馬曉峰　高瑋瑋

摘? 要： 為提高虹膜識別系統(tǒng)的性能，提出了基于Gabor濾波的改進虹膜識別方法。首先根據(jù)虹膜圖像的灰度特性進行虹膜定位與歸一化，然后利用多尺度Gabor濾波器進行特征提取，然后通過主成分分析法降維，并進行識別，根據(jù)識別能力的差異，計算濾波器的輸出權值，最后利用加權后的距離進行虹膜識別。利用該方法對CASIA虹膜庫進行識別，得到系統(tǒng)識別率為99.78%，等錯率為0.19%。結果表明，利用改進的方法能充分發(fā)揮濾波器的識別性能，并增強系統(tǒng)的魯棒性。

關鍵詞： 虹膜識別;虹膜定位;特征提取;主成分分析

中圖分類號： TP391.41? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2019.07.010

【Abstract】： In order to improve the performance of the iris recognition system， an improved iris recognition method based on Gabor filtering was proposed. Firstly， the iris was localized and normalized according to the gray-scale characteristics of the iris image. Secondly， the iris features were extracted by multi-scale Gabor filter and reduced by the principal component analysis method. Thirdly， the iris was identified， and the output weight of the filter was calculated according to the difference of discrimination ability. Finally， the weighted Gabor filtering was used to iris identification. The approach was tested on the CASIA iris library. With the Gabor filter， the system recognition rate reaches 99.78%， and the equal error rate is reduced to 0.19%. The improved algorithm based on Gabor filter can fully utilize the recognition performance of the filter and enhance the robustness of the system.

【Key words】： Iris recognition; Iris localization; Feature extraction; PCA

0? 引言

隨著網(wǎng)絡與信息時代的到來，個人身份認證變得越來越重要，生物識別技術也逐漸發(fā)展起來，如：人臉識別[1-2]、虹膜識別[3-4]、指紋識別[5]、語音識? ?別[6]等。其中，虹膜識別技術因高準確性、高穩(wěn)定性、唯一性等優(yōu)點，被認為是生物特征識別領域最具有研究意義的識別技術。

目前典型的虹膜識別算法有：Daugman[7-8]提出的利用伽柏（Gabor）濾波提取虹膜特征的相位分析法;Wildes等[9]提出的拉普拉斯金字塔分解算法;Boles等[10]提出的小波變換過零點檢測算法;王蘊紅等[11]提出的Gabor濾波和Daubechies-4小波相結合的識別方法;Pillai等[12]提出的基于隨機投影和稀疏表示的識別方法;Minaee等[13]提出利用散射變換和紋理特征進行虹膜識別等。這些方法均取得了很好的識別效果，在這些方法中，Daugman的Gabor濾波方法以優(yōu)越的識別性能，成為國內(nèi)外虹膜識別設備中的主流算法。許多研究者也對Gabor濾波方法做出了改進，如：苑瑋琦等[14]針對虹膜紋理細節(jié)，提出2D-Gabor濾波器提取紋理方向特征的虹膜識別方法;馮薪樺等[15]提出了加權Hamming距離的方法;何威等[16]提出了2DPCA和多通道Gabor的方法，改善了虹膜識別的速度;陳芋文、張旭和方強等[17-19]分別提出了一維Log-Gabor濾波器和二維正交Log-Gabor濾波器，更全面地描述了虹膜的紋理特征空間;Hamouchene等[20]提出基于局部和方向紋理信息的特征提取方法，兼顧了虹膜的局部特征與全局特征，增強了識別效果。這些識別算法均取得了良好的識別性能，但是以往的方法對濾波器的輸出賦予相同的權值，實際上各濾波器具有不同的紋理描述能力，有著不同的識別性能，所以應該對其區(qū)別對待。

針對不同濾波器的鑒別能力差異，在Daugman算法的基礎上，提出了改進的Gabor濾波的虹膜識別方法。

1? 材料與方法

1.1? 實驗材料及設備

虹膜圖像為中科院公共數(shù)據(jù)庫CASIA1.0[21]，數(shù)據(jù)庫中共有108只不同的眼睛，每只眼睛有7幅灰度圖，其分辨率為320像素×280像素。為確定Gabor濾波器的權值，將其中36只眼睛圖像作為訓練樣本，其余作為測試樣本。

實驗環(huán)境如下：CPU為Intel（R）Core（TM）i7- 6700HQ，內(nèi)存8 GB，操作系統(tǒng)為win10，使用的軟件為Matlab R2014a。

