郭慧杰 王超楠 杨倩倩 韩一梁 杨 昆

（北京无线电计量测试研究所，北京100039）

1 引 言

研究表明，虹膜识别是最精确的、最稳定的、最难伪造的和处理速度最快的生物特征识别技术［1］。但是由于虹膜尺寸很小，并且易受到光斑、眼皮、睫毛等噪声干扰［2］，而且在远距离识别场景中，由于用户形态各异，虹膜图像易产生变形，因此如何获取到一定数量的、稳定有效的虹膜特征并进行准确分类，是虹膜识别的关键和难点［3］。 目前典型的虹膜特征提取和匹配方法存在以下缺点。

1）没有对提取的虹膜特征进行有效地评估和筛选，虹膜特征中存在不稳定的干扰特征，增加了虹膜分类的难度，降低了虹膜识别的准确率［4］；

2）没有充分利用虹膜注册模板和识别样本之间的相关性，稳定的虹膜特征没有得到增强，不稳定的虹膜特征没有得到抑制，难以提升虹膜识别的准确率［5］；

3）选取固定的阈值进行特征匹配，进一步加剧了不稳定特征造成的影响，使正确分类的置信度降低，不利于虹膜识别准确性和鲁棒性的提升［6，7］。

因而，需要提供一种稳定的虹膜特征提取与匹配方法，解决不稳定特征和固定阈值严重影响虹膜识别准确率的问题。 本文通过分别在虹膜注册端生成增强型的特征模板和在虹膜识别端获取稳定的特征样本，并根据自适应的风险预测动态确定分类判别阈值，提出一种稳定的虹膜特征提取与匹配方法，从而有效增强虹膜识别的准确性和鲁棒性。

2 算法描述

一种稳定的虹膜特征提取与匹配方法，通过在虹膜注册时以序列图像特征点筛选和强特征分类器构建获得增强型虹膜特征模板，在虹膜识别时以多样本特征映射与融合生成稳定的样本特征图，以及利用基于自主设计的主特征保持与交变相位检测算子和自适应风险预测相似度判别阈值决策的特征提取与匹配的方法，有效提升虹膜识别的准确性和鲁棒性。 该方法的具体步骤如下。

2.1 定义特征检测算子

设计主特征保持与交变相位检测算子，对归一化的虹膜图像进行边缘检测和特征提取。 通过自定义虹膜主特征保持算子Fm，检测虹膜主要的边缘特性，并抑制其平滑特性。

设归一化虹膜图像为I（x，y），x∈［1，2，…，w］，y∈［1，2，…，h］，w、h 分别表示图像的宽和高，虹膜边缘特性图像Im（x，y）为

式中：x∈［1，2，…，w］，y∈［1，2，…，h］。

通过自定义虹膜交变相位检测算子Fp，检测虹膜角度方向边缘的相位变化，提取稳定的虹膜特征，

虹膜特征图像为IF（x，y）

式中：x∈［1，2，…，w］，y∈［1，2，…，h］。

设虹膜特征卷积核为CF

则有，

2.2 构建增强型特征模板

在虹膜注册端，利用序列虹膜图像构建强特征分类器，生成增强型虹膜特征模板。

虹膜注册时，采集n 幅符合质量要求的归一化虹膜图像Ii，i ＝0，1，…，n－1，按照小波高频系数谱加权能量和由高到低排序Ii

式中：WT——小波变换；Wa，Wh，Wv，Wd——小波低频、水平高频、垂直高频和对角线高频系数谱；Ei——加权能量和；α，β，γ——加权系数。

对Ii进行特征提取，得到序列特征图像IFi（i ＝0，1，…，n－1）为

Mi为与其对应的特征掩模图像，值为1 的点表示相应位置为稳定特征，值为0 的点表示相应位置为不稳定特征，已被噪声或其他干扰污染。

以IF0为基准特征图像，归一化特征图相似度为判据，计算其他特征图像与基准特征图像的归一化相似度sim 为

式中：sim∈［0．0，1．0］；‖·‖2——矩阵的2 －范数；shift——特征图比对移位位数，正号表示右移，负号表示左移。 移位比对能抗虹膜旋转干扰，获得两幅比对特征图的最大相似度。

从j ＝1 至j ＝n－1，逐幅迭代特征图，构建强特征分类器

式中：j ＝1，2，…，n －1。 当基准特征图像与比对特征图像的相似度不等于1．0 时，修正不匹配特征点的掩模标记，更新M0，将其对应点元素置0，直到最后一幅比对特征图像迭代完成，所有特征图像的相似度均等于1．0，得到特征掩模图MF为

