（信号与信息处理专业论文）人脸与虹膜融合与识别若干问题研究.pdf

五邑大学硕士学位论文 摘要 信息化时代飞速发展的今天，网络中身份的数字化和隐性化特点，使得有效的 身份鉴定技术受到全世界越来越多的关注。 单项生物特征用于身份识别时，有其固有而难以克服的缺点，到目前为止，任 何基于单项生物特征的身份识别系统都无法完全满足实际应用的要求。多生物特征 的融合与识别是将多种生物特征的信息进行融合，从而完成身份识别的技术。基于 多生物特征的身份识别系统能充分利用多种生物特征提供的信息，为单项生物特征 身份识别带来的一些实际问题提供了有效的解决方案，从而提高整个生物特征身份 识别系统的性能。因此，研究多生物特征的融合与识别方法具有十分重要的意义。 本文以人脸识别与虹膜识别为主线，探讨了多生物特征的融合与识别技术，主 要内容包括：研究f i s h e r 辨别分析，总结f i s h e r 辨别分析在人脸识别中的局限性， 结合f i s h e r 辨别分析基于线性特征提取的特点以及人脸识别的非线性特征，将核 f i s h e r 辨别分析用于人脸识别，有效地获取了人脸图像中由于噪声影响而产生的非 线性信息；小波分析能将图像的高频信号和低频信号进行分离，为此，提出了基 于小波分析与核f i s h e r 辨别分析的人脸识别算法，有效降低了特征维数，提高了运 算效率；在虹膜识别方面，根据虹膜的纹理分布特点，深入探讨了虹膜的特征提 取方法，提出基于能量加权的子带杂交虹膜识别算法，很好地解决了噪声问题，提 取了对噪声不敏感的特征信息；详细探讨了多生物特征融合理论，结合小波分析 与核f i s h e r 辨别分析算法，实现了人脸特征与虹膜特征的融合及识别，有效提高了 身份识别的准确性，降低了单项生物特征识别的错误识别率，为多生物特征身份识 别提供了一种新途径。 关键词：生物特征识别；人脸识别；虹膜识别；多生物特征识别；核f i s h e r 辨别分 析；能量加权；小波变换 五邑大学硕士学位论文 a bs t r a c t i nt h eb o o m i n gi n f o r m a t i o ns o c i e t y ，d i g i t a la n dr e c e s s i v ei d e n t i t yi nt h en e t w o r kw h i c hr e s u l t s t h a te f f e c t i v ei d e n t i t ya u t h e n t i c a t i o nt e c h n i q u e sh a v eb e e np a i dm o r ea n dm o r ea t t e n t i o nt oa r o u n d t h ew o r l d a ss i n g l eb i o m e t r i ci d e n t i t ya u t h e n t i c a t i o nh a si t so w ns h o r t a g e ，w h i c hi sh a r dt ob ec o n q u e r e d u pt od a t e ，t h e r ei sn os i n g l eb i o m e t r i cs y s t e mt h a tc o u l ds a r i s f yt h er e q u i r e m e n tp e r f e c t l y f u s i o n s e v e r a lb i o m e t r i cf e a t u r e si n f o r m a t i o n ，m u l t i m o d a lb i o m e t r i cs y s t e mc a no f f e raf e a s i b l em e t h o dt o s o l v et h ep r o b l e m sc o m i n gf r o ms i n g l eb i o m e t r i cs y s t e m ，a n di m p r o v et h ep e r f o r m a n c eo ft h ew h o l e b i o m e t r i ca u t h e n t i c a t i o ns y s t e m t h e r e f o r e ，i t sv e r y s i g n i f i c a n tt os t u d ym u l t i m o d a lb i o m e t r i c f e a t u r ef u s i o na n dr e c o g n i t i o nm e t h o d s i nt h i s p a p e r ；c o m b i n e dw i t hf a c er e c o g n i t i o na n di r i sr e c o g n i t i o n ，f u s i o nt e c h n i q u e so f m u l t i m o d a lb i o m e t r i cs y s t e ma r es t u d i