（模式识别与智能系统专业论文）虹膜图像的预处理.pdf

叶z 文摘要 摘要 作为一种新兴起的生物特征识别技术，虹膜识别正以其高训靠性和：| 卜侵 犯性而柏+ 科研和丁业领域受到了越来越广泛的重视。预处理足对原始输入的 虹膜h 像序列进行各种处理，直伞在清晰图像中找到特征提取博域的图像处 理步骤，是虹膜说别能够毅得实际应用的重要保障。主要包托：1 纠像质匿评 价，虹儿奠定位与日皮检测，活体虫t 膜的检测，虹膜图像的归一一化，图像配准 和增强方法。在预处理的再个环节q j ，有两个步骤最为重要，是目前虹膜陶 像预处理研究的热点年难点，亦为本文研究重点：虹膜图像的定位和虹膜图 像的归一化。快速准确的虹膜定位方法能够人大提高整个识别系统的速俊嗣i 精度；能够反映眼睛生理运动特征的虹膜图像归化方法对系统识别率的提 高将会有比较火的帮助。本文取得的主要研究成果概括如1 、： 1 针对传统r a n s a c 方法对大数据量观测集效率较低的不足之处，从随 机样本集的选择方法和候选模型的确定步骤两个力面改进了该贸 法。使得改进后的r a n s a c 方法对大数据量的拟合问题更有效率。l 发 迸r a n s a c 方法是一种通用的数据拟合算法，有着r 。泛的应用前景。 2 将改进的r a n s a c 方法应用于虹膜定位和虹膜图像眼皮检洲。实验证 j j j j ，只要应用先验知识，有效地选择进行拟合的数据予集，咳疗泌 能够在不影响定位精度的前提下，大大提高虹膜定位和日h 皮榆洲的 谜度。 3 实现了几种目前应用比较广泛的虹膜定位算法，并比较了这些钾凇 的定位速度和精度以及刘i = f j 别率的影响。本文还比较了这儿种定 位算法定位精度受定位速度影响的情况，并分析了各f - 1 的适用范削。 4 雨：参考人量的关于眼睛结构和生理运动的跃学义献的耩础r ，提 了基于虹膜运动生理特性的非线性归一化方法，并与传统的线性剐 分段线性归一化力法进行了比较。实验表明，该方法比传统力法更 能反映虫t 膜拉伸和压缩的生理特征，对提取出的虹麒特征在特孤，t 删的聚类能力也有一定的提，藩。 天键：虹膜识j j | j t 预处理，蚵膜定位，眼皮榆洲，二i i - 线性归化 v 英文摘要 a b s t r a c t a sa n e w l ye m e r g i n g b i o m e t r i c t e c h n o l o g y ，i r i sr e c o g n i t i o n h a sb e e n r e c e i v i n g n 2 0 r ea n dm o r ei n t e r e s t s i r i s i m a g ep r e - p r o c e s s i n go c c u p i e sav e r y i m p o r t a n t s t a t u si ni r i s r e c o g n i t i o ns y s t e m s i r i s l o c a l i z a t i o na n di r i s i m a g c n o r m a l i z a t i o na r et h et w om o s ti m p o r t a n tp r o b l e m si ni r i si m a g ep r e p r o c e s s i n g f a s ti r i sl o c a l i z a t i o n a l g o r i t h m c a n s i g n i f i c a n t l y e n h a n c et h e s p e e d o fi r i s r e c o g n i t i o ns y s t e m s ；p h y s i o l o g yb a s e d i r i s i m a g e n o r m a l i z a t i o nm e t h o dw i l l h i g h l yi m p r o v et h er e c o g n i t i o nr a t e s u c ht w oi s s u e sa r ed i s c u s s e di nd e t a i li n t h i st h e s i s t h em a i nc o n t r i b u t i o n so f t h i st h e s i sl i ei nt h ef o l l o w i n ga s p e c t s ： 1w ei m p r o v e dt h et r a d i t i o n a l r a n s a c ( r a n d o ms a m p l ec o n s e n s u s ) m e t h o di nt w oa s p e c t s ：t h ec h o i c eo ft h er a n d o ms a m p l es e ta n dt h e s e l e c t i o no ft h ec a n d i d a t em o d e