一種SIFT虹膜匹配算法

張 震， 邵星星

(鄭州大學(xué) 電氣工程學(xué)院 河南 鄭州 450001)

一種SIFT虹膜匹配算法

張 震， 邵星星

(鄭州大學(xué) 電氣工程學(xué)院 河南 鄭州 450001)

尺度不變特征變換(scale invariant feature transform，SIFT)算法是目前圖像研究領(lǐng)域的熱點(diǎn)，它具有良好的尺度、旋轉(zhuǎn)、光照、噪聲等不變特性.在特征提取方法上，利用SIFT算法提取虹膜紋理的特征向量，由于提取出來的虹膜特征向量是128維，占用內(nèi)存空間大，因此提出用Harris角點(diǎn)對(duì)初始特征點(diǎn)進(jìn)行篩選，選擇高對(duì)比度的點(diǎn)作為最終的虹膜特征向量；在匹配方法上，使用街區(qū)距離進(jìn)行虹膜圖像特征匹配，進(jìn)一步提高虹膜圖像匹配的速度.實(shí)驗(yàn)結(jié)果表明，改進(jìn)的算法在保持魯棒性的同時(shí),提高了SIFT特征匹配效率，能夠?yàn)橐恍┛焖賾?yīng)用提供保障.

SIFT算法； Harris角點(diǎn)； 特征提?。?街區(qū)距離

0 引言

虹膜識(shí)別是指利用人眼虹膜區(qū)域進(jìn)行身份鑒別的技術(shù).虹膜因其可采集性、穩(wěn)定性、唯一性及非侵犯性等優(yōu)點(diǎn)逐步受到人們的重視，已發(fā)展成為主流的生物特征識(shí)別手段.它以快速的識(shí)別率、簡(jiǎn)單的算法和極低的錯(cuò)誤識(shí)別率逐漸應(yīng)用到如電子商務(wù)、身份識(shí)別、考勤、數(shù)據(jù)加密等一些領(lǐng)域.傳統(tǒng)經(jīng)典的虹膜識(shí)別方法主要有：Daugman提出的基于Gabor濾波的方法，從定位出的虹膜圖像中提取虹膜紋理相位信息進(jìn)行編碼，進(jìn)而通過Hamming距離進(jìn)行匹配的虹膜識(shí)別算法[1];Boles提出了基于小波變換過零點(diǎn)的算法，提取虹膜圖像過零點(diǎn)的點(diǎn)作為特征向量，使用相似度進(jìn)行匹配[2];Wildes等采用高斯-拉普拉斯金字塔獲得不同分辨率的虹膜紋理圖，根據(jù)相關(guān)系數(shù)進(jìn)行匹配[3].

本文采用的虹膜識(shí)別算法是基于改進(jìn)的SIFT算法，提取虹膜區(qū)域的紋理特征，利用街區(qū)距離進(jìn)行匹配，實(shí)驗(yàn)結(jié)果表明該算法在保持原算法魯棒性的同時(shí)，提高了匹配的速度.本文虹膜算法系統(tǒng)框圖如圖1所示.

1 虹膜圖像的獲取

虹膜識(shí)別算法能夠在高質(zhì)量的圖像中提取到足夠多的虹膜特征，使得在模式匹配階段有較高的識(shí)別率，所以虹膜圖像的采集一定程度上決定了虹膜識(shí)別率.但是由于虹膜本身的面積較小，直徑約為22 mm，在圖像采集過程中易受到各種因素的干擾，使采集到的虹膜圖像有眼皮遮蓋、偏移、光斑、旋轉(zhuǎn)及睫毛干擾等現(xiàn)象，進(jìn)而影響虹膜特征提取，降低虹膜的識(shí)別率，所以虹膜圖像采集技術(shù)是虹膜識(shí)別的關(guān)鍵技術(shù)之一.由于虹膜采集的環(huán)境要求高以及設(shè)備的復(fù)雜性，本文只對(duì)虹膜識(shí)別的算法進(jìn)行研究.

2 虹膜圖像預(yù)處理

一般情況下，采集到的虹膜圖像中不僅有虹膜，還包括睫毛、眼瞼、瞳孔及鞏膜等，如圖2所示.因此，需要將虹膜從圖像中定位出來.

