基于Gabor與瑞利分布型濾波器的虹膜識(shí)別法

（廣東肇慶學(xué)院教育技術(shù)與計(jì)算機(jī)中心，廣東 肇慶 526061）

隨著我們邁入信息時(shí)代，信息安全成為當(dāng)今必須解決的一個(gè)關(guān)鍵社會(huì)問(wèn)題，特別是隨著近些年恐怖事件的不斷發(fā)生，社會(huì)各界對(duì)安全性的要求也越來(lái)越高，因而對(duì)生物特征識(shí)別技術(shù)的需求量也越來(lái)越大。據(jù)統(tǒng)計(jì)[1]，到目前為止，虹膜識(shí)別的錯(cuò)誤率是各種生物特征(指紋，人臉，聲音等)識(shí)別中最低的。由于人的虹膜具有唯一性、穩(wěn)定性、可采集性、非侵犯性等優(yōu)點(diǎn)，所以被認(rèn)為是最有前途的生物識(shí)別技術(shù)之一。虹膜識(shí)別是剛剛興起的前沿方向，目前虹膜識(shí)別算法主要有以下幾種：

Daugman[2]提出利用2D-Gabor濾波器對(duì)虹膜紋理進(jìn)行局部相位量化和編碼，這種算法識(shí)別準(zhǔn)確性高，速度快，是目前虹膜識(shí)別商用系統(tǒng)的基礎(chǔ)。但這種算法需要處理紋理的二維信息，增加了特征提取的運(yùn)算時(shí)間。Wildes[3]采用高斯型濾波器在不同分辨率下分解虹膜圖象，并把結(jié)果進(jìn)行存儲(chǔ)比較，計(jì)算量比較大。Boles[4]提出了一種新穎的基于小波變換過(guò)零檢測(cè)的虹膜識(shí)別算法，只在小樣本集里取得了有限的結(jié)果。這種算法對(duì)灰度值變化比較敏感，因而識(shí)別率比較低。

本文提出一種基于Gabor與瑞利分布型濾波器的虹膜識(shí)別算法。實(shí)驗(yàn)結(jié)果表明，該算法識(shí)別錯(cuò)誤率低，效率高，適合安全性要求較高的場(chǎng)合。

1 虹膜圖象的預(yù)處理

一個(gè)虹膜識(shí)別系統(tǒng)通常有虹膜圖象的預(yù)處理(圖象獲取，虹膜定位，歸一化)，特征提取，認(rèn)證識(shí)別3部分組成。虹膜識(shí)別系統(tǒng)示意圖如圖1所示。

圖1 虹膜識(shí)別系統(tǒng)示意圖

1.1 虹膜定位

虹膜定位就是要找到瞳孔與虹膜，虹膜與鞏膜之間的兩個(gè)邊界即內(nèi)邊界和外邊界，通常我們把這兩條邊界近似為兩個(gè)圓，只要知道圓心和半徑，那么就可以唯一地確定一個(gè)圓，也就是說(shuō)：虹膜定位就是在人眼圖像中確定兩對(duì)圓心和半徑。

首先,根據(jù)人眼圖像的灰度特點(diǎn)(虹膜區(qū)域灰度值較小)，采用灰度投影的方法大致確定瞳孔的圓心c(Xc，Yc)，計(jì)算公式如下：

式中，I（x，y）為圖像的灰度值。

再對(duì)圖像采用Canny算子[5]進(jìn)行邊緣檢測(cè)，其敏感度閾值選取為0.9。對(duì)虹膜庫(kù)中圖像進(jìn)行實(shí)驗(yàn)，結(jié)果表明可得到較清晰、完整的瞳孔邊緣圖像。在圓心c附近(避免睫毛和眼瞼的影響)水平地掃描邊緣圖像數(shù)次，得到瞳孔邊緣點(diǎn)，求出它們的中心即為瞳孔的圓心，所有點(diǎn)到中心的平均距離就是瞳孔的半徑r。一般情況下，虹膜內(nèi)外邊界的圓心并不重合，但其偏差不到4個(gè)像素，故本文把瞳孔的圓心近似認(rèn)為是虹膜外邊界的圓心對(duì)最終定位結(jié)果影響不大。采用Daugman的圓形檢測(cè)算子[2]，直接以一個(gè)參數(shù)r進(jìn)行搜索，計(jì)算如式（2）：

