CN1549188A - 虹膜图像质量的评价和基于虹膜图像识别的身份鉴别方法 - Google Patents

Abstract

本发明是根据对图像内容的数学描述，准确客观地评价虹膜图像的质量，以获得高质量的虹膜图像，再对虹膜图像用小波变换分析理论进行降低图像噪声和保持图像细节信息的消噪、用极坐标下的递度边缘检测法进行虹膜定位及用虹膜图像归一化和增强的办法对虹膜图像校准处理，进而选用Haar小波基对虹膜特征值提取、编码、识别和用加权的Hamming距离(WHD)对虹膜模式匹配，快速地识别出被检者是合法用户或非法用户的身份。

Description

虹膜图像质量的评价和基于虹膜图像识别的身份鉴别方法

(一)技术领域：

本发明涉及生物信息技术和计算机应用，特别是关于虹膜图像质量的评价和基于虹膜图像识别的身份鉴别方法。

(二)背景技术：

虹膜识别极有可能是今后个人身份辨别最为有效的途径，它将广泛用于网络和计算机安全、记录与数据安全、企业考勤、电子商务、联机购物、银行信用卡业务、公安系统等各个领域。身份识别系统都需将识别目标拍摄下来存储为图片后识别，虹膜图像识别的识别率直接取决于虹膜图像的质量。通常虹膜图像质量的评价有主观和客观两种：主观评价是以人的视觉效果作为评判准则，它无法用数学模型对图像质量进行定量描述，其应用效果极为有限。尤其是在实时图像检测，如虹膜识别等，主观评价就不适用。而客观评价是根据对图像内容的数学描述来判断图像质量是否达到应用要求，它具有准确、快速、量化等特点。常用的方法是均方误差和峰值信噪比。但关于虹膜图像质量的评价标准尚未见有报道。有关虹膜识别的用途及方法的技术文献有很多，如专利号为ZL97104405.8、名称为《虹膜识别方法》，就曾有所介绍。

在眼睛图像中虹膜定位的方案采用了虹膜的参数化模型，这些模型的参数化逐步迭代地适配于眼睛图像并得到增强以提高对应于虹膜边界的区域。模型的复杂性包括从用于划分模型的内、外边界的同心圆至考虑部分的闭合眼睑的影响的更精细模型。用于增强虹膜边界的方法包括基于梯度的边缘检测以至形态学滤波。这些方法受限于需要用作迭代适配过程起点的良好初始条件以至额外的计算费用。

将试图存取者眼睛视频图像中获取的定位的虹膜图像数据与数据库中文件内一个或多个参考的定位的虹膜图像进行模式匹配的方案能提供这些虹膜图像数据间合理的鉴别，但却需庞大的计算费用。

虹膜图像消噪(亦称为平滑)，在采集虹膜图像时，CCD芯片和图像传输过程都会引入噪声，辅助光源的反光会在瞳孔和虹膜部分形成亮斑，这对后续的虹膜检测很不利。为去除这些噪声，现有的领域平均法在去噪的同时，会对图像的边缘和细节造成模糊效应；中值滤波法中窗口的大小会影响到图像的细节信息。

虹膜定位，图像定位即图像的边缘检测。边缘是图像最基本的特征，定位的目的是检测出虹膜的内、外边缘，其边缘两侧的灰度值有显著的差异。常见的方法是使用微分算子来进行边缘检测，但微分算子有增强高频分量的作用。而噪声一般都来自高频分量。因此这类算子对噪声很敏感，易把噪声当作边缘信号处理而影响边缘检测的正确性。

虹膜图像校准，在采集眼睛图像时，人眼与镜头的距离会发生变化，眼睛的偏斜等会影响到图像的大小和方向性，即会发生不同程度的“漂移、放缩、旋转”等。因而为使识别结果不受影响，必须对图像进行校准。常见的方法是在图像摄取时对用户有严格的操作要求，例如固定操作者的位置等，这与虹膜识别作为一种非侵犯性生物识别方法是相违背的。另外，采用图像变换的办法，衰减高频系数实现数据压缩，使能量集中于低频部分，但这样并不能从根本上解决问题。

