基于LogGabor子带图像分割的虹膜识别算法概要.docx
- 文档编号:24063241
- 上传时间:2023-05-23
- 格式:DOCX
- 页数:13
- 大小:22.58KB
基于LogGabor子带图像分割的虹膜识别算法概要.docx
《基于LogGabor子带图像分割的虹膜识别算法概要.docx》由会员分享,可在线阅读,更多相关《基于LogGabor子带图像分割的虹膜识别算法概要.docx(13页珍藏版)》请在冰豆网上搜索。
基于LogGabor子带图像分割的虹膜识别算法概要
《电子技术应用》2007年第3期
欢迎网上投稿www.aetnet.cnwww.aetnet.com.cn图3干扰信息的去除
(a)眼皮去除后的图像(b)睫毛去除后的图像
在高度信息化的社会中,身份鉴别已经渗透到日常生活的每一个方面。
传统的利用密码等身份鉴别的方法具有易遗忘、易假冒等缺点,已经逐渐不符合现代数字社会的需要。
近年来,基于生物特征的身份鉴别技术,因其稳定、便捷、不易伪造等优点,逐渐成为身份鉴别的热点。
虹膜作为重要的身份鉴别特征,具有惟一性、稳定性、可采集性、非侵犯性等优点,与其他的生物特征身份鉴别方法相比,虹膜识别的错误率是最低的[1]。
目前,国内外已有许多研究机构投入人力对虹膜识别进行研究,如剑桥大学的Daugman博士[2]、MIT人工智能实验室的Wildes博士[3]、
韩国汉城Kon-Kuk大学的Lim[4]、我国中科院自动化研究所的谭铁牛[5]等。
传统的虹膜识别算法在克服旋转对识别产生的不利影响时,需要对同一虹膜生成不同角度下的多个特征模板,占用存储空间过大。
本文提出的算法在消除旋转影响的同时节省了存储空间。
该算法包括虹膜定位、虹膜归一化、虹膜图像增强、特征提取和特征匹配五个环节。
1虹膜定位
虹膜是位于瞳孔和巩膜之间的环状区域,它内侧与瞳孔相邻,外侧与巩膜相邻,其内外边界可以近似地看作两个非同心的圆形。
虹膜定位就是要计算出内外边界的圆心和半径,根据所得的圆心和半径,将环状虹膜区域从原始眼部图像中提取出来,并且去除眼皮、睫毛等干扰信息的不利影响。
内外边界的定位采用参考文献[6]提出的方法,定位后的图像如图1所示。
在去除眼皮的过程中,由于睫毛的存在会给眼皮的去除带来一定的影响,使得眼皮的定位不精确。
本文采用一种形态
学闭运算与Hough变换相结合的眼皮和睫毛去除算法,该算法分三步实现:
(1)使用长度为15个像素的line结构元素对原始眼
部图像每隔5°
进行一次闭运算,处理效果如图2所示。
从图2(c)、(d)的对比中可以看出,闭运算有效减小了睫毛对眼皮定位的不利影响。
(2)将经过闭运算处理后的眼部图像平均分为左上、
左下、右上、右下四个区域,分别运用Canny算子和线性Hough变换来进行眼皮定位。
眼皮去除后的图像如图3(a)所示。
*本课题得到河北省教育厅自然科学项目(2004124)资助
基于Log-Gabor子带图像分割的虹膜识别算法*
陈书贞,王林,侯莉,尚燕
(燕山大学电子与通信工程系,河北秦皇岛066004)
摘要:
提出一种基于Log-Gabor子带图像分割的虹膜识别算法。
该方法具有平移、放缩和旋转不变性,并且生成的虹膜特征码仅288B。
实验结果和数据分析证明该方法的合理性和可行性。
关键词:
虹膜识别Log-Gabor局部直方图均衡化相位编码汉明距离
图1内外边界定位图像
图2闭运算处理效果图
(a)原始眼部图像
(b)闭运算处理后的眼部图像
(c)原始边缘图像(d)闭运算处理后的边缘图像
图像与多媒体技术
ImageProcessingandMultimediaTechnology
54
《电子技术应用》2007年第3期本刊邮箱:
