專利名稱：一種通過提取虹膜紋理特征進行身份識別的方法
一種通過提取虹膜紋理特征進行身份識別的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種通過提取虹膜紋理特征進行身份識別的方法，特別涉及 如何利用二維小波包提取虹膜紋理特征進行身份識別的方法。背景技術(shù)：
隨著信息技術(shù)的發(fā)展和電子業(yè)務的廣泛應用，信息安全日漸成為人們面臨 的一個重要而迫切的問題。因此可用于身份鑒別、保護信息安全的生物特征 識別技術(shù)因此越來越受到人們的重視。所謂生物特征識別技術(shù)是指通過計算 機與光學、聲學、生物傳感器和生物統(tǒng)計學原理等高科技手段密切結(jié)合，利 用人體固有的生理特性和行為特征采進行個人身份的鑒定。而虹膜特征識別 技術(shù)就是利用人眼虹膜紋理的不同來進行身份識別的。
人眼的虹膜中含有極豐富的信息。它的表面有一些類似于細絲、斑點、 漩渦、冠狀等形狀的紋理。虹膜這些紋理具有唯一性，即便是同一個人，它 左眼和右眼的虹膜紋理特征都不一樣。因此，用這些紋理特征進行身份識別 是非常精確的。而且虹膜的紋理特征主要是由人還在胚胎時的環(huán)境所決定的， 并且由于虹膜的外部有透明的角膜將其與外界相隔離，所以發(fā)育完全的虹膜 不易受到外界的傷害而產(chǎn)生變化。因此虹膜識別具有絕對的可靠性。另外， 由于瞳孔會根據(jù)光線的強弱發(fā)生變化，進而牽動虹膜形狀也跟著發(fā)生變化， 利用這一點可以鑒別用于識別的虹膜樣本是否為活眼的虹膜，因此虹膜識別 也具有較髙的防偽性。正是由于虹膜紋理具有這些優(yōu)點，使得基于虹膜特征 的身份識別技術(shù)在金融、電子商務，安全保衛(wèi)等各個方面都具有極大的應用
、'-曰刖景。
隨著數(shù)字信號處理技術(shù)和圖像處理技術(shù)的發(fā)展，基于虹膜特征的身份識 別技術(shù)已經(jīng)獲得了蓬勃的發(fā)展，虹膜身份識別系統(tǒng)已經(jīng)日趨成熟。詳見文獻 John G. Daugman， "How Iris Recognition Works, ，， iS6F C/tcwjYs a/7f/5yw柳s/br Wcfeo rec/ / o7o^7i Volume 14, Issue 1， pp. 21 - 30， 2004和文獻John G. Daugman, "High Confidence Recognition of Persons by Iris Patterns, ，， f力e戶roceec/i/^ 。/效力/"ter朋ti朋ai Car"a/7朋Co"/are/7ce o" 5ecwr"y rec/ / oJo^ pp. 254-263， 2001所述。
目前，國內(nèi)外已提出的虹膜識別算法中，已在實際應用中取得了較好的 識別效果的算法有
1. Daugman的基于相位分析的虹膜識別算法。它采用Gabor小波濾波的方法 編碼虹膜的相位特征。2D Gabor函數(shù)可以較好地達到頻率域和空間域的局部 化，就是說在空間局部化的同時具有很好的頻率和方向選擇性。通過計算2D Gabor相位系數(shù)，可以有效地從紋理中提取連續(xù)和不連續(xù)的紋理信息。詳見文 獻s J. G. Daugman. High Confidence Visual Recognition of Persons by a Test of Statistical Independence, IEEE transactions on Pattern Analysis and Machine Intelligence, 1993， 15(11): 1148-1161。
