CN1092372C - 虹膜识别方法 - Google Patents

Abstract

本发明是一种从自用户眼球可见部分获取的数字图像中确定所述眼球的虹膜在所述数字图像中的位置，以建立完整表述该虹膜纹理信息的数字图像文件，并对所述数字图像文件进行处理以提取该虹膜的数字纹理特征并进行特征编码，即虹膜代码，将所述虹膜代码与存放于数据库中的同一眼球及/或其它眼球的虹膜的虹膜代码进行比对，以对所述用户进行身份认证的虹膜识别方法。该方法由虹膜图像平滑、虹膜边界检测、虹膜图像变换、虹膜纹理特征提取、虹膜特征编码与识别诸方法依次组成。本发明可用于公安系统，可用在磁卡上代替个人身份码，也可用在信息系统中提高访问安全性等。

Description

虹膜识别方法

技术领域

本发明涉及一种虹膜识别方法，属于计算机应用领域。

背景技术

人的虹膜是人眼瞳孔与灰白色巩膜(俗称眼白)之间的环状部分，是具有丰富纹理特征的一种人体生理组织。早在六十年代，医学研究已得出结论：虹膜组织纹理因人而异且终身不变，可以作为个人身份认证的可靠依据(文献[1]J.Rohen，″Morphology andPathology of the Trabecalar Meshwork″in The Structure of Eye，New York：AcademicPress，1961，pp335-341)。又因虹膜处于眼球的可见部分，摄取图像比较容易，因而，只要能给出实用的虹膜识别方法，就有可能使人眼虹膜组织的识别实际应用于个人身份认证，使虹膜识别像指纹识别一样，有相应的产品和应用领域。

美国戴维德·沙诺夫研究中心公司的发明“自动的无侵害的虹膜识别系统与方法”是虹膜识别领域的一种现有技术(文献[2]专利文献1DI-CN 1160446A，即WO96/07978，公开日：1996年3月14日)。虹膜识别领域的文章有1993年11月在IEEE“模式分析与机器智能”杂志第15卷第11期第1148-1161页上的Daugman的文章“使用统计学独立测试的高可靠性人的视觉识别”。戴维德·沙诺夫研究中心公司在文献[2]中指出了上述现有的虹膜识别系统和方法所存在的问题，这些问题可概括如下：

1.缺少实用而无侵害的虹膜图像成像系统；

2.虹膜定位方案采用参数化模型，这类方法的主要限制在于要有良好的初始条件及庞大的计算费用；

3.虹膜识别所用的模式匹配方案需要庞大的计算费用。

针对这些问题，文献[2]建立了如下系统和方法：

1.一种不必与成像系统有任何物理接触的对准装置；

2.一种基于梯度的边缘检测滤波装置；

3.一种应用归一化空间相关运算对虹膜空间结构特性进行比较的匹配方法。

但是，无论是文献[2]以前的系统或文章，还是文献[2]提出的系统与方法本身，都存在以下两个较计算费用庞大等问题更为实质性的问题：

1.因信号噪声所引起的图像失真，这种失真使得无论使用何种现有边缘检测装置都难以或不能检测出有实用价值的虹膜内外边界(即虹膜与瞳孔间的边界及虹膜与灰白色巩膜间的边界)；

2.即使已经检测出较为准确的虹膜内外边界，但因同一虹膜的不同图像的像质不同，或因使用环境不同，按照现有系统或方法所认定的判别标准，难以或不能对某些虹膜图像是否来自同一虹膜组织作出正确判断。

发明内容

鉴于上述，本发明的任务是提供一种虹膜识别方法，它可对上述两个实质性问题及文献[2]中提出的三个问题中的后两个问题提供解决方法，它可使人眼虹膜组织实际应用于个人身份认证，使虹膜像指纹一样，有相应的产品和应用领域。

