基于支持向量機的虹膜識別方法

吳岸雄

（肇慶學院，廣東 肇慶526061）

基于支持向量機的虹膜識別方法

吳岸雄

（肇慶學院，廣東 肇慶526061）

提出了一種基于支持向量機的虹膜識別算法，通過對虹膜紋理采用小波變換來實現特征提取，最后通過支持向量機完成匹配。實驗結果表明，該算法識別率高并可有效地應用于虹膜身份鑒別系統中。

虹膜識別；小波變換；支持向量機

隨著大數據和互聯網+走進大眾的生活，公民個人信息的安全變得越來越重要，個人身份鑒別方法特別是對鑒別人體生物特征的有效方法具有極高的研究價值。據有關資料分析顯示，至今，基于各種生物特征的身份鑒定技術，包括指紋、人臉、聲音，鑒定錯誤率最低的是虹膜識別技術。因為人的虹膜有很多優點，例如具有獨特性、唯一性、穩定性、采集可行性以及非侵犯性等優勢，因此在當今生物識別技術領域被譽為“最具發展前途”的技術之一。利用虹膜識別身份的鑒定技術是走在世界前沿的先進技術。為了有效了解紅膜識別身份鑒定技術，可從以下幾種技術算法進行分析：

Daugman[2]虹膜識別算法速度快、準確度高，目前利用虹膜識別商用的系統采用的是這個算法，對虹膜進行量化和編碼使用的是2D-Gabor濾波器。可是這種算法有缺點，即是會增加特征提取的運算時間，因為需要處理紋理的二維信息；Wildes[3]計算量比較大，因為這種算法是采用用高斯型濾波器分解采集到的虹膜圖像，而且是在不同分辨率下，然后存儲比較結果；Boles識別率比較低，因為這種算法對灰度值的變化比較敏感，這種算法是運用小波變換過零檢測這種具有創新性的虹膜識別算法，且取得結果僅存在于幾個有效的小樣本內。

本文提出一種虹膜識別身份鑒定算法，運用的是支持向量機。通過分析仿真實驗結果可知，本文所提出的這種虹膜識別身份鑒定算法具有安全性高、錯誤率低、社會適用性強以及識別率高等優勢。

1 虹膜圖像預處理方法的分析與探討

虹膜識別系統是由虹膜內外邊界定位、對采集虹膜進行圖像預處理、認證識別以及特征提取這幾個關鍵部分構成。詳見虹膜識別系統示意圖（見圖1）.

圖1 虹膜識別系統示意圖

1.1 對虹膜定位進行分析

所謂“虹膜定位”是指對采集到的虹膜圖像進行兩個邊界的定位，內邊界和外邊界，內邊界虹膜于瞳孔二者存在的現實界限，而鞏膜于虹膜的邊界則稱為外邊界，為了方便研究人員進行研究，當今研究者將外邊界、內邊界客觀存在的兩條邊界大致規定為兩個圓的概念，要研究的就是找出這兩個圓的半徑和圓心，就可以確定這個圓了。用另一句話說就是：虹膜定位就是在人眼圖像中確定兩對圓心和半徑。

1.2 對歸一化的分析探討

在進行虹膜采集時，通過對不同個體眼睛內虹膜圖像進行采集，并施行虹膜定位，這時人們會發現不同人眼虹膜圖像區域存在大小不一的客觀現象，而若同個人在不同光線強度、環境因素或其他客觀情況干擾下，均會呈現虹膜區域大小存在不同的結果。因此，為了達到方便之后的認證識別目的，必須按照相同的維數進行落實。通常情況下采集到的虹膜具有極坐標良好的特征，因此為了提高本文次論文的準確性、客觀性以及真實性，筆者選用了極坐標轉換方法。

沿著采集到的虹膜內邊界向外，選取n個相同圓心的圓，n具有特定不變性質的。而后落實在同心圓上選取m個采樣點的操作，并注意在每個同心圓上均進行m點選取采樣，從而在選取結束后得到矩陣n乘以m，其中n與m均為常數，并在虹膜圖像中呈現全部選取采樣點從始至終保持一致的現象，按照這種方法便可以達到虹膜區域歸一化目的。通過將瞳孔視為中心，將選取的 150°、210°、330°、390°，虹膜區域按照逆時針方向進行選取（如圖2a）。之后把選取的虹膜區域展開，如下圖2（b）。這樣處理后會排除掉上眼皮部分遮擋虹膜區域。

圖2 虹膜

2 對特征提取的分析與探討

當今具有一定識別價值且研究較廣的虹膜識別身份鑒定算法均采用Gabor小波變換算法來進行虹膜特征的提取。為了把編碼的過程盡可能地簡化，把編碼的時間縮短，本論文采用最簡單的Haar小波。

