0 引言
基于人眼虹膜信息特征的生物識(shí)別技術(shù)具有獨(dú)特性、穩(wěn)定性、防偽性、非接觸性、高精確性等優(yōu)點(diǎn),在安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證、醫(yī)學(xué)、檔案管理、視頻會(huì)議、人機(jī)交互系統(tǒng)等方面具有巨大的應(yīng)用前景。Daugman[1]和Wildes[2]等人提出的識(shí)別方法由于對(duì)噪聲敏感、要求硬件捕獲高質(zhì)量的虹膜圖像而難以在實(shí)際中廣泛應(yīng)用。本文提出了一種基于修正的精確定位和一維多尺度小波變換下提取歸一化虹膜圖像特征及基于SVM的WED與DSIM虹膜分類識(shí)別ISD算法,實(shí)驗(yàn)結(jié)果表明該算法具有較高的識(shí)別效率和精度。
1 虹膜的精定位與修正
1.1 精定位
虹膜與鞏膜、瞳孔的邊界均近似為圓形。瞳孔內(nèi)部灰度分布均勻且與虹膜的接界處存在極大灰度梯度;鞏膜與虹膜的接界也存在較大的梯度,由此可以檢測(cè)出內(nèi)外圓形邊界。由于虹膜具有良好的環(huán)狀特性,所以可采用如下定位算子對(duì)虹膜內(nèi)邊緣進(jìn)行精定位 :
(1-1)
其中 ,是高斯函數(shù),起到了平滑的作用,可以去除圖象中部分噪聲干擾。虹膜內(nèi)邊界檢測(cè)出來(lái)后,通過 及 的值限定合適的范圍,采用同樣的方法可搜索虹膜的外邊界。由于虹膜外邊緣一致性較差(主要是指虹膜外邊緣偏離圓形,以及它與鞏膜之間的過渡帶較寬),所以可能使某些虹膜上存在的非常明顯的向心性的環(huán)狀紋理。為防止式(1-1)的算法掉入陷阱而失去作用, 用面積分式(1-2)代替式(1-1)中的線積分。
(1-2)
另外,在人眼正常凝視狀態(tài)下,上下眼瞼可能會(huì)遮蓋一部分虹膜,進(jìn)行虹膜外邊緣精定位時(shí),對(duì)其積分域必須進(jìn)行限定,積分域一般限定在 到 及 到 之間的扇形區(qū)域內(nèi)。
1.2定位修正
虹膜定位時(shí)基于圓模板搜索得到的灰度梯度值為在該半徑下的模板圓與虹膜內(nèi)邊緣或是外邊緣相符的最大圓弧處的灰度梯度值, 這就帶來(lái)了不可避免的誤差。為使模板圓的圓心盡量靠近虹膜邊緣的幾何中心,就應(yīng)盡可能多的采集到真實(shí)的虹膜邊緣點(diǎn)。虹膜與鞏膜之間邊界對(duì)應(yīng)于灰度曲線上的跳變邊沿,采用如下的灰度差分累加和的方法檢測(cè)。它是一種簡(jiǎn)便、快捷、穩(wěn)健的波形邊沿檢測(cè)方法。
圖 1-1 園模板
設(shè)灰度曲線上的點(diǎn)表示為 , 。由灰度曲線,經(jīng)過差分運(yùn)算,便可求得灰度差分曲線( )。差分運(yùn)算如下:
在灰度差分曲線上,m個(gè)相鄰點(diǎn)的累加和為:
(1-3)
邊沿的確定可以采用閥值的判斷法。設(shè)定一個(gè)閥值,對(duì)于右邊沿,差分的累加和大于閥值,即 ;對(duì)于左邊沿,差分累加和的負(fù)值大于閥值,即- 。邊沿確定后,取 為邊界點(diǎn)。由于人的虹膜與鞏膜邊界上有一個(gè)一定寬度的模糊帶,因此在灰度曲線上所反映的跳變是有不同的坡度的。為了更準(zhǔn)確更省時(shí)尋找虹膜邊界點(diǎn),可以采用如下方法:設(shè)定一個(gè)合適的閾值,以精定位確定的邊緣點(diǎn)為中心,設(shè)對(duì)應(yīng)的 ,則
(1-4)
在灰度差分曲線上,2p個(gè)點(diǎn)的差分累加和為:
然后,變化k的取值,k=k+q , ,檢測(cè)到差分累加和大于閾值時(shí)就把該 值列為候選點(diǎn),在所有候選點(diǎn)中,值最大者選為最終的邊界點(diǎn)。
2 虹膜圖像歸一化
虹膜的內(nèi)外圓形邊界在許多情景下不是同心圓,同時(shí)由于瞳孔的牽引使得虹膜伸縮變換,因此必須把虹膜區(qū)域經(jīng)過坐標(biāo)變換并歸一化展開成極坐標(biāo)下的帶狀信號(hào)以便后續(xù)研究。
如圖:外圓半徑 , 圓心 O(Ox,Oy), 內(nèi)圓半徑 , 圓心I(Ix,Iy)
圖 2-1虹膜的歸一化
設(shè) 上一點(diǎn)P(X,Y),歸一化 ,由圖有:
(2-1)
