虹膜特征提取

虹膜特征提取（精选3篇）

虹膜特征提取 篇1

1 引言

模糊数学在实际生活中有着非常广泛的应用,尤其针对虹膜识别系统进行评估时,使用模糊数学方法对识别算法进行评价与对比时具有明显的优势。其中模糊积分评价模型对指标的变化反应灵敏,结论更为客观,非常适用于依据识别要求对算法进行合理选择。

2 基于模糊积分评判模型的虹膜特征提取算法评估

2.1 确定算法的评估对象

选择虹膜识别特征提取阶段的小波模极值算法、小波过零点算法和小波多尺度特征量化算法进行评估,分别将其记为(G1,G2,G3)。

2.2 确定评估的因素集

M=(识别率,误拒率,误识率,处理时间,对虹膜特征匹配的影响比重)。

2.3 因素集数据提取与仿射

在基于Windows XP操作平台的计算机系统中,对实验样本进行特征提取,分别进行了20组实验测试,每组取20个虹膜类,每类20幅虹膜图像。根据实验可以得出,3种虹膜特征提取算法对应因素集的数据如表1所示。

2.4 确定评估权重

采用为5个因素分配权重,本次评估侧重于分析误拒率和影响比重两个因素对识别结果的影响,试验选取q1=0.70,q2=0.90,q3=0.60,q4=0.70,q5=0.90。

2.5 确定因素集中各要素的最佳值

根据以往的实验经验,因素集中各要素达到“优秀”时的最佳值如表2所示。

2.6 确定评估模型的评价矢量

F1的评价矢量为(0.986,0.769,0.909,0.809,0.854),F2的评价矢量为(0.994,0.065,0.056,0.949,0.813),F3的评价矢量为(0.997,1,0.503,0.698,0.854)。

2.7 基于模糊积分模型的虹膜特征提取算法评估结果

通过试验测试得出评估结论:小波模极值算法、小波过零点算法和小波多尺度特征量化算法对“优”的隶属度分别为0.854、0.813和0.9。

3 基于模糊积分评判模型的特征提取算法评估结果分析

通过实验结论可以清晰地得出如下结论:小波模极值算法、小波过零点算法和小波多尺度特征量化算法3种虹膜特征提取算法中,如果侧重对误拒率和影响比重的影响,那么小波过零点算法相对较差,而小波多尺度特征量化算法相对较好,3种虹膜特征提取算法对“优”的隶属度的差值分别为0.041,0,0.087。所以按照本次评估试验的权重分配方案,小波多尺度特征量化算法、小波模极值算法和小波过零点算法的优劣程度近似成等差数列。

4 结语

模糊数学模型目前已经广泛应用到科学研究、生产实践的各个领域、各个环节,通过文中的实例清晰地看到,将模糊数学应用到评估方面研究,可以使评估结果更具有科学性和实用性。模糊积分评判模型只是模糊数学中的一个分支,对虹膜识别算法的评估研究还需要根据具体问题和不同的需求进行更为深入细致的探讨。相信在不久的将来,针对虹膜识别算法的评估工作必将取得更大的突破。

参考文献

[1]庄钊文,黎湘,李彦鹏,王宏强.自动目标识别效果评估技术[M].国防工业出版社,2006.10:132-138158-163.

[2]李彦鹏,黎湘,庄钊文.基于Sugeno模糊积分的目标识别效果评估[J].系统仿真学报,2005,(5):235-254.

