（信号与信息处理专业论文）基于滤波特性的虹膜识别算法研究.pdf

山东大学硕士学位论文 摘要 随着网络、通信及信息技术的迅速发展，身份识别成为一个重要而普遍的问 题。生物特征识别技术因为其稳定性、可靠性、唯一性等特点，逐渐成为身份识 别研究的热点。虹膜识别技术作为近年来新兴的生物特征识别技术之一，具有更 高的稳定性、可靠性和安全性，并且具有广泛的应用前景、重要的现实意义和应 用价值，受到越来越多的关注。 虹膜识别系统一般包括虹膜图像采集、图像预处理、特征提取和匹配识别几 部分。图像采集是通过虹膜采集装置获取包含虹膜的人眼图像。图像预处理是对 图像进行定位、归一化及去噪等操作。特征提取是对预处理后的图像采用某些算 法提取出有利于识别的特征。匹配识别采用一定的相似性测度对得到的特征进行 分类识别。其中，特征提取是虹膜识别的核心。本文的主要工作就是提出了基于 滤波特性的虹膜识别方案，分别利用经验模态分解、f i r 滤波器和z e m i k e 矩提取 虹膜图像特定频带的特征，并结合相应的预处理及匹配识别方法进行识别。 经验模态分解是一种适用于非线性、非平稳信号的分析方法，可以自适应的 将信号分解为一系列固有模态函数之和。本文提出了一种基于经验模态分解的自 适应滤波虹膜识别算法，利用经验模态分解的时空滤波特性，对虹膜信号进行分 解滤波，选择最佳的固有模态函数进行组合，作为最有利于识别的虹膜频带特征， 并利用与经验模念分解相关的下采样理论对特征进行降维压缩。采用汉明距离作 为相似性测度进行匹配识别。 f i r 滤波器是有限长单位冲激响应滤波器，具有线性相位特性，并且系统是稳 定的。本文提出了一种基于f i r 滤波器的固定参数滤波虹膜识别算法，通过可分 性判据确定最佳的滤波器带通范围、阶数等参数。利用设计的最佳参数滤波器对 虹膜信号进行滤波，提取特征，并结合下采样算法对特征向量进行降维，节省存 储空间，提高识别速度。 z e r n i k e 矩是图像矩的一种，可以提取图像的旋转不变特征：并且z e m i k e 矩 也具有滤波的性质，其低阶矩反映图像的低频特性，高阶矩反映图像的高频信息。 山东大学硕士学位论文 本文提出了一种基于z e m i k e 矩和环形归一化的虹膜识别算法。首先对虹膜图像进 行环形归一化处理，在保持平移和尺度不变性的同时，利用z e r n i k e 矩提取图像的 旋转不变特征。通过对矩的阶数进行选择，可以实现特定频带特征的提取；利用 欧氏距离、c o s i n e 相似性测度及支持向量机等匹配识别算法进行匹配识别。利用 z e m i k e 矩提取的特征具有全局特性，且特征数目少，但对图像质量要求较高，因 此还存在某些不足。 本文基于c a s i a i 虹膜数据库对以上三种算法分别进行了实验仿真，并对实 验结果进行了分析，对识别性能进行了评价。最后，对今后的研究工作和研究方 向进行了展望。 2 关键词：虹膜识别；经验模态分解；f i r 滤波器；z e m i k e 矩：环形归一化 山东大学硕士学位论文 a b s t r a c t w i t ht h ed e v e l o p m e n to ft h en e t w o r k ，c o m m u n i c a t i o na n di n f o r m a t i o nt e c h n o l o g y , i d e n t i t yr e c o g n i t i o nb e c o m e sa ni m p o r t a n ta n du n i v e r s a lp r o b l e m b e c a u s eo ft h e p r o p e r t yo fs t a b i l i t y , r e l i a b i l i t ya n du n i q u e n e s s ，b i o m e t r i ct e c h n o l o g yi sb e c o m i n ga n a c t i v et o p i c i r i sr e c o g n i t i o n ，a so n eo ft h eb i o m e t r i ct e c h n o l o g i e s ，h a sh i g h e rs t a b i l i t y , h i g h e rr e l i a b i l i t ya n dh i g h e rs e c u r i t y , t h a ti th a sw i d ed e v e l o p m e n tp r o s p e c t s ，i m p o r t a n t p r a c t i c a ls i g n i f i c a n c e sa n da p p l i c a t i o nv a l u e s ，a n dh a sa t t r a c t e dm o r ea n dm o r ea t t e n t i o n s i r i s r e c o g n i t i o ns y s t e mi sg e n e r a l l yc o m p o s e do