虹膜圖像處理與識(shí)別技術(shù)研究

齊 霽，孫光民

QI Ji, SUN Guang-min

（北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院，北京 100022）

0 引言

生物特征識(shí)別技術(shù)是指計(jì)算機(jī)利用人體所固有的生理或行為特征來進(jìn)行個(gè)人身份鑒定。常用的生物特征包括：指紋、掌紋、虹膜、臉像、聲音、筆跡等（如表1所示）。

表1 各種生物識(shí)別方法安全等級(jí)比較

虹膜識(shí)別技術(shù)作為人體生物特征識(shí)別技術(shù)的尖端代表，具有的普遍性、唯一性、穩(wěn)定性、可靠性、非侵犯性、可采集性等特點(diǎn)，錯(cuò)誤接受率和錯(cuò)誤拒絕率較低如表2所示，因而具有無可比擬的優(yōu)勢和很高的研究價(jià)值。

表2 虹膜與指紋識(shí)別方法性能比較

虹膜識(shí)別技術(shù)重點(diǎn)應(yīng)用于領(lǐng)域包括：門禁和考勤；金融和證券；電子護(hù)照和第二代身份證；醫(yī)療保險(xiǎn)和養(yǎng)老保險(xiǎn)的發(fā)放：公安和司法；電子商務(wù)；信息安全；特殊行業(yè)等，相對(duì)其他生物識(shí)別技術(shù)具有廣闊的應(yīng)用前景。因此，國內(nèi)外學(xué)者對(duì)其高度重視，并進(jìn)行深入而廣泛的研究。

虹膜識(shí)別系統(tǒng)由虹膜圖像預(yù)處理、特征提取及編碼和匹配識(shí)別等部分構(gòu)成。

虹膜圖像的預(yù)處理包括對(duì)虹膜內(nèi)外邊界的定位，對(duì)提取出的虹膜部分進(jìn)行直方圖均衡及歸一化操作等。而虹膜圖像紋理的特征提取本文采用了多尺度二維Gabor濾波器對(duì)圖像進(jìn)行濾波，再對(duì)輸出的卷積結(jié)果計(jì)算平均絕對(duì)偏差值作為特征值，最后采用兩種方法對(duì)特征值進(jìn)行分類已達(dá)到識(shí)別圖像的目的。一種方法是計(jì)算標(biāo)準(zhǔn)圖像和待測圖像特征值間的加權(quán)歐式距離(WED)；另一種方法是將標(biāo)準(zhǔn)圖像的特征值輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，再用訓(xùn)練好的網(wǎng)絡(luò)對(duì)待測圖像的特征值進(jìn)行分類，并輸出判斷結(jié)果。

1 虹膜圖像的預(yù)處理

虹膜是瞳孔之外鞏膜之內(nèi)的圓環(huán)部分，包含了豐富的紋理信息。為了減少眼瞼、睫毛、圖像拍攝角度以及拍攝距離等因素對(duì)虹膜識(shí)別效果的影響，須對(duì)圖像進(jìn)行預(yù)處理。本文將預(yù)處理分為虹膜定位、虹膜圖像歸一化和虹膜圖像增強(qiáng)三個(gè)步驟。虹膜與鞏膜、瞳孔的邊界均近似為圓形，可將虹膜的內(nèi)外邊緣近似看作兩個(gè)不同心的圓。因此定位的過程就是找出內(nèi)外兩個(gè)圓的半徑和圓心的過程。而歸一化的目的是將每幅圖像調(diào)整到相同的尺寸和位置，以消除拍攝角度和距離的不同而帶來的影響。增強(qiáng)是為了消除光照不均的影響，這里對(duì)圖像作直方圖均衡使虹膜的紋理信息更加清晰。

1.1 虹膜圖像處理和識(shí)別系統(tǒng)

