CN103955717A - 一种虹膜活性检测的方法 - Google Patents

Abstract

本发明公开了一种虹膜活性检测的方法，包括：步骤1，获取两张或者两张以上人眼图像，并精确定位虹膜和瞳孔边界；步骤2，在获取的虹膜图像中进行采样，并对采样进行处理，提取针对瞳孔收缩或者放大的特征信息；步骤3，对步骤2所提取的特征信息进行监督学习，从而对获取的虹膜图像进行活性检测。与当前现有技术中基于伪虹膜图片特征不同，本发明依据真实虹膜本身固有的特征，从而不需要预先知道任何的伪虹膜的材料及其特点信息，也不需要将这类信息用于预测。

Description

一种虹膜活性检测的方法

技术领域

本发明属于图像处理和模式识别的技术领域，涉及一种虹膜活性检测的方法。

背景技术

虹膜是指人眼睛瞳孔和巩膜之间的区域。该区域包含大量的随机纹理，因此虹膜被认为是最精确的生物特征之一。将虹膜识别应用于很多访问控制应用，既安全又简便。虹膜识别对政府发现威胁和预防犯罪活动也有用处。然而，一些合成的伪虹膜，却可以瞒过虹膜识别系统。因此近年来，虹膜活性检测逐渐成为一个重要的研究领域。

在最近的活体检测中，伪虹膜材料通常被认为是先验知识。举例说明，伪虹膜可以是影印的照片，装饰性的隐形眼镜，预先拍摄的视频，和绘有虹膜图案的塑料球。人们假设从伪虹膜和真虹膜上获取的图像具有不同的特征，并且可以通过图像处理技术区分。由于伪虹膜的材料可以具备多样性，因此，不能保证完全预先知道所有伪虹膜的材料特性，更不能提前假设获取的图像们一定具有不同的特征。

发明内容

本发明提供一种虹膜活性检测的方法，可以解决现有技术中所存在的需要预先知道伪虹膜的材料特点的技术问题。本发明的实现是依据真实虹膜本身固有的特征，从而不需要知道伪造虹膜的材料及其特点。

本发明一种虹膜活性检测的方法，包括以下步骤：

步骤1，获取人眼图像，并精确定位虹膜和瞳孔边界，包括：分别在不同强度光照条件下获取同一个人的两张以上人眼图像，利用机器学习中的非监督学习技术，对人眼图像进行自动的结构分类；结合虹膜和瞳孔的固有特征进行约束优化，搜索最优虹膜和瞳孔边界，从而精确定位虹膜和瞳孔边界；

步骤2，在获取的虹膜图像中进行采样，并对采样进行处理，提取针对瞳孔收缩或者放大的特征信息；

步骤3，对步骤2所提取的特征信息进行监督学习，从而对获取的虹膜图像进行活性检测。

其中，步骤2的具体内容包括：

1)在瞳孔外侧区域进行平均采样并计算相似性，包括：

在相对弱光照条件下获取的图像的瞳孔外侧区域，采集一组图像块x，该组图像块x中至少包括4个图像块x，每个图像块x的大小是10x10至30x30像素；

以上述相对弱光照条件下获取的图像的瞳孔直径做参考，在相对强光照条件下获取的图像的瞳孔外侧、且避免睫毛区域，采集一组图像块y，该组图像块y中至少包括4个图像块y，每个图像块y的大小是10x10至30x30像素；多个图像块y之间可重叠；

使用互信息检测图像块x与图像块y之间的相似性；

2)计算虹膜和瞳孔的直径比率，包括：

DP₁和DI₁分别为图像x中瞳孔和虹膜的直径，DP₂和DI₂分别为图像块y中瞳孔和虹膜的直径，图像块x和图像块y之间的瞳孔和虹膜的直径比率r为：

$r=\frac{{\mathrm{DP}}_1}{{\mathrm{DI}}_1}/\frac{{\mathrm{DP}}_2}{{\mathrm{DI}}_2}---\left(1\right)$

所述使用互信息检测图像块x与图像块y之间的相关性是指：利用公式(2)使用互信息检测图像块x与图像块y之间的相关性，

$\begin{array}{c}I(x,y)=\mathrm{KL}\left(p(x,y)\right|\left|p\left(x\right)p\left(y\right)\right)\\ =\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}p(x_i,y_i)\ln \left(\frac{p(x_i,y_i)}{p\left(x_i\right)p\left(y_i\right)}\right)\end{array}---\left(2\right)$

