譚靜儀 楊雙玲 李穎瑜 陳鍵聰 夏陽 馬麗娟 陳思娟 黃丹藍 陸清健 黃文淑 劉碩 麥曉研

摘要：隨著信息社會的建立，個人身份信息的保護越來越重要，生物識別技術將成為一種對信息進行更安全利用的模式。在人體結構中，虹膜結構復雜，也具有更強的安全性、不可復制性，因此利用虹膜進行識別具有不可替代性。虹膜特征提取與編碼是在虹膜預處理之后，特征匹配之前關鍵的一步。該實驗將選取LBP算法來研究虹膜特征提取，因其算法簡單，具有灰度不變性、魯棒性較強等優(yōu)點，在實驗中選用該算法。經(jīng)實驗證明，該方法可以耗時更短地完成虹膜特征提取，具有較高的識別率并得出特征向量。該文介紹虹膜特征提取設計的背景、意義以及目的，介紹LBP算法的概況、國內外發(fā)展的歷史現(xiàn)狀以及特征提取的設計原理、設計過程、結合理論知識進行實驗，記錄實驗過程，分析實驗結果，并對結果進行評價。

關鍵詞：LBP算法;虹膜特征提取;虹膜識別;局部二值模式

中圖分類號：TP3? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）32-0009-05

1 前言

信息科技日新月異，個人數(shù)據(jù)不斷產生，并建立了龐大的鏈接，在促進社會發(fā)展的方面，這些鏈接將發(fā)揮著巨大的作用。但其也挑戰(zhàn)了信息社會的安全性，如：信息泄露、支付寶、微信等個人賬戶信息被盜用，傳統(tǒng)的信息身份鑒定措施不再發(fā)揮其完整的作用。因此，高速發(fā)展的社會中，需要一種對信息進行更安全應用的模式--生物識別技術。

一個人身上的生物特征—指先天性的指紋、虹膜、掌紋等及后天性的筆跡等，成為一種表明身份的信息。與傳統(tǒng)身份信息鑒定措施相比較，生物識別技術擁有更強的安全保護作用，更具有便攜性。如今，該技術在金融、醫(yī)療、安檢、安防等各領域廣泛得到應用。

如今，國內外十分關注虹膜識別研究。虹膜是人體不可復制的存在，是重要的身份標志之一，具有穩(wěn)定性、可采集性、無法偽造等優(yōu)點[1]。法國在1885年誕生了虹膜識別。因為英國劍橋大學的Daugman教授，20世紀90年代的虹膜識別技術真正發(fā)展到了應用階段[2]。虹膜識別的錯誤率低，安全性強。在經(jīng)過富士通的研究分析后，有1/1500000的錯誤率是經(jīng)虹膜識別得出的，而著名的蘋果公司虹膜識別軟件具有 1/50000的失誤率[3]。與其他生物特征識別技術相比，非侵犯式的虹膜識別準確率多高30倍，因此虹膜識別具有較高的識別率。虹膜識別系統(tǒng)有固定的流程，采集圖片、虹膜圖像預處理，虹膜特征提取以及特征匹配構成虹膜識別的整體流程。流程如圖1所示。

1.1 研究背景及意義

生物特征提取是生物識別技術的核心之一，其主要基于顏色特征、紋理特征等完成特征提取的過程，再計算出特征向量。

人體結構中的虹膜是眼表中黑色瞳孔和白色鞏膜之間的組織，呈現(xiàn)出凹點、隱窩、色素點、斑點、細紋等豐富的紋理信息[4]。其具有不可替代性、難以復制性、較強的穩(wěn)定性、低錯誤率等特點，也兼具結構復雜性，會受到外部睫毛和上下眼瞼的遮擋、因年齡衰老導致的眼球結構變化以及對外界光照敏感產生的不同程度的徑向形變，成為生物識別技術中具有最高商用安全系數(shù)的生物認證技術 [5]。

