基于微積分法的虹膜邊緣檢測技術的研究

王晟全，李 昂,2，黎相龍

(1.南京理工大學紫金學院 電子工程與光電技術學院，江蘇 南京 210023；2.南京郵電大學 通信學院，江蘇 南京 210003；3.齊魯師范學院，山東 濟南 250200)

0 引 言

當今社會，身份識別問題是大家普遍要面對的十分重要的問題，指紋識別、人臉識別技術正趨于成熟，也正在被應用到需要進行身份識別的場景里，逐漸改變人們的生活。但在大多使用場景中，研究人員發現指紋是非常容易被偽造的，雙胞胎、整容等因素也使應用廣泛的人臉識別陷入了難題。在某些方面，人們對指紋識別、人臉識別的安全系數提出了質疑。人類一直有一個關于“精準身份識別”的夢想，人臉、指紋、虹膜這些不可替代的生物體特征陸續被應用。并且指紋識別、人臉識別的準確度已經受到質疑，不得不提到虹膜識別。虹膜識別，可能是一項更具有安全性的技術[1-3]。

1 虹膜識別的特點

虹膜，作為重要的身份鑒別特征，具有以下優勢[4]：

(1)高獨特性：幾乎任何兩個人(包括雙胞胎)的虹膜都是不完全相同的，即使是同一個人左右眼的虹膜也存在一定的差異。

(2)高穩定性：虹膜本身一般不易發病，可以保持幾十年不變。

(3)良好的防偽性能：要想精細地修改虹膜的表面結構特征，即使采用目前先進的眼科手術，也必須冒著視力損傷的危險。另外，利用虹膜本身有規律的震顫特性以及虹膜隨光強度變化而縮放的特性，可以把假冒的虹膜圖片區分開來。

(4)易接受性：可以不與人體接觸，甚至能夠在人們沒有覺察的情況下把虹膜圖像拍攝下來。

2 虹膜識別流程

虹膜識別流程如圖1所示。

圖1 虹膜識別流程

2.1 采集設備

虹膜是一個很小的器官，直徑約十幾毫米，不同人種的虹膜顏色有著很大的差別。

白種人的虹膜顏色淺，紋理顯著，黃種人的虹膜則多為深褐色，紋理非常不明顯，因此，如何實現虹膜圖像的獲取是一個較大的難題。并且，由于虹膜識別對圖像的灰度分辨率具有比較高的要求，因此，虹膜圖像采集設備的性能相當關鍵。在獲取圖像的過程中，使用者必須在一定的距離內，平視鏡頭幾秒鐘方可完成采集工作[5]。

采集虹膜圖像并不是接觸式獲取，而是非接觸式的，這樣一套設備主要是由圖像采集電路組成，其中包括控制芯片、光學鏡頭以及補光裝置。普遍的研究表明，通過傳統的CCD采集同圖像采集卡相結合進行圖像采集的方式多有不便且集成度較低。研究人員發現，使用CMOS圖像傳感器與相應的USB控制芯片傳輸相結合的方式不但便利且傳輸速度快，完全可以滿足虹膜識別技術對于快速采集工作的要求[6]。

但是，在很多情況下，在虹膜圖像采集時會遇到一些不可避免的問題，例如：受到雜光的干擾；使用者可能無法準確地置于最佳采集距離；使用者在鏡頭前可能會出現抖動、眨眼等不確定因素，從而導致圖像不清晰，不能被準確識別[7-9]。

對于可能出現的問題，均做出了相關的應對措施，如下：

(1)為了解決雜光干擾的問題，圖像采集系統要采用近紅外LED光源照明，并在鏡頭和圖像傳感器之間加裝近紅外光濾片。顧名思義，該濾光片僅允許LED近紅外光通過，可有效過濾自然光；

(2)在鏡頭前的適當位置加裝半透半反光鏡，可使使用者借助該裝置的光學特征觀察自己眼鏡是否在合適的位置，并且可以使用戶清楚地察覺自己是否發生了抖動。

2.2 測距和聚焦檢測

測距指的是幾何測距，即通過幾何圖像法進行測距。其分為兩種，如圖2所示。

測距方法的自動調焦有三角測量法、紅外測量法以及超聲波測量法。可見，虹膜的提取對于提取方法和設備的要求以及用戶的使用方法還是具有一定要求的，但是，只要技術相對成熟，這些都可以得到改善。

3 虹膜定位

虹膜區域分割是虹膜識別技術中的一個重要步驟，在虹膜識別的時候，必須先將虹膜區域從眼部圖像中分離出來。事實上，這里說的就是將瞳孔和鞏膜區分，虹膜定位就是要確定虹膜的內外邊界。