虹膜特征提取 篇2

虹膜的极大个体差异性决定虹膜识别的错误率是所有生物识别领域中最低的[1]。国内外专家作了很多相关研究,例如,Daugman [2]使用了多分辨率Gabor小波进行滤波,抽取虹膜纹理相位特征; Wildes 等[3]应用Laplacian pyramid算法对虹膜图像进行多分辨率分解,抽取虹膜纹理的空间特征,并选择了归一化相关系数作为匹配算法。Boles 和Boashah[4]提出的基于小波变换过零点检测的方法。通过小波变换的过零点,由细到粗地表示不同分辨率下的虹膜特征。采用自定义的相异性函数实现模式匹配。文献[1,2,3]均存在特征提取单一的缺欠。Lim等[5]使用二维Harr小波变换将虹膜图像分解成四级,并将第四级的高频信息量化为虹膜代码,采用改进的LVQ神经网络进行模式匹配,虽然算法使用了小波多尺度分析方法,但没有考虑到尺度间特征的相关性。姚鹏、叶学义和庄镇泉等[6]提出了基于局部频率特征和局部方向特征的虹膜识别算法,利用多尺度多方向的二维奇对称Gabor滤波器提取虹膜图像局部频率特征和局部方向特征作为虹膜特征,对文献[1,2,3]进行了改进提取了多种特征作为分类标准。苑玮琦、赵彦明[7,8]等人先后提出基于纹理分布特征的虹膜识别算法和基于能量最大响应方向的虹膜识别算法。这两个算法顺次将symlet小波和counterlet小波的多分辨率分析作为虹膜特征分析的手段。苑玮琦、王浩[9]等人提出的基于二维不可分小波相关性分析的虹膜识别算法,将二维不可分离小波作为虹膜图像分解工具,并结合区域相关性进行虹膜识别;文献[7,8,9]将二维可分小波和不可分小波多分辨率分析方法应用与虹膜识别领域,并取得了较好的效果;苑玮琦、张磊等人[10]提出了基于多子区域联合的高适应性虹膜识别算法,该算法将多特征有效融合解决了特征单一对识别效果的影响;马立勇[11]提出了基于 B 样条 FFD 模型配准的虹膜图像融合方法,该算法采用基于B样条的FFD模型对图像进行配准, 然后用小波进行融合,为下一步的虹膜识别提供了合适的图像,进而提取更有效的特征信息,该算法说明融合算法在虹膜识别领域具有高可靠性。

这些算法都取得了较好的识别效果。但还存在如下不足:(1) 点特征单一,算法抗干扰、旋转和平移能力差;(2) 采样过程导致多尺度分析算法中出现频率混叠,导致 “伪特征点”过多;(3) 简单分类算法造成识别率过低。

基于此,本文提出了基于尺度相关多特征提取与融合的虹膜识别算法。特征提取时,利用不可分小波对虹膜归一化图像进行多尺度和多方向分解。提取最优尺度的点特征和区域特征,然后利用特征在尺度间的相关性消除频率混叠,优化特征集。分类时充分考虑融合特征的优势,采取多特征模糊匹配技术分类。实验表明,本文算法利用尺度相关性优化了特征集,同时利用区域特征减少了因虹膜伸缩而产生的“伪特征点”,提高了识别率。

1图像归一化

图像采集设备捕获的人眼图片,除了虹膜信息外,还包括睫毛,眼睑和光斑等噪声。在识别前要经过定位、归一化及图像增强步骤对虹膜图像预处理。依据文献[12]的方法将虹膜从图像中分离出来,并沿半径方向归一化为256×256像素大小图像。图1给出完整的预处理过程。

2不可分离小波构造与虹膜分解

You和Chen在文献[13,14]中通过对称正交矩阵构造出了一种具有线性相位的不可分小波。对于一个确定的整数N,任意选取有序实数对(αk,βk),k=1,2,…,n,各通道滤波器mi(ξ,η),i=0,1,2,3可表示为:$m{}_i(\xi ,\eta )=\frac{1}{4}(1,z{}_1,z{}_2,z{}_{1}z{}_2)({\displaystyle \prod _{k=1}^{{\rm N}}{\rm K}}(\alpha {}_k,\beta {}_k)\times$

D(2ξ,2η)KT(αk,βk))Ui (1)

式中, (ξ,η)∈R2,j=0,1,2,3;K(αk,βk)在文献[13,14]中已给出;D为中心对称正交矩阵,D与U分别为:

D(ξ,η)=diag(1,z1,z2,z1z2) (ξ,η)∈R2,z1=e-ξ,z2=e-iη

U0=(1,1,1,1)TU1=(1,-1,1,-1)T

U2=(1,1,-1,-1)TU3=(1,-1,-1,1)T

2.1不可分离小波的参数选取

从CASIA 1. 0[15] 数据库中选择干扰信息较少、虹膜变形不大的50类,每个类7张图片,将这些图像归一化为256×256像素大小的数据集(DataSet)。该DataSet作为本算法所有参数选取实验的数据集。

分解尺度和分解方向决定了多尺度多分辨率不可分离小波的特征表示能力。而尺度(scale)与方向数(Doritation)临界满足关系:Doritation≤2(scale)。依据Lindeberg提出的尺度选择准则和选择方法,在归一化的DataSet上,设计尺度与算法性能,尺度与时间性能的实验。试验结果如图2所示。

实验结果表明:当尺度数为5时,算法取得最佳识别性能,并且时间复杂的相对较小。当分解尺度小于5,尺度与分解方向数增加大,噪声减小,识别率递增;反之分解尺度大于5,尺度与分解方向数增加,特征点数并未增加或冗余性增加,识别率增长不明显或降低,算法复杂性急剧增加。

分解尺度与方向数决定了不可分离小波参数(αk,βk)的选取。依据下式分解参数(αk,βk),仅由每一尺度的方向数Doritation决定:

(αk,βk)=$(\frac{360\times (n-1)}{2{}^{scale}},\frac{360\times n}{2{}^{scale}})$ (2)

式中,n≤Doritation,scale≤5。

综上所述,本文实验所用不可分小波参数如表1所示。

2.2归一化虹膜图像的分解结果

图3展示了图1(d)的二维不可分离小波3尺度8方向的高频分解结果。

3特征提取算法步骤

第一步 利用二维不可分小波对归一化虹膜图像进行5尺度分解

在第k(k∈{1,2,…,5})尺度上,虹膜图片被分解为θ=2k-1个大小相同、方向不同的通道,通道中的每个点都具有θ个分解系数,这些分解系数描述了该点在不同分解方向上的纹理变化趋势,解决了传统二维小波的方向性差的特点。

第二步 尺度内虹膜点特征抽取

尺度内的虹膜纹理二元点特征(vmk(i,j),θmax)可表示为:

(vmk(i,j,),θmax)=MAX(v(i,j,θ1),v(i,j,θ2),…,

v(i,j,θ2k-1)) (3)

式中,k为分解尺度,(i,j) 为分解通道上的位置,v(i,j,θt)表示θt(t=1,2,…,2k-1)分解通道上,(i,j) 位置处的分解系数,θmax表示最大分解系数所对应的分解方向数的二进制编码。

该二元特征(vmk(i,j),θmax)反映了第k尺度位置点(i,j)的最大频率响应值和对应频率响应方向。描述了纹理特征的点特征(位置、方向和频率特征)。试验证明该特征拥有非常高的特异性。

第三步 尺度内虹膜区域特征抽取

当(i,j)遍历k尺度一个分解通道时。依据式(3)可以提取虹膜纹理的点特征集合。在点特征集合上,依据最大熵原理可以生成虹膜纹理的区域特征。

${\rm H}(x)=-{\displaystyle \sum _{l}p}(x)\ln p{}_l$ (4)

式中,集合X为点(i,j)和其八邻域的特征数据构成的集合,l表示该集合中元素的计数,l=0,1,…,8,pi=1/9。这样初始化公式就可以获得该点在该区域的最大熵。该区域特征有效地减少虹膜图片伸缩引起的“伪特征点”。将该特征并入到(i,j)对应的点特征集中,生成三元组(vmk(i,j),θmax.H(x))集合。该集合从点特征、区域特征两个方面描述纹理信息,增加了抽取约束,提高识别性能。