fi r i si m a g ec a p t u r i n g ，i m a g e p r e p r o c e s s i n g ，f e a t u r ee x t r a c t i o na n dm a t c h i n g i m a g ec a p t u r i n gi st h ec a p t u r eo f o r i g 砌e y ei m a g ei n c l u d i n gi r i sb yc a p t u r i n gd e v i c e i m a g ep r e p r o c e s s i n gi n c l u d e s l o c a l i z a t i o n , n o r m a l i z a t i o na n dd e n o i s i n g f e a t u r ee x t r a c t i o ni st oe x t r a c tf e a t u r e s b e n e f i t e df o rr e c o g n i t i o nf r o mt h ei m a g e sa f t e rp r e p r o c e s s e d m a t c h i n gi sc o m p a r i n g a n d c l a s s i f y i n gt h ef e a t u r e s 、 ，i t l ls o m es i m i l a r i t ym e a s u r e s w h e r e ，f e a t u r ee x t r a c t i o ni s t h ek e r n e lo ft h ei r i sr e c o g n i t i o ns y s t e m t h em a i nw o r ko fo u rr e s e a r c hi sp r o p o s i n g s o m ei r i sr e c o g n i t i o nm e t h o d sb a s e do nf i l t e r i n gp r o p e r t y , i nw h i c hw eu s ee m p i r i c a l m o d ed e c o m p o s i t i o n , f i rf i l t e ra n dz e r n i k em o m e n t st oe x t r a c tf e a t u r e sw i t l ic e r t a i n f r e q u e n c yo fi m a g e s ，a n ds e l e c tc o r r e s p o n d i n gp r e p r o c e s s i n ga n dm a t c h i n gm e t h o d sf o r r e c o g n i t i o n e m p i r i c a lm o d ed e c o m p o s i t i o n ，w h i c hi san o n - s t a t i o n a r y , n o n l i n e a rs i g n a la n a l y s i s m e t h o d , c a nd e c o m p o s eas i g n a li n t oas e r i e so fs t a t i o n a r ya n dl i n e a ri n t r i n s i cm o d e f u n c t i o n s t h i st h e s i sp r o p o s e sa na d a p t i v ef i l t e r i n gi r i sr e c o g n i t i o nm e t h o db a s e do n e m p i r i c a lm o d ed e c o m p o s i t i o n w i t ht h et i m e - s p a c ef i l t e r i n gp r o p e r t y , i r i ss i g n a li s d e c o m p o s e da n df i l t e r e d ，a n do p t i m a l i n t r i n s i cm o d ef u n c t i o n sa l es e l e c t e da n d c o m b i n e da st h em o s tu s e f u lf e a t u r e s t h ed o w n s a m p l i n ga l g o r i t h mr e l a t e dt ot h e e m p i r i c a lm o d ed e c o m p o s i t i o ni su s e df o rf e a t u r e sc o m p r e s s i o n ，a n dh a m m i n gd i s t a n c e i su s e