式中，R就是虹膜外邊界的半徑，虹膜定位后的最終結(jié)果如圖2（c）所示。

圖2 虹膜定位

1.2 歸一化

不同人眼圖像定位出的虹膜區(qū)域大小不同，即使是同一人，由于光照和其它因素的影響也可能造成虹膜區(qū)域的大小變化，為了便于識(shí)別必須將虹膜按同樣的維數(shù)展開(kāi)。因?yàn)楹缒D像具有良好的極坐標(biāo)特性，故本文采用極坐標(biāo)轉(zhuǎn)換方法。沿虹膜內(nèi)邊界向外，取n個(gè)同心圓，n對(duì)所有的虹膜都保持不變。在每個(gè)同心圓上取m個(gè)采樣點(diǎn)，這樣得到一個(gè)n×m的矩陣n，m是常數(shù)，在所有的圖像中保持不變，這樣就做到虹膜區(qū)域的歸一化，原理如圖3所示。

圖3 虹膜歸一化

由于上眼皮會(huì)部分地遮擋虹膜頂端，為了排除這一部分，以瞳孔為中心，按逆時(shí)針?lè)较蚪厝?50°到 210°與 330°到 390°的虹膜區(qū)域，如圖 4（a）。然后將截取的虹膜區(qū)域在極坐標(biāo)系中展開(kāi)成大小為40×256矩形，如圖 4（b）所示。

圖4 虹膜展開(kāi)

2 特征提取

目前已有的虹膜識(shí)別算法大多用Gabor小波變換來(lái)提取虹膜特征[5~6]，但考慮到盡量簡(jiǎn)化編碼過(guò)程，縮短編碼時(shí)間，本文選用所有已知小波中最簡(jiǎn)單的Haar小波。如圖5所示是虹膜圖像的Haar小波分解示意圖，L表示低頻，H表示高頻，下標(biāo)1，2表示一級(jí)或二級(jí)分解。LL代表了圖像在水平低頻和垂直低頻下的信息；LH代表了圖像在水平低頻和垂直高頻下的信息；HL代表了圖像在水平高頻和垂直低頻下的信息；HH代表了圖像在水平高頻和垂直高頻下的信息。

圖5 虹膜特征提取

通過(guò)大量樣本實(shí)驗(yàn)，確定虹膜紋理特征分量主要集中在尺度23上，故對(duì)歸一化的虹膜紋理圖像(40×256)進(jìn)行三層小波分解，選取第三層的對(duì)角細(xì)節(jié)HH3(5×32)進(jìn)行虹膜特征編碼(相當(dāng)于160個(gè)特征)。

再將40×256的虹膜紋理圖像分成8段 (每段40×32)，分別對(duì)其進(jìn)行3層小波分解，取其中大小為5×4的HL和LH子圖各4幅，它們很好地體現(xiàn)了虹膜的局部紋理特征。結(jié)合前面的5×32HH3分量，一同組成320位(5×32+8×5×4=320)特征碼。它既考慮了全局特征又考慮了局部特征，并且結(jié)合了HL和LH分量，能夠很好地標(biāo)示虹膜紋理。320維虹膜特征碼的所有元素都是區(qū)間[-1，1]上的實(shí)數(shù)，取0為閾值將其二值化(0或1)為320位虹膜碼。

3 認(rèn)證識(shí)別

通過(guò)Haar算法我們得到了虹膜的特征編碼，接下來(lái)的工作便是選擇合適的分類算法對(duì)編碼進(jìn)行訓(xùn)練分類。目前，在虹膜識(shí)別算法中普遍采用基于海明距離和歐氏距離的分類方法。本文將運(yùn)用支持向量機(jī)(Support Vector Machine,SVM)方法完成對(duì)虹膜碼的訓(xùn)練分類。SVM是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的兩分類方法，由于其良好的性能，已被廣泛應(yīng)用到模式識(shí)別的許多領(lǐng)域。

3.1 支持向量機(jī)

