CN112270271A - 一种基于小波包分解的虹膜识别方法 - Google Patents

Abstract

本发明公开了一种基于小波包分解的虹膜识别方法，首先，对人眼图像进行采集，并进行虹膜图像预处理，得到处理后的虹膜图像，其次，利用阈值将虹膜图像小波包分解的对角高频信息调制为虹膜特征码，并提取虹膜特征，最后，采用海明距离分类器对虹膜特征进行分类与匹配计算，其通过计算当前虹膜特征码和虹膜模板库内虹膜编码的相似度来判断两个特征码是否来自于同一虹膜，从而对虹膜图像进行分类。通过本发明的识别方法提取的虹膜特征具有较好的分类性能，从而提高虹膜识别精度。

Description

一种基于小波包分解的虹膜识别方法

技术领域

本发明属于生物识别技术领域，具体涉及一种基于小波包分解的虹膜识别方法。

背景技术

虹膜识别是生物特征识别技术中的一种，相比指纹、人脸等生物识别技术具有更高的识别率和安全性。虹膜识别中特征提取是关键性环节，从虹膜纹理中提取识别身份的特征，然后利用模式识别方法进行身份确认或识别。早期的虹膜识别算法主要包括：Daugman的二维Gabor方法、Wildes的高斯-拉普拉斯金字塔方法，Daugman方法在识别质量较差的虹膜图像时效果往往大幅度下降，而且该算法只是从定性角度表示虹膜的特征，在表示虹膜纹理细节特征上有所欠缺。Wildes方法由于提取的特征复杂，匹配复杂度高，所以该算法只能在认证模式(Verification)下工作，在实际应用中存在局限性。随着人工神经网络的发展，也有学者将神经网络应用于虹膜识别中，但由于深度学习中的人工神经网络结构较复杂，应用在虹膜识别中识别速度有待提高，而传统的浅层网络如BP神经网络较容易陷入局部极值而影响虹膜识别精度。

Boles利用小波变换的积分平均值来表示虹膜特征,该算法将二维虹膜图像转化成一维信号提取特征，削弱了虹膜图像作为二维纹理之间的相关性。Lim利用Haar小波作为母小波对虹膜归一化区域经过4次滤波分解，对分解得到的第4层高频区域进行调制，与第1至第3层的小波分解高频系数的均值形成87位虹膜特征编码，使用学习向量化(learningvector quantization,LVQ)网络对提取的特征分类，识别率为98.4％，Lim的算法提取的虹膜特征空间较小，运算速度较快且节省了储存空间，但其仅用87个二进制位表征虹膜纹理，在海量数据下的识别率难以保证。

