涂 娟
(西華大學,四川 成都 610082)
隨著科學技術(shù)的發(fā)展,現(xiàn)今社會已經(jīng)變?yōu)楦叨刃畔⒒ヂ?lián)的社會,真實、準確的對個人身份信息識別是至關(guān)重要的。如何快速、準確的對身份信息進行穩(wěn)健識別已經(jīng)成為現(xiàn)今主要研究課題之一[1]。隨著研究的推進,目前使用最為廣泛的是虹膜身份信息識別方法,該方法屬于一種新興的生物識別方法,其具有眾多優(yōu)點,主要包括高穩(wěn)定性、唯一性、非侵犯性與方便性等,這些優(yōu)勢使得虹膜身份信息識別方法在身份信息識別領(lǐng)域中占據(jù)著重要的位置。
就現(xiàn)有的研究來看,使用較為廣泛的虹膜身份信息穩(wěn)健識別方法主要分為三種,分別為基于SIFT和SDM的虹膜身份信息穩(wěn)健識別方法[3]、基于高斯-拉普拉斯算子的虹膜身份信息穩(wěn)健識別方法[4]以及基于小波變換的虹膜身份信息穩(wěn)健識別方法[5]。其中,基于積分微分算子的虹膜身份信息穩(wěn)健識別方法主要是采用積分微分算子對虹膜內(nèi)外緣進行定位,同時對其進行歸一化處理,然后通過特征提取對其虹膜紋理進行相位編碼,對其歸一化海明距離進行計算,以此為基礎(chǔ),實現(xiàn)虹膜身份識別;基于高斯-拉普拉斯算子的虹膜身份信息穩(wěn)健識別方法主要是利用高斯-拉普拉斯算子對采集的虹膜圖像進行頻帶分解,以此為基礎(chǔ),構(gòu)造拉普拉斯棱錐,并對分解后的圖像進行相應(yīng)的登記,實現(xiàn)身份信息的識別;基于小波變換的虹膜身份信息穩(wěn)健識別方法主要是利用小波變換方法構(gòu)建虹膜灰度等級輪廓的一維表達式,以此為基礎(chǔ),對虹膜中的特征點進行提取,以特征點為基礎(chǔ)對其進行身份信息識別。但是上述三種方法均存在著識別準確率低、速率低的缺陷,無法適應(yīng)現(xiàn)今身份識別的需求,為此引入分數(shù)維技術(shù)對虹膜身份信息穩(wěn)健識別方法進行設(shè)計,并設(shè)計仿真對比實驗對設(shè)計的方法性能進行驗證與分析。
為了對虹膜身份信息進行穩(wěn)健的識別,首先要對采集的虹膜圖像進行預處理,為最終的虹膜身份信息識別做準備。虹膜圖像預處理是虹膜身份信息識別方法的關(guān)鍵步驟,主要是對虹膜圖像傳遞、轉(zhuǎn)換、復制、顯示與掃描導致的圖像質(zhì)量降低情況進行改善,提升虹膜圖像的質(zhì)量,降低虹膜圖像中噪聲對圖像的影響。虹膜圖像預處理主要是對其進行平滑與銳化處理。其中,虹膜圖像平滑處理主要的功能是減少圖像中的噪聲。所以,在平滑處理過程中,需要采用不同的Gaussian模板對不同的噪聲進行濾除,這樣既可以極大程度的對噪聲進行濾除,還可以使圖像更加清晰,該過程主要采用的是二維Gaussian模板,其表達形式為
(1)
由于虹膜圖像平滑處理后的圖像比較模糊,需要對其進行銳化處理,主要的目的就是使虹膜邊緣、廓線與細節(jié)變得清晰,方便虹膜身份信息的識別。采用微分法對虹膜圖像進行銳化。微分法主要分為兩種,一種是一階微分法,該方法是矢量,因此,其具有較大的存儲空間;另一種是二階微分法,該方法對噪聲更加敏感,會使噪聲加強,因此,在進行虹膜圖像平滑處理時主要采用二階微分法。具體的平滑處理過程如下所示。
對于虹膜圖像二階導數(shù)來說,其具有零點,相應(yīng)的即是虹膜圖像的邊緣位置,因此,可以采用這種方法對虹膜圖像邊緣進行相應(yīng)的檢測[6]。