虹膜識(shí)別系統(tǒng)由光源、攝像頭、圖像分析系統(tǒng)（計(jì)算機(jī)）三部分構(gòu)成，對(duì)光源、攝像頭、計(jì)算機(jī)均沒有特殊的要求。圖像為8bit256級(jí)灰度圖。光源提供照明，使虹膜可以清晰地成像。光源應(yīng)穩(wěn)定，因?yàn)殡S入射光線強(qiáng)度的變化，瞳孔會(huì)產(chǎn)生收縮或擴(kuò)張，牽動(dòng)虹膜變化，增大匹配時(shí)的誤差。穩(wěn)定光源，即穩(wěn)定了虹膜，可以提高匹配的精度。

圖像分析系統(tǒng)對(duì)拍攝下的虹膜圖像進(jìn)行預(yù)處理，包括對(duì)虹膜內(nèi)外邊界的定位，提取出虹膜部分進(jìn)行直方圖均衡及歸一化操作等。之后從處理后的虹膜圖像中提取需要的紋理特征，包括像冠、水晶體、細(xì)絲、斑點(diǎn)、結(jié)構(gòu)、凹點(diǎn)、射線、皺紋和條紋等。識(shí)別階段即將待識(shí)別的圖像的特征向量與預(yù)存的參考圖像的特征向量進(jìn)行匹配的過程，是典型的模式識(shí)別問題。通過比較提取的特征向量之間的相似性，進(jìn)而確定圖像是否來自同一對(duì)象，以達(dá)到鑒定身份的目的。

圖1 虹膜圖像處理和識(shí)別系統(tǒng)框圖

虹膜圖像識(shí)別問題的關(guān)鍵在于特征的選取和算法選擇，特征是否有足夠代表性，其包含的信息量是否夠多直接影響到了識(shí)別效果，進(jìn)而對(duì)最后的身份鑒別起決定性的影響。目前，國內(nèi)外有許多虹膜圖像的識(shí)別算法均能取得不錯(cuò)的識(shí)別效果，如英國劍橋大學(xué)的John Daugman教授提出了一種利用多尺度二維Gabor濾波器提取虹膜紋理的識(shí)別算法,這是目前應(yīng)用最廣泛的算法，在很多場合均取得了較高的識(shí)別效果。而本論文也采用了Daugman教授的多尺度二維Gabor濾波算法對(duì)圖像濾波從而提取出特征信息。

虹膜圖像是基于已提取的特征向量進(jìn)行識(shí)別的，不同的圖像特征提取和編碼方式通常有不同的比較方法，要根據(jù)具體的特征選擇和編碼算法自行設(shè)計(jì)匹配算法。但也有多種通用的判別方法，如利用漢明距離（Hamming Distance）、加權(quán)歐幾里得距離（Weighted Euclidean Distance）、相關(guān)系數(shù)、Hausdorff 距離、不同虹膜間的歸一化碼間距等對(duì)待測圖像和參考圖像的相應(yīng)信息對(duì)比，從而達(dá)到鑒定身份的目的。本文中就應(yīng)用加權(quán)歐幾里得距離（WED）對(duì)提取的特征向量進(jìn)行了識(shí)別，取得了令人滿意的鑒定效果。此外，神經(jīng)網(wǎng)絡(luò)（Neural Network）由于其強(qiáng)大的分類和自適應(yīng)學(xué)習(xí)能力而被廣泛用于模式識(shí)別領(lǐng)域，本論文也嘗試了應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)虹膜進(jìn)行了識(shí)別。

本文采用的眼部圖像取自中國科學(xué)院自動(dòng)化研究所下屬的虹膜圖像數(shù)據(jù)庫（CASIA），均為8bit320×280大小的BMP位圖如圖2所示。

圖2 CASIA的虹膜圖像樣本

該數(shù)據(jù)庫中有108個(gè)不同人的虹膜圖像，每人在不同光照和角度的照片7張，分為兩組，分別用于測試和檢驗(yàn)。本文采用的兩種虹膜識(shí)別方法均用到了兩組圖片，WED識(shí)別中作為標(biāo)準(zhǔn)圖片和待測圖片，BP神經(jīng)網(wǎng)絡(luò)中用作訓(xùn)練樣本和測試樣本。這樣提高了系統(tǒng)識(shí)別的復(fù)雜性，使最終結(jié)果更加具有普遍性，更具有說服力，也使得算法更加嚴(yán)謹(jǐn)，客觀。

