CN100342390C - 基于虹膜斑块形状的身份识别方法 - Google Patents

Abstract

一种基于虹膜斑块几何形状的身份识别方法，包括步骤：虹膜图像预处理；从归一化虹膜图像中分割出特征斑块；虹膜斑块特征提取；虹膜模板数据库检索；基于形状信息的虹膜图像配准；两幅虹膜图像的相似性度量。本发明的虹膜识别方法将虹膜斑块的位置和形状信息作为虹膜特征，用匹配上的斑块数量和面积作为虹膜图像间相似性的度量。配准精度达到亚象素精度；在匹配过程中引入了弹性限界盒，能容忍一定程度的噪声干扰；将虹膜斑块的形状特征作为大容量虹膜图像数据库的索引，提高识别效率。本发明具有高效率、高精度、高鲁棒性和高可靠性的优点。本发明可用于大范围人群的一对多身份识别系统，和其他需要安全性防范的诸多应用系统中。

Description

基于虹膜斑块形状的身份识别方法

技术领域

本发明涉及计算机视觉、数字图像处理和模式识别，特别是基于虹膜斑块形状的身份识别方法。

背景技术

近年来，各国政府认识到身份识别的重要性，在研究和应用上对生物特征识别技术进行大规模的投资，同时，社会公众对生物特征识别技术的了解和认识得到了大幅度提高。例如，在居民身份证或护照中加入个人生物特征(如虹膜、指纹和脸相等)的议案已经开始执行。用附加在计算机上的虹膜识别装置可以保护数字签名的安全性。虹膜识别不仅可以应用于电子商务、金融证券、信息安全、交通、公安和司法，而且已经上升到了国家战略国防的高度。

虹膜图像中包含有许多相互交错的类似于斑点、细丝、冠状、条纹、隐窝等形状的细微特征，这些特征信息对每个人来说都是唯一的。虹膜自胚胎第3个月起开始发育，到第8个月虹膜的主要纹理结构已经成形。除非经历危及眼睛的外科手术，此后几乎终生不变。由于角膜的保护作用，发育完全的虹膜不易受到外界的伤害。虹膜是一个外部可见的内部器官，不必紧贴采集装置就能获取高清晰度的虹膜图像。所以虹膜识别具有安全性高、稳定性强、普遍性广和非接触采集等优点。特别适合于大规模人群的身份鉴别问题。但是虹膜图像的质量容易受干扰，如睫毛和眼皮的遮挡，如何利用不完全的虹膜图像进行高可靠性的身份识别是一个难题；另外人眼在不同的光照条件下会自动调节瞳孔的大小，势必引起虹膜的弹性伸缩，现有的归一化方法很难补偿这种非线性形变；两幅虹膜图像的精确配准至今没得到很好的解决；大规模人群虹膜图像数据库的快速检索也是影响虹膜识别大范围应用的重要课题。

发明内容

本发明的目的是提出一种基于虹膜斑块形状的身份识别方法，即通过识别虹膜斑块的形状来确定人身份的方法。

为实现上述目的，一种基于虹膜斑块几何形状的身份识别方法，包括步骤：

虹膜图像预处理；

采用小波变换和形态学滤波的方法从归一化虹膜图像中分割出特征斑块；

用几何矩对每个虹膜斑块的二维形状和位置特征进行提取；

根据输入图象中的斑块特征从注册虹膜模板数据库中检索出一个子集作为有待进一步细化匹配的候选对象；

将特征斑块的重心作为控制点，将斑块的几何矩作为控制点的属性，计算两幅虹膜图像控制点集之间的对应关系，从而对输入图像和参与细化的图像进行配准；

根据匹配上的斑块的个数和面积来度量两幅虹膜图像的相似性。

本发明的虹膜识别方法将虹膜斑块的位置和形状信息作为虹膜特征，用匹配上的斑块数量和面积作为虹膜图像间相似性的度量。配准精度达到亚象素精度；在匹配过程中引入了弹性限界盒，能容忍一定程度的噪声干扰；将虹膜斑块的形状特征作为大容量虹膜图像数据库的索引，提高识别效率。本发明具有高效率、高精度、高鲁棒性和高可靠性的优点。本发明可用于大范围人群的一对多身份识别系统，和其他需要安全性防范的诸多应用系统中。

