CN1794263A - 人体虹膜纹理的分区域识别方法 - Google Patents

Abstract

一种图像处理技术领域的人体虹膜纹理的分区域识别方法。本发明将环形的虹膜区域从整幅虹膜图像中定位出来后，将整个虹膜区域分为三个环状不相交的子区域，将最易受眼睑和睫毛遮挡的部分去除后，利用Rubber－sheet模型分别归一化为三个相同大小的矩形区域，接下来根据每个子区域的纹理特征进行特征提取及编码；然后，分别与目标虹膜图像相应的子区域的编码相比对，得到三个子识别距离；在计算测试虹膜图像与目标虹膜图像的总体识别距离时，根据各个子区域对识别的贡献，将得到的三个子识别距离赋予不同的权值，相加得到总体识别距离。本发明克服了对整个虹膜区域进行没有差别的统一操作的不足，提高了虹膜识别效率与识别率的目的。

Description

人体虹膜纹理的分区域识别方法

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种根据人体虹膜的生理结构及其区域性纹理特性，而进行的人体虹膜纹理的分区域识别方法。

背景技术

虹膜识别技术是利用人体虹膜纹理的终身不变性和个体差异性的特点来实现身份识别的。相对于其它生物特征，例如指纹、人脸、掌纹、语音等等来说，能够具有更高的准确识别率。虹膜是位于眼睛黑色瞳孔和白色巩膜之间的圆环状部分，总体上呈现一种由里到外的辐射状结构，由相当复杂的纤维组织构成，包含有很多相互交错的类似于斑点、细丝、冠状、条纹、隐窝等细节特征。虹膜识别技术就是依靠这些细节特征来进行身份识别的，所以如何有效地提取出虹膜纹理中的主要特征是整个虹膜识别系统中的关键问题。虹膜中央的圆孔为瞳孔，虹膜区域内距瞳孔缘约1.5mm处，有一环形锯齿状隆起，称为虹膜卷缩轮，是虹膜小动脉环所在处。由卷缩轮将虹膜大致分为两部分。靠近瞳孔的部分叫做虹膜瞳孔部；靠近虹膜根部的部分叫做虹膜睫状体部。瞳孔部内因为有较多辐射状条纹褶皱，在外观上表现为虹膜纹理较细致并且丰富，是对虹膜识别贡献较大的一个区域。在锯齿状的虹膜卷缩轮附近，多有块状隐窝存在，表现为较大块的花纹。而最外层的虹膜睫状体部纹理相对较平坦，是对虹膜识别贡献最小的一个区域。而经过对现有技术的文献检索发现，虹膜纹理的特征提取方法基本上都是对整个虹膜区域归一化后的区域利用数字滤波器或者其它图像处理的手段进行处理。而这样对整个虹膜区域的无差别的统一处理，就忽略了由于虹膜本身的生理构造而造成的外观上的一些区域特征。

经对现有技术的文献检索发现，Hanho Sung等在ICPR 2004(IV：857-860)(国际模式识别会议，第四卷857-860页)上发表的文章“Iris Recognition UsingCollarette Boundary Localization”(利用卷缩轮的边缘定位来进行虹膜识别)中提到，首先定位出卷缩轮边缘的位置，然后只利用瞳孔边缘和卷缩轮边缘之间的那部分虹膜区域(对应虹膜瞳孔部)进行特征提取进而识别。但在实际应用中，由于卷缩轮并非规则的形状，而且在许多情况下灰度上并不是特别突出，所以将卷缩轮的准确位置定位出来的难度非常大。如果在Hanho Sun提出的方法中，测试图像或者目标图像中卷缩轮定位错误，非但不会提高识别率，相反会使最终的准确识别率大大的降低。

发明内容

本发明的目的在于针对现有技术的不足，根据人体虹膜的生理结构所造成的虹膜外观纹理的区域特点，提出一种人体虹膜纹理的分区域识别方法。使其提高虹膜识别的效率与准确率。

本发明是通过以下技术方案实现的，本发明将环形的虹膜区域从整幅虹膜图像中定位出来后，根据人体虹膜的生理结构特征及其区域性纹理特性，将整个虹膜区域分为三个环状不相交的子区域，从内向外分别对应：虹膜瞳孔部、虹膜卷缩轮及周边区域、虹膜睫状体部。将最易受眼睑和睫毛遮挡的部分去除后，利用Rubber-sheet模型分别归一化为三个相同大小的矩形区域。接下来根据每个子区域的不同纹理特征，利用不同的方法进行特征提取及编码；然后，分别与目标虹膜图像相应的子区域的编码相比对，得到三个子识别距离。在计算测试虹膜图像与目标虹膜图像的总体识别距离时，根据各个子区域对识别的贡献，将得到的三个子识别距离赋予不同的权值，相加得到总体识别距离，进而得到最终识别结果。

