CN102306289A - 基于脉冲耦合神经网络的虹膜特征提取方法 - Google Patents

Abstract

基于脉冲耦合神经网络的虹膜特征提取方法，属于生物身份识别，计算机应用技术领域。将虹膜图像中的隐窝、犁沟、斑点等不规则斑块作为直观的具有物理含义的虹膜特征，通过一系列的虹膜增强技术后，利用脉冲耦合神经网络(PCNN)或ICM的脉冲耦合特性对虹膜图像中具有相似特性的像素集合进行分割，将不规则斑块分割出来，得到二值的分割图像，用1和0对斑块和非斑块进行表示，提取出了虹膜特征码。

Description

基于脉冲耦合神经网络的虹膜特征提取方法

技术领域

本发明涉及人体身份生物特征识别技术，虹膜识别技术。

背景技术

虹膜是人眼中介于黑色瞳孔和白色巩膜之间的直径约为12mm，厚为0.5mm的环型组织，该组织总体上呈现出一种由里到外的放射状结构，并且有许多相互交错的类似斑点、细丝、冠状物、条纹、褶皱、地窖等形状的细微特征。一个典型的基于虹膜的人体身份识别系统通常包括虹膜采集、虹膜定位、眼皮与睫毛检测、虹膜图像归一化、特征提取和匹配识别等几个关键部分组成。其中特征提取是整个系统的关键，是整个匹配识别的核心，它直接影响着整个识别结果的好坏。所以特征提取在基于虹膜的人体身份识别系统中扮演着重要的角色。

虹膜纹理的形成过程中充满了各种随机因素，所构成的随机斑块形状各异，大小不一，同时伴随着瞳孔的缩放还会产生非线形的弹性形变，并且在不同的光照下各种随机斑块因其对光的反射程度不同而显的深浅不一，甚至若隐若现，因而很难对其进行有效的描述。虹膜特征提取的任务就是有效的提取和描述虹膜图像中的那些不变的、能够用于人体身份识别的物理量。

自虹膜身份识别的概念提出以来，有很多虹膜特征提取算法被提出。主要包括基于局部相位的方法、基于过零点表示的方法、基于纹理描述的方法，还有基于局部灰度强烈变化区域的方法。从使用的虹膜信息的维数来看，可以分为基于一维虹膜信号的特征提取方法和基于二维虹膜信号的特征提取方法。对于一维信号而言，其数据量小、处理速度快、特征明确等优势；对于二维虹膜信号的特征提取方法，大多数都是集中在虹膜纹理特征的统计描述上。这种方法都没有明确给出虹膜特征的含义，算法含义不直观。

到目前为止，还没有出现成熟的虹膜提取方法设计框架，对虹膜特征也没有明确、统一的定义。在以往的虹膜特征提取算法中，都是将虹膜图像进行更高层次的抽象，运用数学变换、数学模型将视觉图像抽象为一些一般信号来处理，进而得到虹膜特征。这些方法都是从抽象的角度对虹膜图像进行加工，只考虑虹膜图像的信号属性，而很少去关注虹膜图像的视觉特征和像素间的空间关系。也因为他们的抽象层次比较高，没有考虑到虹膜图像的一些低层次的视觉特性，没有明确虹膜特征的具体含义，算法的含义不明确、不直观。

可以看出，明确虹膜特征是有意义的：只有明确了什么是特征，或者说是相应的虹膜特征提取算法所提出的特征具有很直观的物理含义，才能够快速衡量这种提取算法的有效程度，以便于更好地调整参数，预测性能，甚至是在匹配识别之前做出特征质量评价，从而减少错误识别率。而不必每次都要通过大量的匹配识别后，来评价一种特征提取算法的好坏，且即便得出宏观结果，也不能很容易地分析出问题之所在，当然也不能快速寻找到改进办法，甚至是不知道做出什么样的改进，会得到什么样的结果。