由此原圖中的點(diǎn)對(duì)P(X,Y)一一映射到極坐標(biāo)中的點(diǎn)對(duì)P(r,θ)。由于此坐標(biāo)變換實(shí)質(zhì)上是對(duì)不同的θ方向采用不同的量化間距 ,因此對(duì)內(nèi)外圓的伸縮具有不變特性,同時(shí)具有平移和尺度不變特性。由于虹膜紋理集中分布于內(nèi)環(huán)邊緣, 實(shí)驗(yàn)中取瞳孔附近環(huán)帶的70%, 量化級(jí)Nr=64,Nθ=256,θ=90º為歸一化時(shí)θ軸的原點(diǎn)。
3 特征提取與分類識(shí)別
3.1 基于Haar小波基的特征提取
我們對(duì)歸一化的虹膜圖像在角向作N次一維小波變換( ),以變換后的圖像和原圖像的差值作為待識(shí)別圖像,保留了虹膜的紋理結(jié)構(gòu)特征并且減少了光照和噪聲的影響。對(duì)待識(shí)別目標(biāo)提取其角向相鄰兩行的均值與方差 以及尺度為16*16的計(jì)盒維數(shù)作為分類的二組有效特征量向量。標(biāo)志著圖像表面的粗超程度和自相似構(gòu)造規(guī)律,表明了虹膜的紋理信息。
(3-1)
其中膨脹函數(shù)和尺度因子S之間的關(guān)系為:
(3-2)
函數(shù)在尺度S和處的一維小波變換可寫成下列卷積:
(3-3)
實(shí)驗(yàn)中取正交歸一的Haar小波基,對(duì)應(yīng)的濾波器系數(shù):
(3-4)
圖 3-1 Harr一維小波變換
3.2 特征訓(xùn)練
根據(jù)實(shí)驗(yàn)對(duì)某類的個(gè)訓(xùn)練樣本特征向量 ( )進(jìn)行如下訓(xùn)練以獲取該類特征。
(3-5)
3.3 分類器的設(shè)計(jì)
本算法采用基于支持向量機(jī)SVM的相異性測(cè)度DSIM 和倒數(shù)加權(quán)歐式WED距離的ISD分類。設(shè)有模式 ,則
(3-6)
拒識(shí)判定準(zhǔn)則:設(shè)模板數(shù)為m,待分樣本到第i個(gè)模板的WED距離di; dj和 dk為最小的兩個(gè)距離。定義拒識(shí)系數(shù) 。設(shè) 為拒識(shí)閾值,若則表明該樣本歸屬清楚,直接送入WED距離分類器;否則拒識(shí),對(duì)于獲得較小WED的幾個(gè)模板計(jì)算DSIM值并利用上述準(zhǔn)則判定,如仍拒識(shí)表明該樣本應(yīng)送入SVM分類器分類。.
支持向量機(jī)SVM: 對(duì)于線性可分的集合S,如果存在對(duì)于由條件定義超平面,使得分類間隔最大,轉(zhuǎn)化為二次規(guī)劃問題,定義Lagrange函數(shù)(為與樣本對(duì)應(yīng)的Lagrange因子):
(3-8)
用核函數(shù)代替樣本內(nèi)積由極值求法可得到最優(yōu)化分類函數(shù):
(3-9)
設(shè)測(cè)試集H,確定前兩級(jí)分類器的閾值,自動(dòng)確定參數(shù),則ISD算法如下:
1) 若,則算法結(jié)束,輸出結(jié)果.否則取樣本;
2) 計(jì)算樣本特征向量V1并求其到模板的WED距離,調(diào)用拒識(shí)判定準(zhǔn)則;
3) 將未被拒識(shí)的樣本送WED分類器分類,對(duì)于拒識(shí)樣本計(jì)算V2特征并求其到模板的DSIM距離, 調(diào)用拒識(shí)判定準(zhǔn)則:
4) 將未被拒識(shí)樣本送DSIM分類器分類,否則送往SVM分類器分類.
5) ,轉(zhuǎn)第1步.
4 實(shí)驗(yàn)與性能分析
4.1 虹膜預(yù)處理
圖 4-1虹膜的定位 歸一化及Harr一維小波變換
4.2 分類測(cè)試
實(shí)驗(yàn)中提取不同個(gè)體在兩個(gè)不同階段共423個(gè)64*256的虹膜圖像樣本,第二階段樣本經(jīng)訓(xùn)練后行成89個(gè)模板,類內(nèi)測(cè)試185次,內(nèi)間測(cè)試1408次,性能如表1.從表中可知隨著的增大,識(shí)別率相應(yīng)提高,但由于前兩級(jí)拒識(shí)的樣本增加SVM分類的時(shí)間代價(jià)也提高,綜合考慮= =0.4時(shí)具有較佳的性能.
圖 4-2 單純WED與 DSIM分類示意圖
表1 不同 下ISD與單純WED和DSIM分類器性能比較
4.3 結(jié)論
從實(shí)驗(yàn)結(jié)果可知本文提出的算法很好的實(shí)現(xiàn)了虹膜的定位與分類識(shí)別,誤識(shí)率低,具有比較高的識(shí)別精度和效率,其性能優(yōu)于單純采用SVM,DSIM或WED距離度量的方法