（机械电子工程专业论文）基于log+gabor小波的虹膜识别.pdf

大连理工大学硕士学位论文 摘要 随着信息技术的发展和日益增长的对安全的需要，基于虹膜的身份识别作为一种高度 可靠的非侵犯性生物特征识别方式越来越受到人们的重视。 虹膜识别系统一般由图像采集、虹膜分割、归一化及图像增强、特征提取及编码和 匹配识别几个部分组成。本文在总结目前虹膜识别技术研究进展的基础上，结合图像处 理、信号处理和模式识别技术就虹膜识别中的虹膜分割、归一化及增强、特征提取及编 码和分类决策问题展开探讨，提出自己的一些改进方法并进行实验对比，对进一步研究 虹膜识别技术有一定的借鉴作用。 在虹膜图像的分割阶段，采用改进的c a n n y 边缘检测加改进的h o u g h 变换法定位虹 膜内外边界，采用改进的c a n n y 边缘检测加分块r a d o n 变换法分割上下眼睑，阀值法剔 除睫毛，从而达到平移不变性。同时也研究了文献中常用的固定区域剔除法分割眼睑及 睫毛，以作对比。 归一化及图像增强阶段，采用橡皮筋模型对虹膜进行归一化以达到尺度不变性，同 时对虹膜及其所包含的区域而不仅仅是虹膜区域进行局部直方图均衡化，以增强虹膜特 征区域的对比度。 特征提取及编码阶段，根掘虹膜特征的分布特点，采用“内多外少”的原则提取特 征点。特征编码时，基于信号处理中的空间频域技术，针对g a b o r 滤波器的不足，采 用一维l o gg a b o r 滤波器提取虹膜的纹理信息，进行相位量化与编码，加权海明距作为 虹膜之间的距离量度。最后，在大量实验的基础上，讨论了滤波器的几个参数对识别结 果的影响，从而确定一组能达到最佳识别效果的参数来指导虹膜特征的提取。 在分类决策阶段，选取最小距离分类器和具有最小错误率的分类阀值形成组合的分 类决策规则。整个虹膜识别系统在中科院虹膜数据库上，取得了9 6 6 的定位正确率和 0 2 3 的识别等错率。 关键词：虹膜识别；虹膜分割；特征编码；l o gg a b o r 小波 基于l o gg a b o r 小波的虹膜识别 i r i sr e c o g n i t i o nb a s e do nl o gg a b o rw a v e l e t s a b s t r a c t w i mt h ed e v e l o p m e n to fi n f o r m a t i o nt e c h n o l o g ya n dt h ei n c r e a s i n gd e m a n do fs e c u r i t y t h eb i o m e t r i c s r e c o g n i t i o nb a s e do ni r i s a sah i g hr e l i a b i l i t ya n dn o n - o f f e n s i v e b i o - i n f o r m a t i o nr e c o g n i t i o nt e c h n o l o g yb e c o m e sm o r ea n dm o r ei m p o r t a n t i r i sr e c o g n i t i o ns y s t e mc o n s i s t so fi m a g ec a p t u r i n g ，i r i ss e g m e n t a t i o n , i r i sn o r m a l i z a t i o n a n de n h a n c e m e n t ，f e a t u r ee x t r a c t i o na n dm a t c h i n gm o d u l e s b a s e do nt h er e c e n t a d v a n c e m e n t si ni r i s r e c o g n i t i o n , ar e c o g n i t i o na p p r o a c hu s i n gt h et e c h n i q u eo fi m a g e p r o c e s s i n g ，s i g n a lp r o c e s s i n ga n dp a t t e r nr e c o g n i t i o ni sp r e s e n t e di nt h i st h e s i s s o m en e w a l g o r i t h m sa n de x p e r i m e n tr e s u l t sa r ea l s od e s c r i b e d i ni r i ss e g m e n t a t i o ns t a g e ，t h ea l g o r i t h m so fc a n n ye d g ed e t e c t i o na n dh o u g ht r a n s f o r m a r ei m p r o v e dt od e t e c tt h eo u t e ra n di n n e rb o