关于虹膜识别方法的课程大作业

用户较少配合情况下的虹膜识别方法研究

用户较少配合情况下的虹膜识别技术具有易于市场推广、方便快捷等优点，已成为虹膜识别技术的发展趋势。由于眼睑遮挡、运动模糊、高亮点等多种干扰和噪声影响，非理想条件下采集的虹膜图像中虹膜通常不是完整的，模糊或发生形变。这种情况下的虹膜识别具有很高的挑战性。本文首先阐述了在CASIA—IrisV4虹膜数据库中的虹膜定位方法。该方法二值化虹膜图像保留瞳孔高亮点信息，并通过横纵向投影初步确定瞳孔位置。然后在限定范围内采用Canny边缘检测和圆Hough变换拟合虹膜内外轮廓。

用户较少配合情况下虹膜识别技术研究背景

虹膜表面高低不平，有许多皱纹、凹陷、条纹、斑点以及隐窝等细节特征，包含丰富的纹理信息。正常情况下，虹膜纹理一旦形成，终生不变。人眼立体机构中，虹膜位于角膜之后；水晶体之前。虹膜有天然的保护膜。虹膜纹理极少因意外伤害被破坏，亦不会磨损。人为改变虹膜纹理几乎不可行，还有失明的危险。此外，因光照不同瞳孔的大小发生变化是检测虹膜活体组织的显著特征。这些生理特点为虹膜成为身份认证生物特征提供了生理学理论依据。

但是，现有的虹膜识别系统要求用户高度配合，即在特定光照

条件下，虹膜采集仪与人眼的距离在固定范围内，并且用户视线直视虹膜采集设备等条件下进行虹膜采集。有的虹膜识别系统甚至在虹膜识别之前，需要教授用户如何才能让虹膜采集仪获取适合的虹膜图像，使得虹膜识虹膜图像别系统正常工作。这一过程不仅耗时而且枯燥，反复采集虹膜图像使用户感到厌烦，因此，用户较少配合情况下的虹膜识别技术的呼声越来越高。

虹膜图像预处理

较少配合情况下，在降质虹膜图像中提取的虹膜特征的分类表征能力不理想。虹膜识别中的预处理算法的性能准确性尤为关键，直接影响虹膜匹配的准确性。

虹膜识别流程

虹膜识别主要分三个阶段：虹膜图像采集、虹膜图像预处理和虹膜特征提取与匹配。每个阶段对最终的识别效果的影响都至关重要。首先，虹膜采集得到虹膜图像。然后是预处理阶段，包括在虹膜图像中定位虹膜位置与内外边缘，检测虹膜区域中被眼睑、睫毛与高亮点遮挡的部分，归一化虹膜图像以及虹膜图像增强。最后是虹膜图像特征提取与匹配，在预处理后的虹膜图像上，提取能够唯

一表征该类虹膜的特征，与虹膜数据库模板匹配，得到最终匹配结果。

虹膜识别第一个阶段是图像获取。通过虹膜采集仪采集用户的人眼或人脸图像。虹膜图像质量直接关系到虹膜身份认证的准确性。虹膜采集仪主要由光源、光学摄像头、图像传感器和图像传输模块四个主要部分组成。虹膜采集仪的性能直接影响虹膜图像的质量。虹膜图像预处理包括人眼定位、虹膜内外边缘定位、眼睑和睫毛检测、虹膜图像归一化以及虹膜图像增强。在虹膜定位之前，首先使用人眼检测器大概确定人眼位置。然后在人眼子图像内，进行虹膜内外边缘定位。虹膜内外边缘近似为圆形。因此，虹膜定位一般采用圆拟合虹膜的边缘。

CASIA-IrisV4虹膜数据库虹膜分割算法

最原始的虹膜图像数据因眼睑、睫毛或高亮点等遮挡，无法直接用于身份认证。在虹膜图像特提前与之前，必须先对虹膜图像进行预处理，定位虹膜内外边缘以及检测眼睑遮挡等噪声信息。用户较少配合情况下，虹膜图像中的包含较多的噪声等干扰信息。采用适合虹膜图像数据的预处理尤为重要。

