馬 爭

(電子科技大學(xué)通信與信息工程學(xué)院 成都 610054)

穩(wěn)健的虹膜定位算法

馬 爭

(電子科技大學(xué)通信與信息工程學(xué)院 成都 610054)

虹膜定位是虹膜識別的第一步，同時也是最為關(guān)鍵的一步，它將直接影響整個虹膜識別系統(tǒng)的效率和準(zhǔn)確率。針對目前已有虹膜定位算法的局限性，該文提出了一種新的基于多分辨率理論的虹膜定位算法。該算法首先在某一分辨率下搜索虹膜內(nèi)外緣的邊界點，然后針對這些邊界點進(jìn)行橢圓曲線擬合。通過大量的實驗表明，該算法快速、準(zhǔn)確，并能夠在一定程度上解決偏視虹膜圖像的定位問題和眼瞼、睫毛的遮擋問題。

曲線擬合; 多分辨率分析; 尺度函數(shù); 小波分析

虹膜識別技術(shù)是一種高性能的生物特征鑒別技術(shù)，一個高性能的虹膜識別系統(tǒng)原型于1993年成功實現(xiàn)[1]。文獻(xiàn)[2-3]提出了兩種較為經(jīng)典的虹膜識別算法。到目前為止，已有超過五千萬人在文獻(xiàn)[1]開發(fā)的虹膜識別系統(tǒng)中進(jìn)行注冊，而其他研究機(jī)構(gòu)對虹膜識別方法的研究發(fā)展也非常迅速。

虹膜是指位于瞳孔和鞏膜之間的環(huán)狀物質(zhì)，呈現(xiàn)出類似于冠、細(xì)絲、斑點和條紋等特征[1]。虹膜定位是指準(zhǔn)確地找出虹膜內(nèi)緣和外緣的位置，其結(jié)果直接關(guān)系到識別的速度和準(zhǔn)確率。較為經(jīng)典的算法有文獻(xiàn)[1]提出的基于灰度梯度的定位算法和文獻(xiàn)[2]提出的基于Hough變換的定位算法，但兩種算法定位耗時都較長。之后有許多改進(jìn)算法文獻(xiàn)[4-9]相繼提出。在文獻(xiàn)[4-5]中，提出通過粗定位縮小精定位搜索范圍以提高定位速度的方法。文獻(xiàn)[6]提出通過降噪方法去除眼瞼和睫毛邊界點的干擾，以縮短Hough變換定位圓時的搜索時間和準(zhǔn)確率。文獻(xiàn)[10]提出采用多尺度邊緣檢測和Hough變換相結(jié)合的方法進(jìn)行虹膜定位。雖然，這些改進(jìn)算法在很大程度上提高了定位速度，但在定位有部分睫毛遮擋的低質(zhì)量虹膜圖像時表現(xiàn)得不穩(wěn)定。文獻(xiàn)[7]中提出的非線性擬合結(jié)合交叉參考的迭代虹膜定位算法，通過不斷舍棄隨機(jī)噪聲和邊緣毛刺點提高了定位的低質(zhì)量虹膜圖像的穩(wěn)定性，可是由于需要不斷更新迭代，耗時較長。另外，由于上述算法都是基于對虹膜內(nèi)外邊緣圓模型的假設(shè)，所以無法解決偏視情況下虹膜圖像的定位問題。為此，本文提出了一種新的基于多分辨率分析(MRA)的虹膜定位算法。該算法將睫毛和虹膜邊緣認(rèn)為是分布在不同頻段的圖像信息，從而選擇合適的頻段進(jìn)行虹膜邊界點的搜索，并對邊界點進(jìn)行橢圓擬合定位虹膜。通過試驗證明該算法能在一定程度上抑制部分睫毛和眼瞼的遮擋，解決偏視虹膜圖像的定位問題。

