基于纹理分布特征的虹膜识别算法
- 格式：pdf
- 大小：1.95 MB
- 文档页数：6
第31卷第2期仪器仪表学报V ol.31 No. 2 2010年2月Chinese Journal of Scientific Instrument Feb. 2010 基于纹理分布特征的虹膜识别算法*苑玮琦，赵彦明，张志佳（沈阳工业大学视觉检测技术研究所沈阳110178）摘 要：二维小波变换方向性差，不能从方向和频率同时描述虹膜纹理。
基于此，分析了归一化虹膜纹理的分布特点，提出了基于纹理分布特征的虹膜识别算法。
对原始人眼图像进行虹膜定位等预处理操作，得到归一化的虹膜纹理图像；对归一化虹膜图像进行了二维小波多尺度变换，结合虹膜纹理分布特点，选择小波分解水平通道；依据点能量贡献度，消除伪特征点并进行了点能量编码；计算了不同虹膜编码间海明距离，以其为依据进行分类。
在给定距离阈值为0.25的前提下，可以达到99.91%的正确识别率。
实验证明该算法是有效、可行的，并具有较高的识别率，识别速度也很快。
关键词：纹理分布；虹膜识别；小波变换；多尺度；虹膜中图分类号：TP391.41文献标识码：A国家标准学科分类代码：460.4030Iris recognition algorithm based on texture distribution featureYuan Weiqi, Zhao Yanming, Zhang Zhijia(Computer Vision Group, Shenyang University of Technology, Shenyang 110178, China)Abstract：2D wavelet transformation is weak in direction and can’t describe iris texture in direction and frequency at the same time. Thus, this paper analyzes the features of iris texture distribution and proposes an iris recognition algorithm based on texture distribution feature. Firstly, the algorithm carries out preprocessing of the original eye image such as iris localization and gets the normalized iris features image; secondly, 2D wavelet transformation is performed on the normalized iris images. Through combining the features of iris texture distribution, the horizon-tal channel of wavelet decomposition is selected; and according to the energy weights, the pseudo-feature points are deleted and point energy coding is carried out. Thirdly, the Hamming distances between different iris codes are calculated and then classified based on the distances. When the distance threshold equals to 0.25, the accuracy is 99. 91%. Related experiments show that the iris recognition algorithm based on wavelet multi-scale analysis is effective and feasible, and has higher recognition accuracy and recognition speed.Key words：texture distribution; iris identification; wavelet transform; multi-scale; iris1引 言虹膜的极大个体差异性和生物自然保护性、提取时的非侵犯性及伪造的渺茫性，决定它可以作为个体生物特征识别的重要依据。
据统计，在生物识别领域中,虹膜识别的错误率是最低的[1]。
因此国内外专家作了很多相关研究：Daugman[2-4]使用多尺度Gabor小波抽取虹膜纹理特征，获取2 048 b虹膜编码，通过异或XOR(exclusive OR vector)操作计算2个虹膜之间的Hamming距离。
从这个工作中，无法判断方位信息在特征提取中的应用。
Wildes 等人[5]应用Laplacian金字塔算法对虹膜图像进行多尺度分解，抽取虹膜纹理空间特征，选择了归一化相关系数作为匹配算法，不同于Daugman的是：他选择了归一化相关系数作为匹配算法。