二階微分法中的拉普拉斯算子表示為
(2)
其中,?2f表示的是調(diào)和函數(shù),上式表示對虹膜圖像邊緣進行混合二階求偏導。
采用差分方程對x,y方向的二階偏導數(shù)進行求取,得到
(3)
其中,(i,j)表示的是函數(shù)中的一點。
將式(3)中的偏導數(shù)進行整合,則得到平滑處理算子為
(4)
通過上述過程實現(xiàn)了虹膜圖像的預處理,為最終虹膜身份信息識別做準備。
以上述預處理后的虹膜圖像為基礎(chǔ),采用灰度級分布函數(shù)與灰度差分法分別對虹膜圖像內(nèi)邊界與外邊界進行定位。虹膜圖像定位主要是將虹膜在眼睛圖像中提取出來,對其內(nèi)、外邊界位置進行定位,是虹膜身份信息識別的關(guān)鍵步驟[7]。采用灰度級分布函數(shù)對虹膜圖像內(nèi)邊界進行定位。獲得虹膜圖像灰度直方圖如圖1所示。
圖1 虹膜圖像灰度直方圖
為了將虹膜圖像中無關(guān)的點進行去除,利用形態(tài)學膨脹方法,對上述圖像進行相應(yīng)的處理,對虹膜圖像內(nèi)邊界進行定位,其定位圖如圖2所示。
圖2 虹膜圖像內(nèi)邊界定位圖
根據(jù)圖2采用投影法對虹膜圖像的圓心與半徑進行相應(yīng)的計算,其圓心坐標表示為
(5)
虹膜圖像的半徑為
(6)
其中,xmax,xmin分別表示的是虹膜圖像在x上的投影坐標最大值與最小值;ymax,ymin分別表示的是虹膜圖像在y上的投影坐標最大值與最小值。
采用灰度差分法對虹膜圖像的外邊界進行定位。具體過程如下所示。
首先設(shè)定虹膜圖像外邊界表現(xiàn)形式為
(7)
其中,(x,y)表示的是虹膜圖像外邊界上的坐標值;(a,b)表示的是虹膜圖像外邊界圓心坐標;r1表示的是虹膜圖像外邊界的半徑。
將(x,y)取遍外邊界上的所有點,則有
(8)
其中,ζ表示的是閾值,主要是由人根據(jù)具體的情況對其進行相應(yīng)的設(shè)定。
對ζ進行適當?shù)恼{(diào)整與搜索,即可得到精準的虹膜圖像圓心與半徑值。具體的步驟如下所示。
第一步:求取虹膜圖像外邊界圖;
第二步:以上述得到的圖像為依據(jù),構(gòu)建三維矩陣V(M,N,K),該矩陣中元素對應(yīng)的即為(a,b,r1),并對矩陣進行初始化;
第三步:對外邊界的任意點(x,y)對應(yīng)的參數(shù)方程與參數(shù)進行相應(yīng)的計算,然后將其映射到矩陣V中,并找出對應(yīng)的單元。在實際情況中,矩陣V是離散的,無法直接找出參數(shù)對應(yīng)的單元,這種情況下找出與參數(shù)最接近的單元,并將其單元數(shù)加上1,即為參數(shù)對應(yīng)的單元;
第四步:矩陣V中數(shù)字最大的單元對應(yīng)的參數(shù)(a,b,r1)即是虹膜圖像所對應(yīng)的圓心與半徑參數(shù)。
通過上述過程實現(xiàn)了虹膜圖像的定位,為下述虹膜圖像的分區(qū)與歸一化做準備。
以上述定位的虹膜圖像為基礎(chǔ),采用虹膜圖像法分區(qū)算法對其進行分區(qū),并通過歸一化算法對虹膜圖像的尺寸與光照進行歸一,方便后續(xù)的處理,簡化虹膜身份信息識別過程[8]。由于虹膜生物機理的特點導致虹膜圖像具有一定的分布特征,離瞳孔近的部分其紋理分布密集,反之則稀疏。因此,采用虹膜圖像法分區(qū)算法對其進行分區(qū),這樣可以極大的簡化識別的計算量,提升識別的效率。虹膜圖像分區(qū)示意圖如圖3所示。