1 瞳孔粗略中心搜索

瞳孔粗略中心搜索是指粗略確定瞳孔區(qū)域的位置。本文在原始虹膜圖像的二值圖像上進(jìn)行瞳孔粗略中心搜索，如圖1所示。首先，根據(jù)圖像整體灰度的分布范圍選擇合適的閾值對原始虹膜圖像進(jìn)行二值化操作。由于拍攝時往往會在瞳孔上形成光斑，所以采用文獻(xiàn)[15]中的填充方法對二值化后的圖像進(jìn)行填充，結(jié)果如圖1b所示。可以看到，填充后的二值化圖像，瞳孔區(qū)域呈現(xiàn)為黑色，其對應(yīng)灰度值為0，是整幅圖像中灰度值最低的區(qū)域，其他區(qū)域幾乎為白色。之后，統(tǒng)計像素灰度和最小的列和行所在的橫坐標(biāo)xo和縱坐標(biāo)yo：

圖1 二值化

2 虹膜內(nèi)緣定位

虹膜的內(nèi)緣是指瞳孔的邊緣，該邊緣梯度變化明顯，而且一般不存在眼瞼和睫毛的遮擋問題，比較容易定位。在進(jìn)行定位之前，根據(jù)文獻(xiàn)[15]中的方法進(jìn)行光斑填充，以保證定位的準(zhǔn)確性。接著，任取瞳孔中心附近縱坐標(biāo)為y的一行像素點的灰度值序列Sy，其灰度曲線如圖2a所示，橫坐標(biāo)表示像素點的水平位置，單位為像素，縱坐標(biāo)為像素的灰度值。之后作相鄰5個像素的灰度差分曲線dSy：

圖2 虹膜邊界點的搜索分類

根據(jù)二值圖像瞳孔區(qū)域的范圍，選取瞳孔粗略中心附近的若干行，按照上面的方法，可以得到一系列瞳孔邊界點的坐標(biāo)由于瞳孔邊緣相當(dāng)明顯而且不易受到睫毛遮擋的干擾，所以搜索出的邊界點已經(jīng)非常準(zhǔn)確，可以直接采用最小二乘方法進(jìn)行曲線擬合定位內(nèi)緣。瞳孔的邊緣在正視拍攝情況下是一個近似圓，在偏視拍攝情況下該圓形變?yōu)闄E圓。橢圓的一般方程為：

式中 (xc,yc)為橢圓中心坐標(biāo)；A、B分別為橢圓長、短軸。式(4)的等價形式為：

3 虹膜外緣定位

由于虹膜外緣不如虹膜內(nèi)緣的灰度變化明顯，且虹膜的外緣通常存在睫毛遮擋，所以虹膜的外緣定位較內(nèi)緣定位而言要困難很多。通過分析發(fā)現(xiàn)，虹膜外邊緣和睫毛是虹膜圖像中不同分辨率下的細(xì)節(jié)特征。睫毛邊緣較為尖銳，一般體現(xiàn)在高頻細(xì)節(jié)分量中，虹膜外邊緣較為平緩，一般體現(xiàn)在中頻細(xì)節(jié)分量中。只提取中頻細(xì)節(jié)分量進(jìn)行虹膜外緣邊界點搜索，就可以在一定程度上抑制睫毛的遮擋問題。為此，本文引入多分辨率分解[11-12]提取虹膜外邊緣邊界點。為突出虹膜外邊緣灰度值的變化，將上面的離散灰度值序列Sy的瞳孔區(qū)域像素點灰度值替換為虹膜區(qū)域的灰度近似值，該灰度近似值通過計算瞳孔邊緣以外附近區(qū)域的均值得到，最后得到′的離散小波變換形式為[13]：