附图说明

图1为基于虹膜斑块形状的身份识别方法流程框图；

图2为虹膜图像预处理示意图，其中，

(a)是虹膜图像，

(b)是(a)的定位结果；

(c)是(b)的归一化结果；

图3为一种用于虹膜斑块分割的一维小波，即墨西哥草帽小波；

图4为两幅归一化后虹膜图像的匹配过程示意图，其中，

(a)是两幅归一化后的虹膜图像；

(b)是用小波变换过零点检测到的(a)中斑块的轮廓；

(c)是(a)的初步分割结果，其中白色象素点代表前景即斑块，黑色象素点代表背景；

(d)是在(c)的基础上合并首尾分裂块、进行击中-击不中变换后获得的面积超过一定阈值的斑块，十字架代表每个斑块的重心；

(e)是最后匹配上的虹膜斑块。

具体实施方式

一般来讲，虹膜识别系统分为“硬件和软件”两大模块：虹膜图像获取装置和虹膜识别算法。虹膜识别算法包括三个主要步骤：图像预处理、特征提取和模式匹配。本发明提出的方法将应用于虹膜识别软件模块。

本发明的虹膜鉴别方法采取一维小波变换快速准确地分割出虹膜图像中的斑块；应用形态学中的击中-击不中变换(Hit-or-miss Transform)将相互粘连的斑块分开，并对其进行形状描述；将斑块的重心作为控制点，将斑块的几何矩作为属性，实现了一种可达到亚象素精度的虹膜图像配准算法；利用惯性矩的特点，能建立多对多的斑块匹配关系；本方法充分刻画了不同虹膜之间的差异，能够利用部分有效虹膜面积就给出高可靠性的识别结果，克服眼皮和睫毛的遮挡；由于引入了自适应弹性匹配的策略，能克服各种噪声的干扰；基于斑块形状的识别方法适合于大规模人群虹膜图像数据库的快速检索；本发明可用于大范围人群的一对多身份识别系统，和其他需要安全性防范的诸多应用系统中。本发明对于硬件没有特殊的要求，而且不涉及复杂的计算，易于在实际的系统中使用。

本发明提出一种新颖的、可靠的基于虹膜斑块形状的身份识别方法，其流程框图如图1。首先用户需要向系统注册自己的虹膜模板，然后才能进行识别。生物特征识别系统可以运行于两种模式：

1)验证模式：即1对1的匹配方式，首先用户向系统申请身份认证，告诉系统自己的身份，系统通过比对即时从用户身上提取的生物特征和用户声称的个体在注册时存储于数据库中的生物特征模板，如果它们有足够的相似度，系统则认为用户身份认证通过。在大多数访问控制的应用中都是采用这种方式。

2)识别模式：即一对多的匹配方式，不需要用户声称自己是谁，系统自动给出用户的身份，或者给出用户没有注册的结论。因为在识别方式中包含验证方式，这是一种比验证模式更加高级、也更困难的识别方式。这种模式在国防、刑侦和法律方面应用较多。