da ss i m i l a r i t ym e a s u r ef o rr e c o g n i t i o n 3 山东大学硕士学位论文 f i rf i l t e ri st h ef i n i t ei m p u l s er e s p o n s ef i l t e r , w h i c hh a sl i n e a rp h a s ep r o p e r t ya n d s t a b i l i t y t h i st h e s i sp r o p o s e sa ni r i sr e c o g n i t i o nm e t h o dw i t hf i xp a r a m e t e r sf i l t e r i n g b a s e do nf i rf i l t e r o p t i m a lf i l t e r , w h o s eb a n a s sf r e q u e n c ya n do r d e ra r cd e t e r m i n e d b yt h ed i s t a n c es e p a r a b i l i t yc r i t e r i o n , i su s e dt of i l t e rt h em ss i g n a l st oe x t r a c tf e a t u r e s w h o s ed i m e n s i o ni sf u r t h e rr e d u c e db yd o w n s a m p l i n ga l g o r i t h mt os a v em e m o r ys p a c e a n di m p r o v er e c o g n i t i o ns p e e d z e m i k em o m e n t s ，硒o n et y p eo ft h ei m a g em o m e n t s ，c a ne x t r a c tf e a t u r e s 、丽t h r o t a t i o ni n v a r i a n c eo ft h ei m a g e s z e r n i k em o m e n t sa l s oh a v et h ef i l t e r i n gp r o p e r t y , f o r i t sl o wo r d e rm o m e n t sr e p r e s e n tt h el o w - f r e q u e n c yc h a r a c t e r i s t i cw h i l et h eh i g l lo r d e r r e p r e s e n tt h eh i g h - f r e q u e n c yi n f o r m a t i o no ft h ei m a g e s t h i st h e s i sp r o p o s e sa ni r i s r e c o g n i t i o nm e t h o db a s e do nz e m i k em o m e n t sa n dr i n gn o r m a l i z a t i o n f i r s t ，t h ei r i s i m a g e sa r en o r m a l i z e di n t oar i n ga n dz c m i k em o m e n t si su s e dt o e x t r a c tr o t a t i o n i n v a r i a n tf e a t u r e s t h e nt h eo r d e r so fz c m i k em o m e n t sa l es e l e c t e da n dt h ef e a t u r e s w i t hc e r t a i nf r e q u e n c ya l ed e t e r m i n e d m a n ys i m i l a r i t ym e a s u r e s ，s u c ha se u c l i d e a n d i s t a n c e ，c o s i n es i m i l a r i t ya n ds u p p o r tv e c t o rm a c h i n e ，a r ea d o p t e df o rm a t c h i n g t h e f e a t u r e se x t r a c t e db yz e r n i k em o m e n t sh a v eg l o b a lc h a r a c t e r i s t i ca n dl e s sa m o u n t s ，b u t t h ei m a g e sr e q u i r eh i g hq u a l i t y , t h a ts o m ep r o b l e m ss t i l le x i s t w i t ht h