CN101317184A - 在图像中提取虹膜特征的方法 - Google Patents

Abstract

描述了一种在图像中提取虹膜特征的方法。通过像素强度求和，将展开的虹膜图像转换成积分图像。将一组新颖的和差滤波器用于对所述积分图像进行滤波。将该滤波后的输出二值化以生成虹膜特征向量。该虹膜特征向量用于虹膜匹配。

Description

在图像中提取虹膜特征的方法

技术领域

本发明大体上涉及处理和识别生物测定参数，更具体地说，涉及在眼睛的图像中提取虹膜特征。

背景技术

很多安全系统需要可靠的个人身份识别或验证。生物测定技术克服了常规的身份识别和验证技术(例如密钥、ID卡和密码)的很多缺点。生物测定学指的是基于表示生理和/或行为特性的特征的个体自动识别。

诸多生理特征能够用作生物测定信号(biormetric cue)，诸如DNA采样、脸部拓扑、指纹细节、手掌几何特征、笔迹风格、虹膜外观、视网膜静脉结构以及语音谱。在所有这些特征中，虹膜识别具有非常高的准确性。虹膜携带了非常特殊的信息。即使同卵双胞胎的虹膜也是不同的。

虹膜定位(Localization)

通常，虹膜分析以虹膜定位开始。一种现有技术方法使用微积分算子(IDO，integro-differential operator)(Daugman，J.G.，“High confidencevisual recognition of persons by a test of statistical independence，”IEEETrans.on Pattern Analysis and Machine Intelligence，Volume 15，pp.1148-1161，1993，本说明书结合其内容)。IDO使用下面的最优化定位虹膜的内侧和外侧边界：

其中I(x，y)是包括眼睛的图像。IDO在图像I(x，y)上找出图像I(x，y)的归一化闭曲线积分关于增大的半径r的模糊(blurred)偏导数中沿着半径r和中心的坐标(x₀，y₀)的圆弧ds的最大值。符号“^*”表示卷积，且G_σ(r)是诸如具有标准差σ的高斯(Gaussian)函数的平滑函数。

IDO用作圆形边缘检测器。IDO在3D参数空间上搜索梯度最大值。因此，不需要使用常规Canny边缘检测器(Canny，J.，“A computationalapproach to edge detection，”IEEE Trans.on Pattern Analysis and MachineIntelligence，vol.8，pp.679-698，1986)中的阈值。

另一种方法使用霍夫变换(Hough transform)(Wildes，R.，“Irisrecognition：An emerging biometric technology，”Proc.IEEE 85，pp.348-1363，1997)。该方法检测虹膜图像中的边缘且随后进行圆形霍夫变换以定位虹膜边界。霍夫变换搜索如下最优化的最适当的参数：

$\underset{(r,x_0,y_0)}{\max }\underset{j=1}{\overset{n}{\mathrm{\Σ}}}h(x_j,y_j,x_0,y_0,r),---\left(2\right)$

其中，

且

g(x_j，y_j，x₀，y₀，r)＝(x_j-x₀)²+(y_j-y₀)²-r²，

对于边缘像素

(x_j，y_j)，j＝1，…，n。

边缘检测和霍夫变换方法的一个问题是边缘检测过程中阈值的使用。不同的阈值能够得出不同的边缘。不同的阈值能够显著影响霍夫变换的结果(Proenca，H.，Alexandre，L.，“Ubiris：A noisy iris imagedatabase，”Intern.Confer.on Image Analysis and Processing，2005)。

大多数其他方法基本上是通过限制参数搜索范围或优化搜索过程对Daugman的IDO或Wildes的边缘检测和霍夫变换组合的微小变型。例如，Ma等人利用像素亮度的投影和阈值粗略地推测了瞳孔位置的定位。此后还要进行Canny边缘检测和圆形霍夫变换(Ma，L.，Tan，T.，Wang，Y.，Zhang，D.“Personal identification based on iris texture analysis，”IEEETrans.on Pattern Analysis and Machine Intelligence，vol.25，pp.1519-1533，2003)。

Masek描述了一种与Canny检测器稍微不同的边缘检测方法，然后利用圆形霍夫变换以用于虹膜边界提取(Masek，L.，Kovesi，P.，“MATLAB Source Code for a Biometric Identification System Based on IrisPatterns，”The School of Computer Science and Software Engineering，TheUniversity of Western Australia，2003)。

Kim等人利用三种高斯分布的混合来粗略地将眼睛图像分成暗、中度、明亮的区域，然后利用霍夫变换以用于虹膜定位(Kim，J.，Cho，S.，Choi，J.“Iris recognition using wavelet features，”Journal of VLSISignal Processing，vol.38，pp.147-156，2004)。