e d t h em a i nc o n t e n ti n c l u d e s ： f a c ef e a t u r ee x t r a c t i o n m e t h o di ss t u d i e d ，t h em e t h o do ff i s h e ri se m p l o y e d ，s h o r t a g eo ft h i sm e t h o di sd i s t i n c ta si tc o u l d n o te x t r a c tn o n l i n e a rf e a t u r e sf r o mf a c ei m a g e k e r n e rf i s h e rd i s c r i m i n a n ta n a l y s i s ( k f d a ) i su s e d t oe x t r a c tn o n l i n e a rf e a t u r e sw h i c hi sc a u s e db yn o i s ee f f e c t i v e l y w a v e l e ti su s e dw i d e l ya si tc a n d e c o m p o s ei m a g e si n t oh i g hf r e q u e n c ys i g n a la n dl o wf r e q u e n c ys i g n a l ，t h e na na p p r o a c ho ff a c e r e c o g n i t i o nb a s e do nw a v e l e tt r a n s f o r ma n dk f d ai sp r e s e n t e db yw h i c ht h ed i m e n s i o ni sr e d u c e d a n dt h ee f f i c i e n c yi si m p r o v e d i ni r i sr e c o g n i t i o n ，t h em e t h o do fi r i sf e a t u r ee x t r a c t i o ni sd e e p l y s t u d i e d ，a na p p r o a c ho fi r i sf e a t u r ee x t r a c t i o no ne n e r g y w e i g h t e di so f f e r e d t h ei n f o r m a t i o no f f e a t u r ew h i c hi si n s e n s i t i v et on o i s ei se x t r a c t e d t h ei n f o r m a t i o nf u s i o n t e c h n i q u e so f m u l t i m o d a lb i o m e t r i cs y s t e ma r es t u d i e d a n dw a v e l e tt r a n s f o r ma n dk f d ai sd i s c u s s e dd e e p l y m e a n w h i l e ，c o m b i n e dw i t ht h ec h a r a c t e r i s t i c so fk f d a ，f u s i o no ff a c ef e a t u r ea n di r i sf e a t u r ea tt h e f e a t u r ee x t r a c t i o nl e v e li sd o n e ，a n dam o d e lo ff a c ea n di r i sf e a t u r ef u s i o nr e c o g n i t i o ns y s t e mi s c a r r i e do u t e x p e r i m e n t a lr e s u l t ss h o wt h a t ，f a c ea n di r i sf e a t u r ef u s i o ni si m p l e m e n t e de f f i c a c i o u s l y o nt h eb a s i so ft h ef u s i o ns t r a t e g yp r e s e n t e d ，a n dah i g h e rc o l t e c tr e c o g n i t i o nr a t ei sg a i n e d an e w a p p r o a c hi ss u p p l i e df o rm u l t i m o d a lb i o m e t r i cf e a t u r ef u s i o na n dr e c o g n i t i o n k e y w o r d s ：b i o m e t r i cf e a t u r er e c o g n i t i o n ；f a c er e c o g n i t i o n ；i r i sr e c o g n i t i o n ；m u l t i m o d a l b i o m e t r i cr e c o g n i t i o n ；k e r n e lf i s h e rd i s c r i m i n a n ta n a l y s i s ；e n e r g y - w e i g h t e d ；w a v e l e tt r a n s f o r m 本人声明 我声明，本论文及其研究工作由本人在导师指导下独立完成，完成论文所用的 一切资料均已在参考文献中列出。 