圖1 虹膜算法系統(tǒng)Fig.1 System of iris algorithm

圖2 虹膜圖像Fig.2 Iris image

虹膜圖像預(yù)處理包括虹膜圖像定位分割、歸一化和圖像增強(qiáng)三部分.傳統(tǒng)的虹膜識(shí)別算法需要將定位分割后的虹膜圖像進(jìn)行歸一化后再進(jìn)行特征提取，以消除虹膜圖像的光照變化、旋轉(zhuǎn)、平移對(duì)特征提取的影響.由于本文采用的SIFT算法提取虹膜特征對(duì)平移、旋轉(zhuǎn)等不受影響，因此可以直接在虹膜圖像分割定位的基礎(chǔ)上提取虹膜特征，即省去了歸一化這一環(huán)節(jié).

2.1 虹膜圖像定位分割

虹膜圖像的定位分割是在采集到的虹膜圖像I(x,y)上確定虹膜與瞳孔邊界以及虹膜與鞏膜邊界，即虹膜內(nèi)邊界圓心及半徑(xinner,yinner,rinner)和外邊界圓心及半徑(xouter,youter,router)，根據(jù)得到的內(nèi)外邊界進(jìn)行圖像分割，得到只含有虹膜紋理的近似環(huán)形圖像.

虹膜內(nèi)邊界定位采用人眼灰度特征與投影法相結(jié)合的虹膜快速定位方法[4]，步驟如下：

1) 建立虹膜圖像I(x,y)灰度直方圖，如圖3所示. 找出圖像中第一個(gè)峰值的灰度值，作為分割出瞳孔與虹膜的二值化閾值后對(duì)整個(gè)圖像進(jìn)行二值化.

2) 對(duì)虹膜的二值化圖像進(jìn)行膨脹腐蝕處理后的虹膜圖像，如圖4所示.

3) 得到瞳孔圖像后運(yùn)用投影法確定瞳孔的圓心和半徑(xinner,yinner,rinner).

圖3 虹膜圖像的灰度直方圖Fig.3 Gray histogram of iris image

圖4 二值化和膨脹腐蝕后的虹膜圖像Fig.4 Binarization of iris image after expansion and corrosion

虹膜內(nèi)外邊界并不是真正的同心圓，但二者圓心距離很近，可根據(jù)定位出來的內(nèi)邊界的圓心參數(shù)(xinner,yinner),在(xinner±2.5,yinner±2.5)范圍內(nèi)搜索外邊界的圓心并確定其圓心.

利用微積分算子的離散形式來進(jìn)行圓的檢測(cè)[5]，其離散形式為

其中：(x0,y0)為虹膜內(nèi)邊界的圓心；Gσ(r)=Gσ((n-k)Δr)-Gσ((n-k-1)Δr)；

；

是高斯型光滑函數(shù)；Δθ為沿著圓弧分割角度的步長(zhǎng)；Δr為半徑的搜索步長(zhǎng).

圖5為采用文中定位內(nèi)外邊界方法處理后的效果圖.

圖5 定位后的虹膜圖像Fig.5 Iris image after location

3 SIFT算法

3.1 SIFT算法簡(jiǎn)介

SIFT算法是在多尺度空間提取位置、尺度及旋轉(zhuǎn)不變量等特征點(diǎn)的過程[6-7].該算法可以提取到多尺度、旋轉(zhuǎn)不變性且對(duì)光照變化不受影響的特征向量，SIFT算法特征提取分為5個(gè)步驟[8-10]：

實(shí)驗(yàn)中需要在圖像二維空間以及高斯差分函數(shù)中提取相同的局部極值點(diǎn)，以確保得到的是穩(wěn)定且與尺度無關(guān)的關(guān)鍵點(diǎn).Lowe利用多尺度高斯差分核與圖像的卷積，得到高斯差分尺度空間

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ),

其中：D(x,y,σ)為差分金字塔；k為常數(shù)因子.