支持向量機(jī)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化(StructuralRiskMinimization，SRM)[7]原理的通用學(xué)習(xí)方法.。如圖6所示，實(shí)心點(diǎn)和空心點(diǎn)代表線性可分的兩類樣本。按照SRM的要求，SVM學(xué)習(xí)的結(jié)果是最優(yōu)超平面P，該平面不僅能將兩類訓(xùn)練樣本正確分開(kāi)，而且要使分類間隔最大。在這兩類中離P最近的樣本就是所謂的支持向量(Support Vector)，正是它們確定了最優(yōu)分類超平面。

圖6虹膜最優(yōu)超平面

假定訓(xùn)練集｛xi，yi｝，i=1，…，lyiε｛-1，1｝，xiεRπ在線性可分情況下被一個(gè)超平面ω×x+b=0，ωεRπ，bεR，分開(kāi)，這樣SVM可以看成是對(duì)如下問(wèn)題的求解：

該約束優(yōu)化問(wèn)題可以用Lagrange方法求解：

3.2 訓(xùn)練分類

SVM的訓(xùn)練算法本質(zhì)上就是解一個(gè)有大量約束的二次規(guī)劃問(wèn)題，訓(xùn)練結(jié)束后就獲得了SVM的參數(shù)?？紤]到目前對(duì)虹膜識(shí)別的應(yīng)用主要是借鑒模式，即判斷聲稱是xi的x是否為真。輸入x的類別判別函數(shù)就是式中的f（x），如果f（x）=1，則認(rèn)為是同一人的虹膜；如果f（x）=-1，則認(rèn)為不是同一個(gè)人。

4 結(jié)束語(yǔ)

本文采用CASIA虹膜圖像數(shù)據(jù)庫(kù)[8]，包括80人(其中男62人，女18人)，108只不同眼睛的虹膜圖像樣本，每只眼睛有7幅8位灰度圖像，分辨率為320×280。

身份鑒別系統(tǒng)有兩個(gè)重要的統(tǒng)計(jì)性能指標(biāo)：錯(cuò)誤拒絕率FRR（漏報(bào)）和錯(cuò)誤接受率FAR(虛警)。錯(cuò)誤接受是指將冒充者識(shí)別為真正的生物特征擁有者；錯(cuò)誤拒絕是指生物特征擁有者被系統(tǒng)拒絕。

本文選取徑向基函數(shù)(RBF)作為SVM的核函數(shù)，在其它條件相同的情況下，分別比較了SVM與海明距離，歐氏距離的識(shí)別效果如圖7所示，SVM取得了最好的識(shí)別結(jié)果。

圖7 EER基向量數(shù)目分布曲線

由上述實(shí)驗(yàn)結(jié)果可以看出，本文提出的基于支持向量機(jī)的虹膜識(shí)別方法在識(shí)別率和識(shí)別速度方面都有較明顯地改進(jìn)，它能有效地應(yīng)用于虹膜身份鑒別系統(tǒng)中。

[1]T Mansfield,G Kelly,D Chandler et.Biometric Product Testing Final Report[R].issue 1.0，National Physical Laboratory of UK，2001.

[2]JDaugman.High confidence recognition of person by rapid video analysis of iris texture[C].European Convention on Security and Detection，Brighton，UK:NSPEC，1995.

[3]PWildes.Iris recognition:An emerging biometric technology[C].In Proceeding of the IEEE，1997.

[4]W W Bobles.A human identification technique using image of the irisand wavlet transform[C].IEEETransaction on Signal Processing.1998.

[5]JDaugman.StatisticalRichnessof Visual Phase Information:Update on Recongnizing Person by Iris Patterns[J].International JournalofComputer Vision,2001;45(1):25-38.

[6]Tie-niu Tan.Iris Recongnition Based on Multichannel Gabor Filtering[C].The 5th Asian Conference on Computer Vision，Mellbourne,Australis,2002.

[7]Cortes C,Vapnik V,Support-vector networks[J].Machine Learning,1995（20）:273-297.

[8]Chinese Academy of Sciences-Institute of Automation Database of756 Greyscale Eye Images[EB/OL].http://www.sinobiometries.com.Version 1.0 2003.