尚睿

摘要：文章介紹了虹膜識別技術(shù)的歷史、發(fā)展和現(xiàn)狀，詳細(xì)闡述了最新的虹膜識別技術(shù)文獻(xiàn)的創(chuàng)新點(diǎn)及工作進(jìn)展，最后得出結(jié)論：采取適當(dāng)?shù)姆椒〞谳^短時間內(nèi)找到較為準(zhǔn)確的虹膜內(nèi)、外邊緣，這對提高虹膜識別的效率有較為明顯的影響。

關(guān)鍵詞：虹膜識別；噪聲；收斂算法；生物識別；效率

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）22-0117-02

Abstract： This paper introduces the history， development and present situation of iris recognition technology， and expounds the innovation points and work progress of the latest iris recognition technology. Finally， the conclusion is drawn that the appropriate method can find more accurate iris inner and outer edge， which can improve the efficiency of iris recognition.

Key words： iris recognition； noise； convergence algorithm； biometric； efficiency

生物識別技術(shù)是一種根據(jù)人的身體特征來進(jìn)行身份識別的技術(shù)。一般來說，人體特征包括掌紋、聲音、指紋、人臉、虹膜等，且這些特征具有唯一性、不可復(fù)制等特點(diǎn)。生物識別的過程就是指將所采集到的人體特征轉(zhuǎn)變?yōu)閿?shù)字信號，并利用有效的匹配機(jī)制來實(shí)現(xiàn)個人身份的識別。而且，生物識別技術(shù)是通過人體的固有特征來進(jìn)行驗(yàn)證，不需要去死記硬背一些諸如賬戶、密碼等難記的數(shù)字信息。因此，該技術(shù)為個人、企業(yè)及政府等在網(wǎng)上交易、隱私保護(hù)、反恐等諸多方面提供了方便和安全保障。在許多國家，生物識別技術(shù)已經(jīng)處于安全議程討論的最前沿[1]，因?yàn)樵摷夹g(shù)是一種高度準(zhǔn)確的身份確認(rèn)手段，這為許多安全性和身份管理問題提供了一個非常有效的解決方案。近十年，生物識別行業(yè)的市場份額在不斷增加，主要原因包括：

1）技術(shù)上的進(jìn)步；

2）成本的顯著降低；

3）針對身份識別的立法要求的推動作用。

作為一種可行的替代方案，生物識別技術(shù)提升了地方、區(qū)域和國家的安全檢查站的安全級別，它必將在未來的身份識別領(lǐng)域發(fā)揮越來越重要的作用。

在人體的許多生物特征中，虹膜是最持久、最具抗干擾性的特征之一。作為身份識別的特征，虹膜具有很多優(yōu)點(diǎn)，如唯一性、穩(wěn)定性、非侵犯性等。與人臉、聲音等其他身份識別方法相比，虹膜識別具有更低的錯誤率[2]。虹膜識別技術(shù)被普遍認(rèn)為是二十一世紀(jì)最具有發(fā)展?jié)摿Φ纳镒R別技術(shù)，未來的安防、國防、電子商務(wù)等多種領(lǐng)域的應(yīng)用，將會更多地依賴虹膜識別技術(shù)。這種趨勢已經(jīng)在世界各地的許多應(yīng)用中逐漸顯現(xiàn)出來，市場應(yīng)用前景非常廣闊。

1 虹膜分割的研究現(xiàn)狀

虹膜識別技術(shù)根據(jù)對目標(biāo)人物的約束程度可分為兩種：有條件虹膜識別[3，4]和隱蔽式虹膜生物識別（Covert iris biometric recognition， CIBR）[5]。前者需要目標(biāo)人物的積極配合，如目標(biāo)人物需站在成像設(shè)備前，并保持大約三秒鐘的注視時間。雖然通過這種方式獲得的圖像質(zhì)量較高，但它卻限制了虹膜識別技術(shù)的應(yīng)用范圍（如犯罪、恐怖活動等）。后者不能期望目標(biāo)人物的合作，雖然以該方式獲取的圖像質(zhì)量不高，但它卻具有很強(qiáng)的應(yīng)用性。因此，研究者已經(jīng)把更多的興趣和注意力放到了CIBR上。因?yàn)镃IBR是在不可控的數(shù)據(jù)獲取環(huán)境中進(jìn)行的，所以它采集的虹膜圖像具有以下的部分特征：

