（计算机软件与理论专业论文）虹膜识别中预处理及识别方法的研究.pdf

中文摘要 中文摘要 人类的虹膜具有唯一性、稳定性、不可改变性和高度的抗欺骗性，因此基于 虹膜的生物识别技术广泛应用于安全控制和电子商务等许多领域。随着虹膜识别 技术的日益进步，人们对识别精度的要求也越来越高。影响虹膜识别精度的主要 因素包括噪声对虹膜区域的遮挡以及特征提取算法。 眼睑噪声和眼睫毛噪声会导致错误的虹膜编码，进而严重影响识别的准确性。 本文提出了使用抛物线模型的非参量概率密度函数来检测眼睑，该算法不需要进 行边缘检测，并且在计算模型的概率密度时不仅考虑了落入模型上的点，同时还 考虑了模型周围的点。此外，本文使用断点连接和区域生长相结合的方法进行眼 睫毛的检测，该算法考虑了眼睫毛的连接特性、边缘特性和方向特性，同时避免 了阈值选择不当引起的负面影响。传统的基于霍夫变换的人眼初定位方法执行效 率很慢，本文提出了基于随机采样一致性的椭圆拟合算法进行人眼初定位，加快 了算法的执行效率。针对传统虹膜识别算法易受图像尺度、旋转和仿射变换影响 的问题，本文使用基于s i f t 的特征匹配算法提取虹膜纹理特征，并在噪声严重的 数据库上得到了很好的识别结果。 关键词：虹膜识别；非参量概率密度函数；随机采样一致性算法；眼睫毛检测； s i f t 。 黑龙江大学硕士学位论文 a b s t r a c t i r i s e so fh u m a nb e i n g sh a v ec h a r a c t e r i s t i c so fu n i q u e n e s s ，s t a b i l i t y , i r r e v e r s i b i l i t y a n da n t i f r a u d u l e n c e ，a n ds oi r i sb a s e db i o m e t r i cr e c o g n i t i o nt e c h n o l o g yh a sw i d e s p r e a d a p p l i c a t i o n si nt h ef i e l d so fs a f e t yc o n t r o la n de l e c t r o n i cc o m m e r c ee t c w i t ha d v a n c eo f i r i sr e c o g n i t i o nt e c h n o l o g y , i r i sr e c o g n i t i o ns y s t e m so fh i g h e rp r e c i s i o na r er e q u i r e d t w op r i m a r yr e a s o n st h a ta f f e c tr e c o g n i t i o nr a t ea r en o i s e st h a to c c l u d et h ei r i sr e g i o n s a n df e a t u r ee x t r a c t i o na l g o r i t h m e y e l i da n de y e l a s hn o i s e sl e a dt oe r r o n e o u si r i se n c o d i n gw h i c hs e v e r e l ya f f e c t a c c u r a c yo fi r i sr e c o g n i t i o n t h et h e s i sp r o p o s e san e wm e t h o dt od e t e c tt h ee y e l i d u s i n gn o n - p a r a m e t r i cd e n s i t yo fp a r a b o l a n ep r o p o s e dm e t h o dh a sn on e e dt od e t e c t e d g e s ，a n dc o n s i d e r sb o t hp o i n t si nt h em o d e la n di nt h e i rn e i g h b o r i n gr e g i o n s i n a d d i t i o n , am e t h o do fb r e a k i n g - p o i n tc o n n e c t i o na n dr e g i o ng r o w i n gi sp r e s e n t e dt o d e t e c tt h ee y e l a s h ，w h i c hc o n s i d e r st h ec o n n e c t i o n - ，e d g e - a n dd i r e c t i o n - c h a r a c t e r i s t i c s ， a n dm e a n w h i l ea v o i d sb a de f f e c t so ft h r e