第四步 依据尺度间特征点相关性消除频率混叠产生的伪特征点

依据式(4),在 1,2,3,4,5尺度上生成5个融合特征集s1,s2,s3,s4,s5,以s1的大小为依据,根据小波分解的抽取算法和边界处理算法,将该融合特征集归一化为s1的大小,生成的归一化融合特征集s′1,s′2,s′3,s′4,s′5,这些集合具有相同的大小和尺度间纹理位置的对应。依据尺度间纹理的相关性,即连续性和稳定性(连续性指在小波分解过程中,纹理是否具有尺度间的延续性;稳定性指小波分解过程中是否产生了“伪特征点”) 优化纹理特征。优化方法:如果归一化集合在点(i,j)位置处对应的5个三元组中,第一元的非零个数和大于5/2,并且非零元素顺次出现在小尺度下,则s5(i,j)=1。否则值为0。依据该优化方法,优化归一化融合特征集s′5,生成多特征融合的优化特征集。为降低算法时间和空间复杂度,将s′5调整为sk大小。由此得到的s′5就是本文算法生成的特征集合。

4匹配算法

4.1最大频率响应值特征匹配

$W{\rm H}DV=\frac{{\displaystyle \sum _{j=1}^{Row}{\displaystyle \sum _{i=1}^{Col}\{}}{\displaystyle \sum _{k=1}^m[}A{}_{((i-1)\times m+k,j)}\oplus B{}_{((i-1)\times m+k,j)}]\}}{Row\times Cow\times (2{}^m-1)}$ (5)

式中,Col和Row分别表示待匹配矩阵的行和列,A和B表示最终特征平面中最大频率响应二进制编码,m表示编码位数。“⊕”表示异或运算。该匹配为三元组第一元匹配。

4.2方向角特征匹配

$W{\rm H}DA=\frac{{\displaystyle \sum _{j=1}^{Row}{\displaystyle \sum _{i=1}^{Col}\{}}{\displaystyle \sum _{k=1}^m[}A{}_{((i-1)\times m+k,j)}\oplus B{}_{((i-1)\times m+k,j)}]\}}{Row\times Cow\times (2{}^m-1)}$ (6)

式中,Col和Row分别表示待匹配矩阵的行和列,A和B表示最终特征平面中最大频率响应对应的角度二进制编码,m表示编码位数。“⊕”表示异或运算。该匹配为三元组第二元匹配。

4.3区域熵值匹配

$W{\rm H}D{\rm H}\frac{{\displaystyle \sum _{j=1}^{Row}{\displaystyle \sum _{i=1}^{Col}\{}}abs(A{}_{(i,j)}-B{}_{(i,j)})\}}{Row\times Cow}$ (7)

式中,Col和Row分别表示待匹配矩阵的行和列,A和B表示最终特征平面中区域熵值,abs表示模运算。该匹配为三元组第三元匹配。

4.4融合三特征匹配

WHDC=λ1·WHDV+λ2·WHDA+λ3·WHDH (8)

式中,λ1,λ2,λ3为加权系数,且和为1。该匹配为三元组各元融合匹配。

4.5自定义模糊匹配规则

为有效地结合三种虹膜纹理特征(方向特征、点特征和区域特征),设计推理规则如表2所示。

表2中,WHDC、WHDV、WHDA和WHDH分别表示融合特征值、最大频率响应特征值、方向特征值和区域特征值。而TX、T′X用X特征进行分类的两个阈值,X表示WHDC、WHDV、WHDA和WHDH。各个阈值可以通过下面实验获取。

在DataSet数据集上,利用本文算法进行类内类间匹配试验,试验结果如图4所示。

依据图4的类内和类间匹配距离分布情况,可以获得各个推理规则的阈值表(见表3)。

结合表2的推理规则和表3推理规则阈值可以设计适合于本文算法的规则Ri。其中i=1,2,…,11。推理规则设计:依据TWHDC 和T′WHDC可以设计推理规则R1、R2和R3。当匹配距离小于TWHDC时,认为两个样本非常接近,理论上是同一只眼睛(R1);当匹配距离大于T′WHDC时,认为两个样本非常远离,理论上不是同一只眼睛(R2);当匹配距离介于这两个阈值之间时,说明通过特征无法识别该虹膜(R3)。此时识别算法自动启动频率特征匹配推理规则R4、R5和R6。类似地顺次设计R4,R5,…,R11规则。

