CN101404059B - 基于块状纹理采样的虹膜图像数据库合成方法 - Google Patents

Abstract

本发明一种基于块状纹理采样的虹膜图像数据库合成方法包括步骤：对虹膜图像预处理，得到特定的目标区域作为合成纹理的输入图像。该方法有效的从真实虹膜图像中得到干净的虹膜纹理；块状纹理采样的虹膜图像合成，通过非参数采样方法，从真实的虹膜图像中得到虚拟的合成虹膜图像；模拟虹膜在各种外部和内部条件下的变化特性，从一幅虚拟图像中合成多幅类内虹膜图像，从而生成大规模的虹膜图像数据库；将合成的归一化虹膜图像转换成圆环状虹膜；建立合成虹膜图像数据库的评价体系。本发明用于对虹膜识别算法的大规模测试，用以比较和预测算法的性能，也作为虚拟图像对现有系统作攻击测试，为应用系统增加防伪功能。

Description

基于块状纹理采样的虹膜图像数据库合成方法

技术领域

本发明属于模式识别技术领域，具体地涉及图像处理与生物特征识别技术。

背景技术

生活在一个高度信息化的现代社会，身份识别已经渗透到人们日常生活的每一个方面。生物识别技术作为新的一种身份识别技术，得到了越来越广泛的应用。基于虹膜的生物特征识别技术在过去的十几年间得到了迅速的发展。然而，由于目前公开虹膜图像数据库并不多，而且相对较小，而有些大规模的虹膜图像数据库仍然是私有的，所以目前的虹膜识别算法大多数都只能在一些相对小的数据库上进行性能测试。这样的测试结果不具备很好的泛化能力，因此并不能预测识别算法在大规模应用中的性能。由此可见虹膜识别算法迫切需要大规模的虹膜图像数据库。然而获得一个这样的数据库非常困难，不仅需要耗费大量的时间和精力，而且由于人们越来越重视隐私，采集大规模的虹膜图像容易带来有争议性的问题。

如果我们能够研究出一种方法，人工的合成虹膜图像，并生成虹膜图像数据库，就可以解决以上诸多问题。合成虹膜图像不仅可以用于算法的训练和测试，还可以作为攻击数据对系统进行安全测试，以增加系统的防伪功能。

目前已经采用类似合成技术进行算法测试的有指纹合成。国际指纹识别竞赛(FVC2000，FVC2002，FVC2004，FVC2006)引入了合成的指纹图像对竞赛的算法进行测试。关于虹膜图像合成目前也已有一些算法。例如，采用主成份分析(PCA)和超分辨率合成虹膜图像，采样马尔可夫随机场合成虹膜图像等。

发明内容

本发明的目的是提出一种基于块状纹理采样的虹膜图像数据库合成方法，以生成大规模的虹膜图像数据库，从而为虹膜识别算法提供训练和测试数据。

为实现上述目的，本发明提供的基于块状纹理采样的虹膜图像数据库合成方法包括步骤如下：

步骤1：对虹膜图像进行虹膜定位，归一化和去噪的预处理，得到清晰虹膜块状纹理作为采样虹膜图像；

步骤2：利用块状纹理采样的方法，将真实虹膜图像作为采样图像，合成归一化虹膜图像；

步骤3：从一幅合成归一化虹膜图像生成多幅类内虹膜图像；

步骤4：将归一化虹膜图像转换成圆环形；

步骤5：采用虹膜图像外观，数据库容量和类内类间距离为评价指标，对合成虹膜图像数据库建立评价体系。

本发明的虹膜图像合成方法采用从真实的虹膜纹理中采样的策略，将每次采样的纹理块与原有的纹理在空域中融合，所合成的虹膜纹理外观上与真实虹膜相似度高，具有很强的仿真性。本发明使用的纹理合成方法能够生成大规模的虹膜图像数据库，从而为算法提供了良好的测试平台。本发明所生成的虹膜图像数据库的统计特性与真实虹膜库的统计特性非常相近，进一步表明合成虹膜图像数据库可以提供优良的测试环境。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。

