杭海濱

0 引言

傳統(tǒng)的身份識別方法主要是基于身份識別物品（如鑰匙、證件、信用卡等）和身份識別知識（如用戶名、密碼和暗語等。）而鑰匙、證件等標識物品容易丟失或被偽造，用戶名密碼等容易被忘記或記錯。更為嚴重的是，它們無法區(qū)分物品真正的擁有者和取得標識物品或知識的冒充者，一旦冒充者獲得了這些標志物品或知識，就可以得到與真正擁有者相同的權(quán)力，極大地威脅其財產(chǎn)和人身安全。諸如此類的問題，使傳統(tǒng)身份識別體系面臨著巨大的挑戰(zhàn)，而使得生物特征識別（Biometrics）日益顯現(xiàn)，并被廣泛接受。

虹膜識別[1]是近年來興起的一種生物特征身份識別方法，它具有長期的穩(wěn)定性和良好的防偽性。在虹膜識別系統(tǒng)中，通常將虹膜的可視特征轉(zhuǎn)化為二值模板，由于不同人的虹膜千差萬別，所以即使比對的虹膜模板有1/3發(fā)生錯誤匹配，識別系統(tǒng)仍能做出準確的鑒別，任意兩個虹膜相同的概率是很小的，幾乎接近于0。其缺點是，虹膜采集設(shè)備昂貴，影響其采集應(yīng)用。需要一個較好的光照環(huán)境；黑眼睛虹膜難以讀??；對于盲人，眼疾患者和眼睛較小的人來說，虹膜識別技術(shù)不能使用。另外，在虹膜識別中，存在虹膜旋轉(zhuǎn)的問題，虹膜識別對的有效性還沒有經(jīng)過大規(guī)模數(shù)據(jù)的測試。由于虹膜識別具有很高的安全性、防范性、穩(wěn)定性和識別率，在安全性要求高的場合，虹膜識別是一種理想的身份識別方法，因此社會安全以及身份認證方面具有應(yīng)用前景。本文介紹了虹膜系統(tǒng)的快速定位[2]和識別。

1 瞳孔和虹膜的定位

1.1 瞳孔的定位

1.1.1 圖像二值化的閾值確定

圖像二值化的目的，是為了搜尋瞳孔中心所做的預(yù)處理。其原理是將圖像的灰度值在閾值以下的像素的灰度值變?yōu)?，而灰度值在閾值以上的像素的灰度值變?yōu)?55，即有算式（1）

閾值t的確定過程如下：

假設(shè)圖像尺寸為640*480，瞳孔半徑為50，瞳孔的比率為50*50*π/ (640*480)= 2.56%。然后統(tǒng)計圖像灰度值的累計值，當累計值超過2.56%時，即認為此時的灰度值為圖像二值化的閾值。閾值t的確定實例，如表1所示：

表1 灰度累計

1.1.2 瞳孔中心定位的實現(xiàn)

瞳孔中心定位的實現(xiàn)是通過投票法來實現(xiàn)的。所謂投票法，是與物理的共鳴原理相似。處理方法可以理解為，在一張白紙上，根據(jù)原圖像的二值化后的圖像，對灰度值的小地方（深色），滴上淺色的黑墨水，等到所有點都處理完畢后，在白紙上顏色最深的處即可認為是接近瞳孔中心的點。原理，如圖1所示：

圖1 投票法原理

1.1.3 瞳孔半徑的確定

取得瞳孔假設(shè)中心后，就可以確定瞳孔中心和瞳孔半徑。瞳孔中心和瞳孔半徑可以通過成長法確定。所謂成長法是，圓的半徑逐步擴大，每次都計算圓周上的黑點與圓周長的比率（即飽和度）。相鄰兩個圓的飽和度進行比較，如果化率大于一定閾值時，即認為此圓從瞳孔邊界出去了，如圖2所示：