虹膜特征提取是采用特定的算法從虹膜圖像中提取出虹膜識別所需的特征點，并對其進行編碼[6]，其重要性越來越突出，依據(jù)提取的特征不同，虹膜特征提取方法主要分為全局特征提取和局部特征提取。虹膜圖片是處于不同光線環(huán)境下采集的圖片，局部特征提取可以消除在采集環(huán)節(jié)中光照不均對虹膜識別的影響，其有很好的識別效果。John Daugman提出Garbor濾波器方法對虹膜紋理相位特征的粗量化和編碼;接著，Wildes等人提出了一套用金字塔分解方法提取特征的虹膜識別原理及架構;小波變換零點的特征提取方法由Boles提出，采用過零點數(shù)目一致的方法和具有良好的抗干擾性，從而使平移、旋轉和比例縮放等問題得到解決。

本文主要圍繞生物特征提取的一個方向——虹膜特征提取進行介紹，虹膜特征提取是虹膜識別系統(tǒng)的一個重要部分，其可以更好地降低錯誤率，提高虹膜匹配的正確率。

1.2 目的及解決的問題

研究員使用虹膜識別技術時， 光線、采集設備、圖像處理算法等會影響虹膜系統(tǒng)識別的正確率。因此，需要虹膜特征提取的“參與”，提取特征，從而降低因眼部結構對虹膜特征識別造成的影響。

本文主要研究虹膜特征提取技術中的LBP（Local Binary Patterns）局部二值模式算法，研究其優(yōu)點及缺點、國內外的發(fā)展現(xiàn)狀，進行實驗方案設計，以及基于MATLAB軟件進行虹膜特征提取算法的實現(xiàn)，評價虹膜特征提取算法實驗的優(yōu)缺點。

1.3 論文創(chuàng)新點

（1）研究視角創(chuàng)新。傳統(tǒng)論文主要研究虹膜識別的整個流程或者將虹膜識別的特征提取與匹配一起進行研究，而本論文重點主要研究虹膜特征提取這一部分，對虹膜特征提取進行設計，對特征提取結果進行評價。

（2）研究內容創(chuàng)新。國內對LBP算法的研究較少，本論文以LBP算法為基礎進行設計，并且研究LBP算法在實驗中產生的問題。

2 虹膜特征提取之LBP算法

2.1 LBP算法簡介

對各個LBP模式直方圖進行統(tǒng)計，主要面向描述那些小而密的紋理，是做圖像局部特征比較的主要方式，這些概念構成LBP算法[7]。同時，易于實現(xiàn)、方便計算、性能較高的LBP算法，還具有旋轉不變性、對均勻光照的影響表現(xiàn)為不敏感、具有灰度不變性等特點，成為一種在數(shù)字圖像檢索領域中進行廣泛應用的紋理特征提取方法。Matti Pietik?in—en提出LBP模式，因在紋理類圖像的局部特征提取方面的旋轉不變的特性，近幾年得到廣泛應用[8]。

LBP算法也具有特征表示單一，樣本間的相互關系計算缺乏等問題。同時，LBP算法依賴于灰度值，丟棄了局部圖像紋理的其他重要屬性--即對比度。LBP算子具有魯棒性，可以一定程度解決光照所造成的問題，但是當光照變化程度過大，LBP算子也會發(fā)生變化，使LBP特征算子出現(xiàn)錯誤。

作為基礎的原始LBP算法，經(jīng)過對其的改進，總體可發(fā)展為多種模式，如：加強旋轉不變性的LBP算法、圓形LBP算法，LBP等價模式等。LBP算法基于原始LBP算法進行改進，經(jīng)過多年的發(fā)展，LBP算法成了一個很好的度量結構的局部圖像紋理算法。

2.2 LBP算法在國內外的發(fā)展概況

如今，特征提取算法有多種，在這些提取算法中，一些算法是將虹膜特征用二值編碼來表示;一些算法的表達方式是非二值編碼數(shù);有根據(jù)提取的紋理特征中的特性信息，對特征進行描述的方法;也有小波變換紋理提取方法，是最近發(fā)展起來的方法。