1）遠(yuǎn)距離拍攝、目標(biāo)人物運(yùn)動都會引起圖像模糊。

2）當(dāng)目標(biāo)人物的頭或身體沒有位于垂直的位置時，會得到旋轉(zhuǎn)的虹膜圖像數(shù)據(jù)。

3）眼瞼、眼睫毛、陰影的遮擋。

4）帶有鏡面反射的虹膜。

5）帶有漫反射的虹膜。

6）目標(biāo)人物戴眼鏡時，眼鏡經(jīng)常會遮擋住人眼的一部分。

7）目標(biāo)人物戴隱形眼鏡時，隱形眼鏡會遮擋虹膜紋理，并使之變形。

8）采集的圖像只含有部分的虹膜信息或不含有虹膜信息。

與有條件虹膜識別相比，CIBR中的干擾因素更多，因此，適用于有條件虹膜識別的方法（虹膜分割、特征提取和匹配）不一定適用于CIBR。為了克服這些干擾因素的影響，研究者已經(jīng)加大了對CIBR的研究力度。

虹膜分割是虹膜識別的一個關(guān)鍵環(huán)節(jié)，定位質(zhì)量的高低將直接影響后續(xù)的特征提取和匹配。目前，研究者們已經(jīng)針對CIBR提出了一些高性能的虹膜分割方法。這些方法將在以下作詳細(xì)敘述。

文獻(xiàn)[6]提出了一種有效的虹膜分割算法，該算法主要包括以下幾個步驟：圖像中反射的檢測與消除、基于聚類和語義細(xì)化的虹膜位置粗定位、基于微積分星座法的虹膜邊界精定位、眼瞼定位、眼睫毛和陰影檢測。其中，微積分星座法是對微積分算子[7，8]的一個改進(jìn)，它首次引入了微積分環(huán)的概念，并選擇三個不同的微積分環(huán)來構(gòu)建微積分星座，該結(jié)構(gòu)既增強(qiáng)了算法收斂到全局最優(yōu)點(diǎn)的能力，又極大地提高了計(jì)算速度。另外，文獻(xiàn)[6]進(jìn)行眼瞼定位、眼睫毛和陰影檢測的目的是最大限度地找到虹膜的有用信息，減少噪聲對特征提取和匹配的干擾。文獻(xiàn)[9]提出了一種可靠的虹膜分割算法，該算法主要包括反射定位、反射填充、虹膜邊界定位和眼瞼邊界定位等步驟。對于反射定位，首先采取了門限操作來獲得反射區(qū)域，然后，再結(jié)合形態(tài)學(xué)的膨脹和閉包運(yùn)算來增強(qiáng)該區(qū)域。在此基礎(chǔ)上，通過四鄰域插值法即可實(shí)現(xiàn)反射填充。在虹膜外邊界定位中，文獻(xiàn)[4]輕微地增加了微積分算子[7]的搜索范圍，并將其應(yīng)用于灰度圖像以獲得虹膜外邊界。前者可以更充分、更準(zhǔn)確地利用外邊緣信息，后者進(jìn)一步縮小了內(nèi)邊界定位的范圍。與外邊界定位不同，內(nèi)邊界定位是在紅色分量圖像中進(jìn)行，因?yàn)榧t色分量圖像特別有助于定位虹膜內(nèi)邊界[10]。最后，“二準(zhǔn)則方法”和“三準(zhǔn)則方法”被分別用于定位下眼瞼和上眼瞼建模。

文獻(xiàn)[11]提出了一種基于知識的虹膜分割算法，該算法主要包括如下的步驟：圖像預(yù)處理、瞳孔邊界定位、虹膜邊界定位、瞳孔和虹膜的組合、眼瞼的檢測以及反射的過濾。在實(shí)際的虹膜分割中，該基于知識的方法在兩方面的改進(jìn)是非常節(jié)約成本的。第一，對眼瞼檢測步驟的改進(jìn)，主要是結(jié)合皮膚區(qū)域的檢測、虹膜邊界的檢測來改進(jìn)和提煉目前的方法。第二，減少算法的運(yùn)行時間，主要對代碼的全局性修復(fù)和對算法解決方案的優(yōu)化。