2) 檢測(cè)極值點(diǎn). 在DOG中檢測(cè)極值點(diǎn)時(shí)，將待檢測(cè)點(diǎn)與和它同尺度的8個(gè)鄰域點(diǎn)，以及上下相鄰尺度的2×9=18個(gè)，共26個(gè)領(lǐng)域點(diǎn)進(jìn)行比較，以確保在尺度空間和二維圖像空間都檢測(cè)到極值點(diǎn).如果一個(gè)點(diǎn)在DOG尺度空間本層及上下兩層的26個(gè)領(lǐng)域內(nèi)是最大值或最小值時(shí)，就認(rèn)為該點(diǎn)是圖像在該尺度下的一個(gè)候選點(diǎn).

假設(shè)高斯金字塔每組有n層，則它構(gòu)建的DOG金字塔每組層數(shù)應(yīng)該是n-1，而DOG的搜索特征點(diǎn)的過程是從每組的第2層到倒數(shù)第2層，因此實(shí)際搜索的層數(shù)應(yīng)該是n-3.

3) 精確定位極值點(diǎn). 確定候選點(diǎn)之后，利用尺度空間函數(shù)D(x,y,σ)的泰勒二次展開式，進(jìn)行最小二乘擬合來確定圖像關(guān)鍵點(diǎn)的精確位置和尺度，同時(shí)去除低對(duì)比度點(diǎn)和邊緣點(diǎn)，以增強(qiáng)匹配穩(wěn)定性.關(guān)鍵點(diǎn)處的擬合泰勒二次展開式為

4) 確定關(guān)鍵點(diǎn)方向參數(shù). 利用邊緣強(qiáng)度m(x,y)和邊緣方向θ(x,y)求取.公式分別為：

θ(x,y)=tan-1(L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1)).

為確定關(guān)鍵點(diǎn)的主方向，用直方圖統(tǒng)計(jì)以關(guān)鍵點(diǎn)為中心的領(lǐng)域窗口內(nèi)像素的梯度方向.直方圖的峰值代表了關(guān)鍵點(diǎn)處領(lǐng)域梯度的主方向，即關(guān)鍵點(diǎn)處的主方向.在梯度直方圖中，當(dāng)存在另一個(gè)相當(dāng)于主峰值80%能量的峰值時(shí)，則這個(gè)方向作為關(guān)鍵點(diǎn)處的輔方向，以增強(qiáng)匹配的魯棒性.

5) 生成特征描述子. 首先將坐標(biāo)軸旋轉(zhuǎn)到特征點(diǎn)的主方向，確保旋轉(zhuǎn)不變性.以關(guān)鍵點(diǎn)為中心，取16×16的窗口，在每個(gè)4×4的小塊上，計(jì)算8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn).這樣對(duì)于一個(gè)種子點(diǎn)會(huì)產(chǎn)生4×4×8共128維的虹膜特征向量，即特征描述子.

3.2 特征匹配

為了在眾多圖像中識(shí)別出與當(dāng)前圖像匹配的圖像，需要對(duì)當(dāng)前圖像和目標(biāo)圖像的特征點(diǎn)進(jìn)行特征匹配.具體是使用歐式距離來表征兩幅圖像的相似性，即在待匹配的圖像中找到與當(dāng)前圖像中某個(gè)特征點(diǎn)n1、歐式距離最近的特征點(diǎn)n2和次近的特征點(diǎn)n3，假設(shè)LO(ni,nj)表示兩個(gè)特征點(diǎn)ni和nj之間的距離，若LO(n1,n2)/LO(n1,n3)的距離之比小于某個(gè)閾值，則認(rèn)為n1和n2是一對(duì)匹配點(diǎn)，否則認(rèn)為n1在待匹配圖像中沒有特征點(diǎn)與之匹配.

4 Harris角點(diǎn)檢測(cè)算法

Harris算子[11]用高斯函數(shù)無窮小位移向任何方向移動(dòng)，灰度變化的定義為

變成矩陣的形式

圖6 Harris角點(diǎn)判定方法Fig.6 Determination method of Harris corner

Harris采用了一種新的角點(diǎn)判定方法.矩陣M的兩個(gè)特征向量λ1和λ2與矩陣M的主曲率成正比. Harris分別利用λ1、λ2來表征最快和最慢的兩個(gè)方向.若兩個(gè)都很大就是角點(diǎn)，一個(gè)大一個(gè)小就是邊緣點(diǎn)，兩個(gè)都很小就是在變化緩慢的圖像區(qū)域，如圖6所示.