根據(jù)多分辨率的思想[11]，在圖像中，邊緣處對應(yīng)著相應(yīng)頻段下細(xì)節(jié)分量的較大幅值，可以在較粗的分辨率下進(jìn)行邊界點搜索，在較細(xì)的分辨率下進(jìn)行邊界點定位。通過試驗分析，本文采用DMeyer小波進(jìn)行多分辨率分解，提取在分辨率為2?6時的細(xì)節(jié)分量，如圖2c所示，可很容易地在瞳孔左邊界點lp以左的區(qū)域搜索到離該點最近的一個幅值較大的谷值點li′，同樣可在瞳孔右邊界點rp的右側(cè)區(qū)域搜索到離該點最近的一個幅值較大的谷值點ir′，分別作為虹膜在縱坐標(biāo)為y時的近似邊界點。之后再在更細(xì)的分辨率2?5下定位虹膜邊界點。搜索離li′和ir′最近的谷值點，于是得到了虹膜的精確外邊界點li和ir。按照類似的方法，取瞳孔中心附近的若干行，進(jìn)行虹膜外邊界點的搜索，可以得到一系列的外邊界點。由于邊界點的搜索是在分辨率為2?6和2?5下進(jìn)行的，也就是對中頻細(xì)節(jié)分量進(jìn)行的，所以有效地避免了睫毛等高頻成分的干擾。該方法能準(zhǔn)確搜索出邊界點，無需再進(jìn)行舍棄非邊緣點的迭代操作[8]，從而大大提高了定位的效率。另外，基于多分辨率的定位算法，不是依靠圖像的灰度信息或灰度梯度信息，從而不易受光照條件變化的影響，對于定位不同光照條件下拍攝的虹膜圖像都表現(xiàn)得相當(dāng)穩(wěn)定。最后對上面得到的邊界點采用最小二乘方法進(jìn)行橢圓擬合，可以精確地擬合出虹膜的外緣所在橢圓的中心Q(xq, yq)，長、短軸 Aq、 Bq及旋轉(zhuǎn)角度θq。

4 實驗結(jié)果

在仿真實驗中，本文采用CASIA version 2.0和CASIA version 3.0-Twins標(biāo)準(zhǔn)虹膜庫的虹膜圖像進(jìn)行算法有效性測試。CASIA version 2.0包含60個人的1 200幅虹膜圖像，每人采集20幅圖像，每位被采集者的前后10幅虹膜圖像的采集時間間隔為40天。CASIA3.0-Twins虹膜數(shù)據(jù)庫包含來自100對雙胞胎的3 183圖像，圖像格式都為8 bit、256灰度級的灰度圖像，分辨率為640×480。測試的環(huán)境是主頻為3.98 GHz的雙核CPU(1.99 GHz/單核)、內(nèi)存為2 G DDR的電腦，仿真環(huán)境為Matlab 6.5。圖3中給出了兩幅虹膜圖像的定位結(jié)果，一幅是存在睫毛遮擋的虹膜圖像，另一幅是存在偏視問題的虹膜圖像。正如本文前面介紹的一樣，本文算法可以在一定程度上抑制睫毛遮擋，解決偏視拍攝情況下的虹膜圖像定位，對低質(zhì)量的虹膜圖像也表現(xiàn)出穩(wěn)定的性能。

圖3 虹膜定位結(jié)果

在表1中，給出了采用本文算法與文獻(xiàn)[1]和文獻(xiàn)[2]的定位算法，以及文獻(xiàn)[6,8]中的算法對不同虹膜數(shù)據(jù)庫進(jìn)行定位的準(zhǔn)確率對比試驗的結(jié)果。為了進(jìn)一步證實本文算法的可行性，體現(xiàn)定位精確度對后面匹配結(jié)果的影響，本文在虹膜定位部分采用上面的5種不同算法，而在編碼與匹配部分采用相同的Gabor編碼和漢明距離匹配算法?？梢钥闯?，采用本文算法，有利于降低等錯誤率EER，證明其定位精度更高。另外，從定位時間看，本文采用了曲線擬合算法，從而避開了傳統(tǒng)算法的反復(fù)迭代搜索[8]，提高了算法效率。

表1 采用不同定位算法的識別結(jié)果

5 結(jié) 論

虹膜定位算法作為虹膜識別的關(guān)鍵部分，直接關(guān)系到整個虹膜識別算法的性能。本文提出的基于多分辨率理論的虹膜定位算法，新穎、快速、準(zhǔn)確。與其他定位算法相比，一個突出的優(yōu)點就是在一定程度上可以抑制睫毛的遮擋問題，解決偏視虹膜圖像的定位問題，對質(zhì)量較差的虹膜圖像也表現(xiàn)出了良好的性能。

[1]DAUGMAN J G. High confidence visual recognition of persons by a test of statistical independence [J]. IEEE Trans Pattern Anal Machine Intel, 1993, 15(11): 1148-1161.

