虹膜識別技術的發展綜述

馬文杰，黃彥天

（1. 寧夏大學前沿交叉學院，銀川 750000；2. 寧夏大學博雅書院，銀川 750000）

0 引言

隨著計算機技術理論的不斷進步與計算機算力的逐步提升，對身份認證和識別的準確性要求越來越高。傳統的采用身份證件、用戶名和密碼進行身份鑒別的方式已經顯露出一些問題。在互聯網信息化時代，個人身份信息的數字化表示成為一項重要特點，因此如何正確地識別個人身份成為一項關鍵問題。在應用需求的推動下，生物特征識別技術逐漸得以發展。虹膜作為許多生物特征中最持久且抗干擾性最強的特征之一，相較于其他特征而言，具有許多良好的特性： ①普遍性——人人都有虹膜；②獨特性——研究顯示［1］，任意虹膜圖像都具有獨特性，與其遺傳基因無關；③穩定性——在信息主體的整個生命過程中，當虹膜完全形成之后，將終生保持穩定不變；④保護性——虹膜外側有一層透明的角膜，使其與外界隔離，不會因外界的傷害而變化；⑤非入侵性——虹膜識別在檢測過程中不要求有身體接觸，屬于無接觸式識別；⑥良好的防欺騙性——瞳孔對光線的響應使得其能夠分辨出虛假的虹膜，因此虹膜照片或死者的虹膜是很難被系統識別的；⑦良好的防偽性——人眼是一種很精細的組織，很難通過外科手術來改變虹膜的特征。

虹膜作為一種生物特征識別技術與其他生物特征識別技術的對比［2］見表1。

表1 各種生物特征識別的比較

虹膜是一種生物特征，在對多種特征識別進行綜合分析的過程中，虹膜識別是一種更實用、更可靠的身份識別技術，因其具備良好的穩定性、唯一性、可收集性、非入侵性、防偽性等特點而被認為是一種極具發展潛力的識別技術，有著重要的經濟與科研價值。

1 虹膜識別技術的發展歷程

虹膜識別是一種將數學、光學、電子學、生理學和計算機科學結合在一起的高新技術，其通過對人眼虹膜圖像的采集和處理，來實現對信息主體的身份認證［3］。其發展歷程可分為以下幾個時期：

（1）起步期（1990—1999 年）。上世紀九十年代，人們開始了對虹膜圖像的獲取和處理技術的探討，并建立了虹膜圖像庫。在此基礎上，美國約翰霍普金斯大學約翰·達夫教授發明了第一個虹膜識別系統［4］。

（2）中期（2000—2009 年）。隨著社會的發展和技術的進步，人們對虹膜識別技術的認識也越來越多，其研究的重點已經從虹膜圖像的采集與處理，逐漸轉移到了對虹膜特征的提取、虹膜匹配算法、虹膜防偽等方面，并在準確度與穩定性上得到了不斷的提高。

（3）晚期（2010 至今）。虹膜識別作為一種新興的應用技術，其在公共安全、金融醫療、政府管理等多個行業中得到了廣泛的應用。同時，它的安全性、實用性、用戶體驗等方面也在不斷地提高。總體而言，我國的虹膜識別技術已日趨成熟，其技術層次與應用范圍也在不斷地擴大與提高。

2 虹膜識別的原理和方法

虹膜識別技術通過對獲取到的虹膜圖像進行分類、整理、編號、比對來判斷要識別的身份。一般來講，可將其分為兩個階段：一是身份注冊，二是身份識別，其具體的工作流程如圖1所示。

圖1 虹膜識別系統的工作原理圖

各個步驟的功能概括如下：

（1）虹膜圖像采集：其主要功能是借助虹膜圖像獲取裝置，以友好的人機接口、非物理接觸的方式實現對虹膜圖像的采集。

（2）虹膜圖像質量評價：虹膜影像品質的優劣，對辨識系統的效能有相當重要的影響，這就要求選擇出符合評判標準的影像作為辨識系統的輸入，即對采集后的影像進行質量評估，其評估標準主要包括判斷影像有無散焦、有無光照模糊、睫毛是否存在遮擋，瞳孔是否存在過度變形等。