1.2? 方法

虹膜圖像的識別過程主要包括虹膜預處理、虹膜特征提取與匹配3個步驟[22]，具體過程如圖1所示。

1.2.1? 虹膜預處理

通常拍攝到的虹膜圖像中還存在一部分噪聲，如：瞳孔、眼瞼、睫毛等，因此就要通過預處理來消除上述各種因素的影響，預處理主要包括虹膜定位、歸一化與增強。

1.2.1.1? 虹膜定位

虹膜圖像的定位就是確定瞳孔與虹膜邊緣的圓心及半徑。具體的定位過程如下：

（1）建立虹膜圖像的灰度直方圖，如圖2b所示，將第一個峰值處的灰度值設為閾值，并進行二值化操作，如圖2c所示。應用形態(tài)學操作中的閉運算對二值化圖像進行處理，去除睫毛等噪聲，結果如圖2d所示。通過canny算子檢測瞳孔邊緣，并運用最小二乘法擬合瞳孔邊緣，完成瞳孔的定位，定位結果如圖2e所示。

（2）根據(jù)虹膜邊緣與鞏膜間的灰度差值較大的特征，以及虹膜邊緣的環(huán)形特征，利用公式（1）所示的Daugman微積分算子在瞳孔圓心周圍的10個

像素區(qū)間內(nèi)進行運算，并完成虹膜的定位，定位結果如圖2f所示。

公式（1）中 表示虹膜圖像，r為圓積分半徑，其積分路徑為給定圓心 和半徑r的圓周。由于各個相鄰圓周像素的灰度均值會發(fā)生異常變化，所以使用了函數(shù) ，該函數(shù)是一個尺度為 的高斯平滑函數(shù)，其作用是消除異常變化引起的虛假邊緣。由于積分微分算子需要在整幅虹膜圖上搜索，計算量極大，并考慮到眼瞼與睫毛的遮擋，將積分范圍限制在圓心左右兩側±30°的范圍內(nèi)。

1.2.1.2? 虹膜歸一化與增強

采用彈性模型，如圖3所示，按照公式（2）? ? 將直角坐標下近似環(huán)形的虹膜圖像，映射到極坐標中去。

通過彈性模型，將虹膜圖像歸一化為120×480像素的區(qū)域，以消除在圖像采集時帶來的平移、縮放和旋轉等影響，并且有利于特征抽取和模式比對，歸一化的結果如圖4（a）所示。由于歸一化后虹膜圖像的對比度比較低，因此對圖像進行直方圖均衡化，以減少光照不均的影響，均衡化結果如圖4（b）所示。通常拍攝的虹膜圖像中，上下眼瞼與睫毛會遮擋局部的虹膜信息，所以只保留了歸一化后右上方大小為60×240像素的區(qū)域，如圖4（c）所示。

1.2.2? 虹膜特征提取與匹配

1.2.2.1? 虹膜特征提取與編碼

對歸一化后的虹膜圖通過Gabor濾波器進行特征提取，Gabor濾波器的表達形式如下：

Gabor濾波器可以看作一個高斯調(diào)制的正弦函數(shù)，其中， 為濾波器的中心， 、 表示高斯窗的寬度與長度， 代表了濾波器頻率為 ，方向為 。Gabor濾波器可以分解為實部偶對稱和虛部奇對稱的兩個濾波器，文獻[23]指出奇對稱Gabor濾波器比偶對稱濾波器更適于提取虹膜特征，只通過虛部奇對稱濾波器濾波會得到更優(yōu)的效果。

為了分析不同濾波器參數(shù)對虹膜識別結果的影響，選取了5個尺度4個方向的Gabor濾波參數(shù)，其中方向 選取為0、45、90、135°，頻率 取0.125 00、0.083 30、0.062 50、0.050 00、0.041 67，根據(jù)濾波參數(shù)對虹膜圖像進行濾波，形成60×240大小的特征碼，并使用主成分分析法[24]（principal component analysis，PCA）降噪，去冗余，最終形成1×240大小的特征編碼。

1.2.2.2? 改進的虹膜匹配算法

對虹膜特征編碼后，需要對其進行匹配識別，具體是使用Hamming距離來表征兩幅圖像的相似性，且Hamming距離越小，兩幅虹膜圖像的相似程度越大，即識別為同類虹膜，反之，就認為不是同類的。Daugman采用的常規(guī)Hamming距離的計算式如下：

式中XOR表示異或運算，A、B是兩個虹膜編碼。由于不同的Gabor濾波器對虹膜的識別能力是有區(qū)別的，因此提出了基于加權Gabor濾波的方法進行相似度的計算。其計算式如下：

