一種基于相位一致性的虹膜識別方法

摘 要:由于虹膜具有惟一性、穩定性、不可更改性等優點，虹膜識別已經成為生物特征身份識別領域中的研究熱點。為了簡化特征提取方法并提高虹膜識別的準確性，提出一種基于相位一致性的虹膜識別方法。該方法利用相位一致性所具有的較強特征檢測能力，提取虹膜紋理的邊緣點標記紋理的位置信息，將位置特征作為虹膜紋理的可區分性特征實現虹膜識別。在CASIA-IrisV3-Interval圖像庫上進行實驗的結果證明，該方法是可行的，也是有效的，并且具有較高的識別準確性。

關鍵詞:生物特征身份識別; 虹膜識別; 相位一致性; 特征提取; 模式匹配

中圖分類號:TP391.41 文獻標識碼:A

文章編號:1004-373X(2010)10-0093-03

Iris Recognition Method Based on Phase Congruency

WANG En-dong

(Shenyang Institute of Chemical Technology， Shenyang 110142， China)

Abstract:Iris recognition has become a research hot-spot in the biometrics recognition filed， because the iris has the properties of unique， stable， unchangeable. an iris recognition method based on phase congruency is proposed，to simplify the method of feature extraction and improre the accuracy of iris recognition，theedge points of iris veins were extracted to mark the location information of iris by

utilizing the strong ability for feature detection of phase congruency. It also considers the location feature as the distinguishable feature of iris veins. Experimental results on CASIA-IrisV3-Interval image database demonstrate that the proposed method is feasible and effective， and it has high recognition accuracy.

Keywords:biometrics; iris recognition; phase congruency; feature extraction; pattern matching

虹膜識別技術是20世紀90年代發展起來的一種生物特征身份識別技術[1]。到目前為止，研究人員已經提出了很多虹膜識別方法[2-8]:Daugman[2-3]利用多尺度伽博濾波器對虹膜紋理進行局部相位量化和編碼，用漢明距離來測量一對虹膜代碼之間的差異;Lim[4]等用二維Harr小波變換對虹膜圖像進行四次分解，然后將第4次分解得到的高頻信息量化成87位的虹膜代碼;Park[5]等用1個方向濾波器組將虹膜圖像分解成8個方向的子波段輸出，并且提取出標準化的方向能量作為虹膜特征，最后通過計算輸入向量與模板特征向量之間的歐幾里德距離來進行模式匹配。

為了大幅度地提高虹膜識別的準確性，提出了一種基于相位一致性的虹膜識別方法。其基本思想如下:首先，對人眼圖像進行圖像預處理，得到歸一化的虹膜圖像;其次，計算虹膜圖像中所有像素的相位一致性，生成相位一致性圖像;再次，根據相位一致性的強度提取虹膜紋理的邊緣點，將標記了邊緣點的虹膜圖像編碼為二進制的虹膜代碼;最后，計算不同虹膜代碼之間的邏輯“與”距離，根據該距離給出識別結果。實驗使用的圖像來自CASIA-IrisV3-Interval圖像庫[9]。

1 圖像預處理

圖像采集設備捕獲到的人眼圖像中往往包括眼瞼、鞏膜等無關區域，必須首先在原始的人眼圖像中準確地找到虹膜的內外邊界，提取出有效的虹膜紋理區域，即虹膜定位。本文采用文獻[3]中給出的方法進行虹膜定位，可以有效地確定虹膜的位置和大小，將虹膜從圖像中分離出來。

在獲取人眼圖像時，由于光照變化引起的瞳孔縮放以及鏡頭與人眼距離的不同，會造成虹膜在人眼圖像中的大小不同。虹膜紋理的這種彈性變形將會影響到特征提取和匹配的結果。為了得到更加準確地識別結果，在預處理時必須對這種變形進行一定的補償，并將虹膜的大小和比例調整到統一的標準，即歸一化。本文從內邊界中心右側的水平半徑開始按逆時針方向將環形虹膜展開成分辨率為512×64的矩形虹膜圖像。圖1給出了圖像預處理的結果圖像示例。

2 相位一致性

相位一致性是一種無量綱的量，可以提供一種對特征點的意義的絕對測量。由于相位一致性對圖像的亮度或對比度的變化具有不變性，因此可以在任意不同光照條件和不同質量的圖像中使用固定的閾值來進行特征檢測。相位一致性的最大意義在于，它根據相位一致性的值來描述從階躍邊緣到線條或者馬赫帶之間的任意類型的特征成為可能，而不再像Sobel，Canny等邊緣檢測算子那樣只能檢測如階躍邊緣或屋頂邊緣等的某種固定類型的特征。

圖1 圖像預處理的結果

Morrone和Owens以信號中某一位置x處的Fourier級數展開的形式給出了如下的相位一致性函數:

