CN1271559C - 一种人眼虹膜识别方法 - Google Patents

Abstract

一种人眼虹膜识别方法，涉及人眼识别技术中虹膜分割、虹膜坐标变换与归一化、虹膜特征提取、编码与匹配的内容：在虹膜分割方面，首先估计瞳孔中心，然后检测瞳孔的四个边界点，并精确定位瞳孔中心，再由瞳孔中心出发检测四个虹膜外边界点，最后确定虹膜中心；在虹膜坐标变换与归一化方面，将眼图像绕虹膜中心360°展开为矩形，然后寻找瞳孔边界，经拓扑变换实现虹膜图像归一化；由于该方法绕过了阈值的选择，且与光线照度无关，适合于非监督的检测，其检测速度高于目前采用的Hough变换和Daugman圆检测算子；在虹膜特征提取和编码方面，建立了直接提取虹膜纹理位置信息的规则和方法，给出了相应的编码方法；在虹膜匹配方法，给出了一种匹配度计算方法。

Description

一种人眼虹膜识别方法

技术领域

本发明属于人眼虹膜识别技术，特别涉及人眼识别技术中虹膜分割、虹膜特征提取、匹配与识别的内容。

背景技术

人眼虹膜识别技术主要由眼图像的获取、虹膜分割、虹膜归一化、虹膜特征提取、匹配与识别等几个部分组成。虹膜分割就是在获取的人眼图像中确定虹膜与瞳孔、虹膜与巩膜的边界，从而单独取出虹膜部分的图像。虹膜分割方法目前主要可以分为以下四种基本类型：第一种方法是通过Hough变换的方法，存在的问题是首先需要为边缘检测选择一个阈值，这样会导致关键的边缘点丢失，从而导致圆或弧的检测失败；其次计算量大，不适合于应用。第二种方法是通过Daugman的圆边界检测算子的方法，其定位速度较Hough变换方法要快，但对于虹膜区域图像中的噪声，例如存在光反射，该方法不适合应用。第三种方法是通过主动轮廓线的方法，其特点是定位速度较前两种进一步提高，但必需首先粗略估计瞳孔的位置，不够准确。第四种方法是通过边缘检测的方法直接获得虹膜边界，存在的问题是阈值的选择可能使部分边缘点丢失。

虹膜特征提取、编码和匹配现在主要有以下几种方法：第一种方法是基于相位分析的方法，最典型的是Daugman提出的方法，即采用Gabor小波滤波的方法编码虹膜的相位特征，利用归一化的Hamming距离实现特征匹配，该方法在虹膜采集时容易受到人为因素的影响。目前还有一种改进的特征提取算法，即选择了一种简单的小波，在某些尺度下计算小波系数，但目前没有给出实验结果。第二种方法是基于过零点检测的方法，最典型的是Boles等提出的采用一维小波对沿虹膜中心同心圆的一条采样曲线进行过零点检测，通过两个自定义的相似度函数完成分类。该算法只在很小规模的数据库上进行过测试，正确识别率为92.54％。目前虽然有些文献给出了与Boles类似的方法，但样本数很少。第三种方法是基于纹理分析的方法。最典型的是Wildes提出的采用拉普拉斯金字塔多分辨率技术，在不同尺度下计算给定两个虹膜图像的归一化闲逛相关系数，分类器是Fisher线性判据。其本质是一种图像匹配方法，缺点是计算复杂度高，只在认证模式下工作。

目前关于虹膜识别存在的主要问题如下：

(1)Daugman的识别方法在使用中是有限制的，即要求采集眼图像时，反光要落在瞳孔内，眼与采集器之间保持一定的距离，这不得不要求使用者的配合，同时不适合于行进中人眼虹膜的采集。

(2)目前的虹膜分割都是在眼图像中直接检测内外圆边界的过程，典型的两种分割方法不仅在计算复杂度上较大之外，其检测性能受边缘检测质量的影响较大，甚至导致分割失败。

(3)一些算法对图像采集质量要求较高。

发明内容

针对上述虹膜识别存方法在的不足，本发明提供一种人眼虹膜识别方法，该方法采用一种新的虹膜边界检测方法和虹膜特征提取方法，实现以一种非监督的方式采集眼图像，排除人为因素的干预，同时建立基于虹膜结构特征的编码机制，降低运算的复杂度。