作者：柳俊峰 签字：柳f 复哞 2 0 0 9 年4 月1 5 日 五邑大学硕士学位论文 1 1 生物特征识别技术 第一章绪论 目前，我国的身份管理大部分使用证件、磁卡、i c 卡和密码，由于证件、磁卡、 i c 卡容易伪造或遗失，密码也很容易被窃取或遗忘，给管理者和使用者带来了很大 的不便。据统计资料表明，社会上的信用卡诈骗案发率越来越高，包括利用丢失或 被盗的信用卡犯罪。此外，非法登陆计算机的案件正呈上升趋势。现有使用智能卡、 身份证及密码等进行身份识别的系统已不能满足网络信息时代的要求。由于生物特 征不像各种证件类持有物那样容易窃取，也不像密码、口令那么容易遗忘或破解， 所以在身份识别上体现了独特的优势，近年来在国际上被广泛研究。世界各国在9 1 1 事件之后纷纷加快了反恐力度，对生物特征识别技术的需求也更加迫切。 生物特征识别技术是根据每个人独有的可以采样和测量的生物学特征和行为特 征而进行身份识别的技术。人的任何生理和行为特征只要满足以下要求都可以作为 生物特征： 普遍性：这种特征是每个人都具有的； 独特性：任两个人的这种特征都不相同； 稳定性：这种特征至少在一定时间内( 相对某种匹配准则) 是不变的； 可采集性：这种特征可以被定量测量。 在实际系统中还必须考虑性能、可接受性、防欺骗性等问题，也即一个实际的生 物特征识别系统必须满足特定的识别准确性、速度和资源要求，对使用者无害且能 被计划中实施的人群接受，对各种欺诈和攻击手段有足够的鲁棒性【1 1 。 生物特征识别技术中常用的生物特征包括指纹、掌纹、人脸、虹膜、声音、笔 迹、手型、视网膜、体味、耳廓、基因( d n a ) 、体热辐射以及手部面部静脉血管 模式等，这些特征不随客观条件和主观意愿而改变。基于行为特征的识别包括击键 动力学分析、签名识别、说话人识别、步态识别等，这些都与后天环境养成的行为 习惯有关。下面对几种生物特征在身份识别技术中的应用作简要介绍【2 1 。 ( 1 ) 指纹识别 指纹识别是使用最早也是最成熟的生物特征识别技术。指纹是指手指末端正面 皮肤上凸凹不平产生的纹路。每个人指纹纹路在图案、断点和交叉点上各不相同， 五邑大学硕士学位论文 是唯一的，并且终生不变。目前在刑侦领域、安全系统等方面应用十分广泛。但是， 约5 的人群由于手指皮肤的疤痕、长茧等问题，使得指纹识别系统的输入传感器无 法对该类人群提供高质量的指纹图像用于识别。 ( 2 ) 掌纹识别 掌纹识别继指纹识别、人脸识别、虹膜识别之后逐渐受到众多研究者的关注【3 】o 掌纹的主要特征比指纹主要特征明显得多，而且提取这些主要特征时不易被噪声干 扰，因此掌纹识别速度将比指纹识别速度高得多。另外，掌纹的主要特征比指纹主 要特征更稳定和更具分类性，掌纹识别系统的正确识别率远高于指纹识别的正确识 别率。 ( 3 ) 人脸识别 人脸识别技术是利用计算机分析人脸图像，从中提取有效的识别信息，用来“辨 认 身份的一种技术。人脸识别是一种最容易被接受的身份识别方法，具有直接、 友好、非侵犯性等特点。在身份鉴定、档案管理、视频检索等方面有着广阔的应用 前景。然而在实际应用中，由于人脸会随着表情、年龄、化妆等的改变而发生变化； 此外，光照、背景和姿态等的变化均对人脸识别系统产生一定的影响，如何克服这 些因素的影响是人脸识别研究领域面临的问题。 ( 4 ) 虹膜识别 虹膜是绕着瞳孔的环状组织，其表面呈现高低不平的放射状排列，互相交错的 皱壁，形成了特有的纹理。生理学家发现，每个人的虹膜各不相同，即使同一个人 的左右两眼的虹膜区别也比较大。当虹膜发育完全后，它在人的一生中变化极其微 小。在虹膜的外部，有一层透明的角膜将它与外界隔开，因此成熟的虹膜不易受到 外界的伤害而发生变化。与其它的生物特征相比，虹膜具有丰富的细节和独特的纹 理，不仅能提供丰富的识别信息量，且更为稳定、可靠，非常适合用作身份识别， 尤其在高性能身份识别场合有不可替代的优势。但目前虹膜识别系统的造价较高， 且一部分存在眼疾的人群无法使用该类系统。 ( 5 ) 说话人识别 每个人都有自己的发音器官特征以及说话时特殊的语言习惯，这些都反映在声 音信号中。声纹识别即说话人识别，是根据语音波形中反映说话人的生理、心理和 2 五邑大学硕士学位论文 行为特征语音参数来自动识别说话人身份的技术。声音数据的获取具有非侵犯性， 而且说话人识别系统的造价较低，因此，说话人识别成为人们较易接受的一种身份 识别方式。然而，声音无法提供适用于大范围人群身份识别的足够信息量，且身体 状况的改变以及环境噪声均对身份识别造成很大影响。