ee x p e r i m e n t a ls i m u l a t i o no ft h ea b o v et h r e em e t h o d sb a s e do nc a s l a i d a t a b a s e ，r e s u l t sa l ea n a l y z e da n dt h ep e r f o r m a n c e sa l ee v a l u a t e ds e p a r a t e l y i nt h ee n d ， t h ef u t u r ew o r k sa n dr e s e a r c ha r ep r o s p e c t e d 4 k e y w o r d s ：i r i sr e c o g n i t i o n ；e m p i r i c a lm o d ed e c o m p o s i t i o n ；f i rf i l t e r ；z e m i k e m o m e n t s ；r i n gn o r m m i z a f o n 山东大学硕士学位论文 c r r e d e e r e m d f a r f i r f r r h d i m f r o c r o i s v m 缩略语 c o r r e c tr e c o g n i t i o nr a t e e u c l i d e a nd i s t a n c e e q 叫e r r o rr a t e e m p i r i c a lm o d ed e c o m p o s i t i o n f a l s ea c c e p t a n c er a t e f i n i t ei m p u l s er e s p o n s e f a l s er q e c f i o nr a t e h a m m i n g d i s t a n c e i n t r i n s i cm o d ef u n c t i o n r e c e i v e ro p e r a t i n gc h a r a c t e r i s t i c r e g i o no fi n t e r e s t s u p p o r tv e c t o rm a c h i n e 正确识别率 欧氏距离 等错率 经验模态分解 错误接受率 有限长单位冲激响应 错误拒绝率 汉明距离 固有模态函数 接受者操作特性 感兴趣区域 支持向量机 5 山东大学硕士学位论文 1 1 课题研究背景和意义 第一章绪论 身份识别是指通过某种手段对某人的身份进行确定的方法。随着网络、通信 及信息技术的迅速发展，身份识别问题与人们的工作、生活等息息相关，已渗透 到人们日常生活的各个方面。例如，在金融、网络、电子商务、安全等领域都需 要进行人的身份的识别与验证。因此，身份识别成为一个重要而普遍的问题，其 重要性越来越高，而实现的难度也越来越大。 传统身份识别方法主要有以下两种【】：一是基于身份标识的特定物品( 例如证 件、信用卡等) ；二是基于身份标识的特定知识( 例如密码、暗号等) 。但这些方 法都存在某些缺陷，例如证件、信用卡等标识用物品容易丢失或者被伪造，而密 码又容易忘记、记错或者被破译，因此难以满足对安全性越来越高的要求。由于 这些传统的识别方法已不能满足当今数字化、信息化的安全需求，生物特征识别 技术因为其稳定性、可靠性、唯一性等特点和优点，逐渐成为身份识别研究的热 点，并受到越来越多的关注。 虹膜识别技术是近年来新兴的生物特征识别技术之一。根据特定的特征提取 和匹配识别算法，虹膜识别可以达到极高的识别率，具有非常良好的识别性能。 作为重要的身份识别特征之一，虹膜具有唯一性、稳定性、防伪性、非侵犯性等 特点。根据现有的文献统计数据，在诸多生物特征中，虹膜是一种最稳定和最可 靠的特征【2 】。与其他生物特征识别技术相比，虹膜识别具有更高的稳定性、可靠性 和安全性。作为最有l ； 途的生物特征识别方法之一，虹膜识别具有广泛的应用前 景，可以应用在国防、金融、安全、信息、交通及日常生活中等诸多领域。因此， 虹膜识别的研究具有重要的现实意义和应用价值。 1 2 生物特征识别及虹膜识别概述 6 生物特征识别技术( b i o m e t r i ci d e n t i f i c a t i o nt e c h n o l o g y ) ，是指通过人类生物特 山东大学硕士学位论文 征进行身份认证的一种技术，主要通过将计算机、声学、光学、生物统计学、生 物传感器等高科技技术进行结合，利用模式识别、图像处理等理论算法，对人体 生理特征( 包括指纹、掌纹、人脸、虹膜、视网膜、d n a 等) 或者行为特征( 包 括笔迹、声音、步态等) 进行有效、可靠的分析、描述，通过比较判断，来实现 身份识别的技术1 3 j 。 生物特征识别技术中用到的这些生理或行为特征一般需要满足以下几个方面 的要求，包括： ( 1 ) 普遍性：即特征必须每个人都具备； ( 2 ) 唯一性：即特征对任何两个人都必须不同； ( 3 ) 稳定性：即特征在相当长的时间内，不因年龄、环境的改变而变化： ( 4 ) 可采集性：即特征必须容易采集和获取，并可以测量。 