u n d a r i e so fi r i s 1 1 1 ei m p r o v e dc a n n ye d g e d e t e c t i o na n db l o c kr a d o nt r a n s f o r r na r eu s e dt oi s o l a t et h ee y e l i d s f o re l i m i n a t i n ge y e l a s h e s t h et h r e s h o l dt e c h n i q u ei su s e d t h ec o m m o n l yu s e dm e t h o do ff i x e da r e a se x c l u d i n gm e t h o d i sa l s os t u d i e dt oc o m p a r ew i t ht h em e t h o dp r o p o s e d i nn o r m a l i z a t i o na n de n h a n c e m e n ts t a g e t h eh o m o g e n o u sr u b h e rs h e e tm o d e li su s e dt o d e a lw i t hs c a l ei n c o n s i s t e n c i e s 1 1 1 er e g i o ni n s i d et h eo u t e rb o u n d a r yo fi f i si se n h a n c e du s i n g h i s t o g r a me q u a l i z a t i o n i nf e a t u r ee x t r a c t i o na n de n c o d i n g s t a g e ，c o r r e s p o n d i n gt ot h es p e c i a l i t yo ft h e d i s t r i b u t i o no f i r i st e x t u r e m o r ef e a t u r e sa r ee x t r a c t e di nt h ei l i n e ri r i sr e g i o n c o n s i d e r i n gt h e s h o r t a g eo fo a b o rf u n c t i o n , i dl o gg a b o rf i l t e r sa r eu s e dt of i l t e rt h ei r i st e x t u r ef e a t u r e si n t h es p a c e - f r e q u e n c yd o m a i n , a n dt h ep h a s ed a t ai sa l s oe x t r a c t e d t h e nt h ew e i g h t e d h a m m i n gd i s t a n c ei se m p l o y e df o rc l a s s i f i c a t i o no fi r i st e m p l a t e f i n a l l y ，l o t so ft e s t sa r e c a r r i e do u tt of i n dt h eo p t i m u mv a l u e so f t h ep a r a m e t e r s i nt h ec l a s s i f i c a t i o nr e s p e c t , t h em i n i m u md i s t a n c ec l a s s i f i e rc o m b i n i n gw i t ht h e t h r e s h o l dw i t hm i n i m u me r r o rr a t i oa l eu s e da s t h ed e c i s i o nr u l e t h ee x p e r i m e n t s i m p l e m e n t e do nc a s i ai r i sd a t a b a s ev 1 0s h o wt h a t , t h es y s t e mp e r f o r m sv e r yw e l l w i t ha s u c c e s sr a t eo f 9 6 6 i nl o c a t i o na n dt h ee q u a le r r o rr a t eo f 0 2 3 i nr e c o g n i t i o n k e yw o r d s ：i r i sr e c o g n i t i o n ；i r i ss e g m e n t a t i o n ：f e a t u r ee n c o d i n g ：l o gg a b o rw a v e l e t s 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均己在论文中做了明确的说明并表示了谢意。 