CASIA．Iris-Thousand虹膜图像数据中虹膜内侧轮廓较为清晰。本节分割算法先确定虹膜内侧轮廓，再在估计虹膜外圆范围内确定虹膜外圆。由于虹膜采集过程中光照条件的影响，每一幅图像中瞳

孔附近都有两个高亮点。根据这两个高亮点位置信息，可以粗略定位瞳孔位置，然后采用Canny 边缘检测和圆Hough 变换在约束范围内确定虹膜内侧轮廓。由虹膜内圆信息估计虹膜外侧轮廓圆心位置与半径的大概范围。在这个范围内，再一次采用Hough 变换算法计算虹膜外圆信息。

1)虹膜内侧轮廓初定位

首先根据阈值占二值化虹膜图像，保留高亮点信息。阈值ε根据虹膜图像的灰度直方图确定。根据虹膜图像高亮点对应直方图右侧峰值的位置，确定阈值ε=220。经实验验证ε=220可以提取绝大多数虹膜图像中的高亮点信息。计算二值图像的纵向投影，查找瞳孔附近两个高亮点位置对应的峰值。峰值中心位置横向坐标分别是1x 和2x ，它们的水平距离21d x x =-。虹膜内圆中心的横向坐标估计值21()/2x x x =+。虹膜内圆半径r 为d 。为消除虹膜图像中其他高亮点的干扰，在确定虹膜内圆中心和半径后，截取以x 为中心，宽为2d 的矩形子图像。计算二值子图像的横向投影。然后根据横向投影曲线查找峰值，峰值的中心纵向坐标y 。虹膜内圆初定位的结果为圆心是(x ，y-d/3)，半径是d 的圆。

2)虹膜轮廓圆Hough 变换拟合

经初步估计，虹膜内圆中心位置为(x ，y-d/3)，半径为r 。首先截取虹膜图像中以(x ，y-d/3)为中心，边长为2r 的正方形虹膜子图像。在子图像中进行Canny 边缘检测，并进行边缘点连接得到边缘

点二值图像。然后在圆心范围为(0.2,/30.2)x r y d r

±-±，半径

范围是(0.5d ，1.5d)的区域中，采用圆Hough 变换算法拟合虹膜内圆，得到虹膜内圆为圆心(,)in n e r in n e r x y ，半径为i n n e r r

。同理，根据虹膜内圆圆心半径信息可以粗略估计刚好包含虹膜外圆正方形子图像的位置与大小。在虹膜图像中，中心为(,)inner inner x y ，边长为6inner r ，的正方形子图像中进行Canny 边缘检测和Hough 变换。由于虹膜内外圆圆心较为接近，虹膜外圆的约束条件为圆心范围是(2,i n n e r x ±2)inner y ±，半径范围是(1.5,2.5)i n n e r i n n e r x y 。

虹膜识别国际测评NICE.II(Noisy Iris Challenge Evaluation)提供的数据是UBIRIS.v2虹膜数据库中的1000幅虹膜图像。掩膜图像中黑色部分标识有效的虹膜区域。在虹膜特征提取之前，只需定位虹膜位置。UBIRIS.v2虹膜数据库中虹膜图像是在用户较少配合情况下采集的。虹膜图像中虹膜外侧边缘通常不是正圆。本文虹膜分割算法采用椭圆拟合UBIRIS.v2虹膜数据库中的虹膜外侧轮廓。

掩膜图像中有很多眼睑、高亮点等部分遮挡，这些遮挡部分的边缘不是虹膜的真实的边缘。由于这些信息的干扰，直接采用椭圆拟合虹膜边缘的算法效果不理想。本文采用的RANSAC 椭圆拟合虹膜外侧轮廓算法具有较好鲁棒性。在数据集合包含许多不准确或错误的干扰信息的情况下，RANSAC 算法依然能够从观察数据中估计较为准确的数学模型参数。算法每一次迭代都会得到一个椭圆，最终在椭圆集合中选择一个最优的椭圆拟合虹膜外侧轮廓。