此外该系统也容易被录音所 欺骗。 ( 6 ) 笔迹识别 笔迹识别根据写字人的字迹几何特征、下笔速度、力度等特征，在政府、法律 和贸易中被广泛地用于个人身份识别。然而作为一种行为特征，笔迹受写字人的身 体和情绪影响很大，而且笔迹可以被模仿，从而降低了笔迹识别系统的可靠性。 ( 7 ) 人耳识别 人耳识别是2 0 世纪9 0 年代末兴起的一种生物特征识别技术【3 1 。人耳独特的生理 特征和观测角度的优势，使人耳识别技术具有相当的理论研究价值和实际应用前景。 与人脸识别方法相比，人耳识别方法不受人脸表情、化妆品和胡须变化的影响，同 时保留了面部识别图像采集方便的优点；与指纹识别方法相比，人耳图像的获取是 非接触的，其信息获取方式容易被人接受；与虹膜识别方法相比，人耳图像采集更 为方便。另外，虹膜采集装置的成本要高于人耳采集装置。 到目前为止，还没有任何单项生物特征能够满足生物特征识别系统的所有要求， 基于单项生物特征的身份识别系统均有各自的优缺点以及相应的适用范围。通过改 善某一种识别技术来提高系统的性能是非常困难的，将多种生物特征识别技术结合 使用，是生物特征识别领域一种新方向，成为生物特征鉴别领域发展的必然趋势。 由于人脸识别是人类最自然也是最容易接受的身份识别方法，虹膜识别则具有较其 它生物特征识别更高的准确性，两种生物特征识别都是极具发展前途的身份识别技 术。以下分别对人脸识别和虹膜识别研究状况作简要介绍。 1 1 1 人脸识别 目前，由于各方面对人脸识别系统的迫切需求，使得人脸识别研究成为研究的 热点。国际上发表有关论文的数量大幅增长，e i 可检索到的相关文献多达数千篇， i e e e 的p a m i 汇刊还出版了人脸识别专辑，著名的国际学术会议有a f g r 和 a v b p r 。人脸的相异性使得世界上不存在完全相同的两张人脸，即使是双胞胎也存 五邑大学硕士学位论文 在面相上的相异，因此，利用人脸特征进行身份鉴别是一种有效可行的手段。此外， 与指纹、虹膜、视网膜、掌型、基因等其它人体生物特征相比，人脸识别系统更为 友好、直接和方便，也更容易被用户所接受。人脸自动识别系统主要包括三个模块： 人脸检测与定位、人脸图像特征提取和人脸识别，如图1 1 所示。它的基本任务是 对待检测图像进行检测、分割，然后在所分割出来的相关人脸区域进行识别，并与 数据库中的标准人脸数据进行匹配，以确定该人脸是否已有记录。 人脸图堡叫天磊磊；写；i 卜。 否篆要虿 寸_ 五聂邛“结果 图1 1 人脸识别系统 人脸检测是人脸识别系统的第一步。检测与定位的目的是检测图像中是否存在 人脸，然后将存在人脸的图像区域从背景中分割出来，并确定其在图像中的位置， 这一步预处理的工作直接影响后面的特征提取和识别工作。但是，由于各种因素的 影响导致人脸检测成为一个极困难的问题。在许多实际应用中，人们对于场景、光 照、成像系统、人脸方向等是随机的，没有有关人脸的尺度、姿态、位置的先验知 识，而且在多人存在时还可能出现相互遮挡问题，这些都会给检测带来困难，可能 造成漏检或者虚检的情况。所以对于人脸检测可以针对不同的应用场合，选用不同 的检测手段以便尽量减少不可控制的外界因素影响。 人脸图像特征提取之前一般需要做几何归一化和灰度归一化的工作，利用有关 算法降低人脸图像的维数，寻找最有效的描述和分类特征，构成较低维的向量来表 征人脸图像。提取特征的具体形式随识别方法的不同而不同，提取出待识别的人脸 特征之后，即可进行特征匹配，完成分类识别。这些特征可以是较直观的人脸几何 特征，如眼、耳、口、鼻的位置、形状、距离等，也可以是比较抽象的代数特征， 如k l 变换所得的主成分特征，奇异值分解( s i n g u l a rv a l u ed e c o m p o s i t i o n ，s v d ) 得到的s v 特征等，还可以是模板特征、颜色特征、纹理特征等。最后是人脸识别， 即将待识别的图像或特征，与数据库里预先存放了的已知人脸图像或有关特征值进 行匹配，达到人脸的认证或识别的目的。也可以看作是一个分类过程，关键在于选 择适当的分类器和分类策略，对表示人脸的特征进行分类。根据人脸不同的特征表 示，分类器选择也不同，可以是传统的最小距离法、最近邻法等，也可以是较新的 神经网络、支持向量机等。利用多特征和多分类器组合来改善识别效果是近年来研 究的一个热点。 4 五邑大学硕士学位论文 人脸识别不同于一般的目标识别。人脸的检测与识别一直是人工智能和计算机 视觉方面的一个难题，这是由人脸的特点决定的。人脸是非刚体的，随着表情变化 会产生许多变形，同时由于人身体的运动，会造成人脸不同角度的旋转、倾斜，再 加上获取图像时光照变化的影响或者一些遮掩( 如戴眼镜、化妆，胡须等) ，就更增 加了识别的难度。人脸检测定位及特征提取的研究独立性很强。由于在很多特定情 况下人脸检测与定位的工作相对比较简单，因此“特征提取与分类识别 环节得到 了更为广泛和深入的研究。目前人脸特征提取与识别的方法主要有1 5 , 6 1 ： ( 1 ) 基于几何特征的方法 基于几何特征的识别方法具有如下优点：符合人类识别人脸的机理，易于理 解；对每幅图像只需存储一个特征矢量，存储量小；对光照变化不太敏感。