1、 重庆大学硕士学位论文 虹膜识别算法研究 硕士研究生：徐 昶 指导教师： 印 勇 副教授 学科专业： 信号与信息处理 重庆大学通信工程学院 二OO五年五月 Master Dissertation of Chongqing University Study on Iris Recognition Alogrithm Master Candidate: Xu Chang Supervisor: Associate Prof. Yong Yin Major: Signal and Information Processing College of Communication Engineering
2、Chongqing University May, 2005 重庆大学硕士学位论文 中 文摘要 摘 要 随着信息技术的发展和日益增长的对安全的需要，基于生物特征的身份识别技术在近年来有了迅速的发展。作为生物特征识别技术之一的虹膜识别技术正在兴起，并显示了很大的优越性。在现有各类生物识别技术中，虹膜识别是相对较新并且具有巨大潜力的技术。虹膜识别技术具有以下特点：虹膜图像的采集具有无侵犯性；瞳孔的缩放使虹膜组织具有活体组织的显著特征，可以有效的防止人工伪造等等。 虹膜识别系统主要包括了图像采集、虹膜定位、虹膜识别和模式匹配四个部分。它的研究主要涉及到了计算机视觉、数字图像处理、小波理论、模式识别等
3、众多学科领域。其中定位和识别是该系统最为关键的部分。 本文首先介绍了虹膜识别技术的诞生、发展以及研究 现状，对虹膜识别系统和现有的几种虹膜识别算法进行了系统的 研究和讨论。然后分析了前人的一些定位算法，指出算法的不足，又结合数学形 态学和轮廓跟踪等理论提出了新的虹膜定位方法。在虹膜特征提取算法中，研究了 Daugman对虹膜纹理的编码方法，在识别算法中采用了 Daugman提出的 2-D Gabor小波。研究发现虹膜局部纹理的能量集中在一个频率上，根据这一特点对虹膜图像进 行分块。提出了计算每个分块和Gabor小波互能谱的编码方法。经实验证明本文的定位算法速度较快，识别算法具有合理性和有效性。
4、 最后指出虹膜识别技术中仍然存在的问题以及该技术的发展前景。 关键词：虹膜识别，轮廓跟踪， Gabor小波，互能量谱重庆大学硕士学位论文 英 文摘要 ABSTRACT With the increasing emphasis on security, automated personal identification based on biometrics has been receiving extensive attention over the past decade. Iris recognition, a kind of biological characteristic recog
5、nition, springs up as a result of the social and economical development, and it shows great advantages. Iris recognition technology with its huge potential is relatively new among different kinds of biometric recognition technologies. For example, the characteristics of ones iris are steady all ones
6、 life, the capturing of iris image is non-invasive, and issues of iris possess the characters of living issues on account of the zooming process of pupils, which prevents counterfeiting. A typical iris recognition system includes iris imaging, iris location, iris recogntion and pattern matching. It
7、involves numerous displine domains, such as computer vision and digital image processing, wavelet theory, pattern recognition etc. Iris location and recognition are the key of iris recognition system. In this paper we have introduced the birth, development and current situation of research on the ir