虹膜图像增强方法

虹膜图像中，虹膜整体呈灰色或棕色，纹理不够清晰。若直接

在虹膜图像中迸行纹理分析，光照变化会影响特征提取与匹配的效

果。为提高虹膜识别算法的准确性，本节采用分块直方图均衡算法

进行图像增强，同时利用低通高斯滤波器去除高频噪声影响。虹膜

图像增强算法首先估计展开虹膜图像的光照背景：将展开虹膜图像?的子图像，计算每个子图像的灰度平均值。根据分为大小为1616

子图像的灰度平均值，采用双线性差值计算整幅虹膜图像的光照背

?的子图像，对每个子图像进行直景，将差值图像分为大小是3232

方图均衡化图像增强运算。最后采用高斯低通滤波器对增强后的虹

膜图像滤波，消除分块直方图均衡化运算在虹膜图像中的分块效应。基于反向合成图像配准的虹膜识别

虹膜识别技术中，虹膜发生旋转或形变是影响识别效果的主要

因素之一。最为原始的纠正虹膜形变方法是通过旋转虹膜特征编码，

将相似性最好的匹配值作为虹膜匹配对的最终匹配值。本章提出的

是局部虹膜图像配准算法，即首先将虹膜图像划分为互不重叠的子

图像，然后采用图像配准算法配准虹膜子图像。

图像配准方法

1)前向叠加图像配准原理

Lucas-Kanade 图像配准方法是一种前向叠加图像配准算法。该算法是将目标图像，I(x)与模板图像T(x)匹配。令配准图像后的I(x)与模板图像的误差最小。算法使用图像差值的平方和衡量两幅图像的误差。图像配准的目标函数为：2[((;))()]

x I W x p T x -∑。其中

(,)T x x y =为图像像素坐标向量。(;)W x p 是坐标x 在变换参数p 上计算得到的坐标变换矩阵。目标图像I(x)通过变换矩阵(;)W x p 得到与模板图像配准的图像。

前向叠加图像配准算法如下：

1）计算目标图像I 在(;)W x p 的配准图像((;))I W x p

2）计算误差图像()((;))T x I W x p -

3）计算配准图像，((;))I W x p 的梯度图像I ?

4）计算变换矩阵(;)W x p 对应的雅克比矩阵W P ??

5）计算最速下降梯度图像I ?W P ??

6）根据[][]T x

W W H I I P P ??=????∑计算Hessian 矩阵

7）计算[][()((;))]T x

W I T x I W x p P ??-?∑ 8）根据1

[][()((;))]T x W P H I T x I W x p P -??=?-?∑计算P ? 9）更新变换参数,P P P P ε←+??≤当时停止迭代。

2)反向叠加图像配准原理

1999年，Dellaert 和Collins 提出反向合成IC(Inverse c01nposite)图像配准算法。该算法中模板图像与目标图像的角色互换，与前向叠加图像配准算法相比，算法迭代计算步骤较少。

反向叠加图像配准算法如下：

3）计算模板图像()T x 的梯度图像T ?

4）在坐标矩阵(;0)x 计算雅克比矩阵W P ??

5）计算最速下降图像T ?W P ??

6）根据[][]T x

W W H I I P P ??=????∑计算Hessian 矩阵 迭代：

1）计算目标图像I 的配准图像((;))I W x p

2）计算误差图像((;))()I W x p T x -

3）计算[][()((;))]T x

W I T x I W x p P ??-?∑ 4）根据1

[][()((;))]T x W P H I T x I W x p P -??=?-?∑计算P ? 5）更新变换参数1(;),W x p W W P ε-←??≤当时停止迭代。 基于反向图像配准的虹膜识别算法

虹膜图像中发生形变的因素较为复杂。人眼是球状三维结构，在人眼旋转、平移过程中，二维图像中的虹膜也可能会发生弹性形变。这些形变可能是整体的也可能是局部的。基于反向合成图像配准的虹膜识别算法首先将待匹配模板虹膜图像划分为互不重叠的子图像。然后，计算每个子图像与其匹配的目标子图像。提取配准图像对应位置的特征向量，计算虹膜匹配对之间的相似性。

本节以基于Gabor 滤波虹膜特征的图像匹配算法为例。k F 为虹膜图像Gabor 滤波结果的0—1编码，定义如下：

1()()0

0k x k f x I x dx F else ?>?=????