l t h ei m p r o v e dr a n s a c a l g o r i t h mi s m o r ee f f i c i e n tw i t h g r e a t d a t av o l u m e t h e p r o p o s e d m e t h o di sa u n i v e r s a lp a r a m e t e re s t i m a t i o na l g o r i t h ma n dh a sw i d ea p p l i c a t i o n s 2w ea p p l i e dt h e i m p r o v e d r a n s a ci ni r i sl o c a l i z a t i o na n d e y e l i d d e t e c t i o n e x p e r i m e n t a lr e s u l t sh a v es h o w n t h a ti tc o u l dg r e a t l yd e c r e a s e t h ec o m p u t a t i o n a lc o s tw i t h o u tr e d u c i n gt h ea c c u r a c y ， 3 w ei m p l e m e n t e ds e v e r a lc o m m o n l yu s e di r i sl o c a l i z a t i o nm e t h o d sa n d m a d ea c o m p a r i s o n i nt e r m so fe f f i c i e n c y ，a c c u r a c ya n di n f l u c n c co t l l _ e c o g n i t i o n r a t eo fa n a l g o r i t h m m o r e o v e r ，t h e t r a d e o f fb e t w e e n e f f i c i e n c ya n da c c u r a c yf o re a c hs p e c i f i cm e t h o dw a si n v e s t i g a t e d 4a p h y s i o l o g yb a s e di r i si m a g en o r m a l i z a t i o na l g o r i t h mw a sp r o p o s e da n d c o m p a r e dw i t hs o m ec o n v e n t i o n a lm e t h o d s e x p e r i m e n t si n d i c a t e d t i l e p r o p o s e dm e t h o dc o u l dd e s c r i b et h e i r i sm o t i o nm o l e r e a s o n a b l y a n d h e l pt oi m p r o v et h er e c o g n i t i o nr a t e k e yw o r d s ：i r i sr e c o g n i t i o n ，p r e p r o c e s s i n g ，i r i sl o c a l i z a t i o n 、e y e l i dd e t e c t i m l n o n l i n e a rn o r m a l i z a t i o n v 独创性声明 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的地方外，论文中不包含其他人已经发 表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确地说明并表示了谢意。 孙一筮撵谬日期：趔j 7 t ， 关于论文使用授权的说明 本人完全了解中国科学院自动化研究所有关保留、使用学位论文的规定，即：中 国科学院自动化研究所有权保留送交论文的复印件，允许论文被查阅和借阅；可以公 布论文的全部或部分内容可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 虢一进翮鲐碍毳中日肌勉姐二竺一 第一章绍论 1 1 虹膜简介 第一章绪论 身份咎别是一个永恒的课题。随着信息l h 代的来临，由十交通、通讯干 网络技术的发展，人类的活动范围越来越大，准确和自动的身份鉴别有了越 来越氍望的社会意义和经济意义。与此同时，人们对身份鉴别准确性，实时 性和力便性的要求也越来越高。 传统的身份鉴别方法主要有两种：一种是基于标识物品的( 如证件，钥 匙) ；另外一种是基于特定知识的( 如密码) 。这两种方法都有明显的缺陷：身 份证可能丢失，也司能被伪造：密玛可能忘记，也可能被礤解。近午来， 种基于人类本身所具有的生理和行为的统计特征的身份豁别手段 ( b i o m e t r ic s ) 以其方便性和可靠性而受到越来越广泛的关注【1 ，2 ，3 】。