CN1209073C - 基于活体虹膜的身份识别方法 - Google Patents

Abstract

一种基于活体虹膜的身份识别方法，包括步骤：活体虹膜鉴别；虹膜图像的质量评价与选择，离焦图像的恢复；虹膜识别。本发明的活体虹膜鉴别方法采取空域分析和频域分析相结合的策略，融合多种特征进行判别分析，因此具有很高的可靠性。本发明使用可靠、快速的方法实现虹膜图像质量评价与选择，从而可以提高系统性能。利用图像配准、逆滤波等技术实现离焦图像的恢复，即从虹膜图像序列恢复清晰图像，降低了对硬件的要求。本发明采用局部信息与全局特征相结合的纹理分析方法，具有很好的识别性能。本发明可用于进行身份识别和安全性防范的诸多应用系统中，可为应用系统增加防伪功能。

Description

基于活体虹膜的身份识别方法

技术领域

本发明涉及模式识别，特别是基于活体虹膜的身份识别方法。

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。同时，由于交通、通讯和网络技术的飞速发展，人类的活动范围越来越大，身份识别的难度和重要性也越来越突出。对于我国这样一个人口众多的国家，身份识别有着尤其广泛的应用前景和重要的战略意义，金融、安全、网络、电子商务等无一不需要可靠的身份识别。传统的利用密码等身份识别的方法具有易遗忘、易假冒等缺点，已不符合现代数字社会的需求。基于生物特征的身份识别技术利用人本身所拥有的生物特征来判别人的身份，这些生物特征具有“人各有异、终生不变、随身携带”三个特点，具有稳定、便捷、不易伪造等优点，近年来已成为身份识别的热点。常用的生物特征包括指纹、掌纹、虹膜、脸像、声音、签名和笔迹等。

基于虹膜的生物特征识别技术是一种最新的身份识别技术，通过一定的虹膜识别算法后，可以达到极高的准确率。据统计，到目前为止，虹膜识别的准确率是各种生物特征识别中最高的。与其它的生物特征相比，虹膜具有三个显著的优点：唯一性、稳定性和非侵犯性。这些特点使得基于虹膜的身份识别系统有广泛的应用前景。但是同传统的安全防范方法(如密码等)一样，基于虹膜的生物特征识别技术也有被伪造和窃取的危险。因此，提高虹膜识别技术的防伪性能是当前的一个难点。

发明内容

本发明的目的是提出一种基于活体虹膜的身份识别方法，即通过识别虹膜来确定人身份的方法。同时，利用眼睛的光学和生理特性在图像序列中的表现来检测活体虹膜，从而使基于虹膜识别技术的各种应用系统具有防伪功能。

为实现上述目的，基于活体虹膜的身份识别方法包括步骤：

活体虹膜鉴别；

虹膜图像的质量评价与选择；

离焦图像的恢复；

虹膜识别；

所述活体虹膜鉴别包括对拍摄到的虹膜图像序列进行间隔采样；

计算每一幅图像的特征值；

计算特征值的方差或绝对方差，根据方差或绝对方差的大小鉴别是否活体虹膜；

所述虹膜图像的质量评价与选择包括选择多个虹膜区域；

分别计算这些区域的称为质量评价指标的傅立叶高频分量；

将多个区域的质量评价指标取平均值；

使用中值滤波的方法对由图像序列质量评价指标组成的指标集进行滤波，选择对应于滤波结果的图像做为待识别的虹膜图像；

所述虹膜识别包括用非线性映射方法将环状的虹膜图像映射为固定尺寸的矩形图像；

将矩形图像分为多个大小相同的子图像；

采用多通道滤波器提取每个子图像的局部纹理信息。

本发明的活体虹膜鉴别方法采取空域分析和频域分析相结合的策略，融合多种特征进行判别分析，因此具有很高的可靠性。本发明使用可靠、快速的方法实现虹膜图像质量评价与选择，从而可以提高系统性能。本发明利用图像配准、逆滤波等技术实现离焦图像的恢复，即从虹膜图像序列恢复清晰图像，降低了对硬件的要求。对于核心的识别方法，本发明采用局部信息与全局特征相结合的纹理分析方法，具有很好的识别性能。本发明可用于进行身份识别和安全性防范的诸多应用系统中，可为应用系统增加防伪功能。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为活体虹膜识别方法流程框图；

