基于Gabor濾波的虹膜識別系統設計

，

(上海東海職業技術學院，上海 200241)

0 引言

網絡化日益發展的今天，信息安全和身份識別在日常生活中變得越來越重要[1-2]。

無論是在司法，軍事或者商務領域，身份驗證都具有廣泛的應用。生物識別技術技術基于個人的生理特征，具有不可復制性和穩定性等諸多優勢。用生物特征識別技術進行身份驗證，安全性將大大提高。其中虹膜識別技術具有優于其他生物識別技術的可靠性和安全性。虹膜具有很細微的條紋特征，這些特征在出生前就已經確定好，并且終生不再改變[3-4]。因此虹膜對每個人來說是獨一無二的，鑒于虹膜的獨特性和不變性，用虹膜識別來進行身份驗證具有其他方法無可比擬的可靠性。

近年來，國內外諸多學者對虹膜識別進行了廣泛和深入的研究。國外一些發達國家已經在公共場合采取虹膜識別，例如美國Iriscan公司研發的虹膜識別系統已經在德克薩斯州一些銀行營業廳內運營。我國起步較晚，但是越來越多的學者正積極投入該領域。中科院自動化所是國內最早進行虹膜識別研究的機構之一，已經開發出多代虹膜識別系統，實現完全自主研發[5-6]。

虹膜識別主要分為虹膜定位技術，濾波，圖像歸一化，特征提取和特征檢測。目前的虹膜定位技術主要有Daugman虹膜定位法[7]，Wildes定位法和基于活動輪廓的定位算法等。虹膜區域中為了去除上下眼瞼的影響，很多學者經常采用Hough變換，微積分操作等進行圓弧檢測定位。

1 虹膜定位

1.1 傳統虹膜定位算法

傳統虹膜定位算法一般有3種，即基于圓周檢測算子的Daugman活動模板匹配算法[8]，基于Hough變換的定位算法和基于活動輪廓的定位算法。

Daugman虹膜定位算法是由劍橋大學Daugman教授提出，改算法在虹膜圖像中通過搜索虹膜的中心和半徑來確定虹膜的內外邊緣。該方法能夠精確定位虹膜，但是過于依賴光源和圖像亮度影響，計算量比較大。

基于Hough變換[9]的虹膜定位算法是由Wildes提出的，對虹膜圖像進行邊緣檢測后用Hough變換分割出有效虹膜區域，能夠有效消除噪聲和邊界的影響，其缺點是計算量復雜度高，占用資源過多。

基于活動輪廓模型[10-11]的定位算法通過不斷極小化自身能量函數來檢測圖像邊緣信息，該方法具有很強的魯棒性，但是很容易受到局部極值點的影響。

1.2 改進定位算法

本文對虹膜定位算法進行改進，彌補典型定位算法的不足，以提高虹膜定位精度，提升定位速度。在瞳孔二值化圖像中存在眼睫毛或者眼瞼與瞳孔粘連，此時需要對瞳孔邊緣進行修正處理。然后對其進行擬合處理，使其更加準確平滑。其具體流程如圖1所示。

圖1 虹膜定位流程圖

1.3 內邊界定位

瞳孔的灰度值遠遠小于其他部分，而且相對而言比較集中，圖2為原始圖像，圖3位灰度直方圖。

圖2 原始圖像

圖3 原始圖像的灰度直方圖

在灰度直方圖中，灰度值自最小的峰值區域即為瞳孔的灰度分布。第二個峰值為虹膜區域的灰度值范圍，我們可以選擇適當的閾值對原始圖像進行二值化處理。若出現大量黏連現象時，對虹膜二值化圖像進行邊緣修正處理，然后采用最小二乘法對瞳孔邊界進行擬合處理。一般二次曲線可以由二次多項式表示：

F(x,y)=F(a,x)=aTx=ax2+bxy+cy2+

dx+ey+f=0

(1)

其中：a,b,c,d,e,f是多項式的系數，[x,y]是數據坐標。所有數據點的代數距離平方和為：

(2)

再根據如下公式對所有數據點進行擬合：

(3)

為了處理方便，用線性閾值法將原始圖像進行二值化，將最小像素值作為圖像的處理閾值，處理結果如圖4所示。

圖4 原始圖像二值化處理

由圖4可知，經二值化處理的圖像受睫毛干擾較大，瞳孔內部的光點的也對結果有較大影響，因此對二值化后的圖像再進行頻域和一系列形態學操作，頻域濾波采用高斯濾波方法，效果較好，高斯濾波得到的投影圖像如圖5所示。最終通過上述操作能完整的識別出瞳孔區域。具體的識別過程如圖5所示。