s h o l ds e l e c t i o n t h et r a d i t i o n a lm e t h o d sb a s e d o nh o u g ht r a n s f o r mt ol o c a t ec o a r s e l yh u m a ne y e sa r ec o m p u t a t i o n a l l ye x p e n s i v e ，a n d s oan o v e le l l i p s ef i t t i n gm e t h o db a s e do nr a n s a ci sp r o p o s e dt h a ti se f f i c i e n t t o a d d r e s st h ep r o b l e mt h a tt r a d i t i o n a li r i sr e c o g n i t i o na l g o r i t h mi ss u s c e p t i b l et ot h e t r a n s f o r m a t i o no fs c a l e ，r o t a t i o na n da f f i n e ，an e wf e a t u r em a t c h i n gm e t h o db a s e do n s i f ti su s e dt oe x t r a c tt h et e x t u a lf e a t u r e so fi r i sw h i c hg e t sb e t t e rr e s u l ti nv e r yn o i s y d a t a b a s e k e y w o r d s ： i r i s r e c o g n i t i o n ；n o n - p a r a m e t r i cd e n s i t y ；r a n s a ca l g o r i t h m ；e y e l a s h d e t e c t i o n ；s i f t n - 独创忭声明 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研 究成果。据我所知，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，也不包含为获得墨蕉婆态堂或其他教育机构的 学位或证书而使用过的材料。 靴做储獬：钏 辩醐：触衅伽伊 学位论文版权使用授权书 本人完全了解墨蕉堑太堂有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本 人授权墨蕉江太堂可以将学位论文的全部或部分内容编入有关数据库进行检索， 可以采用影印、缩印或其他复制手段保存、汇编本学位论文。 学位论文作者签名：露砀 ， 签字日期：泸f o 年月h 日 学位论文作者毕业后去向： 工作单位： 通讯地址： 导师签名：季 签字日期：口。年月肛日 电话： 邮编： 第1 章绪论 1 1 引言 第1 章绪论 2 1 世纪是信息技术、网络技术同步发展的时代，也是人类摆脱传统技术束缚、 自主创新的时代。生物认证技术作为二十世纪末期才开始蓬勃发展的高新技术， 必将在社会生活中占据越来越重要的位置，从根本上改变人类的生活方式。虹膜、 指纹、d n a 这些人体本身的生物特征，将逐步取代现有的密码、钥匙以及各种身 份证件，最大限度的保证个人资料的安全，防止各种类型的犯罪活动。虹膜识别 技术由于其在采集、精确度等方面占据独特的优势，必然会成为未来社会的主流 生物认证技术。未来的安全控制、海关机场的安全检查、电子商务等多种领域的 应用，也必然会以虹膜识别技术为重点。这种趋势，现在已经在全球各地的各种 应用中逐渐开始显现出来。 1 1 1 虹膜的生理结构 虹膜是位于瞳孔周围的彩色环状组织，约占整个人眼区域的6 5 ，具有最丰 富的纹理信息，光线通过它进入人眼内部。虹膜总体上呈现一种由里到外的放射 状结构，由相当复杂的纤维组织构成，包含有很多相互交错的类似于斑点、细丝、 冠状、条纹、隐窝等细节特征，是人体中最独特的结构之一。这些特征在出生之 前就以随机组合的方式确定下来了，一旦形成终生不变。虹膜的大小由扩张肌和 括约肌来控制，用以调节进入瞳孔光线的数量。因此，当外界光线发生变化时， 虹膜的大小也会随之改变。虹膜的颜色由少儿期间虹膜内部色素的增长数量来决 定，绝大多数人一生中，虹膜的外观都会相对保持不变。图1 1 即为人眼及虹膜 图像。 人体虹膜组织的唯一性和稳定性最高、不可改变性和抗欺骗性最强，是最为 理想的身份识别依据。其唯一性是由信息组合的复杂性决定的，同卵双胞胎的虹 黑龙江大学硕士学位论文 膜纹理信息不同同一个人左右眼的虹膜纹理也不相同。其稳定性极高，虹膜纹 理在胎儿7 个月时就已经形成，出生仁1 8 个月后终身保持不变，不随年龄、职 业、生活方式的变化而变化不会被污染，不会磨损，不因疾病而改变其纹理结 构。不能人工仿造或手末仿造他人虹膜组织，使用克隆技术也不能复制。虹膜不 留印迹，不会因痕迹残留导致他人非法获取特征信号。 “鼍 ” ： t n ：。 图1 1 人眼及虹膜图像 f i g l - l i m a g e so f e y e a n d i r i s 1 12 虹膜识别技术的优越性 生物识别技术多种多样，要用生物特征取代传统认证技术，必然面临一个问 题就是用哪种生物识别技术来代替传统认证技术。在众多生物识别技术中，虹膜 识别技术易操作、精度高、最有市场前景。国家组织、行业组织、学术团体组织 多次进行比较、测试并经过市场竞争和用户考验，一致认为对不同生物识别技 术，应从准确性、抗欺骗性和实用性三方面进行分析比较。 准确性是生物识g u 技术的关键性能。受英国政府委托，英国国家物理实验室 ( n p l ) 测试比较了视网膜、虹膜、指纹、掌纹、面部、声音、手书动力学等七种 技术。报告认为：虹膜、视网膜准确度最高，面部“是最不准确的”，指纹要提高 准确性须采集十个手指的指纹。此外，日本自动识别专题研讨会( a 1 m ) 给出了 不同技术的错误接受率，虹膜识别技术比指纹准确1 2 0 0 倍，比面部准确1 2 0 0 0 倍， 繁舔 第1 章绪论 i i i i i ii i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i 比声音准确4 0 0 0 0 倍。a i m 认为，准确度最低的是声音识别【。 对于抗欺骗性能，n p l 认为，虹膜、视网膜最强，指纹、掌纹容易伪造，签 名可以模仿，声音可以用录音代替，面部是“最容易被欺骗的。例如：指纹每次 使用时都会留下印痕，很容易被他人获取，用以制造假指纹。 从实用性角度分析，视网膜在眼底，取像困难，发展前景不乐观；声音需要 高保真度的麦克风；面部、掌纹需要高精度摄像机；手书需要专用写字板，不能 使用计算机上的已有配置；指纹取像容易，但属于接触式采集( 均来源于) l ) 。 接触式采集的弊端是易污染设备，影响准确性。此外，对指纹识别来说，还有体 力劳动纹理磨损、老年人手指干涩影响使用等问题。而虹膜识别的可采集性很强， 由于虹膜具有可见外形，可从一定的距离处采集信号，不需用户接触设备，可在 无光照情况下进行采集，方便快捷，精确可信。 1 1 3 虹膜识别技术的一些应用 虹膜识别身份认证技术以其高安全性、高精确度、非侵犯性、方便快捷等显 著特点广泛应用于各种需要严格身份认证的场合。如：计算机登录的身份认证； 重要区域的门禁和通道控制；银行、证券、保险、社会福利机构等行业的身份认 证；社会安全：包括全民证照系统( 身份证、护照、签证、暂住证、驾驶证等) 、 机场海关安全检查、刑侦罪犯查缉过滤、法律上罪犯认定等；i n t e r a c t 身份认证： 电子交易、网上银行、网上证券交易、电子政务、电子商务等的身份认证1 2 1 。 例如，世界许多国家的机场在出入境管理、限制进入以及简化旅客通行手续 的程序中已经采用了虹膜识别技术，旅客的虹膜就是通行证；对于在线交易，为 了对交易进行尽可能的保护，双方身份准确的认证是很重要的，直接把交易和权 威身份认证机构连接，防止了身份冒用，增加了个人身份验证的可靠性，同时大大 降低了风险；虹膜识别技术可以增加电脑和网络的安全性，只要识别授权用户， 并把授权用户的数据储存，共享处理，而不是很容易存储或获得的密码，网络用 户只要简单的看一下摄像头，就可以登陆已经被授权进入的网站。 另外，虹膜识别也可以用于时间以及考勤系统。人事管理越来越复杂，员工 募龙江大学硕士学位论文 隐私权，员工信息的安全，以及组织对于员工个人信息的保护义务这些问题也越 来越引起员工和企业的重视。在员工上下班时，只需要看一下虹膜识别摄像机， 而不像卡片或者p i n 识别码那样可以转借，因此虹膜识别系统所记录的时间完全 可靠。图1 2 所示为虹膜识别应用的5 个实例。 盥蓟月。熏 图1 - 2 虹膜识别应用实例 f i 9 1 - 2 a p p l i c a t i o n s o f i r i sr e a o g m f l o n 12 国内外研究现状 自2 0 0 1 年的生物学出版物和生物学专利的出现起。虹膜生物学的研究才开始 蓬勃发展起来。早在1 0 0 多年以前，就有人提出过将虹膜作为一种生物学研究对 象的想法。直到近期。这种想法才被重视起来井用于识别j 。1 9 8 7 年，眼科专家 s a n r 和f l o r a 首次提出利用虹膜图像进行自动虹膜识别的概念”j 由于他们对限制 条件要求过高，他们要求头部的位置以及通过改变光照迫使瞳孔达到预定义的大 小，这是很难达到的，因此他们并没有开发出一个实际的应用系统。到1 9 9 2 年， 第1 章绪论 u 美国洛斯阿拉莫斯国家实验室的j o h n s o n 发表了一份关于虹膜生物学行为的可靠 性调查报告，并历时1 5 个月采集了6 5 0 个人的虹膜图像，实现了一个自动虹膜识 别系统【5 】，这是有文献记载的第一个虹膜识别应用系统。 虹膜生物学早期贡献最大的要数剑桥大学的d a u g m a n 。d a u g r n a n 在其1 9 9 4 年 的专利【6 】及早期出版物同中都描述了可操作的虹膜识别系统。