2. Boles的過零點檢測的虹膜識別算法。它采用一維小波變換對沿虹膜 中心同心圓的一條采樣曲線進行過零點檢測，通過兩個自定義的相似度函數(shù) 完成虹膜特征的分類。其理論基礎(chǔ)為Mallat的信號過零點描述重建理論。詳 見文獻s W. Boles， B. Boashah. A Human Identification Technique Using Images of the Iris and Wavelet Transform. IEEE transactions on Signal Processing, 1998， 46(4): 1185-1188。
3. 譚鐵牛，王蘊紅等人的基于紋理分析的虹膜識別算法。該算法將虹膜的特征看作一種隨機紋理，從紋理分析的角度提取虹膜的局部特征。算法采
用Gabor濾波和以Daubechies-4小波為小波基的二維小波變換提取虹膜紋理 特征，并用方差倒數(shù)加權(quán)歐氏距離方法進行特征匹配，取得了較好的識別效 果，詳見文獻..王蘊紅，朱勇，譚鐵牛.《基于虹膜識別的身份鑒別》.自動 化學報，鐘，28(1): 1-10。
上述三種虹膜識別算法雖然都取得了較好的識別效果，但仍有不完善的 地方。第一種算法雖然取得了較高的識別精確度，但由于其提取的虹膜特征 向量的維數(shù)較高，達到了 2048維。因此對采集到的虹膜圖像的清晰度有較高 的要求。第二種算法雖然克服了以往系統(tǒng)受漂移、旋轉(zhuǎn)和比例放縮帶來的局 限，也對亮度變化及噪聲不敏感，并對采集圖像的質(zhì)量要求不是很高。但由 于該算法只利用了一部分虹膜紋理特征信息，所以并沒有獲得較高的正確識 別率。第三種算法采用了不同的紋理分析策賂提取紋理特征，獲得了較快的 運行速度，但它對虹膜紋理描述比較粗糙，并沒有第一種算法的正確識別率 高。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)不足之處提供一種運算速度高，提高了 系統(tǒng)的實時性能，對虹膜紋理描述詳細有利于識別，并有很高的識別精確度 的提取虹膜紋理特征進行身份識別的方法。
本發(fā)明的目的是這樣實現(xiàn)的
1. 一種通過提取虹膜紋理特征進行身份識別的方法，其特征在于包括以 下步驟
步驟l:利用虹膜圖像采集裝置獲取虹膜圖像；
步驟2:虹膜圖像歸一化；對定位出的虹膜區(qū)域進行歸一化處理，歸一化處理將近似圓環(huán)的虹膜紋理拉伸為一個圖像矩陣M;
步驟3:圖象增強；將圖像矩陣M作直方圖均衡化處理，得到圖像增強后 的矩陣N;
步驟4:對增強后的圖像矩陣N作二維小波包分解，對步驟2中的歸一化
圖像以Haar小波為小波基進行三層二維小波包變換，二維小波包分解后共得 到64個代表了虹膜圖像在不同頻帶下的信息的不同子步驟5:利用熵準則來選取有用的子圖，首先計算子圖的熵，選取一個閾
值，熵低于閾值的的子圖含有大量的噪聲，舍棄含有大量的噪聲的子圖只保
留剩余的子步驟6:用重要系數(shù)法對子圖系數(shù)量化編碼，WPT子圖系數(shù)表征了圖像的 頻率和位置特征，適合用于特征提取，用一個自適應的門限f。，將子圖量化為 一個系數(shù)矩陣。
步驟7:用曼哈頓距離(MD)匹配識別；
步驟8:識別判決；設(shè)定一個閾值^，當MZU^時，即判定待識別的虹 膜圖像與數(shù)據(jù)庫中的當前虹膜圖像樣本來自同一只眼睛。當Mi^7^時，即判 定待識別的虹膜圖像與數(shù)據(jù)庫中的當前虹膜圖像樣本來自不同的眼睛。
如上所述的一種通過提取虹膜紋理特征進行身份識別的方法，其特征在 于步驟6中將子圖量化規(guī)則為下式
<formula>complex formula see original document page 7</formula>
如上所述的一種通過提取虹膜紋理特征進行身份識別的方法，其特征在 于步驟7中曼哈頓距離(MD)的算式為<formula>complex formula see original document page 8</formula>
