一种新颖的基于Log-Gabor小波的虹膜识别算法

李 姗,范科峰,沈 吉

摘 要:虹膜识别以其惟一性、稳定性和非侵犯性等优点已成为生物特征识别中极具发展潜力的身份识别技术。提出一种基于Log-Gabor小波局部频率特征和局部方向特征的虹膜识别算法。该算法首先对虹膜图像实行分块,然后选取n个频率、m个方向的Log-Gabor滤波器对每个子块进行特征提取。最后采用海明距离进行图像匹配,以判决合法性。实验结果表明,该算法识别效果较好。

关键词:虹膜;Log-Gabor小波;局部频率特征;局部方向特征

中图分类号:TP391文献标识码:A

文章编号:1004-373X(2009)12-055-04

New Iris Recognition Algorithm Based on Log-Gabor Wavelet

LI Shan1,FAN Kefeng2,SHEN Ji2

(1.Department of Signal and Communications,Guilin University of Electronic Technology,Guilin,541004,China;

2.China Electronics Standardization Institute,Beijing,100007,China)

Abstract:Iris recognition has become a best potential technology of identity authentication in biometric feature recognition because of the advantages of invariability,stability and un-intrusion.Combining with local frequency features and local orientation features of Log-Gabor wavelet,an approach for iris recognition is presented.First,iris image is divided into several sub-image.Secondly,Log-Gabor filters of n frequency and m orientation are employed to extract the iris features for every sub-image.Finally,the right user can be judged by image matching using Hamming distance.Experimental results show that the proposed algorithm perform better than convential methods.

Keywords:iris;Log-Gabor wavelet;local frequency feature;local orientation feature

0 引 言

随着社会的发展和时代的进步,人们逐渐迈入数字化时代。一种安全、可靠、高效的身份识别认证技术已成为当今迫不及待解决的关键社会问题。通过密码、卡等传统的身份识别方式并不能提供安全、可靠的识别保障。与传统的身份识别相比,生物特征识别具有惟一性、稳定性、非侵犯性等优点,而虹膜生物识别的准确率是最高的。因此,虹膜识别技术越来越受到学术界和企业界的重视。

目前,国内外关于虹膜识别的算法很多[1-10],最为经典的是由Daugman[6]博士提出的用二维Gabor小波编码虹膜纹理的相位信息;Wildes[7]利用4个不同分辨率的拉普拉斯金字塔提取虹膜特征;Boles[8]提出用小波过零检测虹膜识别算法;澳大利亚的Masek[9]提出采用Log-Gabor小波编码虹膜纹理。各种算法各有优点,在此结合前人的方法,提出基于Log-Gabor小波局部频率特征和局部方向特征的虹膜识别算法,取得了较好的识别效果。

1 虹膜图像的预处理

1.1 虹膜定位

虹膜图像的定位就是从采集的虹膜图像中找到内外边缘的圆心和半径,将虹膜区域分割出来。由图1(a)的原始虹膜图像可以看出,瞳孔的颜色明显要比眼睛的其他部分黑,由此说明它的灰度值低,而虹膜相对要明亮一些,它的灰度值相对要高一些,虹膜最白,灰度值是最高的。因此,可以利用灰度级变化的突变,粗定位瞳孔的圆心和半径。

大致确定瞳孔的圆心和半径之后,就可以在此基础上精确地定位内圆。根据虹膜的圆形结构特征,可以采用下式进行瞳孔的精定位。

maxr,x0,y0Gσ(r)氮祌∮r,x0,y0I(x,y)2πrdsλ+∮r′,x0,y0I(x,y)2πr′ds-m(1)

式中:Gσ(r)为高斯滤波器;I(x,y)为虹膜图像;r和r′为半径,且r稍大于r′,r-r′=Δr=C;λ和m为设定的常数,其值很小,以防止分母为零引起奇异值的出现。式(1)的实质上就是在(r,x0,y0)三参数空间不断迭代求最优解。