这 种方法同样存在如下问题：从图像中抽取稳定的特征比较困难，特别是特征受到 遮挡时；对强烈的表情变化和姿态变化的鲁棒性较差；一般几何特征只描述了 部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，更适合于 粗分类。采用一般几何特征的方法，只描述了人脸各部件的基本形状与结构关系， 而忽略了局部细微特征，造成部分信息的丢失，更适合做粗分类，且目前已有的特 征点检测技术在精确度上还远不能满足要求，计算量也较大【7 8 】。 ( 2 ) 基于统计的方法 基于统计的方法通常包括：基于相关的方法、基于k l 变换的特征脸方法，基 于线性f i s h e r 辨别分析方法、基于奇异值分解方法等。基于相关的方法是最直接的方 法，通过度量测试图像与各训练图像的相关性进行匹配1 9 】。在实际计算中常用的是 归一化的互相关系数。b r u n e l l i 和p o g g i o 等【1 0 】提出了一种基于相关的正面人脸的识别 方法，识别率高于9 6 。b e y m e r 【l l j 继续发展了基于相关的方法，他提出了利用相关 识别具有不同角度的非正面人脸图像的基于视觉的新方法，其中人脸允许有深度旋 转，但是这种方法计算相当耗时。总的来说基于相关的方法易于受光照、旋转和图 像尺寸影响，同时计算量也较大。基于k l 变换的特征脸法早期工作是e h k i r b y 1 2 】完 成的，而特征脸( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 概念t u r k 和p e n t l a n d 提出【1 3 ，1 4 1 。 研究表明，随着光线、角度和人脸尺寸等因素的引入，特征脸法的识别率急剧下降， 因此该方法用于人脸识别还存在理论的缺陷【1 5 , 1 6 】。研究人员发现特征值大的特征向 量并不一定是分类性能最好的方向，从而提出了多种特征( 子空间) 选择方法，如 b e l h u m e u r 的f i s h e r f a c e 方法【1 7 】。其中，f i s h e r f a c e 又称为线性判别分析( l i n e a r 五邑大学硕士学位论文 d i s c r i m i n a n ta n a l y s i s ，l d a ) 方法，它选择与类内散布正交的矢量作为特征脸空间， 从而减小与识别信息无关的差异。此外，p e n g 的双子空间法【1 8 】、w e n g 的线性歧义分 析方法【1 9 1 、对光照及人脸表情变化都不太敏感。 ( 3 ) 基于模板匹配的方法 模板匹配主要是利用计算模板和图像灰度的自相关性来实现识别功能。由于这 种方法要求两幅图像上的目标有相同的尺度、取向和光照条件，所以，预处理工作 要做尺度归一化和灰度归一化。最简单的人脸模板是将整个人脸看成一个椭圆，进 行不同视点的人脸识别。另一种方法是将人脸用一组独立的小模板表示，如眼睛模 板、嘴巴模板、鼻子模板以及眉毛、下巴模板等。这些模板的获得必须利用各个特 征的轮廓。传统的边缘描述子往往很难获得可靠度较高的连续边缘。即使获得了可 靠度高的边缘，也很难从中自动提出所需的特征量。为此，用弹性模板方法提取特 征显示出其独到的优越性。 ( 4 ) 基于弹性图匹配的方法 弹性图匹配是一种基于动态链接结构( d y n a m i cl i n ka r c h i t e c t u r e ，d l a ) 的方法， 它将人脸用格状的稀疏图形表示，其顶点用局部能量谱的多尺度描述来标记，边则 表示拓扑连接关系，用几何距离来标记，然后应用塑性图像匹配技术来寻找最近的 己知图形【2 0 , 2 1 】。文献 2 2 提出一种弹性匹配改进方法，文中把k l 变换应用到小波变 换中来生成二维网格中顶点的矢量串，以减少其维数，从而大大减少了表示一幅图 像所需要的特征数量，而且并没有降低识别率。文献 2 3 中采用人脸基准点而不是 二维网格作为拓扑图的节点，同时节点特征也是小波变换特征，也就是说他忽略了 除重要人脸器官之外的特征数据，从而减少了与识别无关的信息。此外，n a s t a r 2 4 1 把人脸图像l ( x ，y ) 映射成一个三维网格表面( 蜀罗，l ( x ，y ) ) ，将人脸匹配问题转化成可变 形曲面的弹性匹配问题，然后利用有限元分析的方法进行曲面变形，并根据变形情 况判断两幅图像是否属于同一个人脸。总体说来，基于弹性模型的方法对光照、位 移、旋转、以及尺度变化都不敏感，因此优于特征脸方法的人脸识别。但基于弹性 模型识别系统的主要缺点是需要对每个存储的人脸计算其模型图，因此计算复杂， 存储量大，且模板匹配的方法由于利用了相关性信息，对光照、旋转和表情变化比 较敏感。利用聚束图( b u n c hg r a p h ) 匹配可部分克服这个缺点【2 5 1 。 ( 5 ) 基于神经网络的方法 神经网络方法已经成为人脸识别研究中的一个重要方向，已经有多种神经网络 6 五邑大学硕士学位论文 用于这一任务，这种方法是将人脸检测视为从非人脸样本中识别人脸样本的模式识 别问题，通过对人脸样本集和非人脸样本集的学习产生神经网络分类器。早期用于 人脸识别的神经网络主要是k o h o n e n 自联想映射网络【2 州。