附图说明

图1为虹膜图像数据库合成的框架图；

图2虹膜图像预处理示例，其中，

(a)是真实虹膜图像；

(b)是定位后的虹膜图像；

(c)是归一化的虹膜图像；

(d)是待采样的虹膜图像；

图3为基于块状纹理采样虹膜图像合成示意图，其中，

(a)是待采样的纹理块和采样中若干个纹理块示意；

(b)是其中一个纹理块及其示意图；

(c)是初始化的合成图像；

(d)是第1个纹理块粘贴后的示意图；

(e)是第k个纹理粘贴前的示意图；

(f)是第k个纹理粘贴后的示意图。

图4是瞳孔膨胀和收缩时导致虹膜纹理的形变示意图，其中，

(a)是瞳孔膨胀时的虹膜纹理；

(b)瞳孔膨胀示意图；

(c)瞳孔收缩时的虹膜纹理；

(d)瞳孔收缩示意图。

图5是虹膜纹理随机扰动的示意图，其中，

(a)是在原有的虹膜纹理上随机选择若干区域的示意图；

(b)是所选择的其中一个区域；

(c)是(b)区域经过扰动后的图像；

(d)是随机生成的扰动模板。

图6是环形虹膜旋转，即归一化虹膜图像平移的示意图，其中，

(a)是平移前的图像示意图；

(b)是平移后的图像示意图。

图7是真实虹膜图像和几种合成虹膜图像的比较，其中，

(a)、(b)是真实的归一化虹膜图像；

(c)、(d)是用本发明的方法合成的归一化虹膜图像；

(e)是用马尔科夫随机场的方法合成的归一化虹膜图像；

(f)是用PCA和超分辨率方法合成的归一化虹膜图像；

(g)是真实的环形虹膜图像；

(h)-(p)为本发明的方法合成的环形虹膜图像。

图8是合成虹膜库类间汉明距离分布图及其二次曲线拟合。

图9是真实虹膜库类间汉明距离分布图及其二次曲线拟合。

图10是合成虹膜库类内类间汉明距离分布图。

图11是真实虹膜库类内类间汉明距离分布图。

图12是真实虹膜与合成虹膜的ROC曲线图。

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

虹膜图像合成可以为虹膜识别算法提供大规模的训练和测试数据库，从而增强算法的稳定性和鲁棒性。本发明提出一种新颖的虹膜图像合成算法，其流程框图如图1所示。图1中，待采样的虹膜图像是从真实虹膜图像中提取得到的虹膜纹理，对该图像以纹理块为基元进行采样并重新合成后得到了归一化虹膜图像，然后根据虹膜在各种外部和内部条件下的变化特性，由一幅归一化虹膜图像合成多幅类内虹膜图像，最后将合成的类内归一化虹膜图像环形化，即通过双线性插值的方法将其转换成圆环形。假设所合成的目标虹膜数据库中有N个子类，本发明的方法首先从待采样图像中合成N幅归一化虹膜图像，由于采样过程的随机性，每幅图像与其他图像均互相独立，自成为一个子类，如图中第二步骤即合成归一化虹膜图像所对应的子类1～子类N所示；图中第三步骤即合成多幅类内图像纵向对应的图代表从每个子类中的一幅图像生成了若干幅同类图像；图中第四步骤即虹膜图像环形化纵向对应的图表示每个子类的图像从方形的归一化图像最终变成了数据库中的环形图像。图1中横向所示标号相同的子类，即第一个子类1和第二个子类1是同一个子类，但是其存在形式不同，第一个子类1中的图像为合成的归一化图像，最后一个子类1为最后得到的环形图形，其他子类之间遵从同样的关系。

与现有的虹膜图像合成算法相比，本发明的新颖性在于：

1)引入块状纹理采样，最大限度的保留了虹膜的纹理基元的特性。虹膜纹理基元是表达虹膜纹理特性的基本单元，对表达虹膜的外观和虹膜的统计特性上起着重要的作用。以往的虹膜图像合成算法致力于对虹膜的整体重建、对虹膜的单个象素进行采样或直接对虹膜图像作虚拟建模，忽略了虹膜纹理的基元特性。本发明中，对块状纹理采样包含了虹膜纹理基元的特性，因此仿真度高。