作者签名：塞鱼盔日期：竺丑上牛 大连理工大学硕士研究生学位论文 大连理工大学学位论文版权使用授权书 本学位论文f # 者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定”，司意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 舨，允许论文被套阕和借阅。本人授权大连理工大学可以将本学位论文的金韶或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名：全盘查 导师签名： 占k 气 z 口口1 年l 月生日。_ 大连理工大学硕士学位论文 1 绪论 1 1 生物特征识别技术概述 随着越来越多的电子设备不断的进入我们的日常生活中，如桌厩电脑、笔记本电脑、 a t m 提款机、移动电话、门禁控制系统等，对安全、方便的个人身份认证技术交得越 来越紧迫。我们越来越过份地依赖智能卡，身份证、密码等保护手段，然而，即使拥有 这样的保护也是不够的，各种各样的损失时有发生，并且影响到各种服务，增加各方的 额外开销。我们需要简单快捷的使用设备且不用担心安全问题。然而，现有的基于智能 卡、身份证和密码的系统却只能在安全与方便之间徘徊，充分的安全从来没有实现过， 更好的安全却与不方便常常同时出现。为了实现较高的安全性，我们必须使用更复杂和 更不方便的密码，而如果我们对身边不同的设备使用一个相同的密码，那我们在得到了 方便性的同时也增加了安全隐患【l 】。如何解决这些问题成为我们一直追求的目标。 悄然兴起的人体生物特征识别技术正好能解决这一问题。所谓人体生物特征识别技 术是指通过计算机，利用人体所固有的生理特征或行为特征来进行个人身份鉴别【l 】。生 理特征是与生俱来的，多为先天性的；行为特征则是习惯使然，多为后天形成。我们将 生理和行为特征统称为生物特征，常见的生物特征包括指纹、脸像、虹膜、视网膜、掌 纹、手形、耳廓、声音、笔迹、步态和击键动力学等。 用于验证个人身份的人体生物特征要求具有下列性质： ( 1 ) 普遍性，即人人都具有，比如只有一部分人才有的胎记或疤痕，就无法用于大 范围的身份识别； ( 2 ) 唯一性，即每个人所具有的特征都应与其他人的不一样； ( 3 ) 稳定性，即特征或行为应在一个相当长的时日j 内保持不变，经常变化的特征是 无法保证识别系统的鲁棒性的； ( 4 ) 可采集性，即是否可以方便地获取并量化这些特征或行为。 与传统的身份识别技术相比，基于生物特征的身份识别技术有以下优点： ( 1 ) 不会遗忘或丢失； ( 2 ) 防伪性能好，不易伪造或被盗； ( 3 ) “随身携带”，随用随取。 人体生物特征具有的这些优点使得生物特征识别技术在安全防伪领域迅速崛起，随 着数字时代的到来，基于生物特征的身份识别技术愈加显示出它的重要价值，成为新的 经济增长点。i b g ( 国际生物集团) 的统计预测表明【2 1 ：全球生物识别市场将继续增长，到 基于l o g g a b o r 小波的蚵膜识别 2 0 0 8 年，全球生物特征识别技术的市场将达到4 6 亿美元的水平，如图1 1 所示。中国 正成为继美国、日本之后最具发展潜力的市场，预计未来5 年内，生物特征识别技术市 场收入将达到3 0 0 亿人民币。比尔盖茨也曾做过这样的断言1 3 】，生物特征识别技术， 即利用人的生理特征，如指纹、虹膜等来识别个人的身份，将成为未来几年i t 产业的 重要革新。盖茨这段言论的背后支撑是越来越多的个人、消费者、公司乃至政府机关都 承认，现有的基于智能卡、身份证和密码的身份识别系统是远远不够的，生物特征识别 技术将在未来提供解决方案方面占据重要的地位。 5 0 0 0 4 5 0 0 4 0 0 0 食3 5 0 0 j l l | ( 3 0 0 0 鉴2 5 0 0 日 图像质晕评估 )： 膜 1 l 果输出 摄取 r 特征提取 v 特 征 码 的 定位增强及归一化 虹旗数据登记 匹 。 配 。 虹膜特征数据库 】 图1 4 虹膜识别流程图 f i g 1 4 t h e f l o w c h a r t o f i r i sr e c o g n i t i o n 大连理下大学硕士学位论文 一个完整的虹膜识别系统由光源、摄像头、图像分析系统、计算机等组成，它主要 包括以下单元：( 1 ) 虹膜图像摄取；( 2 ) 虹膜图像预处理( 包括虹膜动态检测、质量评估、 虹膜定位等) ；( 3 ) 虹膜纹理特征提取；( 4 ) 特征编码匹配与识别。虹膜识别系统的工作原 理一般是：通过虹膜采集设备采集虹膜图像，然后通过预处理降低图像噪声带来的影响； 利用虹膜的几何特性，定位虹膜的内外边界、上下眼睑并剔除睫毛，将虹膜从原始图像 中分割出来，分割出来的虹膜图像还需要进行归一化以消除图像获取时的旋转、尺度变 化等带来的影响；将归一化后的虹膜图像进行增强，得到了预处理好的图像，供虹膜特 征提取模块提取相应的特征。