虹膜区域预处理及纹理特征提取方法的研究

吕康东 吕晓琪 赵瑛



摘 要: 随着电子信息技术的发展,个人的一些隐私信息越来越容易受到侵犯,而基于虹膜纹理特征的虹膜识别技术在确保个人信息安全这一块扮演着越来越重要的角色。在结构上分为预处理和纹理特征提取两部分。在预处理部分,提出一种基于共形几何代数理论结合最小二乘拟合的虹膜区域边界定位方法;在虹膜纹理特征提取部分,提出一种基于多特征的纹理提取方法。实验结果证明,在虹膜区域定位这一块,该方法定位结果准确,能实现对虹膜区域内外边缘的同时定位;在纹理特征提取部分,基于多特征的纹理图像查准率有了很大的提高。
关键词: 信息安全; 虹膜纹理; 共形几何代数; 最小二乘拟合; 多特征纹理提取
中图分类号: TN911?34 文献标识码: A 文章编号: 1004?373X(2017)16?0112?05
Abstract: With the development of electronic information technology, the individual privacy information is increasingly vulnerable, and the iris recognition technology based on iris texture feature plays an important role in ensuring the individual information security. The technology is structurally composed of the preprocessing section and texture feature extraction section. An iris region boundary localization method based on conformal geometric algebra (CGA) theory and least square fitting is proposed in the first paragraph of this paper. A texture extraction method based on multi?feature is proposed in the second paragraph of this paper. The experimental results show that the method has accurate positioning result, and can locate the inner and outer edges of iris region simultaneously in the aspect of iris region localization; its texture image precision ratio based on multi?feature is improved greatly in the aspect of texture feature extraction.
Keywords: information safety; iris texture; conformal geometric algebra; least square fitting; multi?feature texture extraction
0 引 言
人的眼球结构是由眼球壁和眼球内容物两大部分组成,虹膜是眼球内容物的一部分,位于瞳孔圆以外,巩膜以里,呈现出丝状、亚麻布状或是网状等,在颜色上主要有蓝色和褐色。虹膜的作用主要是调节瞳孔大小进而控制进入眼睛光线的数量。
虹膜识别技术是基于人眼部虹膜区域的纹理特征进行识别的,通常是用于安防方面或是需要高度保密的场所,因此,如何准确快速地获得较为完整有效的虹膜区域变的更加重要。现有的也是最常用的虹膜定位算法是Daugman定位算法、Wildes定位算法,其中Daugman是一种基于圆形模板的匹配算法,它的核心思想是用一个有效的微积分算子来计算圆的参数,这个算子是一种经典的机器视觉算子。Wildes定位算法是一种基于Hough变换的定位算法,大体上分为两个大步骤:首先进行边缘的检测,并且通过设定一个阈值生成边缘图像;其次借助Hough变换对边缘图像的参数空间进行投票来得到最终的虹膜内外边缘的参数及圆的参数。之后又出现了好多的虹膜定位算法,比如基于活动轮廓线的方法、运用Adaboost方法、运用神经网络的方法等。在虹膜纹理特征提取这一块,常用的大致可以分为4种:分别是统计法,它是反应两个位置像素之间位置分布的特性,常见的就是灰度共生矩阵方法;结构法,它的核心是分析纹理元之间的相关性以及它們之间的某种排列规则;频谱法,即利用傅里叶的频率特性二维图像模式的方向性;小波变换,它是最近几年发展起来的一种表示局部方向和能量信息的纹理提取方法。
本文在以上研究的基础之上,分析各自方法的优缺点,在虹膜定位和分割上,运用共形几何代数理论结合最小二乘拟合方法;在纹理特征提取上,运用融合了灰度共生矩阵、局部二值模式和小波变换的纹理特征提取算法。实验结果证明,本文提出的虹膜检测和定位算法简单、抗干扰能力强、定位准确且快速;在纹理特征提取上,具有相对高的灵活性,即通过配置这几种纹理特征提取算法的权重,可对不用的纹理图像进行纹理的提取,且较单一的纹理特征提取方法在实用性、纹理的表述能力上以及旋转和尺度不变性上都得到很好的改善。
