一種多特征提取及融合的虹膜識(shí)別方法

張 震，劉 博,李 龍

(鄭州大學(xué) 電氣工程學(xué)院，河南 鄭州 450001)

一種多特征提取及融合的虹膜識(shí)別方法

張 震，劉 博,李 龍

(鄭州大學(xué) 電氣工程學(xué)院，河南 鄭州 450001)

經(jīng)典虹膜識(shí)別算法只提取單一的虹膜特征，提出一種采用多種特征提取及融合的虹膜識(shí)別算法．該算法首先對(duì)采集到的虹膜圖像進(jìn)行預(yù)處理，然后分別采用Log-Gabor濾波和Haar小波對(duì)預(yù)處理后圖像進(jìn)行特征提取，并用Hamming距離和加權(quán)歐式距離計(jì)算得到兩個(gè)相似度，通過(guò)支持向量機(jī)(support vector machine，SVM)對(duì)相似度進(jìn)行融合，得到匹配結(jié)果．實(shí)驗(yàn)證明，該算法有效，并能取得較高的識(shí)別率．

虹膜識(shí)別；多特征提取；Log-Gabor濾波；Haar小波；特征融合

0 引言

隨著信息技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，鑰匙、密碼等傳統(tǒng)的身份認(rèn)證方法易遺失、易偽造，已經(jīng)不能滿足現(xiàn)代社會(huì)生活的需要，而有效、可靠的身份認(rèn)證方法是保證信息系統(tǒng)安全的必要前提．基于生物特征識(shí)別的身份認(rèn)證中，虹膜識(shí)別作為重要的生物特征識(shí)別技術(shù)，具有普遍性、唯一性、穩(wěn)定性、非侵犯性等優(yōu)點(diǎn)，已成為近些年來(lái)的熱點(diǎn)研究課題．虹膜識(shí)別原理為對(duì)虹膜采集設(shè)備采集到的虹膜圖像進(jìn)行處理、特征編碼和模式匹配來(lái)實(shí)現(xiàn)身份的識(shí)別認(rèn)證，因此系統(tǒng)可以分為虹膜圖像采集、虹膜圖像預(yù)處理、特征提取及模式匹配4個(gè)過(guò)程．

目前常用的虹膜識(shí)別方法主要由以下幾種經(jīng)典的方法發(fā)展而來(lái)：Daugman[1]首先采用邊緣檢測(cè)和Hough變換的方法定位分割虹膜圖像，并提出了基于二維Gabor濾波虹膜特征提取方法，將濾波結(jié)果的相位信息進(jìn)行編碼，并通過(guò)Hamming距離計(jì)算分類．Wildes等[2]采用微積分算法確定虹膜內(nèi)外邊界，并采用拉普拉斯金字塔算法獲得不同分辨率的虹膜紋理圖像，然后計(jì)算相關(guān)系數(shù)并利用Fisher線性變換進(jìn)行分類．Boles[3]提出了基于小波變換過(guò)零點(diǎn)的算法，檢測(cè)小波變換的過(guò)零點(diǎn)以及相鄰過(guò)零點(diǎn)之間的小波變換積分后的平均值作為虹膜特征，構(gòu)造相似形函數(shù)進(jìn)行匹配．此外還有Lim[4]提出了以Haar小波對(duì)虹膜進(jìn)行濾波分解并二值化編碼，以及基于多尺度Gabor濾波器的虹膜識(shí)別算法，基于灰度共生矩陣虹膜識(shí)別算法，基于尺度不變特征轉(zhuǎn)換的虹膜識(shí)別算法等．

與只提取單一的虹膜特征相比，筆者提出了一種多特征提取及融合的虹膜識(shí)別方法，與文獻(xiàn)[5]在提取階段進(jìn)行特征融合不同，筆者分別采用一維Log-gabor濾波器和二維Haar小波提取虹膜的兩種特征，在匹配階段進(jìn)行特征融合，在通過(guò)使用Hamming距離和加權(quán)歐氏距離與虹膜特征庫(kù)匹配計(jì)算相似度的基礎(chǔ)上，構(gòu)造支持向量SVM，對(duì)計(jì)算得到的兩個(gè)相似度進(jìn)行融合，實(shí)現(xiàn)識(shí)別分類，得出識(shí)別結(jié)果．在匹配階段采用相似度融合的方法，即在提取階段兼顧了虹膜局部特征和全局特征，并且有效地解決了不同算法提取特征的異構(gòu)問(wèn)題，本文算法系統(tǒng)框圖如圖1所示．

