虹膜區(qū)域預(yù)處理及紋理特征提取方法的研究

呂康東　呂曉琪　趙瑛

摘 要： 隨著電子信息技術(shù)的發(fā)展，個人的一些隱私信息越來越容易受到侵犯，而基于虹膜紋理特征的虹膜識別技術(shù)在確保個人信息安全這一塊扮演著越來越重要的角色。在結(jié)構(gòu)上分為預(yù)處理和紋理特征提取兩部分。在預(yù)處理部分，提出一種基于共形幾何代數(shù)理論結(jié)合最小二乘擬合的虹膜區(qū)域邊界定位方法；在虹膜紋理特征提取部分，提出一種基于多特征的紋理提取方法。實驗結(jié)果證明，在虹膜區(qū)域定位這一塊，該方法定位結(jié)果準(zhǔn)確，能實現(xiàn)對虹膜區(qū)域內(nèi)外邊緣的同時定位；在紋理特征提取部分，基于多特征的紋理圖像查準(zhǔn)率有了很大的提高。

關(guān)鍵詞： 信息安全； 虹膜紋理； 共形幾何代數(shù)； 最小二乘擬合； 多特征紋理提取

中圖分類號： TN911?34 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）16?0112?05

Abstract： With the development of electronic information technology， the individual privacy information is increasingly vulnerable， and the iris recognition technology based on iris texture feature plays an important role in ensuring the individual information security. The technology is structurally composed of the preprocessing section and texture feature extraction section. An iris region boundary localization method based on conformal geometric algebra （CGA） theory and least square fitting is proposed in the first paragraph of this paper. A texture extraction method based on multi?feature is proposed in the second paragraph of this paper. The experimental results show that the method has accurate positioning result， and can locate the inner and outer edges of iris region simultaneously in the aspect of iris region localization； its texture image precision ratio based on multi?feature is improved greatly in the aspect of texture feature extraction.

Keywords： information safety； iris texture； conformal geometric algebra； least square fitting； multi?feature texture extraction

0 引 言

人的眼球結(jié)構(gòu)是由眼球壁和眼球內(nèi)容物兩大部分組成，虹膜是眼球內(nèi)容物的一部分，位于瞳孔圓以外，鞏膜以里，呈現(xiàn)出絲狀、亞麻布狀或是網(wǎng)狀等，在顏色上主要有藍色和褐色。虹膜的作用主要是調(diào)節(jié)瞳孔大小進而控制進入眼睛光線的數(shù)量。

虹膜識別技術(shù)是基于人眼部虹膜區(qū)域的紋理特征進行識別的，通常是用于安防方面或是需要高度保密的場所，因此，如何準(zhǔn)確快速地獲得較為完整有效的虹膜區(qū)域變的更加重要。現(xiàn)有的也是最常用的虹膜定位算法是Daugman定位算法、Wildes定位算法，其中Daugman是一種基于圓形模板的匹配算法，它的核心思想是用一個有效的微積分算子來計算圓的參數(shù)，這個算子是一種經(jīng)典的機器視覺算子。Wildes定位算法是一種基于Hough變換的定位算法，大體上分為兩個大步驟：首先進行邊緣的檢測，并且通過設(shè)定一個閾值生成邊緣圖像；其次借助Hough變換對邊緣圖像的參數(shù)空間進行投票來得到最終的虹膜內(nèi)外邊緣的參數(shù)及圓的參數(shù)。之后又出現(xiàn)了好多的虹膜定位算法，比如基于活動輪廓線的方法、運用Adaboost方法、運用神經(jīng)網(wǎng)絡(luò)的方法等。在虹膜紋理特征提取這一塊，常用的大致可以分為4種：分別是統(tǒng)計法，它是反應(yīng)兩個位置像素之間位置分布的特性，常見的就是灰度共生矩陣方法；結(jié)構(gòu)法，它的核心是分析紋理元之間的相關(guān)性以及它們之間的某種排列規(guī)則；頻譜法，即利用傅里葉的頻率特性二維圖像模式的方向性；小波變換，它是最近幾年發(fā)展起來的一種表示局部方向和能量信息的紋理提取方法。

本文在以上研究的基礎(chǔ)之上，分析各自方法的優(yōu)缺點，在虹膜定位和分割上，運用共形幾何代數(shù)理論結(jié)合最小二乘擬合方法；在紋理特征提取上，運用融合了灰度共生矩陣、局部二值模式和小波變換的紋理特征提取算法。實驗結(jié)果證明，本文提出的虹膜檢測和定位算法簡單、抗干擾能力強、定位準(zhǔn)確且快速；在紋理特征提取上，具有相對高的靈活性，即通過配置這幾種紋理特征提取算法的權(quán)重，可對不用的紋理圖像進行紋理的提取，且較單一的紋理特征提取方法在實用性、紋理的表述能力上以及旋轉(zhuǎn)和尺度不變性上都得到很好的改善。