公式(2)中，KL是Kullback-Leibler差异，联合概率p(x；y)由基于图像块颜色值的二维直方图计算而来，N是图像块x与图像块y的尺寸大小；

如果两组图像块x与图像块y之间没有相关性，则联合概率p(x；y)分解成这两组图像块x与图像块y边际p(x)p(y)的结果。

为了进一步减少照相时眼部动作的影响和细微的非线性的虹膜变形对I(x,y)的影响，图像块y在四周数个像素范围内移动，位移量为5到10个像素，每次移动后利用公式(2)重新计算互信息，多组互信息的平均值是两张不同光照条件下获取的图像的相对应的虹膜区域的相似性。

与现有技术相比，本发明所具有的有益效果是：

由于本发明所特有的方法步骤是依据真实虹膜本身固有的特征，因此，和现有技术不同，本发明不需要预先知道伪造虹膜的材料及其特点。

附图说明

图1为本发明虹膜活性检测的方法的流程示意图；

图2为虹膜区域采样图，(b)图的采样是依据(a)图中的瞳孔直径，(b)图中的虚线为(a)图中的瞳孔大小。

图3显示的是如图2两种不同光照情况下，互信息和直径比变化的分布。

具体实施方式

下面结合附图和具体实施例对本发明技术方案进行详细说明。

如图1所示，本发明一种虹膜活性检测的方法，包括以下步骤：

步骤1，获取人眼图像，并精确定位虹膜和瞳孔边界，包括：分别在不同强度光照条件下获取同一个人的两张以上人眼图像，利用机器学习中的非监督学习技术，对人眼图像进行自动的结构分类；结合虹膜和瞳孔的固有特征进行约束优化，搜索最优虹膜和瞳孔边界，从而精确定位虹膜和瞳孔边界；

步骤2，在获取的虹膜图像中进行采样，并对采样进行处理，提取针对瞳孔收缩或者放大的特征信息；包括：

1)在瞳孔外侧区域进行平均采样并计算相似性，包括：

定义相对弱光照条件下获取的图像块为x，而与之对应的在相对强光照条件下获取的图像块为y，在相对弱光照条件(本实施例采用的该相对弱光照条件是ISO200的曝光值可为2.0到4.0之间)下获取的图像的瞳孔外侧区域，采集一组图像块x，该组图像块x中包括4个图像块x，每个图像块x的大小是20x20像素，每个图像块x的大小也可为其他尺寸，例如15×15，采样的数量也可以多于4个。以上述相对弱光照条件下获取的图像的瞳孔直径做参考，在相对强光照条件(本实施例采用的该相对强光照条件是ISO200的曝光值可为5.0到7.0之间)下获取的图像的瞳孔外侧、且避免睫毛区域，采集一组图像块y，该组图像块y中包括4个图像块y，每个图像块y的大小是20x20像素，4个图像块y之间可重叠；同理，每个图像块y的大小也可为其他尺寸，例如15×15，采样的数量也可以多于4个。

使用互信息检测图像块x与图像块y之间的相似性；

2)计算虹膜和瞳孔的直径比率，包括：

DP₁和DI₁分别为为相对弱光照条件下图像x中瞳孔和虹膜的直径，DP₂和DI₂分别为相对强光照条件下图像块y中瞳孔和虹膜的直径，相对弱光照条件下图像块x和相对强光照条件下图像块y之间的瞳孔和虹膜的直径比率r为：

$r=\frac{{\mathrm{DP}}_1}{{\mathrm{DI}}_1}/\frac{{\mathrm{DP}}_2}{{\mathrm{DI}}_2}---\left(1\right)$

所述使用互信息检测图像块x与图像块y之间的相关性是指：利用公式(2)使用互信息检测图像块x与图像块y之间的相关性，

$\begin{array}{c}I(x,y)=\mathrm{KL}\left(p(x,y)\right|\left|p\left(x\right)p\left(y\right)\right)\\ =\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}p(x_i,y_i)\ln \left(\frac{p(x_i,y_i)}{p\left(x_i\right)p\left(y_i\right)}\right)\end{array}---\left(2\right)$

公式(2)中，KL是Kullback-Leibler差异，联合概率p(x；y)由基于图像块颜色值的二维直方图计算而来，N是图像块x与图像块y的尺寸大小；

如果两组图像块x与图像块y之间没有相关性，则联合概率p(x；y)分解成这两组图像块x与图像块y边际p(x)p(y)的结果。

为了进一步减少照相时眼部动作的影响和细微的非线性的虹膜变形对I(x,y)的影响，图像块y在四周数个像素范围内移动，位移量为5到10个像素，每次移动后利用公式(2)重新计算互信息，这4组互信息的平均值是两张不同光照条件下获取的图像的相对应的虹膜区域的相似性。