（3）虹膜定位分割：由于所獲得的影像中包含了眼瞼、睫毛、虹膜、瞳孔，所以必須采用某種運算方法來確定虹膜的具體位置，之后再根據已確定的虹膜位置來執行下一步的運算。

（4）虹膜歸一化：瞳孔會隨外部光線的強弱而膨脹或縮小，使虹膜的環狀區域產生變形，針對這一問題，需要對虹膜進行歸一化處理。

（5）圖像增強：克服了外部照明不均勻對虹膜識別區域的影響。

（6）特征提取：利用某一算法，從虹膜影像中獲取一種可以描述其特征的信息，并進行編碼處理，進而儲存到數據庫中。

（7）特征比對識別：將所提取要識別的虹膜特征點與資料庫中的特征點進行比較分析，進而判斷要識別的身份。

3 虹膜分割的研究現狀

虹膜分割是虹膜識別的一個關鍵環節，其確定的精度將直接影響后期的虹膜識別結果。所以，國內外學者把它視為預處理階段工作的關鍵與難點。

目前，可以將虹膜的定位分割分為以下幾類方法［5］：

（1）基于微積分的方法：將虹膜看作是一個接近圓環的物體，對虹膜進行定位，就是要確定諸如虹膜內、外邊的大致中心位置以及虹膜內、外邊的半徑等信息。

為提高虹膜識別的效率，Daugman［4］采取了如下方式：首先，利用算法對圖像進行高斯濾波處理，以消除噪聲；接著，在積分圖像的基礎上引入了一種新的技術，以加快圓周灰度梯度的積分值的計算速度。該方法對圖像進行了預處理，并將其儲存起來，進而實現了對圖像任意位置的快速提取。在此基礎上，Daugman又提出了一種新的自適應控制和分步近似的方法，以進一步提高計算效率：首先，對一個很大的參量進行初始搜索，找出可能的中心位置，并找出其半徑。接著對該初始區進行更細致的搜索，并采取較小的步幅和較高的解析度，準確地確定出虹膜內、外邊緣的位置。該方法采用了逐級逼近的思想，經過多次迭代，使搜索區域不斷縮小，最終準確地確定出虹膜內、外邊緣的位置，不僅降低了算法的復雜度，而且也提高了檢測的精度和效率，是當前國內外大部分商業虹膜識別系統中的一種核心算法。Zheng 等［6］提出了一種基于積分算子的“膨脹”與“收縮”相結合的虹膜定位方法，進一步提升了虹膜定位的準確率。Schuckers 等［7］提出了一種基于角度形變的橢圓積分算子的虹膜定位方法。Tan 等［8］使用兩步的定位方法對虹膜進行定位分割：首先，算法使用了簇機制，得到虹膜的粗定位結果；接著通過積分星座結構的方法，精準地確定出虹膜和瞳孔的邊界位置。

（2）基于灰度梯度的圖像提取算法：虹膜紋理的灰度分布和梯度變化在個體之間是獨特而具有區分度的。通過利用虹膜紋理的梯度信息，將虹膜圖像轉化為可比較的特征向量，并通過特征匹配過程來實現個體的識別。

Ma 等［9］根據影像灰度突變的原理，找到了不在一條線上的三個點，并利用三點成員成功地確定了虹膜的內外圓。Basit 等［10］提出了通過計算像素點的灰度強度值之間的梯度來確定虹膜的邊界和位置的方法。Ling 等［11］提出了利用影像的灰度密度梯度來對虹膜內、外邊緣進行定位的方法；Pundlik 等［12］提出了利用影像密度差分以及橢圓曲線擬合的虹膜定位分割算法；Labati 等［13］提出了使用積分操作符來對虹膜進行定位，這種方法具有操作簡便、快速等優點，但由于其易受到光斑、圖像模糊等噪聲的影響，使得其穩健性較差。

（3）基于活動輪廓線或水平集的方法：利用曲線演化的方法，從初始輪廓線或水平集出發，逐步優化邊界的形狀來確定虹膜的邊界，有效地將輪廓線或水平集模型應用于虹膜邊界提取和識別的過程中。

近幾年，國內外學者相繼提出了一系列的局域類型水平集合，其中最具代表性的是Chan等［14］提出的Chan-Vese（CV）水平集合。它基于水平集方法，通過最小化能量函數來實現分割，其優點在于能夠處理具有不規則形狀的物體，并且對于具有較強對比度的圖像效果較好。Daugman［15］提出一種新的方法，即根據輪廓線建立虹膜內外邊界的模型，并采用Snake算法建立出虹膜的內、外邊界，通過對邊界圖像中灰度梯度的積分和平滑度的限制，來實現對虹膜邊界的準確定位。Vatsa 等［16］將圖像的灰度強度與主動輪廓相結合，確定了瞳孔與虹膜的邊界。Shah 等［17］提出了利用測地活動輪廓線方法（GAC）對虹膜邊界進行擬合，并獲得了較好的結果。Barzegar等［18］提出了用逐點水平集對虹膜進行定位的方法。Chen 等［19］提出了一種自適應平均移動方法和主動輪廓模型來定位虹膜，通過使用圖像梯度對瞳孔和虹膜進行粗定位，再結合主動輪廓的方法對其進行精定位。Roy等［20］提出了一種基于變分水平集的算法，首先利用最小二乘法對瞳孔和虹膜進行粗定位，隨后結合變分水平集的曲線變換思想來對其進行精定位。