1.2 虹膜圖像的內(nèi)邊界定位

眼睛的外觀圖由鞏膜、虹膜、瞳孔幾部分構(gòu)成。虹膜在角膜和水樣液的后方，晶狀體的前方，是瞳孔之外鞏膜之內(nèi)的圓環(huán)部分。它包含了最豐富的紋理信息。虹膜與鞏膜、瞳孔的邊界均近似為圓形。因此，可將虹膜的內(nèi)外邊緣近似看作兩個(gè)不同心的圓。定位的過程就是找出內(nèi)外兩個(gè)圓的半徑和圓心的過程。

本文暨采用粗定位與精定位相結(jié)合的定位方法：先用灰度閾值分割法對(duì)圖像進(jìn)行粗定位，得到內(nèi)邊界參數(shù)，然后利用瞳孔的圓心及半徑來縮小搜索的范圍，再檢測圖像邊緣，對(duì)其使用Hough變換提取外邊界參數(shù)，這種方法定位虹膜的內(nèi)外邊界。

由于虹膜與瞳孔的灰度差值很大，而且虹膜和瞳孔本身內(nèi)部的灰度值比較均勻，因此本文采用灰度閾值法分離瞳孔和虹膜，具體方法是先得到整個(gè)眼部圖像的灰度直方圖，再對(duì)圖像作二值化處理分離出瞳孔，即選擇一個(gè)閾值，將圖像轉(zhuǎn)化為黑白二值。變換函數(shù)形式如式(1)，其中T為閾值，如果圖像中某個(gè)像素灰度值大于該閾值，則將該像素灰度值設(shè)定為255，否則置為0。

圖3 虹膜內(nèi)邊界的定位

之后對(duì)瞳孔圖像的二值灰度矩陣各行（列）灰度值依次求相鄰行（列）的灰度差，差值最大的減數(shù)行（列）與差值最小的被減數(shù)行（列）的序號(hào)（即坐標(biāo)）的差值即為瞳孔直徑，再除以2即為內(nèi)邊界的半徑；然后用差值最大的減數(shù)行（列）的序號(hào)與半徑作差，得到的序號(hào)（即坐標(biāo)）值為圓心的縱（列）橫坐標(biāo)，這樣便得到了內(nèi)邊界的圓心坐標(biāo)。最后依照?qǐng)A心坐標(biāo)及半徑在原始圖像上畫出內(nèi)邊界如圖3所示。

1.3 虹膜圖像的外邊界定位

虹膜與鞏膜的邊界灰度差值不十分明顯，用灰度閾值法求外邊界的效果十分不理想，必須另想他法。Hough變換是理想的替代方法，其具體方法是：首先在圖像直角坐標(biāo)系中定義一個(gè)圓心和半徑均可變化的圓。將參數(shù)適當(dāng)離散化后，枚舉出圖像中所有可能的圓，統(tǒng)計(jì)每個(gè)圓經(jīng)過的外邊界點(diǎn)數(shù)目，數(shù)目最多的就是與外邊界最吻合的圓。但Hough變換需要遍歷整幅圖像，運(yùn)算量巨大，而且虹膜圖像細(xì)節(jié)信息大，邊緣特征復(fù)雜，定位外邊界的效果不十分理想，因此需要先驗(yàn)信息縮小遍歷范圍，降低運(yùn)算量，提高定位準(zhǔn)確率。本文先用Canny算子對(duì)圖像進(jìn)行外邊界邊緣檢測，然后根據(jù)已知的內(nèi)邊界參數(shù)劃定外邊界參數(shù)的范圍，最后再結(jié)合這些先驗(yàn)信息用Hough變換定位出虹膜外邊界如圖4所示。

圖4 虹膜外邊界的定位

1.4 虹膜圖像的歸一化和增強(qiáng)