虹膜特征提取，对虹膜纹理进行定量表征的一般方法大致分为统计方法和结构方法两种。但这两种方法对具有混沌状的虹膜纹理不适用。

虹膜模式匹配，常见的方法用Gabor滤波器对提取到的特征值进行编码后，再设计分类器区分虹膜模式，运算量相当大。

(三)发明内容：

本发明是要提供一种可准确评价虹膜图像的质量及基于虹膜图像识别的身份鉴别方法。

对虹膜图像质量的评价方法，其步骤是：

(1)在虹膜图像上取包含有虹膜部分和巩膜部分的至少3行以上的像素；

(2)计算每行像素中相邻像素灰度的最大梯度值，并得到各梯度值所在像素的横坐标；

(3)将各个横坐标看成一分界点，一边是虹膜区、一边是巩膜区，分别计算每行中巩膜和虹膜区域里各像素灰度的中值；

(4)将上边得到的各行巩膜和虹膜区的中值平均后，得到分别代表巩膜和虹膜区域灰度值的变量A和B；

(5)计算巩膜和虹膜区域灰度值变量的差值C＝A-B；

(6)计算由每行像素中相邻像素灰度的最大梯度值的平均值，得到代表巩膜和虹膜边缘灰度差值的变量D；

(7)评判因子定义为：将代表巩膜和虹膜边缘灰度差值的变量除以巩膜和虹膜灰度值变量的差值，即W＝D/C。当这个评判因子W＞0.6时，图像质量即完全符合识别的要求。

我们对基于虹膜图像识别的身份鉴别方法是：

(1)虹膜图像消噪：利用小波变换分析理论，构造一种既能降低图像噪声、又能保持图像细节信息的虹膜图像消噪方法。

传统的低通滤波方法将图像的高频成分滤除、虽能达到降低噪声的效果、但破坏了图像细节。小波变换的理论是近年来兴起的新的数学分支，它解决了很多傅立叶变换不能解决的难题。傅立叶变换虽然已经广泛地应用于信号处理领域，较好地描述了信号的频率特性，但傅立叶变换却不能较好地解决突变信号与非平稳信号的问题。

小波变换是一种信号的时间—尺度(时间—频率)分析的方法，它具有多分辨率分析和可在时间、频率两域表征信号局部特征的特点，是一种时间窗和频率窗都可改变的时域局部化分析方法，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。由于小波变换得多分辨率分析可以聚焦到分析对象的任意细节，因此特别适合于图像信号这一类非平稳信号源的处理。

(2)虹膜定位：使用极坐标下的梯度边缘检测法进行虹膜定位，更加符合虹膜的圆形特性。把图像消噪与边缘检测相结合，把平滑(即消噪)后的值作为边缘检测的中间值使用，可使存贮空间和计算量大为减少。

(3)虹膜图像的校准：将两边界近似圆定义为虹膜并不严格，因为该环域中还包括了应该去除的眼皮部分。用虹膜图像归一化和增强的办法即可解决这一问题，即以虹膜的中心为两坐标系的共同原点，将直角坐标系转化为极坐标系，定义{(ρ，θ)|80°＜θ＜100°}为含眼皮部分，将其去除，这样保留下来的可用于识别的虹膜面积约占全部虹膜面积的85％以上，足够识别用。但这样的虹膜矩形块纹理灰度信息不够大，须进行图像增强。虹膜图像主要由光强度和反射光强度的乘积决定，同态滤波的结果会改变图像光强度与反射光强度的特性，实现同时降低图像动态范围，滤除一定范围内的像素，隔离上下眼睑造成的遮掩，又增强对比度的结果。选用参数为r_L＜1，(r_L+r_H)＞1的滤波特性函数，即可使图像具有较强的对比度，去除辅助光源造成的光斑影响。

(4)虹膜特征提取及编码：选用Haar小波基，(小波变换是常用的图像分析手段，二维小波变换将一幅图像分解成一系列的低频子图像。)对前面所述的每个步骤中得到的固定大小的虹膜图像，应用四次小波变换，得到分解后固定大小的子图像(或称为小波分解通道)，将要提取的特征值总数为这些子图像的特征值与剩余三个高通通道之和，并对这些特征矢量进行量化为-1.0～1.0之间，将正值转换成1，负值转换成0，因此，一幅虹膜图像即由这些量化后的特征矢量来表示。

