周 創(chuàng) 李孟恒

(1安徽國防科技職業(yè)學院 安徽六安 237011；2中國電信股份有限公司上海分公司 上海 200000)

1虹膜相關(guān)知識

人的眼睛是由鞏膜、虹膜、瞳孔﹑晶狀體、視網(wǎng)膜等部分組成，虹膜是位于鞏膜和瞳孔之間圓環(huán)狀部分，其包含了眼睛的65%信息紋理[1]，是人體中最為獨特的器官之一，而且無法通過外科手術(shù)來改變。早在1987年，美國眼科醫(yī)生Leonard Flom 和Aran Safir已經(jīng)開始對虹膜特征進行生物識別特征研究了[2]。

能夠作為鑒別身份的生物特征應(yīng)該具備以下特征：

(1)普遍性：每個人都具備這種特征。除了少數(shù)患有先天性虹膜缺失或后天遭受意外失去虹膜的人外，每個人都有虹膜，具備高度的普遍性。

(2)唯一性：每個人擁有的特征應(yīng)該不同。虹膜是由遺傳基因決定的，即使雙胞胎的虹膜紋理也是不一樣的，所有虹膜具備作為生物特征識別的唯一性[3]。

(3)穩(wěn)定性：所選特征不應(yīng)該時間的變化而變化。人的虹膜在出生后一年到一年半的時間內(nèi)發(fā)育完成，以后不會再發(fā)生變化，即使外科手術(shù)也無法改變。

(4)可采集性：選擇的特征應(yīng)用便于測量。虹膜采集可以用通過高清度相機采集，簡單方便。

根據(jù)以上特征點，虹膜是可以作為生物識別的；目前虹膜識別主要應(yīng)用再高度安全的門禁系統(tǒng)等。

2典型的虹膜識別系統(tǒng)

2.1 Daugman虹膜識別系統(tǒng)

在1993年，Daugman博士的虹膜識別系統(tǒng)是第一個商用的虹膜識別系統(tǒng)。該系統(tǒng)首先利用相機獲取虹膜，經(jīng)過運算獲取虹膜內(nèi)外邊界，再將虹膜圖像轉(zhuǎn)換到極坐標進行正規(guī)化，然后利用二維Gabor轉(zhuǎn)換獲取其相位信息，獲得256Bytes的虹膜碼，進行虹膜識別[4]。

2.2 Wildes虹膜識別系統(tǒng)

在1996年，Wildes等通過處理得到邊緣眼部影像，以霍夫變換(Hough transform)判斷出虹膜內(nèi)外圖像，在利用金字塔分解算法(Laplacian pyramid)對虹膜進行細節(jié)的強化，使用高斯·拉普拉斯(laplacian of Gaussian)濾波器對虹膜進行分解，通過計算得到虹膜的特征碼，相對于Daugman的虹膜識別，Wilders系統(tǒng)由于進行大量運算影響其速度。

3深度學習

由于計算機的運算能力的提升，是人工智能技術(shù)也隨之蓬勃發(fā)展，人工智能系統(tǒng)在日常生活中也越來越常見。機器學習是人工智能領(lǐng)域的一個重要分支，它是通過算法使得機器能夠從大量資料中學習期規(guī)律及特種，讓機器有舉一反三的能力，遇到新事件可以根據(jù)樣本做出識別和預(yù)測。

深度學習概念最早由Geoffrey Hinton等人于2006年提出[4]，其以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)開創(chuàng)了一個新的機器學習研究領(lǐng)域。相對以往的類神經(jīng)網(wǎng)網(wǎng)絡(luò)，深度學習這種較為復(fù)雜且多層結(jié)構(gòu)的類似于人類大腦神經(jīng)傳輸?shù)募軜?gòu)?？梢哉f深度學習是模擬人類大腦運作方式進行學習的一種類神經(jīng)網(wǎng)絡(luò)架構(gòu)。

3.1多層神經(jīng)網(wǎng)絡(luò)

多層神經(jīng)網(wǎng)絡(luò)是一種擁有多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，包含一個輸入層、一個輸出層及一個或多個隱藏層。多層神經(jīng)網(wǎng)絡(luò)架構(gòu)為了解決單一感知器無法解決非線性分類問題。

3.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。1998年 Yann Le Cun提出卷積神經(jīng)網(wǎng)絡(luò)是第一個可以成功訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于手寫數(shù)字的識別[5]。但用于其他方面 應(yīng)用效果一直不佳，直到Geoffrey Hinton提出預(yù)訓(xùn)練的方式，卷積神經(jīng)網(wǎng)絡(luò)才有了革命性的進展，并推動了深度學習的熱潮。

3.3全卷積神經(jīng)網(wǎng)絡(luò)

全卷積神經(jīng)網(wǎng)絡(luò)是包含一連串卷積層、池化層及多個全連接層[6]，利用卷積步長及卷積運算時使用函數(shù)來代替其他類型層的網(wǎng)絡(luò)架構(gòu)。

3.4多通道卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)再區(qū)分虹膜紋理時，對于眼瞼上有過多紋理或過小鏡頭反射光點扔無法完整區(qū)分出來，其原因是虹膜鏡像切割成很多小區(qū)域后再進行訓(xùn)練。雖然可以在訓(xùn)練上比整個影像速度要快很多，但也會因此缺少影像的整體特征，為了改善這個問題，將使用多通道卷積神經(jīng)網(wǎng)絡(luò)

4實驗

4.1實驗資料

ICE database分別有左眼和右眼兩個數(shù)據(jù)庫，其中左元有120個類別，每個類別分別有1～25張不同的影像，共有1528張虹膜影像，每張虹膜影像的尺寸為60×360。右眼有124個類別，每個類別有1～25張不等的影像，共有1425張虹膜影像，每張虹膜影像的尺寸60×360；Polar LG總共有111個類別，每個類別有4張虹膜影像，每張虹膜尺寸為60×360；Polar PIER總共有111個類別，每個類別有3張虹膜影像，每張虹膜尺寸為60×360。如圖1所示。