本发明既可用于验证方式，也能用于识别方式。在验证方式，与当前其他虹膜识别方法的相比，本发明的新颖性主要在于：1)对随机散布于虹膜图像表面的各种形状各异的虹膜斑块进行了高效率的建模，用小波变换从图像中成功分割出虹膜斑块，用几何矩描述了斑块的形状。2)利用分割出的斑块重心作为控制点，几何矩作为每个点的属性，设计了一种精度达到亚象素级的虹膜图像配准方法。3)利用惯性矩的特点，能建立多对多的斑块匹配关系。4)自适应的弹性匹配算法能够克服各种噪声的干扰。5)全局的斑块建模和匹配方法，同时又融合了虹膜斑块的局部信息，能够克服眼皮和睫毛的遮挡，利用部分有效虹膜面积就给出高可靠性的识别结果。在识别方式，本发明的新颖性主要在于：在注册过程中要求采集有一定时间间隔的几幅虹膜图像，将几幅图像都有的虹膜斑块的形状和位置信息(沿径向的坐标)作为这类虹膜图像的索引，在识别时并不是将输入图像和数据库中所有的模板进行匹配，而是将几幅输入图像中都有的斑块作为检索条件从数据库中搜索到拥有相似形状斑块的虹膜类作为候选集，然后依据相似度从大到小递减的规律逐一匹配候选集中的模板，直到找到匹配分数超过给定阈值的虹膜类，这种识别方式能大幅度减少识别的时间，提高识别过程的效率，数据库规模越大，这种优势更明显。

本发明提出的基于虹膜斑块形状的身份识别方法包含六个主要步骤(见图1)：

1.虹膜图像预处理。虹膜图像中不仅包括虹膜，还有瞳孔、眼白、眼皮和睫毛等。瞳孔和虹膜的外轮廓都很接近圆形，因此虹膜图像预处理的任务是找到拟合瞳孔和虹膜边界的圆的坐标和半径，然后将虹膜圆环归一化到固定尺寸的矩形区域，即虹膜定位和归一化。

I.虹膜定位

人眼瞳孔的灰度远低于周围区域，所以可以使用阈值法分离出瞳孔区域，然后将该区域的重心作为初步的瞳孔中心，在该点附近用可变尺寸的模板去拟合瞳孔的边缘，最佳的拟合结果就是瞳孔定位的结果。虹膜的中心接近瞳孔的中心，所以可以使用同样的方法找到虹膜的中心和半径。图2(b)是对图2(a)中的虹膜定位之后的例子，其中白色的圆圈表示拟合后瞳孔和虹膜的外边界。

II.归一化

以双线性插值的方式，可以将定位好的虹膜圆环进行空间变换到一个固定尺寸的矩形区域。图2(c)是虹膜归一化之后的结果。水平方向对应于原始虹膜图像的角度方向，归一化到0°～360°，竖直方向对应于原始虹膜图像的径向方向，归一化到0～1。

2.虹膜斑块的分割。将归一化后的每行图像数据进行一维小波变换，小波为平滑函数的二阶导数，如墨西哥草帽小波(见图3)。因为小波变换的过零点对应于瞬变信号的奇异点(图4(b))，即虹膜斑块的边界，滤波后结果小于0的象素点标记为前景点(图4(c)中白色象素点)，大于0的象素点则为背景点(图4(c)中黑色象素点)。因为归一化时选择的初始点可能正穿过某个斑块，所以必须通过扩展过渡区域寻找4连通区域合并这种人为的分裂。由于有些虹膜斑块因为位置很接近，分割过程中有可能造成粘连，但又不能保证每次采集的该类虹膜图像的对应块都粘连，所以必须运用形态学图像处理方法中的击中-击不中变换分裂那些弱连通区域。

3.虹膜块特征提取。以图2(c)中的坐标轴作为自变量，将每个面积超过一定阈值的虹膜块用二元函数f(r，θ)表示：

$f(r,\mathrm{\θ})=\left\{\begin{array}{c}1,(r,\mathrm{\θ})\∈\mathrm{BOI}\\ 0,(r,\mathrm{\θ})\∉\mathrm{BOI}\end{array}\right.$