虹膜的特征提取模块跟系统有关，因为不同的系统可能采 用不同的虹膜特征进行分类，如果是虹膜鉴别，只需与目标虹膜码进行比较即可，如果 是虹膜识别，还需要检索相应的数据库得出最终的识别结果。随着虹膜识别技术的逐渐 成熟，还将出现虹膜的活体检测和图像质量评估等，以防止伪造虹膜欺骗系统。 1 4 虹膜识别的发展现状 1 9 8 7 年，两个眼科专家a r a ns a f i r 和l e o n a r df l o m 7 j 首次提出了利用虹膜图像进行 自动虹膜识别的概念，并申请了专利，但是他们并没有开发出一个实际的应用系统。1 9 8 9 年，他们请j o i l l ld a u g m a n 博士( 当时在哈佛大学任教) 为虹膜识别研制真正的算法。1 9 9 1 年，j o h n s o n 首先论证了利用丰富的虹膜纹理信息进行身份验证和识别的可能性罔，并 发明了一个虹膜识别系统，这是有文献记载的最早的虹膜识别应用系统。 1 4 1 虹膜识别算法的研究现状 目前国际上流行的虹膜识别算法主要有： ( 1 ) d a u g m a n 提出的基于g a b o r 小波粗相位量化编码的虹膜识别算法 9 1 该算法是现今国外大多数虹膜识别系统的算法原型。算法提出了一种圆形探测器， 在经过一定尺度的平滑的灰度图像上利用梯度特征搜索圆形的虹膜内外边缘；通过以瞳 孔圆心为中心的极坐标变换实现虹膜纹理的尺度和平移不变性；利用极坐标系下的二维 正交g a b o r 复小波变换和相位粗量化提取虹膜纹理的相位信息构造二进制的虹膜特征 码；最后，对二进制特征码采用异或运算计算海明距离做出分类决策。该算法取得了很 高的识别率，d a u g m a n 在1 9 9 4 年将其算法注册专利，目前i r i d i a n 公司的产品采用了其 核心算法。 ( 2 ) w i l d e s 提出的基于图像配准技术的虹膜识别算法1 4 该算法首先通过边缘检测和h o u g h 变换定位虹膜的内外边缘，然后将虹膜图像进行 不同分辨率下的拉普拉斯金字塔式分解，将分解后的图像进行配准，再将对应的图像进 基于l o g o a b o r 小波的蚵膜识别 行相关性比较，做出最终决策。该方法充分利用了虹膜的纹理和边缘信息，而且图像配 准技术有效地解决了图像的尺度、平移和旋转不变性问题。 ( 3 ) b o l e s 提出的基于小波过零点的虹膜识别算法【l o l 该算法简单地以瞳孔圆心为中心把虹膜图像分解为一系列一维信号，然后采用基于 一维小波变换的方法提取特征，最后通过计算不相似函数及实验统计结果进行分类。这 种算法具有旋转、尺度和平移不变性，对噪声不敏感。 ( 4 ) m a s e k 的基于l o gg a b o r 小波的虹膜识别算法【1 1 1 该算法首先通过边缘检测和h o u g h 变换定位虹膜的内外边缘，然后以瞳孔圆心为中 心把虹膜图像区域分解为一系列的维信号，再采用一维l o gg a b o r 小波进行特征编码， 最后对二进制特征码进行异或运算计算海明距离做出分类决策。该算法具有旋转、尺度 和平移不变性，有较好的识别效果。 ( 5 ) 中科院自动化所的谭铁牛等人设计的一套虹膜识别系统【1 2 】 中科院自动化所的谭铁牛、王蕴红等人自主设计研发了一套虹膜图像采集设备【1 3 】 和相关识别算法，并且为广大从事虹膜识别技术研究的学者和科研机构提供了c a s i a 虹膜图像库【6 1 ，这是目前世界上规模最大的共享虹膜图像数掘库，为国内外同行提供了 研究平台，已有7 0 多个国家和地区的8 0 0 多个研究单位申请使用此虹膜图像数据库， 大大提高了我国在该领域的学术影响和国际地位。他们提出了一种基于频谱能量分析的 虹膜图像质量评价算法筛选出清晰的虹膜图像，采用边缘检测结合h o u g h 变换的方法分 割出虹膜区域，在极坐标系下展开成矩形区域，采用局部直方图均衡化的方法增强图像， 还提出图像的“感兴趣区域”( r o i ，r e g i o no fi n t e r e s t i n g ) 的概念，以消除眼睑等造成 的噪声干扰，采用一种圆形对称滤波器对虹膜信号进行空间滤波提取特征，最后采用 f i s h e r 线性判据结合最近邻分类器进行分类决策。 此外，国内还有浙江大学的古红英、庄越挺、潘云鹤等人提出的变化分形维数结合 多尺度可变方向金字塔模型来描述虹膜纹理特征的方法1 1 4 , 1 5 1 ；中国科学技术大学的庄镇 泉等人提出的基于m o r l e t - ，b 波变换的特征编码方法1 1 6 】；上海交通大学康浩、许国治等人 提出的能量编码和相位编码的方法 1 7 , 1 8 1 等。 1 4 2 虹膜识别技术的应用现状 虹膜识别技术是项针对实际嵩安全需求的应用技术，当虹膜识别技术 = 导到一定的 发展之后，相应的应用系统也得以发展。上述方法都在一定的条件下取得了较高的准确 率，但其实际应用还比较少，现在世界上主要应用的几个虹膜识别系统基本上都采用的 是j o h nd a u g m a n 的核心算法。