LBP算法的概念經(jīng)由學者Pietik?inen 等人在1994年第一次提到[9]。過了兩年，為了對局部圖像進行對比度補償，T.Ojala正式提出了局部二值模式（Local Binary Patterns，LBP）[10]。Maenpaa 博士建立旋轉不變模式的 LBP （rotation invariant）算法，彌補 LBP 算子因位置的問題而造成的缺陷。之后，LBP算子做了大量的研究分析與改進，得出新的算法，Ojala稱其為LBP等價模式（Uniform Pattern）[11]，其解決了運算量大、速度慢以及大量占用內存的問題。同時，Ojala博士等人對傳統(tǒng)的LBP算子進行改變，彌補LBP算法只能在固定范圍內的區(qū)域進行分析的缺點，提出圓形LBP算子（Circular LBP or Extended LBP），采用圓形鄰域代替3*3的九宮格區(qū)域采樣方式。Heikkiloi在2009年提出了中心對稱局部二值模式（Center-symmetrical Local Binary Pattern，CS-LBP）。

在國內，眾多進行虹膜識別相關研究的研究所中，譚鐵牛教授領導的中科院自動化研究所是最典型性的存在[12]。其最早正式開展虹膜研究，并獲得專利，開創(chuàng)了中國研發(fā)虹膜識別的先河。國內研究所以及學者也在不斷研發(fā)，如，上海交通大學圖像處理與模式識別研究所和湖北工業(yè)大學的付波、徐超等教授研發(fā)了一種基于改進LBP特征提取的圖像分類方法。另外，國內優(yōu)秀的大學，如：清華大學、南京大學等高校都在開展虹膜識別的相關研究。

3 虹膜特征提取的設計

3.1 數(shù)據(jù)來源

國內外常用的虹膜圖像數(shù)據(jù)庫有以下幾種：Bath大學的MMU;Beiria Interior大學的UBIRIS;我國吉林大學的JLUBRIRIS;中國科學院自動化研究所的CASIA（Research Projects Sponsored by National Science Foundation of China） 虹膜圖像數(shù)據(jù)庫。

CASIA虹膜圖像數(shù)據(jù)庫是本實驗圖片的來源。國內外的研究者以及多家科研機構廣泛采用數(shù)據(jù)庫圖片，是因為其具有圖片質量好，數(shù)量豐富的優(yōu)勢。自2002年成立以來，虹膜庫被多達來自70個國家，超過千名的使用者所使用，因此庫中圖片分為6大類，圖片數(shù)量有54601張，其樣本如圖2（a）（b）所示。

3.2 設計方案

LBP算子是性能最佳的紋理描述符之一，并且廣泛用于各種應用中，它被證明具有高度的辨別力，使其適用于圖像分析任務[14]。

經(jīng)過考慮，本文在LBP算法（Local Binary Patterns）基礎上做細微改進以作為特征提取算法。

3.3 設計原理

虹膜特征提取是提取虹膜中反映虹膜獨特性的紋理信息——卷縮輪、坑洞以及它所在的位置等。從已經(jīng)進行預處理的圖像中，把圖片進行分區(qū)，采用一種或幾種特征提取算法對虹膜像素點進行特征提取。其主要是依據(jù)灰度值的大小，進行比較，得出一幅記錄LBP值的圖。用公式表示如下：

之后，依據(jù)特征點得出統(tǒng)計直方圖，每一個直方圖都表達了一個圖片的信息。使用特定的特征表達方式對直方圖進行歸一化和連接編碼，用數(shù)學形式表達，產生一個可以表達整個圖片特征的特征向量，為以后的特征匹配提供準備。

