張 攀，張 蓮，陳大孝，李云昊

(重慶理工大學 電氣與電子工程學院，重慶 400054)

基于改進Hamming距離的虹膜識別算法

張 攀，張 蓮，陳大孝，李云昊

(重慶理工大學 電氣與電子工程學院，重慶 400054)

針對虹膜特征匹配速度較慢的問題，提出了一種改進的Hamming距離算法來縮短匹配的時間。傳統(tǒng)的特征匹配是采用8次移位比對的方式，選擇其中最小的一次Hamming距離與閾值進行比較,這種方法會帶來計算量的增加，影響實時性。為此提出一種新的方法。在進行特征移位比對的同時，將每次得到的Hamming距離與閾值進行比較，若小于閾值，則結(jié)束移位比對，判定這2個虹膜來自同一采集者；若不小于閾值，則繼續(xù)移位比對，直到移位8次為止。在mini2440開發(fā)板上，使用CASIA虹膜數(shù)據(jù)庫對該算法進行了大量的實驗。結(jié)果表明：該方法比傳統(tǒng)的Hamming距離匹配法更快，并且準確率有所提高，說明該方法可行有效。

特征匹配；Hamming距離；移位比對；CASIA虹膜數(shù)據(jù)庫

隨著社會信息的逐步發(fā)展，傳統(tǒng)的身份識別方法已經(jīng)遠遠不能滿足高可靠性的要求，人們必須尋求一種更為安全可靠、使用方便的身份識別新途徑，生物特征識別技術(shù)應(yīng)運而生。虹膜識別是新世紀最具有發(fā)展?jié)摿Φ囊环N生物特征識別技術(shù)，它具有非常高的準確率和穩(wěn)定性，比人臉識別、指紋識別等許多生物特征識別表現(xiàn)得更為突出，具有許多先天優(yōu)勢，是其他生物特征識別技術(shù)無法比擬的[1]。

虹膜位于人眼瞳孔與鞏膜之間的環(huán)形區(qū)域，它是從胚胎期的第3個月起開始發(fā)育，到第8個月時，虹膜的主要紋理已經(jīng)形成，只要不經(jīng)歷很大的眼科手術(shù)，虹膜的紋理結(jié)構(gòu)終生不會變化[2]。虹膜具有高達266個獨立的量化特征，任意兩幅虹膜圖像代碼完全相同的幾率為零，即使是雙胞胎或者是同一個人的左、右眼得到的虹膜代碼都是毫不相關(guān)的，這也是虹膜識別引人注目之處。近些年來，虹膜識別技術(shù)得到了快速進步，并且越來越受到廣泛的重視。

虹膜識別算法主要包括虹膜圖像預處理、特征提取以及特征匹配等步驟，其系統(tǒng)框圖如圖1所示。傳統(tǒng)的特征匹配是采用經(jīng)典的Hamming距離方法，該方法是將待識別特征與虹膜數(shù)據(jù)庫特征逐一比對，通過8次移位比對來消除虹膜旋轉(zhuǎn)和噪聲帶來的干擾，這種方法會造成特征模板比對的次數(shù)過多，導致時間較長。本文提出一種新的特征匹配方法：在進行特征移位比對時，將每一次比對的結(jié)果與分類閾值進行比較，當某次比對的結(jié)果值小于閾值時停止比對；否則將繼續(xù)移位比對，直到移位8次為止。

1 硬件環(huán)境

本文的虹膜識別是在mini2440開發(fā)板上實現(xiàn)的。mini2440采用的是ARM公司的S3C2440微處理器，有專門的USB攝像頭接口，支持linux操作系統(tǒng)，可以進行圖像用戶界面的設(shè)計，是一種具有低功耗高效率的開發(fā)平臺。mini2440實物如圖2所示。

圖1 虹膜識別系統(tǒng)框圖Fig.1 Diagram of the iris recognition system

圖2 mini2440實物Fig.2 mini2440 physical figure

2 虹膜圖像預處理

虹膜圖像預處理通常包括圖像增強、邊緣定位以及歸一化等步驟。

2.1 圖像增強

在虹膜圖像采集過程中，由于受到人眼與采集裝置距離的變化以及光照不均勻等因素存在，將會影響虹膜的邊界定位以及有效特征的提取，降低虹膜識別的準確率[3]。為了消除上述因素的影響，首先對虹膜圖像進行圖像增強。常用的圖像增強技術(shù)主要有平滑濾波、圖像銳化和直方圖均衡化處理等。由于直方圖均衡化能更好地突出虹膜紋理信息，提高虹膜對比度，因此本文選用直方圖均衡化對圖像進行增強處理，如圖3所示。