步骤3，对步骤2所提取的特征信息进行监督学习，学习出来的虹膜活性检测模型用于对获取的虹膜图像进行活性检测。

本发明中结合互信息和直径比的变化一起用于表示瞳孔的收缩。因为瞳孔收缩很难伪造，采用瞳孔收缩这一特征描述符对于活体检测非常有用。采用支持向量机(SVM)用于识别两张虹膜图像是否拍摄了真实的虹膜。与当前现有技术中基于伪虹膜图片特征不同，采用本发明虹膜活性检测不需要预先知道任何的伪虹膜信息，也不需要将这类信息用于预测。图3显示的是图2(a)和图2(b)两种不同光照情况下，互信息和直径比变化的分布。由图3可以得知相同光照条件下的分布与不同光照情况下的分布分开的比较明显。本发明研究实验过程中，通过对数据库中300多张眼部图片的评价后，可以成功地区分出伪虹膜和真虹膜的比率高达99.7％。

尽管上述发明方法步骤结合图示对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以衍生出很多变形，这些均属于本发明的保护范围之内。

Claims (3)

1.一种虹膜活性检测的方法，包括以下步骤：

步骤1，获取人眼图像，并精确定位虹膜和瞳孔边界，包括：

分别在不同强度光照条件下获取同一个人的两张以上人眼图像，利用机器学习中的非监督学习技术，对人眼图像进行自动的结构分类；结合虹膜和瞳孔的固有特征进行约束优化，搜索最优虹膜和瞳孔边界，从而精确定位虹膜和瞳孔边界；

步骤2，在获取的虹膜图像中进行采样，并对采样进行处理，提取针对瞳孔收缩或者放大的特征信息，包括：

1)在瞳孔外侧区域进行平均采样并计算相似性，包括：

在相对弱光照条件下获取的图像的瞳孔外侧区域，采集一组图像块x，该组图像块x中至少包括4个图像块x，每个图像块x的大小是10x10至30x30像素；

以上述相对弱光照条件下获取的图像的瞳孔直径做参考，在相对强光照条件下获取的图像的瞳孔外侧、且避免睫毛区域，采集一组图像块y，该组图像块y中至少包括4个图像块y，每个图像块y的大小是10x10至30x30像素；多个图像块y之间可重叠；

使用互信息检测图像块x与图像块y之间的相似性；

2)计算虹膜和瞳孔的直径比率，包括：

DP₁和DI₁分别为图像x中瞳孔和虹膜的直径，DP₂和DI₂分别为图像块y中瞳孔和虹膜的直径，图像块x和图像块y之间的瞳孔和虹膜的直径比率r为：

$r=\frac{{\mathrm{DP}}_1}{{\mathrm{DI}}_1}/\frac{{\mathrm{DP}}_2}{{\mathrm{DI}}_2}---\left(1\right)$

步骤3，对步骤2所提取的特征信息进行监督学习，从而对获取的虹膜图像进行活性检测。

2.根据权利要求1所述虹膜活性检测的方法，其中，步骤2中，所述使用互信息检测图像块x与图像块y之间的相关性是指：

利用公式(2)使用互信息检测图像块x与图像块y之间的相关性，

$\begin{array}{c}I(x,y)=\mathrm{KL}\left(p(x,y)\right|\left|p\left(x\right)p\left(y\right)\right)\\ =\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}p(x_i,y_i)\ln \left(\frac{p(x_i,y_i)}{p\left(x_i\right)p\left(y_i\right)}\right)\end{array}---\left(2\right)$

公式(2)中，KL是Kullback-Leibler差异，联合概率p(x；y)由基于图像块颜色值的二维直方图计算而来，N是图像块x与图像块y的尺寸大小；

如果两组图像块x与图像块y之间没有相关性，则联合概率p(x；y)分解成这两组图像块x与图像块y边际p(x)p(y)的结果。

3.根据权利要求2所述虹膜活性检测的方法，其中，步骤2中，为了进一步减少照相时眼部动作的影响和细微的非线性的虹膜变形对I(x,y)的影响，图像块y在四周数个像素范围内移动，位移量为5到10个像素，每次移动后利用公式(2)重新计算互信息，多组互信息的平均值是两张不同光照条件下获取的图像的相对应的虹膜区域的相似性。