Rad等人使用各个方向的梯度向量对来粗略地推测圆周的位置，然后利用Daugman的IDO来精化虹膜边界(Rad，A.，Safabakhsh，R.，Qaragozlou，N.，Zaheri，M.“Fast iris and pupil localization and eyelidremoval using gradient vector pairs and certainty factors，”The Irish MachineVision and Image Processing Conf.，pp.82-91，2004)。

Cui等人求出小波变换，然后利用霍夫变换来定位虹膜的内侧边界，同时利用Daugman的IDO以用于定位外侧边界(Cui，J.，Wang，Y.，Tan，T.，Ma，L.，Sun，Z.，“A fast and robust iris localization methodbased on texture segmentation，”Proc.SPIE on Biometric Technology forHuman Identification，vol.5404，pp.401-408，2004)。

上述方法中没有一个利用图像中的纹理来用于虹膜边界的提取。在Cui等人的方法中，纹理仅用于粗略地限定睫毛和眼睑部分遮蔽的图像中的区域。利用Daugman的IDO，使抛物线弧拟合该区域中的眼睑以生成掩模。

因为可能的眼睑遮蔽，使用掩蔽图像(mask image)能够移除眼睑(Daugman，J.，“How iris recognition works，”IEEE Trans.on Circuitsand Systems for Video Technology，vol.14，pp.21-30，2004)。通常的技术检测眼睛图像中的眼睑边界。

Daugman利用具有样条拟合(spline fitting)的弧形曲线来明确地定位眼睑边界。如上所述，Cui等人利用眼睑的抛物线模型。Masek使用直线来近似眼睑的边界。这导致比所必需的掩模更大的掩模。

几乎所有的现有技术方法明确地推测了原始眼睛图像中的眼睑边界。这是直观的但在实际中却具有某些问题。眼睑的搜索范围通常比较大，使得搜索过程慢，且更重要的是，即使当眼睑并不遮蔽虹膜时，眼睑总是被推测。

虹膜特征提取

在利用微积分算子定位虹膜之后，Daugman将圆形图像展开成矩形图像。然后，一组2D加博滤波器(Gabor filter)应用于展开的图像以获得用于虹膜特征提取的量化的局部相位角。所得的二进制特征向量被称为“虹膜代码”。该二进制虹膜代码使用汉明距离(Hamming distance)匹配。

Wildes描述了另一种虹膜识别系统，其中高斯滤波器的拉普拉斯算子被用于虹膜特征提取且利用归一化相关匹配虹膜。

在一组1D虹膜环上的各个比例的小波变换的零交叉已经用于虹膜特征提取(Boles，W.，Boashash，B.，“A Haman IdentificationTechnique Using Images of the Iris and Wavelet Transform，”IEEE Trans.onSignal Processing，vol.46，PP.1185-1188，1998)。

使用和量化2D小波变换以形成87位代码(Lim，S.，Lee，K.，Byeon，O.，Kim，T.“Efficient iris recognition through improvement offeature vector and classifier，”ETRI J.，vol.23，pp.61-70，2001)。然而，该方法不能处理在虹膜获取中常见的眼睛旋转问题。

Masek描述了利用1D对数-Gabor滤波器以进行二进制虹膜代码提取的的虹膜识别系统。Ma等使用了两个圆形对称滤波器针对大特征尺寸的虹膜特征提取计算小块中的平均以及标准差(Ma，L.，Tan，T.，Wang，Y.，Zhang，D.，“Personal identification based on iris textureanalysis，”IEEE Trans.on Pattern Analysis and Machine Intelligence，vol.25，pp.1519-1533，2003)。Ma等人也描述了基于利用1D小波变换的局部变化分析的方法，还参见Ma，L.，Tan，T.，Wang，Y.，Zhang，D.“Efficient iris recognition by characterizing key local variations，”IEEETrans.on Image Processing，vol.13，pp.739-750，2004。

另一方法表征了用于虹膜特征提取的局部梯度方向(Sun，Z.，Tan，T.，Wang，Y.“Robust encoding of local ordinal measures：A generalframework of iris recognition”ECCV workshop on BiometricAuthentication，2004)。该方法在计算上是复杂的且得出相对大的特征向量。

用于虹膜特征提取的所有现有技术方法采用了计算复杂且耗时的滤波步骤。需要一种虹膜特征提取方法，该方法能够在生物测定识别协议中实现高精度虹膜匹配，且计算复杂性较小。

发明内容

生物测定学对于安全应用是重要的。和很多其他生物测定特征相比，虹膜识别具有非常高的识别精度。成功的虹膜识别极大地依赖于正确的虹膜定位。

在本发明的一个实施方式中，在图像中对虹膜进行定位的方法利用亮度梯度和纹理差二者。

为提高虹膜边界检测精度，描述了在椭圆形和圆形模型之间进行选择的方法。此外，穹顶(dome)模型用于求得掩蔽图像并移除展开图像中的眼睑遮蔽。

对于虹膜匹配，描述了在图像中提取虹膜特征的方法。展开的虹膜图像通过像素亮度的求和被转换成积分图像。将一组新颖的和差滤波器用于对积分图像进行滤波，其计算复杂性远小于现有技术方法。滤波后的输出被二值化以产生虹膜特征向量。该虹膜特征向量用于虹膜匹配。