发明内容

针对上述存在的问题，本发明旨在提供一种基于小波包分解的虹膜识别方法，利用阈值将虹膜图像小波包分解的对角高频信息调制为虹膜特征码，并且利用海明距离对特征进行识别。

为实现本发明目的，本发明的技术解决方案为：

一种基于小波包分解的虹膜识别方法，其特征在于，包括以下步骤：

步骤1：采集人眼图像，并进行虹膜图像预处理，得到处理后的虹膜图像；

步骤2：根据虹膜纹理分布，划分虹膜有效区域，在虹膜有效区域内选取特征提取区域；

步骤3：在得到的特征提取区域上进行基于小波包变换进行二层分解，得到对角高频信息，并将得到的对角高频信息进行二进制编码，得到虹膜特征码；

步骤4：对得到的虹膜特征码进行虹膜特征的分类与匹配，最终得到分类结果。

进一步地，步骤1所述的虹膜图像预处理操作包括：虹膜定位、虹膜干扰检测与归一化处理以及虹膜图像归一化处理。

进一步地，步骤2的具体操作步骤包括：

S21：将虹膜区域分为R₁和R₂区域，分别对应于虹膜瞳孔部和虹膜睫状体部；

S22：初步选定R₁区域为虹膜有效区域，并将R₁区域再划分为R₃和R₄区域，选定受干扰小的区域R₄为虹膜有效区域；

S23：在虹膜有效区域内由上向下、由右至左选取选取固定大小的特征提取区域R₅。

进一步地，步骤3中所述的小波包变换的公式为：

其中，i＝1,2,…,2j，j＝1,2,…,J，J＝log2N，N为小波包分解层数，f(t)为待分解信号，

表示第j层上第i个小波包即小波包系数，G、H为小波分解滤波器。

进一步地，步骤3的具体操作步骤包括：

S31：对选取的特征区域先进行第一层分解，得到节点子图；

S32：对各节点子图进行二层分解，得到各子节点的图像低频信息、水平高频信息，垂直高频信息和对角高频信息；

S32：选取第二层的对角高频信息的组合作为虹膜特征提取对象，设置阈值0对提取的高频系数进行二进制编码，且特征空间元素C(i)的编码规则为：

S33：编码后得到虹膜特征码。

进一步地，其特征在于，步骤4中所述的虹膜特征的分类与匹配的具体步骤包括：

步骤41：从得到的虹膜特征码中选取一个虹膜特征码X与虹膜数据库中的虹膜模板特征编码

进行比较，并将异或操作产生的不一致的编码位数占总模板位数的比例作为海明距离，海明距离的计算公式为：

其中，N为总模板位数；

步骤42：判断得到的海明距离HD，距离越小则两类虹膜模式越相似；

步骤43：重复步骤41-步骤42，直至将得到的虹膜特征码全部比对完后，得到最终的分类结果。

本方法与现有技术相比，具有以下有益效果：

第一，本发明利用小波包分析用于虹膜特征提取中，相对小波分析等其它虹膜其特征提取方法，本发明方法能够提取更丰富的纹理特征信息以获取更高的识别率，从而提高了虹膜识别的准确率；

第二，本发明利用海明距离分类器对提取出出虹膜特征码进行识别，能够得到更高的正确识别率；

综上所述，本发明提出一种基于小波包多尺度分解的虹膜识别方法，将分割出的有效虹膜区域利用小波包进行分解，并提取虹膜特征，采用海明距离对特征进行识别，最终提高了分类性能。

附图说明

图1是虹膜识别原理的结构图；

图2是利用Daugman算法定位虹膜边缘的结果图；

图3是利用抛物线检测法检测眼睑的结果图；

图4是采用Masek方法检测睫毛的结果图；

图5是对虹膜图像进行归一化处理后的结果图；

图6是小波包分解结构图；

图7是小波分解结构图；

图8是虹膜纹理结构图；

图9是在原始图像上虹膜子区域的划分结果图；

图10是在归一化图像上虹膜子区域的划分结果图；

图11是受眼睑和睫毛干扰的归一化图像；

图12是虹膜有效区域R₄的划分结果图；

图13(a)-(b)是特征提取区域的划分结果图，图13(a)为虹膜有效区域，图13(b)为在虹膜有效区域中选取特征提取区域；

图14是小波包分解树结构图；

图15是虹膜特征提取区域小波包分解示意图；

图16是小波包分解第2层对角高频信息示意图；

图17是对角高频信息统计分布结果图；

图18是sym2尺度函数和小波函数；

图19是虹膜特征海明距离分布曲线图；

图20是不同算法的ROC曲线比较示意图。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

参考附图1可以得知虹膜识别的基本原理为：虹膜识别主要包括人眼图像采集、虹膜图像预处理、虹膜特征提取、虹膜特征匹配等步骤，通过以上步骤采集高分辨率质量好的含虹膜的人眼图像，然后对虹膜图像进行定位和归一化，利用特征工程相关算法从虹膜纹理中提取易区分的特征编码，将提取的特征编码与数据库中的样本特征模板匹配，从而完成身份认证或识别

参考附图1-20可以看出，一种基于小波包分解的虹膜识别方法，包括以下步骤：

步骤1：采集人眼图像，并进行虹膜图像预处理，得到处理后的虹膜图像；

虹膜图像预处理操作包括：虹膜定位、虹膜干扰检测与归一化处理以及虹膜图像归一化处理，具体地：

1、虹膜定位：

虹膜定位是指对虹膜与巩膜以及虹膜与瞳孔的边界进行定位和检测，由于采集的虹膜图像还包含人眼区域，为便于后续特征提取与识别，需要从人眼图像中分割出虹膜区域，虹膜定位对于虹膜能否正确识别身份具有基础性作用。虹膜定位算法根据定位原理主要分为两大类：一类是以Daugman为代表的基于虹膜边缘梯度的微积分方法，另一类是以Wildes为代表的Hough变换方法。本发明采用Daugman的微积分方法对虹膜进行定位，该方法的核心在于利用一个有效的微积分算子来计算虹膜边缘参数，该微积分算子为：