PC(x)=maxφ(x)∈[0，2π]∑nAncos[φn(x)-φ(x)]∑nAn(1)

式中:An表示第n個Fourier成分的幅值;φn(x)表示位置x處第n個Fourier成分的局部相位;φ(x)表示當前點的所有Fourier成分的幅度加權平均局部相位角。

盡管Morrone和Owens定義的這種相位一致性表述清晰、容易理解，但是由于其所具有的以下幾個問題，導致其不能成功地用于特征檢測:

(1)若所有Fourier成分的幅值都非常小，將不利于相位一致性的計算;

(2)由于相位一致性是一種歸一化的量，因此對噪聲是非常敏感的;

(3)如果信號中只有1個頻率成分，那么相位一致性將始終是“1”;

(4)上式定義的相位一致性不能提供很好的定位，因為它是隨著相位偏差的余弦變化，而不是隨著相位偏差本身變化。

為了解決以上問題，Kovesi[10]對相位一致性的定義進行了改進，給出了相位一致性的新的定義，為了與Morrone和Owens所定義的相位一致性加以區別，Kovesi將自己定義的相位一致性函數稱為PC2:

PC2(x)=∑nW(x)[An(x)ΔΦn(x)-T]∑nAn(x)+ε

ΔΦn(x)=cos[φn(x)-φ(x)]-|sin[φn(x)-φ(x)]|(2)

式中:ε是一個很小的常數，其作用是避免分母被零除;T是經過計算估計出來的噪聲干擾的閾值，它可以消除噪聲對相位一致性計算的影響;W(x)是相位一致性的加權函數，用于頻率擴展;符號“[]”表示當其中的值為正數時值不變，否則值變為零;ΔΦn(x)的作用是使相位一致性的值盡可能地接近于隨著相位偏差本身變化。

Kovesi采用了不同尺度和不同方向下的log-Gabor濾波器來計算PC2的值。二維log-Gabor濾波器比較特殊，它在頻率域中構造并由2個部分組成，分別是如下式所示的半徑濾波器和角度濾波器。

G(ω) =e-[log(ω/w0 )]22[log(k/w0 )]2

G(θ) =e-(θ-θ0 )22σ2θ (3)

式中:ω0是濾波器的中心頻率，隨著ω0的變化，k/ω0的值應該保持不變，這樣可以得到固定形狀的比例濾波器;θ0是濾波器的方向角，σθ是角度方向高斯函數的標準偏差。

3 特征提取

為了盡量提高虹膜識別的準確性，本文提出了一種基于相位一致性的虹膜特征提取方法。該方法利用相位一致所具有的較強的特征檢測能力，提取虹膜紋理的邊緣點來描述紋理的位置信息。

(1)計算PC2。

對于虹膜圖像中的每個點，用一組不同方向的二維log-Gabor濾波器按式(4)計算其相位一致性PC2:

PC2(x)=∑o∑nW(x)|Ano(x)ΔΦno(x)-To|∑o∑nAno(x)+ε (4)

式中:o表示二維濾波器的方向，其他參量的含義與式(1)相同。

(2)提取邊緣點。

將虹膜有效區域中全部點的PC2值按從大到小的順序排列，將PC2值較大的前Col×Row×Per個點的編碼位置為1，將其余點的編碼位置為0。其中，Col表示有效區域的長度，即包含Col列;Row表示有效區域的寬度，即包含Row行;Per是一個百分比，表示提取出來的邊緣點在有效區域內所有點中所占的比例。于是得到Col×Row位二進制虹膜代碼，其中1的個數是Col×Row×Per個，代表紋理特征點，0的個數是Col×Row×(1-Per)個，代表非特征點。圖2給出了該方法提取特征點時生成的2幅中間結果圖像。其中，圖2(a)是按式(4)計算得到的相位一致性圖像;圖2(b)中的黑色像素表示紋理特征點。

圖2 特征提取過程中生成的2幅中間結果圖像

4 模式匹配

在該方法中，用式(5)計算2個虹膜代碼Code1和Code2之間的邏輯“與”距離(logical and distance， LAD):

LAD=1-1Col×Row×Per#8226;

∑Coli=1∑Rowj=1Code1[i][j]Code2[i][j](5)

式中:Code1[i][j]和Code2[i][j]分別表示Code1和Code2在位置(i，j)上的代碼;“”表示邏輯與運算。

在獲取人眼圖像時，可能會因為頭部的旋轉使人眼圖像發生旋轉失真，因此需要對旋轉失真進行一定的調整。人眼圖像中的旋轉失真在虹膜圖像中就變成了平移失真，因此要在匹配過程中保持Code1不變，將Code2沿水平方向分別向左右各平移t次，每平移1次進行1次匹配，加上不平移而直接匹配的1次，共得到2t+1個LAD，選擇其中的最小值作為最終的歸一化匹配距離(normalized matching distance，NMD)即可。由于正常使用虹膜識別系統時不可能發生很大程度的旋轉，因此調整的范圍不必太大。