本发明的效果

描述了用于虹膜定位的方法。该方法利用虹膜和巩膜之间以及瞳孔与虹膜之间的强度梯度和纹理差二者来求得虹膜内侧和外侧边界。选择用于表示边界的模型；该模型可以是圆形或椭圆形的。该方法还提供了用于展开虹膜图像和用于掩蔽遮蔽区域的方法。

还描述了一种在图像中提取虹膜特征的方法。通过像素强度求和将展开的虹膜图像转换成积分图像。将一组和差滤波器用于对积分图像进行滤波。滤波后的输出被二值化以产生虹膜特征向量。该虹膜特征向量用于虹膜匹配。

附图说明

图1是根据本发明的一个实施方式的匹配图像中的虹膜的方法的流程图；

图2A是根据本发明的一个实施方式的生成图像中的虹膜边界的方法的流程图；

图2B是根据本发明的一个实施方式的生成掩模的方法的流程图；

图3是根据本发明的一个实施方式包括待定位的虹膜的眼睛区域的示意图；

图4是根据本发明的一个实施方式的4领域情况下的局部二值模式(LBP，local binary pattern)算子的框图；

图5A是具有根据现有技术的霍夫变换检测的虹膜边界的图像；

图5B是具有根据现有技术的微积分算子检测的虹膜边界的图像；

图5C是具有根据本发明的一个实施方式检测的虹膜边界的图像；

图5D是具有根据现有技术的霍夫变换检测的虹膜边界的图像；

图5E是具有根据现有技术的微积分算子检测的虹膜边界的图像；

图5F是具有根据本发明的一个实施方式检测的虹膜边界的图像；

图6A是具有利用现有技术的霍夫变换检测的圆形虹膜边界的眼睛的图像；

图6B是具有利用现有技术的微积分算子检测的圆形虹膜边界的眼睛的图像；

图6C是具有根据本发明的一个实施方式检测的椭圆形虹膜边界的眼睛的图像；

图7是根据本发明的一个实施方式归一化或展开虹膜图像的框图；

图8A是根据本发明的一个实施方式的展开的虹膜图像；

图8B是具有根据本发明的一个实施方式检测的一个遮蔽眼睑的展开的虹膜图像；

图8C是具有根据本发明的一个实施方式检测的两个遮蔽眼睑的展开的虹膜图像；

图9是根据本发明的一个实施方式的提取虹膜特征向量的方法的流程图；

图10是根据本发明的一个实施方式的积分图像的框图；

图11A是根据本发明的一个实施方式的奇对称滤波器的框图；

图11B是根据本发明的一个实施方式的偶对称滤波器的框图；

图11C是现有技术滤波器的框图；

图11D是根据本发明的一个实施方式的和差滤波器的框图；以及

图12是根据本发明的一个实施方式的一组滤波器的框图。

具体实施方式

图1示出了根据本发明的一个实施方式的匹配图像中的虹膜的方法和系统100。可以从获取110眼睛的图像102开始虹膜定位。该眼睛包括虹膜103。画质评估120判定图像102是否可用。如果眼睛图像具有足够的画质，则系统定位200图像中的虹膜103，否则111获取110另一图像。将虹膜的定位的图像(虹膜图像)121归一化130为具有预定的像素配置的矩形图像131(称为“展开”图像)。做出判定140以检测展开的虹膜图像131中的眼睑遮蔽。如果为真，则生成160掩模161，且该掩模与展开图像131相关联。如果为否，则不生成掩模170。从展开的图像提取150虹膜特征151且虹膜特征151与掩模161(如果有)一起用于当与针对虹膜存储库181生成的特征向量比较时的虹膜匹配。

虹膜图像定位

图2A示出了本发明的定位步骤200的细节。首先，求出220-230眼睛图像102中的虹膜的强度梯度信息225和纹理信息235。将梯度信息225和纹理信息235组合240以产生该图像中的虹膜的内侧边界245和外侧边界246。下面将更详细地描述边界生成200。根据本发明的一个实施方式，可以针对一组圆周215求出并组合梯度和纹理信息。与组合的最大值相关的圆周被选择为虹膜边界。应当注意，上述过程既能够用于定位虹膜的内侧边界也能够用于定位其外侧边界。

根据一个实施方式，定义210一组圆周215。该组圆周215能够具有零个、一个或任意数目的圆周。而且，能够根据图像的特征限制该组圆215，例如，将圆周的中心限制为接近瞳孔的中心。

