CN101894256A - 基于奇对称2D Log-Gabor滤波器的虹膜识别方法 - Google Patents

Abstract

本发明公开了一种基于奇对称2D Log-Gabor滤波器的虹膜图像特征提取方法，按照以下步骤实施：步骤1、通过虹膜采集设备得到虹膜图像；步骤2、虹膜图像预处理：包括虹膜定位、虹膜图像质量评估、归一化步骤；步骤3、使用基于奇对称2D Log-Gabor滤波器的改进算法提取原始虹膜特征：导出2D Log-Gabor滤波器函数；将2D Log-Gabor滤波器从极坐标转换成直角坐标；将2D Log-Gabor滤波器分解为二维奇对称滤波器函数；虹膜子块划分与特征提取；步骤4、特征融合，具体包括提取子块的幅值及相位、融合特征步骤；步骤5、特征匹配分类：包括特征编码、海明距离编码、选择海明距离阈值、虹膜特征识别步骤。本发明方法突破了虹膜采集距离2米以内的限制，提高了长距离虹膜识别的准确性与可靠性。

Description

基于奇对称2D Log-Gabor滤波器的虹膜识别方法

技术领域

本发明属于生物特征识别技术领域，涉及一种基于奇对称2D Log-Gabor滤波器的虹膜识别方法。

背景技术

评价一种生物特征识别技术的好坏有四个方面：防伪性、普遍性、稳定性和可接受性。在所有生物特征中，指纹相对稳定但录取指纹属于侵犯性的。脸形特征具有很多优点(如非侵犯性、用户友好)，但脸形随年龄变化，而且容易伪装。声音特征具有与脸形特征相似的优点，但它随年龄、健康状况和环境等因素变化，而且语音识别***也容易被录音所欺骗，容易被伪造。虹膜特征识别解决了这些问题，而且同时还具有上述其他生物特征所具有的一些优点。虹膜识别是利用瞳孔和巩膜之间的环状区域纹理，也就是虹膜进行身份鉴别的生物体识别技术。虹膜识别的过程主要包括图像采集、预处理、特征提取、编码后形成虹膜特征，然后与虹膜模板数据库中的特征模板进行比较匹配，得出识别结果。

然而，现有的虹膜识别方法还存在一系列突出问题，如采集距离小于2米，产品使用环境苛刻，以及Gabor滤波器存在月牙状等问题，导致虹膜识别的准确率和匹配效率较低，无法满足应用中的实际需求。

发明内容

本发明提供了一种基于奇对称2D Log-Gabor滤波器的虹膜识别方法，解决了现有技术采集距离短，产品使用环境苛刻，以及Gabor滤波器存在月牙状，导致虹膜识别的准确率和匹配效率较低的问题。

本发明所采用的技术方案是，一种基于奇对称2D Log-Gabor滤波器的虹膜图像特征提取方法，该方法按照以下步骤实施：

步骤1、采集虹膜图像：采用自动变焦的摄像头作为虹膜采集设备，在卤光灯照射配合下，采集得到虹膜图像；

步骤2、虹膜图像预处理：

2.1)虹膜定位，通过水平与垂直灰度投影对虹膜圆心位置(x₀，y₀)进行粗定位，然后使用高斯梯度圆边缘检测算子分别进行虹膜内边缘和外边界的定位，假设I(x，y)是坐标为(x，y)处的眼睛图像强度，并且虹膜边缘的模型化圆心在(x₀，y₀)处，圆半径为r，则由式(1)求得圆心坐标与半径：

其中*代表卷积运算，

是以r₀为滤波器中心，σ为标准差的高斯函数；

2.2)虹膜图像质量评估；

2.3)虹膜归一化，将过滤评估合格的虹膜图像从笛卡尔直角坐标系归一化展开到极坐标系上，转化过程由式(2)得到：

$\left\{\begin{array}{c}x(r,\mathrm{\θ})=(1-r)x_0\left(\mathrm{\θ}\right)+r{x}_1\left(\mathrm{\θ}\right)\\ y(r,\mathrm{\θ})=(1-r)y_0\left(\mathrm{\θ}\right)+r{y}_1\left(\mathrm{\θ}\right)\end{array}\right.---\left(2\right)$

式(2)中，r∈[0，1]，θ∈[0，2π]，(x₀(θ)，y₀(θ))，(x₁(θ)，y₁(θ))分别代表在θ方向上的瞳孔和巩膜内、外边缘的边缘点；

步骤3、使用基于奇对称2D Log-Gabor滤波器的改进算法提取原始虹膜特征：

3.1)导出2D Log-Gabor滤波器函数，2D Log-Gabor定义在log极坐标下，函数表达由式(3)给出：

$G_{(s,t)}(\mathrm{\ρ},\mathrm{\θ})=\exp \left(\frac{-{(\mathrm{\ρ}-{\mathrm{\ρ}}_s)}^2}{2{\mathrm{\σ}}_{\mathrm{\ρ}}^2}\right)\exp \left(\frac{-{(\mathrm{\θ}-{\mathrm{\θ}}_{(s,t)})}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2}\right)---\left(3\right)$

