SCI论文（www.lunwensci.com）
摘 要：虹膜具有稳定性及不变形等生理特征,因此虹膜识别技术也被广泛应用于身份确认。针对传统的虹膜定位算法在 非理想虹膜图像情况下存在定位稳定性差的问题,提出了基于最大连通区域搜索的虹膜定位算法。首先,采用 Otsu ( 最大类间 方差法 ) 对虹膜图像进行二值化处理,通过搜索最大连通区域粗略定位瞳孔 ;然后,使用 Canny 算子检测瞳孔边缘并用最小二 乘拟合圆精确定位,从而得到虹膜内边界 ;最后,在精确定位虹膜内边界的基础上使用优化的 Hough 变换算法对虹膜外边界 进行定位。在中科院提供的 CASIA-Iris-Twins 虹膜库进行实验, 结果显示,与传统定位算法得到的虹膜相比, 基于最大连通 区域搜索的虹膜定位算法得到的虹膜更加准确。对由不同的虹膜定位方法得到的虹膜,采用同一虹膜识别算法进行识别,发现 该算法定位的图像在识别时效果明显,并且具有较高的稳定性。
关键词：虹膜识别,虹膜定位,最大连通区域,Hough 圆检测,最小二乘拟合
Fast Iris Location Algorithm Based on Searching the Maximum Connected Region
WU Dong1. LI Renpu2. GUO Chunhua3
(1. School of Information Engineering, Changzhou Vocational Institute of Industry Technology, Changzhou Jiangsu 213164; 2. School of Economics and Management, Changzhou Vocational Institute of Engineering, Changzhou Jiangsu 213164; 3. Teaching Department, Changzhou Vocational Institute of Industry Technology, Changzhou Jiangsu 213164)
【Abstract】： Iris has physiological characteristics such as stability and shape invariance, iris recognition technology is therefore widely used in identity verification . Considering the problem of instability of traditional iris location algorithm in the case of nonideal iris image, an iris location algorithm based on maximum connected region search is proposed. Firstly, Otsu (maximum inter class variance method) is used to binarize the iris image, and the pupil is roughly located by searching the maximum connected region. Then, the inner boundary of iris is detected by Canny operator, and the inner boundary of iris is accurately located by least square fitting circle. Finally, the optimized Hough transform algorithm is used to locate the outer boundary of iris on the basis of accurately locating the inner boundary of iris. The algorithm is tested in CASIA-Iris-Twins iris library provided by Chinese Academy of Sciences, the results show that compared with the iris obtained by traditional