李 姍,范科峰,沈 吉

摘 要:虹膜識別以其惟一性、穩(wěn)定性和非侵犯性等優(yōu)點已成為生物特征識別中極具發(fā)展?jié)摿Φ纳矸葑R別技術。提出一種基于Log-Gabor小波局部頻率特征和局部方向特征的虹膜識別算法。該算法首先對虹膜圖像實行分塊,然后選取n個頻率、m個方向的Log-Gabor濾波器對每個子塊進行特征提取。最后采用海明距離進行圖像匹配,以判決合法性。實驗結(jié)果表明,該算法識別效果較好。

關鍵詞:虹膜;Log-Gabor小波;局部頻率特征;局部方向特征

中圖分類號:TP391文獻標識碼:A

文章編號:1004-373X(2009)12-055-04

New Iris Recognition Algorithm Based on Log-Gabor Wavelet

LI Shan1,FAN Kefeng2,SHEN Ji2

(1.Department of Signal and Communications,Guilin University of Electronic Technology,Guilin,541004,China;

2.China Electronics Standardization Institute,Beijing,100007,China)

Abstract:Iris recognition has become a best potential technology of identity authentication in biometric feature recognition because of the advantages of invariability,stability and un-intrusion.Combining with local frequency features and local orientation features of Log-Gabor wavelet,an approach for iris recognition is presented.First,iris image is divided into several sub-image.Secondly,Log-Gabor filters of n frequency and m orientation are employed to extract the iris features for every sub-image.Finally,the right user can be judged by image matching using Hamming distance.Experimental results show that the proposed algorithm perform better than convential methods.

Keywords:iris;Log-Gabor wavelet;local frequency feature;local orientation feature

0 引 言

隨著社會的發(fā)展和時代的進步,人們逐漸邁入數(shù)字化時代。一種安全、可靠、高效的身份識別認證技術已成為當今迫不及待解決的關鍵社會問題。通過密碼、卡等傳統(tǒng)的身份識別方式并不能提供安全、可靠的識別保障。與傳統(tǒng)的身份識別相比,生物特征識別具有惟一性、穩(wěn)定性、非侵犯性等優(yōu)點,而虹膜生物識別的準確率是最高的。因此,虹膜識別技術越來越受到學術界和企業(yè)界的重視。

目前,國內(nèi)外關于虹膜識別的算法很多[1-10],最為經(jīng)典的是由Daugman[6]博士提出的用二維Gabor小波編碼虹膜紋理的相位信息;Wildes[7]利用4個不同分辨率的拉普拉斯金字塔提取虹膜特征;Boles[8]提出用小波過零檢測虹膜識別算法;澳大利亞的Masek[9]提出采用Log-Gabor小波編碼虹膜紋理。各種算法各有優(yōu)點,在此結(jié)合前人的方法,提出基于Log-Gabor小波局部頻率特征和局部方向特征的虹膜識別算法,取得了較好的識別效果。

1 虹膜圖像的預處理

1.1 虹膜定位

虹膜圖像的定位就是從采集的虹膜圖像中找到內(nèi)外邊緣的圓心和半徑,將虹膜區(qū)域分割出來。由圖1(a)的原始虹膜圖像可以看出,瞳孔的顏色明顯要比眼睛的其他部分黑,由此說明它的灰度值低,而虹膜相對要明亮一些,它的灰度值相對要高一些,虹膜最白,灰度值是最高的。因此,可以利用灰度級變化的突變,粗定位瞳孔的圓心和半徑。

大致確定瞳孔的圓心和半徑之后,就可以在此基礎上精確地定位內(nèi)圓。根據(jù)虹膜的圓形結(jié)構(gòu)特征,可以采用下式進行瞳孔的精定位。

maxr,x0,y0Gσ(r)氮祌∮r,x0,y0I(x,y)2πrdsλ+∮r′,x0,y0I(x,y)2πr′ds-m(1)

式中:Gσ(r)為高斯濾波器;I(x,y)為虹膜圖像;r和r′為半徑,且r稍大于r′,r-r′=Δr=C;λ和m為設定的常數(shù),其值很小,以防止分母為零引起奇異值的出現(xiàn)。式(1)的實質(zhì)上就是在(r,x0,y0)三參數(shù)空間不斷迭代求最優(yōu)解。

