黃 敏，劉文超，任宗華，?；?/p>

(鄭州輕工業(yè)學(xué)院 計算機與通信工程學(xué)院，河南 鄭州 450002)

?

基于方向局部二值模式的虹膜識別方法

黃 敏，劉文超，任宗華，?；?/p>

(鄭州輕工業(yè)學(xué)院 計算機與通信工程學(xué)院，河南 鄭州 450002)

虹膜識別技術(shù)作為最簡單最精確的人體生物識別技術(shù)，越來越受人們的重視.目前，CS-LBP算子由于它的高效性和灰度不變性，在虹膜識別領(lǐng)域取得了較好的識別效果.但它忽略了中心像素對虹膜紋理的影響，因此提出了基于D-LBP的虹膜識別方法.它將周圍鄰近的像素和中心像素進行比較，重新定義了特征描述碼的計算方法.該方法在降低特征維數(shù)的同時，很好的解決了CS-LBP算法中心像素丟失的問題.實驗結(jié)果表明：與LBP和CS-LBP方法相比，提出的方法具有更好的識別效果.

虹膜識別；中心對稱局部二值模式(CS-LBP)；方向局部二值模式(D-LBP)

虹膜識別技術(shù)作為人體生物識別技術(shù)的一種，它的錯誤率是最低的[1]，被人們普遍認為是目前最具發(fā)展前景的生物識別技術(shù)，其在國防、電子商務(wù)、金融管理、政府部門、安防等多個領(lǐng)域具有廣闊的應(yīng)用前景，吸引了業(yè)界大量的關(guān)注[2].

1993年Daugman博士[3]首次系統(tǒng)的給出了虹膜識別技術(shù)的理論框架，近20年來，國內(nèi)外學(xué)者和機構(gòu)也都在虹膜識別領(lǐng)域做了深入探索和廣泛研究.目前關(guān)于虹膜特征提取的方法概括起來可以分為四類：基于相位分析法、基于相關(guān)濾波器法、基于過零點檢測法和基于紋理統(tǒng)計特征法.在這四類方法中比較著名的算法有：Daugman博士[3]提出的通過Gabor濾波器提取虹膜紋理的相位特征的方法；Wildes等[4]的高斯-拉普拉斯(laplace of gaussian，LOG)濾波器金字塔分解的方法；Boles等[5]通過大量的實驗提出的通過一維小波在不同分辨率上過零點檢測提取特征的方法；孫哲楠等[6]采用的通過簡單高效的局部二值模式(local binary patterns,LBP)算子來提取虹膜區(qū)域的統(tǒng)計特征的方法.

在這些方法中，LBP算子由于它的簡單高效，同時又具有灰度不變性的優(yōu)點，受到了廣大研究者的重視.但由于LBP算子描述的紋理過于精細，對噪聲比較敏感，再加上特征維數(shù)較高，所以識別效率并不理想[7].而改進的中心對稱局部二值模式(center-symmetric local binary patterns，CS-LBP)算子，雖然降低了特征維數(shù)，但由于它在描述局部紋理時，并沒有考慮中心像素，所以在識別效果上也有一定的影響.為了在降低特征維數(shù)的同時，還能詳細全面的描述虹膜的紋理信息，本文提出了基于方向局部二值模式(directing local binary patterns，D-LBP)的虹膜識別方法.該方法在中科院自動化研究所免費公開的虹膜庫CASIA Version 4.0上進行了大量實驗，結(jié)果表明，本文提出的方法能更好的提取出虹膜紋理的有效特征，與原始的LBP算子和改進后的CS-LBP算子相比，能達到更高的識別率.

圖1 虹膜定位Fig.1 Iris localization

圖2 虹膜的歸一化Fig.2 Iris normalization

圖3 虹膜圖像增強Fig.3 Iris image enhancement

1 虹膜圖像的預(yù)處理

虹膜位于人的眼睛內(nèi)部，是位于鞏膜和瞳孔之間的圓環(huán)型的部分.要想獲得可以用來進行識別的虹膜圖像，首先就要對虹膜庫中的人眼圖像進行預(yù)處理.它主要包含三個部分：虹膜定位、圖像的歸一化和圖像的增強.虹膜的定位是通過對人眼圖像的處理，找出虹膜的區(qū)域并將其分割出來.本文采用的定位算法是Daugman教授提出的微積分算子法[8]，它是目前最常用的定位方法，其計算公式如下：

其中：Gσ(r)為高斯函數(shù)，*表示卷積，上式實質(zhì)上是一個以尺度σ模糊化的圓形邊緣探測器模板，它通過在(r，x0，y0)的三維空間里，不斷迭代求取最大值，最終實現(xiàn)了對虹膜內(nèi)外邊緣的定位.其定位效果如圖1所示.