这些f r 物特征般包括：脸像，红外温谱，虹膜，视网膜，指纹，掌纹，卢纹，步 态，签名等 1 1 1 】。他们普遍具有唯一性，稳定性和方便性，因此是学术界 和企、l k 界研究和应用的热点。 在所有的基于生物特征的识别方法中，基于虹膜的身份鉴别以其高可靠 性，稳定性器l 非侵犯性而占有特殊的地位 2 3 】。根据英国国家物理实验室诅 2 0 0 1 年公布的最新生物特征性能测试报告，在所有的生物统训特征中，虹股 被认为是一种最可靠和最稳定的特征 1 2 ，13 。 矧1 一】是眼睛的解剖图 2 4 。虹膜是瞳孔周用有颇包的土j 、状带，位干旭 膜和品! 扶体之问。睫状肌的收缩和j ：r 张引起虹膜的扩张和收编决定瞳孔的人 小，从而调节进入眼睛的光线。由于角膜的保拶一作用，虹膜不容易受到伤害。， 义l _ 】f 角膜是透明的，虹膜外部可见，因此= i j 以对虹膜进行非接触式的拍b 3 2 ，3 3 ，4 l ，4 6 1 。 竖壁里堡竺堡竺! 一一 图l 一1 眼睛解剖图【2 4 】 例1 2 是两幅在近红外光下拍摄的虹膜图像。图中黑色圆形区域为瞳孔， 眼睛左右两侧白色区域为巩膜，在髓孔和巩膜之问的环状部分即为虹膜。蛔： 膜是由纤维和胶状物质构成的一个多层环状组织，包含有非常丰富和绌微的 纹理。对于一只特定的眼睛来说，虹膜的纹理是独特的和稳定的。这种观点 有两个依据：第一个证据来源是医学临床观察 1 6 】。经过对大量眼睛的观察 眼科医生和解剖学家发现虹膜的细微纹理，即使对于同一个人的左右眼来说， 差异也是很人的。! j 1 日进一步蕈复的观察发现，在童年之后，虹膜的纹理7 燕 化非常小。第一个证据来源于发育生物学 1 4 ，18 。科学家们发现，虽然+ 个 虹膜的帑休框架结构取决于基网，但是虹膜的一些细微纹理却和早期的发向 环境有关，例如胚胎时期的内环境。 综l 所述，虹膜具有稳定性和唯性，并且对虹膜图像的采集具有非侵 犯忭，这使得我们可以利用虹膜的纹理作为特征进行身份签别。 2 筇一章绪论 图1 2 虹膜图像样本 1 2 虹膜识别的原理和系统组成 虹膜不但包含非常细微的纹理，还具有不同的颜色 2 6 】。西方人的虹膜 由于黑色素比较少，虹膜组织中的各种脉管、纤维的颜色显现的比较充分。 而中国人的眼睛一般都呈现深褐色。虹膜中的色素细胞很容易随着年龄，身 体状况和环境的改变而发生变化。而对于虹膜的纹理来说，已知能改变虹膜 纹理的疾病主要有两种：虹膜癌和睫状肌炎f 1 0 3 。相比之下，虹艨纹理特征 的区分性和稳定性都好于虹膜颜色特征，因此我们一般只利用虹膜的纹理信 息来区分不同的个体，采集的虹膜图像也为灰度图像。 一般虹膜识别系统的结构如陲l1 3 所示。首先利用特定的虹膜采集装霞 蔓是取一个序列的虹膜图像。然厉刘所获取的图像进行质量评价，看其是夼哒 到识别的标准，并选择序列中最优的一幅进行识别。在选择的图像中将虹膜 和眼皮的何置精确的定位出来。如果需要，还可以在定位后检测所拍到的蚶 膜图像是不足活体虹膜。南于虹膜的收缩和扩张引起了虹膜纹理的改变，这 对虹膜算法的识别率有一定的影响。特别是在实际应用中，获取虹膜图像州 光照条件的差异很人，所以定位后的虹膜图像应当进行有效的归一化和增强! ， 进而提高识别算法的鲁棒性。咀 二并步( 从虹膜图像的质量评价到虫t 膜图像 增强) 称为虹膜图像的预处理。虹膜图像经过预处理，将外界环境对虻l l i j 2 细 微特征的影响降到最小，我们可以采用一定的算法将这些细微特征转化为刈 应的特征m 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臻 别。 图1 3 虹膜识别系统 1 3 虹膜识别的发展历史 早在1 9 世纪，在法国巴黎的监狱里就开始利用虹膜来区分不同的犯人 【2 2 ，但当时主要足靠人眼来观察不同虹膜之间颜色和显著纹理形状的区别。 1 9 9 1 年j o h n s o n 实现了有文献记载的最早的一个自动虹膜识别系统 2 5 。 1 9 9 3j r - - 剑桥人学的d a u g m a n 实现了一个高性能的虹膜识别系统，其核心彭 别 算法破日j j u 人多数虹膜识别系统j 、泛采用 4 1 。1 9 9 6 年w ii d e s 也研制成功 了一套璀川旺膜的身份鉴别系统 4 s 】。2 0 0 0 年中科院自动化所成功开发l 了 具自我同1 1 j 知识产权的虹膜识别系统 3 6 3 8 。 虹膜识别算法直接决定了虹膜识别系统的性能，是整个系统中最关键的 部分。根拆 c , a b o r 小波县有与人类简单视觉细胞相似的视觉特眺 6 5 7 1 ，8 3 ，8 4 ，d a u g m a n 卜1 9 9 3 年采用6 a b o r 小波滤波的方法编码虹膜的 棚位特征【4 1 4 4 】，利i _ j 归一化的h a m m i n g 距离实现特征匹配。此方法是当前 u 别h ：能最好的方法，许多虹膜识别系统采用的都是d a u g m a n 的核心识别算 法。