本发明方法由以下步骤组成：

步骤一、虹膜定位：

首先确定瞳孔中心，然后寻找虹膜与瞳孔、虹膜与巩膜的边界，再确定虹膜的圆心；

步骤二、将圆形虹膜图像转换为矩形虹膜图像，并归一化：

将包含圆环形虹膜的眼图像绕瞳孔中心360度展开为矩形，在直角坐标系下通过现有的边缘检测技术来实现虹膜内外圆边界的提取；在矩形虹膜图像内，虹膜内外圆边界变成了一条水平方向的曲线，之后归一化，其依据是在矩形虹膜图像内，沿圆周方向的灰度变化可以看成是一个与虹膜纹理位置有关的波动函数，波谷对应于虹膜的纹理，可以采用基于方向极值的边缘检测算子提取波谷的位置，即虹膜纹理的位置。

步骤三、提取虹膜特征点并进行编码：

在分割得到的矩形虹膜图像中提取结构特征点，因为结构特征信息能够唯一表示一个虹膜，选择X个结构特征点进行编码，建立特征点确认规则，以唯一表示一个人的人眼虹膜，其特征点数量由如下公式表示：

$X=X_1+X_2+...X_M=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{X}_i$

其中M为在矩形虹膜特征点提取区域中等间隔设置的水平扫描线数量，X_i为第i行水平扫描线包含的特征点数量；

步骤四、虹膜的匹配：

根据第三步获得的编码进行匹配，通过对行特征点数匹配、行左右特征点数匹配、距离匹配来建立虹膜匹配标准，其中任意两个虹膜码间的距离定义如下：

$\mathrm{HD}=\frac{1}{\mathrm{MK}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}\⊗B_{\mathrm{ij}}$

式中A和B表示不同的虹膜码。

本发明提供一种人限虹膜识别的方法，其优点是将包含圆环形虹膜的眼图像绕瞳孔中心展开为矩形虹膜图像之后，在矩形虹膜图像中提取虹膜边界，特别注意了边界的连续性，避免了眼睑遮挡、照度不均匀等因素的影响，由于所提出的方法绕过了阈值的选择，且与光线照度无关，是一种非监督的检测方式，其检测方法较目前对圆的边界检测要容易得多，同时其运算量将明显减小，使检测速度提高。本发明方法还提出了虹膜纹理结构特征的提取方法，特别是采用了非监督方式，避免人为因素的干扰；同时本方法建立了基于虹膜结构特征的编码机制，在提高正确识别率的基础上降低了运算复杂度，同时保证了唯一性。

附图说明

图1为虹膜识别系统流程图；

图2为眼图像5×5个子图像划分示意图；

图3为虹膜沿水平和垂直方向的投影，其中图3a是水平方向的投影，图3b是垂直方向的投影；

图4为瞳孔中心精确定位方法示意图；

图5为虹膜中心定位方法示意图；

图6为虹膜展开图；

图7为展开角度为1度、图像宽度为360个像素的虹膜展开示意图；

图8为虹膜提取范围确定示意图，其中1为虹膜1/2处圆环；

图9为虹膜采集装置。

具体实施方式

结合附图，本发明提出的人眼虹膜识别方法的流程图如图1所示，具体实施步骤如下：

步骤一：虹膜定位；

步骤二：将圆形虹膜图像转换为矩形虹膜图像，并归一化；

步骤三：提取虹膜特征点并进行编码；

步骤四：虹膜的匹配。

其中步骤一的具体实施步骤为：

第一步，在眼图像中估计瞳孔圆心的位置；

在眼图像中，分别沿水平和垂直方向五等分图像，即将图像分成5×5个大小相等的子图像，位于中心的3×3个子图像构成图像中心子图像，如图2所示。瞳孔中心应落在中心子图像中。在中心子图像中，分别沿水平和垂直方向投影图像，获得两个方向沿坐标的灰度累加值。在灰度累加值直方图中，瞳孔部分具有较低的累加值，而非瞳孔部分具有较高的累加值，瞳孔的中心对应于灰度累加值极小值之处。也就是说，沿水平方向的投影可以获得瞳孔垂直方向的圆心，沿垂直方向投影可以获得瞳孔水平方向的圆心。两个方向获得的圆心近似为瞳孔的圆心。图3为虹膜沿水平和垂直方向的投影。