$\left\{\begin{array}{c}{\mathrm{\ρ}}_s={\log }_{2}n-s\\ {\mathrm{\θ}}_{(s,t)}=\left\{\begin{array}{cc}\frac{\mathrm{\π}}{n_t}t& \mathrm{if\; s\; is\; odd}\\ \frac{\mathrm{\π}}{n_t}(t+\frac{1}{2})& \mathrm{if\; s\; is\; even}\end{array}\right.\\ ({\mathrm{\σ}}_{\mathrm{\ρ}},{\mathrm{\σ}}_{\mathrm{\θ}})=0.996(\sqrt{\frac{2}{3}},\frac{\mathrm{\π}}{\sqrt{2}{n}_t})\end{array}\right.$

式(3)中，(ρ，θ)为极坐标，以Log2为刻度，滤波器在多倍频范围内，n_s＝5是多分辨率的刻度数，n_t是方向数值，其范围在3-20之间，s∈{1，....，n_s}，t∈{1，....，n_t}，用来标记滤波器的频谱和方向，(ρ_s，θ_(s，t))为滤波器的坐标中心，(σ_ρ，σ_θ)为分别在ρ和θ下的带宽；

再将2D Log-Gabor滤波器从极坐标转换成直角坐标，经变换后的频域形式为：

$G(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)---\left(4\right)$

其中，f₀为中心频率，σ_u控制μ₁方向上的带宽，σ_v控制v₁方向上的带宽，θ为滤波器的方向，对于不同的中心频率f₀，σ_u/f₀及σ_v保持不变；

3.2)将2D Log-Gabor滤波器分解为二维奇对称滤波器函数，由式(5)求得：

$G^o(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)\sin \left(2\mathrm{\π}{f}_0{u}_1\right);---\left(5\right)$

3.3)虹膜子块划分与特征提取，将归一化及增强后的虹膜纹理图像按滤波器大小划分为32×8个子块，并获取每一子块的特征值F_mn，由式(6)求得：

$F_{\mathrm{mn}}(i,j)=\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}I(i+x-\frac{N}{2},j+y-\frac{M}{2}){G_{\mathrm{mn}}}^o(x,y)---\left(6\right)$

其中G_mn ^o(u，v)为尺度为m、方向为n的奇对称2D Log-Gabor滤波器，(i，j)为子块中心坐标，N，M为子块大小；

步骤4、特征融合：

4.1)提取子块的幅值及相位，通过步骤3提取出(x，y)子块的特征值F_mn(x，y)后，通过式(7)和式(8)提取对应子块的幅值信息M_mn(x，y)和相位信息P_mn(x，y)：

$M_{\mathrm{mn}}(x,y)=\sqrt{F_{\mathrm{mn}}(x,y)\×\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}}---\left(7\right)$

$P_{\mathrm{mn}}(x,y)=\arctan \left(\frac{i\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}-F_{\mathrm{mn}}(x,y)}{\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}+F_{\mathrm{mn}}(x,y)}\right)---\left(8\right)$

其中，表示F_mn(x，y)的共轭函数；

4.2)融合特征，由式(9)找到在m尺度下的幅值最大的n/2个方向序号s，由式(10)求得尺度和这些方向下的有效虹膜特征编码，h_r，h_i分别表示实部与虚部生成的1bit编码：

$s=\arg \underset{n}{\max }\left(M_{\mathrm{mn}}(x,y)\right)---\left(9\right)$

$\left\{\begin{array}{cc}(h_r,h_i)=\left(\mathrm{1,1}\right),& 0\≤P_{\mathrm{ms}}(x,y)\≤\mathrm{\π}/2\\ (h_r,h_i)=\left(\mathrm{0,1}\right),& \mathrm{\π}/2\≤P_{\mathrm{ms}}(x,y)\≤\mathrm{\π}\\ (h_r,h_i)=\left(\mathrm{0,0}\right),& \mathrm{\π}\≤P_{\mathrm{ms}}(x,y)\≤3\mathrm{\π}/2\\ (h_r,h_i)=\left(\mathrm{1,0}\right),& 3\mathrm{\π}/2\≤P_{\mathrm{ms}}(x,y)\≤2\mathrm{\π}\end{array}\right.;---\left(10\right)$

步骤5、特征匹配分类：采用基于纹理分布的加权海明距离用于特征匹配分类，具体步骤如下：

5.1)特征编码：首先，将特征区域分成32×8个子块，每个子块选取5个尺度和8个方向，得到20480bit数据；其次，经过步骤4特征融合，得到10240bit特征序列；之后，将该序列按照十六进制编码方式，每8位进行一次编码，得到1280个字节的特征编码；

