一種虹膜特征提取與匹配方法

郭慧杰 王超楠 楊倩倩 韓一梁 楊 昆

（北京無線電計(jì)量測(cè)試研究所，北京100039）

1 引 言

研究表明，虹膜識(shí)別是最精確的、最穩(wěn)定的、最難偽造的和處理速度最快的生物特征識(shí)別技術(shù)［1］。但是由于虹膜尺寸很小，并且易受到光斑、眼皮、睫毛等噪聲干擾［2］，而且在遠(yuǎn)距離識(shí)別場(chǎng)景中，由于用戶形態(tài)各異，虹膜圖像易產(chǎn)生變形，因此如何獲取到一定數(shù)量的、穩(wěn)定有效的虹膜特征并進(jìn)行準(zhǔn)確分類，是虹膜識(shí)別的關(guān)鍵和難點(diǎn)［3］。 目前典型的虹膜特征提取和匹配方法存在以下缺點(diǎn)。

1）沒有對(duì)提取的虹膜特征進(jìn)行有效地評(píng)估和篩選，虹膜特征中存在不穩(wěn)定的干擾特征，增加了虹膜分類的難度，降低了虹膜識(shí)別的準(zhǔn)確率［4］；

2）沒有充分利用虹膜注冊(cè)模板和識(shí)別樣本之間的相關(guān)性，穩(wěn)定的虹膜特征沒有得到增強(qiáng)，不穩(wěn)定的虹膜特征沒有得到抑制，難以提升虹膜識(shí)別的準(zhǔn)確率［5］；

3）選取固定的閾值進(jìn)行特征匹配，進(jìn)一步加劇了不穩(wěn)定特征造成的影響，使正確分類的置信度降低，不利于虹膜識(shí)別準(zhǔn)確性和魯棒性的提升［6，7］。

因而，需要提供一種穩(wěn)定的虹膜特征提取與匹配方法，解決不穩(wěn)定特征和固定閾值嚴(yán)重影響虹膜識(shí)別準(zhǔn)確率的問題。 本文通過分別在虹膜注冊(cè)端生成增強(qiáng)型的特征模板和在虹膜識(shí)別端獲取穩(wěn)定的特征樣本，并根據(jù)自適應(yīng)的風(fēng)險(xiǎn)預(yù)測(cè)動(dòng)態(tài)確定分類判別閾值，提出一種穩(wěn)定的虹膜特征提取與匹配方法，從而有效增強(qiáng)虹膜識(shí)別的準(zhǔn)確性和魯棒性。

2 算法描述

一種穩(wěn)定的虹膜特征提取與匹配方法，通過在虹膜注冊(cè)時(shí)以序列圖像特征點(diǎn)篩選和強(qiáng)特征分類器構(gòu)建獲得增強(qiáng)型虹膜特征模板，在虹膜識(shí)別時(shí)以多樣本特征映射與融合生成穩(wěn)定的樣本特征圖，以及利用基于自主設(shè)計(jì)的主特征保持與交變相位檢測(cè)算子和自適應(yīng)風(fēng)險(xiǎn)預(yù)測(cè)相似度判別閾值決策的特征提取與匹配的方法，有效提升虹膜識(shí)別的準(zhǔn)確性和魯棒性。 該方法的具體步驟如下。

2.1 定義特征檢測(cè)算子

設(shè)計(jì)主特征保持與交變相位檢測(cè)算子，對(duì)歸一化的虹膜圖像進(jìn)行邊緣檢測(cè)和特征提取。 通過自定義虹膜主特征保持算子Fm，檢測(cè)虹膜主要的邊緣特性，并抑制其平滑特性。