在進行人眼采集時，光照的變化通常會引起瞳孔收縮，再加上個體的差異，都會造成虹膜的大小有所不同.因此，通常需要用映射的方法將分割出來的虹膜圖像進行歸一化處理.本文采用廣泛使用的橡皮圈(rubber-sheet)模型[9]進行映射.首先從瞳孔中心引出一條水平的射線，它與虹膜內(nèi)外邊界形成兩個交點P和S，它們的坐標分別記為(xp(θ)，yp(θ))和(xs(θ)，ys(θ))，其中θ表示射線的旋轉(zhuǎn)角度，射線旋轉(zhuǎn)一周，即可將原虹膜圖像中的點轉(zhuǎn)化為極坐標(r，θ)中的點，具體的映射公式如下[10]：

通常采集到的人眼圖像都會受到眼瞼和睫毛的遮擋，因此在對分割出來的虹膜圖像歸一化以后，本文取右上方不易被遮擋的區(qū)域作為有效區(qū)域進行特征的提取，其大小為32×256像素.其歸一化之后的圖像如圖2所示.

在采集人眼圖像過程中，難免受到光照強弱，顏色分布不均勻，噪聲等影響導(dǎo)致圖片質(zhì)量下降，從而影響識別效果.所以，通常需要對歸一化后的圖像進行增強處理，增加對比度，以提高識別效率[11].本文采用的圖像增強的方法為直方圖均衡化法，它是通過調(diào)整圖像各個像素的灰度值來加強圖像的對比度，強化圖像紋理，其處理效果如圖 3 所示.

2 算子描述

2.1 LBP算子

LBP是一種常見的描述圖像紋理特征的算子，它具有強大的紋理識別能力.其基本思想是通過描述中心像素點和相鄰像素點的灰度關(guān)系，來表征圖像的紋理特征.由于它描述的是像素間灰度值的相對大小，所以不受光照變化的影響，這也是該算子的突出優(yōu)點.原始的LBP算子如圖4所示，在相鄰的9個像素點中，設(shè)中間像素點Pc的灰度值為閾值，周圍相鄰8個像素點的灰度值分別與其相比較，大于等于閾值賦1，小于閾值賦0.然后再將得到的8個二進制碼逆時針串聯(lián)，組成一串二進制數(shù).最后再將這個二進制數(shù)轉(zhuǎn)化為十進制，即可得到中心像素點Pc的特征描述碼.

為了實現(xiàn)對不同尺度的紋理特征的提取，Ojala等[12]又在原始的LBP算子基礎(chǔ)上進行了改進，選取距離

圖4 LBP算子示意圖Fig.4 LBP operator

圖5 幾種常見的LBP算子Fig.5 Some common LBP operators

圖6 8-鄰域CS-LBP算子示意圖Fig.6 8-neighborhood CS-LBP operator

中心像素點一定距離的圓形領(lǐng)域，來計算中心像素的LBP值.其基本思想是：在以圖像中任意一點Pc為圓心，R為半徑的圓上，均勻的選取N個像素點，將他們的灰度值和圓心Pc的灰度值進行比較，對于沒有落在像素位置的點，其灰度值可通過雙線性插值法來計算.最后按照圖4的方法，計算出中心像素Pc的LBP編碼.具體的計算公式為：

2.2 CS-LBP

LBP算子雖然簡單高效的提取出了圖像的紋理特征，但它描述的紋理過于精細，對噪聲比較敏感，所生成的特征描述碼維數(shù)也較高.為了降低維數(shù)，Heikki等[13]提出了一種新的特征計算方法，該方法不再是將中心像素和周圍鄰近像素做比較，而是將圓形鄰域內(nèi)以Pc為對稱中心成中心對稱的像素進行比較.通過這種方法，8鄰域的算子，計算出的特征描述碼長度為4，比原方法減少了一半，具體的計算公式為：

由上式分析可知，CS-LBP算子計算出來的特征描述碼長度是原LBP算子的一半，這樣不僅能在以后的計算中減少復(fù)雜度，也能大大的降低所需要的存儲空間.圖6為8-鄰域的CS-LBP算子原理圖.

