改進(jìn)典型相關(guān)分析的虹膜鑒別算法

馮瑩瑩，余世干，劉輝

阜陽(yáng)師范學(xué)院信息工程學(xué)院，安徽阜陽(yáng) 236041

◎圖形圖像處理◎

改進(jìn)典型相關(guān)分析的虹膜鑒別算法

馮瑩瑩，余世干，劉輝

阜陽(yáng)師范學(xué)院信息工程學(xué)院，安徽阜陽(yáng) 236041

針對(duì)典型相關(guān)分析（CCA）無(wú)法準(zhǔn)確刻畫(huà)虹膜圖像的局部遮擋變化缺陷，提出一種改進(jìn)典型相關(guān)分析相融合（ICCA）的虹膜識(shí)別方法。以全局和局部特征間的相關(guān)性特征作為有效的判別信息，通過(guò)劃分子模，并以簡(jiǎn)單投票進(jìn)行結(jié)果矯正，提高方法的穩(wěn)定性，以CASIA數(shù)據(jù)集驗(yàn)證ICCA的有效性。結(jié)果表明，ICCA的識(shí)別率明顯優(yōu)于參比方法。

典型相關(guān)分析；特征融合；虹膜識(shí)別；子模型；小樣本問(wèn)題

虹膜識(shí)別是一種模式識(shí)別問(wèn)題，主要包括特征提取和分類設(shè)計(jì)兩個(gè)關(guān)鍵步驟，能否提取到有效的特征對(duì)虹膜識(shí)別的結(jié)果具有決定性的影響，因此對(duì)于虹膜識(shí)別而言，抽取有效的虹膜特征成為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究課題[1]。

虹膜特征提取包括單模（unimodal）和多模（multimodal recognition）兩類方法[2]。單模虹膜特征提取方法主要有分量分析（Principal Component Analysis，PCA）、線性判別分析（Linear Discriminant Analysis，LDA）、獨(dú)立分量分析（Independent Componen Analysis，ICA）及其改進(jìn)等多種方法[3-5]，單模特征提取方法僅能獲得一組目標(biāo)的一組特征值，僅考慮全局特征，因此存在模型單一、信息利用率低等缺陷，導(dǎo)致虹膜識(shí)別率低。多?？梢詮囊唤M樣本中提取多組特征，成為當(dāng)前虹膜特征主要提取方法，典型相關(guān)分析（Canonical Correlation Analysis，CCA）作為一種經(jīng)典的多模特征提取方法，通過(guò)研究?jī)山M變量之間的相關(guān)關(guān)系來(lái)進(jìn)行特征提取，在模式識(shí)別領(lǐng)域應(yīng)用廣泛[6-7]。但在虹膜識(shí)別問(wèn)題為代表的高維、小樣本問(wèn)題的應(yīng)用過(guò)程，CCA存在如下不足：（1）虹膜識(shí)別的小樣本特性使CCA兩組特征矢量構(gòu)成的總體協(xié)方差矩陣奇異，難以直接應(yīng)用；（2）作為一種全局線性投影（或特征提?。┓椒?，不足以很好地描述非線性的虹膜識(shí)別問(wèn)題；（3）僅考慮了全局特征，缺乏對(duì)局部變化的識(shí)別魯棒性，在處理虹膜圖像遮擋、光線變化明暗變化時(shí)，易丟失了局部圖像變化信息，識(shí)別效果不理想。近年來(lái)，隨著模式識(shí)別中子模式方法興起，為解決CCA在虹膜識(shí)別過(guò)程面臨的難題提供了新的思想與方法。

為了提高虹膜識(shí)別率，綜合子模式和CCA算法優(yōu)點(diǎn)，提出一種改進(jìn)典型相關(guān)分析的虹膜識(shí)別方法（Imporved Canonical Correlation Analysis，ICCA）。ICCA將局部與全局特征矢量之間的相關(guān)性特征作為有效的判別信息，既達(dá)到了融合局部與全局信息的目的，又消除了特征之間的信息冗余；通過(guò)子模式的劃分，ICCA避免了小樣本問(wèn)題，更好地描述了非線性的虹膜識(shí)別問(wèn)題；并通過(guò)投票方式融合結(jié)果，增強(qiáng)了對(duì)局部變化的魯棒性，最后通過(guò)采用CASIA Ver1.0和Ver2.0虹膜數(shù)據(jù)集驗(yàn)證其有效性。

