一種虹膜特征提取與匹配方法

郭慧杰 王超楠 楊倩倩 韓一梁 楊 昆

（北京無線電計量測試研究所，北京100039）

1 引 言

研究表明，虹膜識別是最精確的、最穩定的、最難偽造的和處理速度最快的生物特征識別技術［1］。但是由于虹膜尺寸很小，并且易受到光斑、眼皮、睫毛等噪聲干擾［2］，而且在遠距離識別場景中，由于用戶形態各異，虹膜圖像易產生變形，因此如何獲取到一定數量的、穩定有效的虹膜特征并進行準確分類，是虹膜識別的關鍵和難點［3］。 目前典型的虹膜特征提取和匹配方法存在以下缺點。

1）沒有對提取的虹膜特征進行有效地評估和篩選，虹膜特征中存在不穩定的干擾特征，增加了虹膜分類的難度，降低了虹膜識別的準確率［4］；

2）沒有充分利用虹膜注冊模板和識別樣本之間的相關性，穩定的虹膜特征沒有得到增強，不穩定的虹膜特征沒有得到抑制，難以提升虹膜識別的準確率［5］；

3）選取固定的閾值進行特征匹配，進一步加劇了不穩定特征造成的影響，使正確分類的置信度降低，不利于虹膜識別準確性和魯棒性的提升［6，7］。

因而，需要提供一種穩定的虹膜特征提取與匹配方法，解決不穩定特征和固定閾值嚴重影響虹膜識別準確率的問題。 本文通過分別在虹膜注冊端生成增強型的特征模板和在虹膜識別端獲取穩定的特征樣本，并根據自適應的風險預測動態確定分類判別閾值，提出一種穩定的虹膜特征提取與匹配方法，從而有效增強虹膜識別的準確性和魯棒性。

2 算法描述

一種穩定的虹膜特征提取與匹配方法，通過在虹膜注冊時以序列圖像特征點篩選和強特征分類器構建獲得增強型虹膜特征模板，在虹膜識別時以多樣本特征映射與融合生成穩定的樣本特征圖，以及利用基于自主設計的主特征保持與交變相位檢測算子和自適應風險預測相似度判別閾值決策的特征提取與匹配的方法，有效提升虹膜識別的準確性和魯棒性。 該方法的具體步驟如下。

2.1 定義特征檢測算子

設計主特征保持與交變相位檢測算子，對歸一化的虹膜圖像進行邊緣檢測和特征提取。 通過自定義虹膜主特征保持算子Fm，檢測虹膜主要的邊緣特性，并抑制其平滑特性。

設歸一化虹膜圖像為I（x，y），x∈［1，2，…，w］，y∈［1，2，…，h］，w、h 分別表示圖像的寬和高，虹膜邊緣特性圖像Im（x，y）為

式中：x∈［1，2，…，w］，y∈［1，2，…，h］。

通過自定義虹膜交變相位檢測算子Fp，檢測虹膜角度方向邊緣的相位變化，提取穩定的虹膜特征，

虹膜特征圖像為IF（x，y）

式中：x∈［1，2，…，w］，y∈［1，2，…，h］。

設虹膜特征卷積核為CF

則有，

2.2 構建增強型特征模板

在虹膜注冊端，利用序列虹膜圖像構建強特征分類器，生成增強型虹膜特征模板。

虹膜注冊時，采集n 幅符合質量要求的歸一化虹膜圖像Ii，i ＝0，1，…，n－1，按照小波高頻系數譜加權能量和由高到低排序Ii

式中：WT——小波變換；Wa，Wh，Wv，Wd——小波低頻、水平高頻、垂直高頻和對角線高頻系數譜；Ei——加權能量和；α，β，γ——加權系數。

對Ii進行特征提取，得到序列特征圖像IFi（i ＝0，1，…，n－1）為

Mi為與其對應的特征掩模圖像，值為1 的點表示相應位置為穩定特征，值為0 的點表示相應位置為不穩定特征，已被噪聲或其他干擾污染。

以IF0為基準特征圖像，歸一化特征圖相似度為判據，計算其他特征圖像與基準特征圖像的歸一化相似度sim 為

式中：sim∈［0．0，1．0］；‖·‖2——矩陣的2 －范數；shift——特征圖比對移位位數，正號表示右移，負號表示左移。 移位比對能抗虹膜旋轉干擾，獲得兩幅比對特征圖的最大相似度。