設(shè)歸一化虹膜圖像為I（x，y），x∈［1，2，…，w］，y∈［1，2，…，h］，w、h 分別表示圖像的寬和高，虹膜邊緣特性圖像Im（x，y）為

式中：x∈［1，2，…，w］，y∈［1，2，…，h］。

通過自定義虹膜交變相位檢測(cè)算子Fp，檢測(cè)虹膜角度方向邊緣的相位變化，提取穩(wěn)定的虹膜特征，

虹膜特征圖像為IF（x，y）

式中：x∈［1，2，…，w］，y∈［1，2，…，h］。

設(shè)虹膜特征卷積核為CF

則有，

2.2 構(gòu)建增強(qiáng)型特征模板

在虹膜注冊(cè)端，利用序列虹膜圖像構(gòu)建強(qiáng)特征分類器，生成增強(qiáng)型虹膜特征模板。

虹膜注冊(cè)時(shí)，采集n 幅符合質(zhì)量要求的歸一化虹膜圖像Ii，i ＝0，1，…，n－1，按照小波高頻系數(shù)譜加權(quán)能量和由高到低排序Ii

式中：WT——小波變換；Wa，Wh，Wv，Wd——小波低頻、水平高頻、垂直高頻和對(duì)角線高頻系數(shù)譜；Ei——加權(quán)能量和；α，β，γ——加權(quán)系數(shù)。

對(duì)Ii進(jìn)行特征提取，得到序列特征圖像IFi（i ＝0，1，…，n－1）為

Mi為與其對(duì)應(yīng)的特征掩模圖像，值為1 的點(diǎn)表示相應(yīng)位置為穩(wěn)定特征，值為0 的點(diǎn)表示相應(yīng)位置為不穩(wěn)定特征，已被噪聲或其他干擾污染。

以IF0為基準(zhǔn)特征圖像，歸一化特征圖相似度為判據(jù)，計(jì)算其他特征圖像與基準(zhǔn)特征圖像的歸一化相似度sim 為

式中：sim∈［0．0，1．0］；‖·‖2——矩陣的2 －范數(shù)；shift——特征圖比對(duì)移位位數(shù)，正號(hào)表示右移，負(fù)號(hào)表示左移。 移位比對(duì)能抗虹膜旋轉(zhuǎn)干擾，獲得兩幅比對(duì)特征圖的最大相似度。

從j ＝1 至j ＝n－1，逐幅迭代特征圖，構(gòu)建強(qiáng)特征分類器

式中：j ＝1，2，…，n －1。 當(dāng)基準(zhǔn)特征圖像與比對(duì)特征圖像的相似度不等于1．0 時(shí)，修正不匹配特征點(diǎn)的掩模標(biāo)記，更新M0，將其對(duì)應(yīng)點(diǎn)元素置0，直到最后一幅比對(duì)特征圖像迭代完成，所有特征圖像的相似度均等于1．0，得到特征掩模圖MF為

生成的增強(qiáng)型虹膜特征模板為IT＝｛IF0； MF｝。

2.3 獲取穩(wěn)定的特征樣本

在虹膜識(shí)別端，根據(jù)多樣本的特征映射與融合，生成穩(wěn)定的虹膜樣本特征圖。

虹膜識(shí)別時(shí)，捕獲m 幅符合質(zhì)量要求的歸一化虹膜樣本圖像Pi，i ＝0，1，…，m －1，按照質(zhì)量得分由高到低排列Pi，然后對(duì)Pi進(jìn)行特征提取，得到多樣本特征圖像PFi（i ＝0，1，…，m－1）為

式中：Li為與其對(duì)應(yīng)的特征掩模圖像，值為1 的點(diǎn)表示相應(yīng)位置為穩(wěn)定特征，值為0 的點(diǎn)表示相應(yīng)位置為不穩(wěn)定特征，已被噪聲或其他干擾污染。

以PF0為基準(zhǔn)樣本特征圖，根據(jù)圖像相似度res將其他樣本特征圖與基準(zhǔn)樣本特征圖進(jìn)行特征點(diǎn)對(duì)齊

式中：j ＝1，2，…，m －1；‖·‖2——矩陣的2 －范數(shù)；shift——樣本特征圖比對(duì)移位位數(shù)，正號(hào)表示右移，負(fù)號(hào)表示左移。 Lj根據(jù)PFj的移位情況進(jìn)行相應(yīng)的移位更新。