2.3 D-LBP

CS-LBP算子雖然很好的減少了特征描述碼的長度，但是它在計算過程中忽略了中心像素對圖像紋理的影響.為了在降低特征維數(shù)的同時，還能詳細全面的描述圖像的紋理信息，本文提出了D-LBP算子，其定義為：

在上式中，在一個以Pc為圓心R為半徑的圓上，均勻的分布著N個點(其中N為偶數(shù))，標記為P0～PN-1，這些點以Pc為對稱中心，兩兩對稱.分別用相對稱的兩個點Pi、Pi+N/2和中心點Pc的灰度值進行比較，如果Pi≥Pc& Pc≥Pi+N/2或者Pi≤Pc& Pc≤Pi+N/2，則表示從Pi，Pc到Pi+N/2的灰度值是遞增(或遞減)的，此時記為1，否則記為0.逆時針依次將這N/2對像素點標記完畢之后，可得到一串二進制的編碼，此編碼即為該中心像素點Pc的D-LBP編碼.圖7表示了一個8-鄰域的D-LBP算子原理圖.

圖7 8-鄰域D-LBP算子示意圖Fig.7 8-neighborhood D-LBP operator

由圖7可知，在計算中心像素點Pc的特征描述碼時，CS-LBP算子通過比較以Pc為中心對稱的兩個像素點(Pi，Pi+4)之間的灰度值進行編碼.如(P0，P4)，(P1，P5)，(P2，P6)，(P3，P7)這四對像素點，比較每對像素點之間灰度值的大小，標記為0或1，再按照逆時針順序進行組合，即可得到中心像素點的特征描述碼.它比原始LBP算子計算出來的特征描述碼的長度要少一半，但它忽略了中心像素點和鄰近像素點的灰度關(guān)系.而LDP算子在計算過程中，它在每對像素點中加入了中心像素點Pc，通過計算(P0，Pc，P4)，(P1，Pc，P5)，(P2，Pc，P6)，(P3，Pc，P7)這四組像素點每組內(nèi)像素點之間的灰度關(guān)系，標記為0或1，同樣按照逆時針順序進行組合，然后得到中心像素點Pc的特征描述碼.該特征碼描述了在中心像素Pc的圓形鄰域內(nèi)，沿著同一方向，從Pi到Pc再到Pi+N/2的灰度是否遞增或遞減的特征.

3 特征匹配

為了比較兩個虹膜是是否為同一個虹膜，本文采用海明距離來計算它們的相似度.其計算公式為：

其中：a，b為兩個將要比較的虹膜圖像的特征編碼，N為虹膜特征編碼的總長度，如果ai和bi相同，則ai?bi結(jié)果為0，否則為1.如果兩個虹膜相同，則其特征編碼也相似，計算出來的海明距離也非常小.相反，如果是不同的虹膜，則其特征編碼差別較大，計算出來的海明距離也比較大.由此，即可區(qū)分出兩個虹膜是否為同一個.

4 實驗結(jié)果及分析

為了驗證D-LBP算子在虹膜識別效果上的優(yōu)越性，本文進行了兩個實驗，首先通過實驗一為D-LBP算子中涉及到的兩個參數(shù)N和R選取最合適的值，其次通過實驗二比較LBP、CS-LBP和LDP三種算子的識別效果.本文采用中科院自動化研究所的CASIA4.0-Interval虹膜庫進行實驗，該虹膜庫的虹膜紋理清晰，很適合用來研究虹膜的紋理特征.該虹膜庫共采集了249人，395個不同種類，共2 639幅虹膜圖像.本實驗的硬件為：聯(lián)想intelCorei3-2130臺式機，內(nèi)存為4GB.軟件環(huán)境為：Windows7操作系統(tǒng)，仿真軟件MatlabR2014a.

4.1 不同N和R下的實驗結(jié)果

隨著閾值的增大，F(xiàn)AR越來越大，而FRR則越來越小.好的識別算法則要求FAR和FRR都能保持一個較小的值.在ROC曲線圖中，越接近坐標軸，則證明算法的性能越好.同時也可以采用FAR和FRR相等時的等錯率EER來衡量一個算法的整體性能，EER的值越小，算法的整體性能就越好.由圖8的ROC曲線可以看出，當N=16，R=2時，EER的值最小，所得曲線也最接近坐標軸.故在采用D-LBP算子進行特征提取時， 可選取N=16，R=2.

4.2 不同算子識別效果的比較

為了進一步驗證D-LBP算子的優(yōu)越性，本文又對CASIA4.0-Interval虹膜庫中100個人的700幅圖片，分別采用LBP、CS-LBP、D-LBP算子進行了實驗.其中參照文獻[13]和文獻[14]，LBP算子所用參數(shù)N=16，R=4，CS-LBP算子所用參數(shù)N=16，R=2.最終得到的ROC曲線圖如圖9所示，各算子的CRR和EER如表1所示.