2)引入虹膜纹理的非线性形变来生成多幅类内虹膜图像，有效的模拟光照条件下虹膜纹理扩张和收缩的情况，为测试识别算法鲁棒性的提供了良好的环境。

下面对本发明涉及的关键步骤逐一进行详细说明，本发明的基本步骤具体形式如下所述：

首先，是虹膜图像的预处理：

虹膜图像中不仅包括虹膜，还有瞳孔、巩膜、眼皮和睫毛等。因此要得到清晰的虹膜纹理，第一步应该是从虹膜图像中把虹膜分离出来，然后将虹膜圆环归一化到固定尺寸的矩形区域，即虹膜的预处理(虹膜定位和归一化)，这是关键性的一步。

1.虹膜定位

人眼的瞳孔和虹膜外轮廓都很接近圆形，因此我们采用圆模型来拟合瞳孔和虹膜边界。人眼瞳孔的灰度低于周围区域，所以可以使用阈值法分割出瞳孔区域，然后将该区域的重心作为初步的瞳孔中心，在该点的附近用可变尺度的模板去拟合瞳孔的边缘，最佳的拟合结果就是瞳孔的定位结果。虹膜的中心接近瞳孔的中心，所以可以用同样的方法找到虹膜的中心和半径。图2(b)是对图2(a)中的虹膜定位后的例子。

2.归一化

以双线性差值的方式，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。每一幅清晰的虹膜图像经过虹膜归一化后，都能得到大小为80×512的矩形区域。图2(c)是虹膜归一化之后的结果。

3.选取清晰的虹膜纹理作为待采样图像

由于人眼是人体的一个内部器官，虹膜很容易被眼皮睫毛遮挡，为了提高整个方法的可靠性，我们选取了最不容易被遮挡的虹膜区域作为我们感兴趣的区域。图2(c)中实线矩形表示了待采样的区域，即为图2(d)所示区域。对归一化的虹膜去噪并得到清晰虹膜纹理区域作为采样图像。去噪并检测特定的所述目标区域是将归一化虹膜图像中的眼皮和睫毛部分剔除，保留干净的虹膜纹理作为合成虹膜的输入图像。

其二，是利用块状纹理采样来合成归一化虹膜图像；

合成归一化虹膜图像主要包括三个步骤：

1.生成初始化图像。

生成一幅空白的矩形图像，大小为80×512，与归一化虹膜图像大小相同。如图3(c)所示，对该图像的前W_E行和W_E列赋初始值，初始值选取策略如下：

I_ini＝I_ave+N_wgn

其中I_ini是初始值，I_ave为虹膜灰度平均值，N_wgn为高斯白噪声。

2.对输入图像采样

对所得区域采样包括步骤：对区域遍历采集固定尺寸的虹膜纹理块，计算每一个纹理块的边缘与初始化图像相应目标区域的距离，得到边缘距离最近的若干个虹膜纹理块并从中随机选择一个纹理贴入合成图像的目标区域。其纹理块的边缘与目标区域的距离为欧式距离。更新当前贴入纹理的边缘值为区域原有象素值与当前贴入纹理边缘值的平均值。

确定当前的目标区域为下一个(W_B×W_B)大小的纹理块，即当前需要合成的纹理块，取得与该块纹理相邻的上边缘尺寸为(W_E×(W_B+W_E))与左边缘尺寸为(W_B×W_E)大小的区域灰度值，记为B_syn，P_k为目标区域中除去以上边缘后的区域，在该目标区域尚未合成时，P_k为空白区域，如图3(e)所示，当目标区域合成后，P_k区域的纹理为新增加的纹理，如图3(f)所示。图3(d)为合成第一个纹理块即P₁后的示意图，图3(f)为合成第k个纹理块后的示意图。

将预处理后所得的清晰虹膜纹理区域作为待采样的输入图像，对该图像以(W_B+W_E)×(W_B+W_E)大小的纹理块进行采样，取得该块纹理的上边缘尺寸为(W_E×(W_B+W_E))与左边缘尺寸为(W_B×W_E)大小的区域灰度值，记为B_in，如图3(a)和图3(b)所示。计算B_syn与B_in的欧式距离。将图像遍历采样后得到的所有距离值进行排序，距离最小的前β个区域对应的纹理块取出，形成一个待选纹理块的集合，记为Ф_p。如图3(a)中A₁，A₂至A_m所示即为某次采样中的m个纹理块。

