崔景霞

（長春工業(yè)大學(xué)軟件職業(yè)技術(shù)學(xué)院，吉林長春 130022）

0 引 言

生物特征識(shí)別技術(shù)是一門利用人類獨(dú)特穩(wěn)定以及可靠的生理特征來識(shí)別個(gè)體的科學(xué)。近年來，多種利用人體各類生理特征如指紋、掌紋、人臉以及視網(wǎng)膜的身份識(shí)別方法被廣泛研究并應(yīng)用于安全控制系統(tǒng)。

虹膜是瞳孔與鞏膜之間的環(huán)形可視部分，具有終生不變性和差異性。人眼中的虹膜由隨瞳孔直徑變化而拉伸的復(fù)雜纖維狀組織構(gòu)成。據(jù)推算，兩個(gè)人虹膜相同的概率是1/1 078，因此，虹膜身份認(rèn)證技術(shù)的效果非?？煽亢头€(wěn)定。并且，由于虹膜是眼睛的外在組成部分，因此，基于虹膜的身份鑒別系統(tǒng)對(duì)使用者來說可以是非接觸的。唯一性、穩(wěn)定性和非侵犯性使得虹膜識(shí)別技術(shù)具有廣泛的應(yīng)用前景[1]。

1 虹膜識(shí)別系統(tǒng)組成結(jié)構(gòu)

根據(jù)虹膜識(shí)別過程的特點(diǎn)和需求，一個(gè)完整的虹膜識(shí)別系統(tǒng)如圖1所示。

圖1 虹膜識(shí)別系統(tǒng)結(jié)構(gòu)示意圖

虹膜識(shí)別系統(tǒng)通常包含5個(gè)部分:

1）圖像獲取;

2）圖像預(yù)處理;

3）圖像特征提取;

4）建立虹膜模式庫;

5）匹配識(shí)別。

2 虹膜特征提取方法

虹膜圖像特征提取是虹膜識(shí)別技術(shù)中十分關(guān)鍵的一個(gè)步驟。迄今為止，有關(guān)虹膜特征提取的多種方法被提出與研究。如:Daugman[2]利用多尺度小波矩提取虹膜的段紋理結(jié)構(gòu)特征生成2 048位特征向量。Boles與Boashash[3]采用一維小波對(duì)沿虹膜中心同心圓的一條采樣曲線進(jìn)行過零點(diǎn)檢測提取紋理特征。Gaussian-Hermite矩也被用于虹膜特征[4]提取。近年來，一些新方法如二維小波變換[5]、Gabor濾波器[6]、Log-Gabor濾波器[7]、Haar小波[8]和高斯拉普拉斯濾波器[9]等也被應(yīng)用于虹膜特征提取中來。

文中利用空間濾波檢測虹膜中的點(diǎn)、線等紋理特征，進(jìn)而截取紋理能量聚集的子區(qū)域。最終對(duì)截取的子區(qū)域加以投影，從而提取特征向量。具體步驟將在文中第4部分描述。

3 圖像預(yù)處理

3.1 圖像獲取

文中所采用虹膜圖像取自 The Perfect Iris Images Database虹膜數(shù)據(jù)庫，如圖2所示。

該數(shù)據(jù)庫中包含了64位項(xiàng)目參與者的左右眼各3幅，共384幅虹膜圖像樣本。每幅樣本圖像為768×576像素大小彩色圖片（見2（a）），該數(shù)據(jù)庫中的圖像樣本虹膜顯現(xiàn)完整，無睫毛、眼瞼等遮擋覆蓋，堪稱完美。

圖2 數(shù)據(jù)庫虹膜樣本示意圖

3.2 圖像預(yù)處理

將原數(shù)據(jù)庫中的樣本圖像轉(zhuǎn)換成為灰度圖像后，為增強(qiáng)圖像效果，對(duì)灰度化后的圖像進(jìn)行直方圖均衡化處理，其效果如圖3所示。