本发明的任务由以下方案实现：

一种虹膜识别方法，包括以下步骤：

(1)虹膜图像平滑步骤，包括：

a)从虹膜内缘开始向外缘方向逐圈求取图像函数在各个圆周上的平均值，从而得到每一圈图像在所述平均值意义上的平均灰度值，

b)计算在所述各圈平均灰度值的邻域内的加权平均值；

(2)虹膜边界检测步骤，包括：

a)用巩膜的灰度取代瞳孔的灰度，在进行虹膜平滑的同时，求取图像平均灰度变化率的极大值，

b)根据所述极大值确定虹膜的内缘边界和外缘边界，以界定环形虹膜图像；

(3)虹膜图像转换步骤，包括：

a)沿圆周等分所述环形虹膜图像，并保留各圈图像中与分割线相交的像素，

b)将保留下来的环形虹膜图像切割后再拉伸成一个矩形图像，使矩形图像中的每一列分别对应于保留下来的环形图像中的一个圆，从而得到转换后的虹膜图像；

(4)虹膜纹理特征提取步骤，包括：

a)将所述转换后的虹膜图像沿水平和垂直方向分割成多个小矩形区域，分割密度从原虹膜内缘的图像部分向原虹膜外缘部分逐渐减小，

b)对所述转换后的虹膜图像中的每个小区域执行二维小波变换，从而得到每个小区域上二维纹理特征的复数形式的数字表征，作为虹膜的数字纹理特征；

(5)虹膜特征编码与识别步骤，包括：

a)根据每一小区域的数字表征的实部和虚部两者的符号，分别给出每个小区域的两位代码，从而得到虹膜代码；

b)将该代码与被比较虹膜的虹膜代码加以比对，根据同位异值码的个数判断两组相比较的虹膜代码是否表征同一个虹膜的不同数字图像。

本发明可用于公安系统，可用在磁卡上代替个人身份码，也可用在信息系统中提高访问安全性，等等。

附图说明

图1是本发明对给定虹膜图像进行自动处理与识别的计算流程。

具体实施方式

本发明是一种从自用户眼球可见部分获取的数字图像中确定所述眼球的虹膜在所述数字图像中的位置，以建立完整表述该虹膜纹理信息的数字图像文件，并对所述数字图像文件进行处理以提取该虹膜的数字纹理特征并进行特征编码，即虹膜代码，将所述虹膜代码与存放于数据库中的同一眼球及/或其它眼球的虹膜的虹膜代码进行比对，以对所述用户进行身份认证的虹膜识别方法。

人眼虹膜组织的几何形状近似为圆环，纹理结构呈浑沌状。本发明把虹膜图像作为环状物体的灰度图像进行识别，是一种提取虹膜数字纹理特征并对虹膜数字纹理特征进行比对与识别的数字表征识别方法，而不是提取虹膜的形态学纹理特征并加以比对，或逐项提取虹膜纹理的空间结构特性进行比对的模式匹配方法；此外，本发明用二维小波变换方法提取虹膜数字纹理特征，而不用定向频带滤波或归一化空间相关运算等类方法。本发明经图像平滑、边界检测、图像转换、纹理特征提取等处理过程，将处理结果进行编码，对不同虹膜代码进行比较判定，最终完成识别过程，其间采用多个方法。

下面结合附图给出的计算流程对本发明作详细说明。

由成像装置实时采集的虹膜图像经模数转换变成数字图像，数字化后的虹膜图像为灰度图像，该图像可用函数I(x，y)表示，(x，y)为像素点在图像平面上的坐标，其函数值为该像素的灰度值。

由于成像装置中的CCD芯片上像感元件灵敏度的不均匀性，数字化过程量化时的误差以及其它原因，在成像装置采集的虹膜图像上会产生噪声。如果图像经过传输，还会有传输过程中的信道误差。信号噪声所引起的图像失真往往使得无论使用何种现有边缘检测装置都难以或不能检测出有实用价值的虹膜内外边界；因此需要对虹膜图像进行去噪声处理，也就是要进行图像平滑。

将现有的图像平滑算法用于虹膜图像时，难以取得理想效果。例如，邻域平均法在去噪声的同时，会对图像的边缘和细节造成模糊效应；又如中值滤波，使用时如果窗口取窄不能滤掉噪声信号，窗口太宽又会伤害表示图像细节的短信号；如此等等。