8、is recognition technique and studied the exisiting iris recognition algorithms. Then the algorithms on iris location are studied and the disadvantages are pointed. A new approach based on mathematic morphology and contours trace is put forward. After studing the means of Daugmans encode of iris text
9、ure, we adopted 2-D Gabor wavelet that was advanced by Daugman to extract the feature. The iris image texture can be divided into many bands whose engegy centralize in one frequency. We put forward a new encoding method that calculates every bands cross energy spectra with Gabor wavelets. The experi
10、ment results show that this location algorithm is faster and this encoding method is effective and reasonable. At the end of this thesis some existing problems are pointed out, then the good future of iris recognition technology is predicted. Keywords: Iris recognition, contours trace, Gabor wavelet
11、s, cross energy spectra 重庆大学硕士学位论文 英 文摘要 III 目 录 中文摘要 I 英文摘要 . 2 1 绪论 1 1.1 引言 . 1 1.2 虹膜的生理和医学特征 . 1 1.3 虹膜识别技术的诞生、发展及研究现状 . 3 1.4 本课题的主要研究内容 . 7 2 基于虹膜的身份识别系统简介 8 2.1 虹膜图像的采集 . 8 2.2 虹膜图像预处理 . 9 2.3 特征提取 . 9 2.4 模式匹配 . 9 3 虹膜图像的预处理 10 3.1 虹膜图像的平滑处理 . 10 3.2 定位算法 . 11 3.2.1 图像分割和数学形态学的基本理论 11 3.2.2
12、 瞳孔粗定位 14 3.2.3 虹膜外缘粗定位 18 3.3 虹膜归一化 . 20 3.3.1 虹膜纹理特征的分布特性 20 3.3.2 归一化 21 3.3.3 亮点的去除 22 3.4 图像增强 . 23 3.5 小结 . 24 4 虹膜纹理特征的提取 . 25 4.1 图像纹理分析的基本理论 . 25 4.2 小波分析的基本理论简介 . 27 4.2.1 小波变换的定义 28 4.2.2 小波变换 29 4.3 Gabor 小波 31 4.3.1 Gabor 小波简介 31 重庆大学硕士学位论文 英 文摘要 IV 4.3.2 Gabor 变换及其特性 32 4.4 Daugman 编码方
13、法 32 4.5 基于互能量谱的编码方法 . 34 4.5.1 虹膜局部纹理的模型 34 4.5.2 基于互能量谱的编码方法 35 5 虹膜识别 . 39 5.1 Hamming 距离 39 5.2 识别结果 . 40 6 结 论 . 43 致 谢 . 44 参考文献 . 45 附录：作者在攻读硕士学位期间发表的论文目录 48 重庆大学硕士学位论文 1 绪 论 1 1 绪 论 1.1 引言 自 9 11 事件后，防范恐怖分子渗透、提高安全检查效率成为研究热点。全球各国安全部门开始加强对生物信息检测 系统的研究。由于人眼虹膜识别系统比指纹、面部和声音识别更加准确、可靠，因此受到了高度的重视。美国
