马 争

(电子科技大学通信与信息工程学院 成都 610054)

稳健的虹膜定位算法

马 争

(电子科技大学通信与信息工程学院 成都 610054)

虹膜定位是虹膜识别的第一步，同时也是最为关键的一步，它将直接影响整个虹膜识别系统的效率和准确率。针对目前已有虹膜定位算法的局限性，该文提出了一种新的基于多分辨率理论的虹膜定位算法。该算法首先在某一分辨率下搜索虹膜内外缘的边界点，然后针对这些边界点进行椭圆曲线拟合。通过大量的实验表明，该算法快速、准确，并能够在一定程度上解决偏视虹膜图像的定位问题和眼睑、睫毛的遮挡问题。

曲线拟合; 多分辨率分析; 尺度函数; 小波分析

虹膜识别技术是一种高性能的生物特征鉴别技术，一个高性能的虹膜识别系统原型于1993年成功实现[1]。文献[2-3]提出了两种较为经典的虹膜识别算法。到目前为止，已有超过五千万人在文献[1]开发的虹膜识别系统中进行注册，而其他研究机构对虹膜识别方法的研究发展也非常迅速。

虹膜是指位于瞳孔和巩膜之间的环状物质，呈现出类似于冠、细丝、斑点和条纹等特征[1]。虹膜定位是指准确地找出虹膜内缘和外缘的位置，其结果直接关系到识别的速度和准确率。较为经典的算法有文献[1]提出的基于灰度梯度的定位算法和文献[2]提出的基于Hough变换的定位算法，但两种算法定位耗时都较长。之后有许多改进算法文献[4-9]相继提出。在文献[4-5]中，提出通过粗定位缩小精定位搜索范围以提高定位速度的方法。文献[6]提出通过降噪方法去除眼睑和睫毛边界点的干扰，以缩短Hough变换定位圆时的搜索时间和准确率。文献[10]提出采用多尺度边缘检测和Hough变换相结合的方法进行虹膜定位。虽然，这些改进算法在很大程度上提高了定位速度，但在定位有部分睫毛遮挡的低质量虹膜图像时表现得不稳定。文献[7]中提出的非线性拟合结合交叉参考的迭代虹膜定位算法，通过不断舍弃随机噪声和边缘毛刺点提高了定位的低质量虹膜图像的稳定性，可是由于需要不断更新迭代，耗时较长。另外，由于上述算法都是基于对虹膜内外边缘圆模型的假设，所以无法解决偏视情况下虹膜图像的定位问题。为此，本文提出了一种新的基于多分辨率分析(MRA)的虹膜定位算法。该算法将睫毛和虹膜边缘认为是分布在不同频段的图像信息，从而选择合适的频段进行虹膜边界点的搜索，并对边界点进行椭圆拟合定位虹膜。通过试验证明该算法能在一定程度上抑制部分睫毛和眼睑的遮挡，解决偏视虹膜图像的定位问题。

1 瞳孔粗略中心搜索

瞳孔粗略中心搜索是指粗略确定瞳孔区域的位置。本文在原始虹膜图像的二值图像上进行瞳孔粗略中心搜索，如图1所示。首先，根据图像整体灰度的分布范围选择合适的阈值对原始虹膜图像进行二值化操作。由于拍摄时往往会在瞳孔上形成光斑，所以采用文献[15]中的填充方法对二值化后的图像进行填充，结果如图1b所示。可以看到，填充后的二值化图像，瞳孔区域呈现为黑色，其对应灰度值为0，是整幅图像中灰度值最低的区域，其他区域几乎为白色。之后，统计像素灰度和最小的列和行所在的横坐标xo和纵坐标yo：

图1 二值化

2 虹膜内缘定位

虹膜的内缘是指瞳孔的边缘，该边缘梯度变化明显，而且一般不存在眼睑和睫毛的遮挡问题，比较容易定位。在进行定位之前，根据文献[15]中的方法进行光斑填充，以保证定位的准确性。接着，任取瞳孔中心附近纵坐标为y的一行像素点的灰度值序列Sy，其灰度曲线如图2a所示，横坐标表示像素点的水平位置，单位为像素，纵坐标为像素的灰度值。之后作相邻5个像素的灰度差分曲线dSy：

图2 虹膜边界点的搜索分类

根据二值图像瞳孔区域的范围，选取瞳孔粗略中心附近的若干行，按照上面的方法，可以得到一系列瞳孔边界点的坐标由于瞳孔边缘相当明显而且不易受到睫毛遮挡的干扰，所以搜索出的边界点已经非常准确，可以直接采用最小二乘方法进行曲线拟合定位内缘。瞳孔的边缘在正视拍摄情况下是一个近似圆，在偏视拍摄情况下该圆形变为椭圆。椭圆的一般方程为：