由于光照和拍攝距離及位置等條件的不同，即使同一個(gè)人的虹膜圖像也會(huì)出現(xiàn)平移，縮放或旋轉(zhuǎn)，進(jìn)而對(duì)識(shí)別效果造成影響，得到的虹膜圖像不盡相同。而多尺度二維Gabor濾波器對(duì)圖像的旋轉(zhuǎn)等因素十分敏感。為了盡可能消除這個(gè)因素的影響，需要對(duì)虹膜圖像作歸一化和增強(qiáng)處理。歸一化的目的就是將每幅原始圖像調(diào)整到相同的尺寸和位置，以消除平移，放縮和旋轉(zhuǎn)的影響。此外為了便于紋理特征的提取，還需對(duì)圖像作增強(qiáng)處理，而增強(qiáng)是為了消除光照不均的影響，使得到的紋理信息更加清晰，突出細(xì)節(jié)信息，便于下一階段的特征提取。

虹膜的內(nèi)外邊界都為圓形，為此可以利用幾何方法。虹膜拉伸數(shù)學(xué)模型由于比較接近虹膜真實(shí)變化因而是個(gè)較好的選擇，利用該模型可將虹膜圖像的直角坐標(biāo)轉(zhuǎn)化為極坐標(biāo)形式，并展開成矩形。對(duì)虹膜圖像進(jìn)行歸一化處理后，再用直方圖均衡處理，以突出虹膜的特征部分，便于觀察、檢測。

具體方法是利用拉伸模型將虹膜圖像從直角坐標(biāo)系轉(zhuǎn)化到[0，1]間的極坐標(biāo)系并展開為矩形，再作直方圖均衡，以增強(qiáng)紋理特征如圖5所示。

圖5 虹膜圖像的歸一化和增強(qiáng)

2 虹膜圖像的特征提取

人眼的虹膜從形狀到紋理結(jié)構(gòu)具有許多可供區(qū)分、鑒定的特征，為了提取這些特征信息，需對(duì)虹膜圖像進(jìn)行分解，對(duì)從中提取的信息編碼。現(xiàn)在最常用的特征提取算法為利用Gabor函數(shù)對(duì)圖像濾波，提取相位信息編碼。

二維Gabor函數(shù)是一維Gabor函數(shù)的二維拓展形式，引入高斯函數(shù)作為其窗函數(shù)。在窗形區(qū)域內(nèi)，該函數(shù)與人眼視覺細(xì)胞的二維接受域波形極其相似，適合分析圖像不同頻率的細(xì)節(jié)信息，而通過參數(shù)調(diào)整，可以使Gabor函數(shù)具有不同的空間局部化特征，如方向選擇性、頻率選擇性和二次相位關(guān)聯(lián)性等。

本文提取虹膜特征的具體方法是先將虹膜環(huán)形圖像等分為12個(gè)子圖，由于上眼皮處的兩區(qū)域經(jīng)常被眼瞼、睫毛阻擋，這里除去不用，只選取10個(gè)子圖，用多尺度二維Gabor濾波器從4個(gè)頻率、4個(gè)角度分別對(duì)每個(gè)子圖以不同頻率、不同角度進(jìn)行濾波，然后計(jì)算濾波后得到的子圖信息的平均絕對(duì)偏差，并將這些絕對(duì)偏差值作為特征值，排列形成統(tǒng)一大小的特征向量用于識(shí)別。設(shè)計(jì)思路如圖6所示。

圖6 虹膜圖像紋理特征的提取

選取這10個(gè)子圖不但能降低眼瞼、睫毛對(duì)識(shí)別效果的影響，還可以保證有足夠豐富的紋理信息被提取出來；而Gabor濾波器在空域和頻域具有良好的聯(lián)合定位能力,能夠提供空間頻率、位置和方向的最大分辨率，因而非常適合紋理特征分析。本文選擇濾波器的頻率為2、4、8、16周/度，每個(gè)頻率分別從0°、45°、90°、135°處對(duì)所有子圖濾波，每幅子圖有16個(gè)結(jié)果圖，再計(jì)算每幅結(jié)果圖的平均絕對(duì)偏差值，輸出共160個(gè)特征值，這樣能夠在最大程度上保證體現(xiàn)圖像的紋理特征。而圖像的平均絕對(duì)偏差定義如式(2)，其中N是圖像的像素?cái)?shù)，m是圖像的均值，f(x,y)是在(x,y)點(diǎn)的值：