1 基于ICCA的虹膜識(shí)別算法

1.1 基于ICCA的虹膜系統(tǒng)工作流程

ICCA的虹膜識(shí)別過(guò)程為：首先對(duì)虹膜圖像進(jìn)行定位，眼瞼、睫毛檢測(cè)和歸一化的預(yù)處理，然后將初始模式以矩陣分割法分解成為N個(gè)小的子集，提取其子集的圖像局部特征；采用PCA提取整幅圖像全局特征，并采用CCA對(duì)局部特征和全局特征進(jìn)行融合，最后以N個(gè)子模型的識(shí)別結(jié)果進(jìn)行投票決策，確定測(cè)試樣本的最終歸屬。

ICCA通過(guò)CCA對(duì)全局和局部特征進(jìn)行融合，不僅考慮了樣本的全局信息，而且考慮了局部變化信息，并消除了多個(gè)特征之間的冗余信息；另外將樣本劃分為N個(gè)子集，以所有的子集識(shí)別結(jié)果對(duì)樣本的最終歸屬進(jìn)行校正，有效降低了每個(gè)子集對(duì)樣本的全局性影響，使得睫毛、眼瞼遮擋、光線明暗等局部變化被控制在個(gè)別子集中，每一個(gè)樣本子集在最終判別中僅占1/N的權(quán)重，可較大幅度提高虹膜識(shí)別算法的穩(wěn)定性?；贗CCA的虹膜識(shí)別系統(tǒng)工作流見(jiàn)見(jiàn)圖1。

圖1 基于ICCA的虹膜識(shí)別系統(tǒng)工作流程圖

1.2 虹膜圖像預(yù)處理

1.2.1 虹膜定位

虹膜與瞳孔像素區(qū)別較大，在確定瞳孔中心后，確定其垂直和水平方向的4個(gè)方位點(diǎn)，然后以最小二乘法擬合圓，實(shí)現(xiàn)瞳孔內(nèi)邊緣的粗定位，最后以非二次初始化的變分水平集方法進(jìn)行瞳孔內(nèi)邊緣的精細(xì)定位[8]。虹膜與鞏膜的邊界（虹膜外邊界）并不如內(nèi)邊界一樣明顯，其定位方法也不一樣。首先以多尺度形態(tài)邊緣檢測(cè)確定虹膜的候選外邊界，然后以Hough變換快速確定虹膜外邊緣[9]。

1.2.2 眼瞼、睫毛檢測(cè)

對(duì)虹膜邊緣進(jìn)行定位，并截取包含上下眼瞼的虹膜圖像，以水平Sobel算子對(duì)眼瞼邊緣進(jìn)行粗定位，最后以最小二乘法對(duì)粗定位邊緣進(jìn)行拋物線逼近，確定眼瞼最終邊緣[10]。根據(jù)虹膜內(nèi)邊緣粗定位的結(jié)果，獲得含有睫毛的局部圖像，以規(guī)定的閾值對(duì)該局部圖像二值化，然后取反得到睫毛區(qū)域。

1.2.3 虹膜圖像歸一化

為便于虹膜圖像對(duì)比，本研究將定位后的圓環(huán)狀虹膜圖像以極坐標(biāo)轉(zhuǎn)換全部歸一化為64×512的矩形。極坐標(biāo)轉(zhuǎn)換如下：

1.3 局部特征的提取

假設(shè)以M個(gè)人的N張像素為W1×W2的虹膜圖形組成訓(xùn)練集Train=(x1，x2，…，xN)W1W2。以矩陣分割法將全部圖形不重疊的分割為L(zhǎng)張大小相等的子圖形（此時(shí)每個(gè)子圖形特征維數(shù)k=(W1×W2)/L），為保證以該特征矢量構(gòu)成的總體協(xié)方差矩陣是非奇異矩陣，k要滿足k≤N-M。圖形被分割后開(kāi)始構(gòu)建局部特征子集，用處于原圖形中相同位置各子圖像組成一個(gè)獨(dú)立的特征子集，共得到L個(gè)獨(dú)立的特征子集Train1，Train2，…，TrainL，其構(gòu)建過(guò)程見(jiàn)圖2。

圖2 虹膜識(shí)別特征子集構(gòu)建示意圖

在上述圖形分割中，在滿足k≤N-M的約束條件外，k值大小對(duì)算法的識(shí)別率存在較大影響，k值過(guò)小，子集劃分就會(huì)多，使得算法過(guò)分地注重局部變化，圖形信息被過(guò)度零碎化，最終導(dǎo)致算法識(shí)別率降低；而k值過(guò)大，子集劃分少，使得算法趨向于整體識(shí)別方法，忽略了局部變化，算法識(shí)別率同樣不佳。針對(duì)k值大小的選擇，本研究以訓(xùn)練集識(shí)別率出現(xiàn)拐點(diǎn)為標(biāo)準(zhǔn)，以確定k值的大小。