从集合Ф_p中随机的选取一块纹理B_in，贴入当前的目标区域中。此时边缘区域B_syn与B_in重叠，将重叠的区域更新为B_syn与B_in的平均值，即：

B_new＝(B_syn+B_in)/2

3.重复步骤2直到纹理块将初始图像贴满为止，此时的图像即为合成的归一化虹膜图像。

其三，是根据虹膜图像的特性生成多幅类内虹膜图像。

由于纹理块选择时的随机性，用块状纹理采样所合成的每一幅虹膜图像都属于不同类图像，即此时合成数据库中每类只有一幅图像。要使数据库适合于算法测试，每类必须包含多幅图像。根据虹膜图像的类内变化特性，本发明的方法用纹理非线性形变、纹理随机扰动和虹膜图像旋转等方法来生成类内虹膜图像。

本发明的方法主要描述以下三种类内虹膜图像的生成方法：

1.虹膜纹理的非线性形变。

本发明的方法假设虹膜的非线性形变是由线性形变与一个附加形变值的和来表达：

R_nonlin＝R_lin+ΔR

其中R_nonlin表示非线性形变下的纹理中的任意一个点到瞳孔中心的距离，R_lin表示线性形变下的同一个点到瞳孔中心的距离，ΔR即为附加形变值。统计表明该虹膜形变在靠近瞳孔和虹膜边界的时候比较小，而在虹膜纹理的中心形变较大，因此本发明的方法用高斯模型来模拟虹膜的非线性形变，此时上式表达成：

R_nonlin＝R_lin+ΔR＝R_lin+(T_th-T)×N(μ，σ²)

其中T为瞳孔与虹膜的半径比，即 $T=\frac{R_P}{R_i},$ T_th为一个训练后的阈值，N(μ，σ²)为高斯分布的表达。如果情况为瞳孔收缩，(T_th-T)>0，则△R为正值，即该情况下虹膜非线性形变距离比线性形变距离值更大，虹膜处于纹理拉伸的状态；反之，瞳孔扩张时，(T_th-T)<0，ΔR为负值，虹膜处于纹理压缩的状态。图4显示了虹膜纹理在拉伸和压缩状态时的示意图，图4(a)是图4(b)的归一化图像，为瞳孔扩张，虹膜压缩的情况；图4(c)是图4(d)的归一化图像，为瞳孔收缩，虹膜拉伸的情况。图4(a)中的a₁和图4(c)中的a₂表示的是同一个块纹理对瞳孔的距离，但是由于瞳孔的扩张与压缩，其归一化图像中该块纹理出现在了不同的位置，从图中能明显看出a₂>a₁，表明图像(a)处于压缩状态，图像(c)处于拉伸状态。

2.虹膜纹理的随机扰动

本发明的方法通过如下步骤来实现虹膜纹理的随机扰动，以生成类内虹膜图像。

1)在归一化虹膜纹理中，随机选择若干个区域，如图5(a)中黑色方格所示意。

2)对于每一个区域I^*，如图5(b)中黑色方格所示，将区域内的像素值按照一个预先生成的形变模板做扰动。该形变模板是在一个可接受的阈值下随机生成的，如图5(d)所示。

3)对于步骤2)中的扰动所造成的空白像素区域，使用双线性插值的方法填充，使其平滑。

图5(c)显示了原始图像(b)经过扰动后的纹理，

即为I^*的扰动结果。

3.虹膜旋转

归一化虹膜图像是将环形虹膜从笛卡尔坐标系展开后成长方形的极坐标系，因此环状虹膜图像的旋转即相当于归一化虹膜图像在水平方向的平移。假设归一化虹膜图像长度是M₁，将归一化虹膜图像的最后k列截取后作为旋转图像的前k列，原图像的前(M₁-k)列即作为旋转图像的后(M₁-k)列，如图6(a)、图6(b)所示，这样旋转图像在原图像的基础上的旋转角度θ为：