式中：*为卷积运算，G_σ(r)为Gaussian函数，用来平滑图像，r为圆形检测算子的半径，I(x,y)为虹膜图像在点(x,y)处的灰度值。式(1)中的Gaussian函数为：

其中，r₀为Gaussian函数的中心，σ为Gaussian函数的标准偏差。

遍历虹膜图像上所有的点，在半径r由小到大的每一步求整个圆周像素平均值的梯度，当梯度最大时所对应的值作为虹膜的内、外边界的定位参数；

卷积操作用来对虹膜图像进行平滑滤波，去除噪声的影响，滤波模板的尺寸会影响定位的精度，利用Daugman方法对虹膜边缘检测定位结果如附图2所示。

2、虹膜干扰检测与归一化处理：

虹膜定位提取出的虹膜区域中存在眼睑、睫毛和光斑的干扰，如果不去除这些干扰噪声，则在后续的虹膜特征提取编码过程中，会混合在真实虹膜纹理特征中,从而影响虹膜识别的精度。由于三维空间搜索降为一维空间搜索而速度较快，因此本发明采用最小二乘法拟合抛物线眼睑法对眼睑进行检测，这里该方法对眼睑进行检测，结果如附图3所示；

在人眼图像中检测睫毛难度较大，本发明采用Masek方法来检测睫毛，该方法利用睫毛灰度值与附近虹膜灰度值相差较大的特点，设定阈值清除睫毛区域，处理的结果如附图4所示。

3、虹膜图像归一化：

为消除提取的虹膜图像在尺寸、位置和角度上的差异，要对尺寸、分辨率不同的虹膜图像进行归一化处理，转化为尺寸相同的区域，从而消除平移、缩放和旋转对虹膜识别的影响，便于后续的匹配与识别。在现有的归一化模型中，应用最广泛的Rubber-Sheet模型虹膜图像中的各点通过公式(3)映射到极坐标系下，使得提取的尺寸不一的虹膜区域变换为相同尺寸的矩形区域，如图5所示。

步骤2：根据虹膜纹理分布，划分虹膜有效区域，在虹膜有效区域内选取特征提取区域；

虹膜纹理分布如附图8所示，可以看出在虹膜区域中距瞳孔边缘约1.5mm处有一环状结构叫卷缩轮，该结构将虹膜大致分为两部分：靠近瞳孔的部分叫做虹膜瞳孔部；靠近虹膜外缘的部分叫做虹膜睫状体部。瞳孔部因为有较多辐射状条纹褶皱，在外观上表现为较丰富的纹理细节，在这一区域能提取更多的虹膜特征以供识别；

根据瞳孔部和睫状体部的分布，将虹膜区域分为R₁和R₂区域，分别对应大致的虹膜瞳孔部和虹膜睫状体部，如图9所示。反映到归一化后的虹膜图像上，则是在垂直(径向)方向上分为二个平行不相交的子区域，如附图10所示。考虑到R₁区域为虹膜瞳孔部，含有丰富的纹理特征，且R₂区域含有的虹膜纹理特征较少，且易受上下眼睑的遮挡，所以初步选定R₁区域为虹膜有效区域。

但是对一幅受睫毛干扰的虹膜归一化图像分析，如附图11所示，白色区域为检测到的眼睑和睫毛区域，其有一部分R₁区域中，再将R₁区域分为两部分R₃和R₄区域，从图中可以看出，R₃区域受上眼睑遮挡及睫毛干扰较严重。且对大量原始虹膜图像分析发现，上眼睑覆盖虹膜较下眼睑更严重，且上睫毛对虹膜区域的干扰更严重，因此选择R₄区域为虹膜有效区域；