图中使用的图像平滑方法1的步骤如下：

a.对虹膜图像的平滑不是逐个像素点地进行，而是根据虹膜为环状的几何特性，从虹膜内缘圆周开始，向外缘圆周方向逐圈地计算图像函数在各圆周上的平均灰度值，也就是计算图像函数在圆上的一类线积分，以此进行第一次图像平滑(线积分平滑)。该线积分平滑可在眼球可见部分数字图像获取过程中，对连续视频帧中人体虹膜生理组织的光学特性作出响应，以确定逐圈求取图像函数平均值的过程走向，

b.对于已经进行过第一次平滑的每一圆周，均给出该圆周第一次平滑值的一个邻域和一个权函数，再计算该邻域内图像函数和权函数的加权卷积，得到该邻域内各点灰度的加权平均值。此为第二次图像平滑(卷积平滑)。该卷积平滑可对所述连续视频帧的相关性进行检测，以确定所述加权平均值的计算邻域。

以上方法利用了虹膜的几何特性，也利用了虹膜纹理在环内各层圆周上分布较均匀的纹理特性，故平滑效果理想。此外，以下处理方法还使存储空间及计算时间大为减少：

c.不改变原虹膜图像的值，也就是说并不重新生成平滑后的图像并予存储，而是把图像平滑与下面要叙述的边界检测结合起来，把平滑后的值作为边界检测方法的中间值使用；由于对连续视频帧中人体虹膜生理组织的光学特性作出响应，得以使逐圈求取图像函数平均值的过程大为简化；这些都以使计算量大大减少。

平滑方法的过程要与虹膜边界检测方法结合进行，以便把虹膜图像从输入图像中分离出来。

图像的边缘是图像最基本的特征。边界检测的目的是在虹膜图像上找出虹膜的内缘(虹膜与瞳孔的圆状边界)和外缘(虹膜与灰白色巩膜的圆状边界)，以便从图像中分离虹膜。所谓边缘是指其周围像素的灰度有阶跃变化或有屋顶形变化的那些像素的集合，无论在虹膜内缘还是外缘处，边界两侧像素点的灰度均会有明显差异。正确检测并提取图像边界是对图像进行高层次处理(如识别)的基础。

虹膜图像边缘属于阶跃边缘，从视觉上看，其两侧像素的灰度值有显著的不同。对这类边缘，最常用的检测方法是使用微分算子。但微分算子有增强高频分量的作用，而噪声通常都存在于高频分量之中。因此这类算子都对噪声敏感，易把噪声信号当做边缘信号处理而影响检测的正确性。此外，由于人眼各部分的光学特性不同，经成像装置采集到的图像，其虹膜边缘(主要是外缘)两侧像素灰度值的差别往往不如视觉上那么明显，这也可能使一般的边界检测方法检测不到正确的虹膜边界。

图中使用的边界检测方法2的步骤如下：

a.通常的微分算子法是根据图像函数的一阶方向导数在边缘处取极大值这一变化规律确定的。虹膜边界的检测也使用微分算子，但由于在上述平滑过程中已经通过图像滤波增强图像，使所述平均值意义上的逐圈图像平均灰度值在虹膜边缘处变化最为显著；故本发明不是直接对图像函数求导，也不是对平滑后的图像求导，而是对虹膜内部一层层圆周上经线积分平滑又经加权卷积平滑后的均值求导，即求取圆周上像素灰度的平均值(线积分)与某一权函数在某一邻城内的加权平均值(卷积)的导函数(平均灰度的变化率)，因而几乎完全消除了因使用微分算子而产生的影响。

本方法即使在虹膜图像被上下眼睑严重遮挡或虹膜上、下边界超出所述数字图像范围时，仍能取得完整的虹膜边界。

b.因为是对积分求导，在求导数的最大值时，极值将在一个线积分的积分路径，也就是在某个圆周上达到。求出这一使导数达到极值的圆周，就可以一举确定虹膜边界。在某些情况下，边界不在导数的最大值处达到，而是在一个极大值处达到。

c.在检测虹膜内边界时，虹膜内缘为瞳孔与虹膜的交线，对于黄种人来说，由于瞳孔呈深棕色，内缘两侧像素点的灰度值往往差别不大。为准确检测出内缘，需要首先对位于瞳孔内的像素进行“涂白”处理，以增强虹膜内缘两侧像素灰度的差别，从而有效检测黄色人种虹膜的内边界。可以用下述一种方法进行“涂白”处理：1.已知虹膜外缘圆周的圆心为(x0，y0)，用邻域平均法求得(x0，y0)的某一邻域内像素灰度的平均值g。2.以(xO，y0)为圆心，以可变长度r为半径进行搜索，如沿此圆周上各像素点灰度的平均值与g之差小于给定的精度，则加大半径继续搜索，否则搜索停止。3.对平均灰度值与g的差小于给定精度的所有像素，均代之以灰白色巩膜的灰度值。