$\mathrm{\&theta;}=\frac{2\mathrm{\&pi;}\&times;k}{M_1}$

在本发明的方法中，归一化虹膜长度M₁的取值为512，生成的类内虹膜图像旋转角度限制于[-15°，+15°]之间，所以归一化虹膜图像的水平方向平移将被限制在正负7个像素之间。

其四，是将归一化的虹膜图像转换成环形虹膜图像。

生成类内多幅归一化虹膜图像后，极坐标下的归一化图像需要再转换成笛卡尔坐标下的环形虹膜图像。归一化虹膜图像转换成圆环形是将归一化的固定尺寸的矩形虹膜图像映射成多种尺寸的环形虹膜图像。这个步骤同样使用双线性插值的方法来完成。在转换成环形图像时瞳孔和虹膜半径的选择根据其所对应的形变程度来确定，收缩虹膜的形变图像则转换成大瞳孔的虹膜图像，压缩的虹膜纹理则转换成小瞳孔的虹膜图像。

其五，合成虹膜图像数据库的性能评价。

对合成虹膜图像数据库建立评价体系，其合成虹膜图像数据库性能的指标为合成虹膜图像的外观，数据库容量和类内类间距离。

为验证算法的有效性，我们将CASIA虹膜图像数据库中的图像作为输入采样图像，合成了一个具有800类的数据库。CASIA虹膜图像数据库是由中科院自动化所创建的一个共享数据库，用于评测虹膜识别算法，目前已经被国际上多家研究单位采用。我们从如下3个方面来检验合成数据库的有效性：

1)合成虹膜图像的外观；

2)合成虹膜图像数据库的规模；

3)合成虹膜图像数据库的统计特性。

图7显示了一些真实虹膜图像与由多种不同方法合成的虹膜图像。图7(a)、图7(b)是真实的归一化虹膜图像，图7(c)、图7(d)是用本发明的方法合成的归一化虹膜图像；图7(e)是用马尔科夫随机场的方法合成的归一化虹膜图像；图7(f)是用PCA和超分辨率方法合成的归一化虹膜图像；图7(g)是真实的环形虹膜图像；图7(h)-图7(p)为本发明方法合成的环形虹膜图像。由图可见，本发明方法所合成的虹膜纹理与真实虹膜纹理非常相似，说明本发明方法能够合成非常真实的虹膜图像。

虹膜纹理的自由度是象征虹膜特征码独立性的一个标志，自由度的计算旨在用二项分布来模拟虹膜类间分布特性，图8所示，图中柱状分布为合成虹膜库类间汉明距离分布(Hamming distance)，实线为对该分布的二次曲线拟合。图9给出了真实虹膜类间汉明距离分布及其二次曲线拟合。自由度的具体计算为：

$N=\frac{p(1-p)}{{\mathrm{\&sigma;}}^2}$

其中，p为该分布的均值，σ²为方差。在计算虹膜的类内类间距离时，使用512字节的虹膜特征代码，由此得到的真实虹膜图像的自由度是622，合成虹膜类间分布的自由度是406，也就是说，在该情况下两个本为不同类的虹膜图像其特征代码由于巧合而完全相同的概率是1/2⁴⁰⁶。可见合成虹膜图像的自由度比真实虹膜图像自由度小一些，但是在该自由度下完全可以合成大规模的虹膜数据。由此可见，本发明的方法具有合成大规模的虹膜图像数据库的能力。