基j im a i | a t 的信号过零点描述重建理论【8 7 8 8 】，b o le s ；f1 9 9 8 年提出 r ，r 过零点捕述的虹膜识别方法 4 7 】。他采用一维小波对沿虹膜巾心同心 4 鲍一章绍沦 圆的一条采样曲线进行过零点描述，通过两个臼定义的相似度函数完成r 基 1 二这种信 描述的分类。近年来，许多学者提出了基于纹理分析的虹膜识圳 方法 4 5 ，5 4 5 7 。w ii d e st - 1 9 9 6 年采用拉普拉斯金字塔的多分辨率技术 7 3 ，7 4 ，在不同八度f 计算给定两个虹膜图像的归一化相关系数，从而实现 了自动虹膜识别，j 小质上是一种图像匹配方法，缺点足训货复杂m 岛，j i 能在认证模式( 一对的匹配模式) 下工作。t a n 于2 0 0 2 年提出了采用多通道 审问滤波器提取不同虹膜区域在不同频率下的纹理信息的力法 5 6 。 级观虹膜识别发展的历史，自动虹膜身份鉴别系统的研究土要集q i 在特 征提取方而。在虹膜图像的预处理领域投入的精力不多。与此同时，虹脱幽 像的预处理也越来越成为限制整个虹膜识别系统的瓶颈。 1 4 预处理的研究意义和范围 在自动虹膜身份餐别系统中，幅虹膜图像从被采集进计算机到转化成 归化后的标准矧像进行特征提取需要经过一系列预处理的步骤。苗先， 耍判断采集进来的一序列虹膜图像是否符合要求，并将其中质麓最好的图像 选择出来，进行识别或放入数据库。由于一幅虹膜图像中不仅包含虹膜，还 包含眼睛的其它部分，比如瞳孔、巩膜、眼皮、睫毛等等，凶此，我俐必须 将虹膜的位置精确的定位出来，又由于眼皮的存在往往遮盖住虹膜的部分有 效k 域，眼皮检洲也成为预处理的个非常重要的环节。同传统的安全防范 方法( 如密码等) 一样，虹膜陶像也有被伪造和窃取的危险，所以，就实| ；，j 、庸 用丽言，活体虹膜检测是一个褶当重要的方面。不同a 的虹镞大小不一椅， 即使足同个人的虹膜在不同的时间和环境下，大小也会发生变化。这1 i 要是南于瞳孔随光照的变化所造成的。由于瞳孔的缩放两 黼图像中的m 刚典 纹p i ! 有很人的差别。为了获得更好的识别结果，应当尽量减少这砦形变带来 的影响。虹膜归一化的目的就是将虹膜区域的大小调整到固定的j t 寸。归 化之后的虫t 膜图像仍然对比度比较低，并且由于采集图像f l , jl j 均匀的光照引 起的虹膜蚓像亮度的不均匀分布，会对随后的特征提取和模式匹配产生影响 为了秩墩，蜀列比度幕i 均匀光照的图像，我们必须将归化厉的蚓像进行增慢。 在拍摄虹膜图像的过程中，由于诸朝i 头部不可避免的会轻微勉动、眨眼引起 5 的眼皮移动、眼睛瞳孔随光照变化的缩放特性等原斟，序列虹膜吲像里各帧 j ! 与点之问不一定一一对应。图像配准便是找到两幅图像之间对应点的步骤。 综上所述，如图1 3 所示，虹膜图像的预处理包括虹膜图像的质量评价、 虹膜定位及眼皮检测、活体虹膜检测，虹膜图像的归一化、图像增强和匹配。 随着存：虫l ：膜特征提取算法方面的研究越来越深入，虹膜身份鉴别系统的 ，陀能比以往任何时候都更加依赖于预处理过程的效果。例如，在整个实时虹 h 焚识别系统的所有步骤中，虹膜的定位占据了很大一部分时间，是影向系统 史时性的主要瓶颈。因此，快速、准确的虹膜定位算法对丁二一个虹膜识别系 统来说是非常重要的。又如，瞳孔的半径随着光照、药物、情绪的变化而发 ，i i 着改变，从而对虹膜的纹理产生影响，虹膜的归一化就是要弥补这种影响。 化lh 前的归化方法主要是线性和分段线性归一化，虽然实现起来比较简单， 但它没有反映虹膜运动变化的规律。如果能够建立一种数学模型，这种模型 能够以虹膜的牛理变化为基础，近似地反映虹膜运动变化的规律，从而在归 一化的刊候于以补偿，将会对虹膜系统的识别率的提高有很大帮助。虹膜的 定位和虹膜图像的归一化的深入研究，对于提高虹膜虹膜识别系统的实时，降 平识别率，有着关键的作用，也是本文的研究重点。 1 5 论文内容安排 本文的主要结构如下： 第章给出了虹膜图像预处理的概述。系统介绍了各个步骤的基本圬l 胖、i ：要方法、待解决的问题等。 第“i 学针对传统r a n s a c 方法对大数据量观洲集效率较低的不足之处， 从随机样奉集的选择方法和候选模型的确定步骤两个方面改进了该算法，使 搿l _ 1 5 ( 进后的r a n s a c 方法对大数据量的拟合问题更有效率并且将改进的 r a n s a c 方法应用于虹膜定位和虹膜图像眼皮检测。实验证明，只要应用先验 则u ，有效地选择进行拟台的数据子集，该方法能够在不影响定位精度的情 况卜，人人提高虹膜定位和眼皮检测的速度。 第四章实现了几种目前应用比较广泛的虹膜定位算法，并比较了这些算 6 第章绪论 法的定化速度和精度，以及对识别率的影响。在比较了这儿种定位算法定位 精度受定位速度影响情况的基础上，本文分析了各自的适_ j 范围。 第五章在参考火量的关于眼睛结构和生理运动的医学文献的基础上，提 i 了基于女j ：膜运动，l ! 理特性的非线性归一化方法，并与传统的线性和分段线 性归一化方法进行了比较。实验表【! j _ | ，该方法比传统方法更能反映虹膜拉仲 和压缩的，i ：理特征，刈虹膜特征在特征空间的聚类能力也有定的提高 笫六章总结了本文的丰要工作利贡献。 