图2B示出了根据本发明的一个实施方式生成掩模的方法。根据如上所述的定位的虹膜的内侧和外侧边界245-246，通过展开130虹膜图像121使虹膜图像121归一化。判定140展开的虹膜图像131中是否存在眼睑遮蔽。如果存在眼睑遮蔽，则生成160掩模161。如果没有，则不生成170掩模。如下面进一步详细描述的，与现有技术相反，对展开的图像131而不是输入的眼睛图像102生成160掩蔽图像161。

如图3所示，在眼睛300中，虹膜304比瞳孔305更亮且比巩膜306更暗。因此，大多数现有技术虹膜定位方法或用强度梯度或用边缘检测。这些方法依赖于瞳孔和虹膜之间以及虹膜与巩膜之间的强的强度对比。通常，这些对比不足以实现可靠的虹膜定位。

注意到虹膜304具有与瞳孔和巩膜大不相同的纹理。瞳孔和巩膜分别均匀地呈现黑色和白色，而基本没有纹理。与此形成对照，虹膜呈现斑点或条纹。本发明发现这种纹理差对于虹膜和瞳孔之间以及虹膜和巩膜之间的区分是有用的，尤其当强度对比相对小时。这能够显著改善虹膜定位。

本发明的一个实施方式利用梯度信息和纹理差的组合。用于虹膜定位的公式能够通过以下最优化表示：

$(r^{*},{x_0}^{*},{y_0}^{*})={\arg \max }_{(r,x_0,y_0)}C(I,x_0,y_0,r)+\mathrm{\λT}(Z_i,Z_c,x_0,y_0,r),---\left(3\right)$

其中C(.)表示基本沿着该虹膜图像中的圆周的像素强度的梯度幅值的度量。T(.)表示该虹膜图像中圆周的每侧的纹理差的度量，且λ是加权参数，例如0.1。检验该组圆周215中的所有圆周以找出最大化像素强度梯度的幅度和纹理差的加权和的一个圆周。

纹理差T测量被圆周(x₀，y₀，r)303分隔的内侧区域Z_i 301和外侧区域Z_o 302之间的纹理差。所述区域基本与正在检测的圆周相邻。应当注意，根据本发明的一个实施方式的纹理差用于求出虹膜边界，而不应与现有技术的用于求出虹膜的遮蔽区域的纹理使用相混淆。可对瞳孔和虹膜之间的内侧边界以及巩膜和虹膜之间的外侧边界使用同一公式。

因为与内侧和外侧边界相邻的区域不必是匀质或均匀的，仅与边界相邻的窄的区域用于测量纹理差。

对于虹膜定位，除了梯度幅值，还在内侧和外侧区域之间测量纹理差。由于可能的眼睑遮蔽，可以将搜索限制为左象限310和右象限320，即，135°～225°以及-45°～45°。图3还示出了瞳孔305和虹膜304可以不是同心的。

强度梯度

式(3)的第一项C(I，x₀，y₀，r)表示强度梯度信息。利用沿着圆周的像素强度的梯度评价该项，例如能够使用Daugman的微积分算子(IDO)(参照上文)。

因此得到：

其中I(x，y)是眼睛的图像。IDO利用归一化的闭曲线积分关于增大的半径r的模糊偏导数沿着半径r和中心坐标(x₀，y₀)的圆周弧度ds求出图像I(x，y)的强度梯度信息。符号(^*)表示卷积且G₀(r)是诸如具有标准差σ的高斯函数的平滑函数。为达到测量梯度幅值的目的，将像素强度归一化到[0，1]的范围。在一个实施方式中，将中心差近似用于具有两个像素间隔的梯度推测。还可以使用检验和模拟诸如椭圆形的非圆形边界的其他方法。

纹理差

式(3)中的第二项T(Z_i，Z₀，I，x₀，y₀，r)表示圆周内侧和外侧的区域中的纹理的差异程度的度量。在一个实施方式中，Kullback-Leibler散度(KL-散度)测量分别从内侧和外侧区域301-302得出的两个概率密度函数的距离(差)。为有效地表达纹理信息而不减小虹膜定位的准确性，本发明使用一种方法，该方法使局部二值模式(LBP)算子适用于最小邻域，例如4个最近相邻像素。

局部二值模式(LBP)算子用于分析纹理(一般地，参见：Maenpaa，T.，Pietikainen，M.“Texture analysis with local binary patterns”In Chen，C.Wang，P.，eds.，Handbook of pattern Recognition and ComputerVision，3^rd ed.，Workld Scientific，pp.197-216，2005，通过引用将其内容结合于此)；以及Ojala，T.，Pietikinen，M.，Harwood，D.“Acomparative study of texture measures with classifications based on featuredistributions，”(Pattern Recognition，vol.29，pp.51-59，1996，通过引用将其内容结合于此)。

