張 震， 邵星星

(鄭州大學 電氣工程學院 河南 鄭州 450001)

一種SIFT虹膜匹配算法

張 震， 邵星星

(鄭州大學 電氣工程學院 河南 鄭州 450001)

尺度不變特征變換(scale invariant feature transform，SIFT)算法是目前圖像研究領(lǐng)域的熱點，它具有良好的尺度、旋轉(zhuǎn)、光照、噪聲等不變特性.在特征提取方法上，利用SIFT算法提取虹膜紋理的特征向量，由于提取出來的虹膜特征向量是128維，占用內(nèi)存空間大，因此提出用Harris角點對初始特征點進行篩選，選擇高對比度的點作為最終的虹膜特征向量；在匹配方法上，使用街區(qū)距離進行虹膜圖像特征匹配，進一步提高虹膜圖像匹配的速度.實驗結(jié)果表明，改進的算法在保持魯棒性的同時,提高了SIFT特征匹配效率，能夠為一些快速應用提供保障.

SIFT算法； Harris角點； 特征提??； 街區(qū)距離

0 引言

虹膜識別是指利用人眼虹膜區(qū)域進行身份鑒別的技術(shù).虹膜因其可采集性、穩(wěn)定性、唯一性及非侵犯性等優(yōu)點逐步受到人們的重視，已發(fā)展成為主流的生物特征識別手段.它以快速的識別率、簡單的算法和極低的錯誤識別率逐漸應用到如電子商務、身份識別、考勤、數(shù)據(jù)加密等一些領(lǐng)域.傳統(tǒng)經(jīng)典的虹膜識別方法主要有：Daugman提出的基于Gabor濾波的方法，從定位出的虹膜圖像中提取虹膜紋理相位信息進行編碼，進而通過Hamming距離進行匹配的虹膜識別算法[1];Boles提出了基于小波變換過零點的算法，提取虹膜圖像過零點的點作為特征向量，使用相似度進行匹配[2];Wildes等采用高斯-拉普拉斯金字塔獲得不同分辨率的虹膜紋理圖，根據(jù)相關(guān)系數(shù)進行匹配[3].

本文采用的虹膜識別算法是基于改進的SIFT算法，提取虹膜區(qū)域的紋理特征，利用街區(qū)距離進行匹配，實驗結(jié)果表明該算法在保持原算法魯棒性的同時，提高了匹配的速度.本文虹膜算法系統(tǒng)框圖如圖1所示.

1 虹膜圖像的獲取

虹膜識別算法能夠在高質(zhì)量的圖像中提取到足夠多的虹膜特征，使得在模式匹配階段有較高的識別率，所以虹膜圖像的采集一定程度上決定了虹膜識別率.但是由于虹膜本身的面積較小，直徑約為22 mm，在圖像采集過程中易受到各種因素的干擾，使采集到的虹膜圖像有眼皮遮蓋、偏移、光斑、旋轉(zhuǎn)及睫毛干擾等現(xiàn)象，進而影響虹膜特征提取，降低虹膜的識別率，所以虹膜圖像采集技術(shù)是虹膜識別的關(guān)鍵技術(shù)之一.由于虹膜采集的環(huán)境要求高以及設(shè)備的復雜性，本文只對虹膜識別的算法進行研究.

2 虹膜圖像預處理

一般情況下，采集到的虹膜圖像中不僅有虹膜，還包括睫毛、眼瞼、瞳孔及鞏膜等，如圖2所示.因此，需要將虹膜從圖像中定位出來.

圖1 虹膜算法系統(tǒng)Fig.1 System of iris algorithm

圖2 虹膜圖像Fig.2 Iris image

虹膜圖像預處理包括虹膜圖像定位分割、歸一化和圖像增強三部分.傳統(tǒng)的虹膜識別算法需要將定位分割后的虹膜圖像進行歸一化后再進行特征提取，以消除虹膜圖像的光照變化、旋轉(zhuǎn)、平移對特征提取的影響.由于本文采用的SIFT算法提取虹膜特征對平移、旋轉(zhuǎn)等不受影響，因此可以直接在虹膜圖像分割定位的基礎(chǔ)上提取虹膜特征，即省去了歸一化這一環(huán)節(jié).

