張 震,張英杰

(鄭州大學電氣工程學院,河南鄭州450001)

基于支持向量機與Hamming距離的虹膜識別方法

張 震,張英杰

(鄭州大學電氣工程學院,河南鄭州450001)

針對傳統(tǒng)的虹膜識別方法側重于特征提取這一現(xiàn)象，提出了一種側重于模式匹配的識別算法，即基于支持向量機(Support Vector Machine，SVM)和Hamming距離的虹膜識別方法.該算法首先對采集到的虹膜圖像進行預處理，準確定位出虹膜，并對其進行歸一化處理;然后使用Log-Gabor濾波器提取虹膜紋理特征，在得到虹膜特征編碼后，用SVM和Hamming距離方法進行模式匹配.在CASIA虹膜庫上的實驗結果表明:與經典的識別方法相比，該方法識別率達到了99.63%，錯誤接受率(FAR)和錯誤拒絕率(FRR)分別降到了0.02%和0.35%.

虹膜識別;支持向量機;Hamming距離;Log-Gabor濾波器

0 引言

目前,虹膜識別方法主要可以分為3類:一是Daugman的相位編碼方法,它主要利用2D Gabor濾波器的局部性和方向性對虹膜紋理進行分解和編碼,該算法識別率較高,是目前虹膜識別商用系統(tǒng)的基礎,但該算法的識別速度較慢,且易受外界環(huán)境影響,實際應用中對設備的要求較高［1］;二是基于紋理分析方法,Wildes利用Gauss-Laplace在不同分辨率下分解虹膜圖像,并將對應的圖像進行相關比較,該算法較復雜、計算量較大、且實用性較差［2］;三是Boles提出的基于小波變換過零點檢測方法,該方法能有效地克服圖像平移、旋轉、縮放等問題,識別性能高,但該算法只能在小樣本集中取得有限的結果,且對灰度值變化比較敏感［3］.

因此,筆者提出了一種利用Log-Gabor濾波器和SVM的虹膜識別方法:首先利用Log-Gabor濾波器對虹膜圖像進行特征編碼,而后通過Hamm ing距離進行模式識別,對于未能正確識別或者識別錯誤的圖像再次通過SVM進行二次識別,以提高系統(tǒng)的識別率.

一個完整的虹膜識別系統(tǒng)主要包括:虹膜圖像的采集、預處理、特征提取、模式匹配4個過程［4］,其系統(tǒng)框圖如圖1所示.

圖1 虹膜識別系統(tǒng)框圖Fig.1 Block diagram of iris recognition system

1 虹膜圖像采集及預處理

1.1 虹膜圖像的采集

如何在不侵犯人體的情況下獲取高質量的虹膜圖像是虹膜識別系統(tǒng)的關鍵技術之一.由于虹膜面積小(一般直徑在1 cm左右),易受光照影響及易被遮擋等因素的干擾,對虹膜圖像的采集需要通過專用的設備來完成.鑒于虹膜圖像采集的復雜性,筆者采用中科院自動化研究所提供的CASIA虹膜圖像數(shù)據(jù)庫作為實驗樣本.圖2為虹膜庫中所選取的部分虹膜圖像.

圖2 原始虹膜圖像Fig.2 The original iris image

1.2 虹膜圖像預處理

虹膜圖像預處理一般主要包括虹膜定位、圖像歸一化和圖像增強3個步驟.

1.2.1 虹膜定位

虹膜定位是指通過各種技術方法求出虹膜的內外邊界參數(shù),進而分割出虹膜區(qū)域.筆者采用了結合人眼特征和幾何方法的虹膜定位方法:首先根據(jù)瞳孔內部的灰度特點,在瞳孔內確定一點;然后利用邊緣檢測模板,依據(jù)該點,分別在虹膜內外邊界上找到各自不共線的3個邊界點,這樣就能得到兩個直角三角形;根據(jù)幾何原理,虹膜內外邊界圓的直徑就是這兩個直角三角形的斜邊,從而可以得到虹膜內外邊界參數(shù),并準確定位出虹膜［5］.實驗結果證明:該算法不僅簡單,而且定位速度快、魯棒性好、定位精度高.同時,該方法在一定程度上還能對圖像質量較差的虹膜圖像進行準確定位,是一種行之有效的虹膜定位算法.