eta@ncse.com.cn(c)增强后的归一化虹膜图像(a)归一化虹膜图像(b)归一化干扰图像
图4虹膜归一化和增强
(3)睫毛去除,采用阈值化的方法,如果某像素的灰
度值小于给定的阈值,则该像素就被当作睫毛上的点被
去除,如图3(b)所示。
2虹膜归一化和增强
虹膜归一化采用极坐标变换的方法[7],将环状的虹膜区域展成一个大小为40×480的矩形,这种映射对于平移和内外圆环的大小变化(放缩)具有不变性。
在产生如图4(a)所示的归一化虹膜图像之后,为了能对干扰像素进行标注,需要生成一个和归一化虹膜图像同样大小的归一化干扰图像,如图4(b)所示。
该图像中干扰像素的强度是1,非干扰像素的强度是0。
归一化图像的对比度较低,同时,由于光源位置的原因,使得某些图像的光照分布不均匀。
为了更好地提高识别效果,需要对归一化图像进行增强。
本文采用参考文献[8]中的方法进行增强,增强后的归一化虹膜图像如图4(c)所示。
3特征提取
3.1Log-Gabor滤波器
特征提取在虹膜识别算法中起着至关重要的作用。
目前国际上比较通用的是由Daugman设计、采用二维Gabor滤波器进行滤波
[2,7]
的系统。
Gabor函数由Gabor首先提出[9],由Daugman将其扩
展成二维结构[10],它具有优良的性能,近年来在很多领域得到广泛应用。
但Gabor滤波器的最大带宽被限制在一倍频,而且,对得到具有最大空间局部化的尽可能宽的谱信息目标来说并不是最优的。
Log-Gabor函数是由Field提出的[11],该函数在带宽
方面没有限制,且具有最小空间支撑。
Log-Gabor函数是定义在对数频率尺度上的高斯函数。
在线性频率尺度上,Log-Gabor函数表示为:
G(f)=exp(-(log(f/f))2
0)
(1)
式中,f0为滤波器的中心频率。
二维Log-Gabor滤波器组的构建包括两部分:
即控制滤波器频率带宽的径向分量和控制滤波器方向选择
的方向分量。
设计径向分量时要考虑滤波器带宽和相邻滤波器中心频率比例因子之间的关系,目的是用较少的滤波器得到宽度合理、统一覆盖的谱。
方向分量是一个围绕中心极角的高斯函数,中心为滤波器方向。
滤波器频域表达式中,角度的交叠由滤波器方向角度间隔与方向高斯函数标准差的比值控制。
在使用二维Log-Gabor滤波器组对归一化虹膜图像滤波时,如何选择滤波器的参数,将影响算法的性能。
由于二维Log-Gabor函数没有空域解析形式,所以滤波结果通过将归一化虹膜图像的Fourier变换与Log-
Gabor滤波器的频谱表达式在频域上相乘,然后进行Fourier反变换的方法得到。
滤波后生成的各子带图像为
复数值矩阵。
3.2虹膜特征码的生成
设经过滤波生成M个尺度、N个方向共M×N幅子带图像,其中尺度i方向j的子带图像标记为Iij(x,y)。
由于虹膜纹理的谱信息主要集中在中高频[12],所以只选择中高频子带图像来生成特征码就足以进行识别,而且这样可以有效地降低特征码占用的存储空间。
对所选中高频尺度(L~M)的子带图像按照所处的尺度和方向排列为I(x,y),将I(x,y)分割为大小为U×V的共D×T个子块,其中位于d行t列的子块标记为Idt(x,y)。
由于能量较大的像素点抗干扰性强,包含的信息量较
大,因此,本文提取每个子块的局部极大值点组成矩阵
G(x,y),提取过程如式(2)~(4)所示:
I(x,y)=
IL1IL2…ILN……
IM1IM2
…
IMN
!
"""""""""""#
$
%
%
%%%%%%%%%&
(2)
(xdt,ydt)=argmaxx,y
(Idt(x,y))
d=1~D,t=1~TG(x,y)=
I11(x11,y11)…I1T(x1T,y1T)……
ID1(xD1,yD1)…IDT(xDT,yDT!