图2为虹膜图像瞳孔变化的特征值曲线图，其中，

(a)对应于活体虹膜图像序列的特征值曲线，

(b)对应于非活体虹膜图像序列的特征值曲线；

图3为虹膜图像瞳孔区域内高光点的分布图，其中，

(a)是活体虹膜图像，

(b)为从一无反射性质载体上拍摄到的虹膜图像，

(c)为从一有反射性质载体上拍摄到的虹膜图像；

图4为虹膜图像的频谱能量分布图，其中，

(a)是活体虹膜图像，

(b)是非活体虹膜图像，

(c)对应于图(a)虹膜的傅立叶变换的能量谱，

(d)对应于图(b)虹膜的傅立叶变换的能量谱；

图5为活体虹膜鉴别方法的流程框图；

图6为虹膜图像质量评价图，其中，

(a)是模糊的虹膜图像，

(b)是清晰的虹膜图像，

(c)是图像质量评价区域示意图；

图7为活体虹膜识别方法预处理过程图，其中，

(a)是虹膜图像，

(b)是非线性映射后的矩形虹膜图像，

(c)预处理后的矩形虹膜图像；

图8为活体虹膜特征提取示意图

具体实施方式

一般来讲，虹膜识别系统分为“硬件和软件”两大模块：虹膜图像获取装置和虹膜识别算法。虹膜识别算法包括三个主要步骤：图像预处理、特征提取和模式匹配。本发明提出的方法将应用于虹膜识别软件模块。

本发明提出一种新颖的、可靠的活体虹膜识别方法，其流程框图如图1。目前，一般的虹膜识别方法仅仅利用一幅虹膜图像进行识别，而本发明不同于这些方法，利用虹膜图像序列进行活体虹膜的检测与识别。与当前其他虹膜识别方法的相比，本发明的新颖性主要在于：1)利用拍摄到的虹膜图像序列进行活体虹膜检测，若为非活体虹膜，则拒绝识别。2)对活体虹膜图像序列的质量进行评价，选择清晰的虹膜图像进行识别，从而提高了算法的识别率。3)能够通过质量不高的虹膜图像序列恢复出一幅比较清晰的图像，降低了对硬件的要求。4)采用一种局部信息与全局特征相结合的识别方法对选出的虹膜图像进行识别。

本发明提出的基于活体虹膜的身份识别方法包含三个主要步骤(见图1)：

1.对输入的虹膜图像序列进行活体虹膜鉴别。

I.充分利用活体眼睛的特有光学和生理特性

眼睛的可见部分由里到外依次为：眼球中央黑色的瞳孔，圆环状的虹膜(其颜色随人种有很大不同)，白色的巩膜，以及覆盖在上述三者外部的透明的角膜。这些生理结构为我们进行虹膜的活体检测提供了基础。虹膜的一个生物统计学特点是它的动态特性。虹膜上附着了复杂的放射状纤维和环状纤维，放射状纤维舒张，环状纤维向内收缩则瞳孔缩小；反之，放射状纤维收缩、环状纤维舒张则使得中间的瞳孔放大。正常的瞳孔一直处于这种不停的缩放状态。同时，瞳孔大小还能对光线的强弱变化迅速作出反映，当光线强时，瞳孔缩小，光线弱时，瞳孔放大。而非活体的虹膜(如打印在纸张上的虹膜图像)不具有这个特点。虹膜的这个特点就是我们用来进行活体虹膜检测的生理依据之一。通常情况下，在拍摄到的虹膜图像序列中，瞳孔尺寸是大小不一的，而且一些虹膜图像录入设备在拍摄图像的过程中，采取控制照射光线强弱的方法，使瞳孔大小的变化更加明显。本方法首先对拍摄到的虹膜图像序列进行间隔采样，形成待检测图像集；然后按照公式(1)对图像集中的每一幅图像计算特征值；最后，按照公式(2)或(3)，计算这组特征值的方差或绝对平均差。通过判断方差或绝对平均差的大小就可以鉴别出是否活体虹膜。

$V=\frac{r_i-r_p}{r_i}---\left(1\right)$

其中，r_i是虹膜的半径，r_p是瞳孔的半径，V是计算得到的特征值。公式(1)所定义的特征值能够很好地反映出活体虹膜的动态特性，而且此特征值对虹膜和瞳孔半径的相同线性变换不敏感，因此本方法可以检测出试图通过前后移动打印在纸张上的虹膜图像进行欺骗的行为。

$D=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(\mathrm{Xi}-M)}^2---\left(2\right)$

$D=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|\mathrm{Xi}-M|---\left(3\right)$