1.4 全局特征的提取

虹膜識(shí)別領(lǐng)域，傳統(tǒng)特征提取方法主要有PCA、圖像轉(zhuǎn)換、結(jié)構(gòu)紋理等，它們各有特色，在各自的領(lǐng)域中都有廣泛的應(yīng)用。由于PCA計(jì)算復(fù)雜度較低，因此選擇PCA進(jìn)行虹膜全局特征得取，作為CCA融合特征的第二組特征矢量。具體如下：

對(duì)于訓(xùn)練集Train，先以PCA對(duì)其進(jìn)行特征提取，得到投影矩陣WPCA，隨后對(duì)Train中所有的樣本基于WPCA進(jìn)行投影，即可新產(chǎn)生一組低維特征Trainx= (x1，x2，…，xN)k2×N。同樣，為保證該特征矢量構(gòu)成的總體協(xié)方差矩陣也是非奇異性的，在全局特征提取過(guò)程中，其特征維數(shù)k2也應(yīng)該滿足k2≤N-M的約束條件。

1.5 CCA融合特征

在提取局部特征得到L個(gè)Traini特征子集與全局特征Trainx后，每個(gè)局部特征子集都可以與全局特征組成一個(gè)訓(xùn)練集對(duì)（Traini，Trainx），即可以CCA進(jìn)行特征融合，具體融合過(guò)程如下：

式（3）即為廣義特征問(wèn)題，式中∧i為該問(wèn)題前r個(gè)最大的非負(fù)特征形成的一個(gè)對(duì)角矩陣，的列向量即為這些特征值對(duì)應(yīng)的特征向量。將所有局部特征子集Traini(i=1，2，…，L)分別與全局特征Trainx構(gòu)建上述CCA投影矩陣，即得到L個(gè)投影矩陣對(duì)(i=1，2，…，L)，然后以該投影矩陣分別對(duì)其對(duì)應(yīng)的特征子集提取特征。

經(jīng)CCA融合特征后可得兩組特征向量，第一組特征向量為各個(gè)局部的特征，第二組特征為是全局特征，經(jīng)過(guò)CCA投影后，第一組特征的L個(gè)向量中的每一個(gè)向量變?yōu)橐阅硥K的局部特征為主，融合了整體特征；第二組特征的L個(gè)向量中的每一個(gè)向量變?yōu)橐匀痔卣鳛橹?，融合了某塊的局部特征。由于在下面的分類過(guò)程中，還需要通過(guò)投票方式組合L個(gè)子塊的結(jié)果，如果使用第二組特征則會(huì)過(guò)于偏重全局特征，從而喪失了部分子模式方法對(duì)局部變化的魯棒性，因此本研究?jī)H取第一組特征的投影向量作為判別向量。

1.6 虹膜圖像分類與識(shí)別

采用上述相同方式將待識(shí)別虹膜圖像劃分為L(zhǎng)個(gè)子集，然后重構(gòu)得到L個(gè)待測(cè)的特征子向量(t1，t1，…，tL)。兩個(gè)特征子向量yi，ti之間的相似性定義如下：

首先計(jì)算待測(cè)樣本第i個(gè)子樣本與其對(duì)應(yīng)位置的子模式Traini中各特征子向量之間的相似度，并選擇相似性度最大者的類別作為ti類別，并記為Ci，即未知虹膜第i個(gè)子樣本的分類結(jié)果，這樣L個(gè)獨(dú)立的子模式可以得到L個(gè)獨(dú)立的判別結(jié)果。最后以簡(jiǎn)單投票對(duì)該待測(cè)樣本的最終歸屬進(jìn)行矯正。

待測(cè)樣本被識(shí)別為第k類的概率可以定義為：

最后對(duì)待識(shí)別虹膜圖像的識(shí)別結(jié)果為：

2 仿真實(shí)驗(yàn)

