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:
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:
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{(Ri,θi,Areai,MomentRi,Momentθi)|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|<=TR
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,TR、TA、TMR和TMθ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:
在上述公式中(Ri,θi,Areai,MomentRi,Momentθi)(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:
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。