14、 Kennedy国际机场的员工们必须通过虹膜识别才能进入管理系统； Bad Reichenhall 城市医院通过验证虹膜防止婴儿拐卖；加拿大移 民局用虹膜识别技术为多次往返者提供快速通道；英国计划在国内 10 个机场安装虹膜识别系统。虹膜识别技术已经悄悄地进入人们的生活。 随着我国经济的飞速发展，安全、认证和保护工作显 得尤为重要。身份鉴别的社会需求越来越大。信息时代的一大特征就是身份的数字化和隐性化。 虹膜识别技术虽然在机场、银行、公安等方面有广阔 的前景，但是它最有应用前景还是在电子商务领域。 21 世纪是宽带网的时代，形形色色的网络将成为这个时代的特征。然而，开放的信息系统必 然存在众多
15、的潜在的安全隐患，安全技术作为一个独特的领域越来越受到全球网 络建设者的关注，鉴于生物识别的可靠性，未来人们在上网购物或者交易时，首 先在虹膜识别仪上进行身份认证，这可以保证网络管理机构有效监督网络交易的 参与者，大大降低了不法分子对网络交易的破坏活动。根据最近的 Forest else B(x,y)=0; 其中， I(x,y)为虹膜图像， B(x,y)为二值化后的图像。图 3.4 为对图像进行二值化后，得到瞳孔的二值化图象。 图 3.4 二值化图像 Fig3.4 Binary image 可以看出，在得到的二值化图像中 ，在图像边缘有很多灰度值为 0 的干扰点和色块，这些点和色块会对定位产生
16、干扰，因此 必须滤除。本文采用数学形态学的方法滤除这些干扰点和色块。具体的步骤如下： 1 闭运算 图像进行一次有填充效果的闭运算， 将图像中的灰度为 0 的色块变成连通区域，这样将有利于对色块的滤除，也有利于后面用 轮廓跟踪的方法来估算色块的面积，从而找出瞳孔。 2 边缘滤除 因为瞳孔不会出现在图像的边缘（如果出现那 么这种情况，那么一定不能进行识别），所以可以将在图像边缘的色块滤除。 重庆大学硕士学位论文 3 虹膜图像的预处理 16 图 3.5 滤除边缘干扰后的瞳孔图像 Fig3.5 Pupil image after fileterd edge disturb 3通过轮廓跟踪最终找到瞳孔
17、将边缘的干扰滤除之后，瞳孔为面积最大的色 块。搜索面积最大的色块即可找到瞳孔。因为瞳孔的面积明显比其他色块大很 多，所以搜索面积最大的色块的方法可采用计算色块周长的方法就可以得到无干扰 的瞳孔部分。本文借鉴轮廓提取中的轮廓跟踪的基本方法来计算周长。 轮廓跟踪的基本方法是：先根据某些严格的“ 探测准则”找出目标物体轮廓上的像素，再根据这些像素的某些特征用一定的 “跟踪准则”找出目标物体上的其他像素。本文采用如下的二值图像轮廓跟踪方法。 图 3.6 轮廓跟踪算法 Fig 3.6 Contours trace algorithm 重庆大学硕士学位论文 3 虹膜图像的预处理 17 首先找到第一个边界像
18、素的“探测准则”是： 按照从左到右，从下到上的顺序搜索，找到第一个黑点一定是最左下方的边界 点。从第一个边界点开始，定义初始的搜索方向为沿左上方；如果左上方的点为黑点（像素值为 0 的点）则为边界点，否则搜索方向顺时针旋转 45 度。 这样一直找到第一个黑点为止。 然后把这个黑点作为新的边界点， 在当前的搜索方向的基础上逆时针旋转 90 度， 继续用同样的方法搜索下一个黑点，直到返回最初的边界点为止。 每找到一个边界点计算周长的变量加 1，则可计算出这个色块的周长。计算完一个色块的周长之后，继续进行扫描，已经计 算过周长的色块中的像素点再扫描时需排除掉。这样很容易的找出周长最长的色块 瞳孔。然
19、后将其他色块滤除，就可以得到无干扰的瞳孔图像了。 图 3.6 为本文采用的轮廓跟踪算法的示意图，箭头为搜索方向。 图 3.7 分离出的瞳孔 Fig3.7 distilled pupil 对分离出瞳孔的图像分别在 x轴和 y 轴上进行投影。在 x 轴上投影得到的最大值和最小值分别为max minx x、，在 y 轴上的投影的最大和最小值分别为max minyy、。这样瞳孔的圆心坐标为 ()max min2xx x=+ (3.10) ()max min2yy y=+ (3.11) 瞳孔半径取为投影到 x轴长度和 y 轴长度的平均值 ,即 : ()( )max min max min4xx yyr+