美国的i r i s - s c a n 公司( w w w i r i d i a n t e c h c o m ) ，韩国的 大连理工大学硕士学位论文 e v e r m e d i a 公司( h t t p ：w w w e v e r m e d i a c o k r ) 、l ge l e c t r o n i c s 公( w w w 1 9 i r i s c o m ) 和日本 i 拘p a n a s o n i c 公( w w w p a n a s o n i c c o m ) 都在d a u g m a n 算法基础上做了相应的改进推出 了自己的虹膜识别产品。下表列出了几个系统性能指标之间的比较： 表1 1 虹膜识别系统性能指标 t a b 1 1t h ep e r f o r m a n c ei n d e xo f i f i sr e c o g n i t i o ns y s t e m s 1 5 本课题研究的意义及内容 虹膜身份识别是近年来新兴的一种身份识别技术，其科学研究意义重大，应用前景 广泛。它以高精度及几乎无法伪造而成为近期国际研究及应用中一个受到特别关注的主 题，市场更是为这项技术的发展提供了广阔的舞台，较指纹识别等更有长处，是一项值 得研究和推广的新技术。在应用方面，虹膜识别产品可以广泛应用于电子金融、贸易、 网络安全领域，用于金库、海关、地铁、机场等通道控制系统，用作计算机、手机等的 开机口令，用于居室安全、缉查信用卡犯罪、a t m 机犯罪及其它电子金融犯罪，用于 驾驶证、身份证上，还可用于国家和国防安全等诸多领域。而现在的虹膜识别算法都还 存在着相当多的不足之处，即使是最经典的j o h nd a u g m a n 的算法也存在着易受外界环 境干扰等缺点，因此更通用可行的虹膜识别方法仍需进一步研究。 综上所述，虹膜适合用于身份识别，基于虹膜的身份识别不仅可行而且必要。作为 对虹膜身份识别算法的探索性研究，本文对c a n n y 边缘检测算法进行了改进，结合改进 的h o u g h 变换圆检测等算法，对虹膜有效区域进行分割，然后对分割出的有效虹膜区域 进行增强、归一化及提取纹理特征，分析对比了l o gg a b o r 小波与g a b o r 小波的性能， 并重点研究了采用l o gg a b o r 小波对虹膜特征进行编码的方法，匹配算法采用加权海明 距离。实验结果证明，本文所采用的虹膜分割、增强、归一化及特征提取、匹配等方法 是有效的，一维l o g g a b o r 小波比一维g a b o r 小波可以更有效地用于虹膜特征编码。论 文研究的方法和技术可为进一步地研究丌发更高效的虹膜识别技术及系统提供基础。 基于l o g g a b o r 小波的虹膜识别 2 虹膜图像预处理 在实际获取的图像中，虹膜只占一部分区域。图像中还包括瞳孔、眼睑、睫毛及眼 睛和人脸的其它部分。所以，在对虹膜纹理特征迸行提取之前，要把虹膜区域从图像中 分割出来。其分割准确与否直接影响到后面的特征提取及匹配精度，即如果分割不准确， 则虹膜识别效果就差，很可能造成误判，使识别算法失效。针对c a n n y 算法优良的边缘 检测性能及虹膜边界的特点，本文对c a n n y 算法进行了改进，与改进的h o u g h 变换相 结合，用于定位虹膜内外边界、分割上下眼睑，采用阀值法剔除睫毛。 2 1 虹膜内外边界的定位 虹膜的内边界即内边缘与瞳孔相交接的部分，外边界即外边缘与巩膜相交接的部 分，均近似为圆形，因此定位虹膜内外边界就是要确定这两个拟合圆的圆心和半径。 2 1 1c a n n y 算子和h o u g h 变换的基本原理 ( 1 ) c a n n y 边缘检测算子 边缘是图像的基本特征，保留了原始图像中相当重要的信息，而又使得总的数据减 小了很多。准确提取边缘既能减少图像处理的信息量，又可重点描述物体的形态特征。 传统的边缘检测算子如r o b e r t s 、s o b e l 、p r e w i t t 、k i r s c h 和l a p l a c i a n 等算子都是局域窗口 梯度算子( 嘲，由于它们对噪声敏感，所以在处理实际图像中效果并不理想。1 9 8 6 年，c a n n y 提出边缘检测算子应满足以下3 个判断准则：信噪比准则：定位精度准则；单边缘响应 准则，并由此推导出了最佳边缘检测算子一一c a n n y 算子2 们。c a n n y 算子具有定位精度高、 单一边缘和检测效果好等优点。它主要分以下四步： 平滑图像 c a n n y 边缘检测算子是高斯函数的一阶导数，是对信噪比与定位精度之乘积的最优 化逼近算子。选择合适的高斯低通滤波器来平滑原始的虹膜图像，既可以取得更加柔和 的平滑效果，又不至于破坏图像中的边沿，同时还可以消除原始图像的高频噪声。c a n n y 算法首先用二维高斯函数的一阶导数，对图像进行平滑，设二维高斯函数为： g ( 训) = 击e x p ( 孑) ( 2 1 ) 其梯度矢量为： v g ：l 五o g o x ( 2 2 ) io g 勿j ” 大连理工大学硕士学位论文 把g 的2 个滤波卷积模板分解为2 个一维的行列滤波器： 篆= he x p ( 一虿x 2 ) e x p ( 一务= 驰) 岛( y ) ( 2 3 ) 面0 g = 七y e x p ( 一务e x p ( 一刍州鹏 ( 2 4 ) 其中，七为常数，d 为高斯滤波器参数，它控制着平滑程度。