Boles等人[6]提出的基于小波变换过零点检测的方法。
将信号过零点描述重建理论用于虹膜特征提取，通过小波变换的过零点，由细到粗地表示不同分辨率下的虹膜特征。
Lim等人[7]使用二维Haar小波变换将虹膜图像分解成4级，并将第4级的高频信息量化为虹收稿日期：2009-07Received Date：2009-07*基金项目：国家自然科学基金（60672078）、辽宁省自然科学基金（20042080）资助项目366 仪器仪表学报第31卷膜代码，采用改进的LVQ(learning vector quantization)神经网络进行模式匹配。
王蕴红等人[8]采用伽博滤波和daubechies24小波变换等纹理分析方法进行特征提取，用方差倒数加权欧氏距离进行匹配；谷建清等人[9]针对虹膜纹理的局部特征，利用二维的小波提取虹膜纹理的局部相位信息。
苑玮琦等人[10-11]提出了基于相位一致性和基于纹理特征点匹配的自适应虹膜识别方法。
张凡[12]提出一种基于模糊提取的虹膜鉴别方案，避免了传统虹膜鉴别系统中虹膜特征模板的安全和隐私问题。
本文算法原理如下：首先对归一化虹膜进行多尺度小波分解；然后结合归一化虹膜纹理分布特点，选择最能反映纹理特征的水平分解通道进行纹理描述；依据所选通道的点能量贡献度去除伪特征点同时进行编码，消除了光斑和睫毛噪声；最后计算两个虹膜间的海明距离，并据此进行分类。
2算法过程虹膜丰富的纹理特征，决定虹膜具有如下特点：随机性、复杂性和奇异性[12]；而本文算法结合虹膜在归一化图片上纹理分布特点，在小波域上，选择方向和频率2个特点进行纹理描述。
2.1虹膜图像预处理采集的虹膜图片一般包含眼睑、睫毛和耀斑等非虹膜因素，同时纹理信息还受到光照影响。
一般在识别前要对采集图片采用文献[13]中给出的方法进行预处理。
这个过程一般包括：定位、归一化和图像增强。
图1给出完整的处理过程。
图1虹膜图像预处理的全过程Fig.1 The whole process of iris image preprocessing2.2基于小波多尺度分析的特征提取2.2.1Symlets小波多分辨率分析在二维空间可分离条件下，选择适当小波基和分解尺度，对归一化虹膜图像f(x1, x2)进行小波j尺度分解，得到不同频率空间，不同分解方向上的图像高频部分，即图像中的纹理信息。
结合归一化图像中虹膜的纹理特点和方向滤波的性质，选择水平分解通道（用k=1表示）进行特征提取，可较好的描述虹膜纹理。
sym8小波理论优势与大量实试验证实：可以选择选择sym8小波作为虹膜分解的工具。
图2 展示了它的尺度函数(a)和小波函数(b)。
图2sym8小波尺度函数与小波函数Fig.2 The sym8 wavelet scale function and wavelet function2.2.2虹膜纹理分布特点与特征提取方法分析虹膜纹理的分布特点为：在原始图像上，眼瞳孔边界向外，放射状分布；在归一化图像上，沿归一化图像下边界向上边界方向，以树状（也可以视为网状）分布；图3将展示这一特点。
图3虹膜纹理和分布模版Fig.3 Iris texture and distribution template由图3(b)可知：绝大部分纹理都是与水平方向成一定的角度进行分布的，因此方向滤波技术将更适合于从频率与方向上对虹膜纹理进行描述。
2.2.3特征向量的提取与编码上面分析表明：结合虹膜纹理分布特点，本文实验选择第j尺度下的水平通道进行特征提取，较为有效。
但该通道上还会存在一些噪声，尤其是点噪声（光斑和睫毛），因此可以使用下面的方法去除点噪声并进行编码。
设E(1)、E(2)、E(3)代表水平和垂直通道及对角线通道的点能量，则能量贡献度λ(k)：()31()(1,2,3)()kjE iiE jλ===∑(1)于是对通道中的每一个点都有{λ1, λ2, λ3}，当λ1=λ2时，则依据点噪声的特点，该点应该去除；当λ1<λ2时，则依据该点贡献主要在垂直方向上，该点应该去除；因此处理后的通道矩阵channelset中仅含在水平滤波方向上的高效特征点。
第2期 苑玮琦 等：基于纹理分布特征的虹膜识别算法 367提取通道矩阵channelset 上的点能量作为虹膜纹理的特征。
但是在图像采集过程中，采集的光照条件影响虹膜纹理的灰度值，影响通道点能量值；因此，依据通道点能量，进行特征提取与编码方法。
具体的编码方法如下：If (通道channelset 点能量>通道channelset 的平均能量) Then 通道点能量channelset=1； Else 通道点能量channelset=–1；这样的编码方式有如下好处：1）避免了光照影响；2）一位代表一个特征，节省存储空间；3）有效降低了睫毛，光斑和少许眼睑噪声。
图4展示了特征提取与编码全过程。
图4 特征提取与编码全过程Fig.4 The whole process of feature extraction and iris coding大量实验表明：本文算法在选取j =4，k =1时，进行特征提取，理论编码长度为480 b ，而实际的编码长度在理论长的30%~40%。
在该条件下，本文的识别算法，具有较高的识别率、实时性和抗干扰性。
2.3 匹配2.3.1 匹配原则本算法使用海明距离计算样本相似度。