20、= (3.12) 取投影的方法可以很快的得到瞳孔的圆心和半径 ,且准确性较高。 重庆大学硕士学位论文 3 虹膜图像的预处理 18 3.2.3 虹膜外缘粗定位 尽管虹膜和瞳孔的并非同一圆心，但它们十分 接近，则可根据瞳孔的圆心半径的来进行虹膜初定位。根据试验发现，虹膜半 径与瞳孔半径为一定的比例，虹膜半径为瞳孔半径的 3.5 倍到 4 倍之间，根据此条件则可以极大的减少搜索的范围，这就是先找到瞳孔的半径和圆心的好处，只有先 找到了瞳孔的半径和圆心才能缩小搜索范围。本文采用三点确定一个圆的原理，以 瞳孔粗定位所得到的瞳孔圆心作为圆心在瞳孔半径 3 到 4 倍的范围内进行搜索。按径向寻找虹膜边界上灰
21、度跳变最明显的点。灰度差分为：nm nmDI I+=从试验结果看一般取 m=2 或者 3 为最佳。从多次搜索中找出 D 最大的三个点，即边界最清晰的三个点，根据三点确定一个圆的原理，由此初步确定虹膜圆心和半径。对虹膜内外边界进行粗定位之后的结果如图3.8(a)、 (b)所示。 3.2.4 精定位 如图 3.8(a)、 (b)所示，对虹膜内外边界进行粗定位之后 ,虹膜的边界已经比较接近于实际的虹膜边界了。这样，对于精定位的 圆心和半径就可以确定在一个很小的搜索范围内进行。 对虹膜内外边界的精定位最常用的是求其圆周 上灰度积分的导数。即采用具有圆形边缘检测器作用的算子来进行虹膜精定位。 |2),(
22、|),max(,00ycxrcdsryxIryxr(3.13) 其离散形式为： |),max(2,21,100 yxyxIIyxrn (3.14) (3.14)式中 10(1)sin()xx nr m= + ,10(1)cos()yy nr m= + 20(1)sin()xxnr m=+ ,20(1)cos()yynr m= + 11,x y 为离圆心较近的点，22,x y 为离圆心较远的点， rn 为半径。 r 为半径的增量。 m 为角度， 为角度的增量。00(, )x y 为圆心，它们的范围，根据上一步粗定位的圆心来确定。 精定位搜索算法的具体步骤为： Step1：此算子以 (00, yx
23、 )为圆心，半径 r，来计算圆心为 (00, yx )圆积分沿半径方向灰度梯度。 Step2：以 (00, yx )为圆心，以步长 1 逐步增大半径，计算在每一个半径下圆积分沿半径方向灰度梯度。 Step3：粗定位的圆心并不完全准确。因此圆心也需要在 一定范围内进行搜索。设粗定位的圆心坐标为 (, )x y ， x,y 分别在 l 的范围内进行搜索，即0x lx xl +，重庆大学硕士学位论文 3 虹膜图像的预处理 19 0yl y yl +。这是一个正方形的区域，取其中 每一个点为圆心，每个圆心完成step1 和 step2。 Step4：找出所有圆心和半径下圆周上灰度积分的导数的最 大值，
24、此时的圆心半径即为精定位的结果。 因为本文进行了粗定位并且效果良好，因此在本文中00, yx 的取值范围只需要在粗定位圆心的 10 的范围内即可，半径也只需要在 10 的范围内。圆形边缘检测器的搜索是三维进行，消耗的时间是按立方级 增长的。因此首先进行粗定位，以缩小精定位时的搜索范围，可以极大的提高定位算法的速度。 在虹膜外边缘的定位中应注意，由于上下眼皮 会遮住部分虹膜，上眼皮遮挡住的虹膜部分可能稍多。所以计算时区域应在 -50。 40。和 140。 230。之间的扇形区域。 瞳孔定位不会遇到这样的问题。 (a)瞳孔粗定位结果 (b) 虹膜外缘粗定位结果 (a)coarse localiza
25、tion of the pupil (b)Coarse localization of the outer boundary 图 3.8 粗定位结果 Fig3.8 Coarse localization 图 3.9 精定位结果 Fig3.9 precise localization 重庆大学硕士学位论文 3 虹膜图像的预处理 20 如图 3.8(a)、 (b)所示，粗定位能够初步的找到虹膜内外边界的位置，但是并不精确，与实际的虹膜边界略有偏差，而虹膜识 别要求虹膜的定位十分的精确，因此必须进行精定位。图 3.9 为虹膜精定位也即最终定位的结果。可以看出，精定位的结果跟虹膜边界吻合，可以用作虹膜
26、识别的最终定位结果。 3.3 虹膜归一化 3.3.1 虹膜纹理特征的分布特性 如图 4.0 所示，虹膜的纹理具有一定的分布特点，在 A 区域即离瞳孔越近的地方，虹膜的纹理分布密集，包含的 信息丰富，且不会被眼睑遮挡。 B 区域纹理分布稀疏，包含的信息较少。而 C 区域的虹膜由于靠近与巩膜的边界，它的纹理特征被噪声所掩盖而显得非常模糊，所以应予以剔除。 图 3.10 虹膜纹理特征分布示意图 Fig 3.10 Iris texure distributing 所以虹膜的外边界需要进行修正， 最终进行归一化的虹膜为的 A部分和 B部分。 最终进行归一化将采用的虹膜外边缘为图 4.0 所示的里面一个圆
