1、基于局部序列圖像虹膜特征提取及分類探究【摘要】目前虹膜識別的算法主要都集中在單幅圖像的優 化上，它忽視了人眼序列圖像中存在的必然聯系。本文選取 受光照、眼瞼、睫毛等影響較少的區域作為特征點采樣區， 并通過比對序列圖像不斷剔除特征模板中不可靠特征點，達 到提高虹膜識別準確率的目的。實驗結果表明適當的增加注 冊圖像數量可以明顯拉大類內類間距離，從而提高虹膜識別 的準確率。【關鍵詞】局部；虹膜；圖像【中圖分類號】tp【文獻標識碼】a【文章編號】1007-4309 (2012) 07-0093-2由于虹膜圖像采集過程中容易受到光照、眼瞼、睫毛等 影響，使得采集到的圖像存在大量噪聲，而有用虹膜紋理區 域

2、只是被噪聲覆蓋圖像的一個部分，因此需要將虹膜區域從 原始圖像中分離出來，并采取一系列措施消除上述不利因素 對后繼虹膜特征提取及識別算法精度的影響。虹膜圖像預處 理過程通常包括：圖像質量評價、虹膜邊界定位、規范化和 圖像增強等過程。一、虹膜識別系統的工作原理(-)虹膜圖像預處理由于虹膜圖像采集過程中容易受到光照、眼瞼、睫毛等 影響，使得采集到的圖像存在大量噪聲，而可信度高的虹膜 紋理區域只是被噪聲覆蓋圖像的一個部分，因此需要將虹膜 區域從采集圖像中分離出來，并應用一系列措施消除上述不 利因素對后繼虹膜特征提取及識別算法精度的影響。虹膜圖 像預處理過程通常包括：圖像質量評價、虹膜邊界定位、干 擾檢

3、測、歸一化和圖像增強等過程。（二）虹膜紋理特征點提取算法虹膜特征采樣區域的選取。由上圖可以看出，經過預處理的圖像已經消除了眼瞼、 睫毛、光斑等干擾，但這些處理后區域所包含的可靠紋理信 息數量相較于那些未被干擾或很少被干擾區域來說仍然低 很多。另外，虹膜紋理信息相當豐富，只要用于虹膜識別的 有效區域大于虹膜總面積的1/6,其虹膜特征的唯一性就可 以得到保證。因此，本文選擇虹膜圖像中受干擾相對較小的局部區 域，作為虹膜特征提取的數據采樣區，該區域也是整個虹膜 圖像中可靠紋理信息分布密度最大的區域，從中提取出來的 特征模板的唯一性和可靠性也是相對較高的。值得注意的是在該區域中仍然可能包含眼瞼、睫毛干

4、擾 等，所以前面提到的虹膜預處理過程仍然是必要的。（三）可靠特征模板的生成算法目前有很多虹膜特征提取算法，如gabor濾波方法、局 部過零檢測方法、小波變換等方法。這些方法都是將虹膜的 紋理特征用二值相位特征表示，在識別時提取的特征都參與 了比較。但由于這些特征中存在大量不穩定的干擾點，就使 得相似度計算受到了很大的影響。從相似度的統計來看，同 類虹膜比對的相似度和不同虹膜比對的相似度形成了大的 交叉區域，難以得到較高的分類正確率，分類閾值的選擇范 圍也很小。即使閾值大小有小的變化也會引起錯分率明顯增 大。增大分類閾值的選擇范圍，減小錯分率一直是模式識別 領域的學者所關注的問題。本文采用2d-

5、gabor濾波器，選取0°、45°、90°、135° 四個方向分別進行特征提取，以響應最劇烈的方向作為特 征，并用該方向所對應的符號信息進行特征編碼。1. 2dgabor濾波器加波由于虹膜紋理在幾何特征上呈現出多方向、不規則的特 性，而2d-gabor濾波器的方向選擇性和頻率選擇性恰好可 以將虹膜的這種特性完整的表示出來，它可以提取出紋理在 不同頻率下的方向特征。因此本文選擇2d-gabor濾波器進行虹膜紋理方向編碼。 其直角坐標系下變化函數如下：gabor (x, y) =exp- (xx0) 2/?琢 2+ (y-yo) 2/? 茁 2) xesp2

6、?仔 i (uo (xx0) +v0 (y-yo) (1)其中：(xo, yo)表示濾波器中心位置，(？琢，？茁) 表示高斯函數的有效寬度和長度，(uo, vo)表示濾波器的 頻率和方向。(1)式也可以寫成如下形式：gabor (x, y)二exp- (x-xo) 2/?琢 2+ (y-yo) 2/? 茁 2) xesp2?仔 i ( 3 (x-xo) cos 9 + w (y-yo) sin 9 (2)其中，3和9分別表示濾波器的頻率和方向，3二，9 =arctan (vo/uo)那么由(？琢，？茁，xo, yo, o , 0 ) 六個參數就可以確定不同性能的濾波器。選取0。、45。、90&

7、#176;、135°四個方向分別進行特征提 取，其對應的方向符號為0, 1, 2, 3； intensity是用來 評判響應劇烈程度的函數，它是幅值的平方，它值越大表示 響應越劇烈；sign表示相應最劇烈時所對應的特征點方向符 號。那么經過(2) - (4)可以的得到虹膜紋理方向特征矩 陣s。intensityk=mag2k=re2k+im2k (3)sij=sign (max (intensityk) =kman kman 0,1, 2, 3 (4)2位置配準虹膜圖像采集時，錄入的人眼角度不一定都是一致的， 存在一定的旋轉失真(=2)幅圖像左側位置對齊，進行步幅 為1,總步長為2*

8、step+l的水平右移比對。取sumn最大時 對應roin作為第n幅圖像的配準特征。rsi k=rs«nrsb k>0orlor2or3sumk二sumk+l 0<=k<2*step+l (5)rsn表示第n幅圖roi區域的方向特征矩陣，k表示當 前位移次數，3. k次可靠特征模板將第一幅圖像對應的特征模板rs1與類內訓練模板rsn(l<n<=k)進行逐位比對，如果矩陣rsi, j值相同，則可 靠特征點數count加;如果不同，則令rsi, j=-lo如 此便得到k次可靠特征矩陣rs,該矩陣元素包括有效特征點 0, 1, 2, 3和無效特征點-1。(四)

9、 相似度計算將k次可靠特征模板分別與類內、類間訓練模板集的特 征進行比對，計算兩個特征矩陣相同元素數量stab 1 ecounto 根據公式得到類內、類間相似度。sm=stablecount/count (6)需要說明的是相似度的計算也要進行位置配置，即移動 step步選取stablecount值最大的作為相似度計算的配置參 數，得到的sm也必然是所有相似度中最大的。二、實驗結果與分析本文選取30個人的左眼，共30類，每類有30張虹膜 圖像，選取1-10作為備用k次模板注冊圖像，11-20作為類 內訓練數據，21-30作為測試數據；其他類每類區1-10作為 類間訓練數據，21-30作為測試數據。由上表可以看出隨著注冊圖像數的增加類內、類間的可 區分度也隨之逐漸增大，k=4時區分度最大，其后，區分度 隨著注冊圖像數增加逐漸降低。因此，可以采用適當增加注 冊圖像數量的方法來提高虹膜識別的準確率?！緟⒖嘉墨I】1田啟川，等不完全虹膜模式唯一性實驗研究計 算機應用研究，2006.2john g daugman. how iris recognition works j. ieee transactionson circuits an