5 實驗結果

為了保證用于實驗的虹膜紋理沒有任何干擾，本文從CASIA-IrisV3-Interval圖像庫中抽取了185個類，每類7幅圖像，共1 295幅圖像用于實驗。這些圖像的共同特點是，經過圖像預處理以后，虹膜圖像右上角256×32大小的區域內沒有眼瞼和眼毛等干擾(如圖1(c)中的白色矩形區域所示)。并且，這些圖像的數量和可用紋理區域的面積完全能夠滿足特征提取和匹配實驗的要求。

在進行特征提取和匹配實驗時，可以用錯誤接受率(1 accept rate，FAR)、錯誤拒絕率(1 accept rate，FRR)、等錯率(equal error rate，EER)、正確識別率(correct recognition rate，CRR)等數據來衡量方法的性能。其中，FAR是指假冒者被錯誤地接受為真實者的概率;FRR是指真實者被誤判為假冒者而被拒絕的概率;等錯率EER是指在接受者操作特征(receiver operating characteristic，ROC)曲線上當FAR和FRR相等時二者的值;CRR是指在給定的距離閾值下，正確給出了接受或者拒絕識別結果的概率。

本文利用基于相位一致性的特征提取和匹配方法對1 295幅虹膜圖像進行了實驗。實驗中，二維log-Gabor濾波器的方向數o=6，尺度數n=4;紋理特征點占像素總數量的百分比Per=45%;調整旋轉失真時，取t=21，相當于地發生在±15o范圍內的旋轉失真進行了調整。當n=4且o=6時，可以得到256×32=8 192位二進制虹膜代碼。具體實驗結果如圖3所示。

圖3 NMD分布和ROC曲線

從圖3中可以得到以下一些實驗數據:從圖3(a)可以看出，類內距離分布與類間距離分布在NMD=0.687 5處發生交叉，此時FAR=0.329 8%，FRR=2.244 1 %。若令判別閾值T = 0.687 5，則正確識別率CRR=98.941 8%，從圖3b)可以看出，該方法的EER=1.191 7%，發生等錯率時的NMD=0.695 8。

6 結 語

利用相位一致性所具有的較強的特征檢測能力，提取虹膜圖像中的紋理邊緣點作為位置特征，并將位置特征編碼為簡單易處理的二進制虹膜代碼，最后通過計算虹膜代碼之間的邏輯“與”距離對不同的虹膜模式進行分類。在CASIA-IrisV3-Interval圖像庫上進行的大量實驗證明了該方法的可行性和有效性，并且證明該方法能夠在虹膜紋理有效區域不完整的情況下提取出足夠的可區分性特征，以實現具有高準確性的虹膜識別。

參考文獻

[1]JAIN A K， ROSS A， PRABHAKAR S. An introduction to biometric recognition[J]. IEEE Transactions on Circuits and System for Video Technology， 2004， 14(1): 4-20.

[2]DAUGMAN J G. Statistical richness of visual phase information: Update on recognizing persons by iris patterns[J]. International Journal of Computer Vision， 2001， 45(1): 25-38.

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

[4]LIM S， LEE K， BYEON B， et al. Efficient iris recognition through improvement of feature vector and classifier[J]. ETRI， 2001 23(2): 1-70.

[5]PARK C， LEE J， SMITH M， et al. Iris-based personal authentication using a normalized directional energy feature[J]. Proceedings of 4th International Conference on Audio- and Video-based Biometric Person Authentication， 2003: 224-232.

[6]YUAN Wei-qi， XU Lu， LIN Zhong-hua. An accurate and fast iris location method based on the features of human eyes[C]. FSKD 2005， 2005， 3614: 306-315.

[7]MA Li， TAN Tie-niu， WANG Yunhong， et al. Efficient iris recognition by characterizing key local variations[J]. IEEE Transactions on Image Processing， 2004， 13(6): 739-750.

[8]HUANG Ya-ping， LUO Si-wei， CHEN En-yi. An iris re-cognition algorithm based on independent component analysis[J]. Journal of Computer Research and Development， 2003， 40(10): 1451-1457.

[9]Institute of Automation， Chinese Academy of Sciences. CASIA-IrisV3 Database[EB/OL]. [2007-04-20].http://www.cbsr.ia.ac.cn/IrisDatabase.htm.

[10]KOVESI P. Phase congruency detects corners and edges[C]. Proceedings of the 7th International Conference on Digital Image Computing: Techniques and Applications， Sydney: [s.n.]， 2003: 309-318.