即用k o h o n e n 网络恢复受到 噪声污染严重或部分缺损人脸图像的原完整人脸图。c o t t r e l l 和f l e m i n g 首先采用级联 的b p 网络进行人脸识别【27 1 。这个网络对存在部分受损或光照变化的人脸图像识别能 力较好。i n t r a t o r 等人用一个无监督监督( b c m b p ) 混合神经网络进行人脸识别【2 8 】。 其输入的是原始图像的梯度图像，以此可以去除光照的变化。l i n 等将神经网络和统 计的方法相结合，提出了一种基于概率决策的神经网络( p r o b a b i l i s t i cd e c i s i o n b a s e d n e u r a ln e t w o r k ，p d b n n ) 用于人脸识别，在人脸检测和定位、人脸识别的各个步骤 上都得到了较好的应用【2 9 1 。神经网络的方法有着适合于人脸识别的特殊优势，该方 法不需要采用一套由人确定的规则，避免了复杂的特征提取工作，并能根据有代表 性的样本自我学习，同时具有鲁棒性和自适应性。 尽管人脸识别技术有着广阔的应用前景，但是无论是在识别率，还是在防伪性 上，都与指纹、视网膜等有着较大的差距，归根结底，影响人脸识别效果的原因主 要有以下几个方面： 人脸图像获取过程中的不确定性，如光照方向以及光的强度等；人脸模式 的多样性，如胡须、眼镜、发型等；人脸塑性变形的不确定性，如表情等；所 涉及的领域知识的综合性，如心理学、医学、模式识别、图像处理、数学等。 1 1 2 虹膜识别 虹膜识别是模式识别、图像处理等学科的一大研究热点。虹膜的外观由瞳孔、 虹膜、巩膜三部分组成。眼睛的中心即为瞳孔部分，约占眼睛总面积的5 ；巩膜则 为眼睛外围的白色部分，约占3 0 ；虹膜位于瞳孔和巩膜之间，包含了最丰富的纹 理信息，占6 5 ，随射入光线强度的变化，瞳孔会发生收缩或扩张，从而牵动虹膜 的变化。利用虹膜的这个特性，可以防止用照片或其他伪造方法来欺骗识别系统。 虹膜中包含丰富的色素细胞，当外部光线照射到眼睛上时，由于不同人的色素细胞 对光有不同的吸收率，使得虹膜呈现不同的颜色。从识别的角度来说，虹膜的颜色 信息并不具有广泛的区分性，那些相互交错的类似于斑点、细丝、冠状、条纹、隐 窝等形状的细微特征才是虹膜唯一性的体现【3 0 1 。每个人都拥有与他人不同的虹膜结 构特征，而当虹膜发育成熟后，这种结构特征几乎在人的一生当中都不发生改变， 7 五邑大学硕士学位论文 因而具有稳定性。另外，由于虹膜的外部有透明的角膜将其与外界相隔离，因此发 育完全的虹膜不易受到外界的伤害而产生变化，因而具有稳定性【3 1 1 。因此，虹膜特 征用于身份识别具有其独特的生理学基础。总之，虹膜识别成为目前研究者特别关 注的生物特征识别技术主要基于以下几方面原因：虹膜就像指纹那样具有随机的 细节特征和纹理图像，而且这些特征在人的一生中均保持相当高的稳定性，因此虹 膜就成了天然的光学指纹；虹膜具有内在的隔离和保护能力；难以通过手术修 改虹膜的结构而不冒影响视力的危险；虹膜图像可以通过相隔一定距离的摄像机 捕获，不需对人体进行侵犯。 虹膜识别系统主要由虹膜图像获取、虹膜定位、特征提取、归一化等部分组成， 其组成原理框图如图1 2 所示。 虹膜数据库 j ， l 图像获取h 虹膜定位卜叫特征提取卜叫归一化h 虹膜识别 1 l 识别结果 图1 2 虹膜识别系统 ( 1 ) 虹膜图像的获取 虹膜识别的第一步，同时也是很重要的一步就是虹膜图像的获取。虹膜是一个 很小的器官，直径约十几毫米，不同人种的虹膜颜色有很大的差别。白种人的虹膜 颜色浅，纹理显著，而黄种人的虹膜则多为深褐色，纹理非常不明显。自动虹膜识 别的关键技术之一就是要高质量的捕获虹膜图像。因为虹膜面积很小，颜色灰黑， 所以要获得细节清晰、对比度高的虹膜图像并非易事。为了保持所捕获图像的质量， 目前我们采用的系统仍需人工操作，并且需要一定的辅助光照，随着技术的进步系 统自动运作而无需操作人员的干预已成为可能。 ( 2 ) 虹膜定位 在现有图像采集的条件下，用摄像头所得的虹膜图像不可能只有虹膜，还包含 了大面积的虹膜附近区域的信息，如瞳孔、巩膜、睫毛等，摄像机采集所得的虹膜 原始图像的信息均对虹膜识别有一定影响，如果眼睑遮掩了一部分虹膜，则只能用 上眼睑以下和下眼睑以上的图像。此外，在虹膜图像采集过程中，不均匀的光线条 8 五邑大学硕士学位论文 件、人眼与采集装置距离的变化、人眼的生理结构( 如眼睑、睫毛等) 往往导致虹 膜图像亮度不均、虹膜图像和位置大小的变化、遮挡虹膜的有效区域，影响了虹膜 识别效果，降低了虹膜识别准确率，为了减少上述因素带来的影响，准确定位是关 键。通过虹膜定位在一幅眼部图像中找到虹膜的内外圆的圆心和半径，将虹膜纹理 从原图像中分割出来。一幅完整的人眼图像如图卜3 所示。 眼 巩 图1 3 一幅人眼图像 膜 孔 由图1 - 3 可以看出，获取的眼部图像包括巩膜、虹膜、瞳孔和上下眼皮部分，并 且巩膜和瞳孔的灰度分布比较均匀。巩膜、虹膜边界比较模糊，过度较平缓，瞳孔、 虹膜边界较明显。有较大的突跃。英国剑桥大学的d a u g m a n 口4 提, m , d a u g m a n 定位方 法d a u g m a n 算法使用积分一微分算子来检测中心和虹膜以及瞳孔的直径。