2.1 數(shù)據(jù)來(lái)源

為驗(yàn)證ICCA對(duì)于虹膜識(shí)別的有效性，采用CASIA Ver1.0和CASIA Ver2兩個(gè)標(biāo)準(zhǔn)虹膜數(shù)據(jù)集進(jìn)行仿真測(cè)試。CASIA Ver1.0虹膜圖像庫(kù)為8位灰度的280×320虹膜圖像，采集了108只眼睛虹膜圖像，每只眼睛拍攝7幅，共756幅圖像，其采用接觸式設(shè)備拍攝，受光照、睫毛遮擋情況較少，每只眼睛隨機(jī)選擇幅圖像作為獨(dú)立測(cè)試樣本，共產(chǎn)生216個(gè)測(cè)試樣本；CASIA Ver2.0虹膜圖像庫(kù)為8位灰度的480×640虹膜圖像，采集了60只眼睛虹膜圖像，每只眼睛拍攝20幅，共1 200幅圖像，其采用非接觸式設(shè)備拍攝，受光照不均、睫毛遮擋等影響較大，每只眼睛隨機(jī)抽取5幅，共300幅作為獨(dú)立測(cè)試樣本。兩個(gè)數(shù)據(jù)集子集的劃分都以訓(xùn)練集識(shí)別率初次最大為標(biāo)準(zhǔn)，Ver1.0數(shù)據(jù)集了選擇3×6分塊方式，Ver2.0數(shù)據(jù)集上選擇5×10分塊方式。

2.2 結(jié)果與分析

為使ICCA的虹膜識(shí)別結(jié)果具有可比性，構(gòu)建了3個(gè)特征提取算法，分別為：PCA算法（該算法僅以PCA方法直接提取圖像全局特征作為判別特征，不考慮局部特征）；ICCA-G算法（該算法以全部特征為主，且融合一部分局部特征向量作為判別特征）；ALL算法（該算法直接將全局特征和局部特征進(jìn)行混合在一起作為判別特征）。在給定子集大小情況下，各算法識(shí)別率見(jiàn)表1。

表1 各算法識(shí)別率

對(duì)表1的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析可知，相對(duì)于參比算法，在兩個(gè)數(shù)據(jù)集上，ICCA均取得了較高的識(shí)別率，且可以得到如下結(jié)論：

（1）僅以PCA提取的全局特征作為虹膜識(shí)別信息時(shí)，因CASIA Ver1.0數(shù)據(jù)采用接觸式設(shè)備拍攝虹膜圖像，受光照不均、睫毛遮擋等局部變化影響較少，其識(shí)別率達(dá)到了92%；而CASIA Ver2.0數(shù)據(jù)庫(kù)圖像采用非接觸式設(shè)備拍攝，受局部變化影響較大，當(dāng)僅以全局特征建模時(shí)，不能反映局部變化而導(dǎo)致識(shí)別率較低。

（2）ICCA-G算法同樣以全局特征構(gòu)建識(shí)別算法，但通過(guò)CCA融合了部分局部變化信息，對(duì)CASIA Ver1.0數(shù)據(jù)而言，使其較PCA算法識(shí)別率有了一定的提高；而CASIA Ver2.0數(shù)據(jù)識(shí)別率提高了10個(gè)百分點(diǎn)，進(jìn)一步說(shuō)明了局部變化特征有利于提高虹膜的識(shí)別正確率。

（3）ALL算法同時(shí)使用了全局和局部合特征，識(shí)別率較ICCA-G算法有了較大幅度的提高，但還是低于ICCA算法識(shí)別率，這對(duì)比結(jié)果表明，并不是特征越多越好，將全局特征和局部直接進(jìn)行混合，而沒(méi)有采用CCA融合技術(shù)去消除特征間的冗余信息或者噪音信息，會(huì)導(dǎo)致虹膜的識(shí)別率不夠理想。

圖3對(duì)比顯示了本研究子模式矯正方法與全局特征方法在兩個(gè)不同數(shù)據(jù)集上的效果。從圖中可以發(fā)現(xiàn)，融合了局部特征的子模式矯正方法在應(yīng)用于遮擋較嚴(yán)重的CASIA Ver2.0數(shù)據(jù)集中時(shí)，其識(shí)別率相比僅用全局特征識(shí)別率提高了15個(gè)百分點(diǎn)，而CASIA Ver1.0數(shù)據(jù)集變化并不明顯?？梢?jiàn)，通過(guò)子集劃分，將局部變化控制在小范圍內(nèi)，能更好地處理帶遮擋數(shù)據(jù)集。

為了更一步說(shuō)明ICCA的優(yōu)越性，采用Garbor濾波器、Harr小波和離散余弦變換等[11]常用虹膜特征提取算法進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)比結(jié)果如表2所示。從表2可知，相對(duì)于當(dāng)前常用虹膜識(shí)別方法，ICCA的識(shí)別率更高，對(duì)結(jié)果表明表明ICCA是一種識(shí)正確率高、結(jié)果可靠的虹膜特征提取算法。