虹膜生物学作为一个 研究领域发展到今天，d a u g m a n 的算法可以说已经成为了一个很好的标准参考模 型。同时，由于f l o m 和s a f i r 的专利与d a u g m a n 的专利由同一个公司掌控，因此， 现有的商业虹膜生物技术都是基于d a u g m a n 的工作的。d a u g m a n 在其2 0 0 4 年的 论文中指出图像获取应当使用近红外光照【引。因此，光照可以控制，还避免了人的 介入。同时，由于黑色素吸收大部分可见光并反射出更多长波长的光，因此近红 外光照还有助于将过暗虹膜的细节结构显示的更清晰。d a u g m a n 算法构建的虹膜 识别系统要求采集对象将他们的眼睛定位在摄像机的视野内，该系统使用l e d 点 光源结合标准摄像机来获取虹膜图像，通过对图像中心能量和其二维傅立叶频谱 带宽最大值的评估来实时检测图像的焦点，以便调整对象在镜头前的合适位置。 在定位虹膜内外轮廓时，d a u g m a n 首先计算模型的微积分算子的值，然后找其最 大值所对应的模型将其确定为虹膜边缘。识别阶段，d a u g m a n 通过计算两个虹膜 图像编码的海明距离来度量两幅图像是否匹配。i f l 前许多研究人员的研究工作都 是在此算法基础上完成的。 w i l d e s 亦是虹膜识别领域的领先人物，他所使用的虹膜识别技术与d a u g m a n 不同。1 9 9 6 年，w i l d e s 研制成功了基于虹膜的身份认证系统【9 】。该系统使用散播 光源和偏光，并结合弱光相机来获取虹膜图像。在对虹膜内外轮廓定位时，w i l d e s 首先使用边缘检测算法检测出图像的边缘点，进而使用圆的霍夫变换来拟合虹膜 内外轮廓。这种算法的效率比较低，但对噪声干扰不敏感，比较稳定。对于识别 算法，w i l d e s 应用多尺度高斯拉普拉斯滤波器产生模板，并计算两幅图像的互相 关性作为相似性量度。他的这种方法利用了数据驱动技术，更好的考虑了两个实 例间的几何形变，但增加了计算量。 b o w y e r 等人对虹膜识别的现状及发展趋势进行了总纠1 0 1 。国内虹膜识别技术 黑龙江丈学硕士学位论文 的研究工作由些高校和研究所开展，其中中科院自动化所谭铁牛所带领的课题 组的研究成果在国内处于领先地位。 虹膜识别技术主要包括虹膜图像预处理和识别两个阶段，图1 3 给出了虹膜 识别技术的主要步骤。其中虹膜图像预处理主要包括：分割出虹膜内外边缘和去 除眼睑、眼睫毛、高亮点等噪声两个部分。各种分割技术已经比较完善，主要是 毗d a u g m a n 的积分微分算子法和w i t d e s 的边缘检测与霍夫变换相结合法为基础， 在此基础上进行的各种改进和优化算法。文献【1 1 - 1 3 】都是对经典算法的改进。此 外，h e 等人提出了一种基于v i o l a 和j o n e s 样式的层叠式分类器i 】”用来检测瞳孔区 域，然后将该区域不断调整到最佳设置来检测虹膜内外边缘【l 目。近几年，虹膜分 割的趋势发展为对倾斜的虹膜图像的检铡。d o r a i r a j 等人首先假定一个初始旋转角 度然后使用d a u g m a u 的积分微分算子进行精确估计，一旦估计出旋转角度，便 使用投影变换将倾斜的图像旋转到正视图”“。2 0 0 7 年，d a u g m a n 在其论文中提出 使用主动轮廓线的方法检测倾斜图像的虹膜边缘【】q 。 一 、一 # m 图i 3 虹膜识别主要步骤 f i 9 1 - 3 m 面盯s t e p s o f i r i sr e r , o g n l t i o n p l o 目前，对去除图像中噪声的研究还比较少，去除眼睑噪声的方法主要有：基 第1 章绪论 于抛物线模型的微积分算子法【8 】、边缘检测与霍夫变换相结合的方法【9 1 、最短路径 方法0 8 0 2 0 0 8 年1 0 月揭晓的虹膜图像分割国际竞赛中，在噪声严重的虹膜图像上， 我们课题组使用微积分算子与一维信号相结合的方法对上眼睑进行检测，并得到 很好的效果，取得了优异的成绩【1 w 。除去眼睫毛噪声的方法主要有：d a u g m a n 提 出的基于直方图的方法1 1 7 】、k o n g 等人提出的将眼睫毛分成可分离眼睫毛和多眼睫 毛两类并分别使用一维g a b o r 滤波器和5 x 5 的核函数进行检测的方法 2 0 , 2 1 1 以及 k a n g 等人提出的基于集中评估的眼睫毛检测算法1 2 2 1 。此外，b a c h o o 等人使用灰度 级共生矩阵模式分析技术对遮挡虹膜区域的眼睫毛进行了检测【2 3 1 。通过使用灰度 级共生矩阵计算了2 1 x 2 1 窗口所覆盖的图像区域的灰度值，并使用模糊的c 均值 算法将窗口覆盖信息进行聚类，一般聚成2 5 类( 皮肤、眼睫毛、巩膜、瞳孔和虹 膜) 。该方法的关键是如何选择合理的窗口大小。 对虹膜识别算法的研究，目前主要有两个重点：提取有效的虹膜纹理信息并 对其进行描述和判定两幅虹膜图像是否匹配的度量函数。 目前的虹膜纹理信息提取算法多是基于d a u g m a n 提出的基于g a b o r 小波变换 的频域处理方法【2 4 - 2 7 。