5.2)海明距离编码，将海明距离作为衡量两个虹膜编码之间的相似度，两个虹膜编码之间的海明距离由式(11)得到：

$\mathrm{HD}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{A}_j\⊕B_j---\left(11\right)$

L表示整个虹膜编码的长度，A，B表示虹膜特征编码序列，j表示虹膜编码的第j位，A，B做异或计算，当A_j与B_j相同时为0，反之为1；

利用基于纹理分布的加权海明距离进行计算：首先，按照式(11)求出每一个子带的海明距离h₁，h₂，……，h_n，n为子带个数，i越大，表示的子带h_i越靠近虹膜内边界，再通过式(12)求解子带海明距离的加权和：

$\mathrm{WHD}=\frac{1}{n}(a_1{h}_1+a_2{h}_2+...+a_n{h}_n)---\left(12\right)$

式中加权因子满足：a₁＜a₂＜...＜a_n且a₁+a₂+...+a_n＝n；

5.3)选择海明距离阈值，通过上述步骤得到虹膜的海明距离编码后，根据实验统计结果，确定0.38为海明距离阈值；

5.4)虹膜特征识别，采用上步确定的海明距离阈值，对采集虹膜和虹膜数据库中样本的特征编码进行比较，如果其海明距离小于等于阈值，则认为是同一虹膜；反之，则认为是不同虹膜。

本发明的有益效果是，通过虹膜质量评估方法避免低质量虹膜图像对识别结果的影响，使用改进的基于奇对称2D Log-Gabor滤波器的特征提取方法弥补了Log-Gabor滤波器与2D Log-Gabor滤波器由于角度方向带宽周期性变换而造成的月牙状缺陷，突破了虹膜采集距离2米以内的限制，提高了长距离虹膜识别的准确性与可靠性；而且从算法上削弱图像采集设备带来的不利影响，通过小波滤波技术最大程度的获取虹膜纹理细节信息，并将噪声影响降至最低限度。

附图说明

图1是本发明方法的流程图；

图2是本发明方法展开后的虹膜图像；

图3是本发明方法针对的月牙状波形造成的栅格状虹膜特征图像；

图4是本发明方法提取的虹膜特征图像；

图5是本发明方法与偶对称2D Log-Gabor滤波器的Hamming距离分布比较图，o1与e1曲线为两种方法类间比较的距离分布，o2和e2曲线为两种方法类内比较的距离分布；

图6是本发明方法对现有的CASIA虹膜库的ROC曲线图；

图7是本发明方法对现有的UBIRIS虹膜库的ROC曲线图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，本发明的基于奇对称2D Log-Gabor滤波器的虹膜图像特征提取方法，按照以下步骤实施：

步骤1、长距离采集虹膜图像。

虹膜采集是虹膜识别***的关键性技术之一。虹膜本身尺寸很小，如何在不侵犯人体的情况下，获取高质量的虹膜图像供识别之用，这是实现长距离虹膜识别的核心问题之一。本发明采用了带有可自动变焦的高清晰摄像头作为虹膜采集设备，镜头由微型步进电机驱动，可以根据虹膜质量评估模型的反馈信息自动调节焦距，无需用户主动协助。照明光源选择摄影用卤光灯(选用的功率为50W，色温为5100K)，不会在虹膜上留下比较明显的光斑，形成噪声污染。

步骤2、虹膜图像预处理。

对步骤1得到的一系列虹膜图像进行预处理，以从采集的眼部图像中得到符合识别要求的归一化虹膜图像。虹膜图像预处理包括虹膜定位、虹膜图像质量评估、归一化等步骤。

2.1)虹膜定位。通过水平与垂直灰度投影对虹膜圆心位置(x₀，y₀)进行粗定位，然后使用高斯梯度圆边缘检测算子分别进行虹膜内边缘(瞳孔边缘)和外边界(巩膜边界)的定位。假设I(x，y)是坐标为(x，y)处的眼睛图像强度，并且虹膜边缘的模型化圆心在(x₀，y₀)处，圆半径为r，则通过式(1)求得圆心坐标与半径。

其中*代表卷积运算，

是以r₀为滤波器中心，σ为标准差的高斯函数。

2.2)虹膜图像质量评估。

虹膜图像质量评估的目的是滤掉不合格的虹膜图像，并实时输出合格图像到后续的识别过程。在采集时伴随眼睛的眨动、旋转等运动，可能造成虹膜部分或全部被眼皮、眼睫毛遮挡或由于焦距不准造成成像不清晰，因而在识别之前需要对图像质量进行评价。

虹膜图像质量评估分两步进行：

2.21)反馈评估。为了让采集装置能够对焦距、照明等各个参数进行自主调节，首先对采集图像的亮度和模糊程度进行评估。令Q_Light、Q_Blur分别表示亮度、模糊两个评估结果，则反馈的评估结果Q_feedback为：