圖3 數(shù)據(jù)庫虹膜圖像樣本預(yù)處理效果對(duì)比圖

由圖3（c）可見，經(jīng)預(yù)處理直方圖均衡化后的虹膜圖像樣本，對(duì)平均亮度以及對(duì)比度的提高非常明顯。增強(qiáng)了視覺效果，更有助于之后階段虹膜圖像的特征提取與識(shí)別。

在一些識(shí)別技術(shù)中，圖像預(yù)處理階段通常采用Canny算子[10]等邊緣檢測算法定位并截取整個(gè)虹膜紋理區(qū)域。文中由于在提取特征過程中采取子區(qū)域特征提取方式，因而毋須截取整片虹膜區(qū)域，簡化了預(yù)處理步驟。

4 虹膜特征提取

4.1 空間濾波

由圖2（a）可見，人類虹膜總體上呈現(xiàn)一種由里到外的放射狀結(jié)構(gòu)，包含許多相互交錯(cuò)的類似斑點(diǎn)、細(xì)絲、冠狀、條紋、隱窩等形狀的細(xì)微特征。這些特征信息對(duì)每個(gè)人來說都是唯一的，其唯一性主要是由胚胎發(fā)育環(huán)境的差異所決定的。這些細(xì)微特征信息被稱為虹膜的紋理信息。

為將虹膜的這些紋理信息凸顯提取出來，文中提出了利用線性空間濾波的方法。線性濾波的概念源于頻域中信號(hào)處理所使用的傅里葉變換，而在文中空間濾波直接對(duì)圖像中的像素執(zhí)行濾波運(yùn)算。該類濾波關(guān)注的線性運(yùn)算包括將鄰域中每個(gè)像素與相應(yīng)的系數(shù)相乘，然后將結(jié)果進(jìn)行累加，從而得到點(diǎn)（x，y）處的響應(yīng)。若鄰域的大小為m ×n，則總共需要mn個(gè)系數(shù)。這些系數(shù)排列為一個(gè)矩陣，被稱為濾波器或掩模。

線性空間濾波的機(jī)理如圖4所示[11]。

圖4 線性空間濾波原理示意圖

其過程為在圖像 f中逐點(diǎn)移動(dòng)濾波掩模w的中心。在每個(gè)點(diǎn)（x，y）處，濾波器在該點(diǎn)處的響應(yīng)是濾波掩模所限定的相應(yīng)鄰域像素與濾波器系數(shù)的乘積結(jié)果的累加。對(duì)于一個(gè)大小為m×n的掩模，m，n均應(yīng)遵循為奇數(shù)的原則。有意義掩模的最小尺寸為3×3，因其有一唯一的中心點(diǎn)，其濾波過程確定直觀。

由圖4可見，對(duì)圖像任一點(diǎn)（x，y）進(jìn)行m×n掩模處理得到的響應(yīng)R，實(shí)踐中通常用下式表達(dá):

對(duì)圖4中的3×3掩模，圖像中任意一點(diǎn)（x，y）的響應(yīng)用下式表達(dá):

文中所采用的兩類濾波掩模如圖5所示。

圖5 文中選用的兩類濾波掩模

讀取原彩色圖像后，灰度化原圖像并歸一化為雙精度數(shù)據(jù)類型矩陣。而后將此矩陣圖像分別與上述兩類濾波掩模進(jìn)行濾波處理。將濾波后所得圖像做二值化處理并人為設(shè)置閾值為0.98。

為凸顯不同方向紋理細(xì)節(jié)特征。將上述兩類掩模濾波處理后所得兩幅效果圖做異或運(yùn)算，如圖6所示。

圖6（a）為異或運(yùn)算后效果圖，為清晰顯示，對(duì)所得圖像求補(bǔ)結(jié)果見圖6（b）?？梢悦黠@看出，經(jīng)空間掩模濾波之后的圖像可將原虹膜圖像中的紋理信息特征有效呈現(xiàn)，并量化處理以供識(shí)別。