圖1 虹膜識(shí)別方法框圖Fig.1 Block diagram of iris recognition method

1 虹膜圖像的采集

虹膜圖像的采集環(huán)境復(fù)雜，高質(zhì)量的虹膜圖像使識(shí)別算法能夠提取到足夠多的虹膜特征，以便在模式匹配階段有較高的識(shí)別率．但是由于虹膜直徑約為11 mm，面積較小，在采集過(guò)程中易受到各種因素的干擾，使采集到的虹膜圖像有光斑、旋轉(zhuǎn)、偏移、睫毛干擾、眼皮遮蓋等現(xiàn)象，影響虹膜特征提取，降低了虹膜的正確識(shí)別率，所以虹膜圖像采集技術(shù)是虹膜識(shí)別關(guān)鍵技術(shù)之一．由于虹膜采集設(shè)備的復(fù)雜性，筆者只對(duì)虹膜識(shí)別算法進(jìn)行研究，采用中科院自動(dòng)化研究所提供的CASIA V1.0虹膜圖像數(shù)據(jù)庫(kù)作為實(shí)驗(yàn)樣本，進(jìn)行虹膜識(shí)別算法的實(shí)驗(yàn)．

2 虹膜圖像預(yù)處理

原始和定位后的虹膜圖像如圖2所示.采集得到的虹膜圖像中不僅僅有虹膜，還包括了眼瞼、睫毛、鞏膜、瞳孔等部分，如圖2(a)所示，因此不能直接用于虹膜圖像的特征提取和模式匹配，需要對(duì)采集到的虹膜圖像進(jìn)行預(yù)處理．虹膜圖像預(yù)處理包括虹膜定位分割、圖像歸一化和圖像增強(qiáng)3個(gè)步驟．

(a)原始虹膜圖像 (b)定位后虹膜圖像圖2 虹膜圖像Fig.2 Iris image

2.1 虹膜圖像的定位分割

虹膜圖像定位分割即通過(guò)定位算法在采集到的虹膜圖像上確定虹膜與瞳孔邊界和虹膜與鞏膜邊界，即虹膜內(nèi)、外邊界的圓心及半徑，根據(jù)得到的定位結(jié)果進(jìn)行圖像分割，如圖2(b)所示．筆者首先確定虹膜內(nèi)邊界，然后確定外邊界，定位分割算法步驟如下．

1)建立采集到的虹膜圖像的灰度直方圖，因?yàn)閳D像中瞳孔像素灰度小于虹膜灰度，虹膜灰度又大于鞏膜灰度，所以，根據(jù)灰度直方圖中灰度的峰谷值計(jì)算閾值，并根據(jù)確定的閾值對(duì)虹膜圖像進(jìn)行二值化操作，如圖3所示．

2)應(yīng)用形態(tài)學(xué)中閉運(yùn)算算法對(duì)二值化的虹膜圖像進(jìn)行處理，如圖4所示，去除睫毛等噪聲[6]．

(a)灰度直方圖 (b)二值化虹膜圖像圖3 二值化的虹膜圖像Fig.3 Binarized iris image

(a) 二值化虹膜圖像 (b)閉運(yùn)算后虹膜圖像圖4 閉運(yùn)算后的虹膜圖像

3)將閉運(yùn)算處理后的虹膜圖像按行和列進(jìn)行像素點(diǎn)灰度累加計(jì)算，峰值即瞳孔內(nèi)一點(diǎn)，通過(guò)Canny邊緣檢測(cè)算法提取邊緣，由已知的瞳孔內(nèi)一點(diǎn)作水平和垂直的兩條直線與虹膜內(nèi)邊緣相交，根據(jù)已確定的4個(gè)邊緣點(diǎn)和圓形的幾何特性[7]求取虹膜內(nèi)邊界和圓心．

