（通信与信息系统专业论文）虹膜图像中噪声检测算法的研究.pdf

摘要 虹膜识别因其具有高可靠性、稳定性和非侵犯性，已成为生物特征识别领域 的一个研究热点。眼睑和眼睫毛遮挡是虹膜识别系统中较难检测的两种噪声，对 系统识别性能影响较大，本文对如何去除这两种噪声进行了较深入的研究。文中 介绍了虹膜身份识别系统各个关键部分，分析了现有眼睑和眼睫毛遮挡检测算法 的优缺点，提出了基于灰度形态学的眼睑和眼睫毛遮挡检测算法：一是设计弧线 形的形态学结构元素，经过灰度开启运算、图像分割和边缘检测，获得眼睑边缘 的候选点集，再利用b e z i e r 曲线拟合出眼睑边缘；二是构造交叉形的形态学结构 元素，通过灰度开启运算得到直方图具有分段特性的虹膜图像，经二值化检测出 眼睫毛。实验结果表明：该算法能有效地检测两种遮挡噪声，有助于降低虹膜识 别系统的等错误率，提高模式的可分性。 另外，本文还对虹膜识别算法进行了初步探讨。在分析2 - d 复g a b o r 滤波器实 部和虚部的幅频响应特性后，发现2 d 奇g a b o r 滤波器比2 d 复g a b o r 滤波器更 能有效提取虹膜纹理特征。因此，提出采用2 d 奇g a b o r 滤波的方法编码虹膜纹 理特征点的相位信息，并通过计算汉明距离( h a m m i n gd i s t a n c e ) 进行识别。实验 结果表明，与基于2 - d 复g a b o r 滤波编码虹膜纹理相位特征的方法相比，该算法 使系统识别等错误率( e q u a le r r o rr a t e ) 降低大约1 2 。 关键词：虹膜识别噪声检测灰度形态学特征提取g a b o r 滤波器 a b s t r a c t i r i sr e c o g n i t i o nh a sb e e nb e c o m i n ga na c t i v et o p i ci nb i o m e t r i c sd u et oi t sh i g h r e l i a b i l i t yf o rp e r s o n a li d e n t i f i c a t i o n t h eo c c l u s i o n so fe y e l i da n de y e l a s hi ni r i si m a g e a l et w ok i n d so fn o i s et ob ed i f f i c u l tt od e t e c ta n dl o w e rt h ep e r f o r m a n c eo ft h es y s t e m i nt h i sd i s s e r t a t i o n d e t e c t i o n so ft h e s et w ok i n d so fn o i s ea l es t u d i e d e a c hc r u c i a l c o m p o n e n t so fi r i sr e c o g n i t i o ns y s t e mi sd e s c r i b e d d e t a i l e da n a l y s i si sg i v e na b o u t a d v a n t a g e sa n dd i s a d v a n t a g e so ft h ec u r r e n to c c l u s i o nd e t e c t i n ga l g o r i t h m s t w o g a y - s c a l em o r p h o l o g i c a ln o i s ed e t e c t i o na l g o r i t h m sa r ep r e s e n t e df o rt h ee y e l i da n d e y e l a s ho c c l u s i o n s r e s p e c t i v e l y f i r s t l y , a l la r cm o r p h o l o g i c a ls t r u c t u r i n ge l e m e n ti s d e s i g n e df u rd e t e c t i n ge y e l i de d g e as e to fc a n d i d a t ep o i n t sf o re y e l i de d g ec a nb e o b t a i n e db yg r a y - s c a l em o r p h o l o g i c a lo p e n i n g , i m a g es e g m e n t i n g , a n de d g ed e t e c t i n g , t h e nt h ee y e l i de d g ei sr i f l e do nt h eb a s i so fb e z i e rc u r v e s s e c o n d l y , ac r o s s e d m o r p h o l