文獻(xiàn)[12]提出了一種抗干擾性強(qiáng)的、準(zhǔn)確的虹膜分割方法，其主要貢獻(xiàn)如下：第一，提出了一種邊緣定位算法，該算法結(jié)合了基于灰度共生直方圖的聚類法和一種改進(jìn)的Hough變換。第二，引入了一種上眼瞼檢測方法，該方法結(jié)合了拋物線型微積分算子和一種隨機(jī)采樣一致性技術(shù)。第三，陳述了一種使用各種技術(shù)和不同圖像信息的分割方法。

文獻(xiàn)[13]提出了一種新的虹膜分割方法。文中主要有三個方面不同于先前的工作：第一，使用了一種AdaBoost眼睛檢測法[14]以補(bǔ)償由兩個圓形邊緣檢測操作所引起的誤差；第二，使用了一種顏色分割技術(shù)來檢測由可見光的重影效應(yīng)所引起的干擾；第三，根據(jù)角膜反射來判斷一個圖像是否是“閉眼”圖像。

2 結(jié)束語

本文主要闡述了虹膜識別技術(shù)的相關(guān)內(nèi)容，對不同的虹膜識別技術(shù)的優(yōu)劣進(jìn)行了分析。綜述表明：采取適當(dāng)?shù)姆椒〞谳^短時間內(nèi)找到較為準(zhǔn)確的虹膜內(nèi)、外邊緣，這對提高虹膜識別的效率有較為明顯的影響。在此基礎(chǔ)上，將來的工作會重點(diǎn)研究虹膜識別的另外兩個重要環(huán)節(jié)，它們分別是特征提取和模式匹配。這為進(jìn)一步提高CIBR的精度和速度打下了堅(jiān)實(shí)的基礎(chǔ)。

參考文獻(xiàn)：

[1] Al-Raisi A N， Al-Khouri A M. Iris recognition and the challenge of homeland and border control security in UAE[J]. Telematics and Informatics， 2008， 25（2）： 117-132.

[2] Zhu Y， Tan T N， Wang Y H. Biometric personal identification based on iris patterns[C]. 15th International Conference on Pattern Recognition， 2000， vol. 2， pp. 801-804，

[3] Phillips P J， Scruggs T， OToole A， Flynn P J， Bowyer K W， Schott C， Sharpe M. FRVT 2006 and ICE 2006 large-scale experimental results[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 32（5）： 831-846.

[4] Proenc H， Alexandre L A. NICE.I： Noisy iris challenge evaluation - Part I[C]. First IEEE International Conference on Biometrics： Theory， Applications， and Systems， 2007： 1-4.

[5] Proenca H， Alexandre L A. Toward covert iris biometric recognition： experimental results from the NICE contests[J]. IEEE Transactions on Information Forensics and Security， 2012， 7（2）： 798-808.

[6] Tan T， He Z F， Sun Z N. Efficient and robust segmentation of noisy iris images for non-cooperative iris recognition[J]. Image Vision Computing， 2010， 28（2）： 223-230.

[7] Daugman J. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1993， 15（11）： 1148-1161.

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

[9] Sankowski W， Grabowski K， Napieralska M， Zubert M， Napieralski A. Reliable algorithm for iris segmentation in eye image[J]. Image Vision Computing， 2010， 28（2）： 231-237.

[10] Sankowski W， Grabowski K， Zubert M， Napieralska M. Iris finder-program for reliable iris localization in images taken under visible light[C]. XI Conference on Medical Informatics & Technologies， Poland， 2006.

[11] Almeida P. A knowledge-based approach to the iris segmentation problem[J]. Image Vision Computing， 2010， 28（2）： 238-245.

[12] Li P H， Liu X M， Xiao L J， Song Q. Robust and accurate iris segmentation in very noisy iris images[J]. Image Vision Computing， 2010， 28（2）： 246-253.

[13] Jeong D， Hwang J， Kang B， Park K， Won C， Park D， Kim J. A new iris segmentation method for non-ideal iris images[J]. Image Vision Computing， 2010， 28（2）： 254-260.

[14] AdaBoost OpenCV.， 2009 （accessed 16.03.09）.