不同的研究者主要采用多种不同的滤波器来提取虹膜图像 的纹理特征。s u n 等人使用高斯滤波器与图像卷积，在展开的模板图像的每个像素 位置产生一个局部方向，他们将这个方向量化到6 个区间并对其编码作为虹膜图 像的特征【2 引。m a 等人在虹膜内部使用一维信号序列的二进制小波变换来产生二进 制虹膜编码1 2 9 1 。l u 等人通过使用高斯拉普拉斯滤波器与图像卷积来寻找图像中的 灰度值低的块，进而根据这些灰度值低的块的缺失和存在构建虹膜编码【3 0 】。c h o u 等人使用l o g ( l a p l a c i a no fg a u s s i a n ) 和d o g ( d i f f e r e n c eo fg a u s s i a n ) 算子确定某 个像素是沟还是脊，依次对图像进行编码【3 。谭铁牛等人提出了基于多通道g a b o r 滤波的虹膜识别算法 2 9 , 3 2 ，3 3 】和使用循环对称滤波器进行虹膜识别的算法【3 4 1 。l e e 使 用二维g a b o r 小波对图像进行描述【3 5 】。苑玮琦等人提出了基于结构特征的虹膜识 别算法 3 6 】。m i y a z a w a 等人使用了基于相位信息的虹膜匹配方法，首先计算虹膜图 像的二维离散傅立叶变换并在频域取出有效低频信息后，逆变换到空间域，然后 通过寻找两幅虹膜图像的互相关函数的峰值来进行匹配1 3 丌。d o n a l d 等人利用离散 黑龙江大学硕学位论文 余弦变换提取虹膜纹理特征并进行匹配，他们将虹膜图像划分成多个相互重叠的 旋转角度为4 5 度的矩形块，并计算这些块的离散余弦变换系数，进而计算相邻块 的系数差值，最后根据差值的零穿越特性进行虹膜编码d s 。为了提高匹配速度， 他们只保留了三个最主要的具有识别性的系数，其他系数都被抛弃了。郝伟勇提 出了一种基于特征点的虹膜识别算法1 3 9 】。w a n g 等人使用c a n n y 变换提取虹膜特征 并使用小波概率的神经网络作为虹膜生物统计的分类器进行虹膜识别 4 0 】。 m a r t i n r o c h e 等人使用二阶小波变换零穿越方法进行虹膜识别i 4 。此外，文献 【4 2 4 q 使用小波包代替标准的小波变换进行纹理特征提取。t h o r n t o n 等人给出了 不同滤波器的详细比较，他们选取每类小波的单一带通滤波器对虹膜图像进行滤 波，最后得出g a b o r 滤波器的e e r 最小并且性能最好1 4 5 1 。针对产生非线性形变虹 膜的匹配，t h o r n t o n 等人通过寻找两幅虹膜图像间形变参数的最大后验概率来估 计两幅图像是否匹配 蛔。t i s s e 等人通过计算原始图像与原始图像的希尔伯特变换 结果相加求和得到的解析图像来进行纹理分析【4 7 1 。j a n g 等人使用d a u b e c h i e s 小波 变换将图像划分成多个子带，计算每个子带区域灰度直方图的均值、方差、标准 差和能量作为特征向量1 4 引。 判断两幅图像是否匹配的度量函数主要有：支持向量机、最近邻方法、海明 距离和欧式距离。s o n 等人使用3 种不同的统计方法提取虹膜纹理特征，并使用支 持向量机和最近邻方法进行匹配，实验结果表明，使用二维d a u b e c h i e s 小波变换 提取纹理特征并用d l d a ( d i r e c t l i n e a rd i s c r i m i n a n ta n a l y s i s ) 构建特征向量，最后 结合支持向量机匹配性能最佳【例。2 0 0 9 年，h o l l i n g s w o r t h 等人对部分特征编码的 有效性闯题提出了质疑，他们认为并不是所有的特征编码都能代表虹膜的唯一性， 因此，他们提出了一种脆弱点距离矩阵，用该矩阵度量两幅图像虹膜码中脆弱点 的一致性，进而在计算海明距离时将这些脆弱点排除1 5 0 1 。实验结果表明，使用脆 弱点距离矩阵和海明距离相结合的度量方法比单一使用海明距离度量两幅图像是 否匹配更有效。 第1 章绪论 1 3 本文研究的内容 近年来虹膜识别技术飞速发展，已经取得了卓越的成就，但随之而来的是对 识别精度的要求越来越高，而目前的虹膜分割方法已经趋于成熟，分割结果几乎 可以达到1 0 0 的准确率。这样就只有依靠更准确地去除遮挡虹膜区域的噪声以及 寻找更有效的虹膜识别算法来提高识别精度。针对上述问题，本文对虹膜图像部 分噪声的去除方法和虹膜图像特征提取与识别算法进行了研究，文章结构安排如 下： 第一章绪论。综述了虹膜识别的国内外研究现状，概述了本文工作的目的、 意义和内容； 第二章非参量概率密度函数及眼睑检测。已有的眼睑检测算法主要是以边缘 检测为基础的，因此受到边缘检测结果的制约。为了解决这个问题，本章创新性 地使用非参量概率密度函数理论成功地实现了对眼睑的检测，并在大规模数据库 上得到了理想的效果。本章主要从非参量概率密度函数的定义、理论推导及其在 眼睑噪声检测中的应用三个方面进行介绍。 第三章随机采样一致性算法及虹膜初定位。