第二常虹膜图像预处理概述 第二章虹膜图像预处理概述 虹膜图像的预处理是基于虹膜的身份鉴别技术中十分重要的研究方向。 奉章将按照虹膜图像预处理的流程，分小节系统介绍虹膜图像预处理的各个 步骤、基本原理、主要方法以及存在的问题。 2 1虹膜图像获取装置和虹膜数据库 由1 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删于 识别的清晰虹膜图像，所以图像获敬必须采用专用的虹膜采集装置。发计虹 膜采集装戤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，所以要注意凋整红外照 明光源的数量和角度，使虹膜图像亮度均匀，避免出现光源的高毙 反射点出现在虹膜上。 4根据我们的实际观察，黄种人和白种人的虹膜纹理剥不同波k 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庸川剥 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，蜘i 俐 解决杂光的t ：扰足个比较重要的问题。 r 芦期的虹膜获取装置主要足虹膜研究领域里的科研工作者设计的，功能 比较简! ! | 1 ，拍摄距离比较近，对使用者和使用环境要求比较高。近年来，随 着4 旺儿荬识别的r 场商机越来越大，虹膜图像获取技术也得到了快速的发展 2 7 3 1 ，3 4 ，3 5 】。许多技术，包括辅助用广自定位技术，远距离拍摄技术， 。 动拍摄技术等等，开始应用于虹膜图像的获取。目前，美国ir i d ja n 虹膜图像的预处理 t e c h n o io q ie s 公司、日本松下公司、0 k l 公司和韩同l g 公司都在从事虹膜图像 铁取技术矗丽的研究，并且研制出了适_ j 于各利，不吲应用的远距离( 2 0 一5 0 c m ) 一动虹膜蚓像采集装置。如松下公司的a u t h e n t ic a m ，l g 公司研发的 ir is a c c e s s 等。但是，这些装置多数都造价昂贵。2 0 0 0 年，r ic h a r dw ii d e s 博士设训r + 套精密的可在5 1 0 米远的距离内拍摄清晰虹膜图像的装置。除 了必要的硬件设备外，w ii d e s 还使用了超分辨率等算法来增强图像的分辨率。 砹汁! | 1 1 ：膜采集装置，需要从光学成像系统，电子控制单元利支持软件三 个方丽进仃考虑。光学成像系统包括专门设计的光学镜头组、摄像头和主动 光源。f 乜予挎制单元丰要是计算机控制卡，用以控制光学和机械装置、采集 进程和f 乜压，实现系统的“软”调节。支持软件从图像采集 得到序列图像， 并进行质最判断和增强，作为羽系统硬件的补充。图2 1 是虹膜图像获取装胃 原州l 羽， 图2 1 虹膜陶像获耿装置原理图 m 闽际匕还没有公开的虫t 膜图像数据库 4 0 】。为了从事科研的需要， 我们用n l p r 自己设计的图像采集装置建：了n l p r 虹膜图像数据库。n l p r m i ：j j 焚 侔虮膜矧像来自于2 1 3 个不同个体，其中土要的2 0 3 个个体来f _ ) _ j = ；r 巾科院自动 化研究所。我们不断地扩大n l p r 女 2 膜库的规模，目前它由两个部分组成。第 一部分包含米自2 5 个不同个体1 拘5 0 0 个图像序列。其中每个个体提供2 0 个蚓像 序列( 每只h 艮睛1 0 个) 。这5 0 0 个图像序列分两个阶段获淑， 兰d 比闽值小7 = i n o 活体虹膜伪造虹膜 图2 - 4 活体虹膜判别算法流程图 2 5虹膜图像的归一化方法 本节的内容凶为要在第l 章详细描述，所以在此只做略述。 不同人的虹膜图像人小不一样，即使是l 司个人的虹膜，在不同的时问 和环境卜，人小也会发生变化。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人的改变。为了更易于识别和获得更好的识 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。虹膜归一 化的目的就是将虹膜区域的火小调整到固定的尺寸。 目前，大多数虹膜识别系统应用的是线性归一化的方法 4 2 ，5 3 ，5 s 。就 足以一种线性映射的方式将虹膜从环形映射到嘲定尺度的矩形。但由于虹膜 的拉伸和1 ；k 缩实际上是一种非线性过程，利用这种线性映利的方法得到的归 1 8 阉 k 的7 第二章虹膜图像预处珲概述 一化后的虹膜图像还是存在着扭曲 5 6 。一些科研工作着尝试着利用分段线 性归化f 勺方法来弥补这种扭神，但这也是一种主观的归一化方法，缺乏生 卿学方而的基础支撑。 如果能根据虹膜运动的生理基础，提出一个模型模拟虹膜非线性运动的 过程，从而实现虹膜图像的非线性归一化，从而尽可能弥补虹膜拉伸平 1 压缩 所带来的纹理的变化，将会对虹膜系统的识别率的提高产生很大的帮助，尤 其是对0 二瞳孔剧烈变化的虹膜序列而言。在本文第五章，作者提出r 这样的 一种虹腆图像的非线性归一化的方法。 2 6 虹膜图像的配准 在获取虹膜图像的时候，采集者的头部不可避免的存在着各种运动。