虹膜的外邊緣常會被上下眼瞼遮擋掉一部分,如果眼瞼的邊界被清晰地檢測出來,則會對Hough變換造成很大的干擾。針對此問題,本文對Canny邊緣檢測算子進行了改進,只對水平方向上的梯度進行計算,這樣能排除一些受干擾的邊緣點,而且還可以節(jié)省計算時間。

然后對邊緣檢測圖像采用Hough變換來確定外邊緣的圓心和半徑。圓的參數(shù)方程可表示為:

x0=x-rcos θ,y0=y-rsin θ(2)

根據(jù)先驗知識確定半徑的搜索范圍。由于虹膜外邊界左右兩側(cè)所受干擾較小,因此可將θ限制在-π/4~π/4和3π/4~5π/4之間,從而減小了計算量。先在參數(shù)空間建立一個累加器H(x0,y0),再將邊緣圖像上的每一個點(xi,yi)代入上式,求出參數(shù)(x0,y0)。當圓心位于上述搜索范圍內(nèi),則將相應的累加陣H(x0,y0)加1,否則加0。H(x0,y0)中元素的最大值就是所求外邊緣的圓心和半徑。圖1(b)為虹膜定位圖像。

圖1 虹膜預處理過程

1.2 虹膜圖像的歸一化

為消除光照不均、瞳孔放縮等帶來的影響,定位后的圖像還需進行歸一化,使其調(diào)整為與原始圖像相同的尺寸和對應的位置。這里采用普遍使用的歸一化方法[10]?，F(xiàn)以瞳孔中心為起點,設虹膜內(nèi)外邊界的交點坐標分別為(xi(θ),yi(θ))和(x0(θ),y0(θ)),利用式(3)可將虹膜圖像中的每一點一一映射到極坐標(r,θ)中。經(jīng)過歸一化處理的虹膜r∈[0,1],θ∈[0,2π],在(r,θ)平面上可得到64×256的歸一化虹膜圖像。圖1(c)所示為虹膜歸一化圖像。

x(r,θ)=(1-r)xi(θ)+rx0(θ)

y(r,θ)=(1-r)yi(θ)+ry0(θ),(3)

歸一化后的虹膜圖像包含噪聲信息(由于眼瞼遮擋引起的)。為了避免噪聲干擾,在生成歸一化虹膜的同時,生成了一個噪聲屏蔽模板與之對應。模板將虹膜信息標記為0;噪聲信息標記為1。圖1(d)所示為噪聲屏蔽模板。白色部分為眼瞼遮擋引起的噪聲,匹配時通過引入噪聲屏蔽碼去除噪聲干擾。

2 虹膜特征提取、編碼

特征提取是虹膜識別算法中至關重要的一步。文中首先對虹膜圖像進行分塊處理,然后采用n個頻率、m個方向的Log-Gabor濾波器對每個子塊提取相位信息,得到虹膜特征碼。

2.1 Log-Gabor濾波器

二維Gabor濾波雖然在空間域和頻率域都具有很好的局部性質(zhì),但是當帶寬大于1倍頻時,其偶對稱濾波器產(chǎn)生非零直流分量;Log-Gabor函數(shù)在帶寬方面沒有限制,且具有最小空間的支撐。Log-Gabor函數(shù)是對數(shù)頻率尺度上的高斯函數(shù)。在線性頻率尺度上,Log-Gabor函數(shù)表示為:

G(f)=exp-[log(f/f0)]22[log(β/f0)]2(4)

式中:f0為濾波器中心頻率;β用于確定徑向帶寬。為了保證濾波的形狀恒定,對于不同的f0,應選擇β使β/f0值保持不變。

Log-Gabor函數(shù)有幾個重要特征:首先Log-Gabor函數(shù)中總是沒有直流分量,帶寬可不受限制;其次Log-Gabor函數(shù)中的傳遞函數(shù)在高頻端有一個延長的“尾巴”。存在長尾巴的Log-Gabor函數(shù)應該比普通的Gabor函數(shù)對自然圖像編碼更有效,且對高頻分量表示不足;最后Log-Gabor濾波器覆蓋了更廣的頻率范圍。