如附图12所示，R₄区域根据检测到的眼睑和睫毛区域确定，眼睑及睫毛区域被赋予统一、较高的灰度值(对于8位灰度图像来说为255)。设上眼睑和睫毛区域为L₁，对L₁区域中所有的点进行检测，检测到的最“靠右”即拥有最大纵坐标值的点为P(x₁,y₁)；设下眼睑区域为L₂，对L₂区域中所有的点进行检测，检测到的最“顶端”即拥有最大横坐标值的点为Q(x₂,y₂)。

步骤3：在得到的特征提取区域上进行基于小波包变换进行二层分解，得到对角高频信息，并将得到的对角高频信息进行二进制编码，得到虹膜特征码；

小波变换只对信号的低频部分做逐层分解，而对分解得到的高频部分不再继续分解，所以小波变换在表征含有大量细节信息(细小边缘或纹理)的信号上有所欠缺，而小波包变换可以对信号分解后的高频部分进一步分解，能对包含丰富纹理细节信息的虹膜图像进行更好的特征提取，因此本发明基于小波包变换进行特征提取；

设f(t)为待分解信号，

表示第j层上第i个小波包，称为小波包系数，G、H为小波分解滤波器，H与尺度函数有关，G与小波函数有关，则小波包变换可定义为：

其中，i＝1,2,…,2^j，j＝1,2,…,J，J＝log₂N，N为小波包分解层数；

从附图6和附图7可以看出，在图6中每个子树的左节点表示信号小波包分解后的低频信息，右节点代表分解后高频信息，图7中节点(1,0)、(2,0)、(3,0)为小波分解后的低频部分，(1,1)、(2,1)、(3,1)为小波分解后的高频部分，与小波包分解相比，小波分解后的高频部分没有进一步分解；

采用小波包变换对选取的特征区域进行二层分解，分解树结构如附图14所示，分解后的小波系数图像如附图15所示。从附图14中可以看出在第一层分解后，各节点子图都被进一步分解，以节点(1,1)为例，被分解为子节点(2,4)图像低频信息，(2,5)水平高频信息，(2,6)垂直高频信息，(2,7)对角高频信息。小波包分解后，第二层每个子节点图像大小为500；

由于虹膜纹理特征是灰度存在变化的细节信息，其主要通过高频信息表现，因此为了更好的表征虹膜纹理信息，消除噪声影响，本发明选取第二层的对角高频信息的组合作为虹膜特征提取对象，得到如附图16中所示出的共四个节点(2,3)、(2,7)、(2,11)、(2,15)的高频信息。

如附图17所示的分析第2层对角高频信息值的统计分布图，可以看出提取的对角高频信息共有2000个高频系数值，其中991个系数值为负数，1009个系数值为正，分解后对角高频信息1009个系数值为正，分解后对角高频系数正值和负值的比例约为1:1，此种信息的分布为虹膜特征编码提供良好基础。分解后产生的高频系数用于描述分解小波与被分解信号的相似性，设置阈值0对提取的高频系数进行二进制编码，并且特征空间元素C(i)的编码规则为：

通过以上这种编码方式，共形成2000位的虹膜特征码。

步骤4：对得到的虹膜特征码进行虹膜特征的分类与匹配，最终得到分类结果。

虹膜特征的分类与匹配是通过计算当前虹膜特征码和虹膜模板库内虹膜编码的相似度，并由相似度值的大小决定两个特征码是否来自于同一虹膜，从而对虹膜图像进行分类。

本发明采用的分类器是海明距离(Hamming Distance)，通过比较提取的虹膜特征码X与数据库中的虹膜模板特征编码

是否一致，将异或操作产生的不一致的编码位数占总模板位数N的比例作为海明距离，得到的海明距离越小则表示两类虹膜模式越相似。

实施例

采用MATLAB R2019a版本，虹膜图像来自于中科院CASIA(V1.0)版本的虹膜数据库，该虹膜数据库中包含108类人眼虹膜图像，每类包括6幅人眼虹膜图像。分解小波基选择sym2小波，其尺度函数和小波函数如附图18所示。