即将前景区域定义为1，背景区域定义为0。

对每个虹膜块，我们记录如下信息：

1)虹膜块重心的R，θ；

2)虹膜块的面积Area；

3)虹膜块的二阶中心矩MomentR，Momentθ；

这些信息都可以通过求取函数f(r，θ)的几何矩获得：

$R=\frac{m_{10}}{m_{00}}=\frac{\∫\∫r^1{\mathrm{\θ}}^{0}f(r,\mathrm{\θ})\mathrm{drd\θ}}{\∫\∫r^0{\mathrm{\θ}}^{0}f(r,\mathrm{\θ})\mathrm{drd\θ}}$

$\mathrm{\θ}=\frac{m_{01}}{m_{00}}=\frac{\∫\∫r^0{\mathrm{\θ}}^{1}f(r,\mathrm{\θ})\mathrm{drd\θ}}{\∫\∫r^0{\mathrm{\θ}}^{0}f(r,\mathrm{\θ})\mathrm{drd\θ}}$

Area＝m₀₀＝∫∫r⁰θ⁰f(r，θ)drdθ

MomentR＝μ₂₀＝∫∫(r-R)²(θ-θ)⁰f(r，θ)drdθ

Momentθ＝μ₀₂＝∫∫(r-R)⁰(θ-θ)²f(r，θ)drdθ

这样一幅虹膜的特征就可以用斑块特征集{(R_i，θ_i，Area_i，MomentR_i，Momentθ_i)|i＝1，2，…，N}表示，其中N表示图像中感兴趣斑块的个数。图4(d)的白色区域就是图4(a)中两幅虹膜图像中的感兴趣斑块，其中十字架代表每个斑块的重心。如果处于注册阶段，多幅虹膜图像(一般选3-5幅)的特征都作为这类虹膜的模板进入模板数据库，并且将这多幅虹膜图像都配准到统一的坐标系后都具有的稳定斑块(或者大部分具有)作为这类虹膜图像的索引。

4.虹膜图像的检索。如果处于识别阶段，以相同方式找出多幅输入图像都具有的稳定斑块(或者大部分具有)作为数据库的检索条件，采取模糊匹配的方式从数据库中找出一些具有相似斑块结构的模板作为候选进行更细化的匹配。

5.虹膜图像的配准。在图像识别的算法流程中，将不同的图像信号规整到具有平移、缩放和旋转不变性的表达方式，将大大简化识别处理。因为如图2所示的归一化过程能弥补虹膜图像间的平移和缩放的差异，所以配准的目标就是找出两幅虹膜图像之间的旋转差异。需要注意虹膜圆环的周期性。虹膜斑块的重心受噪声干扰小，提供了配准所需的控制点，

具体的配准流程如下：

1)从输入特征集和模板特征集中找出符合下述条件的斑块匹配候选对：

                    |R₁-R₂|＜＝T_R

$\frac{|{\mathrm{Area}}_1-{\mathrm{Area}}_2|}{\min ({\mathrm{Area}}_1,{\mathrm{Area}}_2)}<=T_A$

$\frac{|{\mathrm{MomentR}}_1-{\mathrm{MomentR}}_2|}{\min ({\mathrm{MomentR}}_1,{\mathrm{MomentR}}_2)}<=T_{\mathrm{MR}}$

$\frac{|{\mathrm{Momentq}}_1-{\mathrm{Momentq}}_2|}{\min ({\mathrm{Momentq}}_1,{\mathrm{Momentq}}_2)}<=T_{\mathrm{Mq}}$

在上述表达式中，以‘1’为下标的特征代表来自输入特征集中的斑块特征，以‘2’为下标的特征代表来自模板特征集中的斑块特征。min(a，b)的结果是a和b两者之中的最小值，T_R、T_A、T_MR和T_Mθ是预设的阈值。因为每两个特征之间的差异的最大限度取决于它们的值的大小，所以四个约束条件规定了用于弹性匹配的自适应限界盒。