2.1 虹膜圖像定位分割

虹膜圖像的定位分割是在采集到的虹膜圖像I(x,y)上確定虹膜與瞳孔邊界以及虹膜與鞏膜邊界，即虹膜內(nèi)邊界圓心及半徑(xinner,yinner,rinner)和外邊界圓心及半徑(xouter,youter,router)，根據(jù)得到的內(nèi)外邊界進行圖像分割，得到只含有虹膜紋理的近似環(huán)形圖像.

虹膜內(nèi)邊界定位采用人眼灰度特征與投影法相結(jié)合的虹膜快速定位方法[4]，步驟如下：

1) 建立虹膜圖像I(x,y)灰度直方圖，如圖3所示. 找出圖像中第一個峰值的灰度值，作為分割出瞳孔與虹膜的二值化閾值后對整個圖像進行二值化.

2) 對虹膜的二值化圖像進行膨脹腐蝕處理后的虹膜圖像，如圖4所示.

3) 得到瞳孔圖像后運用投影法確定瞳孔的圓心和半徑(xinner,yinner,rinner).

圖3 虹膜圖像的灰度直方圖Fig.3 Gray histogram of iris image

圖4 二值化和膨脹腐蝕后的虹膜圖像Fig.4 Binarization of iris image after expansion and corrosion

虹膜內(nèi)外邊界并不是真正的同心圓，但二者圓心距離很近，可根據(jù)定位出來的內(nèi)邊界的圓心參數(shù)(xinner,yinner),在(xinner±2.5,yinner±2.5)范圍內(nèi)搜索外邊界的圓心并確定其圓心.

利用微積分算子的離散形式來進行圓的檢測[5]，其離散形式為

其中：(x0,y0)為虹膜內(nèi)邊界的圓心；Gσ(r)=Gσ((n-k)Δr)-Gσ((n-k-1)Δr)；

；

是高斯型光滑函數(shù)；Δθ為沿著圓弧分割角度的步長；Δr為半徑的搜索步長.

圖5為采用文中定位內(nèi)外邊界方法處理后的效果圖.

圖5 定位后的虹膜圖像Fig.5 Iris image after location

3 SIFT算法

3.1 SIFT算法簡介

SIFT算法是在多尺度空間提取位置、尺度及旋轉(zhuǎn)不變量等特征點的過程[6-7].該算法可以提取到多尺度、旋轉(zhuǎn)不變性且對光照變化不受影響的特征向量，SIFT算法特征提取分為5個步驟[8-10]：

實驗中需要在圖像二維空間以及高斯差分函數(shù)中提取相同的局部極值點，以確保得到的是穩(wěn)定且與尺度無關(guān)的關(guān)鍵點.Lowe利用多尺度高斯差分核與圖像的卷積，得到高斯差分尺度空間

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ),

其中：D(x,y,σ)為差分金字塔；k為常數(shù)因子.

2) 檢測極值點. 在DOG中檢測極值點時，將待檢測點與和它同尺度的8個鄰域點，以及上下相鄰尺度的2×9=18個，共26個領(lǐng)域點進行比較，以確保在尺度空間和二維圖像空間都檢測到極值點.如果一個點在DOG尺度空間本層及上下兩層的26個領(lǐng)域內(nèi)是最大值或最小值時，就認為該點是圖像在該尺度下的一個候選點.

假設(shè)高斯金字塔每組有n層，則它構(gòu)建的DOG金字塔每組層數(shù)應該是n-1，而DOG的搜索特征點的過程是從每組的第2層到倒數(shù)第2層，因此實際搜索的層數(shù)應該是n-3.

3) 精確定位極值點. 確定候選點之后，利用尺度空間函數(shù)D(x,y,σ)的泰勒二次展開式，進行最小二乘擬合來確定圖像關(guān)鍵點的精確位置和尺度，同時去除低對比度點和邊緣點，以增強匹配穩(wěn)定性.關(guān)鍵點處的擬合泰勒二次展開式為

4) 確定關(guān)鍵點方向參數(shù). 利用邊緣強度m(x,y)和邊緣方向θ(x,y)求取.公式分別為：

θ(x,y)=tan-1(L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1)).

為確定關(guān)鍵點的主方向，用直方圖統(tǒng)計以關(guān)鍵點為中心的領(lǐng)域窗口內(nèi)像素的梯度方向.直方圖的峰值代表了關(guān)鍵點處領(lǐng)域梯度的主方向，即關(guān)鍵點處的主方向.在梯度直方圖中，當存在另一個相當于主峰值80%能量的峰值時，則這個方向作為關(guān)鍵點處的輔方向，以增強匹配的魯棒性.

