张 攀，张 莲，陈大孝，李云昊

(重庆理工大学 电气与电子工程学院，重庆 400054)

基于改进Hamming距离的虹膜识别算法

张 攀，张 莲，陈大孝，李云昊

(重庆理工大学 电气与电子工程学院，重庆 400054)

针对虹膜特征匹配速度较慢的问题，提出了一种改进的Hamming距离算法来缩短匹配的时间。传统的特征匹配是采用8次移位比对的方式，选择其中最小的一次Hamming距离与阈值进行比较,这种方法会带来计算量的增加，影响实时性。为此提出一种新的方法。在进行特征移位比对的同时，将每次得到的Hamming距离与阈值进行比较，若小于阈值，则结束移位比对，判定这2个虹膜来自同一采集者；若不小于阈值，则继续移位比对，直到移位8次为止。在mini2440开发板上，使用CASIA虹膜数据库对该算法进行了大量的实验。结果表明：该方法比传统的Hamming距离匹配法更快，并且准确率有所提高，说明该方法可行有效。

特征匹配；Hamming距离；移位比对；CASIA虹膜数据库

随着社会信息的逐步发展，传统的身份识别方法已经远远不能满足高可靠性的要求，人们必须寻求一种更为安全可靠、使用方便的身份识别新途径，生物特征识别技术应运而生。虹膜识别是新世纪最具有发展潜力的一种生物特征识别技术，它具有非常高的准确率和稳定性，比人脸识别、指纹识别等许多生物特征识别表现得更为突出，具有许多先天优势，是其他生物特征识别技术无法比拟的[1]。

虹膜位于人眼瞳孔与巩膜之间的环形区域，它是从胚胎期的第3个月起开始发育，到第8个月时，虹膜的主要纹理已经形成，只要不经历很大的眼科手术，虹膜的纹理结构终生不会变化[2]。虹膜具有高达266个独立的量化特征，任意两幅虹膜图像代码完全相同的几率为零，即使是双胞胎或者是同一个人的左、右眼得到的虹膜代码都是毫不相关的，这也是虹膜识别引人注目之处。近些年来，虹膜识别技术得到了快速进步，并且越来越受到广泛的重视。

虹膜识别算法主要包括虹膜图像预处理、特征提取以及特征匹配等步骤，其系统框图如图1所示。传统的特征匹配是采用经典的Hamming距离方法，该方法是将待识别特征与虹膜数据库特征逐一比对，通过8次移位比对来消除虹膜旋转和噪声带来的干扰，这种方法会造成特征模板比对的次数过多，导致时间较长。本文提出一种新的特征匹配方法：在进行特征移位比对时，将每一次比对的结果与分类阈值进行比较，当某次比对的结果值小于阈值时停止比对；否则将继续移位比对，直到移位8次为止。

1 硬件环境

本文的虹膜识别是在mini2440开发板上实现的。mini2440采用的是ARM公司的S3C2440微处理器，有专门的USB摄像头接口，支持linux操作系统，可以进行图像用户界面的设计，是一种具有低功耗高效率的开发平台。mini2440实物如图2所示。

图1 虹膜识别系统框图Fig.1 Diagram of the iris recognition system

图2 mini2440实物Fig.2 mini2440 physical figure

2 虹膜图像预处理

虹膜图像预处理通常包括图像增强、边缘定位以及归一化等步骤。

2.1 图像增强

在虹膜图像采集过程中，由于受到人眼与采集装置距离的变化以及光照不均匀等因素存在，将会影响虹膜的边界定位以及有效特征的提取，降低虹膜识别的准确率[3]。为了消除上述因素的影响，首先对虹膜图像进行图像增强。常用的图像增强技术主要有平滑滤波、图像锐化和直方图均衡化处理等。由于直方图均衡化能更好地突出虹膜纹理信息，提高虹膜对比度，因此本文选用直方图均衡化对图像进行增强处理，如图3所示。