圖2 瞳孔半徑確定

然后再判別此瞳孔假設(shè)中心的判別相鄰 8點的同樣半徑的圓的飽和度，再將此瞳孔假設(shè)中心移向相鄰8點中飽和度最大的點，如表2所示：

表2 八點領(lǐng)域計算

同樣對新瞳孔假設(shè)中心再進行圓的半徑逐步擴大并計算飽和度的操作。如此反復(fù)，直到找到瞳孔中心和最大瞳孔半徑為止。此處用了一階離散微分的方法。

成長法的從假象圓心到搜索所得的真圓心的過程，如圖3所示：

圖3 通過成長法獲得圓心

從圖中可以看出，起始的圓心為白色十字處，通過成長法進行多次迭代后所得到的圓心為紅十字處。

1.2 虹膜的定位

1.2.1 虹膜半徑的確定

虹膜右半徑的確定是從瞳孔孔半徑處沿著半徑方向進行掃描，求出虹膜灰度變化最大的地方即為虹膜邊界處，如圖4所示：

圖4 虹膜半徑的確定

具體處理過程如下。

(1)確定從瞳孔中心角度 10 -- 60度，以瞳孔邊界向外150像素作為掃描范圍。

(2)求出在所限角度的弧線上，求出各個弧線上的灰度平均值。

(3)弧線灰度值由后10個平均組成。

考慮到圖像噪聲大或圖像攝像錯誤的情況，僅僅靠一個圓弧來決定的話，可能會有誤差。這個誤差可能是睫毛，或是頭發(fā)等引起的。為了減小誤差，所以采用多個弧線的來決定一個弧線的方式。

(4) 每一圓弧的灰度變化量由左相鄰7個弧線和右相鄰的7個弧線之差的和算出。

求微分變化量時，不是簡單地求相鄰兩個弧線的灰度差，而是求一定區(qū)域內(nèi)弧線灰度值的差之和。(5) 最大變化量即為虹膜左右邊界。至此，可以得到虹膜的左右半徑。

1.2.2 眼瞼的確定

上下眼瞼的確定，是通過在垂直方向的對虹膜掃描而求出的，如圖5和圖6所示：

圖5 眼瞼的掃描

圖6 眼瞼的梯度

但在實際的圖像中，人眼有可能是歪的，如圖7所示：

圖7 圖像歪的眼瞼的掃描

為此，灰度的梯度變化率變成了圖8的圖形，如圖8所示：

圖8 圖像歪的眼瞼的梯度

這樣，需要旋轉(zhuǎn)掃描角度和掃描半徑，去擬合實際的眼瞼曲線。掃描過程如下。

(1)以90°為分界的左右個10°來旋轉(zhuǎn)。

(2)旋轉(zhuǎn)半徑是2至8倍的瞳孔半徑。

這樣對于上眼瞼，共掃描21*7=141次掃描，得出梯度變化率最大處的掃描半徑作為虹膜與眼瞼的分界圓弧。

1.2.3 睫毛的噪聲去除

有一部分人的眼睛的睫毛較長會遮擋到虹膜部分，這樣會影響到特征提取的精度?？紤]到睫毛一般比虹膜顏色深，所以先計算出虹膜ROI(Region of Interest)的平均灰度值，即P1,P2區(qū)域。在ROI的平均灰度值的0.6-0.8倍以下的灰度值的地方認為是睫毛，如圖9所示：

圖9 睫毛的去除

得計算公式（2）

2 虹膜特征值的提取和比照

虹膜的特征提取是為了進行虹膜的識別而做的預(yù)處理，特征值比照是為了根據(jù)虹膜特征值進行虹膜的識別。

2.1 虹膜角度方向的分割

根據(jù)虹膜左右半徑，將虹膜分成8個環(huán)，如圖10所示：

圖10 虹膜的分割

其分割原理如下：

設(shè)d=虹膜左半徑-虹膜右半徑，最小環(huán)的中心坐標x1=瞳孔中心，由此類推，第n個環(huán)的中心Xn=X1+(d/2)/8*(n-1)，|X8-X1|=d/2。