4)由確定的內(nèi)邊界在虹膜圖像的邊緣二值化圖像上截取感興趣區(qū)域用于計(jì)算虹膜外邊緣，如圖5(b)所示，以最大可能排除睫毛、眼瞼等干擾，提高虹膜定位算法的效率，采用最小二乘擬合圓算法求取虹膜外邊界及圓心．

(a)邊緣二值化虹膜圖像 (b)感興趣區(qū)域圖像圖5 虹膜邊緣檢測(cè)圖像Fig.5 Iris edge detection image

2.2 圖像歸一化

采用Rubber Sheet模型將分割得到的近似環(huán)形的虹膜圖像由直角坐標(biāo)轉(zhuǎn)換為極坐標(biāo)．

I(x(r,θ),y(r,θ))→I(r,θ).

(1)

如圖6所示，用Rubber sheat模型消除采集虹膜圖像時(shí)的平移、縮放和旋轉(zhuǎn)等干擾，為虹膜圖像的特征提取做準(zhǔn)備，提高編碼效率．

圖6 Rubber Sheet模型Fig.6 The Rubber Sheet model

2.3 圖像增強(qiáng)

由于歸一化后的虹膜圖像對(duì)比度較低，并不利于直接提取特征紋理，因此需要對(duì)歸一化的圖像進(jìn)行處理，增強(qiáng)圖像對(duì)比度，筆者采用直方圖均衡化[8]的方法，如圖7所示，增強(qiáng)虹膜紋理的對(duì)比度．

圖7 直方圖均衡化Fig.7 The histogram equalization schematic

3 虹膜特征提取和匹配

3.1 Log-Gabor濾波和Hamming距離

Field提出的Log-Gabor濾波器[6]：

(2)

式中：f0代表濾波器的中心頻率；β/f0為常數(shù)，保證了濾波器的形狀不改變．Log-Gabor濾波器除了有良好的多通道和多分辨率特性，并且沒有直流分量，是嚴(yán)格的帶通濾波器，在高頻處彌補(bǔ)了Gabor濾波器對(duì)高頻分量表達(dá)不足的缺點(diǎn)．

筆者采用一維Log-Gabor濾波器對(duì)歸一化的虹膜圖像進(jìn)行濾波，將歸一化圖像中的每一行看作一維的信號(hào)，分別于一維Log-Gabor濾波器進(jìn)行卷積，即先將歸一化圖像進(jìn)行傅里葉變換，與一維Log-Gabor濾波器的頻譜表達(dá)式在頻域相乘，然后再將相乘結(jié)果進(jìn)行傅里葉反變換[7]：

h{Re,Im}=sgn{Re,Im}ifft(G(f)·fft(I(n))).

(3)

根據(jù)Daugman等人提出的虹膜識(shí)別算法[1]，對(duì)濾波結(jié)果進(jìn)行相位編碼，得到虹膜紋理二值化編碼，編碼規(guī)則為：

(4)

筆者計(jì)算待識(shí)別虹膜紋理二值化編碼與虹膜特征數(shù)據(jù)庫(kù)中二值化編碼的Hamming距離，即統(tǒng)計(jì)兩個(gè)二值化編碼對(duì)應(yīng)位不同的個(gè)數(shù)占總編碼位數(shù)的比例，以此作為兩個(gè)二值化編碼的距離，即兩個(gè)虹膜圖像的相似度度量．設(shè)A、B是兩個(gè)二值化特征模板，模式距離為：

(5)

式中：⊕為異或操作符；N表示特征維數(shù)；H表示模式距離，兩個(gè)二值化編碼對(duì)應(yīng)位編碼不同所占比例越大，H值越大，相似度越小，H值越小，則相似度越大，為消除虹膜采集的旋轉(zhuǎn)、偏移，在計(jì)算時(shí)進(jìn)行左右各3位的循環(huán)移位，取最小H值作為待識(shí)別虹膜與特征庫(kù)虹膜的相似度．