其中N為子濾波器的個數(shù)， 為各濾波器的輸出權重， 、 為濾波器對應的特征編碼。其中權重的大小根據(jù)各濾波器識別的等錯率來確定，并遵循原則：濾波器的等錯誤率越小，權值越大。具體的加權方式如下：

其中： 為第i個子濾波器單獨作用時對應的等錯率，k為所有濾波器作用時等錯率的平均值。

2? 結果與分析

為確定Gabor濾波器輸出端的權值，對36只眼睛的圖像，利用Daugman[7]算法，進行兩兩匹配，計算每個Gabor濾波器單獨對虹膜進行識別時的等錯率，表1展示了取不同參數(shù)時各個Gabor濾波器的等錯率。根據(jù)濾波器的等錯率，運用公式（6）計算每個濾波器的權值，從而對剩余的72只眼睛圖像進行算法測試。

為驗證算法性能，將本文算法與另外三種算法進行比較，分別為：Daugman算法、經(jīng)過PCA處理的Daugman算法和加權Daugman算法。改進Gabor濾波的方法與另外三種方法對72只眼睛圖像的檢測結果如表2所示。由表2可見，Daugman算法的等錯率為0.41%，經(jīng)過PCA處理后，等錯率有所下降，而經(jīng)過PCA與加權處理后，系統(tǒng)的等錯率有明顯的下降，下降了0.22%，大約在原來的基礎上下降了一半左右。在圖5中分別為4種算法的ROC曲線圖，曲線越接近坐標軸代表識別性能越好，由圖5可見未經(jīng)改進的系統(tǒng)的ROC曲線位于最上方，識別性能最次，經(jīng)過PCA處理后，系統(tǒng)的識別性能有所提高，而使用了PCA與加權的改進算法后，ROC曲線相比原來更接近坐標軸，識別系統(tǒng)的性能得到明顯改善。

由以上實驗結果可見，本文算法相對Daugman算法[3]的識別性能有明顯的改善。這是因為一方面：虹膜圖像中存在著光照等一系列噪聲[25]，通過PCA算法能在一定程度上消除噪聲，去除虹膜特征中一些無用的信息，所以能增強系統(tǒng)的抗噪性，同時能達到降維、去冗余的作用，而Daugman算法[3]不能對噪聲產(chǎn)生抑制作用，相反可能將其當作虹膜的特征，并影響識別效果。另一方面，在匹配部分通過加權的方式進行識別，研究發(fā)現(xiàn)各濾波器具有不同的紋理描述能力，通過加權的方式能充分發(fā)揮濾波器的識別能力，能大大降低系統(tǒng)的等錯率，并提高識別能力。這兩方面分別從圖5中Daugman與PCA算法以及Daugman與加權算法的ROC曲線的位置關系得到了證實。所以結合PCA與加權這兩種算法，使系統(tǒng)的識別性能得到了明顯的改善。

虹膜特征提取及匹配是虹膜識別系統(tǒng)中的重點，這兩部分直接關系著系統(tǒng)最終的性能。針對特征提取，通過PCA算法對虹膜進行降噪、去冗余，以消除虹膜圖像特征中的不利因素，同時PCA算法可以很好將原始數(shù)據(jù)被投射到低維的空間[26]，并使數(shù)據(jù)減少，這也能在一定程度上提高匹配速度，提高識別效率，能夠?qū)ο到y(tǒng)的識別性能產(chǎn)生積極的影響。而在匹配階段，充分考慮了濾波器提取紋理特征的能力，針對描述能力強區(qū)分力高的紋理特征，對濾波器賦予更大的權重，這能大大提高系統(tǒng)的識別能力。所以本文將PCA與加權算法相結合，能進一步提高系統(tǒng)的識別性能，且算法易于實現(xiàn)，具有很強的魯棒性。

3? 結論

為提高虹膜識別系統(tǒng)的性能，分析了Gabor濾波器不同參數(shù)下的識別性能，針對濾波器識別率的不同，分別對各濾波器輸出賦予不同的權重。該方法簡單實用，使虹膜特征的可鑒別能力得到較大的提高，充分發(fā)揮了各個子濾波器的識別能力，并提高了虹膜識別系統(tǒng)的識別性能。由于Gabor濾波器的參數(shù)是人為選定的，所以進一步的工作是針對不同的虹膜庫進行自適應參數(shù)的選取，以此來進一步提高識別的正確率和系統(tǒng)的魯棒性。

參考文獻

[1] 全雪峰. 基于奇異熵和隨機森林的人臉識別[J]. 軟件， 2016， 37（02）： 35-38.