圖3 虹膜圖像分區(qū)示意圖
如圖3所示,深色區(qū)域表示的是瞳孔;A區(qū)表示的是靠近瞳孔的虹膜區(qū)域;B區(qū)表示的是虹膜的外部區(qū)域;r1表示的是虹膜的圓心;r2表示的是瞳孔圓心。不同的虹膜尺寸存在著不同,從未得到的虹膜圖像尺寸也存在著較大的差異。為了提升虹膜身份信息識別的精準度,采用歸一化算法對其尺寸進行歸一,從而改善尺寸對虹膜識別的影響。采用極坐標方式對虹膜圖像尺寸進行相應(yīng)的轉(zhuǎn)換,轉(zhuǎn)換的過程如下所示
(9)
其中,x0(ρ)、y0(ρ)表示的是長度為ρ,偏移角度為θ;(x0,y0)表示的是瞳孔圓心坐標;ρ的取值范圍為[0,1];θ的取值范圍為[0,2π]。
虹膜圖像尺寸歸一化后,虹膜圖像尺寸趨于一致。但是由于虹膜圖像采集環(huán)境的影響,導致虹膜圖像光照具有不均勻的情況,其會對虹膜圖像特征提取產(chǎn)生較大的影響。所以,為了提升虹膜身份信息識別的準確率,采用局部動態(tài)直方圖均衡方法,賦予虹膜圖像不同區(qū)域以不同的均衡參數(shù),使其圖像效果更好。具體的實現(xiàn)過程如下:
第一步:根據(jù)虹膜圖像分區(qū)的結(jié)果,對全范圍的灰度直方圖進行均衡化;
第二步:根據(jù)不同區(qū)域虹膜圖像的特征設(shè)定不同的閾值,當灰度動態(tài)范圍小于閾值時,按照一定比例對其進行均衡化。
通過上述兩個步驟,完成了虹膜圖像的光照歸一,增強了虹膜圖像的紋理特征。
上述過程實現(xiàn)了虹膜圖像的分區(qū)與歸一化,為下述虹膜圖像特征提取打下堅實的基礎(chǔ)。
以上述得到的虹膜圖像為基礎(chǔ),采用二維Gabor濾波器對虹膜圖像特征進行提取,為虹膜身份信息識別提供數(shù)據(jù)支撐。虹膜圖像特征提取過程如圖4所示。
圖4 虹膜圖像特征提取過程
虹膜圖像特征提取實現(xiàn)步驟如下:
第一步:虹膜圖像定位后,將虹膜圖像劃分為三條環(huán)帶;
第二步:根據(jù)虹膜圖像噪聲等的分布特性,對不同區(qū)域的半徑與角度進行確定,最終形成3個相互獨立的區(qū)域;
第三步:對每個區(qū)域分別進行歸一化,并采用濾波器進行聯(lián)合尋優(yōu),得到最優(yōu)的結(jié)果;
第四步:通過二維Gabor濾波器對3個區(qū)域特征進行提取,需要注意的是每個濾波器組對應(yīng)一個相應(yīng)的SROI;
第五步:將提取的虹膜圖像特征進行整合,為虹膜身份信息識別提供數(shù)據(jù)支撐。
通過上述過程完成了虹膜圖像特征的提取,為下述虹膜身份信息識別提供精準的、豐富的數(shù)據(jù)支撐。
在上述基礎(chǔ)上,對上述虹膜圖像特征進行格式標準化,主要采用的是Rubber-sheet模型對其特征格式進行相應(yīng)的轉(zhuǎn)換,其轉(zhuǎn)換公式為
(10)
其中,(k,l)表示的是原始直角坐標;I(k,l)表示的是虹膜區(qū)域;(r,θ)表示的是標準極坐標;(kρ,lρ)表示的是虹膜內(nèi)邊界坐標向量;(ki,li)表示的是虹膜外邊界的坐標向量。
其次,采用加權(quán)融合匹配算法對特征進行相應(yīng)的匹配運算,然后根據(jù)計算得到的匹配分數(shù)作為匹配層融合模型的輸入,得到相應(yīng)的匹配分值,以此為基礎(chǔ)對虹膜身份信息進行識別。