第二步，由近似瞳孔圆心精确定位瞳孔圆心；

在眼图像中，从上一步骤确定的瞳孔近似圆心出发，即图4中的O点，利用方向边缘检测算子，沿水平方向分别向左右两个方向搜索，分别计算水平线上各点水平方向的边缘强度。在该水平线上，瞳孔与虹膜交界处，虹膜与巩膜之间的交界处将出现较大的边缘强度值，而瞳孔与虹膜之间的边缘强度将明显高于虹膜与巩膜之间的边缘强度。因此，分别选择近似瞳孔中心左侧水平线和右侧水平线上边缘强度的最大值，所对应的点即为瞳孔的边界点，即图4中的C点和D点。由于瞳孔是一个圆形结构，通过圆上任意两点做连接线，该连接线中点的垂线必然通过圆心，即连接图4中C、D两点，其中点即图4中的P’点的垂线必然通过瞳孔的实际中心P点，由此得到瞳孔中心在水平轴上的坐标。从P’点出发，依照上述搜索原理，沿垂直方向分别向上下两个方向搜索到瞳孔的两个边界点，即图4中的A点和B点，两点的中心P为瞳孔纵轴坐标，同时P即为瞳孔的中心坐标。

第三步，由瞳孔圆心确定虹膜圆心。

由于上下眼睑的遮挡，沿垂直方向穿过圆心，寻找虹膜上下两个边界点是困难的。而沿水平方向穿过圆心，因为不受任何遮挡可以寻找虹膜与巩膜左右两个边界点。虹膜与瞳孔的圆心通常不重合，瞳孔在水平方向不同程度地向鼻梁方向偏移，垂直方向也存在不同程度的偏移，但较水平方向的偏移要小的多。

首先沿水平方向穿过瞳孔中心寻找虹膜与巩膜的两个边界，寻找方法与寻找瞳孔边界相同。从精确获得的瞳孔圆心即图5中P点坐标出发，利用方向边缘检测算子，分别沿水平方向向左和向右搜索到瞳孔的两个边界，即图5中的B、C点。再从搜索到的瞳孔左右两个边界即图5中的B、C点出发，利用方向边缘检测算子，沿水平方向搜索虹膜与巩膜的边界，即图5中的A、D点。由于排除了瞳孔的边界点，虹膜与巩膜的边界点具有最大的边缘强度，通过求极大值方法获得虹膜与巩膜的边界点。根据搜索到的两个虹膜边界点，精确地确定虹膜水平方向的圆心坐标，即图5中的M点，其方法与精确确定瞳孔横坐标中心在原理上是一样的。

由于上下眼睑的遮挡，不能按照确定瞳孔中心纵坐标的方式来确定虹膜中心的纵坐标，必须避开上下眼睑的遮挡。从上面确定的虹膜水平方向圆心坐标即图5中的M点出发，利用方向边缘检测算子，分别沿与水平方向成30°和-30°方向搜索虹膜边界。考虑到沿30°角搜索虹膜边界，在编程上的麻烦，实际操作如下：在穿过虹膜水平方向圆心M点，沿水平方向，在虹膜右0.86(cos30°＝0.86)半径的位置，即图5中的G点标记垂直方向搜索出发点。从该出发点出发，应用方向边缘检测算子，沿垂直方向搜索，可以搜索到虹膜上下两个边界，即图5中的E、F点，其搜索原理与确定虹膜与巩膜边界是一样的。根据搜索到的上下两个边界点，即图5中的E、F点，可以精确确定虹膜垂直方向圆心纵坐标，即图5中的Q’点，其原理与确定瞳孔中心的原理是一样的。同理，可以获得虹膜左侧0.86半径位置上下两个边界，并以此获得虹膜垂直方向的圆心坐标，将两个结果取平均值，可以精确定位虹膜垂直方向圆心纵坐标，即图5中的Q点。

其中步骤二的具体实施步骤为：

第一步，将圆形虹膜图像转换为矩形虹膜图像；

虹膜展开为矩形图像如图6所示。为虹膜编码匹配方便，将圆形虹膜图像转换为矩形虹膜图像。由于瞳孔中心与虹膜中心通常不重合，如果从某一个方向开始绕虹膜中心展开虹膜部分，将出现靠近瞳孔的一部分虹膜区域丢失，或者一部分瞳孔被当作虹膜区域的情况。为了减少程序运行时间，尽量不从瞳孔圆心开始展开，而是从虹膜圆心展开。为了不丢失虹膜信息，在虹膜展开时，虹膜内圆半径的选择小于虹膜圆心到瞳孔边界的最近距离。这个距离可以通过前面虹膜定位中的第三步直接获得。