这种“涂白”的边缘检测方法还可使虹膜检测适用于白内障患者。

经过虹膜边界检测过程以后，即进入图中给出的虹膜图像转换过程3。由虹膜内缘即圆(x0，y0，r0)与外缘即圆(x1，y1，r1)(其中x0，y0，r0与x1，y1，r1分别为两个圆的圆心坐标与半径)所界定的图像区域即为虹膜图像。由于虹膜图像是通过成像装置采集的，采集时，如果人眼与镜头的距离改变，或成像装置的变焦倍数不同，虹膜图像的大小也就不同。为使识别结果不受这些因素影响，需要对图像进行转换，把同一虹膜在不同情况下被获取的图像都转换为某一标准形式。

在图像处理中有许多图像变换方法，但与这里所说的图像转换不是一个概念。例如，通常所说的图像变换可以使变换后高频系数迅速衰减以实现数据压缩，还可以选择适当的变换，使能量集中于低频部分，但这些图像变换方法均不能用来解决我们这里要做的标准化处理。

图中的虹膜转换方法3如下：

本发明给出的虹膜转换方法直观上可理解为一种挤压过程，先把环形虹膜从一侧切断，再从切口处将断开的圆环边拉边压，使之成为一个矩形图像。在这一过程中，有些像素被保留下来，有些像素被舍弃掉了，就像把一把张开的折扇收拢时，扇面的面积逐渐减小一样。实现这一过程的要点如下：

a)不论虹膜图像大小如何，都沿内缘圆周划分环形虹膜图像，例如将其内缘圆周等分为相同数目的圆弧。

b)上述分割中的所有分点(每个分点是一个像素)及环形虹膜中位于通过这一分点的内缘半径的延长线上的像素都予以保留，其余像素均予舍弃。

以上两步所进行的工作是：将环形虹膜图像沿内圆圆周等分，保留各圈图像中与各等分线(即通过这一分点的内缘半径的延长线)相交的像素，将保留下来的环形虹膜图像切断后再拉伸成一个矩形图像，使新图像中的每一列分别对应于保留下来的环形图像中的每一个圆。虹膜中每一个与内圆同心的圆周上所保留的像素数均为常数(都等于内圆上的分点数)，故越是靠近外圆周，被舍弃的像素越多。

由于在虹膜图像中，内圆附近纹理密集，外圆附近纹理稀疏，故上述变换过程具有明显的合理性。

图中虹膜转换方法3产生的图像是一种标准图像。不论成像装置获得的虹膜图像如何，经过前述图像转换后都以相同的采样点数保留了相同方位上的像素点，图中方法4将对此图像提取其数字纹理特征。纹理特征可以是定量的，也可以是定性的，我们要求的是定量表征，而且要求对每一局部纹理都用单一的数字予以表征。虹膜纹理是种浑沌状纹理，因此图中特征提取方法4的目的就是对浑沌状的纹理特征给出数字表征。

纹理特征提取方法大致分为统计方法与结构方法两类：前者用于分析木纹一类细腻而不规则的纹理，后者用于印刷图案等纹理基元排列较有规则的图像，对虹膜纹理的混沌状结构，这些方法均不适用。例如傅立叶变换法虽然应用广泛，但不适于表示陡然变换的信号，难以分析信号瞬时特性，在用于分析语音或视频信号时效果不佳。

虹膜纹理特征提取方法4如下：

a)将矩形虹膜图像沿水平和垂直两个方向分割成许多小矩形区域，分割密度从原虹膜内缘的图像部分向原虹膜外缘部分逐渐减小，这样分割的原因是虹膜纹理在内缘附近比较集中。

b)对分割后得到的每个小区域执行二维小波变换，从而得到每个小区域上二维纹理特征的数字表征，作为所述虹膜的数字纹理特征。

小波变换具有“变焦距”特性，当其尺度因子增大时，变换可使局部信息减弱、整体信息增强；当其尺度因子减小时，可使局部信息增强、整体信息减弱。对其尺度因子进行适当调控，就可以使虹膜纹理信息得到恰当的反映。