本实验采用的图像是中科院虹膜数据库中的图像,共2 000多张,其样张如图1所示。
实验所采用的设备配置为:处理器Intel[?] Core(TM) i7?3770 CPU@3.40 GHz 3.4 GHz,运行环境是VS2008,结合OpenCV 2.3.1工具包。
1 预处理方法研究
1.1 虹膜区域检测和定位
本文首先对原始图像做边缘检测处理,方法选择的是Canny边缘检测算子,目标是用得到的边缘点进行形状的检测;然后应用共形几何代数理论结合最小二乘拟合的方法对虹膜区域进行定位和分割。
共形几何代数理论(CGA)最早是由李洪波博士提出来的,它是在几何代数的基础上发展而来并且建立了经典几何统一的代数框架,实现了几何语言直接进行几何计算,从而实现几何对象稳定、快速、高效的算法,最重要的是可以实现对虹膜区域内外边缘的同时定位,克服了传统方法只能先对虹膜内边缘定位,再对虹膜外边界定位的缺点。本文先将各个几何量映射到共形几何代数空间中去,这样各个几何量的表示更加的统一,因此它们之间的计算也随之变的更加地简便且利于理解。各个几何量在共形几何代数空间中的表示如表1所示。其中e0和e∞是在欧氏三维空间中三个两两相交的单位向量基础上引入的两个Null基,并且满足e0·e∞=-1,[e20=e2∞]=0,这样就组成了共形几何代数空间{e1,e2,e3,e0,e∞},在共形几何代数空间当中,判断一个点和圆的位置关系时,就可以根据点和圆之间的内积进行判断,即点P和圆C之间的内积根据表1可以表示为:
将式(1)化简,若得到的结果为正,则可以判定点在圆内;若得到的结果小于零,则可以判断点在圆外;若得到的结果等于零,则可以判断点在圆上。
这样就能把欧氏空间的运算映射到共形几何代数空间中去,接下来的任务就是找到一个圆。而确定一个圆最简单的方法就是不在一条直线上的三个点确定一个圆,假设得到的圆的圆心(xc,yc)为(2,3),半径为r=4,现将共形几何代数空间中的P和C用标准标量积进行表示,即P=(p,-1,[-x22]),C=(c,[c2-r22,]1),则可以用(c1,c2,c3)来表示C,其中c3=[c2-r22,]用C分别对c1,c2和c3求偏导[1],并令求得的偏导结果为0,则有:
实验结果如图2所示,运行环境是Visual Studio 2008结合OpenCV 2.3.1工具包。
1.2 虹膜区域归一化
为了排除拍摄角度或是外界光照强度的不同带来的虹膜的平移变化、旋转变化、伸缩变化和明暗变化所造成的虹膜图片之间的差异,提高虹膜匹配的准确度,需要对虹膜区域进行归一化处理。本文使用的是目前使用最为广泛的DAUGMAN的弹性模型展开算法,即通过式(5)方法将虹膜区域中的各个点映射到极坐标系下,虹膜区域会被展开成固定大小的矩形区域:
1.3 有效区域选取
眼睫毛和眼睑的干扰对于虹膜纹理的影响是不可预知的,但是如果应用某种方法检测并排除它们的干扰,也会受到由于虹膜形态和采集角度等问题带来的虹膜有效区域的位置和面积大小的不同的影响,为下一步的特征的提取带来很大的困难。在观察了大量的图像之后发现,虹膜的纹理大部分集中在虹膜内边缘附近,虹膜区域的上半部分受到眼睑和睫毛的影响较为严重,且下半部分靠近虹膜区域外边缘的部分易受到眼睑的干扰,因此,在选择虹膜的有效区域时,选择靠近虹膜区域内边缘[12]面积处,如图4所示。
2 虹膜的纹理特征提取
2.1 相关算法的介绍
2.1.1 GLCM算法
灰度共生矩阵算法是通过描述灰度信息的空间相关特性来反映纹理特征的常用方法,具体来说就是对图像上保持某距离的两像素所具有的灰度值的情况进行的统计,其优点是考虑到了图像的整体信息情况,对大且稀疏的纹理描述能力显著。对于图像上任意一点 (x1,y1)及偏离它的另一点(x1+a,y1+b),设该点对的灰度值为(g1,g2)。如果让点(x1,y1)在整个画面上移动,则会得到各种 (g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k2种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样就得到了灰度共生矩阵。在这里,当数值对(a,b)取值不同时,可以得到不同的联合概率矩阵,例如(a,b)取(1,0),(1,1),(0,1)时,分别代表着在水平上(0°扫描),右对角线上(45°扫描),垂直方向上(90°扫描)。
对于灰度共生矩阵来说,可以用一些标量来进行描述,比如ASM能量、对比度、逆差矩、熵和自相关等。
2.1.2 LBP算法
局部二值模式是用来做图像局部特征比较的主要方式,是统计纹理的各个LBP模式直方图,适合描述那些小而密的纹理,其最早的形式是定义在3×3领域上的,它使用的是中心像素来计算8的领域像素,然后与权值作积得到结果,其过程如图5所示。
则局部对比测量C=[5+7+9+8+65-][2+1+23]=5.3,其权重从5开始顺时针方向分别为:1,2,4,8,16,32,64,128。
2.1.3 DWT算法
小波变化是基于一些小型波的变换,这一点与傅里叶变换有所不同,并且它具有变化的频率和有限的持续时间,最重要的是该方法对图像的尺寸变化情况不敏感。而为了将小波变换应用于图像的处理,需要有二维的小波函数和尺度函数,在这里可以采用分离变量的方式,即由一维小波函数和尺度函数构造而来,而伸缩和平移的基函数可以由二维的小波函数和尺度函数得到,如下:
2.2 基于多特征的虹膜纹理特征提取
