(u,v)可濾除低高頻分量，降低圖像中的噪聲，從而有效地提取虹膜紋理特征。

中心頻率f0較小或較大時，2D Gabor濾波器偶部和奇部的的空頻域波形和幅頻響應分別如圖1和圖2所示。在圖1中，Gabor濾波器偶部和奇部都是較好的帶通濾波器，而在圖2中，2D Gabor濾波器偶部形成了低通濾波器，但其奇部依然為帶通濾波器，因此，采用2D奇Gabor濾波器，即2D Gabor濾波器的虛部，可有效地提取虹膜紋理特征。

圖1 f0較小的情形

圖2 f0較大的情形

2 虹膜識別

通常獲取到的虹膜圖像包含很多無效信息在內，如圖3(a)，且虹膜每次在圖像中的位置、大小和旋轉角度都不一定相同?？煽坑行У暮缒ぷR別算法應具有平移、縮放及旋轉不變性。新算法將通過對圖像預處理，實現對平移及縮放的補償，并利用移位匹配虹膜特征模板完成旋轉補償。

2.1 虹膜圖像預處理

為了使虹膜識別算法滿足平移和縮放不變性，在采集到的原始虹膜圖像中定位虹膜,并將其歸一化:虹膜定位是指確定虹膜區域的內外邊界;虹膜圖像歸一化則是通過坐標映射，將不同尺寸的虹膜圖像調整為固定尺寸，以便后續處理。為此，可采用文獻[4]所述方法進行虹膜定位及歸一化，相關結果如圖3所示。

圖3 虹膜圖像預處理

2.2 虹膜特征提取及編碼

假設歸一化后的虹膜圖像為P(x,y)。虹膜的紋理特征在P(x,y)接近水平的方向具有較高的信息密度和很強的區分性[8]，故只需在θ0方向提取特征,即可滿足虹膜識別的需要。根據式(4)，提取虹膜紋理特征的濾波器組可表示為

(9)

其中i=0,1,2,3。實驗時，濾波器中心頻率fi依次分別取3,6,12和24。

通過使用2D奇Gabor濾波器組提取虹膜特征后，對濾波結果的相位信息進行編碼，即

(10)

式中,bi(x,y)為點(x,y)處的編碼結果，“*”代表卷積，i=0,1,2,3。

2.3 虹膜匹配

在虹膜特征二值化編碼的模板匹配中，漢明距離(Hamming distance，HD)是效果較好的模板匹配方法。借助漢明距離，可通過計算兩個模板間對應的位是否一致來實現匹配。此法計算量小，實時性好，簡單易用，完全可以滿足虹膜識別的匹配需求。

假設碼長為L字節，虹膜特征碼A和B的歸一化漢明距離可以表示為

(11)

其中“⊕”表示異或運算，Aj為待識別圖像特征碼的第j個碼字，Bj為模板圖像特征碼的第j個碼字。當Aj和Bj對應的比特位不同時，則計算結果為1，當Aj和Bj對應的比特位相同時，則計算結果為0。因此，若兩幅虹膜圖像是采集于同一個人的同一只眼睛，則dH=0；當兩幅虹膜圖像是采集于不同人的眼睛或同一人的不同眼睛，則dH=1。

3 實驗結果及分析

為驗證所給新算法的有效性和可靠性，采用識別難度較大的虹膜圖像庫——第一屆中國生物特征識別競賽訓練庫1[9]——進行實驗。該虹膜圖像庫包括30個人，每人左眼和右眼各20幅圖，共60類，1 200幅虹膜圖像，圖像的分辨率為640×480。

實驗在認證模式下進行。在認證模式的算法測試中，輸入數據聲稱自己是來自某一特定的類別，目的在于測試算法是否能夠正確判斷該輸入數據來自所聲稱的這一類別。測試時常采用3個指標來衡量一個系統識別性能，即錯誤接受率(False Acceptance Rate, FAR)，錯誤拒絕率(False Rejection Rate, FRR)和等錯誤率(Equal Error Rate, EER)。其中EER數值越小，說明算法的性能越好。

實驗分別采用2D奇Gabor濾波器和2D復Gabor濾波器的方法，提取虹膜紋理特征點相位信息，并將測試結果進行對比?！八惴ˋ”采用基于2D奇Gabor濾波器，“算法B”采用基于2D復Gabor濾波器。兩種算法識別性能的對比結果如圖4所示。實驗中眼瞼和眼睫毛遮擋等其它噪聲均未考慮，只是通過平移匹配虹膜特征模板來實現旋轉補償?？紤]到兩種算法是在同等情況下進行比較，故此類噪聲的存在并不會影響比較結果。

圖4 認證模式下兩種算法識別結果比較

由圖4可見，“算法A”的EER只有5.21%，遠小于“算法B”的17.61%。其原因在于，所給新算法采用具有良好帶通特性的2D奇Gabor濾波器對虹膜圖像提取特征，可避免2D偶Gabor濾波器易形成低通濾波器，從而難以有效提取虹膜圖像紋理特征的問題?！八惴ˋ”只采用2D復Gabor濾波器的奇部進行識別，故其計算復雜度只是“算法B”的一半。