其中",、,和、是A和B中相同位置的碼元，I, J是碼元矩陣的維數(shù)，結(jié)果
MD越小，表示相似程度越高。
如上所述的一種通過提取虹膜紋理特征進行身份識別的方法，其特征在 于步驟8中自適應門限 ;可由下式計算得到<formula>complex formula see original document page 8</formula>，其中N是信號的
長度，o是噪聲的方差。
如上所述的一種通過提取虹膜紋理特征進行身份識別的方法，其特征在
于步驟4中以Haar小波的小波函數(shù)為<formula>complex formula see original document page 8</formula>。
本發(fā)明的創(chuàng)新之處在于提高了系統(tǒng)的實時性能，對虹膜紋理描述詳細 有利于識別，并有很高的識別精確度；
1. 在特征提取階段，以Haar小波為小波基對歸一化的虹膜圖像進行三 層二維小波包分解，得到64個小波子圖。小波包分解相對于小波變換的優(yōu)點 在于它能夠提取各個頻率帶的特征信息，包括低頻與中頻。
2. 在這64個子圖中，使用熵準則舍棄掉含有噪聲干擾的子圖，對剩余 的子圖采用重要系數(shù)法對系數(shù)量化編碼。同時達到了去除噪聲和特征提取的 效果。
3. 采用曼哈頓距離的匹配算法。該算法簡單可靠，在一定程度上加快了 系統(tǒng)的運算速度，提高了系統(tǒng)的實時性能。


圖1是虹膜定位結(jié)果示意圖。該圖虹膜原圖像使用的是CASIA虹膜數(shù)據(jù) 庫(version 2. 0)中的一幅虹膜圖像。它是一幅高為480個象素，寬為640個 象素的灰度圖像矩陣。圖中兩個白色的圓形包含的區(qū)域即為環(huán)行虹膜區(qū)域。
圖2為虹膜歸一化處理結(jié)果。把圖1中的環(huán)行虹膜區(qū)域歸一化成一個固定 的灰度矩陣，圖中灰度矩陣的高為32個象素，寬為256個象素。
圖3為圖像增強的結(jié)果，圖像的大小不改變，紋理信息變得更加突出。
圖4為二維小波包分解示意圖。原始圖像經(jīng)過每次小波分解都會生成4幅 子圖，每幅子圖又可以進行下一步小波分解，三層小波包分解后，最后得到 64幅子圖(圖中編號21到84的子圖)。
圖5為本發(fā)明的流程示意圖。
具體實施方式
本發(fā)明提出的虹膜識別算法獲得了較高的虹膜識別精確度，它逋過二維 小波包分解提取出了虹膜紋理圖像的特征信息，使用熵準則排除噪聲干擾， 使用重要系數(shù)法進行編碼，最后采用Manhattan Distance作為分類器，得到 最后的識別結(jié)果。
為了方便描述本發(fā)明的內(nèi)容，首先在此作一個術(shù)語定義
1. 虹膜人眼球中介于瞳孔和鞏膜中間的部分，該部分含有獨特的，豐 富的紋理信息，可用于進行身份識別。它的幾何形狀為環(huán)形形狀。
2. 虹膜內(nèi)、外邊緣虹膜與瞳孔的交界處稱為虹膜的內(nèi)變緣，它是一個
圓形。虹膜與鞏膜的交界處稱為虹膜的外邊緣，它也是一個圓形。
3. 虹膜圖像采集裝置可以高質(zhì)量的捕獲虹膜圖像數(shù)字信號的裝置。
4. 灰度圖像圖像中只包含了亮度信息而沒有任何顏色信息的圖像。
5. 虹膜定位在一幅包含瞳孔、鞏膜、眼睫毛的虹膜圖像中，準確的定 位出環(huán)形虹膜在圖像中的幾何位置的過程。
6. 虹膜圖像歸一化由于每次采集虹膜圖像時虹膜的位置都會有所不同， 而且由于采集系統(tǒng)光照的影響，會導致瞳孔的放大或收縮，這會使虹膜的大小也跟著變化。所以定位出圓環(huán)形的虹膜區(qū)域不能直接用來特征提取，必須 把圓環(huán)形虹膜轉(zhuǎn)換成一個大小固定的灰度矩陣圖像。具體的計算公式為