將多樣本特征圖PFi投影到加權(quán)特征空間WF為

式中：wi——特征加權(quán)系數(shù)；m——樣本數(shù)。

根據(jù)加權(quán)特征投票選取穩(wěn)定的特征點(diǎn)為

式中：σF——穩(wěn)定特征判別閾值；LF——穩(wěn)定特征掩模圖像。 生成的穩(wěn)定的虹膜樣本特征圖為PS＝｛PF0； LF｝。

2.4 自適應(yīng)確定分類閾值

通過自適應(yīng)風(fēng)險(xiǎn)預(yù)測(cè)確定虹膜特征相似度判別閾值。

定義任意兩個(gè)虹膜特征模式IA＝｛PA； MA｝和IB＝｛PB； MB｝之間的相似度ms 為

式中：ms∈［0．0，1．0］；P——虹膜特征模式；M——特征模式掩模；w，h——特征模式的寬和高。

在虹膜特征模板庫中，分別計(jì)算類內(nèi)虹膜特征相似度和類間虹膜特征相似度在不同分類閾值下的概率分布，根據(jù)風(fēng)險(xiǎn)預(yù)測(cè)確定初始的相似度判別閾值為

式中：Tc——初始分類閾值；D（Zi｜same）——同類虹膜的特征相似度在分類閾值Zi下的概率密度；D（Zi｜difference）——非同類虹膜的特征相似度在分類閾值Zi下的概率密度；μ——風(fēng)險(xiǎn)參數(shù)，μ ＞1 說明錯(cuò)誤接受率在決策時(shí)更重要，μ ＜1 說明錯(cuò)誤拒絕率在決策時(shí)更重要，μ ＝1 說明決策時(shí)優(yōu)先考慮等錯(cuò)率［8］。

隨著注冊(cè)虹膜模式類的增加，自適應(yīng)地實(shí)時(shí)更新分類閾值。 計(jì)算新增模式Inew與特征模板庫中所有模式的最大相似度T′c為

式中：IOi——特征模板庫中原有的虹膜模式類。

通過與原先的分類閾值比較，更新分類閾值T 為

2.5 模式分類

根據(jù)更新后的分類閾值進(jìn)行虹膜特征匹配分類。

計(jì)算虹膜特征模板IT＝｛IF0； MF｝與樣本特征PS＝｛PF0； LF｝之間的相似度

利用更新后的分類閾值進(jìn)行判別，完成虹膜特征匹配分類

3 實(shí)驗(yàn)結(jié)果與分析

利用MATLAB R2016a 對(duì)本文提出的方法進(jìn)行性能仿真，采用CASIA－V1 虹膜數(shù)據(jù)庫中的圖像來測(cè)試該算法的分類性能。 仿真時(shí)，參數(shù)設(shè)置為：采用二維離散（5，3）小波基進(jìn)行一階小波分解，能量加權(quán)系數(shù)取α ＝0．4，β ＝0．4，γ ＝0．2，移位參數(shù)取shift ＝－8，－7，…，7，8，樣本序列圖像幀數(shù)取m ＝8，穩(wěn)定特征判別閾值取σF＝0．73，風(fēng)險(xiǎn)參數(shù)取μ ＝103。 將本文算法的分類性能分別與Reillo［9］、Li Ma［10］和John Daugman［11］的算法進(jìn)行比較，關(guān)鍵性能指標(biāo)的對(duì)比結(jié)果見表1。

表1 四種不同算法的性能比較Tab.1 Performance comparison of four different algorithms

由表1 可以看出，本文提出的算法具有很好的穩(wěn)定特征提取與匹配能力，分類性能接近John Daugman 的算法，并且兼顧了精度與速度，可以有效提升虹膜識(shí)別的準(zhǔn)確性和實(shí)用性。

4 結(jié)束語

本文提出的算法從虹膜注冊(cè)特征增強(qiáng)、虹膜識(shí)別特征篩選、自適應(yīng)特征相似度匹配判別三個(gè)方面加強(qiáng)虹膜穩(wěn)定特征的提取和匹配，生成增強(qiáng)型虹膜特征模板和穩(wěn)定的樣本特征，并自適應(yīng)更新虹膜特征分類閾值，克服了不穩(wěn)定特征的干擾和影響，從而有利于提高虹膜識(shí)別系統(tǒng)的準(zhǔn)確性和魯棒性。