式中 (xc,yc)为椭圆中心坐标；A、B分别为椭圆长、短轴。式(4)的等价形式为：

3 虹膜外缘定位

由于虹膜外缘不如虹膜内缘的灰度变化明显，且虹膜的外缘通常存在睫毛遮挡，所以虹膜的外缘定位较内缘定位而言要困难很多。通过分析发现，虹膜外边缘和睫毛是虹膜图像中不同分辨率下的细节特征。睫毛边缘较为尖锐，一般体现在高频细节分量中，虹膜外边缘较为平缓，一般体现在中频细节分量中。只提取中频细节分量进行虹膜外缘边界点搜索，就可以在一定程度上抑制睫毛的遮挡问题。为此，本文引入多分辨率分解[11-12]提取虹膜外边缘边界点。为突出虹膜外边缘灰度值的变化，将上面的离散灰度值序列Sy的瞳孔区域像素点灰度值替换为虹膜区域的灰度近似值，该灰度近似值通过计算瞳孔边缘以外附近区域的均值得到，最后得到′的离散小波变换形式为[13]：

根据多分辨率的思想[11]，在图像中，边缘处对应着相应频段下细节分量的较大幅值，可以在较粗的分辨率下进行边界点搜索，在较细的分辨率下进行边界点定位。通过试验分析，本文采用DMeyer小波进行多分辨率分解，提取在分辨率为2−6时的细节分量，如图2c所示，可很容易地在瞳孔左边界点lp以左的区域搜索到离该点最近的一个幅值较大的谷值点li′，同样可在瞳孔右边界点rp的右侧区域搜索到离该点最近的一个幅值较大的谷值点ir′，分别作为虹膜在纵坐标为y时的近似边界点。之后再在更细的分辨率2−5下定位虹膜边界点。搜索离li′和ir′最近的谷值点，于是得到了虹膜的精确外边界点li和ir。按照类似的方法，取瞳孔中心附近的若干行，进行虹膜外边界点的搜索，可以得到一系列的外边界点。由于边界点的搜索是在分辨率为2−6和2−5下进行的，也就是对中频细节分量进行的，所以有效地避免了睫毛等高频成分的干扰。该方法能准确搜索出边界点，无需再进行舍弃非边缘点的迭代操作[8]，从而大大提高了定位的效率。另外，基于多分辨率的定位算法，不是依靠图像的灰度信息或灰度梯度信息，从而不易受光照条件变化的影响，对于定位不同光照条件下拍摄的虹膜图像都表现得相当稳定。最后对上面得到的边界点采用最小二乘方法进行椭圆拟合，可以精确地拟合出虹膜的外缘所在椭圆的中心Q(xq, yq)，长、短轴 Aq、 Bq及旋转角度θq。

4 实验结果

在仿真实验中，本文采用CASIA version 2.0和CASIA version 3.0-Twins标准虹膜库的虹膜图像进行算法有效性测试。CASIA version 2.0包含60个人的1 200幅虹膜图像，每人采集20幅图像，每位被采集者的前后10幅虹膜图像的采集时间间隔为40天。CASIA3.0-Twins虹膜数据库包含来自100对双胞胎的3 183图像，图像格式都为8 bit、256灰度级的灰度图像，分辨率为640×480。测试的环境是主频为3.98 GHz的双核CPU(1.99 GHz/单核)、内存为2 G DDR的电脑，仿真环境为Matlab 6.5。图3中给出了两幅虹膜图像的定位结果，一幅是存在睫毛遮挡的虹膜图像，另一幅是存在偏视问题的虹膜图像。正如本文前面介绍的一样，本文算法可以在一定程度上抑制睫毛遮挡，解决偏视拍摄情况下的虹膜图像定位，对低质量的虹膜图像也表现出稳定的性能。

图3 虹膜定位结果

在表1中，给出了采用本文算法与文献[1]和文献[2]的定位算法，以及文献[6,8]中的算法对不同虹膜数据库进行定位的准确率对比试验的结果。为了进一步证实本文算法的可行性，体现定位精确度对后面匹配结果的影响，本文在虹膜定位部分采用上面的5种不同算法，而在编码与匹配部分采用相同的Gabor编码和汉明距离匹配算法。可以看出，采用本文算法，有利于降低等错误率EER，证明其定位精度更高。另外，从定位时间看，本文采用了曲线拟合算法，从而避开了传统算法的反复迭代搜索[8]，提高了算法效率。

表1 采用不同定位算法的识别结果

5 结 论

虹膜定位算法作为虹膜识别的关键部分，直接关系到整个虹膜识别算法的性能。本文提出的基于多分辨率理论的虹膜定位算法，新颖、快速、准确。与其他定位算法相比，一个突出的优点就是在一定程度上可以抑制睫毛的遮挡问题，解决偏视虹膜图像的定位问题，对质量较差的虹膜图像也表现出了良好的性能。

[1]DAUGMAN J G. High confidence visual recognition of persons by a test of statistical independence [J]. IEEE Trans Pattern Anal Machine Intel, 1993, 15(11): 1148-1161.