<formula>complex formula see original document page 10</formula>，其中，r分布在區(qū)間網(wǎng)，睛布在區(qū)間[一，
而( (^，力(勺)和(^外M")分別表示e方向上的虹膜內(nèi)邊界點和外邊界點。 該過程即為圖像歸一化過程。
7. 直方圖均衡化它是把原始圖像的直方圖變換為均勻的形式，這樣就 增加了象素灰度值的動態(tài)范圍，增強了圖像整體上的對比度。經(jīng)過均衡化后 的圖像，其清晰程度有明顯的提高，所需的目標信息就會被突出出來。
8. 二維小波變換對一幅虹膜圖像進行二維小波變換可以提取水平方向、 垂直方向和對角方向的細節(jié)系數(shù)。它非常適合分析二維圖像信號。對一幅圖 像進行一層二維小波變換可得到四種小波逋道LL， LH， HL， HH。每個通道 表征了原始圖像不同空間頻率和方向下的信息。
9. 二維小波包分解小波變換的擴展。小波包變換(WPT)對信號具有任意 的多尺度分解形式。在小波變換的多分辨率分析中，對信號進行了有效的逐 層分解，但每層分解都是將上層分解的LL信號再分解為四個通道，沒有對LH， HL，朋三個通道再進行分解，因而中、高頻段的分辨率較差。小波包分析是 對多分辨率分析的一種改進，它將沒有細分的中、高頻部分作進一步分解， 使信號在全頻帶內(nèi)進行分解，并能進行頻帶的選擇，因而是一種更加精細的 信號分析方法，具有更廣泛的應用價值。
10. Haar小波基它是一種較簡單的小波基，它的小波函數(shù)為 Jl，,e
11. 小波包分解子圖對一幅圖像進行完全的小波包分解得到一系列的
小波系數(shù)。我們把這些小波包分解系數(shù)構(gòu)成的子圖像稱為小波包分解子圖。
12. Shannon熵它是信號中包含信息量的度量，具體的計算公式是
脅卿U;《iog(《)o
13. 奇異點它代表虹膜紋理比較突出的地方。虹膜紋理信號表現(xiàn)為不 同位置的峰和谷，峰和谷也是信號幅度發(fā)生明顯變化的地方，是紋理信息中 最有意義的特征。通過小波包變換可以將虹膜紋理特征更加突現(xiàn)出來。
14. 標準偏差它用來衡量子圖中，小波系數(shù)與均值的偏離程度。它的
計算公式為對《=^ " w ，
15. Manhattan Distance:它用來度量兩個虹膜特征編碼的相似程度，
具體計算公式是細=T^rSHk —、1 。
16. 類內(nèi)比較系統(tǒng)把同一個眼睛的在不同時間拍攝的圖片進行編碼， 比較它們的相似程度。有效的算法應該把類內(nèi)比較的結(jié)果判為同一個虹膜。
17. 類間比較系統(tǒng)把不同眼睛的在不同時間拍攝的圖片進行編碼，比較 它們的相似程度。有效的算法應該能把類間比較的結(jié)果判為不同的虹膜。
本發(fā)明一種逋過提取虹膜紋理特征進行身份識別的方法，它包含下列步
步驟l:利用虹膜圖像采集裝置獲取虹膜圖像；
步驟2:虹膜圖像歸一化。對定位出的虹膜區(qū)域進行歸一化處理，歸一化 處理將近似圓環(huán)的虹膜紋理拉伸為一個圖像矩陣M。
步驟3:圖象增強。將圖像矩陣M作直方圖均衡化處理，得到圖像增強后 的矩陣N。
步驟4:對增強后的圖像矩陣N作二維小波包分解。對步驟3中的歸一化 圖象以Haar小波為小波基進行三層二維小波包變換，二維小波包分解后共得 到64個子圖。不同的子圖代表了虹膜圖像在不同頻帶下的信息。
步驟5:利用熵準則來選取有用的子圖。首先計算子圖的熵，選取一個閾
值，熵低于閾值的的子圖，它們含有大量的噪聲，不利于提取虹膜特征。我 們舍棄這其他逋道只保留剩余的子圖。
步驟6:用重要系數(shù)法對子圖系數(shù)量化編碼。WPT子圖系數(shù)表征了圖像的
頻率和位置特征，適合用于特征提取。用一個自適應的門限f。，可以將子圖量
化為一個系數(shù)矩陣，量化規(guī)則如下式