[2]WILDES R P. Iris recognition: an emerging biometric technology[C]//Proceeding of the IEEE. Piscataway, NJ,USA: IEEE Press, 1997, 1348-1363.

[3]BOLES W W A security system based on human iris identification using wavelet transform[J]. Engineering Applications of Artificial Intelligence, 1998, 11(2): 77-85.

[4]REN Xin-ying, PENG Zhi-yong, ZENG Qing-ning. An improved method for Daugman’s iris localization algorithm[J]. Computers in Biology and Medicine, 2008, 38(1):111-115.

[5]BASIT A, JAVED M Y. Localization of iris in gray scale images using intensity gradient[J]. Optics and Lasers in Engineering, 2007, 45(12):1107-1114.

[6]HE Xiao-fu, SHI Peng-fei. A new segmentation approach for iris recognition based on hand-held capture device [J].Pattern Recognition, 2007, 40(4): 1326-1333.

[7]胡正平, 張 曄, 王成儒. 非線性擬合結(jié)合交叉參考的迭代虹膜定位方法[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2004,16(3): 297-300.

HU Zheng-pin, ZHANG Ye, WANG Cheng-ru. Iris iterative location using nonlinear data fitting and cross-reference[J].Journal of Computer-Aided Design& Computer Graphics,2004, 16(3): 297-300.

[8]CUI Ja-li, WANG Yun-hong, TAN Tie-niu. A fast and robust iris localization method based on texture segmentation[C]//Proceeding of SPIE. Bellingham, WA: [s.n.]2004, 401-408.

[9]張鵬飛, 李德勝, 王 祁, 一種快速虹膜定位算法的研究[J]. 光電子·激光, 2005, 16(8): 997-999.

ZHANG Peng-fei, LI De-sheng, WANG Qi. Research on a fast iris localization algorithm[J]. Journal of Optoelectronics Laser, 2005, 16(8): 997-999.

[10]NABTI M, BOURIDANE A. An efficient and fast iris recognition system based on a combined multiscale feature extraction technique[J]. Pattern Recognition, 2008, 41(3):868-879.

[11]MALLAT S G. A theory for multi-resolution signal decomposition: the Wavelet representation[J]. IEEE Trans Pattern Anal Machine Intel, 1989, 11(7): 674-693.

[12]SHENSA M J. The discrete wavelet transform: wedding the a trous and Mallat algorithms[J]. IEEE Trans Signal Processing, 1992, 40(10): 2464-2482.

[13]RIOUL O. A discrete-time multi-resolution theory[J]. IEEE Trans Signal Processing, 1993, 41(8): 2591-2606.

[14]BAI Er-wei. Outliers: inliers and the squares estimator in generalized least trimmed system identification[J]. Journal of Control Theory and Application, 2003, 1: 7-27.

[15]SOILLE P. Morphological image analysis: principles and applications[M/OL]. [2009-04-12]. http://www.springer.com/engineering/signals/book. 1999, 173-174.

編 輯 張 俊

Robust Iris Localization Algorithm

MA Zheng

(School of Communication and Information Engineering, University of Electronic Science and Technology of China Chengdu 610054)

Iris localization is the most critical step of an iris identification system. Since it determines the accuracy and efficiency of the system. To improve its accuracy and efficiency, we proposed a new iris localization algorithm based on Multi-resolution analysis to detect the edge points of iris at one appropriate resolution and set ellipses to these edge points. The most important merit of this algorithm is that it is seldom affected by lash occlusion problem and can localize the off-angle iris image.

curve fitting; multi resolution analysis; scaling function; wavelet analysis

TP391.41

A

10.3969/j.issn.1001-0548.2010.05.024

2009- 05- 06;

2009- 12- 18

國家自然科學(xué)基金(60472046)；廣東省教育部產(chǎn)學(xué)研項目(408NCXY01)

馬 爭(1957- )，男，教授，博士生導(dǎo)師，主要從事數(shù)字圖像處理、信息系統(tǒng)安全技術(shù)及其應(yīng)用方面的研究.