Q_feedback＝Q_Light+Q_Blur  (2)

2.22)过滤评估。通过步骤2.21)将采集装置调节到最佳状态后，使用式(3)的评估结果Q_iris对采集的虹膜图像进行过滤，将不符合质量要求的图像滤除，剩下的虹膜图像进入下一步处理。

Q_iris＝E_Bright×Q_Bright+E_Eyelid×Q_Eyelid+E_Eyelash×Q_Eyelash+E_Loc×Q_Loc    (3)

其中，Q_Bright、Q_eyelid、Q_eyelash和Q_Loc分别是光斑、眼睑遮挡、睫毛遮挡和虹膜定位的评估结果，E_Bright、E_Eyelid、E_Eyelash和E_Loc分别为光斑、眼睑遮挡、睫毛遮挡和虹膜定位评估结果的权值因子，每个权值因子取值范围区间为[0，1]，且E_Bright+E_Eyelid+E_Eyelash+E_Loc＝1。

2.3)虹膜归一化。将过滤评估合格的虹膜图像从笛卡尔直角坐标系归一化展开到极坐标系上，转化过程通过式(4)得到：

$\left\{\begin{array}{c}x(r,\mathrm{\θ})=(1-r)x_0\left(\mathrm{\θ}\right)+r{x}_1\left(\mathrm{\θ}\right)\\ y(r,\mathrm{\θ})=(1-r)y_0\left(\mathrm{\θ}\right)+r{y}_1\left(\mathrm{\θ}\right)\end{array}\right.---\left(4\right)$

式中：r∈[0，1]，θ∈[0，2π]，(x₀(θ)，y₀(θ))，(x₁(θ)，y₁(θ))分别代表在θ方向上的瞳孔和巩膜的(即虹膜内、外边缘)边缘点。展开后的虹膜图像，如图2所示。通常同一个虹膜在多次采集后，各虹膜图像中虹膜的位置与大小都会发生变化。归一化展开将虹膜图像调整到相同的尺寸和对应位置，从而消除了平移、缩放和选择对虹膜识别的影响，为下一步特征提取奠定了必要的基础。

步骤3、使用基于奇对称2D Log-Gabor滤波器的改进算法提取原始虹膜特征。

3.1)导出2D Log-Gabor滤波器函数，2D Log-Gabor定义在log极坐标下，函数表达通过式(5)给出：

$G_{(s,t)}(\mathrm{\ρ},\mathrm{\θ})=\exp \left(\frac{-{(\mathrm{\ρ}-{\mathrm{\ρ}}_s)}^2}{2{\mathrm{\σ}}_{\mathrm{\ρ}}^2}\right)\exp \left(\frac{-{(\mathrm{\θ}-{\mathrm{\θ}}_{(s,t)})}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2}\right)---\left(5\right)$

$\left\{\begin{array}{c}{\mathrm{\ρ}}_s={\log }_{2}n-s\\ {\mathrm{\θ}}_{(s,t)}=\left\{\begin{array}{cc}\frac{\mathrm{\π}}{n_t}t& \mathrm{if\; s\; is\; odd}\\ \frac{\mathrm{\π}}{n_t}(t+\frac{1}{2})& \mathrm{if\; s\; is\; even}\end{array}\right.\\ ({\mathrm{\σ}}_{\mathrm{\ρ}},{\mathrm{\σ}}_{\mathrm{\θ}})=0.996(\sqrt{\frac{2}{3}},\frac{\mathrm{\π}}{\sqrt{2}{n}_t})\end{array}\right.$

式(5)中：(ρ，θ)为极坐标，以Log2为刻度，滤波器在多倍频范围内，n_s＝5是多分辨率的刻度数，n_t是方向数值，其范围在3-20之间，优选值为8，属于8方向滤波器，s∈{1，....，n_s}，t∈{1，....，n_t}，用来标记滤波器的频谱和方向，(ρ_s，θ_(s，t))为滤波器的坐标中心，(σ_ρ，σ_θ)为分别在ρ和θ下的带宽。

再将2D Log-Gabor滤波器从极坐标转换成直角坐标，经变换后的频域形式为：

$G(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)---\left(6\right)$

其中f₀为中心频率，σ_μ控制μ₁方向上的带宽，σ_v控制v₁方向上的带宽，θ为滤波器的方向，为了保证滤波器的形状恒定，对于不同的中心频率f₀，σ_u/f₀及σ_v必须保持不变。

3.2)将2D Log-Gabor滤波器分解为二维奇对称滤波器函数，分解计算由式(7)求得：

$G^o(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)\sin \left(2\mathrm{\π}{f}_0{u}_1\right)---\left(7\right)$