（4）基于Canny 算子和Hough 變換的方法：利用邊緣檢測和圓形檢測技術，能夠快速提取和定位虹膜邊界，從而實現虹膜的識別。

Wildes 等［21］和Boles［22］利用邊緣檢測算子對虹膜圖像的邊緣點進行檢測，接著再使用Hough 變換確定虹膜邊緣的參數。在這之后，Masek［23］、Ma 等［24］、Sudha 等［25］分別使用了Canny邊緣檢測及霍夫變換對虹膜內、外邊緣進行了精準定位。Dobes 等［26］提出了一種修改后的Hough變換算法，通過對虹膜特征進行建模，將虹膜區域的判別閾值確定為定位的依據，進而實現對虹膜區域的定位。Tan等［27］提出了改進的Canny 算子，首先通過差值積分確定瞳孔區域，接著根據臨界點的灰度梯度值來確定眼皮區域，隨后結合概率密度函數確定出眼睫毛的區域，進而定位出虹膜的位置。Li 等［28］采用K-means和修正后的霍夫變換來對虹膜內、外邊緣進行定位。

（5）其他方法：Tan 等［27］還提出了微積分星座法，首次引入了微積分環的概念，并采用三種不同的微積分回路來構建微積分星座結構。在此基礎上，利用圖像中的虹膜輪廓信息，根據Adaboost 算法提取出虹膜的邊緣并對其進行樣條曲線擬合。該思想不僅可以提高算法的收斂性，更能有效提高其運算速度。Puhan等［29］首先使用傅里葉光譜的強度特性，通過一步一步的掃描得到自適應的閾值，實現對瞳孔和虹膜的初步定位，接著使用粗定位來判斷瞳孔和虹膜的臨界點，進而得到最終的定位結果。此外，基于對傅立葉譜密度的分析，Puhan等［29］又提出了一種新的濾波分割方法，首先應用傅立葉變換的頻譜密度對圖像進行濾波和平滑化，以消除噪聲；隨后采用閾值分割算法，在適當的閾值下將濾波后的光譜圖像轉換為二值化圖像，并根據其頻率特性將虹膜與背景、噪聲等信息分離，最終完成對虹膜的分割。Sankowski 等［30］提出了一種更為可靠的虹膜分割算法，該算法包括反射定位、反射填充、虹膜邊界定位和眼瞼邊界定位等步驟。在反射點定位方面，通過閾值運算得到反射點，并在此基礎上利用形態學中的“擴張”與“閉包”相結合的方法對反射點進行加強，接著利用四鄰域內插補的方法，即可完成對反射點的填充，進而實現對虹膜邊界眼瞼邊界的精準定位。Almeida等［31］提出了一種以知識為基礎的虹膜分割算法，它的主要內容有以下幾個方面：影像預處理、瞳孔邊界定位、虹膜邊界定位、瞳孔和虹膜的融合、眼瞼檢測、反射過濾等。在實際應用中，這種基于知識的算法有兩個優點：第一，在眼皮檢測的基礎上，對現有的眼瞼檢測算法進行了改進，并將其與皮膚區域檢測、虹膜邊緣檢測相結合，進一步完善了現有的眼瞼檢測算法；第二，降低了算法的執行時長，減少了代碼的冗余度，并對算法求解過程進行了優化。Li 等［32］提出了一種基于復式雙樹型小波的虹膜識別算法，該算法采用復式雙樹型小波對虹膜圖像進行局部特征提取，并將其應用到虹膜圖像中，使其更好地反映出虹膜的邊緣與紋理特性，提高了虹膜識別的精度與穩健性。Zhang等［33］提出利用判別張量表示和稀疏編碼的思想來對虹膜圖像進行區分化處理：首先對虹膜的影響因子進行分類，構建出具有區分特征的高維區分化張量，實現對其高階結構特征的分析，再利用稀疏編碼技術，將待測樣本轉化為具有鑒別意義的稀疏系數的線性組合，并對其進行壓縮與提取；接著利用支持向量機對稀疏系數進行分類和識別，進而實現虹膜識別的任務。Zhang等［34］提出了通過深度學習的方法對虹膜進行特征表達：其思想是采用多模態深度神經網絡對兩個模態圖像進行特征提取與融合，并將其應用于虹膜識別，進而實現對人臉的穩健識別。該方法在虹膜識別任務中取得了較好的性能，具有較強的應用潛力。王義等［35］提出了一種基于小波包分解的新算法，該算法是對傳統小波分解算法的一種擴展，它可以對圖像進行更加細致的分解，從而獲得更多的小波包。具體來說就是：首先對虹膜內、外邊緣同時定位并進行歸一化處理，再利用小波包分解獲得子圖，接著對子圖中的每一個圖進行系數計算，從而獲得虹膜的特征矢量。在此基礎上，再對虹膜圖像中的特征矢量進行漢明距離計算。最終的實驗模擬結果顯示［35］，采用帶權重的漢明距離分類算法所得到的特征值，可以有效地提高虹膜識別的準確率。