目前的生物特征识别方式主要包括指纹识别、掌纹识别、人脸识别、笔迹识 别、声音识别、d n a 识别、视网膜识别、虹膜识别等。这些方法都具有自己的特 点和一定的适用范围，并且也都有着不同的缺点和一定的局限性。例如：指纹识 别【4 5 】通过指纹的全局特征及局部特征( 包括指纹的起点、终点、分叉点和结合点 等) 进行识别，是目前应用最广泛、技术最成熟的识别技术，且实现价格较低， 但具有侵犯性，需要被测试者的接触；同时，容易被伪造、复制或者被外界条件 干扰。掌纹识别 6 , 7 1 与指纹识别相比具有更高的可接受性，并且具有更明显的特征， 但识别率偏低，同时也存在指纹识别的缺点。人脸识别【8 9 1 主要根据人脸的五官特 征和形态特征进行识别，由于它的非接触性和非侵犯性等特点，容易被人接受， 得到了广泛的应用，但特征的稳定性较差，人脸会随时间有明显的特征变化，并 且特征提取容易受环境、光照、表情的等影响，造成错误的识别。笔迹识别【1 0 】主 要通过不同签字者的字形特征及笔画间的顺序、压力等特征不同来进行识别，容 易被人们接受，但容易被模仿。声音识别【1 1 , 1 2 1 主要通过人声音的特点进行识别，优 点是易被人们接受，缺点是特征提取受噪声干扰比较大，并容易被模仿。d n a 识 别i 旧】主要是根据不同人的细胞中的d n a 的分子结构不同的特点进行识别，具有最 高的准确性和防伪性，但其实现较为复杂且成本较高。视网膜识别【1 4 】是通过红外 线去获取视网膜独特的图像提取特征来识别，由于视网膜的不可见性，因此很难 7 山东大学硕士学位论文 被伪造，具有较好的防伪性能；但缺点是可能会对使用者的身体健康带来损害， 并且使用的设备成本昂贵，难以进行推广应用。 虹膜识别主要利用虹膜中包含着的丰富的纹理特征信息( 包括色斑、条纹、 隐窝、皱褶等细节特征) 进行识别【2 3 1 。与其他生物识别技术相比，虹膜识别具有 以下特点： ( 1 ) 唯一性：虹膜纹理的形成与人体基因决定的外在表现及胚胎发生阶段组 织局部的物理、化学环境都有关系，因此具有极大的随机性。每个虹膜都具有独 一无二的特征，任何两个人的虹膜都是不同的。 ( 2 ) 稳定性：虹膜发育完全后，其组织特征在人的一生中保持高度稳定，几 乎不发生变化；虹膜作为内部器官，不与外界直接接触，不易受到伤害而发生组 织改变；一般的疾病不会对虹膜组织结构造成损害。 ( 3 ) 非侵犯性：虹膜图像的采集可以通过具有一定距离的摄像机完成，不需 要进行身体接触，不具有侵犯性。 ( 4 ) 防伪特性：瞳孔的大小、虹膜的纹理可以随外界光线的强弱而产生变化， 因此，利用虹膜对光线变化的敏感特性可以来检测被识别的个体是否为活体或者 是否是伪造的。 通过上述特点及前文所述的与其他生物特征识别的比较可以看出，虹膜识别 具有高稳定性、高唯一性、高防伪性，在某些识别性能上具有明显的优势。据统 计，虹膜识别在所有生物特征识别中具有最低的错误率【2 1 。 1 3 虹膜识别研究发展和应用现状 基于人体虹膜的生物特征识别技术起始于1 9 世纪8 0 年代。1 8 8 5 年，法国人 a l p h o n s eb e r t i l l o n 在巴黎刑事监狱利用人的生理特征( 包括虹膜、耳朵大小及脚的 长度等) 进行个人身份识别，其中，所用的“虹膜识别 主要是通过人来观察虹 膜的颜色及形状来进行分辨【1 5 1 。1 9 8 7 年，a l a ns a f i r 和l e o n a r df l o m 博士第一次 提出利用虹膜图像进行自动识别的概念，并申请了虹膜识别概念的专利，但他们 仅限于理论的研究，并没有开发出一个实际的识别应用系统【1 6 1 。1 9 9 3 年，英国剑 桥大学的j o h nd a u g m a n 博士受f l o m 博士邀请进行虹膜识别的研究，实现了一个 8 山东大学硕士学位论文 高性能的自动虹膜识别系统并申请了专利，这一算法也是当前大多数虹膜识别商 用系统的算法基础：d a u g m a n 的算法是利用g a b o r 滤波器对虹膜纹理图像进行滤 波，对相位信息进行量化和编码 1 7 , 1 9 】。1 9 9 6 年，美国普林斯顿大学的w i l d e s 教授 等人也成功实现了基于区域图像注册技术的虹膜身份认证系统【l 叭。1 9 9 8 年，澳大 利亚昆士兰大学的b o l e s 教授等人提出了基于小波变换过零点检测的虹膜识别算 法1 2 0 】。随后，虹膜识别成为一个研究热点，引起越来越多的学者的研究和重视， 许多新的识别算法和实际应用系统被提出和实现。 国内对虹膜识别的研究起步比较晚，主要开始于2 0 世纪末。当前研究的主要 单位包括中科院自动化研究所、上海交通大学、清华大学、北京大学、中国科学 技术大学、华中科技大学等。中科院自动化研究所的谭铁牛课题组，先后申请了 多项专利，提出了多种虹膜识别算法，取得了较好的识别效果，开发出了具有自 主知识产权的虹膜自动识别系统【2 1 ，2 2 l 。同时，自动化研究所模式识别国家重点实 验室建立的虹膜数据库，也成为国际最大的虹膜共享数据库之一。 