5实验分析

5.1算法识别性能实验

依据上面试验选取的阈值和相关参数,使用CASIA 1.0 数据库中108个类进行试验。实验计算机配为Intel Core2 Duo T5200(1.6G),内存2G。实验环境为Windows XP,Matlab 2010a等。试验结果如图5所示。

当阈值取0.113时,则正确识别率CRR(Correct recognition rate)为99. 999% , 错误拒绝率FRR(False reject rate)为0.0001,错误接受率FAR(False accept rate)为0. 243 %。并在ROC图中计算出该方法的等错率EER(Equal error rate) 为0. 13216。由此验证了本文算法具有良好的分类能力,是正确可行的。

5.2算法比较

文献[7]对几种经典的虹膜识别方法进行了重复性实验和详细的分析。而本文与文献[7]均采用CASIA 1.0虹膜库,相同的虹膜定位方法,归一化方法的本质也相同,因此二者具有可比性。对比结果如表4所示( 时间单位ms)。

同经典算法比较,表明本文算法是正确可行的,并具有较高的算法性能。

文献[7,8]分别介绍symlet和conuterlet两种不同类型小波多尺度多方向分析方法在虹膜识别方向上的应用。实验图库与本文算法本质相同。算法比较结果如表5所示,结果表明不可分离小波多尺度多方向分析方法在虹膜方面具有很强的纹理描述能力。

单一特征(方向、频率和区域特征)算法与融合特征算法性能比较结果如表6所示。

这一结果表明,与单一特征匹配算法比较,融合算法与模糊推理规则联合算法拥有更优秀的算法性能。

5.3实验分析

本文算法有较高的识别率,但是仍有部分虹膜不能识别,其中不可识别的原因可分为:

(1) 识别区域内睫毛和眼睑等噪声非常严重,“伪特征点过高”,例如图6的情况。

(2) 采集阶段光照刺激使虹膜伸缩过大。区域特征提取方法也已经不能有效校正的。例如图7的情况。

6结语

针对多尺度多方向分析的虹膜识别算法存在特征提取单一,且仅考虑固定尺度特征而没有考虑特征在尺度间的相关性的缺欠。提出了基于尺度相关多特征提取与融合的虹膜识别算法。利用不可分离小波对归一化虹膜图像进行多尺度多方向分解。在最优尺度上,进行虹膜纹理点特征和区域特征提取。并利用特征点在尺度间的相关性优化特征集合。得到最优特征集。并将得到的最优特征进行融合,依据融合特征特点建立适合于本算法的多特征模糊推理规则,利用该推理规则进行分类。实验结果表明,本文算法正确可行,并能有效地应用尺度间特征关系消除伪征点。

基于直方图统计特征的虹膜粗分类 篇3

由于虹膜具有唯一性好、稳定性强、非侵犯性等优点,目前基于虹膜的身份识别技术已成为身份识别领域的研究热点之一。自上世纪90年代以来,国内外学者发表了大量的研究成果。Daugman[1]提出了一种基于二维Gabor滤波器分析虹膜纹理相位的识别算法。Wildes[2]提出了一种基于Laplacian金字塔分析的识别算法。Ma[3]提出了一种基于多通道纹理分析的识别算法。Ma[4]提出了一种基于虹膜纹理变化关键点的识别算法。Feng[5]、Dey[6]等也对虹膜识别进行了研究。