这 将导致采集到的虹膜图像相对于虹膜中心有一定的旋转。对图像进行归化 后，这种旋转表现为归一化后图像间的水平移动。因此，在对虹膜图像进行 认证和识别的时候，必须对这种水平运动进行弥补。这一步称为虹膜图像的 配准。 目前没有专门的文献介绍虹膜图像的配准算法。应用比较多的配准方法 是一种基于m s e ( m e a ns q u a r ee r r o r ) 的方法【2 5 ，5 5 】。由于采集环境的限制， 获取到的虹膜图像不可能发生较大的旋转，亦即归一化后的两幅虹膜图像不 如能发生较大的相对水平平移。假设其帧问水平方向的位移范围为个g 素，则两帧之间的配准方式有2 n + 1 种可能性。以两帧待配准图像中的一帧为 参考陶像，设为，( x ，y ) ，将另一帧图像分别以2 f + 1 种可能的运动方向进扎 循环的水平平移。设平移后的结果图像为，( 工，y ) ，这里，( 7 ，y7 ) 有2 h + 1 种 呵能。陲。利用公式( 2 4 ) 分别求取每种平移后的，：( z ，y ) 与，( x ，y ) 的均力芹， 最小者为配准后的图像。设图像的尺寸为m n 。 ( i ，( x ，y ) 一，2 ( x ，y 7 ) 1 2 ) 删= 业l 可鬲矿一( 2 - 4 ) ( m + 、 t a r l 1 0 5 提出了碍十基于相位相关的虹膜图像配凇方法。这种方法具有 较低的计算复杂度，并且在配准的过程中能够对虹膜的非线性伸缩运动进f 1 9 ， 虹膜图像的预处理 弥补。这利，方法是一种基于块的图像配准方法。其基本的思想是空域的平移 刈应十颇城的相位的平移，这里做一个简单阐述：假设两帧图像以和s 。之间 存在榍剥平移运动，表示为：s k ( 月，n 2 ) = s ( h l + d ，h 2 + d 2 ) ，其对应的傅立叶 变换为：s ( 兀五) = s k + l ( ：，f z ) e x p j 2 ，( d ，i ，；+ d ：正) 】。计算两帧图像之间的互相 关函数：c k , k * l ( 一，n ：) = s 。( 一，”：) 8 毛+ ，( 一一，一”：) ，并对其进行傅立叶变换： g 。c i ，= 文( ，五) 。，( ，正) 。对互相关函数进行幅值归一化获取其相位 信，白、： 一t c t 】c 一，疋，2 i ；i ； 。；i ；j ； i = e x n 卜j 2 z c d 一+ d ：r ，：， c z s ， 对式( 2 5 ) 进行傅立h 1 反变换： q ( ”i ，n 2 ) = 8 ( n l d l ，n 2 一d 2 )( 2 - 6 ) 找到在相位相关图上脉冲值的最大值，即为所求的相对位移。 在实际的处理中，该方法将当前的虹膜图像分为多个对应的块进行相位 相_ 芙操作，其中块的大小为16 x 1 6 。为了f 确地估计对应图像块之间的相位 互干h 关值，将块的大小扩展为3 2 x 3 2 ，其中心仍然为原来的1 6 x 1 6 图像块的 中心。如果在原来块上进行相位互相关操作，对于一些特别的运动，区i 为重 台区域太小，其相位互相关值可能非常小。而相反，图像块的大小扩充为 3 2 x 3 2 后，因为重合区域的加大，其相关值必定加大，达到较佳值。当然， 如此柬，一个像素就可能出现在多个扩展的图像块中。对于这种情犹，可 以利用余弦窗 j 给哥前面定义的16 x l6 人小的块更多的权重。这个操作可以 提高仙汁运动同量的精度，增加的计算复杂度基本町忽略不计。为了计算图 像中各对j 虹块之问的相位相关，首先剥各块进行3 2 x 3 2 快速傅立叶变换，然 后进行且棚关在相位相关方法中，通过相位相关图估计出整数像素的运动 向量厉，丁以在此基础上进行像素运动估计。利用三次样条插值技术对相 似十荚图进行捅位，韭果插值得到的相关图优于以前得到的整数像素的捆位 棚关斟，则更新运动向量；否则，保持才i 变。从而将配准的精度提高到弧像 豢缎。 2 0 芥= 毒虹膜图像预处理概述 2 7 虹膜图像的增强 虹膜的图像增强分为两种情况。清晰虹膜图像的增强和散焦虹膜图像的 软件聚焦。 对于清晰虹膜图像，如图2 5c a ) 所示，归一化之后仍然有低的对比度， 而i j ，可能由于不均匀的光照条件日j 起虹膜图像亮度的不均匀分布。这些仍然 会对随后的特征提取和模式匹配产生影向。为了获得高耐比度和均匀光照的 图像，首先要通过计算小块虹膜j 爱域的平均亮度来1 卉计归。化虹膜图像的亮 度变化( 如图2 5 ( b ) 所示) ，然后将归一一化的图像减去估计的背景亮度。最 后，对光照矫正的归一化罔像进行直方图增强。这样的处理既弥补了非均匀 的光照条件又提高了图像的对比度。图2 - 5 ( c ) 是清晰虹膜图像增强的结果。 在虹膜识别系统的实际应用时，如果使用者因为各种原因，眼睛偏离了 焦平面，使得采到的图像出现散焦模糊。如果必须对这种图像进行识别的话， 就要应用一些软件聚焦技术。这些技术般是基于超分辨率的方法 1 0 5 】。 图2 5 虫 膜图像增强示意图 ( a ) 归一化的虹膜图像：( b ) 估训的背景亮度；( c ) 增强的虹膜图像。 