统计数据表明，虹膜纹理信息的绝大多数分布在靠近瞳孔一侧。另外，由于人眼大小差异较大，上下眼睑的遮挡有时会很严重，这部分虹膜信息往往不能被利用。因此，选取虹膜内外圆半径差的一半，保留靠近瞳孔部分，可以满足虹膜模式识别的需要。

按照上述方法获得虹膜展开的内外圆半径，从圆心右侧水平轴开始，绕虹膜圆心逆时针方向，按等间隔角度逐点展开成矩形图像。由于计算获得的展开像素点并不是图像对应的实际像素点位置，因此需要进行插值处理。进行插值处理的方法包括最近邻法、双线性插值法和三次内插法，这些插值方法都是常见方法，这里不做详细描述。

矩形虹膜图像上边界对应于虹膜外圆边界，虹膜内圆边界，即瞳孔边界位于矩形图像的下部。矩形虹膜图像的宽度由展开角度决定，例如展开角度为1度时，图像宽度为360个像素，其展开示意图如图7所示。

第二步，将矩形图像归一化。

由于虹膜与瞳孔圆心不重合，矩形虹膜图像的下边界并不是虹膜的内圆边界，因此需要进行修正，即将下边界修正为一条水平直线，具体方法如下：

在矩形虹膜图像中，包含所有瞳孔边界点，瞳孔边界点与矩形图像下边界的距离随展开角度不同，如图7。首先利用方向边缘检测算子，从矩形图像左下边界第一点O点出发，沿垂直方向向上搜索到1/2矩形图像高度处Q点，计算各点边缘强度值，其最大值对应于瞳孔边界P点。计算瞳孔边界P点与矩形上边界S点之间的距离P-S，获得该垂直方向即虹膜半径方向各点的修正系数K₀，即

K₀＝(O-S)/(P-S)

其中下标0表示0°方向。因此，将该方向任意点X的位置修正后的位置按照如下公式计算：

X₀-S＝K₀*(X-S)

按照上述方法从左到右，将矩形图像中所有虹膜点进行修正，并将瞳孔边界转换成与矩形图像下边界重合的一条直线。由于瞳孔大小是变化的，需要对矩形虹膜图像的高度归一化，即修正到固定的高度。其方法是对上述方法获得的虹膜矩形图像各点沿垂直方向做线性变换，其变换方法与上述修正方法的原理是一样的。

其中步骤三的具体实施为：

人眼虹膜内的斑痕由块状、条状、斑点等各种形状构成，其灰度差别很大，但基本上靠近瞳孔。大量观察和实验表明，在虹膜环内侧1/2区域的纹理基本可以满足特征点匹配的要求，且其特征点数远远大于指纹特征点数。因此选择虹膜环内侧1/2区域作为虹膜识别的特征点提取区域，该区域如图8中白色实线内侧所示。

考虑到噪声的影响，首先对虹膜图像进行低通滤波。可以为均值滤波、中值滤波，或其他滤波方法。

在矩形虹膜特征点提取区域，等间隔设置M条水平扫描线，扫描线的宽度可以为一个像素，也可以为多个像素。设扫描线长度为N个像素，例如：N可以选择360个像素。每n个像素通过平滑操作构成一个基本特征点提取单元，这样，每条扫描线由K＝N/n个基本特征点提取单元组成。这里的水平扫描线数M小于矩形虹膜图像的实际行数，例如：M选择10行。一方面原因是由于相邻行之间的斑痕特征变化不大，另一方面原因是节省程序的运行时间。在虹膜图像中，斑痕区域表现为灰度极小值，因此，通过逻辑判断的方法，沿M条水平扫描线可以搜索到各个灰度极小值对应的像素坐标点。将这些点标记为逻辑“1”，作为候选特征点，其他区域标记为逻辑“0”。

由于满足局部极小值条件的点可能很多，其中大多数并不是对应于斑痕点，因此按照灰度级大小排列，取前X个灰度极小值点作为特征点。因此，将不在前X个序列的候选特征点标记为逻辑“0”。这X个特征点分布在M行，即