局部二值模式(LBP)算子

如图4所示，LBP的运算具有三个步骤，阈值处理410、加权420以及求和430。将中心像素402的强度(100)用作阈值对与像素402直接相邻的所有像素401的像素强度(150，139，112，91)进行阈值处理410。将具有比阈值大的强度的相邻像素411赋值为1。将具有比阈值小的强度的相邻像素412赋值为0。

接下来，使用2的幂的权重加权420每个相邻像素所赋的值“0”或“1”。最后，对相邻像素的加权值求和430并将其赋值给中心像素402。对于考虑的每个像素执行该处理。

接下来，基于从上述LBP运算获得的加权值，动态地对边界区域求出像素值的直方图。分别对内侧和外侧区域求出概率密度函数p(x)和q(x)，其中x表示直方图中每个格子(bin)的指数。例如，内侧区域的像素的p(x)能够根据下式定义：

$p\left(x\right)=\frac{N_x}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{N}_i},$

其中N是一个格子中的加权像素值的集合，n是格子的数目，且x∈{0，...，n}。对于外侧区域中的像素的直方图，类似地能够定义概率密度函数q(x)。在一个实施方式中，加权的值在[0，15]的范围内。因此，每个直方图具有16个格子。测量内侧和外侧区域的直方图的相应格子的概率密度函数之间的差或“距离”作为KL散度。

KL散度

假设具有概率密度函数p(x)和q(x)的两个直方图，p和q之间的KL散度或相对熵被定义为：

$D\left(p\right|\left|q\right)=\underset{x}{\mathrm{\Σ}}p\left(x\right)\log \frac{p\left(x\right)}{q\left(x\right)}---\left(5\right)$

当且仅当p＝q时，KL散度D(p||q)是零，否则为正。尽管分布之间的距离不是真实的距离，因为该距离不对称且不满足三角不等式，但是它仍对将KL散度考虑为分布之间的“距离”是有用的。

因此，在圆周边界的情况下，可以通过KL散度求出式(3)中的第二项：

T(Z_i，Z_o，x₀，y₀，r)＝D(p(x；Z_i)||q(x；Z_o))，      (6)

其中Z_i和Z_o是被圆周(x₀，y₀，r)303分隔开的内侧和外侧区域。

图5A-5F比较了根据本发明的一个实施方式的边界定位方法的性能与现有技术方法的性能。图5A、5B、5D和5E用于现有技术方法且图5C和5F用于根据本发明的一个实施方式的方法。

模型选择

眼睛图像中的虹膜的内侧和外侧边界能够通过圆形或椭圆形建模。椭圆的离心率根据下式决定：

$e\≡\sqrt{1-\frac{b^2}{a^2}}$

对于常规的椭圆：

$\frac{{(x-x_0)}^2}{a^2}+\frac{{(y-y_0)}^2}{b^2}=1$

理论上，离心率e满足0≤e＜1，且在圆形的情况下，e＝0。常规椭圆具有与x轴和y轴一致的长轴和短轴，而虹膜图像中拟合的椭圆能够相对于轴旋转。圆形模型是椭圆形模型的一种特殊情况且计算起来更不复杂。

用于虹膜定位的大多数现有技术/方法使用两个圆周来模拟虹膜的内侧和外侧边界。圆周是容易求出的，但是由于视角的不正交透视，拟合可能不准确。椭圆模型可以得出更好的拟合。这种搜索在4D空间进行。

尽管针对圆形边界模型给出了上述描述，利用微小的修改，所述方法和步骤就能够用来实现椭圆形模型。Camus和Wildes使用椭圆来模拟瞳孔/虹膜边界并使用圆形来模拟虹膜/巩膜边界(Camus，T.，Wildes，R，.“Reliable and fast eye finding in close-up images，”Inter.Conf.on PatternRecognition，pp.389-394，2002)。本发明利用圆形或椭圆来获得所有情况下的最佳拟合。

在本发明的一个实施方式中，模型选择是一个具有两个步骤的方法。首先，使用圆形模型来近似虹膜的内侧和外侧边界。其次，在比圆形边界稍大的区域内，执行下面的步骤。如上所述获得边缘和纹理信息。利用8方连接(8-connectivity)，即，所有的相邻像素，为边界点产生链码。所有生成的链中的最长的轮廓被选择以消除“偏离值(outlier)”的边缘像素。

利用直接椭圆拟合方法对所选的轮廓拟合椭圆，例如Fitzgibbon，A.，Pilu，M.，Fisher，R.，“Direct least-square fitting of ellipses，”(IEEETrans.on Pattern Analysis and Machine Intelligence，vol.21，pp.476-480，1999)，通过引用将其内容结合于此。直接椭圆拟合方法解决了一般化的特征值系统的问题以推测椭圆的参数。求得拟合的椭圆的离心率e，且利用如下这样的标准作出是使用椭圆还是圆形来模拟虹膜边界的判断：如果e大于阈值e_T，选择椭圆模型，否则，选择圆形模型。例如阈值离心率e_T可以是0.19。