其中k 是虹膜特征的维数，即滤波器编号。01k k F F 、分别是目

标虹膜特征图像和模板虹膜特征图像。基于反向合成图像匹配的虹膜识别算法过程为，计算两幅虹膜图像的Gabor 滤波特征图像0F 、

1F 。将0

F 划分互不重叠的子图像0i F ，1,2,...,,i M =，M 是子图像的个数。

虹膜图像配准过程：

1．计算特征图像0F 的梯度。

2．计算每个子图像0i F 的Hession 矩阵i H 。

3．FOR i=1，2，．．．，M WHILE P ε?≤且迭代次数不超过N

利用反向合成图像配准算法，计算1

F 中与子图像0i F 配准的子图像1i F 。

END WHILE

计算对应配准子图像1i F 的掩膜图像1

i B 。

END FOR

4．分别提取子图像0i F 和1i F 对应位置的特征向量0i C 和1i C 。 二、虹膜图像匹配过程：

1．排列特征向量口和C ，l ，i=1，2，．．．，M ，得到虹膜特征编码co 和C1。

2．根据公式计算虹膜编码的Hamming 距离。

浮动搜索Gabor 滤波器虹膜识别方法

Gabor 小波是一种非常有效的纹理检测算子，传统的基于Gabor

滤波器的虹膜识别算法均在预先设定尺度和方向范围内设计一组Gabor 滤波器。为尽可能提取所有虹膜图像纹理信息，通常滤波器集合的有效频域会覆盖整个频域范围。实验结果显示一些干扰信息会降低虹膜识别方法的性能，并非利用全部虹膜纹理信息就能得到最好的识别效果。尺度方向不同的Gabor 滤波器对应不同的有效频率区域，对不同的图像纹理信息敏感。使用不同Gabor 滤波器集合进行虹膜识别，得到的识别效果差距很大。本文提出采用浮动搜索方法选择Gabor 滤波器，得到一组可分性最好的一组滤波器集合。 基于Gabor 滤波器的虹膜识别

设二维小波滤波器母函数为(,)x y ?，通过自相似参数''(,)x y ，

获得一组小波子函数：2''(,)2(,)m m p q x y x y θ??-= Gabor 滤波器是高斯函数与正弦函数的复合。二维Gabor 波母函数形式如下：22

0221

1(,)()exp(()2)

22x y x y x y g x y iu x ππσσσσ=-++ 下式对虹膜图像进行Gabor 滤波：

22220000()()/()/(,)iw r r r F e

I r rdrd θθβθθαθθθ------=??

Gabor 滤波器的形式为复函数，虹膜图像Gabor 滤波结果也是复数。在编码过程中，根据虹膜图像滤波结果实部和虚部与零的关系分别编码。因此，还要保证Gabor 滤波器的零均值性。计算虹膜

图像0-1特征编码的Hamming 距离，作为虹膜匹配对的匹配值：

00111011k i i i i

i k i i i C B C B similarity B B ==⊕=⊕∑∑

其中，0C 与1C 分别为两幅虹膜图像的0-1特征编码，0B 与1B 为虹膜图像对应的掩膜图像0-1编码，0表示虹膜特征无效，1表示虹膜特征有效。Daugman 虹膜识别算法中，一副虹膜图像共有2048位0—1编码，即K=2048。

Gabor 滤波器学习算法

Gabor 滤波器学习过程是在候选Gabor 滤波器集合中，选出一个虹膜类内类间可分性最好的滤波器子集。滤波器选择的过程可以看成是特征选择的过程。特征选择有两种基本搜索策略：最优搜索和次优搜索。基本的搜索方法分为两种：一种是自下而上搜索方法：从空集开始，逐渐递增地选择特征；另一种是自上而下搜索方法：从整个候选特征集合开始，删除多余的特征。

前向滤波器选择方法：

前向滤波器选择方法是一种自下而上的搜索方法。算法每次迭代在候选滤波器集合中选择一个滤波器，直到已选滤波器集合中滤波器个数到达上限。要求新增滤波器与已选滤波器集合的组合的可分性最好，即DI 的值最大。设已选滤波器集合为G ，候选滤波器