""
"""""""""#
$%%%%%%%%%%%&
)
(4)
对G(x,y)矩阵中的每个元素进行相位粗量化编码。
为使相邻象限间的汉明距离一致,编码时采用格雷码。
如果某个元素的复数值位于第一象限,则该元素编码为
[1,1];位于第二象限,则编码为[0,1];位于第三象限,
则编码为[0,0];位于第四象限,则编码为[1,0]。
虹膜旋转对应着归一化图像的循环移位,当采用合适的分割方法时,每个子块的局部极大值并不因移位而改变,这就克服了旋转(通常角度很小)对识别产生的不
利影响。
另外,这种方法能够大大减小特征维数。
子块尺寸要通过试验来确定,块过小起不到减少特征维数和抗旋转的作用,块过大生成的特征码维数太小不足以进行识别。
……
(3)
……
……
……
图像与多媒体技术
ImageProcessingandMultimediaTechnology
55
《电子技术应用》2007年第3期
欢迎网上投稿www.aetnet.cnwww.aetnet.com.cn为克服干扰像素的不利影响,需要生成一个和虹膜特征码同样大小的干扰掩模。
将归一化干扰图像沿行和列方向重复性排列,并扩展为和I(x,y)同样大小的矩阵。
该矩阵使用与I(x,y)同样的分割方法,仅提取各子块中与Idt(x,y)中的局部极大值点位置相对应的点来构成矩阵N(x,y)。
由于N(x,y)中只含有0和1两种数值,所以干扰掩模只需要对N(x,y)进行简单的扩展就可以生成,如下所示:
M(2x,2y)=N(x,y)(5)M(2x-1,2y-1)=N(x,y)
(6)
式中,M(x,y)为干扰掩模,干扰掩模中的1代表干扰位,
0代表非干扰位,M(x,y)的尺寸是N(x,y)的二倍。
4特征匹配
特征匹配时,采用汉明距离(HD)来衡量虹膜之间的相似程度。
比较时,需要用到虹膜特征码和干扰掩模,只有那些在掩模中的对应位为0的虹膜码位,才被用来计算汉明距离。
采用如下的改进公式来计算汉明距离:
HD=
1
N-
N
i=1
!
(Xni
|Yni
)
N
i=1
!
(Xi
"Yi
&Xn
i
&Yni)(7)
式中,Xi和Yi是两组进行比较的虹膜特征码中的第i位,Xni和Yni是Xi和Yi对应的干扰掩模位,N为特征码的尺寸。
5实验结果及分析
实验是在CASIA虹膜数据库中所有的108个虹膜类之间进行的,每个类包含7幅位灰度图像,其分辨率为320×280像素,共756幅虹膜图像。
算法性能检验在验证和识别两种模式下进行。
实验中滤波器组选用4个尺度6个方向,!
/f0取
0.74,相邻滤波器中心频率之比取3,最小波长取2,滤
波器方向角度间隔与方向高斯函数标准差的比值为
1.5,每个小块的尺寸为10×20,选择第3和第4两个尺
度生成特征码,实验获得了较好的效果。
在验证模式下,将所有虹膜之间两两进行比较,共比较了285390次。
其中,同类虹膜间的比较有2268次,异类虹膜间的比较有283122次。
验证模式下的算法性能如图5所示。
从图5(a)、(b)可以看出,有少量同类虹膜的汉明距离较大,与异类虹膜的汉明距离之间存在交叉部分,但是绝大多数的同类距离和异类距离之间存在一个明显界限。
CASIA虹膜数据库中并不是所有的图像都适合用于
虹膜识别,同类虹膜间汉明距离过大,可能是由以下几种情况造成的:
(1)散焦和运动模糊的图像。
(2)睫毛和眼皮干扰遮挡过分严重,致使图像中提供的有效纹理信息太少无法进行有效识别。
(3)同一类中瞳孔尺寸差异过大的图像,归一化已无法弥补纹理之间的变形差异。
(4)同类之间虹膜旋准过大的图像。
在不同的阈值下,分别计算出错误拒绝率(FRR)和错误接受率(FAR),如图5(c)所示。
图中,FAR随着汉明
(下转第59页)
图像与多媒体技术
ImageProcessingand
MultimediaTechnology
56
《电子技术应用》2007年第3期本刊邮箱:
eta@ncse.com.cn(上接第56页)
距离的增大而增加;而FRR随着汉明距离的增大而减小。
FAR和FRR曲线的交叉点,即等错误率(ERR)为
1.85%,这说明本文的算法是可行的和有效的。
在识别模式下,将虹膜图像分为二组,从每一类的两个阶段采集的虹膜图像中各选一幅组成GROUP1,共包含216幅虹膜图像,作为标准虹膜模板;GROUP2包含剩下的540幅图像,作为测试的虹膜图像。
识别时取阈值为0.39,将测试图像与每一类的两个模板的汉明
距离中较小的距离作为与该类的距离,其识别率可达
98.22%。
如果应用系统对安全性的要求较高,可以适当
地下调识别阈值。
本文提出了一种基于Log-Gabor子带图像分割的虹膜识别算法,该算法克服了传统方法中实现旋转不变时存在的缺点,并且具有平移和放缩不变性。
通过对包含756幅图像组成的虹膜库进行实验,取得了良好的效果。
参考文献
[1]JAINA.Biometricspersonalidentificationinnetworkedsoci-
ety[M].KluwerAcademicPublishers,1999.