为了提高虹膜预处理算法的执行 效率，结合随机算法理论，本章创新性地提出了使用基于随机采样一致性的虹膜 初定位和虹膜内外圆分割的方法，并在u b i r i s v l 数据库上进行了实验，实验结 果表明该算法是十分有效的。 第四章眼睫毛检测算法。本章主要针对眼睫毛遮挡对虹膜识别的影响问题， 结合区域生长算法和断点连接理论，同时考虑了眼睫毛的多种特性，创新性地提 出了区域生长于断点连接相结合的眼睫毛检测算法，完美地检测到了遮挡虹膜区 域的眼睫毛。 第五章s i f t 特征匹配算法及虹膜识别主要介绍s i f t 特征提取算法及其在 虹膜识别中的应用。在噪声遮挡严重的虹膜数据库上实验并得到了优于传统虹膜 识别算法的识别结果。 黑龙江大学硕士学位论文 第2 章非参量概率密度函数及眼睑检测 虹膜图像预处理是虹膜识别的关键环节，准确的提取出有效虹膜区域才有可 能得到好的识别结果。虹膜图像预处理主要包含虹膜图像内外轮廓定位和噪声去 除两部分。目前虹膜内外轮廓定位技术已经趋于成熟，但是噪声对虹膜识别率的 影响仍然很大，尤其是眼睑对虹膜区域的遮挡严重影响了虹膜识别码的提取与匹 配。已有的眼睑检测算法主要是基于边缘检测或角点检测的，由于边缘检测过程 中需要确定多处阈值，因此边缘点检测的准确性严重影响了眼睑拟合效果。针对 这种局限性，本章使用了基于非参量概率密度函数的方法进行抛物线拟合来检测 眼睑，这种方法不依赖于边缘点检测的准确程度，而是考虑了图像中所有点的梯 度，按其大小和方向考虑各点贡献的多少，这样就可以有效的避免由边缘检测错 误及边缘检测阈值选取带来的问题。 2 1 现有的眼睑检测算法 2 1 1 边缘检测与霍夫变换相结合的眼睑检测算法 在图像处理领域，边缘检测方法与霍夫变换方法均是最普遍最常用的算法。 边缘检测的基本思想是利用图像相邻像素灰度值的差来检测图像中梯度变化大的 那些像素，进而确定图像中的边缘。常用的边缘检测算法主要有s o b e l 边缘检测、 c a n n y 边缘检测、l a p l a c e 边缘检测等。霍夫变换的基本思想主要是给定曲线模型 及参数范围，搜索模型参数空间并寻找参数最合理的曲线模型。 w i l e s 将这两种方法相结合并应用在眼睑检测中，首先使用边缘检测算法检测 上眼睑的部分边缘点，然后使用抛物线霍夫变换拟合这些边缘点，找到一条能满 足最多边缘点的抛物线，该抛物线即为检测到的上眼睑1 9 。 这种方法的思想比较简单，但执行效率比较慢、并且受到边缘检测参数的制 约，边缘点的个数会影响最终的拟合效果。 第2 苹非参量概率密度函数及眼睑检测 2 1 2 微积分算子与一维信号量相结合的眼睑检测算法 微积分算子最早是d a u g m a n 提出的用于检测虹膜内外轮廓的环量积分算子， 其主要思想是对于给定参数的圆，首先沿着圆周对半径积分，然后沿着半径方向 进行微分，则最大微分值所对应的圆为检测结果。 刘晓敏等人将微积分算子理论应用到抛物线检测中，提出了抛物线模型的微 积分算子，并与一维信号检测方法相结合进行眼睑检测【1 9 1 。该方法实际上是一种 抛物线的边缘检测算法。式( 2 1 ) 所示的微积分算子作为边缘检测算子，该算子计 算整个抛物线弧段上像素平均灰度值的变化。对于给定参数的抛物线，使用微积 分算子计算该条抛物线的积分微分值，遍历抛物线的参数空间后，找到积分微分 值最大的抛物线，该条抛物线即为检测结果。 a r 嘶g t n a xf ( a , ：r , o ，y o ) 吲旷去y ok ，器9 0 如 ( 2 t ) “t 吒，斟o u 。p m ，o ，o 山n ， 式中木卷积操作； q ( c ) 以o r 为标准差的高斯函数； r ( a ，x o ，) 参数为( 口，y o ) 的抛物线； l ( a ，) 参数为( o ，y o ) 的抛物线的长度； a 抛物线的曲率： ( ，) 抛物线的顶点坐标； 1 ( x ，! ，) 点( z ，y ) 的灰度值。 首先在虹膜外圆检测结果基础上，在k 一3 r , x r 2 uk4 - r 2 ，- i - 3 捌 区域，沿着式( 2 2 ) 所定义的一维垂直直线段从图像中提取一维信号并使用高斯函 数进行平滑，进而计算平滑后信号的导数，若其导数大于某个阈值z ，则该信号 点被认为是边缘点。 玑一2 r 可玑4 - r 2 ( 2 - 2 ) 式中 ( t ，玑) 虹膜外轮廓圆心坐标； 黑龙江大学硕士学位论文 r 虹膜外轮廓半径。 进而，在三维空间搜索时，对于每个三元组( o ，x o ，) ，计算满足边缘点到抛物 线的距离小于一个给定阈值互的边缘点毂的个数p ，扛1 ，c 。若p 与札的 比值超过一个阈值互，则认为该三元组可作为有效的候选三元组，使用式( 2 1 ) 计 算它的微积分算子值，否则认为该三元组不合理，舍弃。 最后，找到所有微积分算子值中最大的一个，该三元组所确定的抛物线即为 检测到的上眼睑。 该算法能够准确的检测到眼睑，但前提是需要精确设定多处阈值，使得后续 算法的实现受到了一定的限制。 2 2 非参量概率密度函数眼睑检测算法 首先我们简单介绍一下什么是非参量概率密度函数，然后给出抛物线的非参 量概率密度函数模型，并说明具体参数的设定，最后给出算法流程。 