[2] 安大海， 蔣硯軍. 基于BP神經(jīng)網(wǎng)絡的人臉識別系統(tǒng)[J]. 軟件， 2015， 36（12）： 76-79.

[3] Daugman J. Probing the uniqueness and randomness of iris codes： results from 200 billion iris pair comparisons[J]. Proceedings of the IEEE， 2006， 94（11）： 1927-1935.

[4] 王海順， 吳華. 虹膜在身份識別中的應用研究[J]. 計算機仿真， 2011， 28（11）： 210-213.

[5] 朱靜， 閔芳， 陳臘梅， 等. 基于指紋識別的支付系統(tǒng)的設計與實現(xiàn)[J]. 軟件， 2015， 36（05）： 129-132.

[6] 王愛蕓. 語音識別技術在智能家居中的應用[J]. 軟件， 2015， 36（07）： 104-107.

[7] Daugman J G. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1993， 15（11）： 1148-1161.

[8] Daugman J. How iris recognition works[J]. IEEE Transa-ctions on Circuits and Systems for Video Technology， 2004， 14（1）： 21-30.

[9] Wildes R P， Asmuth J C， Green G L， et al. A machine-vision system for iris recognition[J]. Machine Vision & Appli?ca?tions， 1996， 9（1）： 1-8.

[10] Boles W W， Boashash B. A human identification technique using images of the iris and wavelet transform[J]. IEEE Transactions on Signal Processing， 2002， 46（4）： 1185-1188.

[11] 王蘊紅， 朱勇， 譚鐵牛. 基于虹膜識別的身份鑒別[J]. 自動化學報， 2002， 28（1）： 1-10.

[12] Pillai J K， Patel V M， Chellappa R， et al. Secure and robust iris recognition using random projections and sparse representations[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2011， 33（9）： 1877-1893.

[13] Minaee S， Abdolrashidi A A， Yao W. Iris recognition using scattering transform and textural features[C]. Salt Lake City： Signal Processing & Signal Processing Education Workshop， 2015.

[14] 苑瑋琦， 馮琪， 柯麗. 利用2D-Gabor濾波器提取紋理方向特征的虹膜識別方法[J]. 計算機應用研究， 2009， 26（8）： 3166-3168.

[15] 馮薪樺， 丁曉青， 吳佑壽. 基于加權Hamming距離的虹膜匹配算法[J]. 清華大學學報（自然科學版）， 2009， 49（04）： 514-517.

[16] 何威， 周克. 基于多通道Gabor濾波和2DPCA的虹膜識別算法[J]. 實驗室研究與探索， 2013， 32（06）： 21-24.

[17] 陳芋文， 向林泓， 張昱琳. 基于Log-Gabor濾波的虹膜識別系統(tǒng)[J]. 計算機與現(xiàn)代化， 2012， 203（7）： 100-103.

[18] 張旭. 一種改進Log-Gabor濾波的虹膜識別算法[J]. 計算機仿真， 2012， 29（5）： 283-286.

[19] 方強， 姚鵬. 基于二維正交濾波的虹膜識別算法[J]. 計算機科學， 2015， 42（5）： 281-285.

[20] Hamouchene I， Aouat S. Efficient approach for iris reco-gnition[J]. Signal Image & Video Processing， 2016， 10（7）： 1-7.

[21] 中國科學院自動化研究所. CASIA虹膜圖像數(shù)據(jù)庫[DB]. http： //biometrics.idealtest.org/dbDetailForUser.do？id=1.

[22] Liu S， Liu Y N， Zhu X D， et al. Iris double recognition based on modified evolutionary neural network[J]. Journal of Ele?ctronic Imaging， 2017， 26（6）： 1.

[23] 程宇奇. 用于身份鑒別的虹膜識別算法研究[D]. 長春： 中國科學院研究生院（長春光學精密機械與物理研究所）， 2010.

[24] 鄧高登， 王曉曄， 袁聞， 等. 基于PCA與MLP感知器的人臉圖像辨識技術[J]. 軟件， 2016， 37（06）： 11-15.

[25] Ghodrati H， Dehghani M J， Danyali H. A new accurate noise-removing approach for non-cooperative iris recogni-tion[J]. Signal Image & Video Processing， 2014， 8（1）： 1-10.

[26] Shi J X， Gu X F. The comparison of iris recognition using principal component analysis， independent component ana-lysis and Gabor wavelets[C]. Chengdu： IEEE International Conference on Computer Science & Information Technology， 2010.