對上述得到的虹膜圖像特征通過等錯率加權(quán)融合算法對其進行相應(yīng)的融合,主要對權(quán)值進行相應(yīng)的計算,權(quán)值與等錯率之間是反比例關(guān)系,因此,等錯率越低的虹膜圖像特征,其權(quán)值越大。權(quán)值計算公式表示為
(11)
其中,ωi表示的是第i個虹膜圖像特征對應(yīng)的權(quán)值,其范圍為[0,1];vi表示虹膜圖像的離散化參數(shù),EERi表示的是第i個虹膜圖像特征對應(yīng)的等錯率。
則虹膜圖像特征匹配算法具體過程為
(12)
其中,Score表示的是虹膜圖像特征的加權(quán)距離,是虹膜圖像特征匹配的基礎(chǔ);HDi表示的是虹膜圖像特征的海明距離。
通過上述過程實現(xiàn)了虹膜身份信息的識別,為身份信息識別提供更加精準的方法。
仿真對比實驗過程中,主要采用所提方法與基于SIFT和SDM的虹膜身份信息穩(wěn)健識別方法(現(xiàn)有方法1)、基于高斯-拉普拉斯算子的虹膜身份信息穩(wěn)健識別方法(現(xiàn)有方法2)以及基于小波變換的虹膜身份信息穩(wěn)健識別方法(現(xiàn)有方法3)進行對比實驗。
通過仿真對比實驗得到識別準確率對比情況如圖5所示。
圖5 實驗所得識別準確率對比情況
分析圖5可知,當實驗次數(shù)為5次時,3種現(xiàn)有方法的識別準確率分別為56%、50%和49%,而所提方法識別準確率為79%,明顯高于現(xiàn)有方法;隨著實驗次數(shù)的增加,所提方法準確率越來越高,當實驗次數(shù)為50次時,所提方法準確率已達97%,明顯高于現(xiàn)有方法。這是因為所提方法對采集虹膜圖像進行了平滑處理與銳化處理,提升了虹膜圖像的質(zhì)量,降低了識別難度。
通過仿真對比實驗得到識別速率對比情況如圖6所示。
圖6 識別速率對比情況圖
由圖6可知,不同方法下識別速率不同。實驗次數(shù)為20時,方法1的識別速率為69%,方法2的識別速率為76%,方法3的識別速率為67%,而本文方法的識別速率為90%;隨著實驗次數(shù)的增加,當實驗次數(shù)達到70次時,所提方法識別效率為96%,識別速率明顯遠遠的高于現(xiàn)有三種方法,說明所提方法達到了預期效果。這是因為采用了灰度差分法對虹膜圖像內(nèi)、外邊界進行定位,在此基礎(chǔ)上完成了尺寸與光照的歸一化處理,使虹膜圖像的特征更容易提取,采用二維Gabor濾波器對虹膜圖像特征進行提取,能夠提取更為精確的特征,擁有更高的識別速率。
為了解決現(xiàn)有虹膜圖像識別過程中識別準確率差,識別速率低的問題,本文提出了一種分數(shù)維的虹膜身份信息穩(wěn)健識別方法。根據(jù)Gaussian模板及微分法對虹膜圖像進行預處理,采用分數(shù)維對虹膜圖像進行特征分解,通過灰度差分法對虹膜圖像內(nèi)、外邊界進行定位,在上述基礎(chǔ)上通過二維Gabor濾波器完成虹膜圖像的身份信息的穩(wěn)健識別。采用仿真驗證所提方法的性能,具有較高的準確率與識別速率,為身份信息識別提供了更加準確的方法,值得推廣使用。
但是在實驗過程中,由于仿真參數(shù)的設(shè)置,使得仿真與實際環(huán)境具有一定的差距,得到的實驗結(jié)果也存在著較小的誤差,因此,需要對提出的虹膜身份信息穩(wěn)健識別方法進行進一步的研究與優(yōu)化,克服上述存在的問題,使識別效果更加精準。