[2]WILDES R P. Iris recognition: an emerging biometric technology[C]//Proceeding of the IEEE. Piscataway, NJ,USA: IEEE Press, 1997, 1348-1363.

[3]BOLES W W A security system based on human iris identification using wavelet transform[J]. Engineering Applications of Artificial Intelligence, 1998, 11(2): 77-85.

[4]REN Xin-ying, PENG Zhi-yong, ZENG Qing-ning. An improved method for Daugman’s iris localization algorithm[J]. Computers in Biology and Medicine, 2008, 38(1):111-115.

[5]BASIT A, JAVED M Y. Localization of iris in gray scale images using intensity gradient[J]. Optics and Lasers in Engineering, 2007, 45(12):1107-1114.

[6]HE Xiao-fu, SHI Peng-fei. A new segmentation approach for iris recognition based on hand-held capture device [J].Pattern Recognition, 2007, 40(4): 1326-1333.

[7]胡正平, 张 晔, 王成儒. 非线性拟合结合交叉参考的迭代虹膜定位方法[J]. 计算机辅助设计与图形学学报, 2004,16(3): 297-300.

HU Zheng-pin, ZHANG Ye, WANG Cheng-ru. Iris iterative location using nonlinear data fitting and cross-reference[J].Journal of Computer-Aided Design& Computer Graphics,2004, 16(3): 297-300.

[8]CUI Ja-li, WANG Yun-hong, TAN Tie-niu. A fast and robust iris localization method based on texture segmentation[C]//Proceeding of SPIE. Bellingham, WA: [s.n.]2004, 401-408.

[9]张鹏飞, 李德胜, 王 祁, 一种快速虹膜定位算法的研究[J]. 光电子·激光, 2005, 16(8): 997-999.

ZHANG Peng-fei, LI De-sheng, WANG Qi. Research on a fast iris localization algorithm[J]. Journal of Optoelectronics Laser, 2005, 16(8): 997-999.

[10]NABTI M, BOURIDANE A. An efficient and fast iris recognition system based on a combined multiscale feature extraction technique[J]. Pattern Recognition, 2008, 41(3):868-879.

[11]MALLAT S G. A theory for multi-resolution signal decomposition: the Wavelet representation[J]. IEEE Trans Pattern Anal Machine Intel, 1989, 11(7): 674-693.

[12]SHENSA M J. The discrete wavelet transform: wedding the a trous and Mallat algorithms[J]. IEEE Trans Signal Processing, 1992, 40(10): 2464-2482.

[13]RIOUL O. A discrete-time multi-resolution theory[J]. IEEE Trans Signal Processing, 1993, 41(8): 2591-2606.

[14]BAI Er-wei. Outliers: inliers and the squares estimator in generalized least trimmed system identification[J]. Journal of Control Theory and Application, 2003, 1: 7-27.

[15]SOILLE P. Morphological image analysis: principles and applications[M/OL]. [2009-04-12]. http://www.springer.com/engineering/signals/book. 1999, 173-174.

编 辑 张 俊

Robust Iris Localization Algorithm

MA Zheng

(School of Communication and Information Engineering, University of Electronic Science and Technology of China Chengdu 610054)

Iris localization is the most critical step of an iris identification system. Since it determines the accuracy and efficiency of the system. To improve its accuracy and efficiency, we proposed a new iris localization algorithm based on Multi-resolution analysis to detect the edge points of iris at one appropriate resolution and set ellipses to these edge points. The most important merit of this algorithm is that it is seldom affected by lash occlusion problem and can localize the off-angle iris image.

curve fitting; multi resolution analysis; scaling function; wavelet analysis

TP391.41

A

10.3969/j.issn.1001-0548.2010.05.024

2009- 05- 06;

2009- 12- 18

国家自然科学基金(60472046)；广东省教育部产学研项目(408NCXY01)

马 争(1957- )，男，教授，博士生导师，主要从事数字图像处理、信息系统安全技术及其应用方面的研究.