5 改進(jìn)的SIFT虹膜算法及其特征匹配

文中首先采用SIFT算法提取虹膜圖像的特征點(diǎn)，由于提取的特征點(diǎn)有偽特征點(diǎn)和邊緣點(diǎn)，因此本文提出了改進(jìn)的SIFT算法.用Harris角點(diǎn)檢測(cè)算法篩選出高對(duì)比度的特征點(diǎn)，進(jìn)而提高匹配效率.

在改進(jìn)的SIFT算法特征點(diǎn)匹配時(shí)，每一幅虹膜圖像的SIFT特征點(diǎn)數(shù)量較多且均為128維，占用內(nèi)存大，計(jì)算量龐大，因此本文采用街區(qū)距離[12]代替歐式距離進(jìn)行特征匹配，從而降低了計(jì)算的復(fù)雜度，提高匹配的速度.

根據(jù)上述公式可知，在歐式距離的一次計(jì)算中，需要128次減法運(yùn)算，128次平方運(yùn)算，127次加法運(yùn)算和1次開平方運(yùn)算；而街區(qū)距離的一次計(jì)算在運(yùn)算量方面比歐式距離少了一次開平方運(yùn)算.由于SIFT特征點(diǎn)數(shù)目龐大，所以減少一次開平方運(yùn)算的方法也是有價(jià)值的.

6 實(shí)驗(yàn)結(jié)果

本文在MATLAB R2014a環(huán)境下采用中科院自動(dòng)化研究所提供的CASIA V1.0虹膜數(shù)據(jù)庫圖像(108組虹膜，每組虹膜有7幅圖像，共756幅虹膜圖像)作為實(shí)現(xiàn)算法的實(shí)驗(yàn)樣本.對(duì)實(shí)驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)結(jié)果分析發(fā)現(xiàn)，改進(jìn)后的算法和原算法相比，對(duì)于特征點(diǎn)的篩選率和特征點(diǎn)的匹配正確率，均呈現(xiàn)了較大的提高.限于篇幅，本文使用3幅圖像作為樣本進(jìn)行實(shí)驗(yàn)結(jié)果說明.

虹膜特征提取階段，對(duì)定位后的圖像分別采用原SIFT算法和使用Harris算子改進(jìn)后的算法，對(duì)3幅樣本圖像進(jìn)行特征點(diǎn)的提取，實(shí)驗(yàn)結(jié)果如表1所示.每幅圖像分別使用原SIFT算法提取的特征點(diǎn)和利用Harris角點(diǎn)檢測(cè)算法提取的特征點(diǎn)，可以明顯看出，Harris角點(diǎn)檢測(cè)算法將睫毛上和邊緣上的偽特征點(diǎn)進(jìn)行篩選，特征點(diǎn)的數(shù)量明顯下降，留下優(yōu)質(zhì)的特征點(diǎn)為下一步的匹配奠定了良好的基礎(chǔ).

表1 SIFT算法特征點(diǎn)提取以及篩選后的特征點(diǎn)

虹膜特征匹配階段，分別對(duì)改進(jìn)前的SIFT算法和改進(jìn)后的SIFT算法利用街區(qū)距離進(jìn)行匹配.在SIFT算法中Lowe根據(jù)實(shí)驗(yàn)確定的經(jīng)驗(yàn)閾值為0.8，為對(duì)比分析兩種算法的區(qū)別，本文也采用匹配閾值為0.8的情況下，使用不同算法分別對(duì)3幅樣本所提取特征點(diǎn)個(gè)數(shù)、正確匹配數(shù)、匹配時(shí)間及匹配率進(jìn)行對(duì)比.改進(jìn)前和改進(jìn)后的算法匹配結(jié)果分別如表2、表3所示.實(shí)驗(yàn)數(shù)據(jù)結(jié)果表明：在設(shè)定較為合適的匹配閾值(0.8)后，改進(jìn)后的算法相較于原算法，較大地提高了正確匹配率，提高了算法的運(yùn)算效率，減少了誤匹配率.