生成的增强型虹膜特征模板为IT＝｛IF0； MF｝。

2.3 获取稳定的特征样本

在虹膜识别端，根据多样本的特征映射与融合，生成稳定的虹膜样本特征图。

虹膜识别时，捕获m 幅符合质量要求的归一化虹膜样本图像Pi，i ＝0，1，…，m －1，按照质量得分由高到低排列Pi，然后对Pi进行特征提取，得到多样本特征图像PFi（i ＝0，1，…，m－1）为

式中：Li为与其对应的特征掩模图像，值为1 的点表示相应位置为稳定特征，值为0 的点表示相应位置为不稳定特征，已被噪声或其他干扰污染。

以PF0为基准样本特征图，根据图像相似度res将其他样本特征图与基准样本特征图进行特征点对齐

式中：j ＝1，2，…，m －1；‖·‖2——矩阵的2 －范数；shift——样本特征图比对移位位数，正号表示右移，负号表示左移。 Lj根据PFj的移位情况进行相应的移位更新。

将多样本特征图PFi投影到加权特征空间WF为

式中：wi——特征加权系数；m——样本数。

根据加权特征投票选取稳定的特征点为

式中：σF——稳定特征判别阈值；LF——稳定特征掩模图像。 生成的稳定的虹膜样本特征图为PS＝｛PF0； LF｝。

2.4 自适应确定分类阈值

通过自适应风险预测确定虹膜特征相似度判别阈值。

定义任意两个虹膜特征模式IA＝｛PA； MA｝和IB＝｛PB； MB｝之间的相似度ms 为

式中：ms∈［0．0，1．0］；P——虹膜特征模式；M——特征模式掩模；w，h——特征模式的宽和高。

在虹膜特征模板库中，分别计算类内虹膜特征相似度和类间虹膜特征相似度在不同分类阈值下的概率分布，根据风险预测确定初始的相似度判别阈值为

式中：Tc——初始分类阈值；D（Zi｜same）——同类虹膜的特征相似度在分类阈值Zi下的概率密度；D（Zi｜difference）——非同类虹膜的特征相似度在分类阈值Zi下的概率密度；μ——风险参数，μ ＞1 说明错误接受率在决策时更重要，μ ＜1 说明错误拒绝率在决策时更重要，μ ＝1 说明决策时优先考虑等错率［8］。

随着注册虹膜模式类的增加，自适应地实时更新分类阈值。 计算新增模式Inew与特征模板库中所有模式的最大相似度T′c为

式中：IOi——特征模板库中原有的虹膜模式类。

通过与原先的分类阈值比较，更新分类阈值T 为

2.5 模式分类

根据更新后的分类阈值进行虹膜特征匹配分类。

计算虹膜特征模板IT＝｛IF0； MF｝与样本特征PS＝｛PF0； LF｝之间的相似度

利用更新后的分类阈值进行判别，完成虹膜特征匹配分类

3 实验结果与分析

利用MATLAB R2016a 对本文提出的方法进行性能仿真，采用CASIA－V1 虹膜数据库中的图像来测试该算法的分类性能。 仿真时，参数设置为：采用二维离散（5，3）小波基进行一阶小波分解，能量加权系数取α ＝0．4，β ＝0．4，γ ＝0．2，移位参数取shift ＝－8，－7，…，7，8，样本序列图像帧数取m ＝8，稳定特征判别阈值取σF＝0．73，风险参数取μ ＝103。 将本文算法的分类性能分别与Reillo［9］、Li Ma［10］和John Daugman［11］的算法进行比较，关键性能指标的对比结果见表1。

表1 四种不同算法的性能比较Tab.1 Performance comparison of four different algorithms

由表1 可以看出，本文提出的算法具有很好的稳定特征提取与匹配能力，分类性能接近John Daugman 的算法，并且兼顾了精度与速度，可以有效提升虹膜识别的准确性和实用性。

4 结束语

本文提出的算法从虹膜注册特征增强、虹膜识别特征筛选、自适应特征相似度匹配判别三个方面加强虹膜稳定特征的提取和匹配，生成增强型虹膜特征模板和稳定的样本特征，并自适应更新虹膜特征分类阈值，克服了不稳定特征的干扰和影响，从而有利于提高虹膜识别系统的准确性和鲁棒性。