o g i c a ls t r u c t u r i n ge l e m e n ti sd e v e l o p e d a ni r i si m a g e ，w h o s ei n t e n s i t ym o s t l y d i s t r i b u t e si ns e v e r a ls e c t i o n s 啪b ea c q u i r e da f t e rg r a y - s c a l em o r p h o l o g i c a lo p e n i n g t h u sab i n a r yi m a g eo fe y e l a s h e si so b t a i n e d t h ee x p e r i m e n t a lr e s u l t si n d i c a t et h a tt h e p r o p o s e da l g o r i t h m sh a v eb e t t e re f f e c t i v e n e s so nd e t e c t i n gt h e s et w ok i n d so fo c c l u s i o n n o i s e s , a n da i eh e l p f u lt od e c r e a s et h ee q u a le r r o rr a t eo fi r i sr e c o g n i t i o ns y s t e ma n d i m p r o v et h ed i s c r i m i n a b i l i t yo fi r i sp a r e m s i na d d i t i o n ，a na l g o r i t h mf o ri r i sr e c o g n i t i o ni sa l s od i s c u s s e d a f t e ra n a l y z i n gt h e a m p l i t u d e f r e q u e n c yr e s p o n s e so fr e a la n di m a g i n a r yp a r to ft h e2 - dc o m p l e xg a b o r f i l t e r , w ef i n dt h a tt h e2 - d o d dg a b o rf i l t e r si sm o r ee f f e c t i v et h a n2 一dc o m p l e xg a b o r f i l t e ri ne x t r a c t i n gt h ef e a t u r e so fi r i st e x t u r e t h e na na l g o r i t h mf u re n c o d i n gp h a s e i n f o r m a t i o no fi r i st e x t u r ew i t h2 - do d dg a b o rf i l t e r si si n t r o d u c e d p a t t e r nm a t c h i n gi s r e a l i z e db yc o m p u t i n gh a m m i n gd i s t a n c eb e t w e e nt w ot e m p l a t e s t h ee x p e r i m e n t a l r e s u l t ss h o wt h a tt h ee q u a le r r o rr a t e ( e e r ) o fs y s t e mb yu s i n gt h i sm e t h o dh a sa b o u t 1 2 d e c r e a s ec o m p a r e dw i t ht h em e t h o df o re n c o d i n gp h a s ei n f o r m a t i o no fi r i st e x t u r e b a s e do n2 一dc o m p l e xg a b o rf i l t e r s k e yw o r d s ：i r i sr e c o g n i t i o n n o i s ed e t e c t i o n g r a y - s c a l em o r p h o l o g y f e a t u r ee x t r a c t i n gg a b o rf i l t e r 创新性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：塞熬 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生 在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留 送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容， 可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合 学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。