2 2 1 非参量概率密度函数 非参量概率密度函数【5 l 】：在对某一点进行估计的时候将其邻域点也一起考虑， 并且每个邻域点的权重是不同的，其权重函数由一个满足式( 2 3 ) 条件的核函数k 给出 仁k ( z 皿= 1 ( 2 - 3 ) 通常，x 为一个对称的概率密度函数；定义为式( 2 - 4 ) ： 7 = 去喜k ( 争 ( 2 4 ) 式中h 邻域窗口的宽度，也被称作平滑因子或带宽。 一般情况下，核函数可以选取高斯函数。其直观解释如图2 1 所示，我们定 义每一观测点对应一个“凸起”，其值为k ( 半) 。非参量概率密度就是这些 l 十一，r z , t，l 第2 章非参量概率密度函数及眼睑检测 i i “凸起”的总和。概率密度函数k 定义了“凸起”的形状，窗宽h 定义了每个“凸 起”的宽度。 图2 1 非参量概率密度估计 f i g2 - ln o n - p a r a m e t r i cp r o b a b i l i t yd e n s i t yf u n c t i o n 2 2 2 抛物线的非参量概率密度函数模型 给足抛韧线万栏 ( x ) ：y = n 一b ) 2 + c( 2 5 ) 以及图像中数据集合s ，则在该数据集合上对应给定抛物线，( z ) 的非参量概率密度 函数为： 砧咖 c i 驴娄( o 气- o i ) 划守，k ( l 云巩- l ) 似弛) ) 毂( 2 - 6 ) 舯巧学) 卅麟醐； 琏( 争_ 水平方向核函数； 5 4 3 2 l o o ) o o o o x ( f 黑龙江大学硕士学位论文 k ( 马q 直方向核函数； 职 6 ( ，( z ) ) 抛物线方程的狄拉克函到5 2 1 ； 豉数据集合s 中每个数据所占的概率- 若考虑分别对空间变量( z ，! ) 积分，式( 2 6 ) 就可以转换成： 以“6 c = 娄酣o - o , ) 州n d b c ) 识 ( 2 - 7 ) p 。如0 ，6 ，cls ) = k ( 。置( n ，c ) 识 ( 2 7 ) 式中 r ( n ，b ，c ) 空间核函数的r a d o n 变换5 3 1 ，如式( 2 - 8 ) 所示： 玩c ) = 仁仁6 ( 芗一z 一6 ) 2 一c ) k ( z 允- x i - ，_ ( 半) 蛐( 2 - 8 ) 由于职为数据集合s 中每个数据所占的概率。对于人眼图像来说，像素都是均 匀分布的。因此，职2 专。总的说来，核函数一般都是对称函数，因此在实验中 我们选取高斯函数作为核函数，如式( 2 9 ) 、( 2 - l o ) 、( 2 - 11 ) 所示： 阻只1 2 疋单= ( b ，k ) = 压，e 盲 ( 2 - 9 ) 上笪 琏单= ( t ，磋) = 压h e 2嚏(2-m) ( ，一巩) 2 g ( 节= n ( y i ，k ) = 压h 巩e 2 幢( 2 - 10 则空间核函数对应的r a d o n 变换为： 第2 章非参量概率密度函数及眼睑检测 蜘 c ) ：e e e 六等e 等e 斗小州蜘如 ( z 一) 2 = 击e e e 2 e 2 m 扛书d 2 甓e 砌椰咖i d t d x ：忑l 心f ，o o 可( x - z , ) 2 峥叫m 中州扣叱t 卜。忑r e 呓 序掰掣叫q “卜讣十 ( z 一r = 击e e 2 磕 2 瓦j m 一 一 + - 4 。磕+ o - 轨i 出 如 2 2 一i 小i ， ：! 一r 。e 2 嚏e2 甓d x 2 7 r hhj 一一 ( 2 1 2 ) 由于r a d o n 变换的结果包含反常积分，无法得到解析式。因此我们采用数值 方法g a u s s h e r m i t e 法对其进行积分求解。为了使式( 2 12 ) 具有g a u s s - h e r m i t e 的函数形式，我们将式( 2 1 2 ) 做如下恒等变形： 令z=孥，则z=压kz+毛，如=压k出，于是42h j 咖，c ) 2 赢e e 。2 e 嘴矗 式( 2 1 3 ) 中，核函数的频带宽决定了高斯函数所确定的区域的大小，即反映了图像 中某点周围有多少邻域点做出了贡献及贡献的大小。 对于水平带宽和垂直带宽，当无先验条件的情况下，可以采用无监督的 黑龙江大学碘士学位论文 自适应选取方式【5 1 1 。对于图像来说，由于像素间距为i ，所以可以设置： h ，= h 。，= 1 ，v i ( 2 - 1 4 ) 毛巩 。、 7 咖，c 咤e 监型疗 亿哟 对于梯度带宽，我们采用了自适应的可变带宽，根据图像中每一点的梯度 2 南( 2 - 1 6 ) 式中仃先验值，表示图像中噪声分布的标准差m 1 ，可以取0 、2 0 、5 0 等； i iv t0 i 这点的梯度大小。可以通过式( 2 - 1 7 ) h - 算： i iv l i lv j ( 毛，轧) i i = ( t ，矾) + e ( 鼍，轨) ( 2 1 0 式中 ( z ，) 图像j ( z ，y ) 中位于点( t ，轨) 的每个像素i 在水平方向的梯度； ( z ，! ) 图像，( z ，们中位于点( ，矾) 的每个像素i 在垂直方向的梯度5 5 1 。 