图6A-6C示出了用于虹膜图像的圆形和椭圆拟合的效果。所有的圆形和椭圆画成宽度为一个像素的白线。分别利用霍夫变换和IDO通过用于内侧边界的圆形模型获得图6A和6B中的结果。可以看出，圆形没有很好地拟合瞳孔和虹膜边界。图6C中的结果使用了根据本发明的一个实施例的直接椭圆拟合并且精确地拟合了边界。

掩蔽

虹膜可能被上和/或下眼睑遮蔽。对于虹膜特征提取和识别，某些现有技术方法排除了虹膜的顶部和底部部分。然而，当存在很少或没有眼睑遮蔽时，这可能导致有用信息的丢失。和简单地删去虹膜的顶部和底部相比，对眼睑的明晰的模拟应该能够更好地利用可用信息。可以生成掩模图像且可将其与展开的虹膜图像相关联，以模拟眼睑遮蔽。

穹顶模型(Dome Model)

图7示出了虹膜710以及矩形展开的虹膜720。在一个实施方式中，展开的图像是512×64个像素的矩形排列。通过引用结合于此的DaugmanJ.G.的“High confidence visual recognition of persons by a test of statisticalindependence，”(IEEE Trans.on Pattern Analysis and Machine Intelligence，vol.15，pp.1148-1161，1993)以及通过引用结合于此的Ma，L.，Tan，T.，Wang，Y.，Zhang，D.的“Personal identification based on iris textureanalysis，”(IEEE Trans.n Pattern Analysis and Machine Intelligence，vol.25，pp.1519-153，2003)描述了展开处理。

如图8A-8C所示，与现有技术不同，本发明在展开的矩形图像中而不是原始的眼睛图像中求出眼睑遮蔽。提取的眼睑可以通过圆周的上弧线(此后，称为“穹顶”)模拟。图8A中没有穹顶，因为没有眼睑遮蔽，图8B中有一个穹顶是因为单个眼睑遮蔽，且图8C中有两个穹顶是因为上和下眼睑遮蔽。

根据本发明的一个实施方式，从上眼睑和下眼睑进行的遮蔽都能够以相似的方式处理。根据本发明的一个实施方式的一种方法使用“最少确定策略(least commitment strategy)”。

首先，判定是否存在眼睑遮蔽。如果没有遮蔽，例如图8A中所示，则不需要生成掩模。当存在遮蔽时，如8B和8C中，该方法求出要搜索多少个穹顶(1或2)，且然后找出相关的穹顶。该方法还具有后处理阶段以减小可能误检的遮蔽。为提取穹顶，使用根据本发明的一个实施方式的圆形模型来近似眼睑遮蔽，而不使用更加复杂的模型(例如仿样(spline)、抛物线模型)或直线的粗糙模型。

为检测展开的图像中的可能的眼睑遮蔽，将可能出现眼睑的展开虹膜的区域与不能发生遮蔽的区域相比较。通过观看原始像素值的相应分布比较这些区域。卡方(chi-square)距离度量用于比较这两个区域中的原始像素值的直方图，即

${\mathrm{\χ}}^2(M,N)=\underset{b=1}{\overset{B}{\mathrm{\Σ}}}\frac{{(M_b-N_b)}^2}{M_b+N_b},---\left(7\right)$

其中M和N是待比较的两个直方图，每个直方图具有B个格子。

更详细地，根据本发明的实施方式的掩蔽计算可以包括以下步骤：

1.在展开的图像中提取标示为R_l，R_m和R_r的三个区域，这三个区域分别近似对应于输入的眼睛图像中的如下区域：上眼睑的区域、确定没有遮蔽的虹膜(例如图3中135°～225°的区域)的区域以及下眼睑的区域。从图像底部开始，获得所述三个区域(例如面积为40×20像素)。

2.求出每一区域中的原始像素值的直方图，这些直方图标示为H_l，H_m和H_r。使用32个格子求出所述直方图H_l，H_m和H_r。

3.利用式(7)求出卡方距离X²(H_m，H_l)和X²(H_m，H_r)。

4.通过检查X²(H_m，H_l)＞T_o且X²(H_m，H_r)＞T_o。(其中，T_o是阈值)确定是否存在遮蔽，如果是，有多少个穹顶。例如T₀等于0.26。

5.如有必要，使用式(3)搜索穹顶。注意现在圆心位于展开的图像下面且仅使圆周的顶部弧线适合眼睑。

6.通过检查所找出的穹顶的最大值是否满足C(I，x^* ₀，y^* ₀，r^*)+λT(Z_i，Z_o，x^* ₀，y^* ₀，r^*)＞T_c(其中T_c是阈值，例如，将其设置为13.5，以及(x^* ₀，y^* ₀，r^*)是找出的该穹顶的圆周)来移除故障警告。如果不满足，提取的穹顶是故障警告。