发明内容

本发明的目的是提供一种基于脉冲耦合神经网络的虹膜特征的提取方法。

本发明是基于脉冲耦合神经网络(PCNN，Pulse Couple Neural Network)的虹膜特征提取方法，定义了具有明确直观物理含义的局部不规则斑块虹膜特征，并基于此特征分别利用脉冲耦合神经网络和交叉皮层模型提取虹膜特征，其具体步骤为：

(1)明确二维虹膜图像中的特征，即虹膜图像中的不规则斑块，即隐窝、犁沟，斑点；

(2)对虹膜图像进行眼皮和睫毛检测、归一化预处理，具体为以下两步：

①接近眼睛巩膜区域，受眼皮和睫毛影响比较大的一定比例的虹膜区域直接进行删除，尽量减小眼皮和睫毛对虹膜区域的影响；

②然后利用橡皮圈法将环型的虹膜区域转换成矩形区域；

(3)再对图像进行增强操作，先利用块操作得到背景亮度估计，将虹膜图像中的背景亮度估计值从原虹膜图像中减去，然后利用全局的直方图均衡化对亮度均匀的虹膜图像进行增强处理；

(4)将增强后的虹膜图像作为脉冲耦合神经网络的刺激输入，利用其同步脉冲发放和脉冲耦合特性对虹膜图像进行特征提取，以神经网络输出的一系列二值形式的脉冲图像作为虹膜特征码；

或者利用交叉皮层模型(ICM，Intersecting Cortical Model)神经网络对虹膜图像进行分割，其输出作为虹膜特征码。

本发明有效地分割出了虹膜图像中的局部不规则斑块，将其编码后作为虹膜特征，成功提取出了虹膜图像中作为虹膜特征的局部不规则斑块信息。以此为特征码进行虹膜识别，得到了较高的识别率。同时由于PCNN或ICM神经网络可输出多幅包含图像特征信息的二值图像，融合这些图像有可能得出更多的特征信息；另一方面，利用PCNN或ICM的输出结果还可以对眼皮与睫毛检测提供一定辅助作用。

附图说明

图1为本发明用于实践和实施的虹膜识别系统图，图2为本发明所定义的虹膜特征在虹膜片断上的标示，图3为虹膜定位结果图，图4为橡皮圈法虹膜归一化方法图示，图5为橡皮圈法虹膜归一化前后的虹膜图像，图6为虹膜图像增强过程每一步结果虹膜图像。图6a为归一化虹膜图像，图6b为分块图像，图6c为背景亮度估计值，图6d为背景均衡化后的虹膜图像，图6e为直方图均衡化后的虹膜图像，图6f为均值滤波后的增强虹膜图像，图7为利用PCNN的虹膜特征提取过程示意图，图8为利用ICM神经网络的虹膜特征提取过程示意图，图9为PCNN神经元模型示意图，图10为ICM神经元模型示意图，图11为一幅虹膜图像经过PCNN分割后的输出结果。图11a为第五次迭代输出，图11b为第六次迭代输出，图11c为第七次迭代输出，图11d为第九次迭代输出，图12为一幅虹膜图像经过ICM神经网络分割后的输出结果。图12a为第四次迭代输出，图12b为第六次迭代输出，图12c为第七次迭代输出，图12d为第九次迭代输出，图13为不同虹膜图像库中的虹膜图像经过PCNN提取的二维特征图，图13a为CASIA v1.0图像库，图13b为MMUv1.0图像库，图13c为Bath图像库，图14为不同虹膜图像库中的虹膜图像经过ICM提取的二维特征图。图14a为CASIA v1.0图像库，图14b为MMUv1.0图像库，图14c为Bath图像库。

具体实施方式

本发明是基于脉冲耦合神经网络(PCNN，Pulse Couple Neural Network)和交叉皮层模型的虹膜特征提取方法，定义了具有明确直观物理含义的局部不规则斑块虹膜特征，并基于此特征分别利用脉冲耦合神经网络提取虹膜特征，其具体步骤为：