为提取虹膜纹理数字特征所用的数学变换的实质是对图像函数施加多种、多次二维平滑运算。这种二维多次平滑积分变换有时不能完全具备小波变换的所有数学性质而不能成为严格意义上的二维小波变换，但可有效提取虹膜纹理数字特征。经过上述变换，可将分割后所得的每一小区域上的虹膜数字纹理特征表征为复数平面上的一点(即一个实数二元组)。不同的二维变换可对同一小区域得出不同的二维纹理特征数字表征值，但对同一虹膜纹理特征提取子系统需对所有所述小区域使用同一变换。

变换可以减少计算的复杂度，从某种意义上说，如果用其它方法需要10000次运算，使用上述变换可减少到100次。

提取虹膜纹理特征的目的是编制虹膜代码。虹膜代码是一种数字编码，所编代码应具有固定码长，从信息论角度而言，这样的代码具有最大熵。还需要给出虹膜识别方法，即判定两个给定的虹膜代码是否来自同一虹膜。这些问题将在图中方法5中得到解决。

图中的虹膜特征编码与识别方法5的步骤如下：

a)用两个码位对每一小区域上纹理特征的数字表征编码。根据作为每个小区域的二维纹理特征数字表征的复数平面上的点的实部与虚部(即实数二元组中的两个元素)相对于特定阈值的符号，分别给出每个小区域的两位代码。

b)在虹膜纹理特征提取过程中分割转换后图像时，所应分割成的小区域的总数与所编代码的码长有关。

c)根据每一小区域的数字表征的复数平面上的点的实部与虚部相对于特定阈值的符号，分别确定两个码位的取值，从而得到虹膜代码。使用不同的二维变换对同一虹膜图像可得到不同的虹膜代码，所用的二维变换不同，用以确定实数二元组的两个元素的符号的阈值不同。

d)将该代码与存放于数据库中的同一眼球及/或其它眼球的虹膜的虹膜代码加以比对，根据诸如同位异值码的个数等判断标准判断两组相比较的虹膜代码是否表征同一个虹膜的不同数字图像。可以进行对比的虹膜代码必须是使用同一二维变换、用同一编码方法所得到的具有同等长度的虹膜代码。

若设虹膜代码长度为2048位，通过分析码位间的相互独立性，可以估计出两个不同的虹膜具有同一代码的概率，这一概率约为10^-48～10^-50，远较指纹识别的相应概率为小。

Claims (1)

1.一种虹膜识别方法，包括以下步骤：

(1)虹膜图像平滑步骤，包括：

a)从虹膜内缘开始向外缘方向逐圈求取图像函数在各个圆周上的平均值，从而得到每一圈图像在所述平均值意义上的平均灰度值，

b)计算在所述各圈平均灰度值的邻域内的加权平均值；

(2)虹膜边界检测步骤，包括：

a)用巩膜的灰度取代瞳孔的灰度，在进行虹膜平滑的同时，求取图像平均灰度变化率的极大值，

b)根据所述极大值确定虹膜的内缘边界和外缘边界，以界定环形虹膜图像；

(3)虹膜图像转换步骤，包括：

a)沿圆周等分所述环形虹膜图像，并保留各圈图像中与分割线相交的像素，

b)将保留下来的环形虹膜图像切割后再拉伸成一个矩形图像，使矩形图像中的每一列分别对应于保留下来的环形图像中的一个圆，从而得到转换后的虹膜图像；

(4)虹膜纹理特征提取步骤，包括：

a)将所述转换后的虹膜图像沿水平和垂直方向分割成多个小矩形区域，分割密度从原虹膜内缘的图像部分向原虹膜外缘部分逐渐减小，

b)对所述转换后的虹膜图像中的每个小区域执行二维小波变换，从而得到每个小区域上二维纹理特征的复数形式的数字表征，作为虹膜的数字纹理特征；

(5)虹膜特征编码与识别步骤，包括：

a)根据每一小区域的数字表征的实部和虚部两者的符号，分别给出每个小区域的两位代码，从而得到虹膜代码；

b)将该代码与被比较虹膜的虹膜代码加以比对，根据同位异值码的个数判断两组相比较的虹膜代码是否表征同一个虹膜的不同数字图像。

Images