[2]DAUGMANJ.Highconfidentialvisualrecognitionbytestof
statisticalindependence[J].IEEETransactionsonPaternAnalysisandMachineIntelligence,1993,15(11):
1148-1161.[3]WILDESRP.Automatedirisrecognition:
anemergingbio-
metrictechnology[J].ProceedingoftheIEEE,1997,85(9):
1348-1363.
[4]LIMS,LEEK,BYEONO,etal.Efficientirisrecognition
throughimprovementoffeaturevectorandclassifier[J].ETRIJournal,2001,23(2):
61-70.
[5]王蕴红,朱勇,谭铁牛.基于虹膜识别的身份鉴别[J].自动
化学报,2002,28(1):
1-10.
[6]王林,练秋生.虹膜定位算法研究[J].电视技术,2006,(7).[7]DAUGMANJ.Biometricpersonalidentificationsystembased
onirisanalysis[P].USPatent5291560,1994.
[8]LiMa,TieNiuTan.Efficientirisrecognitionbycharac-
terizingkeylocalvariations[J].IEEETransactionsonImageProcessing,2004,6(13):
739-750.
[9]GABORD.Theoryofcommunication[J].JournalofInstitute
forElectricalEngineering,1946,(93):
429-457.
[10]DAUGMANJ.Uncertainlyrelationforresolutioninspace,
spatialfrequencyandorientationoptimizedbytwodimen-sionvisualcorticalfilters[J].JournaloftheOpticalSoci-etyofAmerica,1985,(2):
1160-1169.
[11]FIELDDJ.Relationsbetweenthestatisticsofnaturalim-
agesandtheresponseproperitiesofcorticalcells[J].Jour-naloftheOpticalSocietyofAmericaA,1987,4(12):
2379-2394.
[12]张德馨.基于虹膜识别的身份鉴别方法研究[D].硕士学
位论文.北京:
中国科学院自动化研究所,2003.
(收稿日期:
2006-11-21)
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
本文利用加距离权彩色直方图作为目标特征,增加了算法对遮挡的鲁棒性;采用遮挡因子occ表示目标遮挡的程度,能够准确指示目标实际遮挡的程度。
在目标遮挡后重新出现时能够快速捕获到目标,继续跟踪。
但是,当目标较长时间遮挡,对目标位置估计误差增大时,靠增加目标搜索的范围来实现重新捕获,将会大大增加计算量。
参考文献
[1]POLATE,YEASINM,SHARMAR.A2D/3Dmodel-based
objecttrackingramework[J].PatternRecognition,2003,36:
2127-2141.
[2]CORMICKJM,BLAKEA.Aprobabilisticexclusionprinci-
plefortrackingmultipleobjects.in:
ProceedingsoftheIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,Corfu,Greece,1999.[3]RASMUSSENC,HAGERGD.Probabilisticdata
associationmethodsfortrackingcomplexvisualobjects.IEEETrans.PatternAnal.Mach.Intell,2001;23(6):
560-576.
[4]HARITAOGLUI,HARWOODD,DAVISL.W4:
real-time
surveillanceofpeopleandtheiractivities.IEEETrans.PatternAnal.Mach.Intell,2000,22(8)809-830.
[5]朱志刚.数字图像处理[M].北京:
电子工业出版社,2002.[6]NUMMIAROK,ESTHERKM,GOOLLV.Colorfeature
fortrackingnon-rigidobjects[J].自动化学报,2003,29(3).[7]COMANECID,RAMESHV,MEERP.Kernel-basedobject
tracking[J].TransactionsonPatternAnalysisandMachineIntelligence,2003,25(5)
[8]WELCHG,BISHOPG.AnIntroductiontothekalmanfil-
ter[M].UNC-ChapelHill,TR95-041,April5,2004.[9]GREWALMS,ANDREWSAP.Kalmanfiltering:
theory
andpracticeusingmatlab[M],SecondEdition,2001.
(收稿日期:
2006-09-20)
图像与多媒体技术
ImageProcessingandMultimediaTechnology
59
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LogGabor 图像 分割 虹膜 识别 算法 概要