localization algorithm, the iris obtained by the localization algorithm proposed is more accurate. With the obtained irises from different iris location methods, the same iris recognition algorithm is used to recognize them, it is found that the image located by the algorithm proposed has obvious effect in recognition, and has high stability.
【Key words】： iris recognition;iris localization;maximum connected region;Hough circle detection;least square fitting
0 引言
虹膜是人体唯一的、可靠的、稳定的生物特征,作为识别体具有很高的安全性、可靠性和有效性 [1]。因 此,虹膜识别作为一种基于生物特征的识别技术具有广泛的应用前景和研究价值。
虹膜识别算法主要包括虹膜图像质量评价 [2]、虹膜 图像预处理、虹膜特征提取和模式匹配四个模块 [3.4]。 虹膜定位的目的就是通过定位虹膜的内外边缘、上眼 睑、下眼睑,将虹膜从原始的图像中分割出来,以便虹 膜特征的表达和识别 [5.6]。目前,虹膜定位经典的算法 主要有以下 3 种 ：Daugman 提出的基于圆模板匹配的 微积分方法 [7] ;基于边缘检测的 Hough 法 [8] ;基于最 小二乘拟合的方法 [9]。上述算法在虹膜定位方面准确性 较高,但其对图像要求也较高,同时在定位的稳定性、 抗噪声干扰、识别效果的稳定性方便还存在诸多不足。
为提高算法的稳定性,提出了基于最大连通区域搜 索的虹膜定位算法。在定位虹膜内边界时,该算法主要 分三步进行,使用 Otus(最大类间方差法)自动选取 阈值得到二值化虹膜图像 [10.11], 通过搜索最大联通区 域,进行边缘检测粗略定位虹膜内边界,进行最大连通 区域搜索和边缘检测粗定位虹膜内边界,采用最小拟合 圆获取精确的虹膜内边界。虹膜外边界的定位由两个步 骤完成,使用中值滤波进行图像平滑,通过边缘检测和 Hough 圆检测获取精确的虹膜外边界。针对同一虹膜 数据库中数据进行试验,结果表明该算法在虹膜定位和 识别的稳定性上有了较大地提高。
1 虹膜定位方法
虹膜定位包含内边界定位和外边界定位。
1.1 内边界定位
虹膜内边界的定位流程如图 1 所示。
1.1.1 虹膜图像二值化
对于一副典型的含虹膜信息的灰度图像,如图 2(a) 所示,瞳孔的平均灰度值最小,分布比较均匀,而虹膜 和眼周的灰度值则比较高,分布也比较均匀。图 2(b) 为图 2(a) 的灰度值直方图。
如图 2(b) 所示的灰度直方图,瞳孔区域部分的灰 度直方图主要集中在 25~50 范围内的低灰度区域内。由 于眼睛自身的灰度特征,瞳孔区域灰度值偏小,非瞳孔 区域灰度明显高于瞳孔区域,因此可以将瞳孔区域和非 瞳孔区域分类。在定位虹膜内边界时,将瞳孔和眼睫毛 区域当作前景,其余部分当作后景,利用如式(1)所示
其中 M 为图像整体的灰度均值, 任意选取一个灰 度值 T (阈值), 将该图像的灰度直方图分成前后两个 部分,分别对应前景与背景,即瞳孔部分和非瞳孔部 分。 MA 和 MB 分别为前景与背景的灰度均值。其中 PA 为 MA 部分像素数占总像素的比例, PB 为 MB 部分像 素数占总像素数的比例。公式中的 α 可以取一个 0-1 之 间的值。在使用 Otsu 的过程中,当目标与背景的灰度 值相差悬殊时,类间方差准则函数可能会出现双峰或多 峰(如图 2(b)中出现了三个明显的峰值),调节 α 的 取值为 0.1 时效果较好。
1.1.2 最大连通区域搜索
多数情况下二值化的结果同时包含瞳孔和睫毛(如 图 3(a)所示)。对二值化的图像进行最大连通区域搜 索可以实现瞳孔和睫毛区域的自动分离。在一些非理想 的虹膜图像中,其二值化图像中的最大连通区域并不一 定是瞳孔区域,所以不能直接选取最大的连通区域作为 目标。为获取非理想虹膜图像情况下的瞳孔区域,提出 了有效的解决方法,具体步骤如下。