圖3 圖像增強效果圖Fig.3 Image enhancement effect

2.2 虹膜邊緣檢測及定位

虹膜位于瞳孔和鞏膜之間的環(huán)形區(qū)域，紋理信息十分豐富。為了較好地獲得虹膜區(qū)域，需要將虹膜內(nèi)外邊緣檢測出來，然后進行分割。根據(jù)Prewitt算子邊緣檢測方法具有過濾偽邊緣、抑制噪聲等優(yōu)點，本文選用Prewitt算子進行邊緣檢測，為虹膜邊緣定位提供良好的條件。

虹膜定位是指通過各種技術(shù)方法求出虹膜的內(nèi)外邊界參數(shù)，進而分割出虹膜區(qū)域[4]。常用的虹膜定位技術(shù)有Hough變換法和基于微積分的虹膜邊界定位算法。Hough變換的優(yōu)點是適于檢測已知形狀的目標，需要有一定的先驗知識，只要圖像邊緣足夠清晰，就能獲得二值邊界點的坐標。Hough變換就可以有效地定位目標邊界。虹膜內(nèi)外邊緣是近似的圓環(huán)形狀，從瞳孔、虹膜到鞏膜，圖像灰度值呈階梯上升變化，在區(qū)域過渡處有一定的梯度變化，具有邊緣特征，因此選用Hough變換來完成虹膜定位。邊緣檢測及定位如圖4所示。

2.3 歸一化

在采集到的虹膜圖像中，由于虹膜大小不可能完全一致，并且存在旋轉(zhuǎn)的情況，因此需要對虹膜進行歸一化，將虹膜區(qū)域調(diào)整到固定的尺寸。歸一化的目的就是消除虹膜因縮放和旋轉(zhuǎn)造成的影響。

圖4 虹膜定位Fig.4 Iris localization

通常情況下，虹膜的內(nèi)外邊界可以近似看作同心圓，兩者的圓心有一定的偏離。即使如此，通過一般性研究，虹膜的內(nèi)外邊緣都能以瞳孔中心為極點的極坐標形式展開，以瞳孔中心作為圓心，將環(huán)形的虹膜區(qū)域轉(zhuǎn)換為矩形區(qū)域[5]。虹膜歸一化的效果如圖5所示。轉(zhuǎn)換關(guān)系如式(1)所示，其中：r∈[0,1]；θ∈[0,2π]；(xi(θ),yi(θ))和(xo(θ),yo(θ))分別為瞳孔邊界和虹膜外邊界的坐標向量。通過式(1)可將虹膜圖像中的每一點全部映射到極坐標(r,θ)中，在極坐標平面上獲得歸一化虹膜圖像。

(1)

圖5 虹膜歸一化效果Fig.5 The normalized iris rendering

3 虹膜特征提取及編碼

二維Gabor濾波器有著優(yōu)良的濾波性能，并有著與生物視覺系統(tǒng)相近的特點，具有易于調(diào)諧的方向和徑向頻率帶寬以及易于調(diào)諧的中心頻率，能在時域和頻域同時達到最佳的分辨率[6]。二維Gabor濾波器的形式為

(2)

(3)

4 虹膜特征匹配

4.1 支持向量機(SVM)

虹膜特征識別實質(zhì)上是一個分類問題。SVM針對二類分類問題具有很好的效果。SVM的原理是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特征空間中，使得在原來的樣本空間中非線性可分問題轉(zhuǎn)化為在特征空間中的線性可分問題。為了避免升維造成計算的復雜化，SVM方法應(yīng)用核函數(shù)展開定理巧妙地解決了這個難題。本文選用了文獻[5]中的核函數(shù)來對虹膜特征進行分類。

4.2 Hamming距離(HD)

虹膜特征匹配最常用的方法是Hamming距離法，Hamming距離可以計算二值模板之間的匹配程度，通過按位比較兩個模板上對應(yīng)位的編碼是否一致，將不一致的位數(shù)占總模板位數(shù)的比例作為這兩個模板之間的Hamming距離，距離越小表明兩個模板越匹配[8]。根據(jù)同一虹膜之間的HD值與不同虹膜之間的HD值統(tǒng)計分析，選定一個分類閾值。若HD值小于分類閾值，則認為這兩個虹膜是來自同一個人，否則來自不同的人。

Hamming距離的表示如式(4)所示，其中：Ai和Bi分別表示待識別和虹膜數(shù)據(jù)庫中的第i位特征編碼；N為編碼總長度；⊕表示異或運算。當Ai和Bi相同的時候為0，不同的時候為1。因此，兩個特征模板相似度越高，HD值越小。

(4)