3.4 設計過程

實驗設計主要分為兩個大方面，第一個方面是對圖像進行歸一化，第二方面是虹膜特征點的提取并提取特征向量。

1）對圖像進行歸一化

為了縮小圖像信息的大小，便于以后的特征提取與特征匹配，把圓形的虹膜圖像轉變?yōu)榫匦蔚膱D像。把虹膜從圖像中分割出來，變換虹膜區(qū)域，使其具有固定的尺寸，以便進行比較。歸一化的過程將產生虹膜區(qū)域，這些區(qū)域具有相同的恒定尺寸，因此同一虹膜在不同條件下的兩張照片將在相同的空間位置上具有相同的特征[15]。歸一化示意圖如圖3所示。

因為LBP算法在直方圖生成之后，會進行歸一化，連接成為一個特征向量，所以在特征提取前不進行歸一化操作。而相應的，特征提取前需要均衡光線。但虹膜圖是由虹膜庫統(tǒng)一進行采集，對光線有所控制，圖片有統(tǒng)一的標準，因此不需要進行均衡光照的操作。因此，在本設計中不設計歸一化的操作。

2）提取虹膜特征點及特征向量

人類虹膜紋理不同的特性是特征提取的理論基礎，虹膜特征點是虹膜特征的體現(xiàn)，特征點的成功提取將有利于紋理特征向量的獲取。

（1）讀取處理過的圖像后，先將一個彩色虹膜圖灰度化變?yōu)楹诎椎暮缒D，如果虹膜圖非彩色，就可以直接使用。

（2）特征提取的模式選擇為lbp 8圓形算子，圓的半徑設置為1，構建8領域模式。8領域模式如圖4所示。

（3）原始LBP算法是劃分為3*3的小區(qū)域進行特征提取，但是它具有明顯的缺陷——即特征提取要在固定的領域進行提取，而且二進制模式過多，因此選用將鄰域擴展到任意鄰域，并可減少模式種類，減少數(shù)據(jù)量的算法。

依據(jù)任意多個像素點與中心像素值的大小比較，得出1或0，記為1則圖像中央像素點的值小于相鄰的8個像素值，反之依據(jù)規(guī)則，0成為代表的記號[16]。提取虹膜圖的像素點特征值設計如圖5所示。

所謂的雙線性插值，是有兩個變量的插值函數(shù)的線性插值擴展，利用已知的位置點，經(jīng)過2次x方向插值的計算以及1次y方向的插值計算，得出所要求的位置點[17]。其是一種廣泛應用于數(shù)字圖像處理領域的算法。雙線性差值示意圖如圖6所示。

使用像素值大小對比的方法以及雙線性插值方法計算出圖像特征點的LBP值。

（4）二進制數(shù)從0到1的轉變或從1到0的轉變總共有兩次，不能超過兩次，是該Uniform LBP算法的規(guī)則[18]。將周圍領域的特征點與中心像素經(jīng)Uniform LBP算法進行比較，得出反映該區(qū)域紋理信息的中心像素點LBP值。

（5）特征向量的提?。阂粋€表達整幅圖LBP值的特征向量的流程是對中心像素點的LBP值計算出直方圖，并對其進行歸一化操作。保存特征向量，用于特征匹配。

整個設計流程如圖7所示。

4 特征提取試驗的結果及評價

4.1 試驗過程及結果

利用實驗來驗證算法的有效性和可靠性，該算法從虹膜庫選擇圖片進行特征提取，虹膜庫的圖片有統(tǒng)一的要求，圖像的尺寸統(tǒng)一為320*280。

在虹膜圖像中，特征點提取是關鍵，特征點是否正確提取將影響后續(xù)特征向量的準確性。以CASIA-Iris-Interval中的一張圖片S1001L01.jpg為例子，圖片樣本如圖8所示。在圖像預處理后，使用定位過的圖片進行LBP算法特征點提取。測試結果是一張經(jīng)LBP算法處理的LBP特征點圖譜，實驗結果如圖9所示。