2)以每一斑块匹配候选对中两个斑块的重心作为各自特征集中θ的原点，其它的斑块匹配候选对中斑块的θ都按此参考系进行更新。记录每个临时参考系中还能保持θ相似的斑块匹配候选对的个数。最后找出匹配个数最多的临时参考系弥补这两幅虹膜图像之间的旋转，这也就是配准的结果。因为控制点的坐标是斑块各点坐标的平均结果，精确到小数，所以匹配的结果可以达到亚象素精度。

6.相似性度量。如果在分割过程和击中-击不中变换中一个斑块被分裂成多个斑块，根据已有的多个斑块的特征也可以推理出这几个斑块合并在一起的大斑块的特征：

$R=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{R}_i{\mathrm{Area}}_i}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{Area}}_i}$

$\mathrm{\&theta;}=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i{\mathrm{Area}}_i}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{Area}}_i}$

$\mathrm{Area}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{Area}}_i$

$\mathrm{MomentR}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Moment}{R}_i+\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{Area}}_i{(R_i-R)}^2$

$\mathrm{Moment\&theta;}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Moment}{\mathrm{\&theta;}}_i+\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{Area}}_i{({\mathrm{\&theta;}}_i-\mathrm{\&theta;})}^2$

在上述公式中(R_i，θ_i，Area_i，MomentR_i，Momentθ_i)(i＝1，2，…，k)表示分裂的第i个斑块的特征，(R，θ，Area，MomentR，Momentθ)表示合并后的大斑块特征。根据这个原理，输入图像中多个斑块和模板图像中多个斑块之间也能建立关联。图4(e)是图4(a)最后的匹配结果，为了节约计算资源，在这里我们只考虑了1个斑块分裂成两个斑块的情况。两幅虹膜图像的相似性通过它们特征集匹配的结果进行度量：

$\mathrm{MS}=w_1\min (\frac{M_1}{N_1},\frac{M_2}{N_2})+w_2\min (\frac{A_1}{S_1},\frac{A_2}{S_2})$

其中，MS表示匹配分数；M₁表示输入图像中匹配上的斑块个数；N₁表示输入图像中斑块总个数；M₂表示模板图像中匹配上的斑块个数；N₂表示模板图像中斑块总个数；A₁表示输入图像中匹配上的斑块总面积；S₁表示输入图像中斑块总面积；A₂表示模板图像中匹配上的斑块总面积；S₂表示模板图像中斑块总面积；w₁和w₂是斑块匹配数量和面积的权重，满足w₁+w₂＝1，可通过实验选择。如果匹配分数超过一定阈值，则判定这两幅虹膜图像来自同一只眼睛，否则判定这两幅虹膜图像来自不同的眼睛。因为本方法是一种结构化的虹膜识别方法，不同于已有的基于统计信息的方法，即使部分虹膜区域被睫毛和眼皮遮挡，这部分区域也不会增加匹配分值，并且不同眼睛的虹膜图像不是形状差异大就是位置有区别，所以它们的得分也会很低，所以本方法匹配结果可靠性高，即使只有部分甚至低于一半的有效虹膜面积也可能给出正确的结果。

实施例1：基于虹膜的居民身份证

本发明的基于虹膜斑块形状的身份识别方法可用于大范围的虹膜识别中，如基于虹膜的居民身份证系统。结合图1描述使用过程如下：所有已登记发放了居民身份证的居民都采集了虹膜图像进入数据库(因为出生后一年虹膜图像就已经稳定，本方案甚至能适用于小孩也可申请身份证的情形)，数据库中同时还有个人的姓名、生日等信息。假设张三已经在A城市申请了身份证，他犯了罪，逃窜到了B城市，他化妆后到B城市身份证管理办公室想用李四的名字重新申请一个新的身份证，办公人员首先花5秒钟采集了他5幅虹膜图像，然后软件系统将这5幅图像中4幅图像都有的稳定斑块的相互位置信息和形状信息作为索引向全国居民身份证数据库中搜索，结果花10秒钟找到100个最接近这种虹膜结构的虹膜类，然后系统将张三的一幅虹膜图像和这100类虹膜图像中的每个模板一一进行匹配，结果只用了10秒钟发现第37类的虹膜斑块特征集和张三的虹膜斑块特征集的匹配分数超过了给定阈值。系统马上给出提示信息，办公人员调出拥有37类虹膜的人员档案，马上抓住了张三。这个应用背景也可用于虹膜护照、基于虹膜识别的提款机、门禁系统等需要身份认证的场合。