<formula>complex formula see original document page 12</formula>其中、是子圖的系數(shù)，、是對應的特征碼，門限 ;是正數(shù)。歸一化紋理圖像
的大小是256X64，經(jīng)過3層WPT分解后，第三層子圖的大小為32X8。相應 的每個特征矩陣的維數(shù)是32X8，即256個元素a可以使用多個不同頻帶的子 圖來表征更多的信息，聯(lián)合k個子圖一共生成kX256個編碼元。經(jīng)過量化編 碼后，每個虹膜就由一個編碼矩陣所代表。
步驟7:用曼哈頓距離(MD)匹配識別。使用曼哈頓距離(MD)匹配來測 量不同虹膜特征的相似程度，令A和B分別表示兩個虹膜編碼矩陣，MD可由
下式表示
其中 和、是A和B中相同位置的碼元，I， J是碼元矩陣的維數(shù)，結(jié)果MD 越小^表示相似程度越高。
步驟8:識別判決。設(shè)定一個閾值&，當Jl/ZX7^時，即判定待識別的虹 膜圖像與數(shù)據(jù)庫中的當前虹膜圖像樣本來自同一只眼睛。當M^7^時，即判 定待識別的虹膜圖像與數(shù)據(jù)庫中的當前虹膜圖像樣本來自不同的眼睛6
通過以上8個步驟，我們就可以通過提取虹膜圖像紋理特征來進行身份 識別。
需要說明的是
之所以要通過步驟2做歸一化處理是由于每次采集虹膜圖像時虹膜的位 置都會有所不同。而且由于采集系統(tǒng)光照的影響，會導致瞳孔的放大或收縮, 這會使虹膜的大小也跟著變化。所以定位出圓環(huán)形的虹膜區(qū)域不能直接用來 特征提取，必須把圓環(huán)形虹膜轉(zhuǎn)換成一個大小固定的灰度矩陣圖像。雖然每 次采集虹膜圖像時，都會造成虹膜的絕對位置的改變，但是虹膜紋理的相對 位置一般是不會變化的。故我們采用極坐標變換的方法對虹膜進行歸一化。 由于虹膜的內(nèi)外邊緣通常不是同心的，所以這種極坐標變換也不是同心的。
步驟4利用小波包分解歸一化圖像，其算法思想和小波分解提取紋理特 征方法一樣，但是小波包分析和小波分析不同的一點就是小波包分析提供了 一種更為復雜的，同時也更為靈活的分析手段。當圖像的高頻信息(細小邊 緣或紋理)較多時，小波變換的倍頻特征將使得高頻部分不能得到很好的分 解和表示，而小波包變換則能對髙頻部分進行任意細的分解，因此可以更好 的刻畫這一信號，所以對虹膜紋理圖像小波包變換比小波變換要更好，而且 具有更為精確的局部分析能力。
步驟5中，之所以要舍棄部分子圖，原因有兩點 一是由于這些小波通 道受噪聲干擾的可能性很大，會影響識別的準確度。二是如果對每一副子圖 都進行處理，計算量將會很大。利用熵準則可以判斷出哪些子圖攜帶的有用
信息量大，哪些子圖受噪聲影響大，從而進行有效的篩選。所以，要利用熵 準則來選取有用的子圖進行編碼。
歩驟6中，根據(jù)小波消燥理論，自適應門限z;可由下式計算得到-. t;-V^^，其中N是信號的長度，o是噪聲的方差。在工程中常常采用 7; =30"代替，來減小計算量。我們使用WPT高頻帶系數(shù)的標準偏差作為o的估 計值。本質(zhì)上；該步驟具有兩個功能 一是去除噪聲，二是找到奇異點。編 碼矩陣對圖像的頻率和位置信息給出了良好的表征。
步驟8中，可以根據(jù)安全需要的不同來設(shè)置不同的閾值^。在對安全性
要求較高的場合，可以相對設(shè)置較低的閾值^;在對安全性要求較低的場合，
可以相對設(shè)置較高的閾值& 。
本發(fā)明把通過對歸一化處理后虹膜圖像進行二維小波包分解，對子圖系
數(shù)量化編碼i同時提取紋理的空域和頻域信息，最后使用Manhattan Distance 作為分類器得到識別結(jié)果。采用本發(fā)明的虹膜識別算法進行身份識別可以獲 得較高的識別準確率和較好的抗噪性能，并有較快運行速度，滿足系統(tǒng)實時 性的要求。