(1)明确二维虹膜图像中的特征，即虹膜图像中的不规则斑块，即隐窝、犁沟、斑点；

(2)对虹膜图像进行眼皮和睫毛检测、归一化预处理，具体为以下两步：

①接近眼睛巩膜区域，受眼皮和睫毛影响比较大的一定比例的虹膜区域直接进行删除，尽量减小眼皮和睫毛对虹膜区域的影响；

②然后利用橡皮圈法将环型的虹膜区域转换成矩形区域；

(3)再对图像进行增强操作，先利用块操作得到背景亮度估计，将虹膜图像中的背景亮度估计值从原虹膜图像中减去，然后利用全局的直方图均衡化对亮度均匀的虹膜图像进行增强处理；

(4)将增强后的虹膜图像作为脉冲耦合神经网络的刺激输入，利用其同步脉冲发放和脉冲耦合特性对虹膜图像进行特征提取，以神经网络输出的一系列二值形式的脉冲图像作为虹膜特征码；

或者利用交叉皮层模型(ICM，Intersecting Cortical Model)神经网络对虹膜图像进行分割，其输出作为虹膜特征码。

图2为本发明所定义的虹膜特征在虹膜片断上的标示，其中有色素褶皱1，瞳孔区2，冠状物3，纤毛区域4，地窖5，色素斑点6。

本发明是通过以下方式实现其目的：首先将由虹膜纤维组织的凹凸不平造成的虹膜图像中的隐窝、犁沟、斑点等不规则斑点直接作为虹膜特征，接着使用一种能够有效快速地分割出虹膜图像中这些不规则斑块的方法，即基于PCNN或ICM的分割方法，将虹膜图像中的不规则斑块分割出来，然后用0和1去表示斑块及非斑块区域，得到虹膜特征码。

本发明主要有下面4个步骤完成：定义基于局部不规则斑块的虹膜特征、虹膜图像预处理、PCNN和ICM模型参数设置、图像分割和特征提取。

1.定义基于局部不规则斑块的虹膜特征

要提取虹膜特征，必须要明确特征的具体含义，只有明确了什么是特征，使特征具有很直观的物理含义，才能快速衡量一种算法的有效程度，以便于更有效地采用合适的方法提取特征，更好地调整参数，在匹配识别之前做特征质量的评价，从而减少错误识别率。这样在对特征进行提取，基于明确特征的识别过程都是很有针对性的，减少了识别过程的盲目性。另外，明确了虹膜特征，给予虹膜特征明确的物理含义后，更适合了人类的视觉特性，更直观的描述了特征。

考虑到上述问题，本设计中将虹膜纤维组织中的凹凸不平造成的虹膜图像中的隐窝、犁沟、斑点等不规则斑点直接作为虹膜特征，设计一种方法，用0、1去描述这些不规则斑点区域，这些0、1组合就是虹膜识别中的特征，提取此特征信息作为后面识别的依据。

2.虹膜图像预处理

这部分主要包括虹膜内外边缘的检测，即虹膜定位，眼皮和睫毛检测，虹膜图像的归一化处理，虹膜图像的增强，均衡背景照明，增强对比度，去除噪声等处理。

(1)在虹膜的定位中，本设计分别采用基于局部区域的方法去定位虹膜内边缘，即瞳孔定位；用一种边缘检测算子寻找虹膜外边缘，通过融合这两种边缘信息来定位虹膜的内外边界，得到虹膜内外边界圆心、半径，划分出一个环型的虹膜区域B。

(2)在虹膜图像的归一化处理中，本设计采用橡皮圈模型展开的方法，将笛卡儿坐标下的虹膜区域转换到极坐标系下具有固定大小的矩形区域C，方便后面的进一步操作。其方法如下。

设O_p，O_s分别为瞳孔和虹膜圆心，R_p，R_s为其半径，B(x_B，y_B)表示虹膜外边缘上的像素点，R_L(θ)为θ角度下瞳孔圆心到B的距离，a为两圆心在水平方向的坐标差。如图4所示。虹膜区域中的像素点可通过式1在笛卡儿坐标系与极坐标系中互相转换。

r∈[R_p，R_L(θ)]，θ∈[0，2π]

x_i＝x_p+r×cosθ

y_i＝y_p+r×sinθ

$a=x_s-x_p=\frac{(R_r-R_l)}{2}$

$R_L=\left|O_{p}B\right|=a\×\cos \mathrm{\θ}+\sqrt{{R_s}^2-a^2\sin {\mathrm{\θ}}^2}---\left(1\right)$