( 保密的论文 在解密后遵守此规定) 本学位论文属于保密在年解密后适用本授权书。 本人签名：塞蠹日期兰! ! z ! ：丛 导师签名： 舻 日期尘陋 第一章绪论 第一章绪论 1 1 引言 虹膜识别是目前生物特征识别方法中的主要研究方向之一。本章主要介绍虹 膜的生物特性、虹膜识别技术的基本依据、虹膜识别的发展历史、虹膜识别的应 用及虹膜图像中噪声检测研究的意义和范围，阐述论文完成的主要工作。 1 2 虹膜的生物特性 虹膜是受到保护的眼睛的内部组织。眼睛的外观图由巩膜、虹膜、瞳孔三部 分构成。巩膜即眼球外围的白色部分，约占总面积的3 0 ；眼睛中心为瞳孔部分， 约占5 ；虹膜位于巩膜和瞳孔之间，包含了最丰富的纹理信息，约占6 5 。瞳孔 随入射光线强度的变化，会产生收缩或扩张，牵动虹膜变化。虹膜与巩膜、瞳孔 的边界均近似为圆形，是图像匹配时可以利用的重要几何信息。 图1 1 虹膜外观图 同时，虹膜又处于角膜和水样液的后面晶状体的前面【。它是人体唯一能从外 界明显看到的内部器官。在虹膜可见到的特征中有连接组织的横格网状( 梳状韧 带) ，基质的胶原组织，睫状体，收缩的褶皱，腺窝，围绕瞳孔的环状色素，有时 还有斑点。因此在明亮的光照射下能看到明显的纹理。 从组织结构上来讲虹膜可用于身份识别的科学依据如下所列：它固有的与外 虹膜图像中噪声检测算法的研究 界环境的隔离性和受保护性【羽，要用外科手术对虹膜进行改变就要冒着失明的危 险，生理学上对光的反映可以用来识破人为的诡计。虹膜和指纹一样的特性是它 的细节随机性。虹膜细节的形态发生的初始条件依赖于胚胎发育的中期，即使是 同一遗传基因的两个虹膜的细节也毫无关联( 如一对同卵双胞胎或同一个人的两 只虹膜) 。虹膜的模式的高度随机性使得内部组成具有2 6 6 个自由度，每平方毫米 有3 4 b i t s 的信息浓度。 图1 2 虹膜组织结构图 1 3 虹膜识别技术的基本依据 通过红外光对虹膜上的纹络进行识别，发现6 0 左右的纹络，人与人是相同 的，4 0 的纹络，人与人各不同。经计算两个人同一只眼虹膜特征相同的概率是十 万分之一，两眼相同的概率是一千亿分之一，从虹膜组织的收缩沟的形态及所处 位置、数量来看它们就是所谓的供识别的虹膜纹理。人眼在被识别时，瞳孔会自 然发生收缩扩大。虹膜纹理也就随之变化，即是动态化的。由此采集的数据会有 细微变化，但这变化又不能影响同一识别。这说明各虹膜纹理问是同步同比例在 变化，能产生这种同比例同步变化的只有收缩沟，是收缩沟变化，牵动瞳孔变化， 两者是因果关系，这种变化在数据处理上不会有太多困难，因此从这点上看也说 明收缩沟是识别对象，虹膜大小环也可能是识别对象之一。 综上所述，虹膜收缩沟及血管大小环即是供识别用的虹膜纹理，它具有与生 俱来，终生相对不变的生理特点。 第一章绪论 1 4 虹膜识别的发展历史 基于虹膜的身份鉴别思想最早可以追溯到1 9 世纪踟年代，但是直到近十几 年，虹膜识别才有了飞速的发展。1 9 世纪，一个法国的人类学家指出可以利用人 类的生理特征区分不同的个体。大约在1 8 8 5 年，他的儿子a l p h o n s eb c r t i l l o n 将其 思想应用在巴黎的刑事监狱中，使用许多生理特征，例如耳朵的大小，脚的长度 等，来区分不同的犯人。虹膜就是当时使用的生理特征之一，不过那时主要利用 的是虹膜的颜色信息与亚洲入不同，欧洲人的虹膜具有各种各样的颜色和形状信 息，并且这些信息是通过人的观察所获取的。1 9 3 6 年，眼科专家f r a n kb u t c h 指出 虹膜具有独特的信息，可用于身份识别。1 9 8 7 年，眼科专家a r a ns a f e r 和l e o n a r d f l o m 首次提出了利用虹膜图像进行自动虹膜识另i j 的概念【3 】，但是他们并没有开发 出一个实际的应用系统。在1 9 9 1 年，美国洛斯阿拉莫斯国家实验室的j o h n s o n 实 现了一个自动虹膜识别系统，这是有文献记载的最早的一个应用系统1 6 1 。随后，1 9 9 3 年，j o h nd a u g m a n 实现了一个高性能的虹膜识别原型系统 2 , 7 1 。目前，大部分虹膜 识别系统使用d a u g m a n 的核心识别算法。r i c h a r dw i l d e s 在1 9 9 6 年也研制成功基 于虹膜的身份认证系统嘲。同时，北美和欧洲也有一些科学工作者致力于虹膜识别 方面的研究。 国内从事虹膜识别的研究相对较晚，主要的研究单位有中科院自动化所，华 中科技大学，浙江大学等，中科院自动化所模式识别国家重点实验室是国内最早 从事虹膜识别研究的单位之一。在1 9 9 8 年起，该实验室生物特征识别研究小组就 开始了这方面的相关研究，而且于2 0 0 0 年成功开发出具有我国自主知识产权的虹 膜识别系统i ”n 。 