本发明根据人体虹膜的生理结构，充分利用了虹膜瞳孔部、虹膜睫状体部以及卷缩轮区域各自的纹理特点进行分别的特征提取，克服了对整个虹膜区域进行没有差别的统一操作的不足，来更有效的提取虹膜的局部纹理特征，又避免了直接定位卷缩轮容易造成错误的缺点，达到在实际应用中提高虹膜识别的效率与准确识别率的目的。

附图说明

图1为人体虹膜示意图

图2为本发明具体实施流程图

图3为实际采集的虹膜图像

图4为虹膜定位并划分三个子区域后的图像

图5为去除易受眼睑和睫毛遮挡的部分后的有效区域

图6为各个子区域归一化后的结果

图7为利用本发明与传统方法所得到的类内、类间识别距离分布图对比

其中，(a)为传统方法所得到的结果，(b)为本发明所得到的结果。

具体实施方式

下面结合图1所示的人体虹膜示意图与图2所示的流程图，介绍人体虹膜分区域识别的具体实施步骤：

1、首先，利用积分微分算子(Integro-differential operator)在虹膜图像中定位出虹膜的内外边缘，设定位出的内外边缘圆的半径分别为r和R；

2、将环形的虹膜区域划分为几个子区域。根据对虹膜的生理结构进行分析，并通过对多幅实际虹膜图像的观察得到，从瞳孔边缘至虹膜根部由里向外划分为不相交的三个区域最为合理，记为Z₁、Z₂和Z₃。这样三个区域可以分别对应虹膜瞳孔部、虹膜卷缩轮及周边区域、虹膜睫状体部。子区域Z₁中的纹理特征是放射状细致的纹理较丰富；子区域Z₂中的纹理特征是由于卷缩轮与隐沟的存在而出现较大花纹的机率较大；子区域Z₃中的纹理相对来说较平坦。

下面介绍如何划分这三个子区域。正常人瞳孔直径约为3-5mm，人眼的虹膜直径约为10-12mm，经计算得出环形虹膜的内外边缘直径差约为5-9mm。而卷缩轮位于距内边缘(瞳孔缘)约1.5mm处，所以只要将虹膜区域平均划分为三个不相交的区域，卷缩轮基本上出现在位于中间位置的区域中。

另外，因为大部分情况下虹膜的内外边缘圆并不同心，外圆基本上固定不变，而内圆(瞳孔缘)会随外界环境发生缩放。所以在子区域的划分中选择以虹膜外边缘圆的圆心作为基准圆心。这样三个子区域所对应的内外边缘圆的半径分别为：

子区域Z₁：内半径：r；外半径：R-2×(R-r)/3

子区域Z₂：内半径：R-2×(R-r)/3；外半径：R-(R-r)/3

子区域Z₃：内半径：R-(R-r)/3；外半径：R

3、因为虹膜的最上部和最下部极易受到眼睑和睫毛的遮挡，所以将子区域Z₂和Z₃中(π/4，3π/4)与(5π/4，7π/4)的部分去除不参与后续的特征提取与比对操作。

4、然后将这三个子区域余下的有效部分分别归一化为矩形区域。因为虹膜的内外边缘圆并不是同心圆，而在子区域的划分时采用外边缘圆的圆心作为基准圆心，所以Z₂和Z₃的内外边缘圆是同心的，而子区域Z₁的内外边缘圆并不同心。但采用Daugman的Rubber-sheet模型依然能将其拉伸并归一化为统一的矩形区域。

5、在归一化后的三个区域内根据纹理特征分别用不同方法进行特征提取。例如，可以在不同区域上用不同尺度和方向的滤波器进行特征提取，并二值化局部相位信息进行编码；然后分别与目标虹膜图像相应子区域的编码相比对，得出子识别距离Dis₁、Dis₂和Dis₃。

6、利用以下公式计算总体识别距离：

$\mathrm{Dis}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_i\·{\mathrm{Dis}}_i$

其中α_i，i＝1，2，3是各个子区域所对应的权值，由各个区域对识别的贡献所决定，并且满足 $\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1.$ 这样计算出较小的总体识别距离表示测试虹膜图像与目标虹膜图像具有较大的相似度，较大的总体识别距离表示较小的相似度。最后，根据与系统阈值相比较，得到最终的识别结果。