(3)虹膜图像增强中，首先对虹膜图像(如图6a所示)进行分块处理，计算出每个小分块的亮度均值，然后将得到的每个小分块的亮度均值进行插值处理，得到与原始图像同样大小的背景亮度估计(如图6b、图6c所示)，为了得到亮度一致的虹膜图像，将背景亮度估计值从原虹膜图像中减去(如图6d所示)，然后利用全局的直方图均衡化方法对亮度均匀的虹膜图像进行增强处理(如图6e所示)，最后利用均值滤波对增强后的图像进行滤波处理去除噪声，得到增强后的虹膜图像(如图6f所示)。

3.PCNN模型简化和设置

这部分是对PCNN模型的说明、简化和它的参数设置。

(1)脉冲耦合神经网络(PCNN，pulse couple neural network)是一种依据哺乳动物的大脑视皮层上的同步脉冲发放现象建立起来的模型。相比传统的人工神经网络，PCNN具有无需训练、网络结构简单等特点，网络中的每个神经元可以对应图像中的一个像素点，因此很容易运用于图像处理中。

图9为PCNN神经元模型示意图。其数学迭代方程如公式(2)-(6)所示。每个神经元主要包括三个部分：馈入单元、连接单元和脉冲产生单元。馈入单元的结果F_ij和连接单元的结果L_ij进行连接调制后产生神经元的最终输入U_ij。馈入单元主要由该神经元所对应的灰度值S_ij及周围神经元输出Y_kl之和决定，而连接单元结果主要受周围神经元Y_kl的影响。F就是第i、j个神经元的n次反馈输入F_ij[n]，S_ij为输入刺激信号(在图像处理中为图像像素构成的矩阵中第i、j个像素的灰度值)，β为连接系数，L_ij[n]是连接项，E_ij[n]为动态门限，Y_ij[n]是PCNN脉冲输出值，U_ij[n]为内部活动项。

F_ij[n]＝exp(-α_F)F_ij[n-1]+V_F∑M_ijklY_kl[n-1]+S_ij(2)

L_ij[n]＝exp(-α_L)L_ij[n-1]+V_L∑W_ijklY_kl[n-1]    (3)

U_ij[n]＝F_ij[n](1+βL_ij[n])                     (4)

$Y_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}1,& \begin{array}{cc}\mathrm{if}& U_{\mathrm{ij}}\left[n\right]\end{array},\≥E_{\mathrm{ij}}\left[n\right]\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

E_ij＝exp(-α_E)E_ij[n-1]+V_E∑Y_kl[n-1]            (6)

其中，内部连接矩阵M、W(一般W＝M)的M_ijkl、W_ijkl分别为F_ij[n]、L_ij[n]中Y_kl[n]的加权系数，α_F、α_L、α_E分别为F_ij[n]、L_ij[n]、E_ij[n]的衰减时间常数，V_F、V_L、V_E分别为F_ij[n]、L_ij[n]、E_ij[n]中的固有电势。

在PCNN中，每个神经元可以“捕获”与其相邻的具有相似特性的其他神经元，这是PCNN用于图像分割的基础。脉冲耦合神经网络在乘性耦合和动态阈值两种机制的支配下，受到外界输入激励及邻域神经元输出耦合影响的神经元产生激发，并通过脉冲捕获实现同步激发，进一步影响与其相邻的其他神经元。这种行为叫做自动波特性。自动波的传播似的相邻的具有相似状态的神经元在相近的外界激励下能够同时激发，产生用于表示图像特征的一系列二值脉冲图像。具有相似状态的图像像素点在此二值输出图像中表现为同一特性，即同一数值0或1，通过不同次数的迭代，输出的图像就能准确描述图像的分割特征，将原图像进行了一定程度的分割，且输出图像为二值图像。