1 5 虹膜识别的应用 近年来，髓着信息技术的发展和社会的进步，一人们对准确可靠的自动身份鉴 别的要求愈加强烈。而模式识别、图像处理和计算机视觉等相关技术的发展为自 动身份鉴别创造了条件。于是，基于生物特征的身份鉴别得到了迅速的发展。而 在所有的生物特征中，虹膜具有很多优点：高可靠性，高稳定性，高安全性等等( 如 表1 1 所示) 。由于具有这些独特的优点，虹膜识别已经引起科研工作者和企业家广 泛的关注，成为生物特征识别中的一个研究热点和重点。同目前广泛使用的指纹 识别相比，虹膜识别具有更高的准确性【5 3 5 5 1 ，而且虹膜发生损伤的可能性更小。 在下面一些领域中，虹膜识别有广阔的应用前景： 在金融证券领域，电子商务、银行a t m ，p o s 终端等的安全认证； 4 虹膜图像中噪声检测算法的研究 在信息领域，网络、数据库和关键文件等的安全控制，系统计算机的登录认证 等； 在国防领域，重要基地的身份认证，机密资料的安全管理； 在交通领域，海关和民航的通关认证等； 在公安司法领域，嫌疑人的准确确认，流动人口的控制等； 在日常生活中，个人汽车、移动电话的使用认证等。 生物特征普遍性唯一性 稳定性可采集性准确性可接受性安全性 脸像 高低 由 高低尚低 指纹中高高 由 高中 高 手形中中中高 由 中中 手部血管 由 中中中 由 中高 虹膜 高高高 中 高 由 高 视网膜高高中低高低 高 笔迹低低低高低高低 语音中低低中 低高低 红外温谱高高 低高 由 高高 气味 高高高低低中低 步态中低低高低高中 耳形中中高中中高中 d n a高高高 低高低低 1 6 虹膜图像中噪声检测研究的意义和范围 在自动虹膜身份鉴别系统中，由于采集图像时对被试者是非侵犯的，所以通 常采集到的虹膜图像不仅包含虹膜，还包含其它部分，比如：面部、瞳孔、巩膜、 眼睑、眼睫毛等等，如图1 3 所示。由于眼睑、眼睫毛等往往会遮挡住虹膜部分的 有效区域，因此，在我们将虹膜精确地定位出来后，噪声检测就成为虹膜识别系 统中一个非常重要的环节。 第一章绪论 5 图1 3 虹膜图像样本 影响虹膜识别的噪声主要有三种：眼睑遮挡、眼睫毛遮挡和亮斑1 1 2 l 。如果不 将它们从虹膜图像中去除，则会被当作虹膜特征的一部分，对虹膜系统的识别性 能产生不利影响。对于虹膜图像中的亮斑，由于大多数情况下其灰度值和周围象 素相比要大很多，容易采用阈值的方法去除。因此，本文主要讨论去除眼睑和眼 睫毛遮挡的方法。 1 7 论文的主要工作和内容安排 1 7 1 论文的主要工作 眼睑和眼睫毛遮挡是虹膜识别系统中较难检测的两种噪声，对系统识另 性能影响较大，本文对如何去除这两种噪声进行了较深入的研究。主要贡献有： 实现了一种基于抛物线模型积分差分的眼睑遮挡检测方法i l 。 实现了一种分步的眼睫毛遮挡检测方法1 1 2 j 。 提出了基于灰度形态学的眼睑遮挡检测算法。针对基于抛物线模型的积分差分 法检测眼睑遮挡时计算量很大，难以满足实时性要求的不足，本文将灰度形态 学的理论用于眼睑遮挡检测，提出了基于灰度形态学的眼睑遮挡检测算法。实 验结果表明，本文所提算法不但使检测时间大大减小，而且有助于降低虹膜识 别系统的等错误率，提高模式的可分性。 提出了基于灰度形态学的眼睫毛遮挡检测算法。由于分步的眼睫毛遮挡检测方 法需要根据所用图像库预先设定较多的参数且检测过程较复杂，因此本文将灰 度形态学的理论应用于眼睫毛遮挡检测，提出了基于灰度形态学的眼睫毛挡检 测算法。实验结果表明，在减少算法复杂性的同时，检测效率和识别结果也有 了一定的提高。 提出一种基于2 - d 奇g a b o r 滤波器的虹膜识别算法。在分析2 一d 复g a b o r 滤波 器实部和虚部的幅频响应后，针对基于2 d 复g a b o r 滤波编码虹膜纹理相位特 6 虹膜图像中噪声检测算法的研究 征的方法不能有效提出虹膜特征的不足，提出采用2 d 奇g a b o r 滤波的方法编 码虹膜纹理特征点的相位信息，并通过计算汉明距离( h a m m i n gd i s t a n c e ) 进 行识别。实验结果表明，与基于2 ，d 复g a b o r 滤波编码虹膜纹理相位特征的方 法相比，该算法使系统识别等错误率( e q u a le r r o rr a t e ) 降低大约1 2 。 1 7 2 论文的内容安排 本文共分五章，各章内容安排如下： 本章主要介绍虹膜的生物特性、虹膜识别技术的基本依据、发展历史及应用， 说明了虹膜图像中噪声检测研究的意义和范围，阐述论文完成的主要工作。 第二章给出了虹膜识别系统的概述，系统介绍了各个步骤的基本原理、主要 方法秘待解决的问题等。 第三章首先介绍了形态学的基本运算，然后在分析目前典型的眼睑和眼睫毛 遮挡检测算法基础上，结合灰度形态学相关知识，分别提出了基于灰度形态学的 眼睑遮挡检测和眼睫毛遮挡检测算法，最后比较了算法的检测速度和精度，以及 对识别率的影响。 第四章分析了现有虹膜识别算法中最具代表性的算法利用2 d 复g a b o r 滤波的方法编码虹膜纹理相位特征的不足，提出了基于2 d 奇g a b o r 滤波器的虹 膜识别算法。实验结果表明，该算法使虹膜系统识别率有了较大的提高。 