本實驗采用的圖像是中科院虹膜數(shù)據(jù)庫中的圖像，共2 000多張，其樣張如圖1所示。

實驗所采用的設(shè)備配置為：處理器Intel[?] Core（TM） i7?3770 CPU@3.40 GHz 3.4 GHz，運行環(huán)境是VS2008，結(jié)合OpenCV 2.3.1工具包。endprint

1 預(yù)處理方法研究

1.1 虹膜區(qū)域檢測和定位

本文首先對原始圖像做邊緣檢測處理，方法選擇的是Canny邊緣檢測算子，目標(biāo)是用得到的邊緣點進行形狀的檢測；然后應(yīng)用共形幾何代數(shù)理論結(jié)合最小二乘擬合的方法對虹膜區(qū)域進行定位和分割。

共形幾何代數(shù)理論（CGA）最早是由李洪波博士提出來的，它是在幾何代數(shù)的基礎(chǔ)上發(fā)展而來并且建立了經(jīng)典幾何統(tǒng)一的代數(shù)框架，實現(xiàn)了幾何語言直接進行幾何計算，從而實現(xiàn)幾何對象穩(wěn)定、快速、高效的算法，最重要的是可以實現(xiàn)對虹膜區(qū)域內(nèi)外邊緣的同時定位，克服了傳統(tǒng)方法只能先對虹膜內(nèi)邊緣定位，再對虹膜外邊界定位的缺點。本文先將各個幾何量映射到共形幾何代數(shù)空間中去，這樣各個幾何量的表示更加的統(tǒng)一，因此它們之間的計算也隨之變的更加地簡便且利于理解。各個幾何量在共形幾何代數(shù)空間中的表示如表1所示。其中e0和e∞是在歐氏三維空間中三個兩兩相交的單位向量基礎(chǔ)上引入的兩個Null基，并且滿足e0·e∞=-1，[e20=e2∞]=0，這樣就組成了共形幾何代數(shù)空間{e1，e2，e3，e0，e∞}，在共形幾何代數(shù)空間當(dāng)中，判斷一個點和圓的位置關(guān)系時，就可以根據(jù)點和圓之間的內(nèi)積進行判斷，即點P和圓C之間的內(nèi)積根據(jù)表1可以表示為：

將式（1）化簡，若得到的結(jié)果為正，則可以判定點在圓內(nèi)；若得到的結(jié)果小于零，則可以判斷點在圓外；若得到的結(jié)果等于零，則可以判斷點在圓上。

這樣就能把歐氏空間的運算映射到共形幾何代數(shù)空間中去，接下來的任務(wù)就是找到一個圓。而確定一個圓最簡單的方法就是不在一條直線上的三個點確定一個圓，假設(shè)得到的圓的圓心（xc，yc）為（2，3），半徑為r=4，現(xiàn)將共形幾何代數(shù)空間中的P和C用標(biāo)準(zhǔn)標(biāo)量積進行表示，即P=（p，-1，[-x22]），C=（c，[c2-r22，]1），則可以用（c1，c2，c3）來表示C，其中c3=[c2-r22，]用C分別對c1，c2和c3求偏導(dǎo)[1]，并令求得的偏導(dǎo)結(jié)果為0，則有：

實驗結(jié)果如圖2所示，運行環(huán)境是Visual Studio 2008結(jié)合OpenCV 2.3.1工具包。

1.2 虹膜區(qū)域歸一化

為了排除拍攝角度或是外界光照強度的不同帶來的虹膜的平移變化、旋轉(zhuǎn)變化、伸縮變化和明暗變化所造成的虹膜圖片之間的差異，提高虹膜匹配的準(zhǔn)確度，需要對虹膜區(qū)域進行歸一化處理。本文使用的是目前使用最為廣泛的DAUGMAN的彈性模型展開算法，即通過式（5）方法將虹膜區(qū)域中的各個點映射到極坐標(biāo)系下，虹膜區(qū)域會被展開成固定大小的矩形區(qū)域：

1.3 有效區(qū)域選取

眼睫毛和眼瞼的干擾對于虹膜紋理的影響是不可預(yù)知的，但是如果應(yīng)用某種方法檢測并排除它們的干擾，也會受到由于虹膜形態(tài)和采集角度等問題帶來的虹膜有效區(qū)域的位置和面積大小的不同的影響，為下一步的特征的提取帶來很大的困難。在觀察了大量的圖像之后發(fā)現(xiàn)，虹膜的紋理大部分集中在虹膜內(nèi)邊緣附近，虹膜區(qū)域的上半部分受到眼瞼和睫毛的影響較為嚴(yán)重，且下半部分靠近虹膜區(qū)域外邊緣的部分易受到眼瞼的干擾，因此，在選擇虹膜的有效區(qū)域時，選擇靠近虹膜區(qū)域內(nèi)邊緣[12]面積處，如圖4所示。