2 1 虹膜图像的坝处理 2 8 小结 本章概述了虹膜图像的预处理工作的一系列工作，包括虹膜图像的获 取、蚓像的质量评价和选择、虹膜图像的定位和眼皮检测、活体虹膜的检测、 虹膜图像的归一化、以及虹膜图像的配准和增强的方法。对r 每个步骤，作 者分别刚迓了工作的必要性、主要的实现方法、各方法的基本原理和分析、 方法之间的比较以及未来的研究方向。 虹膜图像的预处理有一个系统的了解， 的把握。 希望通过本章的描述，uj 以使读者对 对各个步骤的研究现状有个比较清晰 虹膜罔像的预处理是整个虹膜识别系统中非常重要的一个组成部分，预 处璀结果的好坏直接影响到整个系统的速度和识别率。在整个实时虹膜识别 系统的所铂步骤中，虹膜的定位占据了很大一部分日_ j 间，是影响系统实酬性 的主要瓶颈。因此，快速、准确的虫】：膜定位算法对于一个虹膜识别系统来说 是非常晕婴的。现在的虹膜图像归一化方法主要是线性和分段线性归一化， 虽然实现起来比较简单，但它没有反映虹膜运动变化的规律。如果能够建立 。种数学模型，这种模型能够以虹膜的生理变化为基础，近似地反映虹膜运 动变化的规律，从而在归一化的时候予以补偿，将会对虹膜系统的识别率的 提高有很大帮助。 以i 。两点，虹膜的定位和虹膜的非线性归。化，足虹麒图像的预处理i ：_ _ 作现阶段的热点也是难点。在本义的第三、四章，将提出一种基于改进r a n s a c 的虹膜定位方法和眼皮检测方法，系统阐述现有的主要虹膜定位方法并进行 比较。在本文的第五章，一种基于虹膜运动生理基础的虹膜罔像非线性归 化的乃法将被给出，并通过实验比较其和传统的线性归一化方法，给出其在 挺高系统 t ) j 率l 的优势。 一2 2 第三章基于改进r k n s a c 的虹膜定位力沼 3 1 引言 第三章基于改进r a n s a c 的虹膜定位方法 在虹膜识别系统中，幅采集到的虹膜图像中不仅包含虹膜，还包含时艇 睛的其它部分，比如瞳孔、巩膜、眼皮、睫毛等等。我们在识别之前必须进 行酊膜定位工作。对于有螳虹膜图像，眼皮对虹膜有部分的遮挡，如果恕列 这部分虫t 膜图像进行识别，就有必要将眼皮检测出来，以消除眼皮遮挡对虹 膜图像的影响。 我们可以将虹膜的内外边缘近似认为足两个圆形边缘，但一般这两个圆 并不同心。虹膜定位必须找到内外岗的半径和圆心。拍摄到的虹膜图像的灰 度分布具有一定的规律：1 ) 眼睛中各个部位对红外光线的反刺率是不一样的， 所以从虹膜中心沿放射状方向，梯度在不同区域之间的边界总会出现局部极 大值。2 ) 在虹膜各个部分区域对红外光线的反射率是比较均匀的，所以在返 些区域里虹膜图像的梯度是比较小的。3 ) 靠近中心的部分总是比靠外的部分 暗些。除了某些疾病的影响，一般而言，虹膜灰度值比巩膜灰度值小， 瞳孔灰度值又比虹膜灰度值小。这个规律可以利用在虹膜和瞳孔圆心的选般 t 。w il d e s 提出的梯度最优定位法就利用了这个规律 9 5 1 。 虹膜定位的时间占到r 整个虹膜识别过程的一半以上，是影响整个系 实时性的主要因素。因此，如何迅速年准确的定出虹膜一直是虹膜图像预处 理的 个研究热点和难点 4 8 ，4 9 ，5 0 ，5 8 ，6 0 。d a u g m a n 于1 9 9 3 年提出了一, f , t t 纂于活动嘲模版匹配的方法【4 1 】；w ii d e s 于1 9 9 7 年提出的两步法【4 6 】，r 2 0 0 2 年提出了基于梯度最优的方法 9 5 】。第四章将详细介绍目前几种比较 流的虹膜定位方法并进行比较。本章提出了一种基于改进r a n s a c ( r a n d o m s a m p l ec o n s e n s u s ) 9 2 ，9 3 】方法的虹膜定位算法，此算法从两个方面对传统 的r a n s a c 方法进行了改进： 1 )在随机样本集的选取区域上进行了改进。基于虹膜图像的刈称一陀 的特点，对处理后的虹膜图像中的观测数据集进行分区选取，愆 样不但可以避免选取随机样本点时距离过近而导致的错误模型 参数，而且使随机样本集的选| 权更具伞局忤。 、2 3 虹膜图像的预处理 _ _ _ _ _ _ _ _ - _ _ - _ _ _ _ _ _ _ _ - _ _ _ _ _ _ - _ _ _ _ _ _ _ _ _ _ _ - - - _ 一 2 )增加随机样本集中样奉数量，在确定目标模型前加了一个预验证 的步骤，降低了计算复杂度。 实验证明，基于改进r a n s a c 的虹膜定位算法能够在保持定位精度的前 提下，大夫提高虹膜定位的速度。进而，将这种方法应用在虹膜图像的眼皮 榆测上两，并取得了非常好的效果。 3 。2r a n s a c 方法概述 在科研丁作中。个很重要的问题就是用一些事先定义好的模型来拟合 采集到的一组数据。从概念上分析，这种描述可以分为两个不同的方面：一、 找出和待分析数据匹配最好的一个模型( 分类问题) ；二、找出所选模型的最 佳参数( 参数估计问题) 。在实际应用中，这两个问题并不是互拥独立的，参 数估计问题的解决通常是以分类问题的解决为前提的。 经典的参数估计方法，例如最小乘法，足使模型对所有观测点的评价 函数最小。这砦方法只是一种平均的方法，没有检测和排除严重误差的机制。 