第五章是对全文的总结，并指出需要进一步关注和深入研究解决的问题。 最后是致谢、参考文献和作者在读期间的研究成果。 第二章虹膜识别系统概述 7 第二章虹膜识别系统概述 2 1 引言 一般虹膜识别系统的结构如图2 1 所示。首先利用特定的虹膜采集装置获取虹 膜图像。然后在获取的图像中将虹膜和噪声( 如眼睑遮挡和眼睫毛遮挡等) 的位 置精确定位。由于虹膜的收缩和扩张引起了虹膜纹理的改变，这对虹膜系统的识 别率有一定的影响。特别是在实际应用中，获取虹膜图像时光照条件的差异很大， 所以分割后的虹膜图像应当进行有效的归一化，进而提高识别算法的鲁棒性。虹 膜图像经过预处理，将外界环境对虹膜细微特征的影晌降到最小，我们可采用一 定的算法将这些细微特征转化为对应的特征向量，通过比较特征向量之间的相似 程度，实现人的身份的自动鉴别。 本章将按照虹膜识别的流程，分小节详细介绍虹膜识别系统的四个关键组成部 分：虹膜图像获取、虹膜图像预处理、特征提取和编码及模式匹配。 图2 1 虹膜识别系统 2 2 虹膜图像获取 虹膜图像获取指通过图像输入设备实现虹膜图像的采集。常用的图像输入设 备有电视摄像机、微密度计、扫描鼓等。它将影像光学灰度信号转换为模拟电信 号，并经a d 变换为数字图像信号。一般要求转换的电信号线性度好，噪声小， 分辨率高，转换速度快。 8 虹膜图像中噪声检测算法的研究 由于虹膜的纹理非常细微和丰富，使得普通的摄像头无法拍摄出可用于识别 的清晰虹膜图像，所以图像获取必须采用专用的虹膜采集装置。设计虹膜采集装 置主要应考虑以下几点： 1 、能够引导使用者进行眼睛的自定位，以实现虹膜的居中拍摄。 2 、虹膜采集装置自身配备可调可见光照明，从而实现拍摄到瞳孔较小时的虹膜， 并通过调节可见光，得到瞳孔迅速变化的虹膜，以进行活体虹膜检测。 3 、由于一般采用红外光源照明拍摄虹膜图像，所以要注意调整红外照明光源的数 量和角度，使虹膜图像亮度均匀，避免出现光源的高亮反射点出现在虹膜上。 4 、根据实际观察，黄种人和自种人的虹膜纹理对不同波长的红外光的反射能力不 一样。实际设计系统时要注意根据具体的应用对象选择合适的波长。 5 、采集装置的鲁棒性要高，尤其对于远距离虹膜图像采集装置，如何解决杂光干 扰是一个比较重要的问题。 2 3 虹膜图像预处理 由图2 2 ( a ) 可知，由于采集图像时对被试者是非侵犯的，所以通常采集到的 虹膜图像包含较多噪声，如瞳孔、巩膜、眼皮和眼睫毛，甚至还包含较多面部部 分，而且每次虹膜在图像中的位置、大小和旋转角度都不一样。因此在提取虹膜 特征前，需要对虹膜图像进行预处理，去除噪声，补偿平移、旋转及缩放引起的 变异，将虹膜图像归一化。 ( a ) 原始图像 ( b ) 对应( a ) 定位的结果 图2 2 原始图像及虹膜定位结果 2 3 1 虹膜分割 虹膜分割是在整幅图像中确定可用虹膜特征区域。快速准确的虹膜分割方法能 够大大提高虹膜识别的精度和速度。虹膜分割由虹膜定位和噪声检测两部分组成。 第二章虹膜识别系统概述 9 2 3 。1 。1 虹膜定位 通常情况下，虹膜的内外边界可以近似地用圆来拟合。内圆表示虹膜与瞳孔的 边界，外圆表示虹膜与巩膜的边界，但这两个圆并不一定是同心圆【2 】。虹膜定位的 目的就是确定这两个圆的圆心和半径，将虹膜从图像中割离出来，用于后续的特 征提取和识别。这里采用由粗到精的方法定位虹膜区域。首先，通过二值化和寻 找最大连通域的方法找到瞳孔区域，然后在垂直和水平方向进行像素投影，根据 其在垂直和水平像素相加的最大值就可粗略地得到瞳孔的圆心坐标。再利用 d a u g m a n 于1 9 9 3 年提出的活动圆模板匹配的方法f 2 j 精确定位瞳孔。同时，由先验知 识可知虹膜外圆的圆心坐标就在瞳孔圆心坐标的几个像素附近，因此，利用活动 圆模板匹配的方法可快速准确地检测到虹膜外边界。这样定位的方法速度快，可避 免盲目搜索。 。m a x 扣，枣导皿 椭篆字叫 c 式中i ( x ，y ) 表示一幅图像，币 表示圆周积分算子，其积分曲线为以o ，y ) 1 上 为圆心，以，为半径的圆，d s 表示弧上的一段微元，代表卷积，乞( ，) 一7 j 三e 矿 为高斯平滑函数，是其标准差。我们可以通过调节盯来调整虹膜图像的模糊程 度。 计算机是以离散形式来实现活动圆模板匹配的方法的。下面给出其离散形式。 从算法的效率考虑，将公式( 2 - 1 ) 的卷积运算和微分运算的顺序颠倒一下， 并用差分近似的方法来实现微分运算。即 掣一吉嘭o 一吉q 一1 ) a r ) ( 2 - 2 ) 其中r 是沿半径进行边缘搜索时的步长，n 是搜索步数。由式( 2 - 1 ) 和( 2 2 ) 得出活动圆模板匹配法的离散形式： 一 m x “- 。) i 吉； 眩( 加一t ) r ) 一c o ( ( n t 一1 ) 廿) ) ；7 ( k a r c o s ( m a o ) + 而) ，( k a r s i n ( m a o ) + ) 】 ( 2 - 3 ) 虹膜图像中灰度的分布具有一定的规律性。靠近虹膜中心的部分的灰度值总比 外边部分低，虹膜各部分内灰度分布比较均匀。