2 虹膜的紋理特征提取

2.1 相關(guān)算法的介紹

2.1.1 GLCM算法

灰度共生矩陣算法是通過描述灰度信息的空間相關(guān)特性來反映紋理特征的常用方法，具體來說就是對圖像上保持某距離的兩像素所具有的灰度值的情況進行的統(tǒng)計，其優(yōu)點是考慮到了圖像的整體信息情況，對大且稀疏的紋理描述能力顯著。對于圖像上任意一點 （x1，y1）及偏離它的另一點（x1+a，y1+b），設(shè)該點對的灰度值為（g1，g2）。如果讓點（x1，y1）在整個畫面上移動，則會得到各種 （g1，g2）值，設(shè)灰度值的級數(shù)為k，則（g1，g2）的組合共有k2種。對于整個畫面，統(tǒng)計出每一種（g1，g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（g1，g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P（g1，g2），這樣就得到了灰度共生矩陣。在這里，當(dāng)數(shù)值對（a，b）取值不同時，可以得到不同的聯(lián)合概率矩陣，例如（a，b）取（1，0），（1，1），（0，1）時，分別代表著在水平上（0°掃描），右對角線上（45°掃描），垂直方向上（90°掃描）。

對于灰度共生矩陣來說，可以用一些標(biāo)量來進行描述，比如ASM能量、對比度、逆差矩、熵和自相關(guān)等。

2.1.2 LBP算法

局部二值模式是用來做圖像局部特征比較的主要方式，是統(tǒng)計紋理的各個LBP模式直方圖，適合描述那些小而密的紋理，其最早的形式是定義在3×3領(lǐng)域上的，它使用的是中心像素來計算8的領(lǐng)域像素，然后與權(quán)值作積得到結(jié)果，其過程如圖5所示。

則局部對比測量C=[5+7+9+8+65-][2+1+23]=5.3，其權(quán)重從5開始順時針方向分別為：1，2，4，8，16，32，64，128。

2.1.3 DWT算法

小波變化是基于一些小型波的變換，這一點與傅里葉變換有所不同，并且它具有變化的頻率和有限的持續(xù)時間，最重要的是該方法對圖像的尺寸變化情況不敏感。而為了將小波變換應(yīng)用于圖像的處理，需要有二維的小波函數(shù)和尺度函數(shù)，在這里可以采用分離變量的方式，即由一維小波函數(shù)和尺度函數(shù)構(gòu)造而來，而伸縮和平移的基函數(shù)可以由二維的小波函數(shù)和尺度函數(shù)得到，如下：

2.2 基于多特征的虹膜紋理特征提取

本文考慮到以上三個特征提取算法各自的優(yōu)缺點，針對虹膜區(qū)域紋理特征提取，提出一種新的虹膜紋理特征提取算法，該算法融合了以上三種紋理特征提取算法，而此算法提取的特征參數(shù)為三種特征提取算法所提取的特征參數(shù)的合參數(shù)，即若設(shè)GLCM算法，LBP算法和DWT算法提取的特征是fGLCM=[x1，x2，…，xm]，fLBP=[y1，y2，…，yn]，fDWT=[z1，z2，…，zo]，則融合之后的特征向量是：endprint

式中，x和y分別代表著兩幅圖像的特征向量。街區(qū)距離由于其計算簡單，并且可以降低個別較大的特征分量對圖像檢索的影響，較歐氏距離、LP范數(shù)距離和馬氏距離有較大的優(yōu)勢。

但是針對不同的圖像的不同特點，融合之前各個分量的貢獻是不同的，此時就需要對各個分量賦予一個合適的權(quán)重，這樣才能使最后的檢索效果達到最優(yōu)。在權(quán)重的分配上，本文使用的方法是先分別計算出每一種特征提取算法的精度，然后以此為依據(jù)，計算各個分量的權(quán)重，即若單獨使用時，GLCM算法檢索的精確度為P1，LBP算法檢索的精確度為P2，DWT算法檢索的精確度為P3，則3種算法的權(quán)重初值可以確定為：

[w1=P1P1+P2+P3w2=P2P1+P2+P3w3=P3P1+P2+P3]