5) 生成特征描述子. 首先將坐標軸旋轉(zhuǎn)到特征點的主方向，確保旋轉(zhuǎn)不變性.以關(guān)鍵點為中心，取16×16的窗口，在每個4×4的小塊上，計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點.這樣對于一個種子點會產(chǎn)生4×4×8共128維的虹膜特征向量，即特征描述子.

3.2 特征匹配

為了在眾多圖像中識別出與當前圖像匹配的圖像，需要對當前圖像和目標圖像的特征點進行特征匹配.具體是使用歐式距離來表征兩幅圖像的相似性，即在待匹配的圖像中找到與當前圖像中某個特征點n1、歐式距離最近的特征點n2和次近的特征點n3，假設(shè)LO(ni,nj)表示兩個特征點ni和nj之間的距離，若LO(n1,n2)/LO(n1,n3)的距離之比小于某個閾值，則認為n1和n2是一對匹配點，否則認為n1在待匹配圖像中沒有特征點與之匹配.

4 Harris角點檢測算法

Harris算子[11]用高斯函數(shù)無窮小位移向任何方向移動，灰度變化的定義為

變成矩陣的形式

圖6 Harris角點判定方法Fig.6 Determination method of Harris corner

Harris采用了一種新的角點判定方法.矩陣M的兩個特征向量λ1和λ2與矩陣M的主曲率成正比. Harris分別利用λ1、λ2來表征最快和最慢的兩個方向.若兩個都很大就是角點，一個大一個小就是邊緣點，兩個都很小就是在變化緩慢的圖像區(qū)域，如圖6所示.

5 改進的SIFT虹膜算法及其特征匹配

文中首先采用SIFT算法提取虹膜圖像的特征點，由于提取的特征點有偽特征點和邊緣點，因此本文提出了改進的SIFT算法.用Harris角點檢測算法篩選出高對比度的特征點，進而提高匹配效率.

在改進的SIFT算法特征點匹配時，每一幅虹膜圖像的SIFT特征點數(shù)量較多且均為128維，占用內(nèi)存大，計算量龐大，因此本文采用街區(qū)距離[12]代替歐式距離進行特征匹配，從而降低了計算的復雜度，提高匹配的速度.

根據(jù)上述公式可知，在歐式距離的一次計算中，需要128次減法運算，128次平方運算，127次加法運算和1次開平方運算；而街區(qū)距離的一次計算在運算量方面比歐式距離少了一次開平方運算.由于SIFT特征點數(shù)目龐大，所以減少一次開平方運算的方法也是有價值的.

6 實驗結(jié)果

本文在MATLAB R2014a環(huán)境下采用中科院自動化研究所提供的CASIA V1.0虹膜數(shù)據(jù)庫圖像(108組虹膜，每組虹膜有7幅圖像，共756幅虹膜圖像)作為實現(xiàn)算法的實驗樣本.對實驗數(shù)據(jù)和實驗結(jié)果分析發(fā)現(xiàn)，改進后的算法和原算法相比，對于特征點的篩選率和特征點的匹配正確率，均呈現(xiàn)了較大的提高.限于篇幅，本文使用3幅圖像作為樣本進行實驗結(jié)果說明.

虹膜特征提取階段，對定位后的圖像分別采用原SIFT算法和使用Harris算子改進后的算法，對3幅樣本圖像進行特征點的提取，實驗結(jié)果如表1所示.每幅圖像分別使用原SIFT算法提取的特征點和利用Harris角點檢測算法提取的特征點，可以明顯看出，Harris角點檢測算法將睫毛上和邊緣上的偽特征點進行篩選，特征點的數(shù)量明顯下降，留下優(yōu)質(zhì)的特征點為下一步的匹配奠定了良好的基礎(chǔ).

表1 SIFT算法特征點提取以及篩選后的特征點

虹膜特征匹配階段，分別對改進前的SIFT算法和改進后的SIFT算法利用街區(qū)距離進行匹配.在SIFT算法中Lowe根據(jù)實驗確定的經(jīng)驗閾值為0.8，為對比分析兩種算法的區(qū)別，本文也采用匹配閾值為0.8的情況下，使用不同算法分別對3幅樣本所提取特征點個數(shù)、正確匹配數(shù)、匹配時間及匹配率進行對比.改進前和改進后的算法匹配結(jié)果分別如表2、表3所示.實驗數(shù)據(jù)結(jié)果表明：在設(shè)定較為合適的匹配閾值(0.8)后，改進后的算法相較于原算法，較大地提高了正確匹配率，提高了算法的運算效率，減少了誤匹配率.