另外，因为每个人的虹膜具体情况各异，将虹膜区域按上述方法分为三个子区域并不能保证所有的虹膜卷缩轮都一定出现在中间位置的子区域内。但是本发明中的方法利用了所有的有效虹膜信息，并不是像Hanho Sun所提出的方法中将卷缩轮外部的部分去除不计。所以如果在某一幅虹膜图像中卷缩轮并没有落在中间位置的子区域内，测试虹膜图像与目标虹膜图像的子区域的位置还是相对应的，只是在特征提取中不能最有效的突出其纹理的区域特性，但并不会造成识别结果的较大误差。

实施例：

下面给出利用本发明提出的方法对真实的虹膜图像进行分区域识别的实施例。

图3为利用专门的虹膜仪器实际采集的一幅眼睛灰度图像样本，在此实施例中将其作为测试样本，与库中已注册的目标样本进行匹配。

根据本发明所介绍的方法将环形虹膜区域划分为三个不相交的子区域Z₁、Z₂和Z₃，如图4所示。

虹膜的上部和下部最易受眼睑和睫毛的影响，所以将Z₂和Z₃的(π/4，3π/4)与(5π/4，7π/4)的部分去除不参与特征提取与匹配，余下的有效区域如图5所示。然后将各个子区域余下的有效部分分别利用Rubber-sheet模型归一化为同样大小的矩形区域，如图6所示，可以明显看到各个子区域纹理特征的差异。

然后，在不同子区域的归一化图像上用不同尺度或方向的Log-Gabor滤波器进行特征提取。对子区域Z₁所用滤波器的中心频率最高，具有最高的分辨率，且着重在垂直方向，因为这个区域内的垂直纹理最细密；对子区域Z₂用稍低分辨率且较多方向的滤波器，因为这个子区域中易出现较大花纹；而对子区域Z₃用最低分辨率的滤波器，因为这个区域内纹理最平坦。

随后二值化局部相位信息进行编码，分别与目标虹膜图像相应子区域的编码相比对，得出三个子识别距离。并由本发明提出的公式计算出总体识别距离，最后将此距离与系统阈值相比较，得到最终的识别结果。

如图7所示，为利用传统方法(在虹膜区域上用同样滤波器进行无差别的操作)和本发明所提出方法所得到的类内、类间识别距离的分布对比。其中，(a)为传统方法所得到的结果，(b)为本发明所得到的结果。可以看到利用本发明的方法可以使类内与类间的样本更好的区分开(两者重叠的区域更小)，因而系统具有更低的错误率。

Claims (4)

1、一种人体虹膜纹理的分区域识别方法，其特征在于，将环形的虹膜区域从整幅虹膜图像中定位出来后，根据人体虹膜的生理结构特征及其区域性纹理特性，将整个虹膜区域分为三个环状不相交的子区域，从内向外分别对应：虹膜瞳孔部、虹膜卷缩轮及周边区域、虹膜睫状体部；将最易受眼睑和睫毛遮挡的部分去除后，利用Rubber-sheet模型分别归一化为三个相同大小的矩形区域，根据每个子区域的纹理特征，进行特征提取及编码；然后，分别与目标虹膜图像相应的子区域的编码相比对，得到三个子识别距离；在计算测试虹膜图像与目标虹膜图像的总体识别距离时，根据各个子区域对识别的贡献，将得到的三个子识别距离赋予不同的权值，相加得到总体识别距离。

2、根据权利要求1所述的人体虹膜纹理的分区域识别方法，其特征是，所述的整个虹膜区域分为三个环状不相交的子区域，具体为：子区域的划分选择以虹膜外边缘圆的圆心作为基准圆心，设虹膜的内外边缘圆的的半径为r和R，则三个子区域所对应的内外边缘圆的半径分别为：

子区域Z1：内半径：r；外半径：R-2×(R-r)/3，

子区域Z2：内半径：R-2×(R-r)/3；外半径：R-(R-r)/3，

子区域Z3：内半径：R-(R-r)/3；外半径：R。

3、根据权利要求2所述的人体虹膜纹理的分区域识别方法，其特征是，将子区域Z₂和Z₃中(π/4，3π/4)与(5π/4，7π/4)的部分去除，不参与后续的特征提取与比对操作，降低眼睑和睫毛遮挡的影响。

4、根据权利要求1所述的人体虹膜纹理的分区域识别方法，其特征是，所述的总体识别距离，其计算公式为：

$\mathrm{Dis}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_i\·{\mathrm{Dis}}_i,$

其中Dis_i(i＝1，2，3)为各个子识别距离；α_i(i＝1，2，3)是各个子区域所对应的权值，由各个区域对识别的贡献所决定，并且满足 $\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1,$ 较小的总体识别距离表示测试虹膜图像与目标虹膜图像具有较大的相似度，较大的总体识别距离表示较小的相似度。

Images