实施例2：基于虹膜识别的安全监控系统

本发明提出的基于虹膜斑块形状的身份识别方法可以应用于安全监控系统中，结合图1描述使用过程如下：假设张三蒙上头套(露出了眼睛)去银行抢劫，被银行安装的远距离红外摄像头拍摄到两幅虹膜图像，但是监控时处于非合作状态，眼皮、睫毛遮挡了一半的虹膜面积，采用例1的方法警方10秒钟后从数据库中搜索到100个最接近的虹膜类，然后用本发明的方法进行一一匹配，找到10类匹配分值最高的虹膜类，根据拥有这些虹膜的人的相关资料短时间破获了这起抢劫案。

Claims (7)

1.一种基于虹膜斑块几何形状的身份识别方法，包括步骤：

虹膜图像预处理；

采用小波变换和形态学滤波的方法从归一化虹膜图像中分割出特征斑块；

用几何矩对每个虹膜斑块的二维形状和位置特征进行提取；

根据输入图象中的斑块特征从注册虹膜模板数据库中检索出一个子集作为有待进一步细化匹配的候选对象；

将特征斑块的重心作为控制点，将斑块的几何矩作为控制点的属性，计算两幅虹膜图像控制点集之间的对应关系，从而对输入图像和参与细化的图像进行配准；

根据匹配上的斑块的个数和面积来度量两幅虹膜图像的相似性。

2.按权利要求1所述的方法，其特征在于所述的虹膜斑块分割包括步骤：

对归一化虹膜图像的每行数字信号进行一维小波变换；

小波变换系数小于0的象素点标记为前景区域，大于0的象素点标记为背景区域；

合并在归一化起始点被人为分裂的连通区域；

对于前一步获得的二值图像进行击中-击不中变换；

将二值化虹膜图像中的4连通区域标记为虹膜斑块。

3.按权利要求2所述的方法，其特征在于所述的小波为平滑函数的二阶导数。

4.按权利要求1所述的方法，其特征在于所述的虹膜斑块特征包括该斑块的重心坐标、面积和几何中心矩。

5.按权利要求1所述的方法，其特征在于所述的虹膜图像配准包括步骤：

在输入图像的斑块特征集和模板图像的斑块特征集中找出属性接近的特征块对，其中，所述输入图像的斑块特征集包括从输入图象分割得到的所有斑块的集合、集合中每个斑块具有重心坐标、面积和几何中心矩特征，所述模板图像的斑块特征集包括从模板图像分割得到的所有斑块的集合、集合中每个斑块具有重心坐标、面积和几何中心局特征；

将每对近似特征块作为相应特征集中的参考块，计算临时参考系中角度坐标也相似的特征块对的数量；

将匹配特征块对数量最多的坐标参考系之间的相对位移作为两幅虹膜配准的结果。

6.按权利要求1所述的方法，其特征在于所述的两幅虹膜图像的相似性度量包括1对1匹配或多对多匹配。

7.按权利要求1所述的方法，其特征在于所述注册虹膜模板数据库检索包括：

首先根据输入虹膜图像的特征斑块的形状作为检索条件在数据库中找出多幅注册图像；

然后根据相似度从高到低的顺序将输入图像和模板图像进一步细化匹配，如果匹配的分数超过事先给定的阈值，就判定这两幅图像来自同一只眼睛。

Images