虹膜特征提取

图9示出了用于在展开的虹膜图像131中提供虹膜特征的方法900。根据本发明的实施方式，展开的虹膜图像131能够转换910成积分图像915。利用下面进一步详细描述的和差(DoS)滤波器921，对展开的虹膜图像131或积分图像915进行滤波920以产生滤波后的输出925。滤波后的输出925被二值化930以得出展开的虹膜图像131的虹膜特征向量935。

积分图像

能够利用预计算积分图像915执行下面更详细描述的DoS滤波。Crow首先提出了用于快速纹理映射的“面积求和表”(Crow，F.“Summed-area tables for texture mapping，”Proceeding of SIGGRAPH，vol.18，pp.207-212，1984)。Viola和Jones在面部检测中利用快速特征提取的“积分图像”(Viola P.，Jones，M.，“Rapid object detection usinga boosted cascade of simple features，”IEEE Conference on Computer Visionand Pattern Recognition，vol.1，pp.511-518，2001，此处通过引用并入其内容)。

在积分图像中，每个位置(x，y)的值包含位置(x，y)上方和左边的所有像素强度之和，包括：

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}i(x^{\′},y^{\′}),---\left(8\right)$

其中ii(x，y)是积分图像中的积分像素强度值，且i(x，y)是展开的虹膜图像中的像素强度值。展开的虹膜图像131能够在展开虹膜图像相对的一个通道(pass)中被转换成积分图像915。如图10所示，具有矩形ABCD 1010的角A、B、C和D(1011-1014)处的积分图像值的积分图像915的矩形区域1010中的像素的强度和可以按下式求出：

Area(ABCD)＝A+D-B-C.

利用和差(DoS)滤波器进行滤波

DoS滤波器

根据本发明的实施方式，我们利用和差(DoS)滤波器来从虹膜图像提取基于纹理的特征。本发明的DoS滤波器具有许多独特的属性。首先，Dos滤波器的元素是算子而不是值。图11C示出了典型的现有技术滤波器1101。该滤波器中的9个元素其中每一个对应于待滤波的图像中的像素。在大多数技术中，滤波器以光栅扫描次序在像素上“移动”以对所有像素进行滤波。典型地，元素是数值或整数权重，也参见图4。在滤波过程中，每个值被相应的像素强度相乘。加权的强度然后用于在“重写”步骤中分配中心像素值。

根据本发明图11D中的滤波器1102中，滤波器的元素是函数或算子，例如，加法或减法。而且，算子应用于像素区域。如图所示，对像素的多个1×3的相邻区域定义每个算子。基本上，算子应用于相应区域中的所有像素。例如，对区域1101和1103中的所有像素强度相加，且减去区域1102的像素强度。然后将所有相邻区域的值总计在一起，并根据某一阈值换算为单个二进制数字，即“0”或“1”。例如，如果总和为正，数字为“1”，否则数字为“0”。

然后该二值化的值是对滤波器覆盖的所有相邻区域所赋的值。因此，该滤波器具有两个效果。根据由相邻区域大小设定的因子，像素数量的显示大小被大幅度减小，且对于滤波器的每个应用，最后的滤波器输出是单一比特。因此，根据本发明的DoS滤波器提供了特征提取、压缩和编码。

在具体的实施方式中，本发明用于虹膜编码的矩形和差(DoS)滤波器具有两个基本的横截面形状。图11A示出了“奇”对称滤波器且图11B示出了“偶”对称滤波器。奇对称滤波器具有关于滤波器的中心轴的奇对称性，且具有奇数个算子和相应区域。偶对称滤波器具有关于滤波器的中心轴的偶对称性，以及偶数个算子和区域。滤波器只具有两种可能的算子例如，(+)和(-)。因此以“信号”、例如图像的矩形区域对滤波器求卷积来求出与滤波器的正部和负部相关的信号部分的和值之间的差。因此，该滤波器称为和差(DoS)滤波器。

本发明的DoS滤波器在几个方面优于现有技术滤波器。该DoS滤波器的设计在概念上非常简单。现有技术滤波器(例如Gabor滤波器)通常由整数值阵列表达，通常近似滤波中使用的一个函数或多个函数。作为一个优点，根据本发明的实施方式的DoS滤波器由算子的矩形区域表达。此外，算子可以由单个比特表达。因此，即使对于覆盖图像中的很多像素的大区域，该滤波器也能够具有非常紧凑的表达。

不像对于算出利用涉及乘法并且因此需要更多计算时间的现有技术滤波器的滤波器响应那样，可以仅使用简单的加(+)和减(-)运算来求出利用DoS滤波器的滤波器响应。

作为另一优点，如上所述，能够利用积分图像实现利用本发明的矩形DoS滤波器的滤波。即通过在积分图像中的简单查询，就能求出滤波器的输出。这使得应用DoS滤波器非常快。