經過大量具有時效性的樣本實驗分析可知，在尺度23上是虹膜問題特征分量較為集中的區域，因此可利用三層小波對歸一化虹膜紋理圖像（40×256）進行分解處理，并選擇第三層對角細節HH3（5×32），并按照類似于1--60個特征的形式對虹膜特征進行編碼。在進行有效的編碼后，將虹膜紋理圖像按照分解為八段并保持每段為40×32的形式對40×256的虹膜紋理進行分解，并按照三層小波分解方法對每一段紋理進行細分，而后按照每樣四幅的要求對三層小波分解成果進行5×4大小均等的HL、LH的子圖，從而達到將虹膜局部紋理特征有效表現并凸顯的目的。同5×32HH分解量進行有機結合，由此達到共同構成320位（5×32+8×5×4+=320）特征碼的目的。

3 對認證識別的分析與討論

基于Haar可得到有效的虹膜特征編碼，加之行之有效的分類算法以及科學有效的分析，并對得到的虹膜特征編碼通過訓練分類達到落實工作目的。隨著社會的不斷發展，以及科學技術的創新與進步，歐氏距離分類法、海明距離分類法是當今大部分虹膜識別身份鑒定算法研究應用較為廣泛的方法。筆者對虹膜碼訓練分類是采取支持向量機（Support Vector Machine SVM）方法來進行分類研究的。這種結構風險最小化的兩種分類方法，因為具有性能較好的優勢，所以在虹膜識別模式等許多領域應用較廣。

3.1 對支持向量機進行分析與探討

以結構風暴最小化（Structural RiskMinimization，SRM）原理為學習依據，是支持向量機通用的學習方法，通過觀察圖3可知，線性可分兩類樣本可通過空心點與實心點進行表示。依據SRM的相關規定，具有最優超平面P的SVM學習結果，可有效將兩類訓練樣本進行科學高效的分離，并可保持分離間隔最大化。其中支持向量（Suppott V ector）就是距離這兩類樣本中P最近的樣本，從而在此基礎上實現了最優分類超平面的正確性。

圖3 支持向量機

假定訓練集{xi，yi}，i=1，…，l，yiεRπ在線性可分情況下被一個超平面 ω × x+b=0 ωεRπ，bεR，分開，這樣SVM可以看成是對如下問題的求解：

該約束優化問題可以用Lagrange方法求解可以解出：

3.2 對訓練分類進行分析與探討

解一個有大量約束的二次規劃問題，其實就是SVM的虹膜碼訓練算法，這種訓練算法較為高效，具有一定可行性，SVM參數就是通過訓練得來。借鑒模式是當今現在對虹膜身份鑒定識別應用的最為廣泛的模式方法，可以通過對判斷聲稱是xi的x是否為真進行分析。其中，f（x）就是輸入x的類別判別的函數式，若存在f（x）=1，就可以判定這是同一人的虹膜；而f（x）=-1，則可以判定這并不是同通過一個人的虹膜。

4 對實驗結果的分析探討

運用CASIA虹膜圖像數據庫是本論文主要的材料依據，選取男人62人、女人18人共80人形式108只眼睛上存在的不同虹膜圖像樣本，且每只眼睛均具有320×380分辨率的7幅、8位灰度圖像。

為了確保虹膜識別的正確性，在虹膜系統身份鑒別系統內存在兩個重要統計性指標即拒絕率FRR（漏報）、接受率FAR（虛警）。在系統中因其可將冒充者進行生物系統識別的生物特征擁有者作為錯誤接受，而被系統拒絕者則稱為生物特征的錯誤拒絕。

徑向基函數即RBF是本文SVM核函數選擇基礎函數，并對SVM與歐氏距離其他外部條件一樣的前提下進行了必要的比較，并得出如圖4所示的海明距離識別效果，從而得出SVM是最好的結果。

圖4 EER基向量數目分布曲線

5 結束語

通過對以上試驗結果的研究分析可知，文中所深入分析的虹膜識別法是在支持向量機基礎上得出的，因此具有識別率高、識別速度快、識別較為精準等方面的極大優勢，因此在對傳統虹膜識別方法進行改進基礎上，可較為高效的應用在虹膜身份鑒別相關系統內。

[1]T Mansfield，G Kelly，D Chandler et.Biometric Product Test ing Final Report[R].issue 1.0，National Physical Laboratory of UK，2001.

[2]J Daugman.High confidence recognition of person by rapid video analysis of iris texture[C].In European Convention on Security and Detection ，Brighton，UK:NSPEC，1995.

[3]P Wildes.Iris recognition：An emerging biometric technology[C].In Proceeding of the IEEE，1997.

A Recognition Method of Iris Based on SVM

WU An-xiong
（Zhaoqing University，Zhaoqing Guangdong 526061，China）

A algorithm based on the SVM of iris recongnition is proposed.Feature is extracted with an appropriate scale wavelet，then SVM is used to match two iris codes.Experinental results showed that developed system with high identificaltion rate could be used for a personal identification system in an efficient and effective manner.

iris recognition；wavelet transform；support vector machine（SVM）

TP391.4

A

1672-545X（2017）09-0135-03

2017-06-17

吳岸雄（1979-），男，湖南漣源人，碩士研究生，實驗師，研究方向：圖像處理和虹膜識別。