$X=X_1+X_2+...X_M=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{X}_i$

这样仅仅保留X个极小值点作为虹膜编码的特征点。

其中步骤四的具体实施步骤为：

第一步，初步匹配，对行特征点数匹配；

对每一扫描线的特征点数进行匹配，如果所有扫描线的特征点数相等，表明两个虹膜具有匹配的可能性，可进行下一步的匹配操作，否则为不匹配。如此操作可以大大节省虹膜匹配操作的时间，特别是对于虹膜库比较大的情况非常有利。

第二步，角度匹配，行左右特征点数匹配；

将每一扫描线K个提取单元等分为两部分，即各K/2个提取单元，分别比较两个部分的特征点数量，如果与待匹配虹膜相应部分不相等，分别进行左移或右移操作，直到与待匹配虹膜相应部分相等或小于某个根据经验获得的阈值为止。该操作的目的是使所有采集的虹膜图像与待匹配的虹膜图像角度一致，如果左移或右移操作K/2个提取单元，表明对所采集的虹膜图像进行±90°的旋转操作。该操作保证了虹膜识别算法的旋转不变性。如果左移或右移操作不能达到匹配，则作为拒绝操作。该步操作主要解决旋转不变性问题。

第三步，最后匹配，距离匹配。

每个扫描线由K个提取单元构成，当某一提取单元为1时，表明该点对应于特征点；当为0时，表明该点对应于非特征点。由上述0和1组成的从左到右的排列构成了该扫描线的编码，该编码惟一决定了该扫描线通过的虹膜斑点位置。

对M×K个提取单元进行模式匹配，利用Hamming距离比较两个虹膜码间的距离。任意两个虹膜码间的距离定义如下：

$\mathrm{HD}=\frac{1}{\mathrm{MK}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}\⊗B_{\mathrm{ij}}$

其中A和B表示不同的虹膜码，将不同的虹膜码按位进行异或比较。HD的值越小，虹膜的匹配度越高，如果两个虹膜码匹配，HD的理想值应该等于零。实际上，考虑到各种因素的影响，将HD设置在0-0.5之间的一个小的阈值，阈值的选择依赖于HD的分布。

本发明提供一种人眼虹膜识别技术所需硬件设备如图9所示，虹膜采集装置用于将人眼图像转换成计算机中的数字图像，供虹膜识别软件使用，由专业厂家提供。计算机可以采用普通的微型计算机。

本发明提供的一种人眼虹膜识别技术，采用了一种非监督的检测方式，避免人为因素的干扰，同时在提高正确识别率的基础上降低了运算复杂度。

Claims (1)

1、一种人眼虹膜识别方法，其特征在于该发明由以下步骤组成：

步骤一：虹膜定位，首先确定瞳孔中心，然后寻找虹膜与瞳孔、虹膜与巩膜的边界，再确定虹膜的圆心；

步骤二：将圆形虹膜图像转换为矩形虹膜图像，将包含圆环形虹膜的眼图像绕瞳孔中心360度展开为矩形，垂直方向即虹膜半径方向各点的修正系数K₀为：

                     K₀＝(O-S)/(P-S)

其中0为矩形图像左下边界第一点，P为各点边缘强度最大值对应的瞳孔边界点，P为瞳孔边界点，S矩形上边界点，该方向任意点X的位置修正后的位置计算如下公式：

                     X₀-S＝K₀*(X-S)

其中下标0表示0°方向，按照该方法从左到右，将矩形图像中所有虹膜点进行修正，并将瞳孔边界转换成与矩形图像下边界重合的一条直线；同理，对上述方法获得的虹膜矩形图像各点沿垂直方向做线性变换，将矩形虹膜图像的高度归一化，即修正到固定的高度；

步骤三：提取虹膜特征点并进行编码，在分割得到的矩形虹膜图像中提取结构特征点，选择X个结构特征点进行编码，建立特征点确认规则，以唯一表示一个人的人眼虹膜，其特征点数量由如下公式表示：

$X=X_1+X_2+...X_M=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{X}_i$

其中M为在矩形虹膜特征点提取区域中等间隔设置的水平扫描线数量；

X_i为第i行水平扫描线包含的特征点数量；

步骤四：虹膜的匹配，根据第三步获得的编码进行匹配，通过对行特征点数匹配、行左右特征点数匹配、距离匹配来建立虹膜匹配标准，其中任意两个虹膜码间的距离定义如下：

$\mathrm{HD}=\frac{1}{\mathrm{MK}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}\⊗B_{\mathrm{ij}}$

式中K＝N/n，N为扫描线长度，n为基本特征点提取单元包含的像素，A、B表示不同的虹膜码。

Images