现有的虹膜匹配算法是在待识别虹膜样本与虹膜图像库中所有样本逐一匹配的基础上得到识别结果的。因此,当虹膜图像库规模较大时,匹配的过程会非常耗时,影响了算法的性能。虹膜粗分类(根据虹膜纹理结构将虹膜图像划分为若干类型)可以解决这一问题,具体思路是:虹膜识别时,首先利用粗分类算法将未知样本划分为某一类型,然后在该类型对应的虹膜样本中进行虹膜匹配。本文提出了一种基于直方图统计特征的虹膜粗分类算法:利用直方图比率算法提取不同虹膜纹理类型的直方图统计特征,并通过比较相似度对虹膜图像进行粗分类。

1 虹膜纹理的类型

与指纹识别、掌纹识别不同,虹膜纹理类型的识别还处于起步阶段。根据现有文献,虹膜纹理类型的划分主要有以下两种方法:第一,利用虹膜纹理的直观特点进行分类。Yu[7]根据虹膜纹理的分布形态和位置将虹膜模式划分为四类,以分形维数作为虹膜类型的特征,采用双阈值法识别未知虹膜的类别。第二,利用虹膜纹理的统计特性进行分类。Qiu[8]以虹膜纹元(texton)的灰度直方图为特征,通过机器学习将虹膜图像划分为五类。相对而言,第一种方法所划分的虹膜纹理类型更为直观,有利于寻找具有较强区分度的特征向量。因此,本文也采用虹膜纹理的直观特点来划分虹膜纹理的类型。

参考Yu[9]关于虹膜纹理类型的划分标准,本文根据虹膜纹理的灰度分布特点以及纹理结构特点,将虹膜纹理划分为五种类型,每类的具体形态如图1所示,具体特征描述如下:

第一类,辐射状结构(Stellate)。这种结构富含纹理纤维,绝大部分纹理贯穿整个虹膜区域且呈辐射状分布,纹理纤维之间的间隙较小,具体形态如图1(a)所示。

第二类,丝织状结构(Silk)。这种结构所含的虹膜纹理非常少,虹膜纹理表面平滑、单一,灰度变化不明显,与丝织品比较类似,具体形态如图1(b)所示。

第三类,麻布状结构(Linen)。该结构下虹膜纹理被虹膜卷缩轮近似分为两半:上半部纹理较多且呈网格状或辐射状分布,而下半部纹理相对较少且表面平滑,具体形态如图1(c)所示。

第四类,网格状结构(Grid)。这种结构的虹膜纹理中分布有大量的斑块,纹理纤维之间的间隙较大,虹膜纹理整体形态类似网格,具体形态如图1(d)所示。

第五类,随机状结构(Random)。该结构下虹膜纹理没有固定的结构,虹膜纹理中往往出现零星的斑块,而且位置比较随机,具体形态如图1(e)所示。

由于上述五种类型的虹膜纹理具有不同的灰度分布和结构形态,所以可以利用直方图特征对其进行描述并提取相应的类别特征。根据这一思路,本文提出了基于直方图统计特征的虹膜粗分类算法。

2 直方图统计特征

本文通过直方图比率算法[10]来提取各类虹膜纹理的统计特征。设图像库包含有N类图像,灰度级为M级;每类图像有K个训练样本,样本的直方图由灰度级集合和对应灰度级的概率分布两个集合共同构成。则第i类图像所有样本直方图的交集为

式中:Bi为第i类图像训练样本共有的灰度等级集合;Ci为第i类图像训练样本共有的灰度等级下的概率分布集合;m为第i类图像训练样本共有的最大灰度等级;cij为灰度等级j时第i类图像中全部样本的概率分布组成的向量。则对Bi中的每对灰度值(bid,dil)(d