目前很多 资料都介绍了用主动轮廓线定位法( s n a k e ) ，主动轮廓线是一项复杂的轮廓提取及 图像解释技术，它通过不断地极小化自身能量函数来达到物体的边界。其定位的具 体过程为：先用灰度检测法检测瞳孔内一点作瞳孔的伪圆心，这个圆心的要求不高， 只要能落在瞳孔内部即可。然后以该点为中心，在其周围取几个点作为初始的s n a k e ， 按照s n a k e 的运行机制不断进化，取其平均值作为瞳孔的半径，形心做为瞳孔的圆心， 即可定位出虹膜内边界位置，最后以瞳孔的圆心为圆心，以瞳孔的半径为虹膜外边 界的初始搜索半径，按照d a u g m a n 方法定位外边界”w 。其中虹膜内边界的初定位是 整个算法中最为关键的一步。主动轮廓线定位法- 与d a u g m a n 定位法相比，不用边缘 检测和二值化，对瞳孔初始的圆心要求不高，算法的鲁棒性更强。 ( 3 ) 特征提取与归一化 从识别的角度来说，虹膜的颜色信息并不具有广泛的区分性。而这些相互交错 五邑大学硕士学位论文 的细微特征才是虹膜唯一性的体现，这些特征通常被称为虹膜的纹理特征。虹膜纹 理特征的生物机理造成了它具有一些分布特征，即在离瞳孔越近的地方，纹理分布 越密集，而在离瞳孔远的地方，纹理分布越稀疏，无论瞳孔如何变化，都不会改变 这样的分布。特征提取是对预处理后的大量数据进行分析提取的过程。由于原始图 像数据量相当大，需要把这些数据转换为若干特征，这称为特征提取。 近年来b o l e s 提出了一种新的虹膜身份识别算法，其虹膜特征提取算法利用小 波变换对虹膜图像进行处理，用得到的小波变换过零点来表示虹膜特征【3 4 1 。这种算 法具有平移、旋转、尺度不变性。虹膜之间的匹配则通过构造不相关表达式，根据 不相关值的大小来判断是否是同一幅虹膜图像。但b o l e s 的一维小波变换方法只分 析了虹膜中一系列同心圆的一维信号，信息利用不够完全，且这种算法对灰度值变 化比较敏感，识别率也不高。 谭铁牛教授研究组开发的虹膜识别系统，采用广泛使用的d a u b e c h i e s 4 型小波， 对一幅极坐标下的虹膜图像进行完全的三层小波分解，得到了三个尺度下的小波分 解通道。去除各个尺度下的水平高频和垂直高频的小波通道后，对其余小波通道的 能量和方差分别进行计算，作为虹膜特征进行识别。该系统的虹膜特征提取算法没 有对眼皮的遮挡进行处理，且对整幅虹膜图像进行小波分解会损失部分虹膜的信息。 在各种虹膜识别算法中，除了d a u g m a n 的相位分析法和b o l e s 的过零检测法， 大多是通过分析虹膜图像的纹理特征来实现虹膜特征的提取和匹配。目前，人们已 开始尝试将模式识别中的其它方法运用于虹膜识别，如独立元分析法、神经网络算 法、模糊识别算法等。 1 2 多生物特征融合与识别 1 2 1 多生物特征融合与识别的发展现状 在准确性和安全性要求日益提高的今天，如果将两种或两种以上的生物特征结 合，识别系统的性能将得到很大提高。通过融合多种生理特征或行为特征进行身份 鉴别，能够有效提高鉴别系统的精度和可靠性，多生物特征识别无疑是身份识别领 域发展的必然趋势。各种生物特征身份识别系统的优势和缺点比较如表1 1 所示。 从表1 1 可以看出，每种生物特征都有自身的特点而适用于不同的场合。例如， 指纹和虹膜识别在准确性和速度上优于声音识别，然而在电话记账系统中，我们却 要选择声音身份识别技术，因为它比别的方式都要更方便地集成到现成的电话系统 1 0 五邑大学硕士学位论文 中去。利用多种生物特征融合的识别技术正是利用了每种生物特征之间的互补信息， 在识别系统特征提取、模型匹配或决策阶段按照一定的策略对各种特征数据进行融 合，集成多个信息来产生最终的身份判决。相对于单项生物特征识别，通过多生物 特征融合进行身份识别有如下优点： 表1 1 各种生物特征身份识别系统各项性能指标 。 生物特征普遍性独特性稳定性可采集性性能接受程度防欺骗性 人脸高低中高低高低 指纹 中高高中高中高 手形中中中高中中中 虹膜高 高 高 中 高低 高 签名低 低低高 低高 低 声音中低低中低高低 系统可靠性更高。使用多种生物特征融合进行身份识别从本质上说是一个信 息融合的问题，通过对不同类型的数据进行融合可以提高系统的性能和容错能力、 减少噪声等不确定因素的影响。而且，多生物特征融合系统可以比单个生物特征的 身份识别系统达到更高的准确率。 系统适用性更广。尽管用来进行身份识别的生物特征具有普遍性，但是对于 任何一种生物特征，都可能存在一些人，他们的该生物特征不明显。例如，指纹磨 损等，从而基于该特征的身份识别系统对这些人不适用。使用多生物特征融合系统 就可以使身份识别系统用于更多的人。 系统安全性更强。对于冒充者来说，一次伪造多个生物特征显然比伪造一个 特征要困难得多，所以系统更加安全。 近年来，国际上很多知名学者开始致力于多生物特征识别的研究，并且取得了 一定的发展。r o b e r t ob r u n e l l i 最早提出了利用多个特征来进行个人身份认证的方法 1 3 5 ，并在匹配层次上整合了人脸识别和说话人识别，取得了较好的效果。1 9 9 7 年b i g u n 提出了一种用贝叶斯方法在决策层次上整合不同的生物特征【3 6 1 。