集合为G ，未选滤波器集合G ，己选滤波器集合G 中滤波器个数为k ，DI(G)为滤波器集合G 的可分离性度量，前向滤波器选择过程如下：

第一步初始化过程：

G=φ，G =G ，k=0，DI(G)=0

第二步迭代过程：

1)从未选滤波器集合G 中，选择一个滤波器1k g +，与当前已选滤波器集合G 组合的可分性最好，即1argm ax ()k g DI G g +=+

2)将1k g +添加到已选滤波器集合G 中：11,1k k G G g k k ++=+=+

3)如果k=n 迭代结束，否则跳转到第二步。

后向滤波器选择方法：

后向滤波器选择方法是一种自上而下的搜索方法。后向滤波器选择方法是与前向滤波器选择方法的逆向过程。算法每次迭代在已选滤波器集合中删除一个滤波器，直到删除所有多余的滤波器。已选滤波器集合删除一个滤波器后的可分性是最好的。后向滤波器选择过程如下：

第一步初始化过程：

G= G ，G =φ，k=m ，DI(G)= DI(G)

第二步迭代过程：

1)从己选滤波器集合G 中，删除一个滤波器k g ，使其余滤波器

的组合的可分性最好，即argm ax ()k k g DI

G g =- 2)将k g 从已选滤波器集合G 中删除：1,1k k G G g k k -=-=-

3)如果k=n 迭代结束，否则跳转到第二步。

浮动搜索滤波器的虹膜识别算法

前向滤波器选择方法和后向滤波器选择方法都存在嵌套效应。前向滤波器选择方法中如果增加了一个滤波器，就不会再将其删除。同样，后向滤波器选择方法删除一个滤波器之后，不会再考虑在后续迭代过程中将其添加至已选滤波器中。为消除嵌套效应的影响，浮动搜索滤波器方法结合前向与后向滤波器选择方法。浮动搜索滤波器方法提出重新考虑迭代步骤中添加删除的滤波器，并可以重新删除或添加的滤波器。

设已选滤波器集合为G ，候选滤波器集合为G ，未选滤波器集合召，已选滤波器集合G 中滤波器个数为k ，当前估计滤波器集合'

G 。浮动搜索滤波器过程如下：

第一步初始化过程。

第二步前向搜索过程。

第三步检验过程：

1)在已选滤波器集合1k G +中检测，找到滤波器g ，使滤波器集

合1k G g +-的可分性最好。

2)若r=k+1，将1k g +添加到已选滤波器集合G 中：

11k k G G g ++=+k=k+1。跳转到第一步。

3)若r ≠k+1，且DI(1k r G g +-)

4)若k ≤2，将r g 从已选滤波器集合G 中删除：1k k r G G g +=-，跳转至第一步。

第四步后向搜索过程

1)将r g 从已选滤波器集合G 中删除：'1k k r G G g +=-。

2)在滤波器集合'k G 中，找到滤波器s g ：'argmax ()k k g DI G g =-。

3)若DI('k s G g -)

5)若k ≤2，令'k k G G =，跳转到第一步，进行前向搜索。

6)跳转至第三步，进行后向搜索迭代过程。

当k=n 时，浮动搜索算法终止迭代。已选滤波器集合中滤波器个数n 为32。浮动搜索算法是次优搜索技术。算法搜索结果可能不是可分离性最好的滤波器集合，只是近似解。

加权相位共生直方图虹膜识别算法

图像梯度相位包含丰富的图像纹理信息。加权相位共生直方图(Weighted Co-occurrence Phase Histogram)的虹膜识别方法利用虹膜图像的梯度信息进行虹膜识别，其特征描述原理与SIFT(Scale Invariant Feature Transform)和梯度方向直方IN(Histogram of Oriented Gradient，HOG)特征描述方法相似。但是与SIFT虹膜识别方法相比，WCPH虹膜识别算法不包括关键点检测，计算更加简单识别效果相似。与HOG的不同之处在于WCPH特征描述方法采用共生直方图统计梯度相位信息，并利用加权的方法提高算法的鲁棒性。

加权相位共生直方图特征提取方法是一种提取虹膜图像局部特征的虹膜特征提取方法。本章虹膜识别方法根据空间位置排列局部WCPH特征向量，引入空间信息。按局部虹膜特征向量中包含WCPH特征向量数量的不同，算法分为单极子、二极子和三极子加权相位共生直方图虹膜识别算法。