4.2 子區(qū)域截取

由圖6（b）可以看出，經(jīng)濾波處理后的虹膜圖像90%以上的紋理信息均聚集在以瞳孔為中心，以2/3眼球橫向半徑為半徑的圓周范圍內(nèi)。同時(shí)，可以得出在此紋理能量聚集區(qū)域范圍內(nèi)，實(shí)際操作中完全可以截取一部分子區(qū)域信息用于特征向量生成而毋須截取全部紋理。文中方法采用截取以瞳孔為中心上下左右4個(gè)區(qū)域的紋理信息生成特征向量。每個(gè)區(qū)域設(shè)置為32×32像素大小的方形區(qū)域，并且每個(gè)區(qū)域近瞳孔一邊均與瞳孔外圓周相切且方形區(qū)域中心位于以瞳孔圓心為原點(diǎn)的坐標(biāo)軸上。上述子區(qū)域截取方式如圖7所示。

分別對(duì)上述子區(qū)域做瞳孔中心方向的投影[12]。則每個(gè)子區(qū)域可生成32位一維向量，將所生成的4個(gè)32位一維向量首尾相接串聯(lián)成一個(gè)128位一維向量，而后將該一維向量除以32并作為用于最終識(shí)別的虹膜特征向量。

5 神經(jīng)網(wǎng)絡(luò)識(shí)別

5.1 BP神經(jīng)網(wǎng)[13]

目前，以神經(jīng)系統(tǒng)為中心的神經(jīng)網(wǎng)絡(luò)理論的研究正取得迅速的發(fā)展，它以自組織、自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，已經(jīng)廣泛地被應(yīng)用于眾多領(lǐng)域。

BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖8所示。

圖8 典型的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

由圖可見，BP網(wǎng)絡(luò)是一種具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接。當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)過各中間層逐層修正各連接權(quán)值。最后回到輸入層。這種算法稱為“誤差逆?zhèn)鞑ニ惴ā?，即BP算法。隨著這種誤差逆?zhèn)鞑バ拚粩噙M(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也在不斷上升。

文中采用一對(duì)一的BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法，即每一類（人）建立一個(gè)BP網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)的輸出層只有一個(gè)輸出節(jié)點(diǎn)用來輸出識(shí)別結(jié)果。

5.2 實(shí)驗(yàn)結(jié)果[13]

如前所述，文中所采用虹膜圖像取自The Perfect Iris Images Database虹膜數(shù)據(jù)庫。該數(shù)據(jù)庫中包含了64位項(xiàng)目參與者的左右眼各3幅，共384幅虹膜圖像樣本。識(shí)別階段選取了其中20位項(xiàng)目參與者的左右眼虹膜圖像加以識(shí)別。由于對(duì)每位參與者而言，其左右眼虹膜紋理亦不相同，實(shí)驗(yàn)中將每位項(xiàng)目參與者的左眼虹膜圖像與右眼虹膜圖像分割開來分別建立神經(jīng)網(wǎng)絡(luò)加以識(shí)別。

實(shí)驗(yàn)結(jié)果用正確識(shí)別率（CVR）評(píng)定，正確識(shí)別率定義如下:

式中:FAR——錯(cuò)誤接受率;

FRR——錯(cuò)誤拒絕率。

其定義如下:

實(shí)驗(yàn)中，設(shè)置網(wǎng)絡(luò)輸出閾值為0.02，實(shí)驗(yàn)結(jié)果及對(duì)比分別見表1和表2。

表1 實(shí)驗(yàn)數(shù)據(jù)結(jié)果

表2 實(shí)驗(yàn)結(jié)果對(duì)比

6 總結(jié)與展望

首先對(duì)虹膜圖像進(jìn)行了灰度化以及直方圖均衡化等預(yù)處理操作。其后將預(yù)處理化后的圖像歸一化為雙精度數(shù)據(jù)類型矩陣，并將此矩陣圖像分別與兩類濾波掩模進(jìn)行濾波處理。為凸顯不同方向紋理細(xì)節(jié)特征。將所得兩幅效果圖做異或運(yùn)算后對(duì)其求補(bǔ)。截取以瞳孔為中心，上下左右4個(gè)區(qū)域的紋理信息生成特征向量后，建立一對(duì)一的BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別分類。實(shí)驗(yàn)結(jié)果表明了文中方法的可靠性和有效性。同時(shí)，在實(shí)驗(yàn)中得出如下結(jié)論:

1）經(jīng)兩類濾波掩模后，虹膜圖像中不同方向的紋理細(xì)節(jié)特征被展現(xiàn)并凸顯出來。

2）在虹膜紋理能量聚集區(qū)域范圍內(nèi)截取以瞳孔為中心上下左右4個(gè)區(qū)域的紋理信息以用于生成特征向量。避免了定位并截取全部紋理區(qū)域的復(fù)雜操作，簡化了特征提取步驟，并保證了提取特征的有效性。

3）提取特征的4個(gè)子區(qū)域由手工定位截取，不可避免地造成不同樣本間的區(qū)域截取的差異性，進(jìn)而對(duì)識(shí)別結(jié)果形成輕微影響。如何形成對(duì)子區(qū)域截取操作的自動(dòng)化以及提高區(qū)域定位精確度成為該方法今后研究的發(fā)展方向[16]。

4）文中采用投影方法提取截取區(qū)域的紋理特征向量，如何尋求其它更加有效并更突顯虹膜紋理獨(dú)特性及排它性的向量生成方法，且對(duì)所生成向量降維后加以識(shí)別，成為文中方法改進(jìn)的另一發(fā)展方向[17]。

5）采用一對(duì)一的網(wǎng)絡(luò)結(jié)構(gòu)利于更新數(shù)據(jù)庫[18]，即當(dāng)增加一個(gè)類或減少一類時(shí)，不必重新訓(xùn)練每個(gè)網(wǎng)絡(luò)。

[1] 田捷，楊鑫.生物特征識(shí)別技術(shù)理論與應(yīng)用[M].北京:電子工業(yè)出版社，2005:6-7.

[2] J Daugman.High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15:1148-1161.

[3] W Boles，B Boashansh.A human identification technique using images of the iris and wavelet transform[J].IEEE T rans.Signal Processing，1998，46（4）:1185-1188.

[4] Li Ma，Tieniu Tan，Yunhong Wang，et al.Local intensity variation analysis for iris recognition[J]. Pattern Recognition，2004，37:1287-1298.

[5] 張宇.基于小波變換的虹膜識(shí)別算法研究[D]:[碩士學(xué)位論文].成都:電子科技大學(xué)，2006.

[6] J G Daumgan.Biometrical personal identification system based on iris analysis[P].US:patent 52911560，1994.

[7] D Field.Relations between the statistics of natural images and the response properties of cortical cells [J].Journal of the Optical Society of America，1987.

[8] S Lim，K Lee，O Byeon，et al.Efficient iris recognition through improvement of feature vector and classifier[J].ET RI Journal，2001，23（2）:25-29.

[9] P Burt，E Adelson.The laplacian pyramid as a compact image code[J].IEEE Transactions on Communications，1983，31（4）:532-540.

[10] 林卉，趙長勝.基于Canny算子的邊緣檢測及評(píng)價(jià)[J].黑龍江工程學(xué)院學(xué)報(bào)，2003，17（2）:3-6，16.

[11] Gonzales RC.數(shù)字圖像處理[M].2版.阮秋琦，譯.北京:電子工業(yè)出版社，2003:91-95.

[12] 呂英華，崔景霞.基于FWT-Projection-BPNN的表情識(shí)別[J].東北師大學(xué)報(bào):自然科學(xué)版，2009（2）: 84-91.

[13] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB 7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社，2005:99-108.

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

[15] 范科峰，曾慶寧.基于二維小波變換的虹膜識(shí)別算法研究[J].中國有線電視，2002（24）:28-31.

[16] 何飛.面向?qū)嵱铆h(huán)境的虹膜識(shí)別方法研究[D]:[碩士學(xué)位論文].長春:吉林大學(xué)，2010.

[17] 王玥.基于M ATLAB的虹膜識(shí)別系統(tǒng)研究[D]: [碩士學(xué)位論文].武漢:武漢理工大學(xué)，2007.

[18] 韓民.基于多分辨率分析的虹膜識(shí)別算法研究[D]:[碩士學(xué)位論文].濟(jì)南:山東大學(xué)，2010.