(2)交叉皮层(ICM，Intersecting Cortical Model)模型神经网络是PCNN的简化，更适合实时处理或者对时间要求比较高的图像处理中。在图像处理中，视觉皮层模型神经网络的作用是提取图像中的信息。

图10是一个ICM神经元模型，公式(7)-(9)是它的数学模型。在ICM中，所有神经元的内部状态通过一个二维数组F表示，而所有神经元的阈值振荡器则通过一个二维数组θ表示，f和g分别为馈入单元和阈值单元的衰减系数。

F_ij[n+1]＝fF_ij[n]+S_ij+W{Y[n]}_ij          (7)

$Y_{\mathrm{ij}}[n+1]=\left\{\begin{array}{cc}1& \begin{array}{cc}\mathrm{if}& F_{\mathrm{ij}}[n+1]>{\mathrm{\θ}}_{\mathrm{ij}}\left[n\right]\end{array}\\ 0& \mathrm{othewise}\end{array}\right.---\left(8\right)$

ICM除了高效外，对自动波的传播特性更容易控制。

4.利用PCNN实现特征提取

高层次抽象不规则斑块是比较困难的，因为它的随机性很大，而且是很不规则的；另一方面还要考虑匹配时的复杂度。因此本设计中使用的是一种更加简单方便、有效且直观的图像分割方法：用一种有效的图像分割方法对虹膜图像进行处理，分割出这些不规则的斑块，然后用0或1去表示这些斑块，这些0、1就组成了基于不规则斑块的虹膜特征信息。

本发明首先采用脉冲耦合神经网络(PCNN)去作为图像分割及特征提取方法。

利用PCNN进行图像分割时，由于特征提取对图像自身的亮度分布比较敏感，易受到光照不均匀的影响，从而影响分割特征的性能。为了解决此问题，让PCNN更好的用于虹膜特征分割并提取虹膜特征，本设计中，在特征提取之前，首先对虹膜图像进行了亮度均匀化与直方图均衡化处理，处理后的图像基本上处于相同的亮度范围。

由于虹膜图像中靠近巩膜区域的部分纹理通常比较模糊，而且容易受眼皮和睫毛的遮挡，因此本设计中仅选取了靠近瞳孔外边缘的70％的虹膜区域作为目标区域进行特征提取。这样做是对虹膜特征信息的损失是很小的，因为靠近巩膜的区域纹理信息比较少，纹理比较模糊，对识别的影响很小。

经过上述增强等预处理过程和裁剪处理后的虹膜图像被送入到PCNN进行分割和特征提取，神经网络利用其特有的脉冲耦合特性对虹膜图像中具有相似特性的像素进行集合，并以一系列二值的形式脉冲输出。按照脉冲耦合神经网络的理论和特点，每次有意义的输出都可以作为虹膜特征信息，考虑虹膜识别的准确率，以及特征信息的质量评价、所需时间等问题，选择合适的迭代次数及其输出作为虹膜特征信息。

PCNN经过不同次数的迭代，每个神经元激发与其相邻的具有相似特性的神经元一起点火，产生脉冲，在输出的二值图像上表现为1；而像素值差别比较大，没有相似特性的神经元不会被“捕获”，它在输出的二值图像上表现为0，这样经过一定次数的迭代后，PCNN输出就是为分割后的二值图像，并且用0、1表示了不规则斑块区域与非斑块区域，形成了虹膜特征码。