虹膜的加权相位共生直方图模型

设R是灰度图像，中像素点I(z)的集合，z为图像二维坐标向量z=(x，y)。加权相位共生直方图特征提取方法首先采用Sobel边缘检测算子计算图像的梯度。设梯度幅值与相位分别是z g和z ，如下式

计算相位共生直方图：,,1(,)(,)(,)c c R d z z z R z z d R d P u v u u C δθδθ∈-==∑∑

z θ的定义域为[0,2]π，平均分为m 个区间。u 、v 是相位区间的编号，u ，V=1，…，m 。(,)z u δθ是冲激函数。如果z θ属于区间

u ，则(,)z u δθ=1；否则(,)z u δθ=0

。表示两个像素点的欧式距离。,R d C 是与c z 欧式距离为d 的像素点对的个数。相位共生直方图是点Z 与c z 的梯度相位的联合概率密度函数。

基于加权相位共生直方图的虹膜识别方法

本章提出的加权相位共生直方图虹膜识别方法中排序WCPH 特征向量的方式源于排序测度思想。排序测度源于一个简单直观的概念。人们可能很难分清某两个人，但是可以很容易的排序两个人的身高或者体重。例如两个中较高的那个人是A ，较矮的那个人是B 。这种在共同性质方面度量的方式叫做排序测度(Ordinal Measures OM)。排序测度体现了两个区域的对比关系。本章的虹膜识别算法，是按照排序测度的思想排列空间极子的WCPH 特征向量。但是未按照排序测度的思想按排序关系进行编码。原因在于，加权相位共生直方图的特征向量很难用某种标准进行二值化。并且二值化的加权相位共生直方图特征已不再具有原有意义。

1）二极子加权相位共生直方图虹膜识别算法

设()i R z 是以i z 为中心的子图像中所有像素的集合。(),(,

i R z d P u

)v 以点i z 为中心计算加权相位共生直方图特征向量。基于加权相位共生直方图的虹膜识别方法在提取特征向量时，将()i R z 的中点i

z 的共生直方图与其领域一点1i z 的共生直方图合并，作为当前子图像

的局部特征向量：1(),(),(),(,)[(,),(,)]i i i

R z d R z d R z d P u v P u v P u v =。 其中，1i i z z z =+?。

2）三极子加权相位共生直方图虹膜识别算法

与二极子加权相位共生直方图虹膜识别算法相似，(),(,i R z d P u )v 以点i z 为中心计算加权相位共生直方图特征向量。当前区域()

i R Z 的局部特征向量(),i R z d P 由点i z 与其邻域中其他两点1i z 和2i z 的

WCPH 特征向量排列组成。作为当前子图像的局部特征向量：12(),(),(),(),(,)[(,),(,),(,)]i i i i R z d R z d R z d R z d P u v P u v P u v P u v =。

3）多极子加权相位共生直方图虹膜识别算法

多极子WCPH 虹膜识别算法中，每个区域的特征向量由多个WCPH 特征向量组成。衡量两幅虹膜图像的特征向量相似性有两种方式。以二极子WCPH 虹膜识别算法为例，,R d P 由两个WCPH 特征向量1(),(),,i i R z d R z d P

P 组成。第一种计算相似性方法是将(),i R z d P 和1(),i R z d P 当作2个独立的特征向量。计算虹膜匹配对中这两个特征向

量各自的巴氏系数。,R d P 为这两个巴氏系数均值：

121212112,,,,(),(),1(,)((,)(,))2i I I I I I I R d R d R d R d R z d R z d P P P P P P ρρρ=+

另一种计算相似性方法是将,R d P 作为一个特征向量，如下计算其

相似性：121/2,,111

(,)(1K m m

I I R d R d i u v P P ρ====-。 其中K 为多极子WCPH 虹膜识别算法中极子的个数。第一种计算相似性方法的本质就是增加特征向量采样点的个数，没有将多极子WCPH 特征向量看成一个整体。经实验验证，第二种相似性计算方法更为有效。本章WCPH 虹膜识别算法均采用第二种方法计算特征向量的巴氏距离。