圖3 定位后的虹膜圖像Fig.3 Iris image after location

1.2.2 圖像歸一化

圖像歸一化的目的是為了將環(huán)形的虹膜區(qū)域通過極坐標變換的方法映射到一個具有指定大小的矩形區(qū)域中,從而消除平移、縮放和旋轉等對虹膜大小的影響［6］.公式(1)為進行極坐標變換的映射公式.圖4為圖像歸一化原理的示意圖,其中歸一化處理后的直角坐標系的橫軸表示角度θ,縱軸表示半徑r.

圖4 圖像歸一化原理示意圖Fig.4 Sketch map of image normalization

具體的映射公式為:

其中:r∈［0,1］,θ∈［0,2π］.

圖5為通過極坐標變換后得到的歸一化圖像.

圖5 歸一化后的圖像Fig.5 The image after normalization

1.2.3 圖像增強

顯然,歸一化后的圖像紋理依舊不清晰且對比度比較低,這將嚴重影響隨后的特征提取和匹配過程,為此需要對圖像進行增強處理.常用的圖像增強技術主要有平滑濾波、圖像銳化和直方圖均衡化等.鑒于本文主要是為了突出虹膜紋理信息,因此,采用直方圖均衡化顯然能夠更好地提高圖像對比度.增強后的圖像如圖6所示.

圖6 增強后的虹膜圖像Fig.6 Iris image after enhancement

2 虹膜特征提取

2.1 Log-Gabor濾波器

Log-Gabor濾波器最早是由Field提出的,它在線性頻率尺度下的頻率函數(shù)表達式為［7］

式中:f0代表濾波器的中心頻率;β/f0為常數(shù),用來保證濾波器的形狀不變.

Log-Gabor濾波器除具備普通Gabor濾波器的優(yōu)點外,還具備以下幾個特點:一是Log-Gabor濾波器沒有直流分量,致使它的帶寬可以不受限制;二是Log-Gabor濾波器可以覆蓋更大的頻率范圍;三是該傳遞函數(shù)在高頻端有一個延長的尾巴,這在一定程度上彌補了普通Gabor濾波器過度表達低頻分量而對高頻分量表達不足的缺點.同時,由于人的視覺系統(tǒng)具有對數(shù)性質的非線性,顯然,采用Log-Gabor濾波器可以更加真實反映虹膜紋理圖像的頻率響應［8］.

2.2 特征提取算法

對虹膜的特征編碼是通過將歸一化的虹膜圖像與一維的Log-Gabor小波卷積來實現(xiàn)的:將二維的歸一化圖像分解成一系列的一維信號,然后將這些一維信號分別與1D Log-Gabor小波進行卷積.由于歸一化的虹膜圖像的行向量具有最大的非相關性,因此,將二維的歸一化虹膜圖像的每一行看作一個一維信號.顯然,每行的一維信號對應虹膜區(qū)域中的一個圓環(huán).

通常,將已檢測出的噪聲區(qū)域的灰度值設為周圍像素的平均值,這樣可以避免噪聲對濾波器輸出的影響.按照Daugman的方法將濾波器的輸出相位量化為四級,對每個相位值濾波器產生一個2 bit的數(shù)據(jù),相位的量化輸出記為一個灰度編碼,當一個象限轉換到另一個象限時,只有一個比特位改變.具體方法可描述為:每一個復數(shù)結果代表一個特征值,其實部和虛部分別用特征值的兩個特征碼表示,如果Re［x］≥0,則相應的特征碼置1,否則置0;同理,如果Im［x］≥0,則相應的特征碼也置為1,否則也置為0.相位編碼示意圖如圖7所示.

圖7 相位編碼示意圖Fig.7 Sketch map of phase en coding

圖8為采用Log-Gabor濾波器提取虹膜的紋理特征的示意圖.