表2 不同SIFT算法匹配結(jié)果

表3 不同SIFT算法實驗結(jié)果

7 結(jié)論

本文采用SIFT算法直接提取定位出的虹膜圖像的紋理特征，進而利用Harris算子對提取到的特征點進行篩選，在特征匹配階段，利用街區(qū)距離分別對原SIFT算法和改進后的SIFT算法提取到的虹膜特征向量進行相似度匹配.本文改進的算法沒有改變特征點的維數(shù)，因此保留了原算法魯棒性的同時提高了SIFT算法匹配的效率.與原算法相比，本文提出的算法具有廣闊的應用場景，為實時性要求較高的應用場合提供了保障.

[1] DAUGMAN J. How iris recognition works[J]. IEEE transactions on circuits and systems for video technology, 2004, 14(1): 21-30.

[2] BOLES W W. A security system based on human iris identification using wavelet transform[C]//IEEE 1998 International Conference on Knowledge-Based Intelligent Electronic Systems. New York,1998，(2):533-541 .

[3] WILDES R P, ASMUTH J C, GREEN G L, et al. A system for automated iris recognition[C]// Applications of Computer Vision, Proceedings of the Second IEEE Workshop on. Florida ,2002:121-128.

[4] 曹國輝.基于神經(jīng)網(wǎng)絡(luò)的虹膜識別分類器的設(shè)計[D]. 武漢：武漢理工大學, 2006.

[5] 張震,張英杰. 基于支持向量機與Hamming距離的虹膜識別方法[D]. 鄭州：鄭州大學, 2015.

[6] 湯海林.基于SIFT的圖像特征提取算法研究[J].電腦開發(fā)與應用. 2013, 26(8): 54-56.

[7] SUN S N,YANG S C,ZHAO L D. Noncooperative bovine iris recognition via SIFT[J]. Neurocomputing, 2013, 120(10):310-317.

[8] LOWE D. Distinctive image features from scale invariant key points[J]. International journal of computer vision, 2004, 60(60): 91-110.

[9] 萬劍華,孫姝娟,曾喆. SIFT算法距離比閾值自適應改進研究[J]. 中國石油大學學報(自然科學版), 2013, 37(4): 71-75.

[10]白廷柱,侯喜報. 基于SIFT算子的圖像匹配算法研究[J]. 北京理工大學學報,2013, 33(6): 622-627.

[11]林強. 一種改進的SIFT圖像匹配算法[J]. 現(xiàn)代計算機(普遍版),2015 (2): 58-62.

[12]王曉華,傅衛(wèi)平,梁元月.提高SIFT特征匹配效率的方法研究[J]. 機械科學與技術(shù)學報，2009, 28(9): 1252-1255.

(責任編輯：方惠敏)

A SIFT Iris Matching Algorithm

ZHANG Zhen, SHAO Xingxing

(SchoolofElectricalEngineering,ZhengzhouUniversity,Zhengzhou450001,China)

Scale invariant feature transform algorithm was a hot topic in the field of image research, because of its good scale, rotation, illumination, noise and other invariant features. In the feature extracting method, SIFT algorithm was used to extract the feature vector of iris texture, however the iris feature vector was 128 dimension, which occupied a large memory space. Therefore, it was proposed that the initial feature points were selected by the Harris corner points, and the point of high contrast were selected as the final iris feature vectors. In the matching method, the block distance was used to match the feature of iris image, which further improved the matching speed of iris image. The experimental results showed that the improved algorithm increased the SIFT feature matching efficiency while maintaining the robustness, and which could provided protection for some fast applications.

SIFT algorithm; Harris corner; feature extraction; block distance

2016-09-27

河南省科技攻關(guān)項目(152102210032).

張震(1966—)，男，河南鄭州人，教授，主要從事圖像處理與模式識別研究，E-mail:zhangzhen66@126.com;通信作者：邵星星(1990—)，女，河南新鄉(xiāng)人，主要從事圖像處理與模式識別研究,E-mail:453481183@qq.com.

TP391

A

1671-6841(2017)03-0014-06

10.13705/j.issn.1671-6841.2016252