本文考虑到以上三个特征提取算法各自的优缺点,针对虹膜区域纹理特征提取,提出一种新的虹膜纹理特征提取算法,该算法融合了以上三种纹理特征提取算法,而此算法提取的特征参数为三种特征提取算法所提取的特征参数的合参数,即若设GLCM算法,LBP算法和DWT算法提取的特征是fGLCM=[x1,x2,…,xm],fLBP=[y1,y2,…,yn],fDWT=[z1,z2,…,zo],則融合之后的特征向量是:
式中,x和y分别代表着两幅图像的特征向量。街区距离由于其计算简单,并且可以降低个别较大的特征分量对图像检索的影响,较欧氏距离、LP范数距离和马氏距离有较大的优势。
但是针对不同的图像的不同特点,融合之前各个分量的贡献是不同的,此时就需要对各个分量赋予一个合适的权重,这样才能使最后的检索效果达到最优。在权重的分配上,本文使用的方法是先分别计算出每一种特征提取算法的精度,然后以此为依据,计算各个分量的权重,即若单独使用时,GLCM算法检索的精确度为P1,LBP算法检索的精确度为P2,DWT算法检索的精确度为P3,则3种算法的权重初值可以确定为:
[w1=P1P1+P2+P3w2=p2p1+P2+P3w3=P3P1+P2+P3]
3 实验结果和分析
由于每个人的体质原因或先天性原因或外界环境原因等差异的存在,造成人和人之间的虹膜在纹理上的差异非常大。通过观察虹膜数据库中的图像发现在所有的虹膜图像中,基本上可以将虹膜区域的纹理特征分为斑块、坑洞和一些细条颗粒状的纹理,如图6所示。但是几乎所有的虹膜区域都会有细条颗粒状的纹理。因此,在图像的检索上,本文选择的主要是斑块和坑洞两个纹理特征。
下面对虹膜图像数据库进行检索,现将虹膜图像数据库分为两类,每一类随机抽取10幅图像,分别对这些图像进行检索来比较各种算法的准确性。最后,本文将虹膜数据库分成2类,即斑块类和坑洞类的图像,每一类随机选出20幅图像,然后分别使用GLCM算法、LBP算法和DWT算法检索图像,而在准确率上,需要设置一个查准率,本文设置的机制是设查准率P,其定义如下:
[P=检索到的相关图像数量检索到的图像数量] (10)
其实验结果如表2所示。
由表2中的数据可以知道,本文提出的算法较GLCM算法、LBP算法和DWT算法在算法查准率上有了明显的提高。
4 结 语
在虹膜区域定位上,本文使用的是共形几何代数理论结合最小二乘拟合的虹膜定位算法,其优点是,在共形几何空间中,各个几何量的表示和计算更加方便和快捷,且最重要的是现实对虹膜内外边缘的同时定位,这对于提高整个虹膜识别系统的效率有着至关重要的作用。在虹膜纹理特征提取上,本文使用的是融合了GLCM算法、LBP算法和DWT算法的纹理特征提取算法,该算法综合考虑了图像的整体信息,局部信息以及图像的尺寸变换等信息,能够较好地实现对虹膜纹理特征的提取,由实验结果可知,該方法查准率较高,有较高的实用价值。
参考文献
[1] 白志鹏,刘超,李茂宽.基于共形几何代数的圆拟合方法实现[J].现代电子技术,2009,32(16):140?142.
[2] 何莹.虹膜图像内容表达与分析方法研究[D].哈尔滨:哈尔滨工业大学,2014.
[3] DAUGMAN J. New methods in iris recognition [J]. IEEE transactions on systems, man, and cybernetics society, 2007, 37(5): 1167?1175.
[4] 陈英.虹膜定位和识别算法的研究[D].长春:吉林大学,2014.
[5] 石桂名,魏庆涛,孟繁盛.基于Canny算子的图像边缘检测算法[J].现代电子技术,2015,38(12):92?93.
[6] 梅浪奇,郭建明,刘清.基于多特征的纹理特征提取方法研究与应用[J].交通信息与安全,2015(2):31?38.
[7] 李亚标,王宝光,李温温.基于小波变换的图像纹理特征提取方法及其应用[J].传感技术学报,2009,22(9):1308?1311.
[8] 徐少平,刘小平,李春泉,等.基于LBP值对空间统计特征的纹理描述符[J].模式识别与人工智能,2013(8):769?776.
[9] 宋克臣,颜云辉,陈文辉,等.局部二值模式方法研究与展望[J].自动化学报,2013,39(6):730?744.
[10] 杨秀娟.基于纹理特征的图像检索研究[D].西安:西安科技大学,2009.
[11] 王志坚.虹膜识别技术与实现[D].呼和浩特:内蒙古大学,2014.
[12] 韦涛.虹膜识别算法研究[D].桂林:广西师范大学,2014.
[13] RASHID R A, MAHALIN N H, SARIJARI M A. Security system using biometric technology: design and implementation of voice recognition system (VRS) [J]. Computer and communication engineering, 2008(5): 898?902.
[14] 曹留洋.虹膜特征提取及匹配算法研究与实现[D].长春:吉林大学,2015.
[15] MEHROTRA H, SA P K, MAJHI B. Fast segmentation and adaptive SURF descriptor for iris recognition [J]. Mathematical and computer modelling, 2013, 58(1/2): 132?146.