虹膜的外边缘常会被上下眼睑遮挡掉一部分,如果眼睑的边界被清晰地检测出来,则会对Hough变换造成很大的干扰。针对此问题,本文对Canny边缘检测算子进行了改进,只对水平方向上的梯度进行计算,这样能排除一些受干扰的边缘点,而且还可以节省计算时间。

然后对边缘检测图像采用Hough变换来确定外边缘的圆心和半径。圆的参数方程可表示为:

x0=x-rcos θ,y0=y-rsin θ(2)

根据先验知识确定半径的搜索范围。由于虹膜外边界左右两侧所受干扰较小,因此可将θ限制在-π/4~π/4和3π/4~5π/4之间,从而减小了计算量。先在参数空间建立一个累加器H(x0,y0),再将边缘图像上的每一个点(xi,yi)代入上式,求出参数(x0,y0)。当圆心位于上述搜索范围内,则将相应的累加阵H(x0,y0)加1,否则加0。H(x0,y0)中元素的最大值就是所求外边缘的圆心和半径。图1(b)为虹膜定位图像。

图1 虹膜预处理过程

1.2 虹膜图像的归一化

为消除光照不均、瞳孔放缩等带来的影响,定位后的图像还需进行归一化,使其调整为与原始图像相同的尺寸和对应的位置。这里采用普遍使用的归一化方法[10]。现以瞳孔中心为起点,设虹膜内外边界的交点坐标分别为(xi(θ),yi(θ))和(x0(θ),y0(θ)),利用式(3)可将虹膜图像中的每一点一一映射到极坐标(r,θ)中。经过归一化处理的虹膜r∈[0,1],θ∈[0,2π],在(r,θ)平面上可得到64×256的归一化虹膜图像。图1(c)所示为虹膜归一化图像。

x(r,θ)=(1-r)xi(θ)+rx0(θ)

y(r,θ)=(1-r)yi(θ)+ry0(θ),(3)

归一化后的虹膜图像包含噪声信息(由于眼睑遮挡引起的)。为了避免噪声干扰,在生成归一化虹膜的同时,生成了一个噪声屏蔽模板与之对应。模板将虹膜信息标记为0;噪声信息标记为1。图1(d)所示为噪声屏蔽模板。白色部分为眼睑遮挡引起的噪声,匹配时通过引入噪声屏蔽码去除噪声干扰。

2 虹膜特征提取、编码

特征提取是虹膜识别算法中至关重要的一步。文中首先对虹膜图像进行分块处理,然后采用n个频率、m个方向的Log-Gabor滤波器对每个子块提取相位信息,得到虹膜特征码。

2.1 Log-Gabor滤波器

二维Gabor滤波虽然在空间域和频率域都具有很好的局部性质,但是当带宽大于1倍频时,其偶对称滤波器产生非零直流分量;Log-Gabor函数在带宽方面没有限制,且具有最小空间的支撑。Log-Gabor函数是对数频率尺度上的高斯函数。在线性频率尺度上,Log-Gabor函数表示为:

G(f)=exp-[log(f/f0)]22[log(β/f0)]2(4)

式中:f0为滤波器中心频率;β用于确定径向带宽。为了保证滤波的形状恒定,对于不同的f0,应选择β使β/f0值保持不变。

Log-Gabor函数有几个重要特征:首先Log-Gabor函数中总是没有直流分量,带宽可不受限制;其次Log-Gabor函数中的传递函数在高频端有一个延长的“尾巴”。存在长尾巴的Log-Gabor函数应该比普通的Gabor函数对自然图像编码更有效,且对高频分量表示不足;最后Log-Gabor滤波器覆盖了更广的频率范围。

2.2 特征提取

根据频域分析,二维Log-Gabor滤波器是一个特定方向的带通滤波器。一个滤波器覆盖一定的频率和方向,称为一个通道。采用不同频率尺度和方向的多通道Log-Gabor滤波器来提取虹膜特征,其具体步骤如下:

(1) 通过Log-Gabor滤波器对图像进行滤波,选取n个频率尺度,每个尺度选取m个方向,利用式(5)提取虹膜特征:

Fnm(x,y)=LnmI(x,y)(5)

式中:Lnm为Log-Gabor滤波器;I(x,y)为预处理后的虹膜图像。

(2) 图像纹理信息特征主要由相位信息决定,幅值信息则表示了纹理变化的强弱。基于匹配时间、匹配精度和存储空间的综合考虑,文中采用分块进行特征编码,提取局部相位信息。将整个虹膜图像I(x,y)分成若干个M×N的子块,并与滤波器模板大小相同。采用下式对每个子块进行计算:

Fnm(i,j)=∑Mx=1∑Ny=1I(i+x-M+12,

j+y-N+12)Lnm(x,y)(6)

式中:(i,j)为每个子块的中心坐标。

(3) 利用不同频率尺度和方向的滤波器对虹膜进行处理后,记录每个子块滤波结果模的最大值所对应的小波编号(h)。根据式(6)得到的局部相位信息值为复数。如果实部大于等于0,则相应的特征码为1,否则为0;如果虚部大于等于0,则相应的特征码为1,否则为0。这样,由Log-Gabor小波作为局部纹理的粗量化器,形成(hRe,hIm)码字。每个子块图像的码字为h+hRe+hIm,将虹膜图像的子块图像的码字依此排列,最后得到虹膜特征码。

(4) 为消除噪声的影响,在生成特征码的同时,根据噪声屏蔽模板生成了噪声屏蔽码。噪声屏蔽码与特征码长度相等,且一一对应。噪声屏蔽码由0和1组成,0表示对应位置的特征码处于噪声区域;1表示对应位置的特征码为虹膜信息。在匹配时通过“与”运算过滤掉噪声生成的特征码。

3 虹膜匹配

虹膜匹配就是检测被测试者的虹膜特征码是否与数据库中某一虹膜模板的特征向量相匹配。采用改进的海明距离对虹膜特征码进行匹配。计算公式如下:

HD=1/[N-∑Nk = 1Amk (OR)Bmk ]

∑Nj = 1Aj (XOR)Bj(AND)Amj′(AND)Bmj′(7)

式中:Aj和Bj分别表示待识别中虹膜图像和虹膜模板图像的第j个特征编码;Amj和Bmj分别表示待识别中虹膜图像和虹膜模板图像的第j个噪声屏蔽码;Amj′和Bmj′分别为Amj和Bmj取反的结果;N为模板中0/1的个数,即提取的特征点个数的2倍。理想情况下,如果两个虹膜来自同一只眼睛,则HD=0;如果来自不同的眼睛,则HD=1。

4 实验结果与分析

使用中科院自动化所模式识别实验室公开的虹膜图像数据库CASIA(版本 3.0)[11]采集的图像分为不同时间段、不同灯光下和双胞胎三类,总共包括700多人1 500只不同眼睛的22 051幅虹膜图像。其大小为320×280的8位灰度图像。

在实验中,使用该算法对CASIA虹膜库中不同时间段采集的249人中396只不同眼睛的2 655幅虹膜图像进行262 216次比较实验,总共进行2 842次类内比较和259 374次类间比较。表1和表2分别显示了该算法所得的部分类内匹配和类间匹配的HD值。由表中可知,内类匹配和类间匹配的差别非常大,这也证明了提出的虹膜识别算法的有效性。