在认证模式下，从每类人眼虹膜图像中选取一副并提取特征作为模板，与同类其他虹膜特征比对，共产生

个同类海明距离。在识别模式下，从每类人眼虹膜图像中选取一副并提取特征作为模板，与其他107类不同类虹膜特征比对，共产生

个不同类海明距离。如图19所示，同类和不同类海明距离分布曲线间距较大，重叠部分很少，有较明显的区分模式。同类海明距离分布的均值μ_same＝0.760,标准差σ_same＝0.087。不同类海明距离分布的均值μ_diff＝0.560,标准差σ_diff＝0.032。

实验使用ROC曲线来评价本发明提出的虹膜识别算法的性能，参考附图20可以看出本发明的虹膜识别算法与经典虹膜识别算法的ROC曲线对比，图中的(FAR，FalseAcceptRate)表示错误接受率，定义为系统将不属同类的虹膜模式误匹配为同一类的比例，(FRR,False Reject Rate)为错误拒绝率，定义为系统将属同类的虹膜模式误匹配为不同类的比例，由图可以看出，本发明的识别算法在整体性能上优于Lim、Boles算法。

在识别模式下，将本发明的虹膜识别算法与经典虹膜识别算法的正确识别率(CRR,Correct Recognition Rate)进行比较，结果如表1所示。从表1中可以得知，本发明的识别算法的识别率明显高于Boles、Lim的算法，与Daugman的算法相接近。

表1不同算法的CRR值

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于小波包分解的虹膜识别方法，其特征在于，包括以下步骤：

步骤1：采集人眼图像，并进行虹膜图像预处理，得到处理后的虹膜图像；

步骤2：根据虹膜纹理分布，划分虹膜有效区域，在虹膜有效区域内选取特征提取区域；

步骤3：在得到的特征提取区域上进行基于小波包变换进行二层分解，得到对角高频信息，并将得到的对角高频信息进行二进制编码，得到虹膜特征码；

步骤4：对得到的虹膜特征码进行虹膜特征的分类与匹配，最终得到分类结果。

2.根据权利要求1所述的一种基于小波包分解的虹膜识别方法，其特征在于，步骤1所述的虹膜图像预处理操作包括：虹膜定位、虹膜干扰检测与归一化处理以及虹膜图像归一化处理。

3.根据权利要求2所述的一种基于小波包分解的虹膜识别方法，其特征在于，步骤2的具体操作步骤包括：

S21：将虹膜区域分为R₁和R₂区域，分别对应于虹膜瞳孔部和虹膜睫状体部；

S22：初步选定R₁区域为虹膜有效区域，并将R₁区域再划分为R₃和R₄区域，选定受干扰小的区域R₄为虹膜有效区域；

S23：在虹膜有效区域内由上向下、由右至左选取选取固定大小的特征提取区域R₅。

4.根据权利要求3所述的一种基于小波包分解的虹膜识别方法，其特征在于，步骤3中所述的小波包变换的公式为：

其中，i＝1,2,…,2j，j＝1,2,…,J，J＝log2N，N为小波包分解层数，f(t)为待分解信号，

表示第j层上第i个小波包即小波包系数，G、H为小波分解滤波器。

5.根据权利要求3所述的一种基于小波包分解的虹膜识别方法，其特征在于，步骤3的具体操作步骤包括：

S31：对选取的特征区域先进行第一层分解，得到节点子图；

S32：对各节点子图进行二层分解，得到各子节点的图像低频信息、水平高频信息，垂直高频信息和对角高频信息；

S32：选取第二层的对角高频信息的组合作为虹膜特征提取对象，设置阈值0对提取的高频系数进行二进制编码，且特征空间元素C(i)的编码规则为：

S33：编码后得到虹膜特征码。

6.根据权利要求5所述的一种基于小波包分解的虹膜识别方法，其特征在于，步骤4中所述的虹膜特征的分类与匹配的具体步骤包括：

步骤41：从得到的虹膜特征码中选取一个虹膜特征码X与虹膜数据库中的虹膜模板特征编码

进行比较，并将异或操作产生的不一致的编码位数占总模板位数的比例作为海明距离，海明距离的计算公式为：

其中，N为总模板位数；

步骤42：判断得到的海明距离HD，距离越小则两类虹膜模式越相似；

步骤43：重复步骤41-步骤42，直至将得到的虹膜特征码全部比对完后，得到最终的分类结果。

Images