圖3 兩個(gè)數(shù)據(jù)不同特征的識(shí)別率

表2 ICCA與常見(jiàn)虹膜識(shí)別方法識(shí)別性能對(duì)比

3 結(jié)束語(yǔ)

特征提取是模式識(shí)別的重要組成部分，其有效性關(guān)系到分類識(shí)別算法的選取與識(shí)別正確率，本研究提出了一種基于子模式與CCA的虹膜識(shí)別算法。ICCA不僅能夠有效提取圖像的局部與整體特征，使得其對(duì)睫毛遮擋、光照不均等局部變化有較高的穩(wěn)定性，而且采用子模式劃分解決了傳統(tǒng)CCA無(wú)法處理虹膜識(shí)別等小樣本多特征的問(wèn)題。仿真對(duì)比結(jié)果表明，相對(duì)于其他虹膜識(shí)別算法，ICCA不僅有更優(yōu)的虹膜識(shí)別性能，而且更具有穩(wěn)定性和魯棒性。

[1]孫即祥，王曉華，鐘山，等.模式識(shí)別中的特征提取與計(jì)算機(jī)視覺(jué)不變量[M].北京：國(guó)防工業(yè)出版社，2001.

[2]林金龍，石青云.一種基于結(jié)構(gòu)特征的虹膜識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用，2003，39（13）：83-84.

[3]田啟川，潘泉，程詠梅，等.基于過(guò)零檢測(cè)的虹膜特征提取算法[J].電子與信息學(xué)報(bào)，2006，28（8）.

[4]Sanchez-Avila C，Sanchez-Reillo R，Martin-Roche D.Irisbased biometric recognition using dyadic wavelet transform[J].IEEE Aerospace and Electronic System s Magazine，2002，17（10）：3-6.

[5]Xie M，Shao S.Iris recogniton based on fearure extration in kernel space[C]//Proceeding of International Conference on Communications，Circuits and Systems，Kokura，2007.

[6]Hotelling H.Relations between two sets of variates[J]. Biometrika，1936，28（3）：321-377.

[7]孫權(quán)森，曾生根，楊茂龍，等.基于典型相關(guān)分析的組合特征抽取及臉像鑒別[J].計(jì)算機(jī)研究與發(fā)展，2005，42（4）：614-621.

[8]王斌，高新波.基于水平集接力的圖像自動(dòng)分割方法[J].軟件學(xué)報(bào)，2009，20（5）.

[9]羅忠亮，林土勝.用于身份鑒別的虹膜圖像預(yù)處理方法[J].華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，37（5）：43-48.

[10]Daugman J.How iris recognition works[J].IEEE Trans on Circuits and System for Video Technology，2004，14（1）：21-30.

[11]羅忠亮.虹膜生物特征的提取與識(shí)別[D].廣州：華南理工大學(xué)，2010.

FENG Yingying,YU Shigan,LIU Hui

College of Information Engineering in Fuyang Teachers College,Fuyang,Anhui 236041,China

Canonical Correlation Analysis（CCA）can not better portray the local changes in the iris image,a novel iris recognition method is proposed based on improved CCA algorithm in this paper.Firstly,the correlation between global features and local features are integrated to form the recognition features,the redundant information between the features is eliminated and the global information and local information is integrated effectively at the same time,the performance of ICCA is tested by CASIA datasets.The result show that ICCA’s recognition accuracy is significantly better than the reference model.

Canonical Correlation Analysis（CCA）;fusion features;iris recognition;sub-pattern;small samples size

A

TP391

10.3778/j.issn.1002-8331.1208-0473

FENG Yingying,YU Shigan,LIU Hui.Iris recognition algorithm based on improved canonical correlation analysis.Computer Engineering and Applications,2014,50（16）：146-149.

安徽省高等學(xué)校省級(jí)自然科學(xué)研究項(xiàng)目（No.KJ2012B138，No.KJ2013B206，No.KJ2013B207）；安徽省高等學(xué)校省級(jí)教學(xué)研究項(xiàng)目（No.20101985）。

馮瑩瑩（1982—），女，講師，主要研究領(lǐng)域?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)安全及計(jì)算機(jī)圖形學(xué)；余世干（1982—），男，講師，主要研究領(lǐng)域?yàn)榍度胧较到y(tǒng)開(kāi)發(fā)；劉輝（1979—），男，講師，主要研究領(lǐng)域?yàn)橛?jì)算機(jī)圖像處理。

2012-08-04

2012-10-29

1002-8331（2014）16-0146-04

CNKI網(wǎng)絡(luò)優(yōu)先出版：2012-12-28,http://www.cnki.net/kcms/detail/11.2127.TP.20121228.1007.002.htm l