3 虹膜圖像的匹配與識(shí)別

在提取了虹膜圖像的特征信息后，要對(duì)其進(jìn)行分類，以達(dá)到識(shí)別圖像的目的。本文提出了兩種匹配方法對(duì)虹膜圖像進(jìn)行識(shí)別，一種是計(jì)算圖像特征值之間的加權(quán)歐式距離(WED)的方法，另一種是利用學(xué)習(xí)了足夠特征信息的BP神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別的方法。

3.1 基于WED的虹膜圖像識(shí)別

具體方法是先將參考圖片的特征向量編譯成.mat文件保存，再對(duì)測試圖片提取特征向量并分別載入，用算法計(jì)算待測圖像特征值與每幅標(biāo)準(zhǔn)圖像特征值間的WED值，將結(jié)果一一對(duì)比，通過算法得到最小WED值的序號(hào)和數(shù)值。若待測虹膜特征值的WED在k時(shí)最小，并且此WED值小于設(shè)定的閾值，則認(rèn)為待測虹膜是第k個(gè)虹膜，從而識(shí)別出虹膜，達(dá)到身份鑒定的目的。加權(quán)歐式距離(WED)的定義如式(3)，其中Ai代表第i個(gè)子圖的加權(quán)系數(shù)，BN和N分別代表子圖的數(shù)目和從每個(gè)子圖提取的特征總數(shù)。f(i,j)和fk(i,j)分別代表未知虹膜和第k個(gè)虹膜中第i個(gè)子圖的第j個(gè)特征分量。

3.2 基于神經(jīng)網(wǎng)絡(luò)的虹膜圖像識(shí)別

人工神經(jīng)網(wǎng)絡(luò)是指利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的一宗技術(shù)。它的目的是使機(jī)器有人腦那樣的感知、學(xué)習(xí)和推理能力。人工神經(jīng)網(wǎng)絡(luò)模型具有與人腦相似的高度并行性，良好的容錯(cuò)性和聯(lián)想記憶功能、自適應(yīng)和自學(xué)習(xí)能力、強(qiáng)大的分類能力、魯棒性，可以實(shí)現(xiàn)輸入到輸出的非線性映射，因此各類神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域得到越來越多的應(yīng)用。

本文使用的BP神經(jīng)網(wǎng)絡(luò)，是一種采用反向傳播算法的多層前饋網(wǎng)絡(luò)，能夠逼近任意的非線性映射關(guān)系，而且有很好的泛化能力。BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號(hào)通過中間節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換產(chǎn)生輸出信號(hào)。網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量和期望輸出量，通過分別調(diào)整輸入層與隱層間、隱層與輸出層間的參數(shù)（權(quán)值和閾值）使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)，訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)既能對(duì)類似樣本的輸入信息，自行處理輸出誤差最小、經(jīng)過非線性轉(zhuǎn)換的信息。

利用神經(jīng)網(wǎng)絡(luò)識(shí)別虹膜的具體方法是先輸入標(biāo)準(zhǔn)圖像的特征值讓神經(jīng)網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)各層的權(quán)值和閾值，當(dāng)輸出與理想輸出的誤差達(dá)到某一設(shè)定值時(shí)，認(rèn)為網(wǎng)絡(luò)收斂已訓(xùn)練完畢，之后輸入待測圖像的特征值令神經(jīng)網(wǎng)絡(luò)根據(jù)訓(xùn)練結(jié)果自行分類，從而達(dá)到識(shí)別圖像的目的。