(5)虹膜模式匹配：本发明采用的识别算法是基于一种加权的Hamming距离(WHD)，以体现编码的权重，如果两编码相同，WHD＝0，如果两编码各位均相反，WHD＝1，根据计算得到的虹膜图像间的WHD即可进行个人身份的鉴别。这比常见的基于Hamming距离的模式匹配方法更科学，有效地避免了常规方法中将各码元同等看待的缺点。

四、附图说明：

图1是本发明的虹膜识别流程图。

图中第1步骤：虹膜图像采集，可应用本发明中的虹膜图像质量评价方法获得高质量的虹膜图像；

图像预处理步骤，即为虹膜图像消噪、虹膜图像定位虹膜图像校准工序；

特征分析、编码匹配步骤，是对虹膜特征值提取、编码及识别。

通过上述的识别步骤，即得到识别结果，从而快捷地识别出合法用户或非法用户。

五、具体实施方案：

利用小波变换分析理论，是比传统的低通滤波滤除图像的高频成份以降低噪声更为有效的方法。例如：假设获得虹膜信号的观测公式如下：y_i＝x_i+n_i，i＝1，2...M其中n_i为零均值的白色高斯噪声，σ为方差，x_i为其期望信号，y_i为观测值。滤除噪声n_i的问题可认为是如何将x从观测值y中恢复。假设离散小波变换矩阵为W，则对上进行小波变换得到：Y＝X+N

这里，Y＝W[y_i]，X＝W[x_i]，N＝W[n_i]。对应于W，存在逆变换矩阵M，满足WM＝I。

由小波变换的特性可知，高斯噪声的小波变换仍然是高斯分布的，它均匀分布在频率尺度空间的各部分，而信号由于其带限性，它的小波变换系数仅仅集中在频率尺度空间上的有限部分。从能量的观点看，在小波域上，所有的小波系数都对噪声有贡献，所以可以把小波系数分成两类，第一类小波系数仅仅由噪声变换而得到，这类小波系数幅值小，数目较多。第二类小波系数由信号变换得来，并包含噪声的变换结果，这类小波系数幅值大，数目较小。根据信号小波分界的这个特点，可以通过这种小波系数幅值上的差异来降低噪声，利用阈值方法对小波系数进行处理，阈值选取使用Dohono的小波软阈值选取方法[Dohono，DL.De-noising bySoft-Thresholding[J].IEEE Trans.Onformation Theory，1995，41(3)：613-627]，大于这个阈值的小波系数认为属第二类系数，它同时含有信号和噪声的变换结果，可以简单保留或进行后续操作，而小于这个阈值的小波系数，则认为是第一类小波系数，即完全由噪声变换而来，应该去掉这些系数。这样达到了降低噪声的目的。由于这种方法保留大部分包含信号的小波系数，因此可以较好的保持虹膜图像细节。

对虹膜定位应注意：人眼的虹膜部分(即黑色瞳孔)和白色巩膜间的环状纹理组织，是两个圆形边界之间的环域，但这两个圆并不互为完全意义上的同心圆，因此要对他们分别进行搜索提取。根据黄种人的眼球的灰度特性，虹膜内缘两侧的瞳孔与虹膜灰度差别不明显，而虹膜颜色较深，巩膜呈白色，两者对比度最大，故而应先检测虹膜的外缘，检测步骤是：

a、将图像转换成灰度图像，根据图像大小，确定它所能包含的圆的半径范围；

b、统计所有这些圆周上的灰度平均值；

c、求相邻两圆周的灰度梯度，由其最大值可求出虹膜的外边界。

在上述的搜索过程中，可根据眼睛图像的成像参数，对半径和圆心给予约束，从而减少搜索时间。

虹膜内边界的检测步骤：根据边缘灰度的差异，用边缘检测方法设置一定的门限，便很容易获得内边缘。根据瞳孔灰度值(即虹膜灰度值)、巩膜灰度值，先以眼图的灰度平均值为尺度，取得眼图的二值化图像，再选择合适的阈值粗定出瞳孔边界，亦即虹膜的内缘。然后用形态学的办法精确地定出瞳孔的边缘范围。对边缘点的坐标用二分法很容易求出虹膜内缘的圆心。本发明的定位方法，比先前相关文献报道的速度快、且精度高，可避免大量的数学运算和搜索的盲目性。