随着人们对身份识别问题的r 益重视，越来越多的研究机构、高科技公司和 研究人员投入到虹膜识别的研究中。虽然现有的虹膜识别算法还都具有一定的局 限性，可以实际应用的虹膜识别系统产品种类较少，但随着研究的不断深入，虹 膜识别技术会不断完善，应用范围也会越来越广泛。 1 4 本文主要研究工作及内容安排 本文主要提出了几种基于滤波特性的虹膜识别算法。分别利用几种具有滤波 特性的工具( 经验模态分解算法、f i r 滤波器、z e r n i k e 矩) ，对虹膜图像进行自适 应滤波特征提取、固定参数滤波特征提取或者二维图像矩特征提取，并结合图像 的预处理和匹配识别算法进行特征识别。本文内容组织安排如下： 第一章为绪论部分。首先介绍了本课题的研究背景和意义，然后对生物特征 识别和虹膜识别进行了综述，并对虹膜识别的研究发展和应用现状进行了介绍。 最后介绍本文的主要工作及内容安排。 第二章对虹膜识别系统进行了概述，对虹膜识别原理进行了介绍。首先介绍 了虹膜图像定位、归一化、图像去噪增强等图像预处理算法，然后对现有的虹膜 9 山东大学硕士学位论文 特征提取算法进行了总结，最后给出了虹膜识别常用的匹配识别算法及虹膜识别 系统的评价指标。 第三章提出了基于经验模态分解的自适应滤波虹膜识别算法。首先介绍了经 验模态分解的基本思想、分解步骤、滤波特性及下采样等基本理论，然后利用经 验模态分解的自适应滤波特性，对虹膜信号进行分解、分析，对分解后的结果进 行选择、融合，提取出最有利于识别的虹膜频带特征，并结合下采样算法对特征 进行降采样处理，利用汉明距离实现匹配识别并给出了实验结果。 第四章提出了基于f i r 滤波器的固定参数滤波虹膜识别算法。在对f i r 滤波 器的滤波特性进行分析的基础上，利用可分性判据设定f i r 滤波器的最佳参数， 对虹膜信号进行滤波实现特定频带特征的提取，对下采样后的特征向量进行编码 识别。最后给出了实验结果与分析，并与基于经验模态分解的识别方法及现有的 经典算法进行了比较。 第五章提出了基于础e 矩的虹膜识别算法。首先对z e r n i k e 矩理论进行了 介绍，由于不同阶数的z e m i k e 矩具有不同的频率特性，因此通过选择不同阶数的 z e m i k e 矩，可以实现对虹膜图像特定频带特征的提取。提出了一种环形归一化算 法，在保持尺度和平移不变性的基础上，选择特定阶数的z e r n i k e 矩实现旋转不变 特征的提取，并利用多种相似性测度进行匹配识别。最后对z e r n i k e 矩的识别效果 进行了评价，对识别错误的原因进行了分析。 第六章是总结和展望。对本文的研究工作进行了总结回顾，并对下一步的研 究方向进行了展望。 l o 山东大学硕士学位论文 2 1 引言 第二章虹膜识别系统概述 本章主要对虹膜识别系统进行介绍。虹膜识别系统一般包括虹膜图像采集、 图像预处理( 包括定位、归一化等) 、特征提取和匹配识别几部分。虹膜识别系统 的工作原理，是通过虹膜采集装置获取包含虹膜的人眼图像，然后对人眼图像进 行虹膜定位、图像归一化及去噪增强等预处理操作，将虹膜部分从人眼图像中分 割出来，并归一化展开为易于处理的图像；对预处理后的图像通过某些特征提取 算法，提取出有利于识别的特征；选择特定的分类器，对得到的特征向量与虹膜 库中的特征进行比较和分类识别。识别原理框图如图2 1 所示。 国日固 图2 1 虹膜识别系统原理图 目前典型的虹膜识别系统，主要包括d a u g m a n 提出的虹膜识别系统【2 3 2 4 捌、 w i l d e s 提出的虹膜识别系统i 2 6 , 2 7 1 及中科院谭铁牛课题组提出的虹膜识别系统i 鹞, 2 9 1 等。d a u m a n 利用“积分微分 算子实现虹膜的定位与分割，然后利用g a b o r 滤 波器提取归一化图像纹理特征的相位信息作为特征，利用汉明距离进行匹配识别； w i l d e s 利用边缘检测结合h o u g h 变换的方法对虹膜进行定位，利用高斯拉普拉斯 金字塔对虹膜图像进行多分辨率分析来提取特征，利用图像间的相关性进行分类 识别；谭铁牛等对w i l d c s 的定位方法进行了改进，采用“先粗定位，再精细定位 的方法进行定位，加快了定位速度，并采用虹膜信号的局部强度变化作为特征， 利用g a u s s i a n - - h e r m i t c 矩或二进小波进行特征提取，并通过最小中心距或者汉明 距离进行匹配识别。 罔 嘭 专 山东大学硕士学位论文 本章各节分别对虹膜识别系统中的图像预处理、特征提取和匹配识别进行阐 述。由于本文主要针对中科院提供的c a s i a l 数据库进行实验，因此对虹膜采集 装置不做具体介绍。 2 2 图像预处理 通常情况下，利用图像采集装置采集到的图像是整幅人眼的图像，不仅包括 虹膜部分，还包含瞳孔、巩膜、睫毛、眼睑等。如图2 2 所示，虹膜是白色的巩膜 和黑色的瞳孔之间的圆环状区域。因此在进行特征提取之前，需要首先进行一定 的预处理操作。 图2 2 虹膜图像永例 虹膜图像预处理一一般包括虹膜定位、归一化、去噪增强三部分。首先，进行 虹膜定位与分割，将虹膜从图像中分离出来。由于采集到的虹膜图像大小不一定 相同，且采集到的虹膜可能存在旋转、平移等，因此，对定位后的图像还需要进 行归一化操作。