圖5 二值化圖像處理及內邊界檢測

最后，如圖6所示，將識別出的瞳孔區域用圓圈圈出，可以從圖中看出，經過濾波和形態學操作，能夠完整兒準確的進行內邊界定位，即找出瞳孔。

圖6 內邊界定位

1.4 外邊界定位

目前主要的邊緣檢測算法有Prewitt算法，Sobel算法，Log算法等，其實現方式簡單，實用性強，但是對噪聲特別敏感，抗干擾能力較差。因此Jonh Canny提出一種最優化算法的邊緣檢測算子[12-13]，結合了上述幾種方法的優點，效果明顯強于之前的算法。一般情況下，虹膜與外面的眼白區域在灰度圖中差異較小，特別是當采樣環境中光照條件欠佳的情況，因此二值化方法不再適合于虹膜的外邊界定位。這里采用Canny算子進行邊緣檢測。Canny算子進行邊緣檢測的時候，首先進行高斯濾波，對圖像進行平滑處理，再用一階微分算子計算圖像梯度的幅值和方向，最后進行雙閾值分割，確定邊緣點。Canny算子在邊緣檢測中具有諸多優點，例如不會丟失重要邊緣，實際邊緣與檢測到的邊緣之間誤差相對較小等，具有很高的實用意義。幾種算法的邊緣檢測結果如圖7所示。

圖7 不同邊緣檢測算法結果

如圖7所示，Canny算子在邊緣檢測中具有更好的穩定性和可靠性，但是其邊緣會出現斷裂的情況，因此需要采取形態學措施，通過一系列膨脹，開運算等方法，使其效果更佳。

在光照條件改變時，虹膜中紋理最豐富，辨識度最高的部分在虹膜貼近瞳孔的內部，外部的辨識信息較少，因此我們直接將虹膜外邊緣近似成圓，然后利用最小二乘法對圓進行擬合，達到最優識別效果。Canny算子由于在收到噪聲干擾后會產生許多邊緣斷裂現象，必須進行形態學連接處理。利用直線元素對圖像進行膨脹運算消除邊緣間斷。最后利用帶約束的最小二乘法進行擬合處理，對虹膜外邊界進行定位。最小二乘法具有很高的擬合精度，能滿足大量實際應用場合的需要，虹膜外邊界定位結果如圖8所示。

圖8 虹膜內外邊界定位結果

由上圖可以看出，內外邊界都已經被很清晰的標注出，外邊界雖然與眼白差異很小，但是通過處理也可以完整的識別出，表明該算法的可行性。

2 虹膜圖像歸一化

在采集虹膜圖像時，由于采樣時光線強度，采樣角度，虹膜大小均存在不可改變的差異，若采用之前的算法直接進行處理，會遇到很多問題，因此我們需要先對圖像進行歸一化處理，即將虹膜環形圖像區域進行縮放，放置在一個固定的矩形區域內，對圖像平移和縮放所造成的影響進行消除。

2.1 歸一化模型

本文采用的是基于Daugman提出的“Rubber-Sheet”模型，將之前定位識別出來的環狀虹膜區域展開，放置于固定分辨率的矩形區域。具體模型如圖9所示。

圖9 “Rubber-Sheet”模型

虹膜區域由笛卡爾坐標系中(x,y)映射到歸一化的非同心極性表示，具體模型如下述公式所示。

I(x(r,θ),y(r,θ))→I(r,θ)

(4)

其中：

x(r,θ)=(1-r)xp(θ)+rx1(θ)

(5)

y(r,θ)=(1-r)yp(θ)+ry1(θ)

(6)

式中，I(x,y)是虹膜區域圖像，(x,y)是原始的笛卡爾坐標系中點的坐標，(r,θ)是極坐標系中對應的坐標，其量化程度直接決定了矩形區域的分辨率。該模型考慮到瞳孔的擴張和尺寸不一致問題，能夠處理不同條件下的虹膜圖像，能得到相對滿意的結果。

2.2 歸一化和增強處理

由于很多情況下，采集圖像時并不能完全采集到個體的完整圓弧，而只是采集到虹膜圓弧的一部分，這時我們需要對圖像進行抗干擾處理，準確選取出虹膜部分，再進行正確的歸一化處理，否則歸一化處理后干擾過多，不利于之后的圖像分析操作。對圖像的干擾濾除以及歸一化如圖10所示。

圖10 歸一化邊緣處理

如圖10所示，將眼部其他部位進行濾除，只剩下單純的虹膜部分，為后續處理帶來便利。

將虹膜區域確定好后，我們需要講其進行歸一化處理。歸一化后的圖像如圖11所示。

圖11 歸一化處理結果

我們只取虹膜圖像中距離瞳孔最近的區域，也就是最有識別度的代表性區域進行分析，由于原圖中虹膜和鞏膜部分本來就差異不大，因此歸一化后的圖像區域較小。對圖片進行均衡化處理，得到結果如圖12所示。

圖12 歸一化圖像均衡處理

如上圖所示，均衡化處理后的圖像明顯比直接歸一化的圖像清晰明了，圖像增強效果明顯。

3 虹膜特征提取

虹膜圖像中包含了諸多信息，其中的紋理內容豐富，包括方向和頻率等信息。每個個體之間的差異明顯，具有不同的紋理結構，利用這個原理，我們就可以使用這些信息進行個人身份的驗證。不同的虹膜圖像中，幅度信息相差不大，易受各種干擾，最主要的差異在相位。