其中，N为特征值的个数，M为特征值的均值，Xi为第i个特征值。

附图2(a)为一活体虹膜图像序列所对应的特征值曲线，(b)为一非活体虹膜图像序列所对应的特征值曲线。从中我们可以看出(a)和(b)二者有很大的不同，非活体虹膜的特征值曲线近似一条平坦的直线，而活体虹膜的特征值曲线则是有很大波动的曲线。

上述方法能够鲁棒地鉴别出使用一幅虹膜图像进行伪造的行为，但“聪明的”人会用连续的视频序列来欺骗自动虹膜识别系统。可是包围在虹膜之外的角膜又为识破这种欺骗行为提供了生理上的基础。角膜是构成眼睛光学系统的一部分，具有一定曲率的透明物质，对穿过的光线起曲折作用。这就好象在虹膜前面放置了特定曲率的透镜一样。为了使图像中的虹膜纹理更清晰，现在所有的虹膜录入设备都有红外照明。但是，红外照明光线照射到眼睛上便会在虹膜图像上形成高光点，从而降低图像的质量。可以合理地设计红外光源在虹膜录入设备中的位置，使由红外照明引起的高光点落在瞳孔的区域内，当前所有的虹膜录入设备也确实是这样设计的。由于伪造虹膜图像的载体(包括一般纸张、播放视频的设备界面等)不具有角膜的这种性质，因此，对那些不具有反射性质的载体来讲，所拍摄到的虹膜图像中没有高光区域；对那些具有反射性质的载体来讲，红外照明引起的高光点可能会落在图像中的瞳孔区域之外。所以通过计算虹膜图像中瞳孔区域内高光点的面积也是辨别是否活体虹膜的有效途径之一。本方法定义一个区域中点的个数为这个区域的面积。通过判断高光点面积值的大小范围，就可以区分真假虹膜。针对不同的虹膜录入设备，可以设定不同的阈值进行判断。附图3(a)为一活体虹膜图像，其高光点面积为96，(b)为从一无反射性质载体上拍摄到的虹膜图像，其高光点面积为0，(c)为从一有反射性质载体上拍摄到的虹膜图像，其高光点面积为0，由于载体反射的杂乱性，其高光点分布在了瞳孔区域以外。

II.利用光学成像和数字图像处理的技术

虹膜录入设备中的成像元件——摄像头，都具有很高的解析度或者说分辨率，即使是用很高分辨率打印或印刷的虹膜图像，摄像头也能够很容易捕捉到那些录有伪造虹膜的载体上的噪声，这些噪声在数字图像傅立叶变换的频谱上表现为高频能量。因此，本方法通过分析图像频谱的能量分布来辨别真假虹膜。如果所拍摄图像的高频能量的总和超过一定的阈值，也就是说图像包含有很多的噪声，则可以断定所拍摄的图像来自非活体虹膜。本方法定义，大于等于最高频率1/3的频率属于高频分量。根据实际的应用场合，区分高频能量的阈值可以稍微调整。附图4(a)为一活体虹膜图像，(c)为对应的傅立叶能量谱，其高频能量总和为3.1×10⁷，(b)为一非活体虹膜图像，(d)为对应的傅立叶能量谱，其高频能量总和为9.9×10⁷。从图中可以看出，通过分析图像的能量谱来鉴别活体虹膜是一条十分有效的途径。

III.融合多种途径的活体虹膜鉴别方法

本发明采用融合上述三种鉴别途径的方法来获得更准确的判别结果，附图5是活体虹膜鉴别方法的流程框图。根据三种途径的区分能力和计算复杂性，本方法采用的融合策略为：首先计算虹膜图像的傅立叶频谱的高频能量，通过此途径可以鉴别出绝大部分伪造的虹膜图像；其次检测图像序列中瞳孔变化的特征值分布；最后计算瞳孔区域内高光点的面积。通过本方法的检测，可以十分准确地鉴别出是否活体虹膜。

2.对通过活体虹膜检测的序列图像，进行质量评价。该部分包含两项内容：第一，判断输入每一幅图像的质量，也就是清晰程度；第二，根据图像的质量，从中选择出或通过序列图像恢复出一幅清晰的虹膜图像，作为待识别图像。