4.3 移位比對法

由于頭部的傾斜或者眼球的轉(zhuǎn)動會造成虹膜的旋轉(zhuǎn)，虹膜從圓環(huán)狀歸一化到矩形區(qū)域之后，虹膜旋轉(zhuǎn)對應(yīng)著矩形區(qū)域的平移。為了消除虹膜旋轉(zhuǎn)造成的影響，在特征匹配的時候需要對待識別特征模板進行移位比對。傳統(tǒng)的特征匹配都是采用8次移位比對的方法。移位8次對應(yīng)著虹膜旋轉(zhuǎn)角度大概為16°。正常情況下，人眼旋轉(zhuǎn)的角度都在這個范圍以內(nèi)[9]。這里提到的移位8次實質(zhì)上要比對17次，分別是向左移位8次和向右移位8次，再加上不進行移位的情況。將每一次移位的特征模板分別與虹膜數(shù)據(jù)庫模板相比較，最后取這17次中最小的匹配值作為HD值。在大多數(shù)情況下，人眼旋轉(zhuǎn)的角度都比較小，如果每次都采用8次移位比對，將會造成比對次數(shù)的浪費，降低虹膜識別的實時性。

針對虹膜特征比對次數(shù)浪費的問題，本文提出一種新的比對方法，在進行特征移位比對時，將每一次比對的HD值與分類閾值進行比較，若HD值小于分類閾值，就認為這兩個虹膜來自同一個人，于是停止比對；否則繼續(xù)移位比較下去，直到移位8次為止。由于這種方法比對的次數(shù)小于或者等于傳統(tǒng)的比對次數(shù)，因此會縮短匹配的時間，并且不會影響虹膜識別率。

5 實驗結(jié)果

5.1 實驗數(shù)據(jù)的獲取

由于虹膜圖像的獲取對攝像頭像素的要求較高，本研究選用了中科院CASIA虹膜數(shù)據(jù)庫中的1 000張虹膜圖像，在嵌入式mini2440開發(fā)板上進行了實驗。這1 000張圖像分別來自50個采集者的20張同一只眼睛圖像。分別對這些虹膜圖像進行類內(nèi)匹配和類間匹配，得到大量的同一采集者虹膜之間的HD值和不同采集者虹膜之間的HD值，如表1和表2所示。由于數(shù)據(jù)較多，表中只列出7個人(A、B、C、D、E、F、G)的虹膜數(shù)據(jù)各7例以及7個不同人的虹膜數(shù)據(jù)各1例。分析表1和表2的數(shù)據(jù)可知：選取分類閾值為0.35可以準確區(qū)分該虹膜數(shù)據(jù)庫中2幅虹膜是否來自同一個人。

表1 同一采集者的虹膜匹配的HD值Table 1 Iris matching HD value of the same gatherer

表2 不同采集者的虹膜匹配的HD值Table 2 Iris matching HD value of different gatherers

5.2 結(jié)果分析

通過表1和表2選定出虹膜識別的分類閾值，分別用傳統(tǒng)的8次移位比對法和本文方法對以上1 000張虹膜圖像之間相互進行特征匹配。通過匹配的時間和準確率這兩個指標來評價性能的好壞。經(jīng)過多次實驗，得到這兩種方法的實際移位比對次數(shù)，分別計算出這兩種方法的平均時間和準確率，如圖6所示。圖6中橫軸表示移位比對的次數(shù)；縱軸表示比例。由圖6得知：本文方法大多數(shù)的特征匹配在移位3次到7次之間就已經(jīng)識別出結(jié)果，而傳統(tǒng)特征匹配方法是固定移位8次，可見本文方法有效地減少了匹配次數(shù)。表3給出了本文方法與傳統(tǒng)方法以及文獻[5]方法的性能對比。由表3可知，相比傳統(tǒng)方法，本文方法準確率更高，并且時間更短，與文獻[5]的準確率相等，但是縮短了時間。

圖6 實際移位比對次數(shù)的比例Fig.6 The actual displacement ratio on the proportion of the number表3 傳統(tǒng)方法、文獻5、本文方法性能的對比Table 3 The traditional method,the performance of the method of literature 5, this article contrast

性能傳統(tǒng)方法文獻[5]方法本文方法平均時間/s0.4750.3280.296準確率/%99.6599.9899.98

6 結(jié)束語

傳統(tǒng)的虹膜特征匹配都是采用8次移位比對的方法來確定HD值，移位數(shù)為8表示要進行17次虹膜特征比對。由于人的頭部傾斜一般不會太大，8次移位往往會造成比對次數(shù)的浪費。本文提出改進的特征匹配方法，將每次移位比對的HD值與分類閾值進行比較來決定是否繼續(xù)移位，因此有效地減少比對次數(shù)，縮短了匹配時間。該方法對各種生物識別技術(shù)都會起到一定的作用，能夠改善生物識別的實時性，具有較大的意義。在mini2440開發(fā)板上的大量實驗結(jié)果表明：本文方法不僅縮短了匹配時間，而且較傳統(tǒng)方法準確率更高，說明這種改進的方法比較理想。

[1] 李凱.虹膜識別技術(shù)在移動終端中的應(yīng)用[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2015,3:84-86.