圖1 從左到右分別為ICE database 、Polar LG、Polar PIER中的虹膜影像

實驗主要使用ICE database中左眼虹膜影像作為訓(xùn)練和驗證的資料，并且使用ICE database、Polar LG、Polar PIER作為測試的數(shù)據(jù)，實驗的數(shù)據(jù)主要以虹膜的正確率和使用預(yù)測的虹膜識別等錯誤概率EER(equal error rate)作為評估依據(jù)。

4.2使用卷積神經(jīng)網(wǎng)絡(luò)進行虹膜識別

首先將每張輸入圖像切割成為60×60的patches共11張，之后進行翻轉(zhuǎn)和模糊化處理，所以每張圖片可以產(chǎn)生22張訓(xùn)練patches，使用ICE database中左眼影像，總共為1528張影像，通過訓(xùn)練產(chǎn)生了1528×11×2=33616張60×60輸入patches。并且使用其中約10%的左眼圖像作為驗證數(shù)據(jù)，輸入影像出了切割和翻轉(zhuǎn)外，還會使用L0 gradient minimization模糊化作為神經(jīng)網(wǎng)絡(luò)輸入影像的前處理，設(shè)定模糊化參數(shù)λ= 0.00005。

采用使用三層卷積層、兩層池化層和兩層反卷積層，輸入層和輸出層都是60×60的影像，將尺寸為60×360的虹膜影像以每次移動30pixels期有重疊的方式分割成很多個60×60的 patches，并且通過左右翻轉(zhuǎn)增加訓(xùn)練的資料。

通過不同方法產(chǎn)生虹膜比較，如圖2所示，可以看到與rule-base的方法比較起來，實驗更為解決ground truth，如果使用rule-base的方法在同時有眼瞼和睫毛情況容易產(chǎn)生誤判，眼瞼會受到睫毛的干擾被系統(tǒng)認為是虹膜紋理，使用該方法可以編碼這個以問題。在使用ICE Database的右眼當做測試影像時，爭取率最高可以達到92.87%。

圖2 從左到右分別為輸入虹膜紋理、ground truthrule-based及卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生的圖片。

4.3 多通道卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

由4.2節(jié)卷積神經(jīng)網(wǎng)絡(luò)再區(qū)分虹膜紋理時，部分眼瞼上有過多紋理或過小的鏡頭反射光點仍無法完全的將其分辨出來。其原因是虹膜切割成很多塊后再進行訓(xùn)練，雖然訓(xùn)練速度上比整張影像要快，但也會因此缺少影像的全局特征。為了改善這些問題將使用多層卷積神經(jīng)網(wǎng)絡(luò)，實驗中將不再將虹膜切割為60×60的圖像，輸入影像加入第二和第三通道，會將影像分別以λ= 0.0005和λ= 0.005進行模糊化處理，將原本為灰階影像的虹膜增加為三通道，處理增加第二和第三通道外，還使用左右翻轉(zhuǎn)和縮放來進行增加訓(xùn)練量?？s放比例為[0.6 0.8 1.2 1.3]，使用ICE Database的左眼1528張 影像作為訓(xùn)練和驗證資料，經(jīng)過模糊化、翻轉(zhuǎn)、縮放后會有1528×2×5=15280張影像作為訓(xùn)練和驗證使用，其中燕子使用約10%不會和訓(xùn)練資料中的左眼影像，該實驗的結(jié)果作為接近ground truth的效果，如3所示。

圖3 從上到下分別為虹膜紋理、ground truth、rule-base、CNN、FCN的結(jié)果。

根據(jù)不同測試結(jié)果進行繪制ROC曲線，如圖4所示。使用多層卷積神經(jīng)網(wǎng)絡(luò)識別率上更接近ground truth的結(jié)果，與rule-base的結(jié)果有明顯差距，使用多層卷積網(wǎng)絡(luò)、rule-base、ground truth的EER分別為0.0851%、0.3249%、0.0696%，如表1所示，從結(jié)果中可以看出，使用多層卷積網(wǎng)絡(luò)方式與ground truth相差無幾。

圖4 ROC曲線

表1 FCN和rule-base的正確率

5結(jié)論

特征碼的提取是提高虹膜識別率的關(guān)鍵因素之一，分別使用卷積神經(jīng)網(wǎng)絡(luò)和多層卷積網(wǎng)絡(luò)來訓(xùn)練ICE database中左眼，并與ICE dataBase中右眼、PolarLG、Polar PIER作為測試影像。

實驗結(jié)果表明，使用多層卷積神經(jīng)網(wǎng)絡(luò)虹膜識別的正確率高達95.57%，相對于以往的rule-base或其他算法更為準確、可靠。另外對于大規(guī)模虹膜識別，使用卷積網(wǎng)絡(luò)可以達到EER=0.15%，使用多層卷積網(wǎng)絡(luò)方法更可以達到到EER=0.0852%的極佳表現(xiàn)。實驗的結(jié)果表明，在識別率上，文章提出的方法性能非常令人滿意。

對于未來的工作，若使用卷積神經(jīng)網(wǎng)絡(luò)的方式，可以嘗試在隱藏層中使用更多的層和更多的神經(jīng)元設(shè)定，以便獲取更多的特征，也可以嘗試使用不同的切割大小、卷積核大小。若使用多層卷積網(wǎng)絡(luò)，有更強服務(wù)器，可以嘗試使用FCN-16S或FCN-8S的架構(gòu)。