3.1 濾 波

采用低通濾波，在空域平滑依靠模板的卷積運算，假如該模板尺寸大，卷積量較大，其性能會大大降低。通常采用頻域運算解決其實時性低的問題，其中包括圖像傅里葉變換、頻率中心移動、濾波器系數和傅里葉變換結果的對應點相乘、頻率中心平移、傅里葉逆變換。頻域濾波將空域中模板卷積成與之前圖像相等的兩個矩陣對應點的乘法，占用內存空間大，不過其計算量會顯著減少，使得整個運算過程是以空間換取了時間。

3.2 邊緣檢測

通過銳化模板和圖像的卷積來達到邊緣提取的效果，銳化模板如式1所示。

(1)

當空域模板較大時，模板卷積運算量很大，為了提高算法實時性，可將圖像變換到頻域進行邊緣提取。虹膜識別中，虹膜的邊緣是接近于圓的一種幾何結構，其可看成是一組同心圓，這兩個圓內分別與周圍的圖像環境產生了較為明顯的灰度差，通過灰度差來分析是否為邊界，這種方法在圖像識別領域應用廣泛[10-13]。

式2給出了四種不同方向的的邊緣提取算子，分別是水平方向、垂直方向、135°方向和45°方向。

(2)

設圖像為函數P(x,y)，其水平方向的邊緣函數為：

l(x,y)=P(x+1,y)-l(x-1,y)

(3)

垂直方向的邊緣函數為：

h(x,y)=P(x,y+1)-P(x,y-1)

(4)

135°方向的邊緣函數為：

D(x,y)=P(x+1,y+1)-P(x-1,y-1)

(5)

45°方向的邊緣函數為：

d(x,y)=P(x-1,y+1)-P(x+1,y-1)

(6)

將以上求加權可代換出整個圖像的梯度圖像，公式如下：

(7)

又可以得：

(8)

(9)

3.3 使用微積分法進行虹膜定位

微積分法(見圖3)和其他類似于Hough變化的算法，如果檢測的虹膜圖像較為模糊，對比度不是很高，微積分算法依然可以精確定位。它使用的是圖像的梯度幅度信息，不需要二值化處理，更不會產生類似于投票機制的二值化閾值的選擇問題。

圖3 微積分法

首先是檢測圓，假如能將圖像的中心位置確定下來，設其中心位置為(x0,y0)，則算法如下：

(10)

(11)

通過上面的算法來檢測圓周梯度變化最大的地方，如圖4所示。

圖4 檢測圖像

霍夫變換方法存在許多問題。首先，它需要為邊緣檢測選擇閾值，這可能導致關鍵邊緣點被移除，導致無法檢測圓弧。其次，霍夫變換由于其“強力”方法而在計算上是密集的，因此可能不適合于實時應用。而微積分法就不會存在此類問題[14-16]。

4 仿真結果

由于虹膜代碼(iris code)是通過復雜的運算獲得的，并能提供數量較多的特征點，所以虹膜識別技術是精確度最高的生物識別技術，具體描述如下：

兩個不同的虹膜信息有75%匹配信息的可能性是1∶106；

等錯率：1∶1 200 000；

兩個不同的虹膜產生相同iris code(虹膜代碼)的可能性是1∶1 052。

在做實驗時，使用了LEI-a數據集。表1是僅使用一個濾波器，具有各種中心波長的'LEI-a'數據集的可判定性，其中sigmaOnF為0.75，模板大小為20×240，并且有3個移位。

表1 實驗結果(1)

表2是僅使用一個濾波器，具有各種中心波長的'LEI-a'數據集的可判定性，其中sigmaOnF為0.5，模板大小為20×240，并且有3個移位。

表3是僅使用一個濾波器，具有各種中心波長的'LEI-a'數據集的可判定性，其中sigmaOnF為0.3，模板大小為20×240，并且有3個移位。

表2 實驗結果(2)

表3 實驗結果(3)

實驗過程如圖5～圖8所示。

圖5 眼睛圖像“pi201b”的分割階段

圖6 邊緣檢測階段

圖7 虹膜定位的真實過程

圖8 虹膜歸一化

5 結束語

技術的算法還受到了現有技術的制約。眾所周知，CPU速度是大規模檢索的一個瓶頸，另外網絡和硬件設備的性能也制約著檢索的速度。當然，由于虹膜識別技術采用的是單色成像技術，因此一些圖像很難把它從瞳孔的圖像中分離出來。但是微積分算法允許圖像質量在某種程度上有所變化。相同的虹膜所產

生的虹膜代碼也有20%的變化，這似乎是虹膜識別的致命弱點，但在識別過程中，這種iris code的變化只占整個虹膜代碼的10%，它所占代碼的比例是相當小的。由此可見，虹膜識別算法使用微積分還是很不錯的選擇。