极坐标中的现有技术虹膜滤波器，例如2D Gabor滤波器是更加复杂的：

$G(\mathrm{\ρ},0)=\exp (-\mathrm{i\ω}(\mathrm{\θ}-{\mathrm{\θ}}_0))\exp (-{(r-r_0)}^2/{\mathrm{\σ}}_r^2)\exp (-{(\mathrm{\θ}-{\mathrm{\θ}}_0)}^2/{\mathrm{\σ}}_{\mathrm{\θ}}^2),$

且不能使用积分图像。

Dos滤波器本质上对展开虹膜图像中的错误源较不敏感。不像现有技术滤波器，奇和偶对称DoS滤波器都具有零和，以消除对于绝对强度值的滤波器响应的敏感度，并给出了微分对的效果。现有技术Gabor滤波器的实数成分需要通过截断而仔细地偏置，使得所得虹膜代码中的位不依赖于像素强度。当使用本发明的DoS滤波器时不需要截断。

对于虹膜纹理的特征提取，本发明使用一组二维DoS滤波器对。该组中的DoS滤波器都具有相同高度(例如8个像素)和各种宽度。

图12示出了用于虹膜特征提取的4对具有各种宽度的奇和偶对称DoS滤波器1201-1204。根据本发明的实施方式，本发明使用8个滤波器的组：对于12、24、36、48个像素宽度其中每一个使用奇对称滤波器和偶对称滤波器。所有的滤波器具有8个像素的高度。

使用DoS滤波器滤波

根据本发明的实施方式，通过将积分图像分割成几个(例如8个)水平带，且然后在每个带内间隔地应用滤波，将DoS滤波器组应用于虹膜图像。所述间隔可以重叠。滤波后的输出成为实数。

二值化

符号函数用于将滤波后的输出二值化成离散的整数，即1或0，

其中x是加法和减法的结果，且y是滤波器的输出。

二值化使得特征提取对于虹膜图案中的噪声较不敏感。例如，能够以不同的视角获取虹膜图像。而且，光源的入射角可以改变，且虹膜定位可以并不完美。

实际上，对于难以控制对象的姿态以及背景光条件的真实世界的应用这是特别有利的。而且，在登录过程中获取的图像与匹配后稍后获取的图像相比会受到完全不同的姿态和照明条件的影响。还注意，不同的照相机可能具有不同的响应。

使用一系列“1”和“0”比特位的二值化表达提高了精确特征匹配。虹膜特征向量可用于虹膜匹配。根据本发明的实施方式，利用对虹膜旋转进行补偿的向左和向右的六个移位，求出测试虹膜特征向量和存储在虹膜图像数据库中的虹膜特征向量之间的汉明距离。该汉明距离是两个二进制串之间不同的比特位的数目。更正式地，两个特征向量A和B之间的距离是∑|A_i-B_i|。

本发明的效果

描述了用于虹膜定位的方法。该方法利用虹膜和巩膜之间以及瞳孔与虹膜之间的强度梯度和纹理差来求出虹膜内侧和外侧边界。选择模型来表达边界；该模型可以是圆形或椭圆形。该方法还提供了用于展开虹膜图像以及用于掩蔽遮蔽区域的方法。

还描述了用于提取图像中的虹膜特征的方法。通过像素强度求和，将展开的虹膜图像转换成积分图像。将一组和差滤波器用于对积分图像滤波。滤波后的输出被二值化以生成虹膜特征向量。虹膜特征向量用于虹膜匹配。

尽管已经通过优选的实施方式的示例描述了本发明，应当理解，可以在本发明的精神和范围内做出各种其他调整和修改。因此，所附权利要求的目的是覆盖落入本发明的真实精神和范围内的所有这些变型和修改。

Claims (4)

1.一种在图像中提取虹膜特征的方法，该方法包括：

检测图像中的虹膜边界；

根据所述边界，将表示所述图像中的所述虹膜的像素映射到矩形图像；

对所述矩形图像中的像素进行滤波以生成滤波后的输出，其中所述滤波利用和差滤波器；以及

使所述滤波后的输出二值化以生成表示所述虹膜的特征向量。

2.根据权利要求1所述的方法，其中所述二值化依照：

其中y是特征向量中的项，sgn()是符号算子且x是所述滤波后的输出。

3.根据权利要求1所述的方法，该方法还包括：

针对已知虹膜的第一图像生成第一特征向量；

针对未知虹膜的第二图像生成第二特征向量；以及

测定所述第一特征向量和所述第二特征向量之间的汉明距离以求出所述已知虹膜和所述未知虹膜之间的相似度。

4.根据权利要求1所述的方法，该方法还包括：

依照下式将所述矩形图像转换成积分图像：

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}i(x^{\′},y^{\′}),$

其中ii(x，y)是所述积分图像中的积分后的像素强度值，且i(x，y)是所述矩形图像中的像素强度值；以及

利用所述积分图像求出所述滤波后的输出。

Images