LI Kai.Iris recognition technology in the mobile terminal application[J].Journal of network security technology and applications,2015,3:84-86.

[2] 曹留洋.虹膜特征提取及匹配算法研究與實現(xiàn)[D].長春:吉林大學,2015:1-4.

CAO L Y.Research and implementation of iris feature extraction and matching algorithm[D].Changchun:jilin university,2015:1-4.

[3] 王成儒,胡正平.基于幾何特征的虹膜定位算法[J].中國圖像圖形學報,2013,8(A):683-685.

WANG Chengru,HU Zhengping.Iris location algorithm based on geometric features[J].Chinese journal of image and graphics,2013,8 (A):683-685.

[4] 涂娟,王海濱,曹林,等.基于 Hough 變換的快速虹膜識別算法研究[J].電視技術(shù),2014,38(19)：211-215.

TU Juan,WANG Haibin,CAO Lin,et al.Rapid iris recognition algorithm based on Hough transform research[J].Journal of TV technology,2014,38 (19) 211-215.

[5] 張震,張英杰.基于支持向量機與Hamming距離的虹膜識別方法[J].鄭州大學學報,2015,36(3):25-29.

ZHANG Zhen,ZHANG Yingjie.Iris recognition based on support vector machine and Hamming distance method[J].Journal of Zhengzhou University,2015,4 (3):25-29.

[6] 張升斌,李吉成,陳小波.基于SIFT特征及改進Gabor濾波器的低質(zhì)量指紋增強算法[J].重慶理工大學學報,2013,27(2):79-83.

ZHANG Shenbin,LI Jicheng,CHEN X B.Based on SIFT features and improve the Gabor filter of low quality fingerprint enhancement algorithm[J].Journal of Chongqing University of Science and Technology,2013,27(2):79-83.

[7] WANG Q,ZHANG X D,LI M Q,et al.Adaboost and multi-orientation 2D Gabor-based noisy iris recognition[J].Pattern Recognition Letters,2012,33(8):978-983.

[8] ASMAA I.Ismail.Efficient enhancement and matching for iris recognition using SURF[J].Institute of Electrical and Electronics Engineers Inc,2015,34(7):1-5.

[9] 許威,權(quán)芳芳,姜媛媛,等.改進的算法在虹膜識別中的應(yīng)用研究[J].計算機技術(shù)與發(fā)展,2013(3):34-37.

XU Wei,QUAN Fangfang,JIANG Yuanyuan,et al.The improved algorithm in the application of iris recognition study[J].Computer technology and development,2013(3):34-37.

(責任編輯 楊文青)

Iris Recognition Algorithm Based on Improved Hamming Distance

ZHANG Pan,ZHANG Lian,CHEN Da-xiao,LI Yun-hao

(College of Electrical and Electronic Engineering,Chongqing University of Technology, Chongqing 400054, China)

Aiming at the problem that iris feature matching speed is slow, the research puts forward a kind of improved Hamming distance algorithm to shorten the time of the match. Traditional feature matching is 8 times shift ratio on the way, the study chooses the smallest Hamming distance compared with the threshold value at a time. This approach leads to the increase of the amount of calculation and affects the real-time performance. This paper proposes a new method, in characterizing the shift than at the same time; it will compare the obtained Hamming distance every time with threshold. If the result is less than the threshold, it will determine the two from the same iris template picker, and finish shifting. If not less than the threshold, then it will continue to shift, until the shift 8 times. On the embedded mini2440 development board, the use of a large number of CASIA iris database is carried out to verify the algorithm, and the results show that this method is faster than the traditional Hamming distance matching method; besides, the accuracy is improved, which shows that the method is feasible and effective.

feature matching; Hamming distance; shift ratio; CASIA iris database

2016-11-07

國家自然科學基金資助項目(61402063)；重慶高校優(yōu)秀成果轉(zhuǎn)化資助項目(KJZH14213)

張攀(1991—)，男，湖北荊州人，碩士研究生，主要從事模式識別與圖像處理研究,E-mail: 840653256@qq.com；張蓮(1967—)，女，重慶人，碩士，教授，主要從事模式識別及檢測與控制技術(shù)研究。

張攀，張蓮，陳大孝，等.基于改進Hamming距離的虹膜識別算法[J].重慶理工大學學報(自然科學)，2017(1):118-123.

format：ZHANG Pan,ZHANG Lian,CHEN Da-xiao,et al.Iris Recognition Algorithm Based on Improved Hamming Distance[J].Journal of Chongqing University of Technology(Natural Science)，2017(1):118-123.

10.3969/j.issn.1674-8425(z).2017.01.019

TP391

A

1674-8425(2017)01-0118-06