基于分數(shù)維的虹膜身份信息穩(wěn)健識別方法仿真

涂 娟

(西華大學，四川 成都 610082)

1 引言

隨著科學技術的發(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，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，構(gòu)造拉普拉斯棱錐，并對分解后的圖像進行相應的登記，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，對虹膜中的特征點進行提取，以特征點為基礎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，無法適應現(xiàn)今身份識別的需求，為此引入分數(shù)維技術對虹膜身份信息穩(wěn)健識別方法進行設計，并設計仿真對比實驗對設計的方法性能進行驗證與分析。

2 虹膜身份信息穩(wěn)健識別方法設計

2.1 虹膜圖像預處理

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。

2.2 虹膜圖像定位

以上述預處理后的虹膜圖像為基礎，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的設定。

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)對應的參數(shù)方程與參數(shù)進行相應的計算，然后將其映射到矩陣V中，并找出對應的單元。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)對應的單元；

第四步：矩陣V中數(shù)字最大的單元對應的參數(shù)(a，b，r1)即是虹膜圖像所對應的圓心與半徑參數(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。

2.3 虹膜圖像分區(qū)與歸一化

以上述定位的虹膜圖像為基礎，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。

2.4 虹膜圖像特征提取

以上述得到的虹膜圖像為基礎，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一個相應的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。

2.5 實現(xiàn)虹膜身份信息的識別

在上述基礎上，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，采用加權融合匹配算法對特征進行相應的匹配運算，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，得到相應的匹配分值，以此為基礎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融合算法對其進行相應的融合，主要對權值進行相應的計算，權值與等錯率之間是反比例關系，因此，等錯率越低的虹膜圖像特征，其權值越大。權值計算公式表示為

(11)

其中，ωi表示的是第i個虹膜圖像特征對應的權值，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距離，是虹膜圖像特征匹配的基礎；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。

3 仿真對比實驗分析

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。

3.1 識別準確率對比分析

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。

3.2 識別速率對比分析

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。

4 結(jié)束語

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。