2.2 特征提取

根據(jù)頻域分析,二維Log-Gabor濾波器是一個特定方向的帶通濾波器。一個濾波器覆蓋一定的頻率和方向,稱為一個通道。采用不同頻率尺度和方向的多通道Log-Gabor濾波器來提取虹膜特征,其具體步驟如下:

(1) 通過Log-Gabor濾波器對圖像進行濾波,選取n個頻率尺度,每個尺度選取m個方向,利用式(5)提取虹膜特征:

Fnm(x,y)=LnmI(x,y)(5)

式中:Lnm為Log-Gabor濾波器;I(x,y)為預處理后的虹膜圖像。

(2) 圖像紋理信息特征主要由相位信息決定,幅值信息則表示了紋理變化的強弱?；谄ヅ鋾r間、匹配精度和存儲空間的綜合考慮,文中采用分塊進行特征編碼,提取局部相位信息。將整個虹膜圖像I(x,y)分成若干個M×N的子塊,并與濾波器模板大小相同。采用下式對每個子塊進行計算:

Fnm(i,j)=∑Mx=1∑Ny=1I(i+x-M+12,

j+y-N+12)Lnm(x,y)(6)

式中:(i,j)為每個子塊的中心坐標。

(3) 利用不同頻率尺度和方向的濾波器對虹膜進行處理后,記錄每個子塊濾波結(jié)果模的最大值所對應的小波編號(h)。根據(jù)式(6)得到的局部相位信息值為復數(shù)。如果實部大于等于0,則相應的特征碼為1,否則為0;如果虛部大于等于0,則相應的特征碼為1,否則為0。這樣,由Log-Gabor小波作為局部紋理的粗量化器,形成(hRe,hIm)碼字。每個子塊圖像的碼字為h+hRe+hIm,將虹膜圖像的子塊圖像的碼字依此排列,最后得到虹膜特征碼。

(4) 為消除噪聲的影響,在生成特征碼的同時,根據(jù)噪聲屏蔽模板生成了噪聲屏蔽碼。噪聲屏蔽碼與特征碼長度相等,且一一對應。噪聲屏蔽碼由0和1組成,0表示對應位置的特征碼處于噪聲區(qū)域;1表示對應位置的特征碼為虹膜信息。在匹配時通過“與”運算過濾掉噪聲生成的特征碼。

3 虹膜匹配

虹膜匹配就是檢測被測試者的虹膜特征碼是否與數(shù)據(jù)庫中某一虹膜模板的特征向量相匹配。采用改進的海明距離對虹膜特征碼進行匹配。計算公式如下:

HD=1/[N-∑Nk = 1Amk (OR)Bmk ]

∑Nj = 1Aj (XOR)Bj(AND)Amj′(AND)Bmj′(7)

式中:Aj和Bj分別表示待識別中虹膜圖像和虹膜模板圖像的第j個特征編碼;Amj和Bmj分別表示待識別中虹膜圖像和虹膜模板圖像的第j個噪聲屏蔽碼;Amj′和Bmj′分別為Amj和Bmj取反的結(jié)果;N為模板中0/1的個數(shù),即提取的特征點個數(shù)的2倍。理想情況下,如果兩個虹膜來自同一只眼睛,則HD=0;如果來自不同的眼睛,則HD=1。

4 實驗結(jié)果與分析

使用中科院自動化所模式識別實驗室公開的虹膜圖像數(shù)據(jù)庫CASIA(版本 3.0)[11]采集的圖像分為不同時間段、不同燈光下和雙胞胎三類,總共包括700多人1 500只不同眼睛的22 051幅虹膜圖像。其大小為320×280的8位灰度圖像。

在實驗中,使用該算法對CASIA虹膜庫中不同時間段采集的249人中396只不同眼睛的2 655幅虹膜圖像進行262 216次比較實驗,總共進行2 842次類內(nèi)比較和259 374次類間比較。表1和表2分別顯示了該算法所得的部分類內(nèi)匹配和類間匹配的HD值。由表中可知,內(nèi)類匹配和類間匹配的差別非常大,這也證明了提出的虹膜識別算法的有效性。