利用虹膜图像灰度分布的性质， 对式( 2 - 3 ) 进行改进，褥到( 2 - 4 ) 式： 1 0 虹膜图像中噪声检测算法的研究 6 0 ( 伽一k ) a r ) 一c o ( ( n - k 一1 ) r ) ) ，【( 2 a r s ( m a 口) + 而) ，( k a r s i n ( m a o ) + y o ) 1 一一j 引瓦蓼丽鬲五而矗瓦灏西两丽丽瓦；广一 ( 2 - 4 ) 通过虹膜定位，就将虹膜从图像中分离出来，补偿了虹膜平移引起的变异，如 图2 2 所示。 2 3 1 2 噪声检测 由于噪声的影响，模板匹配时会有无效位的比较，这通常会给识别带来较大的 误差，因此在虹膜识别前，对噪声检测和处理是有必要的。虹膜图像中的噪声主 要包括眼睑遮挡和眼睫毛遮挡。 在第三章我们将详细描述去除眼睑遮挡和眼睫毛遮挡的方法。 2 3 2 虹膜图像归一化 不同人的虹膜图像大小不一样，即使是同一个人的虹膜，在不同时间和环境下， 大小也会发生变化。这主要是由于瞳孔随光照的变化所造成的。这种变化对虹膜 的纹理造成了很大的改变。为了获得更好的识别效果，就应当对这种形变进行弥 补，尽量减少它们带来的影响。 一般来说，虹膜内外边缘是不同心的，虹膜归一化就是要将这两个不同心的圆 环之日j 的区域映射成一个固定大小的区域，一般是一个矩形区域。利用式( 2 5 ) ， 可以很容易将2 3 1 1 节中定位出的虹膜区域在极坐标系中展成6 4 5 1 2 的矩形区 域。 ，o ( ，0 + 口) ，) ，( r ，0 + 口) ) 一i ( r ，口) ( 2 5 ) 式中，o ，_ ) ，) 表示虹膜图像，瓴y ) 表示原始的直角坐标系，( ，口) 表示相应 的极坐标系，口表示虹膜图像旋转角度， r e o , 1 ；口【o ，幼】；口( 一要，争。 ， 图2 3 对应2 2 ( a ) 归一化后的结果 综上所述，整个虹膜图像的预处理过程对于虹膜的平移和缩放具有不变性，而 旋转补偿则通过移位匹配虹膜特征模板实现。 第二章虹膜识别系统概述 2 4 虹膜特征提取和编码 特征提取是虹膜识别中的核心问题，对整个识别系统的性能有决定性的作用。 不同于指纹的细节特征，对虹膜的特征进行分类和描述是一个十分困难的问题。 同时，瞳孔随光照条件变化而引起的虹膜形变是一种非线性形变，这使得虹膜特 征提取更加困难和复杂。虹膜的特征可认为是一种纹理特征，如果将预处理后的 虹膜图像看作为一幅纹理图像，那么许多纹理分析的方法【0 4 j 都可用来提取虹膜特 征。 现有的特征提取算法可分为以下三类： 1 、基于相位分析的方法 d 鲫g m 卸的方法【2 ，1 ”1 l 属于相位分析的方法。d a u g m a n 采用g a b o r j 、波滤波的 方法编码虹膜的相位特征，利用归一化的h a m m i n g 瓶离实现特征匹配。其依据为 g a b o r d 、波具有与人类简单视觉细胞相似的视觉特性，能够很好地分析现实世界中 的各种模式【2 2 删。许多虹膜识别系统采用的就是d a u g m a n 的核心识别算法。 s a n c h e z - r e i l l o 等【3 1 1 提供了一种d a u g m a n 方法的部分实现。t i s s e 等提出了一种 基于a m f m 图像分析的方法 3 2 1 。该方法利用图像的h i l b e r t 变换构建了对应于原图 像的分折图像，根据分析图像又生成了不同频率的瞬时频率图像( e m e r g e n t f r e q u e n c yi m a g e s ) 。瞬时频率图像在本质上是分析图像主分量的相位梯度场1 3 3 删。 类似于d a u g m a n 的方法，他们采样二值化的瞬时频率图像来形成特征向量并利用归 一化的h a m m i n g 距离实现特征匹配。 2 、基于过零点描述的方法 b o l e s 等的方法【3 5 j 属于过零点描述的方法。b o l e s 采用一维小波对沿虹膜中心同 心圆的一条采样曲线进行过零点描述，通过两个自定义的相似度函数完成基于这 种信号描述的分类。其理论基础为m a l l a t 的信号过零点描述重建理论1 3 6 - 3 7 。该算法 只在很小规模的数据库上进行过测试。在文献p 卅中，s a n c h e z - a v i l a 等描述了一种类 似于b o l e s 的方法，但是采用了不同的距离度量实现虹膜匹配。 3 、基于纹理分析的方法 文献 3 9 - 4 3 可以认为是基于纹理分析的方法。w i l d e s 等采用拉普拉斯金字塔 的多分辨率技术i ，9 t4 4 1 ，在不同尺度下计算给定两个虹膜图像的归一化相关系数， 分类器使用的是f i s h e r 线性判据。该方法本质上是一种图像匹配方法，缺点是计算 复杂度高，只能在认证模式( 一对一的匹配模式) 下工作；t a n 等 4 0 - 4 1 】采用传统的 g a b o r 滤波器提取虹膜在不同频率和方向下的纹理信息，分类器是基于加权欧氏距 离的最近中心分类器。在文献【4 2 】中，t a n 等提出了一种采用多通道空间滤波器提 取不同频率虹膜纹理信息的方法，分类器是改进的最近特征线分类器。