5.利用ICM实现特征提取

以ICM神经网络为工具，对预处理过的虹膜图像进行特征提取，其过程类似上述利用PCNN进行特征提取，不同之处在于以ICM代换PCNN，取得不同的效果。

以下是更为具体的实施例：

一、虹膜图像预处理

1.虹膜定位

本发明选取CASIA 1.0虹膜图库中的虹膜图像作为例子，它有756幅来自108个不同人的虹膜图像。每幅图像是320×280大小的8bit灰度图像。在虹膜定位中，瞳孔与虹膜外边缘分别用不同的方法进行定位，并结合形态学算子消除瞳孔内部光斑的影响，同时利用自行设计的专用虹膜外边缘检测算子实现对微弱边缘的检测。这种方法快速有效、准确率高、鲁棒性强、通用性好、对参数不敏感，通过忽略内外圆心在垂直方向的差异，提高了算法的整体稳定性。图3为通过此方法定位后的虹膜图像。虹膜区域边界大概是介于两个圆之间，一个是虹膜与瞳孔的边界，另一个为虹膜与巩膜的边界。根据定位公式可以得到内外两个圆的半径和圆心坐标。

2.虹膜图像归一化

因为不同人的虹膜大小是不一样，同一人在不同环境下的虹膜大小也是不一样，这里需要对虹膜图像进行归一化处理。利用公式(1)和图4所示方法，根据图中几何关系，将笛卡儿坐标下的环形虹膜区域转换到极坐标系下具有固定大小的矩形区域。归一化虹膜图像在径向具有72像素的分辨率，在角度方向有360像素的分辨率。归一化结果如图所示。

3.虹膜图像增强(如图6所示)

(1)将归一化后的虹膜图像分成720个6×6大小的块，通过计算每块的平均灰度值来估计背景(如图6b所示)；

(2)将得到的每一小分块的亮度均值进行插值处理，得到与原始图像同样大小的背景亮度估计(如图6c所示)。本发明选用常用的双三次插值算法；

(3)从原始虹膜图像中减去背景亮度估计得到亮度均匀的虹膜图像(如图6d所示)；

(4)利用全局的直方图均衡化方法对亮度均匀的虹膜图像进行增强处理(如图6e所示)；

(5)利用均值滤波对增强后的虹膜图像进行滤波处理去除噪声(如图6f所示)；

二、虹膜特征提取

1.利用PCNN提取虹膜特征

经过预处理过程和裁剪处理后的虹膜图像被送入到PCNN进行分割处理。如图7所示。PCNN中参数的选取为α_F＝α_L＝0.9163，V_F＝V_L＝0.0724，β＝0.001，α_E＝0.7885，V_E＝10，邻域选取范围为神经元的周围24像素。图13为三个不同图库中虹膜图像的分割结果样图。

2.利用ICM神经网络提取虹膜特征

经过预处理过程和裁剪处理后的虹膜图像被送入到ICM神经网络模型进行分割处理。如图8所示。ICM神经网络中参数的选取为f＝0.4，g＝0.32，h＝10，邻域选取范围为神经元的周围24像素。图14为三个不同图库中虹膜图像的分割结果样图。

Claims (1)

1.基于脉冲耦合神经网络的虹膜特征提取方法，其特征是定义了具有明确直观物理含义的局部不规则斑块作为虹膜特征，并基于此特征分别利用脉冲耦合神经网络和交叉皮层模型提取虹膜特征，其具体步骤为：

(1)明确二维虹膜图像中的特征，即虹膜图像中的不规则斑块，即隐窝、犁沟、斑点；

(2)对虹膜图像进行眼皮和睫毛检测、归一化预处理，具体为以下两步：

①接近眼睛巩膜区域，受眼皮和睫毛影响比较大的一定比例的虹膜区域直接进行删除，尽量减小眼皮和睫毛对虹膜区域的影响；

②然后利用橡皮圈法将环型的虹膜区域转换成矩形区域；

(3)再对图像进行增强操作，先利用块操作得到背景亮度估计，将虹膜图像中的背景亮度估计值从原虹膜图像中减去，然后利用全局的直方图均衡化对亮度均匀的虹膜图像进行增强处理；

(4)将增强后的虹膜图像作为脉冲耦合神经网络的刺激输入，利用其同步脉冲发放和脉冲耦合特性对虹膜图像进行特征提取，以神经网络输出的一系列二值形式的脉冲图像作为虹膜特征码；

或者利用交叉皮层模型神经网络对虹膜图像进行特征提取，其输出作为虹膜特征码。

Images