表1 類內(nèi)匹配的HD值

序號ABCDEFG

10.327 10.409 80.380 40.368 90.295 70.347 80.269 9

20.329 70.412 70.375 90.360 40.308 10.359 30.273 9

30.310 80.404 90.391 50.367 70.305 90.333 00.274 9

40.303 40.401 30.382 30.370 80.319 90.369 70.269 6

表2 類間匹配的HD值

序號12345678910

10

20.437 00

30.433 60.429 80

40.428 90.415 60.418 80

50.417 70.424 50.425 70.389 70

60.416 90.420 40.410 10.394 80.407 80

70.404 40.429 90.413 50.385 90.409 90.385 70

80.430 90.421 40.429 40.424 00.424 70.426 70.426 30

90.428 80.433 10.432 20.419 40.417 30.425 20.410 90.424 80

100.426 60.414 20.418 10.412 50.412 60.407 40.390 20.429 20.425 80

為了驗證該算法的識別性能,通過計算誤識率(RFA)、誤拒率(RFR)和識別率(RCR)三個指標來與其他算法進行比較,表3列出了不同算法的實驗結(jié)果。實驗中,取海明距的閾值HD=0.38時,算法的RFA=3.8%,RFR=4.81%,RCR=95.2%;當類內(nèi)距離與類間距離相交HD=0.39時,算法的RFA=4.293%,RFR=2.642%,RCR=97.75%。

表3 各算法實驗結(jié)果

MethodRFA/%RFR/%RCR/%Match time /ms

文獻[1]算法2.210.081004.3

文獻[8]算法10.487.1393.7411.0

本文算法4.2932.64297.757.8

本文提出的算法,在給定閾值的情況下,正確識別率比文獻[1]的算法要低,比文獻[8]的算法要高。這是由于文中未對上下眼瞼和睫毛進行檢測,只是在匹配時采用噪聲屏蔽模板來盡量消除它們的影響,同時對圖像質(zhì)量不做任何要求,因此消除噪聲是下一步需要研究的內(nèi)容。

5 結(jié) 語

虹膜識別技術以其惟一性、高可靠性、高穩(wěn)定性、非侵犯性等特點而具有廣泛的應用前景。提出的基于Log-Gabor小波局部頻率特征和局部方向特征的虹膜識別算法,其識別率達到97.8%,可以達到識別的目的。進一步的工作是研究如何去除虹膜圖像中的眼瞼、睫毛、光斑、瞳孔縮放等引起的干擾,使得在質(zhì)量不好的虹膜圖像中能保持很高的識別率。

致謝:感謝中科院自動化所提供的CASIA虹膜數(shù)據(jù)庫(版本3.0),使得實驗順利完成。

參考文獻

[1]Daugman J.High Confidential Visual Recognition by Test of Statistical Independence[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1993,15(11):1 148-1 161.

[2]姚鵬,葉學義,莊鎮(zhèn)泉,等.基于局部頻率特征和局部方向特征的虹膜識別算法[J].電子學報,2007,35(4):663-667.

[3]王鳳華,韓九強.一種Log-Gabor濾波結(jié)合特征融合的虹膜識別方法[J].西安交通大學學報,2007,41(8):889-893.

[4]范科峰,王美華,莫瑋.一種新穎的基于小波變換的虹膜識別算法[J].紅外技術,2005,27(4):333-337.

[5]谷建清,郭永彩,高潮,等.二維Gabor小波在虹膜識別中的應用[J].儀器儀表學報,2005,26(8):395-403.

[6]Daugman J.Biometric Personal Identification System Based on Iris Analysis[P].US Patent 5291560,1994.

[7]Wildes R P.A System for Automated Iris Recognition.Applications of Computer Vision[J].Proceedings of the Second IEEE Workshop,1994:121-128.

[8]Boles W W,Boashash B.A Human Identification Technique Using Images fo the Iris and Wavelet Transform[J].IEEE Trans.on Signal Processing,1998,46(4):1 185-1 188.

[9]Masek L.Recognition of Human Iris Patterns for Biometric Identification[EB/OL].http://www.case.uwa.edu.au/~pk/studentprojects/libor,2003.

[10]王藴紅,朱勇,譚鐵牛.基于虹膜識別的身份鑒別[J].自動化學報,2002,28(1):1-10.

[11]中國科學院自動化研究所.虹膜圖像數(shù)據(jù)庫(CASIA-IrisV3)[EB/OL].http://www.cbsr.ia.ac.cn/IrisDatabase.htm,2007.