图3 图像增强效果图Fig.3 Image enhancement effect

2.2 虹膜边缘检测及定位

虹膜位于瞳孔和巩膜之间的环形区域，纹理信息十分丰富。为了较好地获得虹膜区域，需要将虹膜内外边缘检测出来，然后进行分割。根据Prewitt算子边缘检测方法具有过滤伪边缘、抑制噪声等优点，本文选用Prewitt算子进行边缘检测，为虹膜边缘定位提供良好的条件。

虹膜定位是指通过各种技术方法求出虹膜的内外边界参数，进而分割出虹膜区域[4]。常用的虹膜定位技术有Hough变换法和基于微积分的虹膜边界定位算法。Hough变换的优点是适于检测已知形状的目标，需要有一定的先验知识，只要图像边缘足够清晰，就能获得二值边界点的坐标。Hough变换就可以有效地定位目标边界。虹膜内外边缘是近似的圆环形状，从瞳孔、虹膜到巩膜，图像灰度值呈阶梯上升变化，在区域过渡处有一定的梯度变化，具有边缘特征，因此选用Hough变换来完成虹膜定位。边缘检测及定位如图4所示。

2.3 归一化

在采集到的虹膜图像中，由于虹膜大小不可能完全一致，并且存在旋转的情况，因此需要对虹膜进行归一化，将虹膜区域调整到固定的尺寸。归一化的目的就是消除虹膜因缩放和旋转造成的影响。

图4 虹膜定位Fig.4 Iris localization

通常情况下，虹膜的内外边界可以近似看作同心圆，两者的圆心有一定的偏离。即使如此，通过一般性研究，虹膜的内外边缘都能以瞳孔中心为极点的极坐标形式展开，以瞳孔中心作为圆心，将环形的虹膜区域转换为矩形区域[5]。虹膜归一化的效果如图5所示。转换关系如式(1)所示，其中：r∈[0,1]；θ∈[0,2π]；(xi(θ),yi(θ))和(xo(θ),yo(θ))分别为瞳孔边界和虹膜外边界的坐标向量。通过式(1)可将虹膜图像中的每一点全部映射到极坐标(r,θ)中，在极坐标平面上获得归一化虹膜图像。

(1)

图5 虹膜归一化效果Fig.5 The normalized iris rendering

3 虹膜特征提取及编码

二维Gabor滤波器有着优良的滤波性能，并有着与生物视觉系统相近的特点，具有易于调谐的方向和径向频率带宽以及易于调谐的中心频率，能在时域和频域同时达到最佳的分辨率[6]。二维Gabor滤波器的形式为

(2)

(3)

4 虹膜特征匹配

4.1 支持向量机(SVM)

虹膜特征识别实质上是一个分类问题。SVM针对二类分类问题具有很好的效果。SVM的原理是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分问题转化为在特征空间中的线性可分问题。为了避免升维造成计算的复杂化，SVM方法应用核函数展开定理巧妙地解决了这个难题。本文选用了文献[5]中的核函数来对虹膜特征进行分类。

4.2 Hamming距离(HD)

虹膜特征匹配最常用的方法是Hamming距离法，Hamming距离可以计算二值模板之间的匹配程度，通过按位比较两个模板上对应位的编码是否一致，将不一致的位数占总模板位数的比例作为这两个模板之间的Hamming距离，距离越小表明两个模板越匹配[8]。根据同一虹膜之间的HD值与不同虹膜之间的HD值统计分析，选定一个分类阈值。若HD值小于分类阈值，则认为这两个虹膜是来自同一个人，否则来自不同的人。

Hamming距离的表示如式(4)所示，其中：Ai和Bi分别表示待识别和虹膜数据库中的第i位特征编码；N为编码总长度；⊕表示异或运算。当Ai和Bi相同的时候为0，不同的时候为1。因此，两个特征模板相似度越高，HD值越小。

(4)

4.3 移位比对法

由于头部的倾斜或者眼球的转动会造成虹膜的旋转，虹膜从圆环状归一化到矩形区域之后，虹膜旋转对应着矩形区域的平移。为了消除虹膜旋转造成的影响，在特征匹配的时候需要对待识别特征模板进行移位比对。传统的特征匹配都是采用8次移位比对的方法。移位8次对应着虹膜旋转角度大概为16°。正常情况下，人眼旋转的角度都在这个范围以内[9]。这里提到的移位8次实质上要比对17次，分别是向左移位8次和向右移位8次，再加上不进行移位的情况。将每一次移位的特征模板分别与虹膜数据库模板相比较，最后取这17次中最小的匹配值作为HD值。在大多数情况下，人眼旋转的角度都比较小，如果每次都采用8次移位比对，将会造成比对次数的浪费，降低虹膜识别的实时性。