2.2 虹膜半徑方向的分割

在虹膜徑向方向?qū)⒑缒し殖?56份，即每個微小區(qū)域的角度為2*PI/256=PI/128，大約為1.4度。如圖11所示：

圖11 虹膜微小區(qū)域分割

這樣一個環(huán)被分成256分，將虹膜的整個區(qū)域的8個環(huán)分成8*256=2048個微小區(qū)域。下一步將通過2048個微小區(qū)域來提取虹膜特征值。

2.3 虹膜特征值提取和特征值符號化

對所得到的2048個從微小區(qū)域，計算每一個微小區(qū)域的灰度平均值。對于每一個微小區(qū)域，計算包括在四邊形的矢量內(nèi)的所有像素的灰度值的和除以這四邊形所包含的像素個數(shù)，得到此微小區(qū)域的平均灰度值，如圖12所示：

圖12 微小區(qū)域平均值

整個虹膜的灰度平均值為2048個。下面以一個圓環(huán)為例說明如何將灰度特征值符號化，如圖13所示：

圖13 特征值符號化

將兩個微小區(qū)域y1,y2的灰度值相減，有如下四種情況：

y1-y2<0 此微小區(qū)域的符號化值為00，即為上升；

y1-y2>0 此微小區(qū)域的符號化值為01，即為下降；

y1-y2=0 此微小區(qū)域的符號化值為10，即為無變化；

當計算出的y1或y2大于或小于一定的閾值，如250，20等，此微小區(qū)域為不可使用區(qū)域，其符號化值為11。

這樣做的優(yōu)點是：1）提高了虹膜圖像的不可復(fù)原度，有利于圖像數(shù)據(jù)的保密。2）數(shù)據(jù)處理量減少，加快了比照速度。

一個虹膜所占容量為2048*2=4192位，即512字節(jié)，為了提高比照精度，在特征提取時將虹膜旋轉(zhuǎn)半個微小角度，即0.7度。因此，一個虹膜所占容量為8192位，即1024字節(jié)。

3 特征值的比照

對符號化后的兩個文件進行比較，具有相同特征值，則得到1分。設(shè)有2個特征值符號化后的文件文件1和文件2。

文件1的符號化值為：00 01 10 11…

文件2的符號化值為：00 10 10 10…

就前面4個特征值比照結(jié)果而言，比照結(jié)果為2分。在比照中，采用 FAR（錯誤接受率）,FRR（錯誤拒絕率）來評價識別精度。在此系統(tǒng)中，用 FAR=0.1%時的 FRR率來評價識別精度。

實驗表明，用本文的方法，既能較快速地定位虹膜，也能獲得較高的比照精度。實驗結(jié)果表明，本方案對1066張照片進行比照，當FAR=0.1%時，F(xiàn)RR=0.08%，取得了良好的比照效果。

另外，為了進一步提高比照速度，處理從32位機改為64位機，程序也相應(yīng)從32位轉(zhuǎn)換成64位，比照速度提高了近1倍。

4 結(jié)論

本文較詳細介紹了虹膜定位和識別的整個過程。包括瞳孔中心的定位，虹膜左右半徑的確定，虹膜微小區(qū)域的分割，虹膜特征值的計算和特征值的符號化和虹膜比照。按照文中介紹的方法，取得了較好的比照精度。在虹膜識別方面，有諸多種虹膜識別方法，如微小區(qū)域的小波分析法，Gabor濾波器法[5]等。為了進一步提高比照精度，在 Gabor濾波器方面，將開展一些工作。

[1]田啟川，虹膜識別原理及算法[M]，北京，國防工業(yè)出版社，2010.6.

[2]刁雪峰，快速虹膜定位算法研究[D]，蘭州理工大學(xué)碩士論文，2010.9.

[3]駱麗，實時虹膜圖像質(zhì)量評估的算法研究與實現(xiàn)[D]，電子科技大學(xué)碩士論文，2008.5.

[4]張立云，虹膜圖像質(zhì)量評估方法的研究[D]，上海海事大學(xué)碩士論文，2009.7.

[5]張帆，基于Gabor變換的虹膜識別算法[D]，中國民航大學(xué)碩士學(xué)位論文，2008.3.