表2 不同SIFT算法匹配結(jié)果

表3 不同SIFT算法實(shí)驗(yàn)結(jié)果

7 結(jié)論

本文采用SIFT算法直接提取定位出的虹膜圖像的紋理特征，進(jìn)而利用Harris算子對(duì)提取到的特征點(diǎn)進(jìn)行篩選，在特征匹配階段，利用街區(qū)距離分別對(duì)原SIFT算法和改進(jìn)后的SIFT算法提取到的虹膜特征向量進(jìn)行相似度匹配.本文改進(jìn)的算法沒有改變特征點(diǎn)的維數(shù)，因此保留了原算法魯棒性的同時(shí)提高了SIFT算法匹配的效率.與原算法相比，本文提出的算法具有廣闊的應(yīng)用場(chǎng)景，為實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)合提供了保障.

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

[2] BOLES W W. A security system based on human iris identification using wavelet transform[C]//IEEE 1998 International Conference on Knowledge-Based Intelligent Electronic Systems. New York,1998，(2):533-541 .

[3] WILDES R P, ASMUTH J C, GREEN G L, et al. A system for automated iris recognition[C]// Applications of Computer Vision, Proceedings of the Second IEEE Workshop on. Florida ,2002:121-128.

[4] 曹國輝.基于神經(jīng)網(wǎng)絡(luò)的虹膜識(shí)別分類器的設(shè)計(jì)[D]. 武漢：武漢理工大學(xué), 2006.

[5] 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[D]. 鄭州：鄭州大學(xué), 2015.

[6] 湯海林.基于SIFT的圖像特征提取算法研究[J].電腦開發(fā)與應(yīng)用. 2013, 26(8): 54-56.

[7] SUN S N,YANG S C,ZHAO L D. Noncooperative bovine iris recognition via SIFT[J]. Neurocomputing, 2013, 120(10):310-317.

[8] LOWE D. Distinctive image features from scale invariant key points[J]. International journal of computer vision, 2004, 60(60): 91-110.

[9] 萬劍華,孫姝娟,曾喆. SIFT算法距離比閾值自適應(yīng)改進(jìn)研究[J]. 中國石油大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 37(4): 71-75.

[10]白廷柱,侯喜報(bào). 基于SIFT算子的圖像匹配算法研究[J]. 北京理工大學(xué)學(xué)報(bào),2013, 33(6): 622-627.

[11]林強(qiáng). 一種改進(jìn)的SIFT圖像匹配算法[J]. 現(xiàn)代計(jì)算機(jī)(普遍版),2015 (2): 58-62.

[12]王曉華,傅衛(wèi)平,梁元月.提高SIFT特征匹配效率的方法研究[J]. 機(jī)械科學(xué)與技術(shù)學(xué)報(bào)，2009, 28(9): 1252-1255.

(責(zé)任編輯：方惠敏)

A SIFT Iris Matching Algorithm

ZHANG Zhen, SHAO Xingxing

(SchoolofElectricalEngineering,ZhengzhouUniversity,Zhengzhou450001,China)

Scale invariant feature transform algorithm was a hot topic in the field of image research, because of its good scale, rotation, illumination, noise and other invariant features. In the feature extracting method, SIFT algorithm was used to extract the feature vector of iris texture, however the iris feature vector was 128 dimension, which occupied a large memory space. Therefore, it was proposed that the initial feature points were selected by the Harris corner points, and the point of high contrast were selected as the final iris feature vectors. In the matching method, the block distance was used to match the feature of iris image, which further improved the matching speed of iris image. The experimental results showed that the improved algorithm increased the SIFT feature matching efficiency while maintaining the robustness, and which could provided protection for some fast applications.

SIFT algorithm; Harris corner; feature extraction; block distance

2016-09-27

河南省科技攻關(guān)項(xiàng)目(152102210032).

張震(1966—)，男，河南鄭州人，教授，主要從事圖像處理與模式識(shí)別研究，E-mail:zhangzhen66@126.com;通信作者：邵星星(1990—)，女，河南新鄉(xiāng)人，主要從事圖像處理與模式識(shí)別研究,E-mail:453481183@qq.com.

TP391

A

1671-6841(2017)03-0014-06

10.13705/j.issn.1671-6841.2016252