I.虹膜图像质量评价与选择

在虹膜识别系统中，由于图像获取装置焦距和外部环境光线的影响，可能拍摄到的虹膜图像质量比较差，如图6(a)所示。这些模糊的图像无法用来进行识别，因此需要对输入虹膜图像的质量进行评价，选择清晰的图像进行识别。本发明采用分析虹膜局部清晰程度的方法进行虹膜图像质量的判断，通过滤波的方法选择合适的虹膜图像。一幅清晰的虹膜图像包含有对比度强，变化明显的虹膜纹理信息，如图6(b)所示。这些对比度强，变化明显的虹膜纹理信息在傅立叶频域中表现为高频分量。因此，本方法从四个不同角度选择图像中四块虹膜区域，如图6(c)所示，然后分别计算这些区域的傅立叶高频分量，四部分的平均值做为一幅虹膜图像的质量评价指标。这样处理即减少了计算量，又提高了鲁棒性，保证了精度。若一序列虹膜图像的质量评价指标大部分超过一定的阈值，则认为该图像序列有足够的清晰度，可以用来进行虹膜识别。若序列虹膜图像的质量评价指标大部分低于一定的阈值，则可以通过一定的方法从图像序列中恢复一幅比较清晰的虹膜图像。通过质量评判标准的虹膜图像序列中还可能包含一些由于眼球运动，眼皮遮挡等因素造成的低质量图像，因此需要选取一幅合适的图像进行识别。本发明使用中值滤波的方法对由图像序列质量评价指标组成的指标集进行滤波，选择对应于滤波结果的图像做为待识别的虹膜图像。该滤波选择方法具有很高的可靠性。

II.从虹膜图像序列恢复清晰虹膜图像

在拍摄虹膜图像时，由于各种因素的影响(如头部的晃动)，眼睛的位置可能不在摄像机的焦平面上，而是有一些小的偏离。这时拍摄到的虹膜图像序列就稍微有一些模糊，但是模糊可以从一定程度上进行恢复，也就是说通过一定的算法，能够从这一序列图像中恢复出一幅比较清晰的图像。本发明利用图像配准、逆滤波等技术实现这一过程。

3.对待识别虹膜图像，采用局部信息与全局特征相结合的方法进行识别，得出最后结果。

在一个虹膜识别系统中，识别方法是核心和关键，与系统性能的好坏有直接的关系。现有的方法多数是基于局部纹理信息分析的，而本发明采用一种局部信息与全局特征相结合的识别方法。本识别方法的要点在于：通过一定的非线性映射方法将环状的虹膜图像映射为固定尺寸的矩形图像，如图7(b)所示，这样从一定程度上弥补了由于瞳孔变化而带来的虹膜形变，同时又简化了后继的处理。对展开的矩形虹膜图像，又分为八个大小相同的子图像，这些子图像的排列顺序反映了虹膜的全局结构。对每个子图像进行必要的预处理之后，如图7(c)所示，本方法采用多通道Gabor滤波技术提取每个子图像的局部纹理信息。Gabor滤波器的空间域表达式如下：

$G(x,y;\mathrm{\θ},f)=\exp \{-\frac{1}{2}[\frac{x^{\′2}}{{\mathrm{\δ}}_{x^{\′}}^2}+\frac{y^{\′2}}{{\mathrm{\δ}}_{y^{\′}}^2}\left]\right\}\cos \left(2\mathrm{\πf}{x}^{\′}\right)$

x′＝xcosθ+ysinθ                          (4)

y＝ycosθ-xsinθ

其中f是调制频率，θ是调制方向角，δ_x′和δ_y′分别为高斯函数沿x′和y′方向的标准差。通过设定频率和方向参数，能够获得提取特定信息的滤波器。本方法构造4个方向，5个尺度共20个Gabor滤波器，通过这一族滤波器可以很好地分析虹膜的局部纹理信息。对每个滤波后的图像，用式(5)所定义的平均绝对距离进行描述。

$V=\frac{1}{N}\left(\underset{N}{\mathrm{\Σ}}\right|f(x,y)-m\left|\right)---\left(5\right)$

其中N是图像像素个数，m是图像均值，f(x，y)是图像在点(x，y)处的灰度值。通过上述处理，如图8所示，就能够用一个160维的特征向量表示一幅输入的虹膜图像。对特征向量的分类是一个典型的模式匹配问题，本发明采用基于加权欧氏距离的最近中心分类器，对一个待分类的特征向量，计算它同数据库中所有类特征向量的加权欧氏距离(WED)，其定义如(6)式。若与某类的WED距离最小，则识别为该类。

$\mathrm{WED}\left(k\right)=\sqrt{\underset{i=1}{\overset{\mathrm{BN}}{\mathrm{\Σ}}}{A}_i\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(f_{(i,j)}^k-f_{(i,j)})}^2}---\left(6\right)$

其中A_i是第i个权重系数，BN是子图像的个数，N是从每个子图像中提取的特征向量的维数，f_(i，j)和f_(i，j) ^k分别表示待识别虹膜和数据库中第k类虹膜的第i个子图像的第j个特征分量。