针对虹膜特征比对次数浪费的问题，本文提出一种新的比对方法，在进行特征移位比对时，将每一次比对的HD值与分类阈值进行比较，若HD值小于分类阈值，就认为这两个虹膜来自同一个人，于是停止比对；否则继续移位比较下去，直到移位8次为止。由于这种方法比对的次数小于或者等于传统的比对次数，因此会缩短匹配的时间，并且不会影响虹膜识别率。

5 实验结果

5.1 实验数据的获取

由于虹膜图像的获取对摄像头像素的要求较高，本研究选用了中科院CASIA虹膜数据库中的1 000张虹膜图像，在嵌入式mini2440开发板上进行了实验。这1 000张图像分别来自50个采集者的20张同一只眼睛图像。分别对这些虹膜图像进行类内匹配和类间匹配，得到大量的同一采集者虹膜之间的HD值和不同采集者虹膜之间的HD值，如表1和表2所示。由于数据较多，表中只列出7个人(A、B、C、D、E、F、G)的虹膜数据各7例以及7个不同人的虹膜数据各1例。分析表1和表2的数据可知：选取分类阈值为0.35可以准确区分该虹膜数据库中2幅虹膜是否来自同一个人。

表1 同一采集者的虹膜匹配的HD值Table 1 Iris matching HD value of the same gatherer

表2 不同采集者的虹膜匹配的HD值Table 2 Iris matching HD value of different gatherers

5.2 结果分析

通过表1和表2选定出虹膜识别的分类阈值，分别用传统的8次移位比对法和本文方法对以上1 000张虹膜图像之间相互进行特征匹配。通过匹配的时间和准确率这两个指标来评价性能的好坏。经过多次实验，得到这两种方法的实际移位比对次数，分别计算出这两种方法的平均时间和准确率，如图6所示。图6中横轴表示移位比对的次数；纵轴表示比例。由图6得知：本文方法大多数的特征匹配在移位3次到7次之间就已经识别出结果，而传统特征匹配方法是固定移位8次，可见本文方法有效地减少了匹配次数。表3给出了本文方法与传统方法以及文献[5]方法的性能对比。由表3可知，相比传统方法，本文方法准确率更高，并且时间更短，与文献[5]的准确率相等，但是缩短了时间。

图6 实际移位比对次数的比例Fig.6 The actual displacement ratio on the proportion of the number表3 传统方法、文献5、本文方法性能的对比Table 3 The traditional method,the performance of the method of literature 5, this article contrast

性能传统方法文献[5]方法本文方法平均时间/s0.4750.3280.296准确率/%99.6599.9899.98

6 结束语

传统的虹膜特征匹配都是采用8次移位比对的方法来确定HD值，移位数为8表示要进行17次虹膜特征比对。由于人的头部倾斜一般不会太大，8次移位往往会造成比对次数的浪费。本文提出改进的特征匹配方法，将每次移位比对的HD值与分类阈值进行比较来决定是否继续移位，因此有效地减少比对次数，缩短了匹配时间。该方法对各种生物识别技术都会起到一定的作用，能够改善生物识别的实时性，具有较大的意义。在mini2440开发板上的大量实验结果表明：本文方法不仅缩短了匹配时间，而且较传统方法准确率更高，说明这种改进的方法比较理想。

[1] 李凯.虹膜识别技术在移动终端中的应用[J].网络安全技术与应用，2015,3:84-86.

LI Kai.Iris recognition technology in the mobile terminal application[J].Journal of network security technology and applications,2015,3:84-86.

[2] 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,2015:1-4.

CAO L Y.Research and implementation of iris feature extraction and matching algorithm[D].Changchun:jilin university,2015:1-4.