表1 类内匹配的HD值

序号ABCDEFG

10.327 10.409 80.380 40.368 90.295 70.347 80.269 9

20.329 70.412 70.375 90.360 40.308 10.359 30.273 9

30.310 80.404 90.391 50.367 70.305 90.333 00.274 9

40.303 40.401 30.382 30.370 80.319 90.369 70.269 6

表2 类间匹配的HD值

序号12345678910

10

20.437 00

30.433 60.429 80

40.428 90.415 60.418 80

50.417 70.424 50.425 70.389 70

60.416 90.420 40.410 10.394 80.407 80

70.404 40.429 90.413 50.385 90.409 90.385 70

80.430 90.421 40.429 40.424 00.424 70.426 70.426 30

90.428 80.433 10.432 20.419 40.417 30.425 20.410 90.424 80

100.426 60.414 20.418 10.412 50.412 60.407 40.390 20.429 20.425 80

为了验证该算法的识别性能,通过计算误识率(RFA)、误拒率(RFR)和识别率(RCR)三个指标来与其他算法进行比较,表3列出了不同算法的实验结果。实验中,取海明距的阈值HD=0.38时,算法的RFA=3.8%,RFR=4.81%,RCR=95.2%;当类内距离与类间距离相交HD=0.39时,算法的RFA=4.293%,RFR=2.642%,RCR=97.75%。

表3 各算法实验结果

MethodRFA/%RFR/%RCR/%Match time /ms

文献[1]算法2.210.081004.3

文献[8]算法10.487.1393.7411.0

本文算法4.2932.64297.757.8

本文提出的算法,在给定阈值的情况下,正确识别率比文献[1]的算法要低,比文献[8]的算法要高。这是由于文中未对上下眼睑和睫毛进行检测,只是在匹配时采用噪声屏蔽模板来尽量消除它们的影响,同时对图像质量不做任何要求,因此消除噪声是下一步需要研究的内容。

5 结 语

虹膜识别技术以其惟一性、高可靠性、高稳定性、非侵犯性等特点而具有广泛的应用前景。提出的基于Log-Gabor小波局部频率特征和局部方向特征的虹膜识别算法,其识别率达到97.8%,可以达到识别的目的。进一步的工作是研究如何去除虹膜图像中的眼睑、睫毛、光斑、瞳孔缩放等引起的干扰,使得在质量不好的虹膜图像中能保持很高的识别率。

致谢:感谢中科院自动化所提供的CASIA虹膜数据库(版本3.0),使得实验顺利完成。

参考文献

[1]Daugman J.High Confidential Visual Recognition by Test of Statistical Independence[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1993,15(11):1 148-1 161.

[2]姚鹏,叶学义,庄镇泉,等.基于局部频率特征和局部方向特征的虹膜识别算法[J].电子学报,2007,35(4):663-667.

[3]王凤华,韩九强.一种Log-Gabor滤波结合特征融合的虹膜识别方法[J].西安交通大学学报,2007,41(8):889-893.

[4]范科峰,王美华,莫玮.一种新颖的基于小波变换的虹膜识别算法[J].红外技术,2005,27(4):333-337.

[5]谷建清,郭永彩,高潮,等.二维Gabor小波在虹膜识别中的应用[J].仪器仪表学报,2005,26(8):395-403.

[6]Daugman J.Biometric Personal Identification System Based on Iris Analysis[P].US Patent 5291560,1994.

[7]Wildes R P.A System for Automated Iris Recognition.Applications of Computer Vision[J].Proceedings of the Second IEEE Workshop,1994:121-128.

[8]Boles W W,Boashash B.A Human Identification Technique Using Images fo the Iris and Wavelet Transform[J].IEEE Trans.on Signal Processing,1998,46(4):1 185-1 188.

[9]Masek L.Recognition of Human Iris Patterns for Biometric Identification[EB/OL].http://www.case.uwa.edu.au/~pk/studentprojects/libor,2003.

[10]王藴红,朱勇,谭铁牛.基于虹膜识别的身份鉴别[J].自动化学报,2002,28(1):1-10.

[11]中国科学院自动化研究所.虹膜图像数据库(CASIA-IrisV3)[EB/OL].http://www.cbsr.ia.ac.cn/IrisDatabase.htm,2007.