二维奇对称Log-Gabor滤波器能够把产生于角度方向上的带宽转变为二维纹理方向上的带宽，由于角度的周期性影响使得带宽呈周期性放大，致使月牙状频域波形的产生，但在二维纹理方向上，带宽过大并不会导致周期性放大，当两个分量带宽过大时，函数的空间域波形会产生畸变，同样也超出组滤波器的覆盖范围，所以，通过小波变换，扩大了频宽而且合理增加了覆盖频谱，避免了提取出的虹膜特征图像出现栅格状问题(如图3，4所示)。

3.3)虹膜子块划分与特征提取。将归一化及增强后的虹膜纹理图像按滤波器大小划分为32×8个子块，并获取每一子块的特征值F_mn，通过式(8)求得：

$F_{\mathrm{mn}}(i,j)=\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}I(i+x-\frac{N}{2},j+y-\frac{M}{2}){G_{\mathrm{mn}}}^o(x,y)---\left(8\right)$

其中G_mn ^o(u，v)为尺度为m、方向为n的奇对称2D Log-Gabor滤波器，(i，j)为子块中心坐标，N，M为子块大小。

步骤4、特征融合。

任何一种优秀的特征提取算法都不能百分之百充分提取纹理特征，尤其是虹膜特征中通常夹杂的有很多无效特征。虹膜纹理属于极复杂纹理，增强或去噪过程容易丢失很多图像的真实信息，因而产生错误特征。此外，填充的冗余特征值过多也是导致识别不准确的原因之一。基于以上考虑，将步骤3提取的原始特征进行筛选融合，形成可用的特征。

本发明方法中的奇对称2D Log-Gabor滤波器选取5个尺度，每个尺度选取8个方向，每个子块提供40个特征值，选取其中幅值较大的20个作为最有效特征。

特征融合具体步骤如下：

4.1)提取子块的幅值及相位。通过步骤3提取出(x，y)子块的特征值F_mn(x，y)后，通过式(9)和式(10)提取对应子块的幅值信息M_mn(x，y)和相位信息P_mn(x，y)：

$M_{\mathrm{mn}}(x,y)=\sqrt{F_{\mathrm{mn}}(x,y)\×\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}}---\left(9\right)$

$P_{\mathrm{mn}}(x,y)=\arctan \left(\frac{i\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}-F_{\mathrm{mn}}(x,y)}{\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}+F_{\mathrm{mn}}(x,y)}\right)---\left(10\right)$

其中

表示F_mn(x，y)的共轭函数。

4.2)融合特征。通过式(11)找到在m尺度下的幅值最大的n/2个方向序号s，由式(12)求得尺度和这些方向下的有效虹膜特征编码，h_r，h_i分别表示实部与虚部生成的1bit编码。

$s=\arg \underset{n}{\max }\left(M_{\mathrm{mn}}(x,y)\right)---\left(11\right)$

$\left\{\begin{array}{cc}(h_r,h_i)=\left(\mathrm{1,1}\right),& 0\≤P_{\mathrm{ms}}(x,y)\≤\mathrm{\π}/2\\ (h_r,h_i)=\left(\mathrm{0,1}\right),& \mathrm{\π}/2\≤P_{\mathrm{ms}}(x,y)\≤\mathrm{\π}\\ (h_r,h_i)=\left(\mathrm{0,0}\right),& \mathrm{\π}\≤P_{\mathrm{ms}}(x,y)\≤3\mathrm{\π}/2\\ (h_r,h_i)=\left(\mathrm{1,0}\right),& 3\mathrm{\π}/2\≤P_{\mathrm{ms}}(x,y)\≤2\mathrm{\π}\end{array}\right.---\left(12\right)$

通过特征融合公式，并非所有的特征点都参与比对识别，而通过特征融合，参与识别的量化特征点都是在区域范围内最具代表性的特征，从而最大限度的简化了特征数量，增加了识别效率。

步骤5、特征匹配分类。

特征匹配分类的过程就是识别过程，即将采集的图像与数据库中的虹膜图像进行比对，计算两个虹膜图像编码的“相似度”，然后把“相似度”值和一个固定的下限比较来判别这两个编码是否来自同一虹膜，达到最终的识别目的。

本发明引入基于纹理分布的加权海明距离用于特征匹配分类，特征匹配分类的具体步骤如下：

5.1)特征编码。首先，将特征区域分成32×8个子块，每个子块选取5个尺度和8个方向，得到20480bit数据；其次，经过步骤4特征融合，得到10240bit特征序列；之后，将该序列按照十六进制编码方式，每8位进行一次编码，就产生1280个字节的特征编码。

5.2)海明距离编码。海明距离(Hamming Distance，HD)可以作为衡量两个虹膜编码之间的相似度，两个虹膜编码之间的海明距离由式(13)得到：

$\mathrm{HD}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{A}_j\⊕B_j---\left(13\right)$