圖8 不同N和R的ROC曲線比較Fig.8 Comparison of ROC curve for different N and R

圖9 不同算子的ROC曲線比較Fig.9 Comparison of ROC curve for different operator

表1 不同算子的CRR和EER比較Tab.1 Comparison of CRR and EERfor different operator %

從圖9中可知，采用D-LBP算子得出的曲線最接近坐標軸，這就說明本文提出的基于D-LBP的虹膜識別方法和傳統(tǒng)的LBP方法以及CS-BLP方法相比具有更強的魯棒性，能達到更好的識別效果.

5 結(jié)束語

本文提出了一種基于D-LBP的虹膜識別方法.和改進前的CS-LBP方法相比，本文提出的方法在計算特征描述碼時，不是僅僅把周圍鄰近像素點的灰度值進行對比，而是用鄰域內(nèi)相互對稱的像素點分別和中心像素點的灰度值進行比較，記錄它們沿著各個方向的灰度變化情況，從而提取出更加全面的紋理特征.實驗結(jié)果表明：與LBP和CS-LBP方法相比，本文使用的方法具有更好的識別效果，在中科院自動化研究所的CASIA4.0-Interval虹膜庫上，該方法的識別率已達99.84%.

[1] 趙彥明.基于尺度相關(guān)多特征提取與融合的虹膜識別算法[J].計算機應(yīng)用與軟件,2013,30(7):188-192.

[2] 王蘊紅,譚鐵牛.現(xiàn)代身份鑒別新技術(shù)：生物特征識別技術(shù)[J].中國基礎(chǔ)科學(xué),2000(9):4-10.

[3]DAUGMANJG.HighConfidenceVisualRecognitionofPersonsbyaTestofStatisticalIndependence[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,1993,15(11):1148-1161.

[4]WILDESRP,ASMUTHJC,GREENGL,etal.Amachine-visionsystemforirisrecognition[J].MachineVision&Applications,1996,9(1):1-8.

[5]BOLESWW,BOASHASHB.Ahumanidentificationtechniqueusingimagesoftheirisandwavelettransform[J].IEEETransactionsonSignalProcessing,1998,46(4):1185-1188.

[6] 孫哲南. 虹膜圖像特征表達方法研究[D].北京：中國科學(xué)院自動化研究所,2005.

[7]LIC,ZHOUW,YUANS.Irisrecognitionbasedonanovelvariationoflocalbinarypattern[J].VisualComputer,2015,31(10):1-11.

[8]DAUGMANJ.StatisticalRichnessofVisualPhaseInformation:UpdateonRecognizingPersonsbyIrisPatterns[J].InternationalJournalofComputerVision,2001,45(1):25-38.

[9]DAUGMANJ.Howirisrecognitionworks[J].Circuits&SystemsforVideoTechnologyIEEETransactionson,2004,14(1):21-30.

[10] 陳英. 虹膜定位和識別算法的研究[D].長春：吉林大學(xué),2014.

[11] 張震,張英杰.基于支持向量機與Hamming距離的虹膜識別方法[J].鄭州大學(xué)學(xué)報(工學(xué)版),2015,36(3):25-29.

[12]OJALAT,VALKEALAHTIK,OJAE,etal.Texturediscriminationwithmultidimensionaldistributionsofsignedgrayleveldifferences[J].PatternRecognition,2001,34(3):727-739.

[13]HEIKKIL?M,PIETIK?INENM,SCHMIDC.Descriptionofinterestregionswithlocalbinarypatterns[J].PatternRecognition,2009,42(3):425-436.

[14] 李歡利.虹膜特征表達與識別算法研究[D].北京：中國科學(xué)院研究生院(長春光學(xué)精密機械與物理研究所),2013.

責(zé)任編輯：高 山

An Iris Recognition Method Based on D-LBP

HUANG Min，LIU Wenchao，REN Zonghua，CHANG Huawen

(College of Computer and Communication Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China)

Iris recognition technology,as the simplest and most accurate human biometric technology,has attracted more and more attention.At present,the CS-LBP operator has achieved a good recognition result in the field of iris recognition because of its high efficiency and gray-scale invariance.But it didn’t consider the influence of the center pixel on the iris texture.Therefore,this paper proposes an effective improved method based on D-LBP for iris recognition.It compares the neighboring pixels with the center pixels,and redefines the calculation method of the signature description codes.This method not only reduces the dimension,but also solves the problem of the loss of the center pixel of CS-LBP algorithm.And the experiments show that the method proposed by the paper has a better recognition effect compared with LBP and CS-LBP methods.

iris recognition；center-symmetric local binary patterns (CS-LBP)；direction local binary patterns (D-LBP)

2016-09-30.

國家自然科學(xué)基金青年科學(xué)基金項目(61401404).

黃敏(1972- )，男，碩士，教授，主要從事圖像處理的研究.

1008-8423(2016)04-0415-05

10.13501/j.cnki.42-1569/n.2016.12.013

TP391.4

A