4 當前虹膜識別有待解決的問題和今后的發展方向

4.1 當前虹膜識別亟待解決的問題

本文分析了虹膜識別技術的研究熱點，包括虹膜圖像定位分割、邊緣檢測、質量改善、深度學習等方面的研究。同時，針對其便攜化、人機交互性等特點，探討了虹膜識別技術中亟待解決的硬件問題。其中，發展高性能的虹膜圖像獲取裝置，特別是長距離獲取裝置，是目前虹膜識別領域迫切需要解決的硬件問題。當前的采集設備通常都是短距離收集，并且需要采集對象的配合，這限制了虹膜識別技術的應用范圍和便利性。另外，虹膜識別系統的抗干擾能力也成為了研究的難點，虹膜識別裝置應具有較強的抗干擾性和較高的識別精度，光線條件的改變、部分遮擋、眼鏡等都會對虹膜的成像質量及識別精度產生影響。因此，研制具有較高抗干擾性的虹膜識別裝置就顯得尤為重要。

在軟件方面需要提高算法的準確性和魯棒性，虹膜識別軟件需要具備高準確性和魯棒性，能夠在不同場景下保持穩定的識別性能。目前，針對已有的很多定位算法，其分割結果并沒有排除睫毛和眼皮的干擾，極少數對應的算法雖然努力去除眼皮的干擾，但結果卻減少了虹膜的有效區域，在分割程度方面仍存在進一步提升的空間。因此，進一步提高虹膜識別軟件的準確性和魯棒性仍然是一個挑戰。其次，目前的虹膜識別需要使用者使用視覺透鏡對目標進行掃描。但現實生活中，在不需要使用者積極配合的情況下，非協作模式的識別更加切實可行，也更加方便。因此，發展一種可進行準確、非協作的虹膜識別的軟件算法，是當前亟待解決的軟件問題。除此之外，關于虹膜圖像的評估問題，以及如何評估一幅圖像中的虹膜是否被準確地定位，也是一個需要解決的軟件問題，這與判斷虹膜識別系統是否能夠自動識別身份有著密切的聯系［36］。

4.2 虹膜識別技術發展的展望

對于今后虹膜識別技術的發展方向，我們可以從以下方面進行思考：

（1）擴大獲取距離及視角：研究設計可進行長距離、廣視角的虹膜獲取裝置，通過改進照明系統和透鏡系統，結合具有較強魯棒性的光學修正方法，以保證在不同距離和角度下均能獲取高質量的虹膜圖像。

（2）抗噪聲能力的提升：對虹膜圖像進行分析，利用圖像增強、去噪、恢復等方法對模型進行優化，以增強對光照變化、遮擋等影響的魯棒性。通過圖像增強、去噪、恢復等方法，實現對虹膜特征信息的提取和保護。

（3）算法的完善與優化：針對不同的應用場景與挑戰，研究基于深度學習、特征工程、模式匹配的新算法，以提升虹膜識別的精度與穩健性。

（4）發展非協同識別技術：引入多模態信息，整合虹膜識別技術與其他生物特征識別技術，在此基礎上研發可實現精確的非協同虹膜識別的算法與系統。其主要內容包括：發展更高級的圖像采集設備、圖像質量評價算法、姿態估計，以及人機交互新技術等，進而提高系統的鑒別能力和可靠性，以及對不同環境和場景的適應性。

（5）綜合特征評價：結合虹膜圖像的質量、定位精度、特征抽取結果等綜合指標對虹膜圖像進行全面評價。在此基礎上，對圖像的適用性做出判斷，作為下一步身份識別過程的依據。

5 結語

本文對虹膜識別技術進行了綜述，從虹膜識別的發展歷程、原理方法、國內外研究現狀以及未來發展方向等方面進行了全面的分析和論述。虹膜識別技術具有廣闊的應用前景，但仍面臨一些挑戰和限制。隨著技術的進一步發展，虹膜識別技術將不斷完善，為各個領域提供更高效、安全和便捷的身份認證方案。