L表示整个虹膜编码的长度，A，B表示虹膜特征编码序列，j表示虹膜编码的第j位，A，B做异或计算，当A_j与B_j相同时为0，反之为1。

本发明方法利用基于纹理分布的加权海明距离进行计算：首先，按照式(13)求出每一个子带的海明距离h₁，h₂，……，h_n，n为子带个数，i越大，表示的子带h_i越靠近虹膜内边界，再由式(14)求解子带海明距离的加权和：

$\mathrm{WHD}=\frac{1}{n}(a_1{h}_1+a_2{h}_2+...+a_n{h}_n)---\left(14\right)$

式中加权因子满足：a₁＜a₂＜...＜a_n且a₁+a₂+...+a_n＝n。

对于同类虹膜，因各子带的海明距离基本相同，通过式(14)得到的加权距离与式(13)计算的海明距离基本一样，而对于不同类的虹膜，因靠外界子带的海明距离较靠内边界子带的小，结果得到的加权距离较海明距离的定义式距离大。因此，采用式(14)的加权海明距离后，虹膜的类间距会更大，从而有利于不同虹膜之间的区分。

5.3)选择海明距离阈值。通过上述步骤得到虹膜的海明距离编码后，需要通过匹配规律确定海明距离阈值。阈值的选择十分重要，它对识别算法的拒识率和误识率有直接的影响。由图5通过统计可以发现，不同虹膜图像的海明距离集中分布于0.4至0.5之间，相同虹膜的海明距离分布集中在0.15至0.35之间。选取介于0.35至0.4之间的阈值，对识别结果进行统计，可得误识率(FAR)与拒识率(FRR)在0.38处相等。因此，可确定0.38为海明距离阈值。

5.4)虹膜特征识别。确定阈值之后，对采集虹膜和虹膜数据库中样本的特征编码进行比较，如果其海明距离小于等于阈值，则认为是同一虹膜；反之，则认为是不同虹膜。

本发明提供了一种基于奇对称2D Log-Gabor滤波器的虹膜识别方法，针对长距离虹膜识别在实际应用中的需求，采用自适应的虹膜采集***，能够通过虹膜质量评估方法反馈的虹膜质量评估结果自动调整；同时对采集虹膜图像进行过滤，避免低质量虹膜图像对识别结果的影响；使用改进的基于奇对称2D Log-Gabor滤波器的特征提取方法，弥补了Log-Gabor滤波器与2D Log-Gabor滤波器由于角度方向带宽周期性变换而造成的月牙状缺陷；使用加权海明距离进行虹膜特征匹配与识别，保证了识别的高效性与鲁棒性。本发明方法突破了现有虹膜采集距离2米以内的限制，提高了长距离虹膜识别的准确性与可靠性。

实施例中，选用CASIA-IrisV3虹膜库包括249人共396只眼睛的2655幅虹膜图像样本和UBIRS虹膜库包括241人共246只眼睛的1877幅虹膜样本图像组建测试样本。UBIRIS虹膜库包含彩色图像，与CASIA灰度图不同，通过预处理模块后，UBIRIS的虹膜图像纹理表现稍差，主要原因在于毛细血管颜色与虹膜底色表现不够突出，再通过高斯滤波后，识别率不及CASIA库的识别效果。

对常用的2D Gabor算法、Log-Gabor复合滤波器算法和本发明方法对比试验进行比较，参照图6、图7与表1，是采用三种算法的虹膜识别***其错误接受率(FAR)、错误拒绝率(FRR)、等错误率(ERR)等性能指标对照表。

表1、采用三种算法的错误拒绝率、等错误率对照表

在对比实验中还发现，使用奇对称滤波器比使用偶对称滤波器识别性能提高4％-5％左右。虽然编码效果相类似，但匹配性能还是奇对称滤波器略高。使用奇对称滤波器比使用偶对称滤波类间匹配高0.04左右，比类内匹配高出0.02左右，造成这一现象的主要原因是虹膜纹理在局部频域分布更偏向于点对称，而不是线对称，对虹膜图像卷积后，有效编码比用线对称得到的有效编码多0.3-0.6。

Claims (4)

1.一种基于奇对称2D Log-Gabor滤波器的虹膜图像特征提取方法，其特征在于，该方法按照以下步骤实施：

步骤1、采集虹膜图像：采用自动变焦的摄像头作为虹膜采集设备，在卤光灯照射配合下，采集得到虹膜图像；

步骤2、虹膜图像预处理：

2.1)虹膜定位，通过水平与垂直灰度投影对虹膜圆心位置(x₀，y₀)进行粗定位，然后使用高斯梯度圆边缘检测算子分别进行虹膜内边缘和外边界的定位，假设I(x，y)是坐标为(x，y)处的眼睛图像强度，并且虹膜边缘的模型化圆心在(x₀，y₀)处，圆半径为r，则由式(1)求得圆心坐标与半径：