根据上述公式,利用各种虹膜纹理类型的训练样本可以得到一组统计特征,其形式为灰度等级下的概率分布。通过比较直方图统计特征,就可以实现对虹膜图像的粗分类。

3 虹膜粗分类算法

3.1 虹膜图像预处理

虹膜是人眼中位于瞳孔和巩膜之间的近似的圆环状区域。在提取虹膜纹理的直方图特征之前,首先需要利用定位、归一化以及对比度增强等算法对虹膜图像进行预处理。相关内容的详细讨论参见作者前期的工作[10,11]。另外,考虑到接近巩膜的虹膜区域包含的纹理信息较少,且容易受到眼睑、睫毛的干扰,所以将该区域定为非信息区,其他的虹膜区域定为信息区,虹膜纹理的类型特征主要在信息区内提取。

3.2 虹膜类型的特征提取

针对不同虹膜纹理类型的灰度分布特点,本文采用直方图统计特征来解决虹膜纹理类型特征的描述问题。在提取特征时,首先将预处理得到的虹膜纹理信息区划分为均匀大小的8个子块,如图2所示。然后,分别在8个子块中计算直方图比率并获得相应虹膜纹理区域的统计特征Rj。对于待识别样本,由于只需考虑单样本的情况,所以其特征提取公式如下所示

3.3 虹膜的粗分类

式中为子块j中灰度等级对的总数。本文采用阈值法识别未知样本的类型,所用的阈值是通过实验确定的,即利用算法对已知类别的样本进行分类,在尽可能避免错误分类的前提下,确定下限值作为最终的阈值。如果未知样本与第i类比较所得的全部子块的相似度均大于阈值T,则将该样本识别为第i类。当未知样本可被粗分类为多个类别时,取全部子块的平均相似度最高值所对应的类型为其所属类别。需要特别指出的是,由于随机状结构的虹膜纹理类型没有确定的类别特征,所以在实际判别中不属于前四类的未知样本将被识别为随机状结构。

4 仿真实验与分析

为了测试所提算法的有效性,本文设计了如下的一系列仿真实验。实验中的虹膜图像来源于中科院的CASIA数据库[12],图像为320像素×280像素,256色灰度。实验设备采用celeron2.6 GHz、128 M内存的计算机,仿真软件为Matlab7.0。

4.1 所提算法的识别性能

测试所用的样本库由500张挑选出的虹膜图像构成,各类型的虹膜纹理所占的具体数目为:第一类28张,第二类117张,第三类221张,第四类87张,其余的47张为第五类。针对测试样本库的分类结果如表1所示。

仿真实验表明所提算法的粗分类准确率可以达到98.2%。实验中有9个样本被错分(指将属于某类的样本划分为其他类别的情况),其中第二类占1例,第三类占3例,第四类占3例,第五类占2例。上述实验数据说明,本文采用的虹膜纹理类型特征可以有效的描述虹膜的纹理结构;所提算法能够对未知虹膜样本进行粗分类,并具有较好的识别精度。由于第一类和第二类的灰度特征比较明显,容易区分,所以粗分类的准确率较高;而第三类和第四类某些样本的虹膜纹理结构变异程度较大,有可能被错误识别为第五类。因此,继续深入研究虹膜纹理的结构,将第三类、第四类进行细分,可能会进一步提高虹膜粗分类的精度。

4.2 所提算法对虹膜匹配算法性能的改善

为了定量说明所提算法对现有虹膜匹配算法性能的改善,本文进行如下的对比实验:分别用所提算法结合Daugman虹膜匹配算法与原始的Daugman虹膜匹配算法在前文所提图像库中进行虹膜匹配,比较所用的匹配时间、达到的匹配精度等性能指标。其中,匹配时间指每个样本由匹配开始至得出匹配结果所需要的平均时间;匹配精度指错误接受率(FAR)、错误拒绝率(FRR)以及等错误率(ERR)等指标。为了尽可能避免粗分类错误对Daugman匹配算法精度的影响,实验中对所提算法进行如下修改:当某样本被粗分类为多个类别时,不再利用平均相似度做进一步判定,而是将其识别为多类别样本,则Daugman算法在相应的多个类别所包括的全部样本集合内进行匹配。具体的实验数据如表2所示。由表2的数据可知,与原始的Daugman匹配算法相比,利用所提算法粗分类后再使用Daugman算法进行匹配不仅使虹膜匹配时的等错误率提高了0.03%,而且使得匹配时间下降了29.4%。这表明所提粗分类算法能够改善虹膜匹配的性能,对于大规模虹膜数据库环境下匹配性能的提高具有实际意义。