[3] 王成儒,胡正平.基于几何特征的虹膜定位算法[J].中国图像图形学报,2013,8(A):683-685.

WANG Chengru,HU Zhengping.Iris location algorithm based on geometric features[J].Chinese journal of image and graphics,2013,8 (A):683-685.

[4] 涂娟,王海滨,曹林,等.基于 Hough 变换的快速虹膜识别算法研究[J].电视技术,2014,38(19)：211-215.

TU Juan,WANG Haibin,CAO Lin,et al.Rapid iris recognition algorithm based on Hough transform research[J].Journal of TV technology,2014,38 (19) 211-215.

[5] 张震,张英杰.基于支持向量机与Hamming距离的虹膜识别方法[J].郑州大学学报,2015,36(3):25-29.

ZHANG Zhen,ZHANG Yingjie.Iris recognition based on support vector machine and Hamming distance method[J].Journal of Zhengzhou University,2015,4 (3):25-29.

[6] 张升斌,李吉成,陈小波.基于SIFT特征及改进Gabor滤波器的低质量指纹增强算法[J].重庆理工大学学报,2013,27(2):79-83.

ZHANG Shenbin,LI Jicheng,CHEN X B.Based on SIFT features and improve the Gabor filter of low quality fingerprint enhancement algorithm[J].Journal of Chongqing University of Science and Technology,2013,27(2):79-83.

[7] WANG Q,ZHANG X D,LI M Q,et al.Adaboost and multi-orientation 2D Gabor-based noisy iris recognition[J].Pattern Recognition Letters,2012,33(8):978-983.

[8] ASMAA I.Ismail.Efficient enhancement and matching for iris recognition using SURF[J].Institute of Electrical and Electronics Engineers Inc,2015,34(7):1-5.

[9] 许威,权芳芳,姜媛媛,等.改进的算法在虹膜识别中的应用研究[J].计算机技术与发展,2013(3):34-37.

XU Wei,QUAN Fangfang,JIANG Yuanyuan,et al.The improved algorithm in the application of iris recognition study[J].Computer technology and development,2013(3):34-37.

(责任编辑 杨文青)

Iris Recognition Algorithm Based on Improved Hamming Distance

ZHANG Pan,ZHANG Lian,CHEN Da-xiao,LI Yun-hao

(College of Electrical and Electronic Engineering,Chongqing University of Technology, Chongqing 400054, China)

Aiming at the problem that iris feature matching speed is slow, the research puts forward a kind of improved Hamming distance algorithm to shorten the time of the match. Traditional feature matching is 8 times shift ratio on the way, the study chooses the smallest Hamming distance compared with the threshold value at a time. This approach leads to the increase of the amount of calculation and affects the real-time performance. This paper proposes a new method, in characterizing the shift than at the same time; it will compare the obtained Hamming distance every time with threshold. If the result is less than the threshold, it will determine the two from the same iris template picker, and finish shifting. If not less than the threshold, then it will continue to shift, until the shift 8 times. On the embedded mini2440 development board, the use of a large number of CASIA iris database is carried out to verify the algorithm, and the results show that this method is faster than the traditional Hamming distance matching method; besides, the accuracy is improved, which shows that the method is feasible and effective.

feature matching; Hamming distance; shift ratio; CASIA iris database

2016-11-07

国家自然科学基金资助项目(61402063)；重庆高校优秀成果转化资助项目(KJZH14213)

张攀(1991—)，男，湖北荆州人，硕士研究生，主要从事模式识别与图像处理研究,E-mail: 840653256@qq.com；张莲(1967—)，女，重庆人，硕士，教授，主要从事模式识别及检测与控制技术研究。

张攀，张莲，陈大孝，等.基于改进Hamming距离的虹膜识别算法[J].重庆理工大学学报(自然科学)，2017(1):118-123.

format：ZHANG Pan,ZHANG Lian,CHEN Da-xiao,et al.Iris Recognition Algorithm Based on Improved Hamming Distance[J].Journal of Chongqing University of Technology(Natural Science)，2017(1):118-123.

10.3969/j.issn.1674-8425(z).2017.01.019

TP391

A

1674-8425(2017)01-0118-06