本发明提出了一种基于活体虹膜的身份识别新方法。本方法的优点在于以下几个方面：

1.本方法充分利用眼睛的光学和生理特性在图像序列中的表现，采取空域分析和频域分析相结合的策略进行活体虹膜的鉴别。

2.本方法融合多种特征进行活体虹膜的鉴别。

3.本方法能够对虹膜图像序列的质量进行评价，并从中自动选择出清晰的图像进行识别。

4.本方法利用图像处理的技术对离焦图像进行恢复，降低对相应硬件的要求。

5.本方法采用多通道Gabor滤波技术提取虹膜特征的局部纹理信息和全局结构，是一种可靠的识别方法。

6.本方法对于虹膜获取装置没有特殊的要求，而且不涉及复杂的计算，易于在实际的系统中使用。

综上所述，本发明可以有效地完成虹膜识别，从而可靠地进行身份识别。同时本发明具有活体虹膜鉴别、图像质量评价与选择、离焦图像恢复的功能。本发明具有很广的应用范围，它可用于国防、金融、公安刑侦，以及其他需要进行身份确认的领域。

实施例1：活体虹膜的鉴别

本发明的活体虹膜鉴别方法可用于基于虹膜识别技术的各种应用系统中。结合图5描述使用过程如下：对输入的虹膜图像序列，随机选择其中的3幅虹膜图像，对这些虹膜图像进行傅立叶变换，然后求其相应的高频能量值。如果有两幅图像以上的高频能量值大于一定的阈值，则判定为非活体虹膜，算法结束。否则，对虹膜图像序列进行间隔采样，形成待检测图像集。用边缘检测的方法从每一幅图像中检测出瞳孔和虹膜的半径，然后根据公式(1)和(2)(或(3))计算出表示这一图像序列的方差(或绝对平均差)。如果此值小于一定的阈值，则判定为非活体虹膜，算法结束。否则，在待检测图像集中选择一幅图像，计算瞳孔区域内高光点的面积。如果此面积值在一定的范围，则判定为非活体虹膜，否则判定为活体虹膜。

实施例2：基于活体虹膜的身份识别

本发明提出的基于活体虹膜的身份识别方法可以应用于各种身份识别系统中，结合图1描述使用过程如下：采集待识别个体的虹膜图像序列，首先进行活体虹膜鉴别，若为非活体虹膜，则拒绝识别。若为活体虹膜，则评价该图像序列的质量。如果图像序列达到一定的要求，本方法将自动从序列中选择出一幅比较清晰的虹膜图像。否则，利用一些图像处理技术，从图像序列中恢复出一幅可用于识别的虹膜图像。最后，通过识别选择出或恢复出的虹膜图像，给出识别结果。

Claims (6)

1.一种基于活体虹膜的身份识别方法，包括步骤：

活体虹膜鉴别；

虹膜图像的质量评价与选择；

离焦图像的恢复；

虹膜识别；

所述活体虹膜鉴别包括对拍摄到的虹膜图像序列进行间隔采样；

计算每一幅图像的特征值；

计算特征值的方差或绝对方差，根据方差或绝对方差的大小鉴别是否活体虹膜；

所述虹膜图像的质量评价与选择包括选择多个虹膜区域；

分别计算这些区域的称为质量评价指标的傅立叶高频分量；

将多个区域的质量评价指标取平均值；

使用中值滤波的方法对由图像序列质量评价指标组成的指标集进行滤波，选择对应于滤波结果的图像做为待识别的虹膜图像；

所述虹膜识别包括用非线性映射方法将环状的虹膜图像映射为固定尺寸的矩形图像；

将矩形图像分为多个大小相同的子图像；

采用多通道滤波器提取每个子图像的局部纹理信息。

2.按权利要求1所述的方法，其特征在于所述的活体虹膜鉴别还包括步骤：检测虹膜图像中瞳孔区域内反射光点的面积。

3.按权利要求1所述的方法，其特征在于所述的活体虹膜鉴别还包括步骤：对虹膜图像的频谱进行分析，统计频谱中各频段的能量分布是否符合活体虹膜的能量分布，如果图像的高频能量的总和超过一定的阈值，则可判断该图像来自非活体虹膜。

4.按权利要求1所述的方法，其特征在于所述的多个虹膜区域为四个。

5.按权利要求1所述的方法，其特征在于所述离焦图像的恢复通过图像配准、逆滤波技术实现。

6.按权利要求1所述的方法，其特征在于所述子图像的数量为八个，所述多通道滤波器为Gabor滤波器。

Images