5 结论

本文提出了一种基于直方图统计特征的虹膜粗分类算法。该算法通过直方图比率算法提取虹膜纹理的统计特征,有效的描述了不同虹膜纹理类型的灰度分布和结构特征,实现了对虹膜的粗分类。仿真实验表明,所提算法对虹膜粗分类的准确率可以达到98.2%。另外,利用所提的虹膜粗分类算法,可以提升Daugman虹膜匹配算法的精度,缩短匹配过程的耗时。因此,对于大规模虹膜数据库环境下匹配性能的提高,所提算法具有一定的实际意义。

摘要：为改善大规模虹膜数据库中虹膜匹配算法的性能,本文提出了一种基于灰度统计特征的虹膜类型识别算法。该算法首先将虹膜纹理区域划分为8个子块,然后利用直方图比率提取虹膜类型的直方图统计特征。最后,根据对应子块特征的相似度将虹膜图像识别为五种类型。所提算法在CASIA虹膜库中挑选的500幅虹膜图像样本上进行了测试。仿真实验结果表明,所提算法对虹膜粗分类的准确率达到了98.2%。相对原有的Daugman虹膜匹配策略而言,所提算法结合Daugman算法的虹膜匹配策略不仅可以降低虹膜匹配的等错误率,而且使得匹配所用的时间下降了29.4%。

关键词：统计特征,虹膜匹配,虹膜粗分类

参考文献

[1]Daugman J G.Probing the uniqueness and randomness of iris codes:results from200billion iris pair comparisons[J].ProcIEEE(S0018-9219),2006,94(11):1927-1935.

[2]Wildes R P.Iris recognition:an emerging biometric technology[J].Proc.IEEE(S0018-9219),1997,85(9):1348-1363.

[3]MA L,TAN T N,WANG Y H.Personal identification based on iris texture analysis[J].IEEE Trans Pattern Anal Mach Intell(S0162-8828),2003,25(12):1519-1533.

[4]MA L,TAN T N,WANG Y H,et al.Efficient iris recognition by characterizing key local variations[J].IEEE Trans.on Image Processing(S1057-7149),2004,13(6):739-750.

[5]FENG G,WU Y Q.An iris recognition algorithm based on DCT and GLCM[J].Proceedings of the SPIE(S0277-786X),2008,7000:1-8.

[6]Dey S,Samanta D.An efficient approach to iris detection for iris biometric processing[J].International Journal of Computer Applications in Technology(S0952-8091),2009,35(1):2-9.

[7]YU L,ZHANG D,WANG K,et al.Coarse iris classification using box-counting to estimate fractal dimensions[J].Pattern Recognition(S0031-3203),2005,38:1791-1798.

[8]QIU X C,SUN Z N,TAN T N.Coarse iris classification by learned visual dictionary[J].Lecture Notes in Computer Sciences(S0302-9743),2007,4642:770-779.

[9]Paschos G,Petrou M.Histogram Ratio Features for Color Texture Classification[J].Pattern Recognition Letters(S0167-8655),2003,24(13):309-314.

[10]TANG R N,HAN J Q,ZHANG X M.An effective iris location method with high robustness[J].Optica Applicata(S0078-5466),2007,37(3):295-303.

[11]唐荣年,韩九强,张新曼.一种Log-Gabor滤波器结合多分辨率分析的虹膜识别方法[J].西安交通大学学报,2009,43(4):30-33,61.TANG Rong-nian,HAN Jiu-qiang,ZHANG Xin-man.Iris recognition method using Log-Gabor filter and multi-resolution analysis[J].Journal of Xi’an Jiaotong University,2009,43(4):30-33,61.