l i m 等【4 3 l 利用h a a r d 、波对虹膜图像进行分解，提取小波分解第四层的高频信息作为特征， 虹膜图像中噪声检测算法的研究 采用一种改进的l v q 神经网络的分类方法。陈良洲等【4 5 】利用相关系数来判别虹膜 之间的相似程度，也是一种基于图像匹配的方法。这几种方法都将虹膜的特征看 作一种纹理特征，因此采用了不同的纹理分析策略。 然而，d a u g m a n 承i w i l d e s 的方法对虹膜图像质量要求很高，在不同质量的图像 下不能保证方法的鲁棒性，而b o l e s 的方法计算量较大。针对上述虹膜识别算法的 局限性，本文在第四章提出了一种利用2 d 奇g a b o r 滤波器编码虹膜纹理相位信息 的方法，取得了较好的识别效果。 2 5 虹膜匹配 在虹膜特征二值化编码的模板匹配中，采用汉明距离( h a m m i n gd i s t a n c e ，h m 是较好的方法。汉明距离是计算两个模板间对应的位是否一致的匹配算法。该方 法简单易用，计算量小，足以满足虹膜识别的匹配要求。设码长为l 字节，虹膜特 征码a 和b 的归一化汉明距离为 l i d 一去荟4 。b ( 2 - 6 ) 三台 其中。表示异或运算，爿，和口，为待识别图像特征码和模板图像特征码的第，个码 字，当a 。和b 对应的比特位不同则结果为1 ，相同为0 。理想情况下，如果两个虹 膜是来自同一个人的同一只眼睛，则h d 一0 ；如果是不同人的眼睛或同一人的不 同眼睛，贝0 h d 一1 。 2 6 小结 本章概述了虹膜识别系统的一系列工作，包括虹膜图像的获取、虹膜图像预 处理、特征提取和编码以及虹膜匹配的方法。对于每个步骤，作者分别阐述了工 作的必要性、主要的实现方法、各方法的基本原理和分析、方法之间的比较。希 望通过本章的描述，可以使读者对虹膜识别系统有一个基本的了解，对各个步骤 的研究现状有个比较清晰的把握。 第三章虹膜图像中噪声检测方法的比较 第三章虹膜图像中噪声检测方法的比较 3 1 引言 由于采集图像时对被试者是非侵犯的，所以通常采集到的虹膜图像包含较多 噪声。影响虹膜识别的噪声主要有三种：眼睑遮挡、眼睫毛遮挡和亮斑1 1 2 j ，如图 3 1 所示。如果不将它们从虹膜图像中去除，则会被当作虹膜特征的一部分，对虹 膜系统的识别性能产生不利影响。对于虹膜图像中的亮斑，由于大多数情况下其 灰度值和周围像素相比要大很多，容易采用阈值的方法去除。因此本文主要讨论 去除眼睑和眼睫毛遮挡的方法。 本章在简要介绍形态学理论后，分别详细介绍了几种主要的眼睑遮挡检测算 法和眼睫毛遮挡检测算法，然后分别提出了基于灰度形态学的眼睑遮挡检测算法 和眼睫毛遮挡检测算法，最后给出了试验结果并进行了分析。 图3 1 有眼睑和眼睫毛遮挡的虹膜幽像 3 2 形态学理论概述 近年来，形态学图像处理这门特殊的图像处理学科己从法国的枫丹白露数学 形态学研究中心走向了世界，发展成为图像处理的一个主要研究领域。形态学的 基本思想是用一个结构元素去探测一幅图像，看是否能够将这个结构元素很好地 1 4 虹膜图像中噪声检测算法的研究 放在图像内部，同时验证填放结构元素的方法是否有效。这里首先简要介绍二值 形态学的基本运算，然后再推广到灰度形态学。 3 2 1 二值形态学 二值形态学的运算对象是二值图像，其基本运算包括腐蚀、膨胀、开启和闭 合运算等i 抵1 7 1 。二值腐蚀和膨胀是最基本的形态学运算，它们互为对偶运算。腐 蚀具有收缩图像的作用，膨胀具有扩大图像的作用。利用腐蚀和膨胀运算的特点 可以完成一些特殊的图像处理过程。二值开启和闭合运算也互为对偶运算，开启 运算具有磨光图像外边界的作用，闭合运算具有磨光内边界的作用。利用开闭运 算可以消除图像中的噪声。 3 2 2 灰度形态学 灰度形态学是二值形态学的扩展，其基本运算包括膨胀、腐蚀、开启和闭合 运算等【1 6 ，切。与二值形态学中不同的是，这里运算的操作对象不再看作集合而看 作图像函数。设f ( x ，) ，) 是输入图像，b ( x ，) ，) 是结构元素，它本身也是一个子图像， 则灰度形态学的基本运算定义如下： 1 、腐蚀 用结构元素b 对输入图像，进行灰度腐蚀记为：f o b ，其定义为： ( f o b x s ，f ) 一m i n f ( s + z ，t + y ) - b ，y ) i o + 石) ，o + y ) d ，和 ，y ) 见( 3 一1 ) 其中d ，和见分别是f 和6 的定义域。这里限制o + z ) 和o + ) ，) 在f 的定义域之内， 类似于二值腐蚀定义中要求结构元素完全包括在被腐蚀集合中。 下面用i - d 函数简单介绍式( 3 1 ) 的含义和运算操作机理。用1 d 函数时， 式( 3 1 ) 可简化为： ( f o b ) ( s ) = m i n f ( s + x ) - b o ) l q + x ) e d ，瓤见) ( 3 2 ) 如同在相关计算中。对正的s ，f ( s + 力移向右边；对负的s ，f ( s + 算) 移向左边。 要求o + 力在，的定义域内和要求x 的值在b 的定义域内是为了把b 完全包含在， 的平移范围内。 