o 小的滤波器，虽然定 位精度高，但信噪比低；o 大的情况则相反，因此要根据需要适当地选取高斯滤波器参 数a 。 计算梯度的幅值和方向 传统c a n n y 算法采用2 x 2 邻域一阶偏导的有限差分来计算平滑后的数据阵列，的梯 度幅值和梯度方向。其中，z 年吵方向偏导数的2 个阵列r 【i 加和彤i 加分别为： 只【f ，_ ，】= ( 1 i ，j + 1 - l i ，】+ f + l ，j + q - l i + 1 ，j ) 2 ( 2 5 ) 只【f ，刀= ( ，p ，j - l i + l ，】+ i i ，j + 1 - i i + l ，+ q ) 2 ( 2 6 ) 像素的梯度幅值和梯度方向用直角坐标到极坐标的坐标转化公式来计算，用二阶范 数来计算梯度幅值和方向，分别为： m i ，刀= 压丙万可丽 e i ，j = a r c t a n ( p y i ，j p 。 i ，j 】) ( 2 7 ) 窄 ( 2 8 ) 对梯度幅值进行非极大值抑制 为了精确定位边缘，必须细化梯度幅值图像拜【t 】中的屋脊带，只保留幅值局部变 化最大的点，这一过程就是非极大值抑制。在非极大值抑制过程中，c a n n y 算法使用3 x 3 大小、包含8 个方向的邻域对梯度幅值阵列 力的所有像素沿梯度方向进行梯度幅 值的插值。在每一个点上，邻域的中心像素m 【卜，1 与沿梯度方向的2 个梯度幅值的插值 结果进行比较，f 【f ，刀是像素邻域中心处沿着梯度方向的扇形区域，非极大值抑制在此 区域进行。如果邻域中心点的幅值m 【f ，1 不比梯度方向上的2 个插值结果大，则将m 【i ，1 对应的边缘标志位赋值为0 ，这一过程把【，1 宽屋脊带细化为一个像素宽，并且保留了 屋脊的梯度幅值。非极大值抑制( n o n m a x i m as u p p r e s s i o n ，n m s ) 过程的数学表示为： n i ，j 】= n m s ( m i 】，q f ，皿 检测和连接边缘 ( 2 9 ) 基于l o g g a b o r 小波的盯膜识别 双阈值算法是对经过非极大值抑制的图像n 【i , j 】分别使用高、低2 个阈值岛和鼢割 得到2 个阈值边缘图像磊【f ，刀和乃【f ，刀。由于图像而【刀是由高阈值得到的，因此它应 该不含有假边缘，但而【f ，刀可能在轮廓上有间断。因此双阈值算法要在五【f ，刀中把边缘 连接成轮廓，当达到轮廓端点时，该算法就在由低阈值得到的边缘图像7 7 【，丁的8 邻域 位置寻找可以连接到轮廓上的边缘，这样，利用递归跟踪的方法不断地在乃 i ，】中搜集 边缘，直到将五【f ，刀中所有的间隙都连接起来为止。 ( 2 ) h o u g h 圆检测1 2 1 h o u g h 变换是一种用于区域形状描述的方法，经典的h o u g h 变换常常被用于直线 段、圆和椭圆的检测，广义的h o u g h 变换可以推广至任意形状。两种变换的基本思想是 将图像的空b j 域变换到参数空间，用大多数边界点满足的某种参数形式来描述图像中的 曲线( 区域边界) 。 h o u g h 变换可以用于检测图像解析曲线，伉a p o ，其中x 为解析曲线上的点，口为 参数空间上的点。对于圆，设其半径为，、圆心为( 皿6 ) ，则圆方程： ( 一力2 + o 一6 ) 2 = ，2 ( 2 1 0 ) 图像空间的圆对应着参数空间( 珥6 ，) 中的一个点，一个给定点( 薯，卫) 约束了通过该 点的一簇圆参数( 珥b ，一。传统的h o u g h 圆检测是将空间域的每个轮廓点带入参数方程 ( 2 1 0 ) ，其计算结果对参数空间( 4 曩，) 中的量化点进行投票，若投票超过某- - 1 7 限，则 认为有足够多的图像点位于该参数点所决定的圆上。由于其需要逐点投票、记录，故花 费的时间较长，占用的计算机存储量也较大。 2 1 2c a n n y 算子的改进 如图2 1 所示的虹膜图像，很多边缘对于检测虹膜内外边界来说都是干扰边缘，如果 在计算梯度时，对x 、y n 个方向均进行计算，则会产生过多过细的边缘，而这些边缘又 是不需要的，而且会对提取有用的边缘起干扰作用。此时，如果有选择性的重点检测某 一或某些方向的边缘，则既能节省时间又有利于排除干扰。针对虹膜图像，由于上下部 分常常会被眼喻遮挡，如果将眼睑边界也过清晰地检测出来了，则对下一步的h o u g h 圆 变换检测外边界产生很大的干扰，特别是眼喻基本成弧形，与圆形接近。为削弱非虹膜 边界的影购，可以在进行边缘检测时重点检测有用的边缘，在保留足够的虹膜边界信息 的同时尽量削弱其它边界的影响。注意到上下眼睑边界仅限于水平方向，在计算梯度幅 值时对水平方向偏导值赋以较大的权重，而对竖直方向偏导值赋以较小的权重，从而削 弱水平方向上的边界。本文在定位虹膜外边界时，按照这一思想对c a n n y 算子进行了改 进，在计算梯度时只计算水平方向上的梯度，以避免过多地检测出眼睑边缘。