4 試驗(yàn)結(jié)果和結(jié)論

在WED法中采用20人的虹膜圖像，每人有不同拍攝角度和拍攝距離的圖像3幅共60幅圖像進(jìn)行測試。從中各選取1幅共20幅作為標(biāo)準(zhǔn)圖像，將每人剩余的2幅共40幅圖像作為待測圖像提取特征值，并一一與20幅標(biāo)準(zhǔn)圖像的特征值計(jì)算WED距離，取每次對(duì)比中最小WED距離為該算法的判斷結(jié)果，如表1所示。

在BP神經(jīng)網(wǎng)絡(luò)中采用10人的虹膜圖像，每人有不同拍攝角度和拍攝距離的圖像7幅共70幅圖像參與測試。每人用其中的4幅共40幅圖像提取特征值作為訓(xùn)練樣本輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，再用其余的3幅共30幅圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類識(shí)別，結(jié)果如表3所示。

表3 兩種方法對(duì)虹膜圖像的識(shí)別結(jié)果

結(jié)合試驗(yàn)結(jié)果得出結(jié)論：

試驗(yàn)結(jié)果表明，用兩種方法對(duì)虹膜圖像進(jìn)行識(shí)別的效果都比較理想，WED法的計(jì)算結(jié)果清楚明了，便于比較，準(zhǔn)確率高，但判斷耗費(fèi)的時(shí)間較BP神經(jīng)網(wǎng)絡(luò)長；神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練特征，對(duì)樣本數(shù)量的需求比WED法大，但判斷時(shí)間短，輸出結(jié)果簡單直觀，便于分析。若改進(jìn)神經(jīng)網(wǎng)絡(luò)的輸入樣本特征類型，有望提高神經(jīng)網(wǎng)絡(luò)識(shí)別虹膜圖像的準(zhǔn)確率；而WED法受圖像的拍攝角度和拍攝距離的影響較大，若要減弱這種影響，提高識(shí)別的準(zhǔn)確率，需要對(duì)提取特征的算法作進(jìn)一步的改善。

5 結(jié)束語

本文介紹了虹膜圖像處理和識(shí)別系統(tǒng)，對(duì)各階段從圖像預(yù)處理到最終的虹膜識(shí)別用到的方法進(jìn)行了研究與探討。在圖像預(yù)處理方面，選用灰度閾值和Hough變換的方法分別對(duì)虹膜內(nèi)外邊界定位，并實(shí)現(xiàn)預(yù)期功能；通過算法實(shí)現(xiàn)了對(duì)虹膜圖像歸一化以及直方圖均衡的處理以突出其紋理特征。在特征提取方面，選取了業(yè)內(nèi)著名的Daugman教授的多尺度二維Gabor濾波器方法對(duì)虹膜圖像濾波，編程實(shí)現(xiàn)了提取濾波后圖像的信息；選擇濾波后圖像的平均絕對(duì)偏差作為特征值，利用算法將其編譯成特征向量保存，為識(shí)別階段做準(zhǔn)備；在特征識(shí)別方面選用了兩種方法：用加權(quán)歐幾里得距離(WED)對(duì)虹膜圖像的特征向量識(shí)別，鑒別效果十分理想；使用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、訓(xùn)練樣本特征值，進(jìn)而對(duì)虹膜圖像識(shí)別，鑒別效果達(dá)到預(yù)期。

[1]龐尚珍,雷躍榮,馮雪,杜玲艷.虹膜識(shí)別技術(shù)研究[J].四川理工學(xué)院學(xué)報(bào),2008,21(5):95-97.

[2]黃惠芳,胡廣書.虹膜識(shí)別算法的研究及實(shí)現(xiàn)[J].紅外與激光工程,2002,31(5):404-409.

[3]孟浩,徐翠平.虹膜識(shí)別算法的研究[J].哈爾濱工程大學(xué)學(xué)報(bào),2006,27(3): 400-403/452.

[4]史鵬舉.孫光民.虹膜識(shí)別系統(tǒng)的研究[J].計(jì)算機(jī)應(yīng)用研究,2004,23(增):509-511.