我们将所合成的800类每类40幅图像的虹膜图像数据库做成两个子数据库，记为合成虹膜子库1和合成虹膜子库2，每个库仍然为800类，每类包括20幅图像。两个子数据库源图像相同，只是在合成类间图像时使其具有不同的形变。子库1的虹膜纹理形变较子库2的形变大。对以上两个子数据库作类内分布统计，以及用合成这两个子库的源图像作类间分布统计，得到统计结果如图10所示，即合成虹膜子库1类内距离，合成虹膜子库2类内距离及合成虹膜库类间距离。图11给出了参考的真实虹膜库类内距离和真实虹膜库类间距离。同时我们对合成虹膜图像数据库的识别性能进行统计，图12显示了识别性能的ROC曲线，即错误接收率/错误拒绝率的曲线，图中具体给出的是CASIA虹膜数据库的ROC曲线，合成虹膜子库1的ROC曲线及合成虹膜子库2的ROC曲线。在该结果中，CASIA虹膜图像数据库的等错误率为0.7193％，子库1的等错误率为0.8204％，子库2的等错误率为0.1138％，验证了算法在生成子库1和子库2时的情况，即子库1的类内形变更大，从而其识别错误率要比子库2的更高。通过参数的调节与控制，所合成的虹膜图像数据库同样可以达到与真实虹膜图像数据库相仿的程度。以上结果表明，合成的虹膜图像数据库在统计性能上非常接近真实的虹膜图像数据库。同时合成库的类间距离参数可控，非常适合于识别算法的鲁棒性测试。

本发明可以对不同的虹膜识别算法进行性能比较和预测。实施方法如下：有两个算法A和B在某个100类真实的虹膜图像库中测试效果都非常好，错误率为0，不能区分出性能的好坏。本发明利用该数据库中原有的图像，合成了一个10000类的虹膜图像数据库。将算法A和算法B在该合成数据库上再做测试，测试结果显示，算法A在特征抽取上的性能好于算法B的性能，得到了更低的错误率。因此这两个算法的性能得以区分，也可以预测这两个算法在进行较大规模的应用时，算法A将取得更好的效果。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于块状纹理采样的虹膜图像数据库合成方法，包括步骤：

步骤1：对真实虹膜图像进行虹膜定位，归一化和去噪的预处理，得到清晰虹膜纹理区域作为采样虹膜图像；所述虹膜图像预处理包括步骤：

步骤11：用阈值分割和圆拟合的方法，对虹膜定位；

步骤12：对定位的虹膜归一化，以双线性插值的方式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；

步骤13：对归一化的矩形虹膜区域去噪并得到清晰虹膜纹理区域作为采样虹膜图像；

步骤2：利用块状纹理采样的方法，将经过预处理后的真实虹膜图像作为采样虹膜图像，合成归一化虹膜图像；用块状纹理采样所合成的每一幅虹膜图像都属于不同类，即此时合成数据库中每类只有一幅图像；所述块状纹理采样的虹膜图像合成包括步骤：

步骤21：用一幅与归一化虹膜图像大小相同的空白矩形图像作为初始的归一化虹膜图像，并对该图像赋初值，得到初始化图像；

步骤22：对经过预处理后的真实虹膜图像区域遍历，采集固定尺寸的虹膜纹理块，计算每一个纹理块的边缘与初始化图像相应目标区域的欧式距离，得到边缘距离最近的若干个虹膜纹理块并从中随机选择一个纹理块贴入初始化图像的目标区域；

步骤23：更新当前所贴入纹理块边缘区域的象素值为区域原有象素值与当前贴入纹理块的边缘象素值的平均值；

步骤24：重复步骤22-23直到得到完整的归一化虹膜图像；

步骤3：从合成数据库中的每幅归一化虹膜图像生成多幅类内虹膜图像；

步骤4：将多幅类内虹膜图像转换成圆环形；

步骤5：采用虹膜图像外观，数据库容量和类内类间汉明距离为评价指标，对合成虹膜图像数据库建立评价体系。

2.按照权利要求1所述的虹膜图像数据库合成方法，其特征在于，去噪并得到清晰虹膜纹理区域是将归一化的矩形虹膜区域中的眼皮和睫毛部分剔除，保留干净的虹膜纹理区域作为用于采样的真实虹膜图像区域。

3.按照权利要求1所述的虹膜图像数据库合成方法，其特征在于，所述类内虹膜图像合成包括：对归一化虹膜图像，根据所赋予其瞳孔半径和虹膜半径的大小，对其进行相应的非线性虹膜形变；对归一化虹膜图像进行随机扰动；对归一化虹膜图像作横向平移。

4.按照权利要求1所述的虹膜图像数据库合成方法，其特征在于，所述多幅类内虹膜图像转换成圆环形是将归一化的、固定尺寸的、矩形类内虹膜图像映射成环形虹膜图像。

Images