3.2Haar小波和加權(quán)歐式距離

通過(guò)小波變換提取圖像紋理特征，是圖像識(shí)別中常用的分析方法．Haar小波是一種最基本的正交小波、具有緊湊性、構(gòu)造簡(jiǎn)單、計(jì)算方便等特點(diǎn)，筆者采用Haar小波對(duì)歸一化的虹膜進(jìn)行3層分解，從高尺度向低尺度進(jìn)行，得到如圖8所示的小波分解結(jié)果，分解出來(lái)的子圖像稱為小波分解通道：LL、HL、LH、HH．每個(gè)通道子圖像是原始圖像在不同空間頻率和方向選擇下的信息．根據(jù)原始圖像的紋理在不同頻率和方向下具有不同的能量特性，采用以下公式計(jì)算一系列小波通道的能量和方差作為虹膜圖像的特征值．

(6)

(7)

式中：MN為小波通道的尺寸；i、j分別代表了通道中行和列；x(i,j)是該通道小波分解系數(shù)[5]．

筆者舍棄包含圖像大部分噪聲的HH通道，對(duì)如圖8所示LL3、HL3、LH3、HL2、LH2、HL1和LH1通道進(jìn)行特征值計(jì)算，從7個(gè)小波通道中提取到14個(gè)特征值作為虹膜特征向量．

圖8 小波分解示意圖Fig.8 The sketch map of wavelet transform

歐幾里得度量又稱作歐式距離，是適用于多維向量的距離定義，公式為：

(8)

3.3 SVM特征相似度融合及分類

支持向量機(jī)是Cortes和Vapnik于20世紀(jì)初首先提出的，它是一種二類分類模型，學(xué)習(xí)策略為特征空間上間隔最大化，最終可以轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題，在解決小樣本非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，其分類的查全率和查準(zhǔn)率幾乎超過(guò)了現(xiàn)有的所有方法，具有很好的泛化能力及其他機(jī)器學(xué)習(xí)方法不可比擬的優(yōu)勢(shì)[10]．虹膜識(shí)別系統(tǒng)的特征庫(kù)作為小樣本系統(tǒng)，十分適合采用SVM進(jìn)行模式匹配．

筆者使用多項(xiàng)式核函數(shù)實(shí)現(xiàn)認(rèn)證模式下虹膜的兩種特征相似度融合識(shí)別，將采用Log-Gabor濾波器處理和Hamming距離計(jì)算得到的相似度Hi，采用Haar小波處理和歐式加權(quán)距離計(jì)算得到的相似度Wi，作為SVM的二維輸入樣本，輸入SVM分類器進(jìn)行匹配分類[10]．

4 實(shí)驗(yàn)結(jié)果及分析

筆者采用中科院自動(dòng)化研究所提供的CASIA V1.0虹膜數(shù)據(jù)庫(kù)圖像(108類虹膜，每類虹膜有7幅，共756幅虹膜圖像)作為本算法實(shí)現(xiàn)的實(shí)驗(yàn)樣本，通過(guò)MATLAB7.0編程實(shí)現(xiàn)文中虹膜識(shí)別算法．以正確識(shí)別率(correct recognition rate，CRR)、識(shí)別時(shí)間作為衡量算法性能的指標(biāo)．筆者將數(shù)據(jù)庫(kù)中每個(gè)類的虹膜圖像訓(xùn)練樣本數(shù)由1個(gè)開始，增加到6個(gè)，剩下一個(gè)虹膜圖像作為待識(shí)別實(shí)驗(yàn)樣本，識(shí)別結(jié)果如圖9所示，用于訓(xùn)練的樣本數(shù)量越多，正確識(shí)別率越高，當(dāng)訓(xùn)練樣本數(shù)為6個(gè)時(shí)，已經(jīng)取得較好的識(shí)別效果．

圖9 算法比較折線圖Fig.9 The broken line graph of algorithm comparison

實(shí)驗(yàn)結(jié)果如表1所示，可以看出筆者提出的多特征提取融合匹配的方法雖然由于算法復(fù)雜使識(shí)別時(shí)間有所增加，但相較于單獨(dú)特征提取匹配的方法，正確識(shí)別率有了大幅度的提高．