在相同的實驗條件下，分別采用兩種算法對識別難度較小的CASIA虹膜圖像庫[10]進行測試。該圖像庫共有108只眼睛，每只眼睛采集有7幅圖像，故共有756 幅虹膜圖像。

“算法B”所得EER為9.43%，“算法A”僅為3.74%。這再次說明，所給新算法是有效和可靠的。由此也可見，所采集的圖像質量對虹膜識別算法的識別結果有一定影響，即圖像質量越好，EER越小，識別的準確率越高。

4 結語

引入虹膜定位和歸一化，實現移位及近似的尺度縮放不變性，并采用2D奇Gabor濾波編碼虹膜紋理特征點的相位信息，匹配時采用移位虹膜特征模板實現旋轉補償，由此給出一種新的虹膜特征提取算法。對第一屆中國生物特征識別競賽訓練庫1和CASIA虹膜圖像庫中圖像的測試結果顯示，所給基于2D奇Gabor濾波的虹膜特征提取算法識別率較高，分類有效。

[1] SHEN F，FLYNN P J． Iris crypts: Multi-scale detectionand shape-based matching[C/OL]//2014 IEEE Winter Conference on Applications of Computer Vision (WACV). [S.l.]: IEEE,2014: 977-983[2016-04-05]．http://dx.doi.org/10.1109/WACV.2014.6835998.

[2] LI H Q，SUN Z N，ZHANG M，et al． A brief survey on recent progress in iris recognition[C/OL]//Biometric Recognition:9th Chinese Conference, CCBR 2014, Shenyang, China, November 7-9, 2014. Proceedings. Switzerland: Springer International Publishing,2014: 288-300[2016-04-05]．http://dx.doi.org/10.1007/978-3-319-12484-1_33.

[3] FENG Z G，SUN X Q． Box-counting dimensions of fractal interpolation surfaces derived from fractal interpolation functions[J/OL]． Journal of Mathematical Analysis and Applications，2014，412(1) : 416-425[2016-04-05]．http://dx.doi.org/10.1016/j.jmaa.2013.10.032.

[4] DAUGMAN J G. High Confidence Visual Recognition of Persons by a Test of Statistical Independence[J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, 15(11):1148-1161[2016-04-05].http://dx.doi.org/10.1109/34.244676.

[5] DAUGMAN J. Demodulation by Complex-valued Wavelets for Stochastic Pattern Recognition[J/OL]. International Journal of Wavelets, Multiresolution and Information Processing,2003,1(1):1-17[2016-04-05].http://dx.doi.org/10.1142/S0219691303000025.

[6] DAUGMAN J G. Uncertainty Relation for Resolution in Space, Spatial Frequency and Orientation Optimized by Two-Dimensional Visual Cortical Filters[J/OL]. Journal of the Optical Society of America A, 1985, 2 (7): 1160-1169[2016-04-05].http://dx.doi.org/10.1364/josaa.2.001160.

[7] BOLES W W, BOASHASH B. Human Identification Technique Using Images of the Iris and Wavelet Transform[J/OL]. IEEE Transactions on Signal Processing, 2012,46(4):1185-1188[2016-04-05].http://dx.doi.org/10.1109/78.668573.

[8] MA L, TAN T N, WANG Y H, et al. Personal Identification based on Iris Texture Analysis[J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(12):1519-1533[2016-04-05].http://dx.doi.org/10.1109/TPAMI.2003.1251145.

[9] 第一屆中國生物特征識別競賽訓練庫1[DB/OL].[2016-04-05].http://sinobiometrics.com/sinobiometrics%2704.htm.

[10] CASIA虹膜圖像庫[DB/OL].[2016-04-05].http://sinobiometrics.com/casiairis.htm.

[責任編輯:陳文學]

A feature extraction algorithm for iris recognition

LAI Yi, WANG Qian, LIU Ying, LI Daxiang

(School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

By comparing and analyzing the response characteristics of the real and imaginary parts of 2D complex Gabor filter, an algorithm of iris feature extraction based on 2D singular Gabor filter is presented. Being odd symmetric on the origin point, the 2D odd Gabor filter is used to encode the phase information of the iris texture feature points. As the Hamming distance is figured out, the pattern matching and classification can be achieved. Experimental results show that, compared to the original ones, the given algorithm can reduce the equal error rate (EER) of system identification by about 12%.

iris recognition, feature extraction, Gabor filter

10.13682/j.issn.2095-6533.2016.06.010

2016-08-08

國家自然科學基金資助項目(61601362);公安部科技強警基礎工作專項資助項目(2015GABJC51)；陜西省國際科技合作與交流計劃資助項目(2015KW-005)

來毅(1978-)，男，博士，工程師，從事圖像處理與模式識別研究。E-mail: laiyi0614@163.com 王倩(1983-)，女，博士，講師，從事視覺信息處理與場景分析研究。E-mail: xinrzhsh24@163.com

TP391.4

A

2095-6533(2016)06-0051-04