同时，采集到的图像可能有眼睑、睫毛的遮挡，可能会因背景光 照不均而存在明暗变化，有的图像还有斑点噪卢的存在，因此可能还需要进一步 对图像进行去噪和增强操作。 2 2 1 虹膜定位 1 2 虹膜定位是虹膜图像预处理的首要环节。通过定位，将虹膜区域从人日艮中分 山东大学硕士学位论文 离出来，用以保证后续有效的提取特征和准确的匹配识别。虹膜区域的边界可以 近似看作两个圆心位置很近的圆，其中，内圆为虹膜与瞳孔的边界，外圆为虹膜 与巩膜的边界。虹膜定位的主要任务就是要确定出内圆、外圆的圆心位置和半径 大小，并利用这些确定出的参数将虹膜和其他部分进行分割。目前定位算法主要 有“积分微分 算法【2 4 】、活动轮廓模型算法【凋、h o u g h 变换算法【2 7 1 、最小二乘算 法【3 1 1 等，其中d a u g m a n 提出的“积分微分 算法和w i l d e s 提出的结合边缘检测 和h o u g h 变换的算法是最常用的两种算法，这里分别对其做较详细的介绍。 d a u g m a n 提出的“积分微分 检测算法，其基本思想是利用人眼的不同区域 之间灰度相差比较大的特点，利用圆形检测模板对虹膜的内外边缘进行检测，得 到r 勺3 , b 圆的估计参数，其算法核心是利用“积分微分打算子对内外圆参数进行计 算： m a x 。卜) 昙ki ( x , y ) ( 2 r c r ) d s i ( 2 - 1 ) 其中，l ( x ，y ) 表示采集到的虹膜图像在坐标( x ，y ) 处的灰度值； q ( r ) = ( 1 孺) e x p ( 弋r v o ) 2 ( 2 0 2 ) ) ，是标准差为仃的高斯平滑函数，用于进行 平滑滤波；( ，：c o ，y o ) 是要检测的圆( 内圆或外圆) 的参数，是半径，( j c o ，) 是圆 心位置；符号表示卷积运算；唾 h l ( 工，y ) ( 2 刀r r ) d s 表示虹膜图像i ( x ，y ) 在以 ( ，) 为圆心，为半径的圆周上进行归一化积分。通过不断改变参数( ，) 的 取值进行迭代搜索，分别计算图像l ( x ，y ) 在圆周上的归一化积分，使积分结果在半 径，上的差分值最大时的( ，而，y o ) 即为所求的圆周参数。 w i l d e s 利用边缘检测与h o u g h 变换相结合的方法来进行虹膜内外圆的定位。 其基本思想是对虹膜图像先进行边缘检测，然后对边缘图像进行h o u g h 变换，准 确的圆参数通过在变换空间内对过边缘点的参数进行投票得到。这种方法通过两 步实现虹膜内外圆的检测。首先对图像进行边缘检测，将图像映射为二值图像， 采用基于梯度的边缘检测算法实现： i v a ( x ，y ) l ( x ，j ，) i ( 2 - 2 ) 1 3 山东大学硕士学位论文 其帆v 三( a 叙，a , g y ) ，i g ( w ) i = 1 2 n o - 2 ) e x p ( 一( ( x 一而) 2 + ( y 一蜘2 ) ) 2 仃2 ) g ( x ，y ) l 是一个中心在( ，y o ) 、标准差为仃的二维高斯函数。为了进行合适的方 向调整，在取幅值之前对图像灰度的导数进行加权，以适应一定范围内方向的旋 转。对边缘检测后的二：值图像进行h o u g h 变换，来确定虹膜内外圆边界参数。对 于圆形边界及边缘点集( _ ，y j ) ，j ，= 1 ，九，h o u g h 变换定义如下： ( t ，儿，) = ( _ ，y ，x c ，儿，) ( 2 - 3 ) 其中， 办( x j , y j , x c , y 。, r ) = l ，。i f m g e ( 刑x j i , s y e j t 咒，= 。 c 2 4 ， 并且， g ( 一，y s ，j c c ，y c ，) = ( 一一x c ) 2 + ( ”一y c ) 2 一，2 ( 2 - 5 ) 对每一个边缘点( 一，y j ) ，如果它使g ( x j ，y ，t ，儿，) = 0 ，则相应的参数对 ( x c ，y 。，) 为经过这个点的一个圆。因此，通过计算使h 最大化的参数对可以得到 有最大数1 1 的边界点的圆，从而得到虹膜边界参数。 m a l 2 9 , 2 9 ，m a s e k l 3 0 1 等人对w i l d e s 的方法进行了改进，采用c a n n y 算子进行边 缘检测，并结合h o u g h 变换束得剑内外圆边界，也取得了很好的定位效果。 1 4 ( a ) d a u g m a n 定位方案( b ) w i l d e s 定位方案 图2 _ 3 虹膜定位示例 山东大学硕士学位论文 2 2 2 虹膜归一化 在进行虹膜识别时，由于外界条件的不同( 包括光照强弱、摄像机的转动、 拍摄距离的远近等等) ，采集到的虹膜图像的大小并不一定相同。因此，需要将 采集到的不同大小的虹膜图像归一化为固定尺寸，以保持特征提取的尺度不变性 和平移不变性。 目前应用最多的归一化算法是d a u g m a n 提出的矩形归一化模型，如图2 4 所 示。即通过线性映射，将虹膜环形区域映射为固定大小的矩形区域。