其中*代表卷积运算，

是以r₀为滤波器中心，σ为标准差的高斯函数；

2.2)虹膜图像质量评估；

2.3)虹膜归一化，将过滤评估合格的虹膜图像从笛卡尔直角坐标系归一化展开到极坐标系上，转化过程由式(2)得到：

$\left\{\begin{array}{c}x(r,\mathrm{\θ})=(1-r)x_0\left(\mathrm{\θ}\right)+r{x}_1\left(\mathrm{\θ}\right)\\ y(r,\mathrm{\θ})=(1-r)y_0\left(\mathrm{\θ}\right)+r{y}_1\left(\mathrm{\θ}\right)\end{array}\right.---\left(2\right)$

式(2)中，r∈[0，1]，θ∈[0，2π]，(x₀(θ)，y₀(θ))，(x₁(θ)，y₁(θ))分别代表在θ方向上的瞳孔和巩膜内、外边缘的边缘点；

步骤3、使用基于奇对称2D Log-Gabor滤波器的改进算法提取原始虹膜特征：

3.1)导出2D Log-Gabor滤波器函数，2D Log-Gabor定义在log极坐标下，函数表达由式(3)给出：

$G_{(s,t)}(\mathrm{\ρ},\mathrm{\θ})=\exp \left(\frac{-{(\mathrm{\ρ}-{\mathrm{\ρ}}_s)}^2}{2{\mathrm{\σ}}_{\mathrm{\ρ}}^2}\right)\exp \left(\frac{-{(\mathrm{\θ}-{\mathrm{\θ}}_{(s,t)})}^2}{2{\mathrm{\σ}}_{\mathrm{\θ}}^2}\right)---\left(3\right)$

$\left\{\begin{array}{c}{\mathrm{\ρ}}_s={\log }_{2}n-s\\ {\mathrm{\θ}}_{(s,t)}=\left\{\begin{array}{cc}\frac{\mathrm{\π}}{n_t}t& \mathrm{if\; s\; is\; odd}\\ \frac{\mathrm{\π}}{n_t}(t+\frac{1}{2})& \mathrm{if\; s\; is\; even}\end{array}\right.\\ ({\mathrm{\σ}}_{\mathrm{\ρ}},{\mathrm{\σ}}_{\mathrm{\θ}})=0.996(\sqrt{\frac{2}{3}},\frac{\mathrm{\π}}{\sqrt{2}{n}_t})\end{array}\right.$

式(3)中，(ρ，θ)为极坐标，以Log2为刻度，滤波器在多倍频范围内，n_s＝5是多分辨率的刻度数，n_t是方向数值，其范围在3-20之间，s∈{1，....，n_s}，t∈{1，....，n_t}，用来标记滤波器的频谱和方向，(ρ_s，θ_(s，t))为滤波器的坐标中心，(σ_ρ，σ_θ)为分别在ρ和θ下的带宽；

再将2D Log-Gabor滤波器从极坐标转换成直角坐标，经变换后的频域形式为：

$G(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)---\left(4\right)$

其中，

f₀为中心频率，σ_μ控制μ₁方向上的带宽，σ_v控制v₁方向上的带宽，θ为滤波器的方向，对于不同的中心频率f₀，σ_u/f₀及σ_v保持不变；

3.2)将2D Log-Gabor滤波器分解为二维奇对称滤波器函数，由式(5)求得：

$G^o(u,v)=\exp \left(\frac{-{\left(\ln (u_1/f_0)\right)}^2}{2{\left(\ln ({\mathrm{\σ}}_u/f_0)\right)}^2}\right)\×\exp \left(\frac{-v_1^2}{2{\mathrm{\σ}}_v^2}\right)\sin \left(2\mathrm{\π}{f}_0{u}_1\right);---\left(5\right)$

3.3)虹膜子块划分与特征提取，将归一化及增强后的虹膜纹理图像按滤波器大小划分为32×8个子块，并获取每一子块的特征值F_mn，由式(6)求得：

$F_{\mathrm{mn}}(i,j)=\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}I(i+x-\frac{N}{2},j+y-\frac{M}{2}){G_{\mathrm{mn}}}^o(x,y)---\left(6\right)$

其中G_mn ^o(u，v)为尺度为m、方向为n的奇对称2D Log-Gabor滤波器，(i，j)为子块中心坐标，N，M为子块大小；

步骤4、特征融合：

4.1)提取子块的幅值及相位，通过步骤3提取出(x，y)子块的特征值F_mn(x，y)后，通过式(7)和式(8)提取对应子块的幅值信息M_mn(x，y)和相位信息P_mn(x，y)：

$M_{\mathrm{mn}}(x,y)=\sqrt{F_{\mathrm{mn}}(x,y)\×\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}}---\left(7\right)$

$P_{\mathrm{mn}}(x,y)=\arctan \left(\frac{i\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}-F_{\mathrm{mn}}(x,y)}{\stackrel{\‾}{F_{\mathrm{mn}}(x,y)}+F_{\mathrm{mn}}(x,y)}\right)---\left(8\right)$