3 實驗結(jié)果和分析

由于每個人的體質(zhì)原因或先天性原因或外界環(huán)境原因等差異的存在，造成人和人之間的虹膜在紋理上的差異非常大。通過觀察虹膜數(shù)據(jù)庫中的圖像發(fā)現(xiàn)在所有的虹膜圖像中，基本上可以將虹膜區(qū)域的紋理特征分為斑塊、坑洞和一些細條顆粒狀的紋理，如圖6所示。但是幾乎所有的虹膜區(qū)域都會有細條顆粒狀的紋理。因此，在圖像的檢索上，本文選擇的主要是斑塊和坑洞兩個紋理特征。

下面對虹膜圖像數(shù)據(jù)庫進行檢索，現(xiàn)將虹膜圖像數(shù)據(jù)庫分為兩類，每一類隨機抽取10幅圖像，分別對這些圖像進行檢索來比較各種算法的準(zhǔn)確性。最后，本文將虹膜數(shù)據(jù)庫分成2類，即斑塊類和坑洞類的圖像，每一類隨機選出20幅圖像，然后分別使用GLCM算法、LBP算法和DWT算法檢索圖像，而在準(zhǔn)確率上，需要設(shè)置一個查準(zhǔn)率，本文設(shè)置的機制是設(shè)查準(zhǔn)率P，其定義如下：

[P=檢索到的相關(guān)圖像數(shù)量檢索到的圖像數(shù)量] （10）

其實驗結(jié)果如表2所示。

由表2中的數(shù)據(jù)可以知道，本文提出的算法較GLCM算法、LBP算法和DWT算法在算法查準(zhǔn)率上有了明顯的提高。

4 結(jié) 語

在虹膜區(qū)域定位上，本文使用的是共形幾何代數(shù)理論結(jié)合最小二乘擬合的虹膜定位算法，其優(yōu)點是，在共形幾何空間中，各個幾何量的表示和計算更加方便和快捷，且最重要的是現(xiàn)實對虹膜內(nèi)外邊緣的同時定位，這對于提高整個虹膜識別系統(tǒng)的效率有著至關(guān)重要的作用。在虹膜紋理特征提取上，本文使用的是融合了GLCM算法、LBP算法和DWT算法的紋理特征提取算法，該算法綜合考慮了圖像的整體信息，局部信息以及圖像的尺寸變換等信息，能夠較好地實現(xiàn)對虹膜紋理特征的提取，由實驗結(jié)果可知，該方法查準(zhǔn)率較高，有較高的實用價值。

參考文獻

[1] 白志鵬，劉超，李茂寬.基于共形幾何代數(shù)的圓擬合方法實現(xiàn)[J].現(xiàn)代電子技術(shù)，2009，32（16）：140?142.

[2] 何瑩.虹膜圖像內(nèi)容表達與分析方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[3] DAUGMAN J. New methods in iris recognition [J]. IEEE transactions on systems， man， and cybernetics society， 2007， 37（5）： 1167?1175.

[4] 陳英.虹膜定位和識別算法的研究[D].長春：吉林大學(xué)，2014.

[5] 石桂名，魏慶濤，孟繁盛.基于Canny算子的圖像邊緣檢測算法[J].現(xiàn)代電子技術(shù)，2015，38（12）：92?93.

[6] 梅浪奇，郭建明，劉清.基于多特征的紋理特征提取方法研究與應(yīng)用[J].交通信息與安全，2015（2）：31?38.

[7] 李亞標(biāo)，王寶光，李溫溫.基于小波變換的圖像紋理特征提取方法及其應(yīng)用[J].傳感技術(shù)學(xué)報，2009，22（9）：1308?1311.

[8] 徐少平，劉小平，李春泉，等.基于LBP值對空間統(tǒng)計特征的紋理描述符[J].模式識別與人工智能，2013（8）：769?776.

[9] 宋克臣，顏云輝，陳文輝，等.局部二值模式方法研究與展望[J].自動化學(xué)報，2013，39（6）：730?744.

[10] 楊秀娟.基于紋理特征的圖像檢索研究[D].西安：西安科技大學(xué)，2009.

[11] 王志堅.虹膜識別技術(shù)與實現(xiàn)[D].呼和浩特：內(nèi)蒙古大學(xué)，2014.

[12] 韋濤.虹膜識別算法研究[D].桂林：廣西師范大學(xué)，2014.

[13] RASHID R A， MAHALIN N H， SARIJARI M A. Security system using biometric technology： design and implementation of voice recognition system （VRS） [J]. Computer and communication engineering， 2008（5）： 898?902.

[14] 曹留洋.虹膜特征提取及匹配算法研究與實現(xiàn)[D].長春：吉林大學(xué)，2015.

[15] MEHROTRA H， SA P K， MAJHI B. Fast segmentation and adaptive SURF descriptor for iris recognition [J]. Mathematical and computer modelling， 2013， 58（1/2）： 132?146.endprint