其核心思想 是，以虹膜内圆的圆心为极坐标原点，将直角坐标系中的( x ，y ) 映射为极坐标系中 的( ，0 ) ，其映射公式为： i ( x ( r ，d ，y ( ，d ) - l ( r ，0 ) ( 2 - 6 ) x ( r , o m ) = 一r x o ( 0 ) + ( 1 - r ，) 、 j - x b ( 俩0 ) ( 厂【o ，l 】，口【o ，2 万】) ( 2 - 7 ) 【y ( r ，印= ，y o ( o ) + o 一，) 此( 口) 、 一”一 叫 其中，( ( 口) ，儿( 口) ) 为外圆对应于口的像素点，( 而( 占) ，儿徊) ) 为内圆对应于9 的 像素点。 阢匕) 图2 4 矩形归一化模礁 设虹膜外圆圆心为d ( q ，q ) ，半径为兄；内圆圆心为，( l ，l ) ，半径为墨如 图2 4 所示，将内圆圆心j ( l ，l ) 作为极坐标原点，过，( l ，) 引射线删与内、外 圆分别交于点b ( ( 口) ，儿( 口) ) 和点a ( x o ( o ) ，儿( 秒) ) ，b a 与水平线所成央角为口，内、 1 5 山东大学硕士学位论文 外圆圆心连线加与过点，的水平线所成央角为口 则： 么o i a = 万一0 + 口 i n 哞铲 z i o a = 万一么0 1 4 一么o a i 朋( 臼) ：肛f 面面币石五而 根据i a ( o ) ，即可计算出点彳( 吒( p ) ，y 。( p ) ) 和点曰( ( 口) ，耽( p ) ) 的坐标值。将点爿 和点b 的值代入到公式( 2 7 ) ，可以得到映射后的归一化结果。归一化后的效果如 图2 5 所示。 2 2 3 图像去噪与增强 图2 5 门一化结果示例 归一化后的虬膜图像对比度一般较低，同时，因为光源位置的关系，图像可 能存在背景光照不均的问题。这些问题可能会影响后续的特征提取和匹配识别的 效果。为了能够得到更好的纹理分布的图像，这里我们介绍m a l 2 9 l 采用的图像去噪 增强算法。 第一步，估计归一化图像的背景变化强度。将大小为6 4 x 5 1 2 的归一化后的图 像分成各个小块，每块的大小为1 6 1 6 计算每一小块的均值作为当前块中心位置 的粗略估计值，然后采用双三次插值得到整幅图像的背景光估计，如图2 6 ( a ) 所示。 第二步，将原始图像与估计得到的背景光照图像相减，得到差值图像。 第三步，对差值图像进行直方图均衡化处理，提高图像的对比度，如图2 6 0 9 ) 1 6 、，、，、，、，、j、， 8 9 0 2 3 二 二 0 j 0 j ( ( 2 2 2 2 ，l，l，l，l 1 7 口 山东大学硕士学位论文 所乃。从图r 1 叮以行i l ，经过图像增强后，图像的质茕明主麦提高。 ( a ) 图像背景光估计 ( b ) 甑方图均衡化 图2 6l 鳘j 像增强示例 在图像增强的步骤中，背景光的去除并不是必需的，在本文提出的基j r 滤波 特性的虹膜特征提取算法中，利用滤波特性，可以对高频噪声和低频背景光变化 同时进行去除，而不需要增加额外的计算量对背景光进行处理。 2 3 特征提取 特征提取是虹膜识别系统的核心。目前主要的虹膜特征提取算法主要分为四 类：皋干相位的方法、基于多分辨牢分析的方法、基于过零表示的方法和摹于强 度变化分析的方法。这里，我们分别对这四类方法作简单的总结。 2 3 i 基于相位的方法 d a u g m a n 提出利用_ ：维g a b o r 滤波器对虹膜图像进行滤波，提取虹膜纹理结 构的相位信息进行编码1 2 引。山j ：g a b o r 小波能够对人的大脑视觉皮层对图像刺激 的响应特性进行很好的模拟，d a u g m a n 利用其对归一化虹膜图像进行滤波，提取 滤波后图像的相位信息，分别对滤波后的实部r e 和虚部i m 进行极性最化，并对 最化结果进行0 1 编码，得到长度为2 0 4 8 的特征码。利川汉明距离作为相似性测 度进行匹配识别。 除了g a b o r 滤波器，后续的研究者d u l 3 2 和y a o l 3 3 i 等人还分别利用l o g g o b o r 滤波器或者改进的l o g g o b o r 滤波器等，采j f j 近似的办法提取滤波后的棚位信息 作为特征。 l7 山东大学硕士学位论文 2 3 2 基于多分辨率分析的方法 w i l d e s 等人提出基于高斯拉普拉斯金字塔的方法，利用高斯拉普拉斯滤波器 对虹膜图像进行多分辨率分析，在四个分辨率级别上提取虹膜特征，分别计算不 同尺度下的虹膜图像的归一化相关系数并结合f i s h e r 线性判据进行匹配识别1 2 。 此外，还有其他的多分辨率多尺度方法被应用。例如，s u l o c h 锄l 刚、h a r t l 3 5 1 分别利用c o n t o u r l e t 对虹膜图像进行多分辨率分析提取特征；k h i a r i l 3 6 j 利用 s t e e r a b l e 滤波器、“【3 7 】利用圆周滤波器分别提取虹膜图像的多尺度多方向性特征。 2 3 3 基于小波过零点的方法 b o l e s 等人提出利用小波变换过零点的方法对虹膜进行特征提取1 2 0 1 。他们将虹 膜看作是内外圆为同心的圆环，对不同半径大小的同心圆进行采样，