表1 不同識(shí)別方法時(shí)的識(shí)別率和識(shí)別時(shí)間Tab.1 The recognition rate and time of different methods

與經(jīng)典算法的對(duì)比結(jié)果如表2所示，可以看出筆者提出的多特征提取融合匹配的算法雖然在正確識(shí)別率上與Daugman算法相比有所不足，但識(shí)別時(shí)間大大縮短，系統(tǒng)識(shí)別速度更快，與Boles算法相比，識(shí)別效果更好．

表2 與經(jīng)典算法的對(duì)比Tab.2 The comparison of classical methods

5 結(jié)論

筆者分別采用Log-Gabor濾波器和Haar小波特征提取歸一化虹膜圖像的紋理特征，使用Hamming距離和歐式加權(quán)距離計(jì)算相似度，并運(yùn)用生物識(shí)別技術(shù)中多特征融合的思想，通過(guò)SVM對(duì)相似度進(jìn)行融合匹配分類．實(shí)驗(yàn)結(jié)果證明了該算法的有效性，并能取得較高的識(shí)別率．

[1] DAUGMAN J. How iris recognition works[J]. IEEE transactions on circuits and systems for video technology, 2004, 14(1):21-30.

[2] WILDES R P. Iris recognition: An emerging biometric technology [J]. Proceedings of the IEEE, 1999, 85(9):1348-1363.

[3] BOLES W, BOASHASH B. A human identification technique using images of the iris and wavelet transform[J]. IEEE transactions on signal processing, 1998, 46(4):1185-1188.

[4] LIM S, LEE K, BYEON O, et al. Efficient iris recognition through improvement of feature vector and classifier[J]. Journal of electronics and telecommunication research institute, 2001, 23(2):61-70.

[5] 周治平,吳會(huì)軍. 結(jié)合小波變換和Log-Gabor濾波的虹膜識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用, 2009, 29(8): 2095-2097.

[6] 許威. 虹膜識(shí)別算法的改進(jìn)與實(shí)現(xiàn)[D]. 合肥：安徽理工大學(xué)電氣與信息工程學(xué)院, 2013.

[7] 陳文靜, 金華. 基于人臉與虹膜的多生物特征融合識(shí)別算法研究[J]. 中國(guó)人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 83(1):77-79.

[8] 張震,張英杰. 基于支持向量機(jī)與Hamming距離的虹膜識(shí)別方法[J]. 鄭州大學(xué)學(xué)報(bào)(工學(xué)版), 2015, 36(3): 25-29.

[9] 王蘊(yùn)紅,朱勇,譚鐵牛. 基于虹膜識(shí)別的身份鑒別[J]. 自動(dòng)化學(xué)報(bào), 2002, 28(1):1-10.

[10]唐銀鳳,黃志明,黃榮娟,等. 基于多特征提取和SVM分類器的紋理圖像分類[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2011, 28(6):22-25+46.

An Iris Recognition Algorithm of Multiple Features Extraction and Fusion

ZHANG Zhen, LIU Bo, LI Long

(School of Electrical Engineering, Zhengzhou University, Zhengzhou 450001, China)

In this paper, an iris recognition method of multiple features extraction and fusion was proposed, which was different from the classical iris recognition methods that focused on a single texture feature. Firstly, the collected iris images were preprocessed. Secondly, features of the iris were extracted by using Log-Gabor filter and Haar wavelet respectively, and two similarity values were calculated by adopting Hamming Distance and Weighted Euclidean Distance. Finally, the Support Vector Machine was used to fuse the values of similarity and classify. The experimental results verified that the proposed method is effective and a higher recognition rate was achieved.

iris recognition; multiple feature extraction; Log-Gabor filter; Haar wavelet; feature fusion

1671-6833(2017)01-0063-05

2016-10-19；

2016-11-13

河南省科技攻關(guān)計(jì)劃項(xiàng)目(152102210032)

張震(1966— )，男，河南鄭州人，鄭州大學(xué)教授，博士，主要從事信號(hào)處理，圖像處理與模式識(shí)別研究，E-mail：zhangzhen66@126.com.

TP391

A

10.13705/j.issn.1671-6833.2017.01.004