其中，

表示F_mn(x，y)的共轭函数；

4.2)融合特征，由式(9)找到在m尺度下的幅值最大的n/2个方向序号s，由式(10)求得尺度和这些方向下的有效虹膜特征编码，h_r，h_i分别表示实部与虚部生成的1bit编码：

$s=\arg \underset{n}{\max }\left(M_{\mathrm{mn}}(x,y)\right)---\left(9\right)$

$\left\{\begin{array}{cc}(h_r,h_i)=\left(\mathrm{1,1}\right),& 0\≤P_{\mathrm{ms}}(x,y)\≤\mathrm{\π}/2\\ (h_r,h_i)=\left(\mathrm{0,1}\right),& \mathrm{\π}/2\≤P_{\mathrm{ms}}(x,y)\≤\mathrm{\π}\\ (h_r,h_i)=\left(\mathrm{0,0}\right),& \mathrm{\π}\≤P_{\mathrm{ms}}(x,y)\≤3\mathrm{\π}/2\\ (h_r,h_i)=\left(\mathrm{1,0}\right),& 3\mathrm{\π}/2\≤P_{\mathrm{ms}}(x,y)\≤2\mathrm{\π}\end{array}\right.;---\left(10\right)$

步骤5、特征匹配分类：采用基于纹理分布的加权海明距离用于特征匹配分类，具体步骤如下：

5.1)特征编码：首先，将特征区域分成32×8个子块，每个子块选取5个尺度和8个方向，得到20480bit数据；其次，经过步骤4特征融合，得到10240bit特征序列；之后，将该序列按照十六进制编码方式，每8位进行一次编码，得到1280个字节的特征编码；

5.2)海明距离编码，将海明距离作为衡量两个虹膜编码之间的相似度，两个虹膜编码之间的海明距离由式(11)得到：

$\mathrm{HD}=\frac{1}{L}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{A}_j\⊕B_j---\left(11\right)$

L表示整个虹膜编码的长度，A，B表示虹膜特征编码序列，j表示虹膜编码的第j位，A，B做异或计算，当A_j与B_j相同时为0，反之为1；

利用基于纹理分布的加权海明距离进行计算：首先，按照式(11)求出每一个子带的海明距离h₁，h₂，……，h_n，n为子带个数，i越大，表示的子带h_i越靠近虹膜内边界，再通过式(12)求解子带海明距离的加权和：

$\mathrm{WHD}=\frac{1}{n}(a_1{h}_1+a_2{h}_2+...+a_n{h}_n)---\left(12\right)$

式中加权因子满足：a₁＜a₂＜...＜a_n且a₁+a₂+...+a_n＝n；

5.3)选择海明距离阈值，通过上述步骤得到虹膜的海明距离编码后，根据实验统计结果，确定0.38为海明距离阈值；

5.4)虹膜特征识别，采用上步确定的海明距离阈值，对采集虹膜和虹膜数据库中样本的特征编码进行比较，如果其海明距离小于等于阈值，则认为是同一虹膜；反之，则认为是不同虹膜。

2.根据权利要求1所述的方法，其特征在于：所述步骤(2.2)中，虹膜图像质量评估，具体步骤如下：

2.21)反馈评估，首先对采集图像的亮度和模糊程度进行评估，令Q_Light、Q_Blur分别表示亮度、模糊两个评估结果，则反馈的评估结果Q_feedback为：

Q_feedback＝Q_Light+Q_Blur         (13)

2.22)过滤评估，通过步骤2.21)将采集装置调节到最佳状态后，使用式(14)的评估结果Q_iris对采集的虹膜图像进行过滤，将不符合质量要求的图像滤除，剩下的虹膜图像进入下一步处理，

Q_iris＝E_Bright×Q_Bright+E_Eyelid×Q_Eyelid+E_Eyelash×Q_Eyelash+E_Loc×Q_Loc    (14)

其中，Q_Bright、Q_eyelid、Q_eyelash和Q_Loc分别是光斑、眼睑遮挡、睫毛遮挡和虹膜定位的评估结果，E_Bright、E_Eyelid、E_Eyelash和E_Loc分别为光斑、眼睑遮挡、睫毛遮挡和虹膜定位评估结果的权值因子，每个权值因子取值范围区间为[0，1]，且E_Bright+E_Eyelid+E_Eyelash+E_Loc＝1。

3.根据权利要求1所述的方法，其特征在于：所述步骤(3.1)中，n_t是方向数值，优选值为8，属于8方向滤波器。

4.根据权利要求1所述的方法，其特征在于：所述步骤4中，奇对称2D Log-Gabor滤波器选取5个尺度，每个尺度选取8个方向，每个子块提供40个特征值，选取其中幅值较大的20个作为最有效特征。

Images