它们假设观测数据点与模型之间最大的偏离足观测数据集数量的函数，因此， 无论这个误差有多大，总有足够多的“好”的数据点来平滑这些严重误差。 但在很多实际的参数估计问题中，这个平滑的假设并不成立，有些数据 集确实存存着难以弥补的巨大误差点。为了解决这种问题，一些启发式的方 法被提了出来。其基本思想为：首先利用所有观测数据得到临时模型参数， 然后找h 离临时模型最远的观测数据，认为它是一个严荤误蓐，将其删除， 再利用所剩观测数据确定一个新的临u 寸模型。重复以上进程直到最大误差小 于预定闽值或没有足够的数据进行下左。在严重误差比较少的h , i 候，启发式 方法川“以得到比较好的结果，但当j | ! i l 洲数据集中有比较多的严重误差的时候， 该方法往往不能有效的逼近最优参数。 r a n s a c 方法与以上启发式方法0 i 间，不足用尽可能多的点去获得一个初 始解并在以后消除尤效点，r a n s a c 使用满足j j 行条件的尽量少的初始数据集 ，r 托町能时用一致性数据集去扩人它。 我们以虹膜定位中圆的拟合为例。虹膜阁像经过边缘检测，变成了一个 第三章基于改进r a n s a c 鹊虹膜定位方法 ：值化的蚓像。我们的工作就足用圆的模型去拟合图像巾的边缘点。图像中 所有的边缘点为观测数据集，观测数据集包括两类：在待检洲圆上的点，称 为一致集：不在待检测圆上的点，称为野值( o u t i i e r ) 。我们首先从观测数据 集中随机选出= i 个点( 因为三个点可以确定一个圆) ，称这三个点为随机样本 集，随机样术集的个数与模型参数个数一致。通过随机样木集来计算圆的圆 心和半径，建立一个圆的候选模型。设立一个模型距离闽值，计算所有离此 圆距离小丁模型距离阈值的点，认为这些点在此圆卜，称这些点为此阑的支 集，如果这个圆的支集足够大，r a n s a c 就认为这个圆就是我们要拟合的圆。 称此圆为目标模型，目标模型的支集就是一致集。这时候就可以利用“警优 化方法在。致集中来改进这个圆的参数。 r 而比较系统地叙述r a n s a c 算法： 1 ) 样本空间中有x 个点( 观测数据集) ，模型中有，7 个参数，所以随机 样本集中也需要有疗个点。 2 ) 山随机样本集义s ，s ，) ，得到候选模型尸( p ，b ，只) 。 3 ) 由p 及其模型距离阈值厶检测在此模型上的点，得到候选模型p 的 支集：觎胛个) 。 4 ) 检测：是否胁阂值无 否，重新选打个点，继续以上进程。 是，则得到目标模型尸。 5 ) 进步，可以一致集村中对日标模型的参数p 进行优化，得到优化厉 的模型尸 6 ) 侮随机选点一次，设计数器c o u n t + 1 ，重复k 次没有找到模型参数， r 1 ，i i ：。 酗3 1 是r a n s a c 算法的流程图。 虽然r a n s a c 算法可以很大程度上消除较多数量的严重误差的影响，我 们还足l _ j _ 以看到它的些不足之处：1 ) 每次随机挑选一个随机样本集，都要 寻找其对应候选模型参数的支集。列于存在较多误差的观测数据集，：恪会有 很多的旧间浪费在寻找埘应的支集点上。2 ) 选取随机样本集刚，存在着两个 2 5 虹膜阁像的预处理 选点距离过近而被认为屉。个点，从而求得错误模型p 的问题。 为了觯决这掰个问题，我们改进了r a n s a c 算法的结构并将其应用在虹 1 】! ；的定位i l 】眼皮检测上，取得了较好的效果。 图3 1r a n s a c 算法的流程图 3 3 改进的r a n s a c 方法 为j 7 屯服e 柑提到的两个缺点，我们从两个方面改进了r a n s a c 算法。 1 ) ( 【f f 矧3 - 2 所示，我们要用抛物线拟合嘲中的点。灰色抛物线足图 一2 6 ， 第三章基于改进r a n s a c 的虫l 膜定位方泣 2 ) 巾实际存在的模型，也是我们要找的。随机样本j 皇只，只和b 部 在这条灰色抛物线e 。但足由于只和b 距离过近而被认为是一个 点，则随机样本集决定的抛物线为白色抛物线。从而漏掉待检测 模型。为了避免上述情况的发生，我们对随机样本集的选择方法 做了改变：如采随机样本集包含个元素，我们萏先要将观测数 据集均匀地分成n 个子集，在每个子集里随机的挑选一个元索。 这样不但可以避免选取随机样奉点时由于距离过近而被认为是 个点的现象，而且可以使随机样本集的选取更具代表性。 图3 2r a n s a c 方法样本点过近的情况 r a n s a c 方法要求随机样本集中元素的数量，7 和模型参数的数量7 相等。这样，每选择个随机样本集，算法都要求寻找此样本刘 应模型的支集。对于观测数据集规模特别大的拟合过程而言，每 找一次支集都要将所有观测数据点检测一遍，运算量是很大的。 改进的r a n s a c 方法让选择的随机样本集的数量比模型参数的数 量多1 个，为肿 。先利用这n + 1 个样本中的刀个确定模型的参 数，找到临时模型。然后榆测第n + 1 个样本是不是在临时模型l ， 如果不是，重新选择个随机样本集( 卅1 个样本) i 如果是，删 此临时模型为候选模型，算法寻找此候选模型的支集。如果支粜