Claims (3)

1、一种虹膜图像质量的评价方法，其特征在于，评价步骤是：

(1)、在虹膜图像上取包含有虹膜部分和巩膜部分的至少3行以上的像素；

(2)、计算每行像素中相邻像素灰度的最大梯度值，并得到各梯度值所在像素的横坐标；

(3)、将各个横坐标看成一分界点，一边是虹膜区、一边是巩膜区，分别计算每行中巩膜和虹膜区域里各像素灰度的中值；

(4)、将得到的各行巩膜的虹膜区的中值平均后，得到分别代表巩膜和虹膜区域灰度值的变量A和B；

(5)、计算巩膜和虹膜区域灰度值变量的差值C＝A-B；

(6)、计算由每行像素中相邻像素灰度的最大梯度值的平均值，得到代表巩膜和虹膜边缘灰度差值的变量D；

(7)、评判因子定义为：将代表巩膜和虹膜边缘灰度差值的变量除以巩膜和虹膜区域灰度值变量的差值，即W＝D/C，评判因子W＞0.6，图像质量符合识别要求。

2、一种虹膜图像识别的身份鉴别方法，包括虹膜图像消噪、虹膜定位、虹膜图像的校准、虹膜特征提取及编码、虹膜模式匹配，其特征在于：

(1)、虹膜图像消噪，是利用小波变换分析理论构造降低图像噪声、保持图像细节信息的图像消噪方法；

(2)、虹膜定位，是利用极坐标下的梯度边缘检测法进行虹膜定位，以符合虹膜的圆形特性，把图像消噪与边缘检测相结合，把消噪后的值作为边缘检测的中间值使用；

(3)、虹膜图像的校准，是用虹膜图像归一化和增强的办法去除虹膜环域中的眼皮部分，即以虹膜的中心为两坐标系的共同原点，将直角坐标系转化为极坐标系，定义{(ρ，θ)| 80°＜θ＜100°}为含眼皮部分，将其去除，用同态滤波法，选用参数为r_L＜1，(r_L+r_H)＞1的滤波特性函数，使图像具有较强的对比度，去除辅助光源造成的光斑影响；

(4)、虹膜特征提取及编码，选用Haar小波基，对前述的每个步骤中得到的固定大小的虹膜图像，应用四次小波变换，得到分解后固定大小的子图像，将要提取的特征值总数为这些子图像的特征值与剩余三个高通通道之和，对这些特征矢量进行量化：-1.0～1.0之间，并将正值转换成1、负值转换成0，虹膜图像由这些量化后的特征矢量来表示；

(5)、虹膜模式匹配：用加权的Hamming距离WHD，作识别算法，如果两编码相同，WHD＝0，如果两编码各位均相反，WHD＝1，根据计算得到的虹膜图像间的WHD进行个人身份的鉴别。

3、根据权利要求2所述的一种虹膜图像识别的身份鉴别方法，其特征是，对虹膜定位时，先检测虹膜的外缘，检测步骤是：

a、将图像转换成灰度图像，根据图像大小，确定它所能包含的圆的半径范围；

b、统计所有这些圆周上的灰度梯度，由其最大值求出虹膜的外边界；

再对虹膜内边界检测：根据边缘灰度的差异，用边缘检测法设置门限，根据瞳孔灰度值、巩膜灰度值，以眼图的灰度平均值为尺度，取得眼图的二值化图像，再选择阈值粗定出瞳孔边界，即虹膜的内缘，然后用形态学的办法精确定出瞳孔的边缘范围，对边缘点的坐标用二分法求出虹膜内缘的圆心。

Images