采用本發(fā)明的方法，使用Matlab語言編寫虹膜識別軟件，然后用中科院 自動化所采集的CASIA2. 0虹膜數(shù)據(jù)庫為源數(shù)據(jù)，該數(shù)據(jù)庫包含60只不同的 眼睛圖片，每只眼睛在不同時期共拍了 20幅圖象，整個數(shù)據(jù)庫包含1200張 拍攝好的、包括不同人的不同光照條件、不同拍攝姿勢的灰度虹膜圖像。每 一幅圖像都與其它1199幅圖像相比較，因此共進行了 22800次類內(nèi)比較， 1416000次類間比較。采用小波包分解的方法提取虹膜紋理的特征，識別正確 率達到97.7%，平均編碼時間大概0.5秒。
權(quán)利要求
1.一種通過提取虹膜紋理特征進行身份識別的方法，其特征在于包括以下步驟步驟1利用虹膜圖像采集裝置獲取虹膜圖像；步驟2虹膜圖像歸一化；對定位出的虹膜區(qū)域進行歸一化處理，歸一化處理將近似圓環(huán)的虹膜紋理拉伸為一個圖像矩陣M；步驟3圖象增強；將圖像矩陣M作直方圖均衡化處理，得到圖像增強后的矩陣N；步驟4對增強后的圖像矩陣N作二維小波包分解，對步驟2中的歸一化圖像以Haar小波為小波基進行三層二維小波包變換，二維小波包分解后共得到64個代表了虹膜圖像在不同頻帶下的信息的不同子圖；步驟5利用熵準則來選取有用的子圖，首先計算子圖的熵，選取一個閾值，熵低于閾值的的子圖含有大量的噪聲，舍棄含有大量的噪聲的子圖只保留剩余的子圖；步驟6用重要系數(shù)法對子圖系數(shù)量化編碼，WPT子圖系數(shù)表征了圖像的頻率和位置特征，適合用于特征提取，用一個自適應的門限Tc，將子圖量化為一個系數(shù)矩陣。步驟7用曼哈頓距離(MD)匹配識別；步驟8識別判決；設(shè)定一個閾值TM，當MD＜TM時，即判定待識別的虹膜圖像與數(shù)據(jù)庫中的當前虹膜圖像樣本來自同一只眼睛。當MD＞TM時，即判定待識別的虹膜圖像與數(shù)據(jù)庫中的當前虹膜圖像樣本來自不同的眼睛。
2. 根據(jù)權(quán)利要求1所述的一種通過提取虹膜紋理特征進行身份識別的方 法，其特征在于步驟6中將子圖量化規(guī)則為下式<formula>see original document page 3</formula>
3.根據(jù)權(quán)利要求i所述的一種通過提取虹膜紋理特征進行身份識別的方 法，其特征在于步驟7中曼哈頓距離(MD)的算式為其中^和、是A和B中相同位置的碼元，I， J是碼元矩陣的維數(shù)，結(jié)果 MD越小，表示相似程度越高。
4. 根據(jù)權(quán)利要求1所述的一種通過提取虹膜紋理特征進行身份識別的方法，其特征在于步驟8中自適應門限7;可由下式計算得到<formula>see original document page 3</formula>，其中N是信號的長度，o是噪聲的方差。
5. 根據(jù)權(quán)利要求l所述的一種通過提取虹膜紋理特征進行身份識別的方法，其特征在于步驟4中以Haar小波的小波函數(shù)為<formula>see original document page 3</formula>
全文摘要
本發(fā)明公開了一種通過提取虹膜紋理特征進行身份識別的方法，其通過對歸一化處理后虹膜圖像進行二維小波包分解，對子圖系數(shù)量化編碼，同時提取紋理的空域和頻域信息，最后使用Manhattan Distance作為分類器得到識別結(jié)果。采用本發(fā)明的虹膜識別算法進行身份識別可以獲得較高的識別準確率和較好的抗噪性能，并有較快運行速度，滿足系統(tǒng)實時性的要求。
文檔編號G06K9/00GK101344913SQ20071002917
公開日2009年1月14日 申請日期2007年7月10日 優(yōu)先權(quán)日2007年7月10日
發(fā)明者潔 汪, 爭 馬 申請人:電子科技大學中山學院