即： 大连理工大学硕士学位论文 x 方向偏导数： 硪f ，j 】= ( i i ，j + l l - l i ，刀+ + 1 ，j + 1 - l i + l ，j ) 2 ( 2 1 1 ) y 方向偏导数： 只 f ，j 】_ o ( 2 1 2 ) ，为平滑后的图像的数据阵列。其余三步不变，同经典的c a n n y 边缘检测算子。图2 2 、 2 3 分别为采用传统的c a n n y 算子和改进的c a n n y 算子检测边缘的结果。 图2 1 原始虹膜图像 f i g 2 1o r i g i n a li r i si m a g e 图2 2 传统c a n n y 算法边缘检测 f i g 2 2e d g ed e t e c t i o nw i t ht r a d i t i o n a lc a n n yf l g o f i t h m 基丁l o g g a b o r 小波的虫t 膜识别 图2 3 改进的c a n n y 算法边缘检测 f i g 2 3e d g ed e t e c t i o nw i t hi m p r o v e dc a n n ya l g o r i t h m 2 1 3h o u g h 变换圆检测算法的改进 传统的h o u g h 变换是将图像上的每个边缘点都代入方程( 2 1 0 ) ，且半径搜索范围从 0 到图像平面所能容纳的上限，因此计算量非常大。本文对其进行了改进，并根据先验 知识及所采集的虹膜图像的特点尽可能地减少搜索范围及参与h o u g h 变换的点数以提 高效率。过程如下： ( 1 ) 对图像进行边缘检测得到边缘图像； ( 2 ) 根据先验知识，分别确定内外边界圆半径的范围，从而减小搜索半径； ( 3 ) 圆的参数方程( 2 1 0 ) 可改写为： 口= x r c o s o b = y r s i n o ( 2 1 3 ) 将图像空间中的边缘点而不是原图像中的每个点逐一代入上式，求出参数( 珥6 ) 之 值。从图2 - 3 中可以看出，虹膜外边界左右两侧的部分所受干扰较少，边界质量较高， 因此可以限制。的取值范围，相当于只统计左右两侧部分的边界点。由于虹膜边界圆的 圆心不可能太靠近图片边缘( 否则就没有将整个虹膜区域采集进来，虹膜信息可能太少 而无法用于识别) ，即圆心应位于图像中间区域的某个范围内，因此如果( 珥6 ) 位于这一 范围内，则将相应的累加阵h ( 珥6 ) 中的元素加1 ，否则加0 ； ( 4 ) 找出h ( 珥6 ) 中元素的最大值，即是对应半径为，圆心为( 珥6 ) ，且圆周上边缘 点最多的圆，即为边界圆。 2 1 4 虹膜内外边界的定位 本文先定位虹膜外边界，然后再在外边界范围以内定位内边界，从而能更快更准地 定位内边界。 大连理工大学硕士学位论文 虹膜外边界上下部分常常被眼睑部分地遮挡，且往往还有睫毛的干扰，所以对外边 界的定位先采用本文所述的改进的c a n n y 算子进行边缘检测，从而在保留足够多的边缘 信息的情况下尽量少地检测出干扰边缘，再利用改进的h o u g h 变换进行圆检测，确定外 边界圆的圆心和半径。 由于瞳孔位于虹膜区域以内，所以定位内边界时，将搜索范围限制在外边界范围以 内，以减少搜索范围。此外，虹膜内外边界之间还存在以下的耦合关系： ( 1 ) 内外边界近似为一同心圆，因此其圆心的距离小于一个较小的定值d t ，即： r ：? ( 而一x o ) 2 + ( 乃一y o ) 2 d r ( 2 1 5 ) 式中，( 而，”) 、o ( x o ，y o ) 分别为虹膜外边界圆和内边界圆的圆心，蜀、分别 为其半径，d t 、d r 可采用经验法根据图像尺寸及虹膜区域在其中所占的比例选取。 利用这些耦合关系，可以对h o u g h 变换的参数范围进一步加以限制，以保证定位的 准确性和快速性。内边界即瞳孔边界一般受眼睑及睫毛的干扰很小，所以仍采用传统的 c a n n y 算子进行边缘检测，再利用改进的h o u g h 变换进行圆检测，确定内边界圆的圆心 和半径。 2 2 眼睑的分割 在虹膜识别过程中，虹膜区域往往会受到干扰，由于尽量考虑实用性，不能对被采 。集者提出苛刻要求进行配合，这样在被采集者不配合的情况下，获得的虹膜有效区域是 很有限的，往往会是部分虹膜区域，其余部分被眼皮、睫毛等遮挡。从采集的图像数据 库中也可以看出，多数图像中虹膜区域都是不完全的，因此虹膜区域不完全是普遍存在 的。眼睑包括上眼睑和下眼睑，上下眼睑开度不同，裸露出的虹膜区域面积也不同。如 果这部分眼睑也作为有效虹膜区域带入虹膜特征提取和编码模块，那么得到的虹膜编码 可信度将大大降低。 目前关于虹膜图像中眼睑的处理问题在文献中已有一些介绍，j o h nd a u g m a n 通过检 测圆弧分割上下眼睑 9 1 ；b o l e s 采用小波过零交叉表示虹膜特征的方法口2 1 ，没有提到眼睑 等干扰的检测问题，要求虹膜比较完整；谭铁牛等人通过去掉靠近虹膜外边界的区域消 除眼皮等的遮挡 2 3 1 ；m a s e k 通过在上下眼喻区域各检测出一条( 如有眼呤遮挡) 直线进行 上、下眼睑的定位j 。