之后將特征點進行分析，計算出直方圖，歸一化直方圖，得出一個特征向量，以下實驗結果是歸一化后的直方圖，如圖10所示。

將直方圖進行歸一化操作，進而得到一個表現(xiàn)整幅圖的LBP紋理特征的1*X的特征向量。特征向量與特征匹配緊密相連，特征匹配的基礎就是虹膜圖的特征向量。最終實驗的測試結果是一個特征向量，實驗結果如表1所示。

4.2 試驗評價

本文將特征提取的數(shù)據(jù)進行統(tǒng)計分析，使用LBP算法進行虹膜特征提取，成功運行代碼，取得較為理想的結果。同時，為了更好的評價算法，選用100張虹膜圖，采用LBP算法與三個經(jīng)典虹膜特征提取算法進行比較——Daugman算法[19]、Wildes算法[20]、Boles[21]算法，從速度與識別率兩個方面進行對比。

4.2.1 實驗速度測試

為了評價實驗性能，測試圖片的實驗耗時，選用100張虹膜圖，進行速度測試，總體用時為43.043s，實驗結果如表2所示。

與其他三個著名算法進行比較，如表3所示。本文算法進行特征提取的平均用時為0.43S，與Daugman算法、Wildes算法相比，平均耗時更低;與Boles算法相比，花的時間更多?？傮w來說，從實驗中可以得知，運用的LBP算法，與其他算法相比，花費更少的時間，計算時具有一定的效率，表明該算法具有計算便捷的特點。

4.2.2 實驗識別率測試

選用100張圖片運用LBP代碼進行識別率測試，識別率比較如表4所示。從本文實驗可以看出LBP算法特征提取的成功率為100%，100張圖片完成了特征提取，0張圖片沒有實現(xiàn)特征提取，與Daugman算法的成功率相同，與Wildes算法相比，成功率沒有明顯差別， 與Boles算法相比，成功率較高。

從實驗中可以得知，本文使用的LBP算法，成功實現(xiàn)虹膜特征提取，有高度的識別率，可以成功提取特征點，提取的特征向量可以用于特征匹配，說明本算法是有可行性的。

4.2.3 測試評價

虹膜識別的總體流程分為：采集圖片、虹膜圖像預處理，虹膜特征提取以及特征匹配。特征提取實驗是位于虹膜識別研究的中間部分，發(fā)揮著承上啟下的功能。

使用本文方法有很強的適用性，即使在昏暗情況下拍攝的圖片，也可以進行特征提取。其減少了直方圖的數(shù)量，特征向量的維數(shù)更少，可以從256維降到59維，減少了90%的維度[22]。同時減低存儲空間，提高計算速度，并且可以減少高頻噪聲帶來的影響。

虹膜特征提取的算法有很多，每種算法都有其特點，確定進行研究的算法也具有難度，虹膜特征提取的過程數(shù)據(jù)量大，耗時大。同時，LBP算法也具有問題，它需要依賴于灰度值進行計算，對于彩色圖片要進行灰度化操作。LBP算法只能產生1*X的特征向量作為特征匹配的依據(jù)，特征的數(shù)學表示方式單一。LBP算子在改進后，加強了旋轉不變性，卻缺少了方向信息。

5 虹膜識別流程結果

虹膜識別主要分為三個部分，虹膜定位，特征提取，特征匹配。使用中科院虹膜數(shù)據(jù)庫的材料，系統(tǒng)經(jīng)過Hough算法虹膜定位，LBP算法的虹膜特征提取，漢明距離特征匹配的實驗。虹膜識別的兩個模板生成的Hamming距離值小于0.35，表示這兩個模板來自同一個虹膜，總體正確識別率最好，如圖11的ROC圖所示，真陽性比例為0.8，正確識別率為80%以上。

6 結語

本文運用LBP算法進行虹膜特征提取的研究，基于虹膜圖像數(shù)據(jù)庫的圖像以及MATLAB軟件，對完成定位的圖像進行特征提取的試驗，分析實驗結果。特征提取的好壞將影響圖像匹配的效率。經(jīng)實驗證明，LBP特征提取算法具有很好的魯棒性，具有較好的識別率，得到高效的計算速度，得到100%的識別率。但其還具有特征表示單一、過度依賴灰度值等缺點。通過實驗結果得知，使用的LBP算法進行虹膜圖像特征提取具有可行性。以目前的研究而言，LBP算法還具有缺陷，為了達到更好的實驗目標，該算法有待進一步的研究。

參考文獻：

[1] 李磊東.虹膜識別算法研究及實現(xiàn)[D].武漢：武漢理工大學，2009.