步骤 1 ：对二值图像中的连通区域进行标记 ;步骤 2 ： 计算每一个连通区域的像素个数 ;步骤 3 ：针对每一个 连通区域,取其最外围的四个方向上的点做最小外接 圆以对该连通区域进行窗口限定,并计算获得窗口的面积 ;步骤 4 ：根据步骤 3 所计算的不同连通区域的外接 圆的像素数目,选择像素数目阈值对连通区域进行初步 筛选 ;步骤 5 ：计算像素数目与窗口面积的比值,比值 最大的连通区域即为最大连通区域。
通过此方法,得到如图 3(a) 和图 3(b) 所示的各个连 通区域以及最大连通区域的搜索结果。通过最大连通区 域进行搜索可以自动实现干扰点的清除,减小由于无效 边缘点提取和非法点误入给虹膜内边界拟合带来的误差。
1.1.3 内边界精确定位
内边界精确定位分两步进行, Canny 算子提取边 缘,最小二乘拟合法精确定位内边界获取圆心 (x,y) 与 半径 r,结果如图 4 所示。
1.2 虹膜外边界精确定位
虹膜内边界定位后获取了瞳孔圆心和半径,在此基 础上可以进行虹膜外边界进行定位。虹膜外边界定位 前,为减少干扰点及后续 Hough 变换时的计算量,提 高计算速度,需先对眼睑部分进行粗定位。眼睑的粗定 位过程如图 5 所示,首先利用 Canny 算子对原图像的 边缘提取,然后在此基础上作水平投影,计算双峰值, 获取眼睑的大致位置。
由于在提取边缘后的图像中,水平方向的灰度投影 峰值并不一定是眼睑的位置所在。所以,在水平投影之 前通常会根据先验知识对投影的范围进行几何限定。若 (x0.y0) 为虹膜内圆的圆心, r 为瞳孔半径,我们选取图像上边界到y0-r 的范围作为上眼睑的搜索范围。选取 y0+r 到图像下边界作为下眼睑的搜索范围。
利用相同阈值的 Sobel 算子分别对原始虹膜图像和 经过均值滤波处理的平滑模糊图像进行处理,得到如 图 6 所示的结果。直接对虹膜图像进行边缘提取不容易 获取虹膜外边界的边缘信息,并且在虹膜无法完全展露 出来的情况下更不容易提取到有用信息。反观经过模糊 处理的虹膜图像提取到的外边界信息更加清晰、容易获 取,并且大幅度的减少了无用信息的获取,为 Hough 变换的计算减少输入量。
为了给予 Hough 更加良好的计算环境,在使用 Hough 变换搜索虹膜外边界时,通常会根据虹膜的自身特征和 先验知识限定目标圆的圆心和半径。将圆心 (x0.y0) 限 定在(x − x0 )2 + (y − y 0 )2 < (kr)2 范围内,其中, (x0.y0) 为虹 膜内圆的圆心, r 为内圆的半径。k 为一个介于 0-1 之间的常数,本文取 0.85.目标圆的半径 R 范围限定在 (1.5r,3.5r) 之间。Hough 变换定位虹膜外边界的效果 如图 7 所示。
2 实验与结果分析
2.1 虹膜区域归一化及增强
当人眼受到强光照射时,瞳孔会进行收缩和扩张, 从而导致虹膜图像发生形变,即使是同一个人的虹膜图 像形状也可能不一致,这就会给后期虹膜特征的提取和 匹配造成不便。因此,需要通过对虹膜进行归一化处理 来减小上述形变对后期处理的影响。
对虹膜区域进行归一化时,通常对环形区域进行重 新排版,调整到矩阵区域,形成一个规范化的特征模版, 便于后续的特征提取和匹配。在 Daugman 虹膜识别系 统中,对虹膜区域的归一化方法主要是利用了虹膜变形 模型和弹性体模型,把虹膜区域看作相同材质的弹性模 型,以瞳孔圆心为中心点,将直角坐标下由内、外边界 包围的虹膜环形区域转换为极坐标表示的矩形区域。受 拍摄距离、周围环境亮度等外界条件的影响,虹膜图像 采集过程中极容易出现平移、旋转等变化,导致获取的 图像与真实的虹膜区域在尺度、位置等方面存在一定差 异,提取出的特征模板的数据也不对称,因此会导致无 法对虹膜图像进行准确匹配和识别。因此,虹膜匹配前 的预处理至关重要,通过预处理获得统一的匹配模式, 用以消除尺度、位置上的差异。文中采用线段提取算法 对虹膜图像进行归一化 [12]。为了加强归一化后的虹膜 纹理特征,进而方便虹膜的纹理特征提取,达到较好的 匹配效果,需要对图像进行增强来加强图像的局部特 性,使得图像纹理信息更加的清晰。这里采用直方图均 衡化的方法来进行对比度的增强 [13]。虹膜归一化和增 强后的效果如图 8 所示。
2.2 虹膜的特征提取与匹配
文中采用 CS-LBP 算子进行虹膜的特征提取 [14.15]。 如式(2) 所示, CS-LBP 算子是以中心像素为对称点 在 8 邻域矩阵中对两侧的像素点进行差值计算,然后用 式(3)进行量化处理。当两个对称点的差值大于等于0 时,即为 1.否则为 0.