d a u g m a n 的方法精度高，但速度较慢；谭的方法速度快，但损 基于l o g g a b o r 小波的虹膜识别 失了大量的有用虹膜信息；m a s e k 的方法速度较快，但精度低，损失了较多的有用虹膜 信息。论文研究了r a d o n 变换检测眼睑的方法，针对m a s e k 方法的不足，采用分块r a d o n 变换检测眼睑，同时为了进行对比以检验该方法的效果，还试验了常用的固定区域剔除 法，即直接舍弃虹膜上部和下部一定角度范围内的区域1 2 4 0 5 州，因为这一区域可能会有 上下眼睑的遮挡。 2 2 1 固定区域剔除法分割眼睑 虹膜的上下部分常被眼睑遮挡，而左右部分受眼睑的遮挡一般较少，因此常用的简 便的分割眼险的方法是在提取特征时，只取水平线为中心的左右部分两段0 。和0 ：的圆 弧，也就是将上下部分可能存在眼睑的区域直接舍弃。实验证明【2 7 l ，7 0 以上的保留区 域足以保证将来自不同个体的虹膜区分开，且误识率极低。以瞳孔中心为圆心，论文选 取o 。( - ；，争，0 ：( 警，等】。图2 4 是采用此方法分割眼睑( 及睫毛) 的示意图。 图2 4l 古i 定区域剔除法分割结果 f i g 2 4s e g m e n tr e s u l t sb ye x c l u d i n gf i x e da “m 大连理工大学硕七学位论文 2 2 2r a d o n 变换法分割眼睑 对眼睑边界进行细分，可以近似认为其由一系列的线段连接而成，因此可以采用 p 咀d o n 变换直线检测法定位眼睑【l l 】。 r a d o n 变换可在任意维空间定义，下面给出在2 维空间的定义式： r ( p ，0 ) = i l f ( x ，y ) 8 ( p - x c o s 0 - y s i n 0 ) d x d y ( 2 1 6 ) 石 式中，d 为整个图像平面，苁葺力为图像在点( 葺力的灰度，p 为坐标原点到直线的距离， 口为距离与x 轴的夹角，如图2 5 所示，6 为冲激函数，定义为 6 ( 功= 孑稿散时为1 ) 肆x = o o ( 2 1 7 ) 它使厦葺力沿直线p = x c o s o + y s i n o 进行积分。 r a d o r 瘦换示意图 图2 5r a d o n 变换示意图 f i g 2 5s k e t c hm a po f r a d o nt r a n s f o r m ( c 结果 r a d o n 变换可以理解为图像在p 0 空间的投影，p - 0 空间中的每一点对应着图像空 间中的一条直线，而r a d o n 变换是图像像素点在每条直线上的积分，也可理解为图像逆 时针旋转秽角度后在水平轴上的投影。因此图像中每条直线会在p - p 空问形成一个“亮 点”，直线的检测转化为在p - 0 变换域对“亮点”的检测。 r a d o n 变换法检测眼睑的步骤如下： ( 1 ) 分别确定可能存在上、下眼喻的虹膜区域，以减少搜索范围； ( 2 ) 对可能存在眼喻的虹膜区域采用改进的c a n n y 算子进行边缘提取。由于眼睑边 缘呈水平方向，因此在计算梯度时只取竖直方向的梯度，以避免虹膜边界的干扰，即： x 方向偏导数： 基于l o gg a b o r 小波的j f r 膜识别 科f ，刀= 0 ( 2 1 8 ) y 方向偏导数： p y i ，j 】= ( i i ，j - l i + l ，刀+ 印，j + 1 - l i + l ，j + 1 ) 2 ( 2 1 9 ) ( 3 ) 对提取到的边缘图像进行r a d o n 变换直线检测，变换后会得到若干个“亮点”， 如果“亮点”的最大值大于某个阀值r ，则视其对应的直线为眼睑边界直线l ，否则认 为没有上( 或下) 眼睑遮挡： ( 4 ) 如果检测到了眼睑边界直线l ，则作一条水平直线，此直线过虹膜外边界与l 的交点，将此直线以外的虹膜区域标为干扰点。 一 此过程如下图所示： 图2 6r a d o n 变换法分割眼睑的过程 f i g 2 6s t a g eo f s e g m e n t i n ge y e l i d sw i t hr a d o nt r a n s f o r m 1 8 大连理工大学硕士学位论文 可以发现，采用这种方法，能比较有效地将上下眼睑分割出去，但检测方法过于粗 略，易将部分有用虹膜当作眼睑分割出去，因此损失了一定量的有用虹膜信息。为了在 有效地分割出眼睑的同时，尽量减少虹膜信息的损失，本文采用了分块检测眼睑的方法。 在检测上眼睑时，先将上眼睑区域分成三个区域：左侧区域、右侧区域和中间的过渡区 域，然后分别在每个区域里采用r a d o n 变换直线检测法检测眼睑，并且只将此区域内位 于检测到的直线以上的区域标记为眼睑。下眼睑的检测方法与上眼睑的相同。这一过程 如下图所示： 图2 7 分块r a d o n 变换法分割服睑的过程 f i g 2 7s t a g eo f s e g m e n t i n ge y e l i d sw i t hb l o c kr a d o f it r a n s f