從j ＝1 至j ＝n－1，逐幅迭代特征圖，構建強特征分類器

式中：j ＝1，2，…，n －1。 當基準特征圖像與比對特征圖像的相似度不等于1．0 時，修正不匹配特征點的掩模標記，更新M0，將其對應點元素置0，直到最后一幅比對特征圖像迭代完成，所有特征圖像的相似度均等于1．0，得到特征掩模圖MF為

生成的增強型虹膜特征模板為IT＝｛IF0； MF｝。

2.3 獲取穩定的特征樣本

在虹膜識別端，根據多樣本的特征映射與融合，生成穩定的虹膜樣本特征圖。

虹膜識別時，捕獲m 幅符合質量要求的歸一化虹膜樣本圖像Pi，i ＝0，1，…，m －1，按照質量得分由高到低排列Pi，然后對Pi進行特征提取，得到多樣本特征圖像PFi（i ＝0，1，…，m－1）為

式中：Li為與其對應的特征掩模圖像，值為1 的點表示相應位置為穩定特征，值為0 的點表示相應位置為不穩定特征，已被噪聲或其他干擾污染。

以PF0為基準樣本特征圖，根據圖像相似度res將其他樣本特征圖與基準樣本特征圖進行特征點對齊

式中：j ＝1，2，…，m －1；‖·‖2——矩陣的2 －范數；shift——樣本特征圖比對移位位數，正號表示右移，負號表示左移。 Lj根據PFj的移位情況進行相應的移位更新。

將多樣本特征圖PFi投影到加權特征空間WF為

式中：wi——特征加權系數；m——樣本數。

根據加權特征投票選取穩定的特征點為

式中：σF——穩定特征判別閾值；LF——穩定特征掩模圖像。 生成的穩定的虹膜樣本特征圖為PS＝｛PF0； LF｝。

2.4 自適應確定分類閾值

通過自適應風險預測確定虹膜特征相似度判別閾值。

定義任意兩個虹膜特征模式IA＝｛PA； MA｝和IB＝｛PB； MB｝之間的相似度ms 為

式中：ms∈［0．0，1．0］；P——虹膜特征模式；M——特征模式掩模；w，h——特征模式的寬和高。

在虹膜特征模板庫中，分別計算類內虹膜特征相似度和類間虹膜特征相似度在不同分類閾值下的概率分布，根據風險預測確定初始的相似度判別閾值為

式中：Tc——初始分類閾值；D（Zi｜same）——同類虹膜的特征相似度在分類閾值Zi下的概率密度；D（Zi｜difference）——非同類虹膜的特征相似度在分類閾值Zi下的概率密度；μ——風險參數，μ ＞1 說明錯誤接受率在決策時更重要，μ ＜1 說明錯誤拒絕率在決策時更重要，μ ＝1 說明決策時優先考慮等錯率［8］。

隨著注冊虹膜模式類的增加，自適應地實時更新分類閾值。 計算新增模式Inew與特征模板庫中所有模式的最大相似度T′c為

式中：IOi——特征模板庫中原有的虹膜模式類。

通過與原先的分類閾值比較，更新分類閾值T 為

2.5 模式分類

根據更新后的分類閾值進行虹膜特征匹配分類。

計算虹膜特征模板IT＝｛IF0； MF｝與樣本特征PS＝｛PF0； LF｝之間的相似度

利用更新后的分類閾值進行判別，完成虹膜特征匹配分類

3 實驗結果與分析

利用MATLAB R2016a 對本文提出的方法進行性能仿真，采用CASIA－V1 虹膜數據庫中的圖像來測試該算法的分類性能。 仿真時，參數設置為：采用二維離散（5，3）小波基進行一階小波分解，能量加權系數取α ＝0．4，β ＝0．4，γ ＝0．2，移位參數取shift ＝－8，－7，…，7，8，樣本序列圖像幀數取m ＝8，穩定特征判別閾值取σF＝0．73，風險參數取μ ＝103。 將本文算法的分類性能分別與Reillo［9］、Li Ma［10］和John Daugman［11］的算法進行比較，關鍵性能指標的對比結果見表1。

表1 四種不同算法的性能比較Tab.1 Performance comparison of four different algorithms

由表1 可以看出，本文提出的算法具有很好的穩定特征提取與匹配能力，分類性能接近John Daugman 的算法，并且兼顧了精度與速度，可以有效提升虹膜識別的準確性和實用性。

4 結束語

本文提出的算法從虹膜注冊特征增強、虹膜識別特征篩選、自適應特征相似度匹配判別三個方面加強虹膜穩定特征的提取和匹配，生成增強型虹膜特征模板和穩定的樣本特征，并自適應更新虹膜特征分類閾值，克服了不穩定特征的干擾和影響，從而有利于提高虹膜識別系統的準確性和魯棒性。