27、。可以看到最初确定的精定位结果的虹膜外边缘，和最终进行归一化采用的外边缘之 间的部分即 重庆大学硕士学位论文 3 虹膜图像的预处理 21 图 3.11 最终进行归一化的虹膜外边缘 Fig3.11 Iris outer boundary before normalization 为图 3.10 中的 C 部分，可以看出这部分的虹膜纹理十分 稀疏，还有些部分被噪声完全掩盖，不宜用来进行特征提取。每幅图像的 最终虹膜外边缘根据粗定位的结果按同一比例获取，这样就不会对虹膜识别产生影 响。而虹膜内边缘即与瞳孔的边界仍按照精定位的结果选定。 3.3.2 归一化 由于拍摄环境等因数的改变， 每张摄取的虹膜图
28、片的位置与大小都会发生变化，所引起的虹膜的平移、缩放和旋转都会对虹膜 识别造成影响。而人的瞳孔也会因为环境而缩放。因此为了消除这些影响， 实现精确的匹配，就必须对虹膜进行归一化。 因为虹膜内外边界都为圆形，因此可以用几何的方法归一化。 )(),( ooyxB )(),( iiyxA )(yxOOO 图 3.12 虹膜归一化 Fig3.12 Iris normalization 虹膜的归一化就是将原始的虹膜图像 ),( yxI 中需要进行特征提取的那部分虹膜投影到一个极坐标系中去，即采用极坐标变换进行归一化： ),(),(),( rIryrxI （ 3.15） 重庆大学硕士学位论文 3 虹膜图像
29、的预处理 22 式中 1,0),2,0( r 。 本文以内圆圆心（瞳孔）为极坐标的圆心，做与水平线成 角的射线，它与虹膜的内外边界的交点分别记为 )(),( iiyxA 和 )(),( ooyxB ，归一化就是将射线上 A,B 之间的点提取出来。式 3.15 中的 ),(),( ryrx 和 的转换关系有： )()()1(),( oirxxrrx += (3.16) )()()1(),( oiryyrry += (3.17) 因为在预处理过程中的坐标变换为线性映射， 所以变换后的图像和原始虹膜图像是同构的，瞳孔和虹膜的相对位置并没有发生变化。 这种归一化会带来虹膜纹理的一定损失，尤其 是半径越
30、大，损失的数据越多；但是从虹膜纹理的分布特征可知，虹膜的纹理 特征主要集中在距离瞳孔边界较近的地方，也就是说内层的环带包括更多地虹膜特 征，所以当我们对大半径区域做大间距采样时，并不会引起虹膜模式的太多变化。 而且这种损失对于每一幅虹膜图片来说是等价的，因此不会对虹膜识别产生影响。 归一化的结果为： 图 3.13 归一化结果 Fig3.13 normalized image 可见，归一化的结果直观的表现出来就是就是 原来的环状区域，变成了方形区域。 3.3.3 亮点的去除 在上图中，图像左下角和右下角两处明显 的白斑，这是由于图像拍摄时反光造成的。而这种反光造成的白色的色块，通过 一般的平滑滤
31、波是不能滤除的，而这些无用的信息将对虹膜识别产生干扰。本文中 采用如下方法去除白斑，以减小对最后识别的影响。 观察原始虹膜图片可以发现，以瞳孔为圆心， 半径相等的地方灰度值相近。因此设定一个阈值，大于此阈值的点（反光造成 的白斑），灰度值变换为以瞳孔为圆心，以此点到圆心的距离为半径的点灰度值的平均值。 = ),(1),(000rINrI (3.18) ),(00rI 为变换后白斑处的灰度值。 N 为半径为0r 上的点的个数。处理后的效果为： 重庆大学硕士学位论文 3 虹膜图像的预处理 23 图 3.14 去处白斑后的图像 Fig3.14 Image after wipeing off whit
32、e block 3.4 图像增强 由于设备的原因，使得虹膜图像上的光照不能 完全均匀，这样会影响纹理分析的效果。 为了更好的提高识别的效果， 我们对展开后的虹膜图像进行直方图均衡化，从而实现了图像增强，减少了非均匀光照的影响。 设原图像的像素总数为 N，灰度级个数为 L，第 k 个灰度级出现的频数为 nk，若原图像 f(x,y)在像素点（ x,y）处的灰度图像为 rk，则直方图均衡化后的图像 g(x,y)在（ x,y）处的灰度 sk为： =kllkkNnrTs0(3.19) 图 3.15(a)为用直方图均衡进行图像增强后虹膜图片的效果 ，可以看到虹膜纹理明显更加清晰了。 (a) 图像增强后的虹膜 (a) Enhanced image (b) 均衡前的直方图 (c) 均衡后的直方图 (b) Histogram befor equalizing (c) Histogram after equalizing 图 3.15 图像增强 Fig3.15 Image enhancement