j a i n 等人提出融合 人脸和指纹的构想，并于1 9 9 8 年发表论文将指纹和人脸识别的结果融合3 7 1 ，人脸识 别快速但是缺少可靠性，同时指纹识别可靠但是在查找指纹数据库时候的效率欠佳， 文献 3 7 提出一个合适的多生物特征识别系统，很好地整合了人脸识别和指纹识别， 这个系统克服了人脸识别和指纹识别系统的局限性，而且这个整合后的系统具有一 五邑大学硕士学位论文 个可以接受的反应时间。除此之外，文献 3 7 提出的决策层融合使多生物特征融合 系统性能提高成为可能，在反应时间和准确性方面都得到了满足，这篇文章给出了 多生物特征识别系统的一个例子，科学系统地说明基于指纹和人脸特征在决策层融 合的多生物特征系统的构架和原理。文献 3 8 列出了多生物特征识别融合的各种问 题，并且检验了是否可以通过融合多生物特征来提高生物特征识别系统的整体性能。 文献 3 9 中系统地分析了多生物特征融合的各个层面，以及各种类型的融合，并且 以人脸，指纹和手势相结合为例给以说明。 我国生物特征识别行业最早发展的是指纹识别技术，基本与国外同步。我国对 于人脸识别、虹膜识别、掌纹识别等生物认证技术的研究则在1 9 9 6 年之后。1 9 9 6 年，谭铁牛开辟了基于人的生物特征身份鉴别等国际前沿领域新的学科研究方向。 与此同时，国内的诸多研究人员也在致力于多生物特征识别的研究，d a v i dz h a n g 和荆晓远提出基于d c t 和线性分类的人脸和掌纹融合识别系统【4 0 1 。在这篇文章中， 作者融合了图像处理和识别领域广泛应用的两种方法d c t 和线性分类，将其用于人 脸和掌纹识别，并且获得了较好的性能，该方法明显地提高了系统的识别率而且大 大减少了特征空间的维数。2 0 0 4 年，中科院自动化所谭铁牛等人提出基于改进的 e n n 算法多生物特征融合的身份鉴别【4 1 1 ，文中分析了各种生物特征的自身特点，然 后根据声纹和指纹比较容易提取的特点，从传统的k n n 算法入手，作出一定的改 进，经过试验，取得了比较好的性能。 1 2 2 多生物特征的融合与识别方法 单个生物特征有其固有的局限性，如声纹易被复制、部分人群( 如老年人) 的 指纹特征难以提取，人脸会由于化妆、表情的变化而变化等等。而且，单生物特征 所能达到的身份鉴别准确率、灵活性都是有限的。通过多生物特征的融合方法，可 使我们在提高准确率和扩大应用范围两方面提高生物特征身份鉴别系统的性能，使 之更接近实用。多生物特征的融合与识别技术是将多种生物特征的信息进行融合， 从而完成识别的技术。数据融合技术是一种对多源信息进行有效融合处理的新型理 论和技术。数据融合也称信息融合，是指对来自多个传感器的数据进行多级别、多 方面、多层次的处理，从而得到更完备的新信息。这种新信息是任何单一传感器所 无法比拟的。数据融合的基本目标是通过组合获得比任何单个输入更准确的信息。 多生物特征识别技术实际上就是多生物特征信息融合。近年来，迅速发展的多传感 1 2 五邑大学硕士学位论文 器数据融合技术为多生物特征识别提供了理论基础，多生物特征识别技术使得设计 性能实用的身份鉴别系统成为可能。 多生物特征识别技术通过融合多个生物特征提供的证据，从而改进总体决策的 准确性。多生物特征识别系统有两种方式：将多个同一生物特征进行融合；将 多种不同生物特征进行融合。由于生物特征识别的过程事实上是对所采用的生物特 征进行模式识别的过程，而模式识别大致可分为3 个步骤：特征提取、模板匹配和决 策。数据融合通常在四个层级上进行：直接在采集的原始数据层上进行，即各种 传感器的原始测报没有经过处理之前就进行数据的综合和分析。这种融合是最低层 次的融合，其优点是能保持尽可能多的现场数据，提供其他融合层次不能提供的细 微信息。但是这种融合要处理的传感器数据量太大，所以抗干扰能力较差，处理代 价很高，时间长，不能满足实时性要求；特征级融合。对来自传感器的原始信息 进行特征提取，然后对特征信息进行综合分析和处理。这种方法属于融合中间层次， 它实现了信息的客观压缩，能最大限度地给出决策分析所需要的特征信息；匹配 级融合。将单个特征分别输入到识别模型，得到各个匹配分数，通过融合算法将各 个匹配分数进行综合，得到最后的结果。在所有的融合层次中，匹配级融合是最常 用的，因为匹配级的融合具有相对小的实现难度，同时又融合了若干个特征各自的 信息量；决策级融合。决策级融合是一种高层次融合，不同的特征进行独立处理 后得到多个识别结果，然后综合这些结果得到最后的结果。由于决策层的输入是单 个生物认证的逻辑输出，所以决策层融合一般分为两种形式：o r 规则，如果用户被 子系统h 1 拒绝，则子系统h 2 将对用户再进行验证，如果通过就确定；a n d 规则，用 户只有同时被子系统h 1 和h 2 接受，才能被确定。多生物特征融合系统的框图如图1 4 所示。 特征层融合可利用的信息量最大，但不易于集成现有单生物识别系统，目前特 征层融合方面的研究不多见。匹配层融合的关键是对来自不同系统的分数进行归一 化，将其映射到一个n 维空间，再对这个空间里所有的点进行分类。其主要方法有 求和规则、决策树法、线性区分函数、k n n 分类器、支持向量机( s v