[2] 周曉宇.虹膜識別算法的研究和優(yōu)化[D].大連：大連海事大學，2009.

[3] 工程師2.淺談生物特征識別六大技術未來發(fā)展趨勢[Z].http：//m.elecfans.com/article/670439.html，2018-05-02.

[4] 王新華，王曉鵬.受限條件下智能虹膜圖像采集終端設計考慮[J].電子技術，2010，47（8）：41-42.

[5] 李鵬飛，淡美俊，姚宇顫.生物識別技術綜述[J].電子制作，2018（10）：89-90.

[6] 呂立波.門禁控制系統(tǒng)中常用的幾種生物特征識別技術之比較[D].濟南：山東警察學院，2017.

[7] 呂康東，呂曉琪，趙瑛.虹膜區(qū)域預處理及紋理特征提取方法的研究[J].現(xiàn)代電子技術，2017，40（16）：112-116.

[8] 韓友德，楊鵬，任高山，張元龍，林泉.基于DWT和LBP的紋理特征提取研究[J].計算機與數(shù)字工程，2018，46（3）：566-569.

[9] 沈葉峰.基于ELM與非負矩陣分解的機器學習算法研究[D].杭州：杭州電子科技大學，2015.

[10] 李歡利，郭立紅，李小明，等.基于統(tǒng)計特征中心對稱局部二值模式的虹膜識別[J].光學精密工程，2013，21（8）：2129-2136.

[11] 張軍.基于中心對稱LBP算子的虹膜識別改進算法研究[D].贛州：江西理工大學，2017.

[12] 王林.基于虹膜的身份識別算法研究[D].秦皇島：燕山大學，2007.

[13] Timo Ahonen， Student Member， IEEE，Abdenour Hadid， and Matti Pietika¨inen， Senior Member， IEEE，F(xiàn)ace Description with Local Binary Patterns： Application to Face Recognition[J].IEEE Transactions on Pattern analysis and Machine Intelligence， December 2006（2）.

[14] Libor Masek.Face Description with Local Binary Patterns： Application to Face Recognition[D].The University of Western Australia，2003.

[15] 曹振亮.基于魯棒稀疏表示的人臉識別算法[J].電子技術，2014（6）：1-3.

[16] 算法學習者，最臨近、雙線性、三次卷積插值（圖像放縮）.https：//blog.csdn.net/amds123/article/details/53791522，2016-12-21.

[17] 謝新文.基于計算機視覺的電氣化鐵路絕緣子識別技術的研究[D].成都：西南交通大學，2016.

[18] DAUGMAN J.How iris recognition works[J].IEEE Trans on Circuits and Systems for Video Technology，2004，14（1）：21-30.

[19] BOLES W W，BOASHASH B.A human identification technique using images of the iris and wavelet transform[J].IEEE Trans on Signal Processing，1998，46（4）：1185-1188.

[20] WILDES R P.Iris recognition： an emerging biometric technology[J].Proceedings of the IEEE，1997，85（9）：1348-1363.

[21] 電子發(fā)燒友網(wǎng)工程師.LBP 的算法介紹.http：//www.elecfans.com/kongzhijishu/jiqishijue/580 977.html.2017-11-17.

[22] Ojala T，Pietik?inen M，M?enp?? T.A generalized Local Binary Pattern operator for multiresolution gray scale and rotation invariant texture classification[C].Second International Conference on Advances in Pattern Recognition， Rio de Janeiro， Brazil， 2001：397-406.

【通聯(lián)編輯：代影】