其中 Ai 表示二进制模版中第 i 个元素的值, Ai 为 1 或 0.RD 为整个模版中值为 1 的元素所占的比例,用 来表示虹膜的相似度。由于不同时间采集的虹膜图像以 及同一时间采集的多幅虹膜图像经过处理获得的二进制 模板往往不会完全一致,这就要求在虹膜模板的配对过 程中还要考虑最优情况。通常采用循环位移的方法,将 比较得到的最大 RD 作为配准后的最优解。
2.3 结果分析
本文算法在中科院提供的 CASIA-Iris-Twins 虹膜库 进行实验, 选取 9 类 45 张虹膜图像作为虹膜识别测试数 据集。选取每类前两张作为注册集,剩下的作为测试集。 取每次测试图片与注册图片 RD 值,看它是否为一类的 方法来计算识别率,获得了 95%以上的识别率。此次实 验环境 ：AMD Ryzen 7 5700U with Radeon Graphics 1.80 GH,RAM 16.0 GB。软件环境 ：Matlab R2016a。 关于本文算法的精度与识别率如表 1 所示。
在使用本文选取的测试集进行实验时,边缘定位算法 精度高于 Daugman 算法,定位时间与传统的 Hough 算 法相比具有明显的优势。总体上来说,相对于 Hough 算法和 Daugman 算法,本文所提出的定位算法在精度 和定位时间上做出了折中,取得了较好的实验结果。各种算法定位效果如图 9 所示。
3 结语
虹膜识别作为生物特征识别领域中的一支潜力股, 具有较高的研究和应用价值。虹膜定位是最基础也是最 重要的步骤之一,考虑到虹膜定位容易受到环境因素 及眼睑、光斑等因素的影响,文中提出了一种改进的虹 膜定位算法。首先使用 Otsu 算法和最大连通区域搜索 的方法来进行虹膜定位,解决了一般情况下的睫毛对虹 膜定位的影响 ;然后使用 Canny 算子检测瞳孔边缘并 用最小二乘拟合圆精确定位虹膜内圆 ;最后在精确定 位虹膜内边界的基础上使用优化的 Hough 变换算法对 虹膜外边界定位。该方法在中科院提供的 CASIA-Iris- Twins 虹膜库中进行了实验,结果显示该方法在虹膜定 位中搜索速度较快,改善了传统的 Hough 变换搜索慢 的问题,在非极端情况下有着较好的定位效果。后续工 作将进一步探索在不同条件下采集数据的自适应虹膜定 位方法,达到实时、高效的虹膜定位需求。
参考文献
[1] PRASAD P S,BASWARAJ D.Iris Recognition Systems:a Review[C]//International Conference on Communications and Cyber Physical Engineering 2018.Springer,Singapore, 2018:521-527.
[2] 李星光,孙哲南,谭铁牛.虹膜图像质量评价综述[J].中国图象 图形学报,2014.19(06):813-824.
[3] BHARATHI B,SHAMILY P B.A Review on Iris Recognition System for Person Identification[J].International Journal of Computational Biology and Drug Design,2020.13(3):316-331.
[4] SADEQ S,ZIDAN K A,STEPHAN J J.A Review on Iris Recognition System Based Different Classification Techniques[J].Solid State Technology,2021.64(2):5106-5119.
[5] MELEK M,ABU-ELYAZEED M F,KHATTAB A.Efficient High-speed Framework for Sparse Representation Based Iris Recognition[J].IET Biometrics,2021.10(3):304-314.
[6] AHMED H M,TAHA M A.A Brief Survey on Modern Iris Feature Extraction Methods[J].International Journal of Engineering and Technology,2021.39(1A):123-129.
[7] DUBEY R B,MADANA.Iris Localization Using Daugman's Intero-Differential Operator[J].International Journal of Computer Applications,2014.93(3):6-12.
[8] 穆珺,晏峻峰,彭清华,等.基于霍夫变换的可见光虹膜图像定 位[J].计算机技术与发展,2017.27(5):40-45.
[9] 刘帅,刘元宁,朱晓冬,等.基于分块搜索的虹膜定位算法[J]. 计算机工程与应用,2018.54(18):212-217.
[10] 张文翔,董宏林.基于OTSU的图像插值算法[J].计算机与数 字工程,2022.50(1):186-189.
[11] 王刚,陈雪畅,韩冬阳,等.基于改进Otsu的煤体CT图像阈值 分割算法的研究[J].煤炭科学技术,2021.49(1):264-271.
[12] 郭巧丽,樊晓勇.基于线段提取的虹膜归一化方法[J].计算 机技术与发展,2009.19(04):57-60.
[13] GONZALEZ R C,WOODS R E.Digital Image Processing (Fourth edition)[M].New York,NY:Pearson,2018:147-181.
[14] 杨恢先,贺迪龙,谭正华,等.融合单演特征和CS-LBP的单样 本人脸识别[J].计算机工程与应用,2017.53(6):150-155.
[15] 姜华,孟丹彤.基于CS-LBP与自适应神经网络的虹膜识别 [J].东北师大学报(自然科学版),2018.50(3):58-64.
[16] 张宇.基于海明距离的相似查找索引算法研究[D].北京:北 京交通大学,2018.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/53218.html