于是，由式( 2 7 ) 、( 2 9 ) 、( 2 一1 5 ) 可得抛物线，( z ) 的非参量概率密度为： h h 咖旧：万1 备n 面1 e 等e 掣删8 ， 2 2 3 检测算法 如图2 - 2 所示，首先计算图像中每个像素点的水平梯度和垂直梯度，进而计 算出每个像素点的梯度大小i lv 0 和方向色。然后利用上面给出的非参量概率密 茎：茎耋耋苎堑至星! 蝥墨磐 度函数遍取6 ，c ，计算出每次n ，b ，c 取不同值时对应的概率密度。犀后将得到个包 含眼睑抛物线在内的3 d 概率密度函数图像。 图2 - 2 算法流程 f i 9 2 - 2 a l g o r l t h m d “ 首先我们使用机器学习的方法将人限区域从原始圉像中提取出来，这样将 得到一个包含人眼区域的小图像，接下来的工作将在这个小图像上操作。 利用先验结果，即虹膜外圆的圆心坐标( 邓) 和虹膜外圆半径置，我们可以 确定抛物线方程“习：y = a ( x 一6 ) 2 + c 的三个参数q k c 的取值范围。如图各3 所 1 0 0 0 2 5 1d10 3 r 示，实验中，我们取如下范围： 一r 2 蔓6 s 吒+ r 2 。 1 一r sc s 一矗3 图2 - 3 参敢口，以f 取值范围 f i 9 2 - 3 r 柚舻o f 口，b ，c 量垄三奎茎璧圭茎堡丝三 接下柬，计算图像中每个像素点的水平梯度和垂真梯度，进而计算出每个像 素点的梯度大小【v ，| | 和方向e 。 鬻丽辩 ：；詈= 譬鼋，；盘譬窭窖雩 塑孵笺霪麟 曲原始图像b ) 跟子图像 图2 4 上眼险检铡结果 f i g2 4 r e 跏l to f d e t e e t e d , t - e y d i d 曲候选抛物线与 最终检测结果 然后利用上面给出的非参量概率密度函数遍取n ，b ，c ，计算出每次n ，b ，c 取不同 值时对应的概率密度。由于图像受到严重的噪声影响，检测到的抛物线不止一条， 如：对应眼睑的抛物线，对应双眼皮的抛物线，对应眼睫毛的抛物线等。因此， 我们取峰值最大的4 条抛物线，其中包含了最大的3 d 概率密度函数值。由于眼睦 边界像素灰度值变换比较明显，固此我们统计每条抛物线上各点在垂直方向邻域 内的灰度值的差的累加和并从候选的4 条抛物线中选出条累加和最大的抛物 线作为最终检测结果。图2 - 4 给出了算法的一个实例，其中黑色血线为峰值最大 的4 条抛物线，白色曲线为最终检测结果。 2 - 3 实验 该算法使用c + + 语言在18 g h z 、】m e 】p e n t i u m4 c p u 、2 g 内存的p c 机上实现， 未傲任何代码优化。该算法主要与c a n n y 边缘检测结台霍夫变换算法作比较其 第2 章非参量概率密度函数及眼睑检测 效果有明显改进。 2 3 1 数据库及真值标定 我们使用的是u b i r j s v 2 虹膜数据库5 6 1 ，该数据库一共包含5 0 0 幅含有不同 程度噪声的2 3 6 个人的左右眼虹膜图像。其中闭眼睛的图像和旋转眼睛的图像一 共有2 8 幅，我们的实验是在剩余的4 7 2 幅图像上完成的。每幅图像的大小为 4 0 0 x 3 0 0 像素。 上眼睑的真值采用手工标定，比较真值与检测结果时，使用的是r 范数5 7 】距 离来衡量。计算公式如式( 2 19 ) ： 驯l y l , i - - y o , i 忙( 去c ( 训2 嘶 ( 2 - 1 9 ) 式中 乳；第f 幅图像的真值函数； 第f 幅图像的检测函数。 积分区间k ，】由真值标定区域确定。4 7 2 幅图像的总体平均误差通过式( 2 2 0 ) 得到： 。豆2 专到轨厂虬，io (2-20) 式中图像总个数。 2 3 2 结果比较 我们的算法与改进的霍夫变换进行了比较。改进霍夫变换与传统霍夫变换的 区别在于，前者通过统计4 条候选抛物线上各点在垂直方向邻域内的灰度值的差 的累加和，并从候选的4 条抛物线中选出一条累加和最大的抛物线作为最终检测 结果。我们选择s o b e l 算子作为边缘检测算子，当s o b e l 边缘检测选取边缘点的百 分比取不同值时，得到的平均误差与我们的方法得到的误差比较结果如表2 1 所 示。同时，图2 5 给出了两组上眼睑检测比较结果，第一组的五幅图像为边缘点 黑龙江大学硕士学位论文 取4 0 时改进霍夫变换检测到的上眼睑与真值和本文所提出算法的比较结果，第 二组的五幅图像为边缘点取1 时三者的比较结果；圈中，1 号抛物线为真值，2 号抛物线为非参量概率密度函数算法检测结果，3 号抛物线为改进的霍夫变换检测 到的结果。 表2 - i 上眼睛定位误差 t a b l e2 - it h e o f u p p e rc y e l i d l o c a t i o n s o b e l 边缘检铡 方法 平均误差( 像素) 选取的边缘点百分比 非参量概率密度函数 18 1 3 2 00 3 s o b e l 边缘检铡+ 霍夫变换 2 04 2 97 1 繁丽? 嘲霞 聚器嘲藩 固2 - 5 上碾疃检测结果 f i 9 2 - 5 r e s u l t s o f u p p e r e y e l