腐蚀的计算是在由结构元素确定的邻域中选取f b 的最小值，所以对灰度图 像的腐蚀操作有两类效果： 1 ) 如果结构元素的值都为正的，则输出图像会比输入图像暗； 2 ) 如果输入图像中亮细节的尺寸比结构元素小，则其影响会被减弱，减弱的程度 第三章虹膜图像中噪卢检测方法的比较 1 5 取决于这些亮细节周围的灰度值和结构元素的形状和幅值。 2 、膨胀 用结构元素b 对输入图像，进行灰度膨胀记为：，0 6 ，其定义为： ( ，0 6 x s ，f ) - m a x f ( s - x , t 一) ，) + 6 似y ) l ( s - x ) , q y ) d ，和o ，y ) e 眈， ( 3 - 3 ) 其中d r 和玩分别是，和b 的定义域。这里限$ 1 1 ( s d 和( f 一) ，) 在，的定义域之内， 类似于二值膨胀定义中要求2 个运算集合至少有1 个( 非零) 元素相交。 为了简单起见，如在讨论腐蚀时一样，下面用1 - d 函数简单介绍式( 3 - 3 ) 的 含义和运算操作机理。用1 d 函数时，式( 3 3 ) 可简化为； ( ，0 6 ) 0 ) 一m a x f ( s - x ) + 6 ) 1 0 - x ) d ，概见 ( 3 4 ) 如同在卷积中，f ( - x ) 是对应x 轴原点的映射。对正的s ，f ( s z ) 移向右边；对 负的，f ( s 一曲移向左边。要求o 一曲在，的定义域内和要求石的值在b 的定义域 内是为了让，和b 相重合。 膨胀的计算是在由结构元素确定的邻域中选取，+ 6 的最大值，所以对灰度图 像的膨胀操作有两类效果： 1 ) 如果结构元素的值都为正的，则输出图像会比输入图像亮； 2 ) 根据输入图像中暗细节的灰度值以及它们的形状相对于结构元素的关系，它们 在膨胀中或被消减或被滤除掉。 3 、开启和闭合 灰度形态学中关于开启和闭合的表达与它们在二值形态学中对应运算是一致 的。用结构元素b 对输入图像，进行灰度开启记为：厂o b ，其定义为： 厂o b 一( f o b ) 0 60 - 5 ) 用结构元素b 对输入图像，进行灰度闭合记为：，b ，其定义为： ，6 - ( ，o b ) o b( 3 - 6 ) 灰度开启运算能够消除原始图像中比结构元素尺寸较小的亮细节，同时相对 地保持整体灰度级和较大的明亮区域不变。因此，利用目标的灰度信息和形状特 征设计适当的开启运算结构元素即可实现目标的有效分割。 3 3 眼睑遮挡检测方法描述 由于较低的信嗓比和灰度对比度，跟睑遮挡检测一直以来都被认为是一个难 点。去除眼睑遮挡的关键是检测眼睑边缘。到目前为止，眼睑边缘的检测方法基 本可分成三大类：d a u g m 姐于2 0 0 4 年提出的一种基于抛物线模型的积分差分法【切； 1 6 虹膜图像中噪声检测算法的研究 w i l d e s 于1 9 9 7 年提出的边缘检测与h o u g h 变换相结合的方法1 1 l ；p a r d a s 于2 0 0 0 年提出的基于最短路径检测的方法【1 s l 。本文将详细描述以上三种算法，并与本文 提出的基于灰度形态学的眼睑遮挡检测算法进行比较。 3 3 1 现有算法介绍 3 3 1 1 基于抛物线模型的积分差分法 在认为眼睑是符合抛物线模型时，抛物线方程如下： ( 一( x - h , ) s i n 6 , + ( y - k , ) e o s s , ) 2 一q ( ( x - h , ) e o s a , + ( ) ，- k i ) s i n s i ) ( 3 7 ) 其中q ( 0 ) 为抛物线的曲率，( 噍，t ) 是抛物线的顶点坐标，只是x 轴与抛物线 主轴的夹角。( f - 州，n ；m ：上眼睑，n ：下眼睑) d a u g m a n 采用基于抛物线积分差分的方法【1 3 1 检测眼睑边缘是按照式( 3 8 ) 实 现，即先沿抛物线c ( 见式( 3 7 ) ) 对灰度进行弧线积分，然后通过g a u s s 函数滤 除微分结果中的奇异点( 即噪声) ，则卷积绝对值最大时对应的 ，t ，q a ，) 即为所 求参数。 哪m ) 丢搿出l ( 3 8 ， 式中，0 ，_ ) ，) 表示一幅图像，r 表示弧线积分算子，其积分曲线为c ，西表示弧上 ： 的一段微元，代表卷积，眈( c ) 为高斯平滑函数，盯是其标准差。我们可以通过 调节盯来调整虹膜图像的模糊程度。( c ) 为积分时抛物线的弧长。 由于d a u g m a n 是在四维空间中搜索求得眼睑边缘位置，因而计算量很大，效 率不高。为此，c u i 等 4 9 1 对该算法做了改进，使得搜索空间从四维降为一维。相比 上眼睑边缘，由于下眼睑边缘灰度对比度非常低，因此上下眼睑采用了不同的检 测方法，具体步骤如下： 一、上眼喻边缘检测 s t e p l ：通过纹理分析同时结合瞳孔位置参数得到眼睫毛区域，从中选取可能 的上眼睑边缘点集： ( 鼍，n ) ，( x 2 ，y ：) ，( h ，y ) s t e p 2 ：先假设虹膜没有旋转，即上眼睑主轴平行与垂直方向，因而可设其对 应的抛物线方程为：y a x 2 + 缸+ c ，则 第三章虹膜图像中噪声检测方法的比较 1 7 卜r 脚 舯 舢e 矧