經過之前處理過的虹膜圖像可以看成紋理圖像，我們可以用紋理分析方法來對虹膜圖像進行特征提取。目前典型的方法主要有Gabor濾波和小波變換方法。但是由于小波變換提取的特征點較少，識別率一般，因此本文使用Gabor濾波器。Gabor濾波器可以同時在時域和頻域獲得最佳的圖像分辨率，方向性好，已經作為一種成熟的技術在圖像紋理分析鄰域獲得很大的應用，效果顯著，在虹膜紋理特征提取中，Gabor濾波器可以有效進行圖像的分解濾波，將圖像中的高頻分類消除，得到可靠穩定的虹膜紋理圖像并進行分析。

3.1 Gabor濾波器

Gabor濾波器的數學特性在Daugman[14-15]的文章中已經詳細論述，指出該濾波器適用于圖像紋理分析的原因是由于其在空間和頻域具有很好的聯合定位能力。

二維Gabor函數由高斯函數構成，其二維表達式如下所示：

Gω,θ,α,β(x,y)=

exp{-π[(x-x0)2α2+(y-y0)2β2]}·

exp{-2πjf[(x-x0)cosθ+(y-y0)sinθ]}

(7)

式中,f表示正弦曲面的頻率，可見Gabor函數具有頻率選擇性。Gabor濾波器有多個參數輸入，通過調整參數，可以獲取局部圖像信息，用特定的濾波器組隊圖像進行濾波處理。

3.2 Gabor結果

通過Gabor濾波器進行處理，可以得到圖像在紋理和特定頻率方向上的信息，二維Gabor濾波器的高斯窗口如圖13所示。

圖13 二維Gabor濾波器的高斯窗

3.3 虹膜特征提取和編碼

虹膜圖像經過前期預處理和歸一化后，具有很明顯的分布特征。設預處理后虹膜圖像為I(x,y)，對每個帶進行分塊編碼，然后用式(8)獲取不同子塊的頻率和方向，具體實現公式如下：

G(x,y,f,θ)

(8)

Gabor濾波器在這里選用的尺寸為M*N，(i,j)為虹膜圖像中每塊的中心點，然后選取一個閾值來具體量化虹膜信息的實部和虛部，在4個象限分別編碼。虹膜圖像的分塊不同，其特征編碼的長度也不同。

3.4 虹膜特征匹配

在進行虹膜圖像的編碼以后，需要對其與其他圖像進行匹配驗證，以達到身份識別的功能。在進行對比時，需要計算虹膜時間的相似程度。本文采用Hamming距離來衡量虹膜特征編碼之間是否相似。這個過程中，我們需要選取合適的閾值直接判斷兩個虹膜是否來自于同一個人。

本文使用的Hamming距離的原始計算公式如下：

⊕BCMj

(9)

式中，兩個虹膜圖像特征編碼為N維特征向量，分別是ACM和BCM。我們選取的閾值T若大于HD，則表明兩個虹膜來自于同一個人。Hamming距離表征兩個虹膜編碼之間的相似度，若HD=1，表示兩個虹膜特征編碼完全相反。在實驗中，應當選取合適的閾值，使識別效果達到最佳。

本文將兩個不同的瞳孔進行預處理，然后采用Gabor進行特征提取，最后用Hamming距離衡量兩個特征圖片直接的相似程度。實驗結果如圖14所示。圖14中最上面兩個圖表示不同的瞳孔，中間的第二行表示瞳孔和虹膜定位后的圖，第三行表示的是虹膜進行歸一化的結果，第四行表示兩個圖片采用均衡化處理來進行增強的結果，第五行表示利用Gabor濾波器對虹膜歸一化圖像進行特征提取并且編碼，最后一行顯示最終結果，即兩個特征圖像之間的Hamming距離，并指出是否來自于同一雙眼睛。

圖14 系統實驗

接下來對系統進行一系列測試，分別用不同的眼睛來作為系統輸入，看系統的輸出結果，運行結果如表1所示。

表1 系統運行結果

從表1可以看出，系統對輸入圖像的判斷相對較為準確，準確率達到了94%，能夠較為有效地識別出虹膜，也表明了本系統提出的改進算法具有一定的現實意義。

4 結論

本文深入了解了國內外虹膜識別的研究現狀，在虹膜定位和特征提取方面完成自己的研究工作。首先分析圖像處理中形態學處理方法，去除睫毛對虹膜定位的影響。在虹膜內邊界的確定過程中，修正二值化圖像的形態學處理，得到真實的瞳孔邊界，用帶約束的最小二乘法進行擬合。在外邊界確定過程中，通過使用最小二乘法對邊緣進行擬合處理，有效避免了Canny算子在邊緣檢測中容易產生的邊緣間斷問題。完成了虹膜識別系統的構建，從虹膜的邊緣定位到特征提取，再到最后的虹膜特征匹配，最后通過200張圖片的實驗，對本系統進行最終效果驗證，得到了令人滿意的實驗結果。

本文設計的虹膜識別系統忽略了虹膜特征匹配的分類機制，接下來準備使用基于神經網絡和支持向量機進行分類研究，以進一步提高識別準確率。