圖8 特征編碼示意圖Fig.8 Sketch map of feature code

3 虹膜特征匹配

3.1 支持向量機(SVM)

SVM是建立在統(tǒng)計學習理論的VC維理論和結構風險最小原理基礎上的,根據(jù)有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷,以期獲得最好的推廣能力［9］.由于實際應用的虹膜識別系統(tǒng)一般都是小樣本系統(tǒng),故很適合采用SVM來進行分類與識別.根據(jù)所處理數(shù)據(jù)的不同,可分別采用線性SVM和非線性SVM的方法來進行分類與識別.采用線性SVM可以將問題轉換為一個二次優(yōu)化問題,而采用非線性SVM的方法一般主要用來實現(xiàn)復雜數(shù)據(jù)的計算與匹配.由于虹膜紋理特征編碼所組成數(shù)據(jù)較復雜,故采用非線性SVM的方法更合適.

數(shù)據(jù)通常以點積的形式出現(xiàn)在線性支持向量機的訓練算法中.現(xiàn)在用非線性映射把輸人空間映射到某一特征空間,記為:R→H.假設存在一種核函數(shù)K,滿足:

則可以在不需要知道具體映射的情況下在特征空間中進行許多計算.

現(xiàn)在用核函數(shù)K代替線性SVM中的點積形式,對偶規(guī)劃之后可變?yōu)?/p>

式中:{(x1,y1),(x2,y2),…,(xi,yj)}為訓練樣本;y∈{-1,1};αi表示Lagrange乘子.

非線性SVM最優(yōu)超平面的決策函數(shù)為

式中:sgn表示符號函數(shù);b為分類閾值.

SVM識別原理如圖9所示.其中,x1,x2,…, xn為待識別的樣本;K(xj,x)(j=1,2,…,s)為基于s個支持向量的核函數(shù)［10］.

圖9 SVM識別原理Fig.9 SVM recognition principle

3.2 Hamming距離

Hamm ing距離(HD)是最常用的匹配算法,它主要是利用特征編碼相應位置上編碼不同的數(shù)量同編碼位數(shù)的比例作為兩個特征模板之間的匹配程度,距離越小,匹配程度越高［11］.

式中:⊕為異或操作符.此時,如果人為設置的閾值T0＞HD,則可以判定這兩個虹膜屬于同一個人;如果閾值T0＜HD,則可以判定虹膜不屬于同一個人.

3.3 基于SVM和Hamming距離的模式匹配

虹膜特征匹配的具體算法如下:

(1)輸人虹膜圖像的特征編碼;

(2)通過反復實驗,確定最優(yōu)的核函數(shù)及相應的核參數(shù),同時對特征編碼進行規(guī)范化處理,以便使其限定在所選核函數(shù)要求的范圍之內;

(3)構造核矩陣H(N,N),求解拉格朗日系數(shù)、支持向量以及最優(yōu)類超平面系數(shù)b;

(4)通過步驟(3)計算出的參數(shù),建立虹膜紋理特征的最優(yōu)決策類超平面,完成訓練;

由于2.4 m跨聲速風洞半模試驗段側壁為實壁[27], 計算過程中將其簡化為平板; 同時考慮到渦流發(fā)生器尺寸不應過大, 否則會增加對氣流的阻塞, 影響主氣流的均勻性, 將上、 下壁面設置為對稱條件.

(5)根據(jù)式(6)計算出待識別虹膜的相應決策輸出值,得出虹膜是否來自同一人,并輸出初步的識別結果;

(6)對于步驟(5)中未能正確識別或者拒絕識別的圖像再次通過SVM的方法進行二次識別,并輸出最終的識別結果.

4 實驗結果及分析

4.1 實驗數(shù)據(jù)及環(huán)境選擇

本文算法的測試樣本來自中科院自動化所提供的虹膜數(shù)據(jù)庫(版本1.0),該庫是目前測試虹膜識別算法最佳的大樣本共享庫.它一共由80個人的108只不同眼睛虹膜圖像組成,每個眼睛7幅圖像,共756幅.前3張與后4張的采集時間間隔一個月,圖像格式均為8 bit、256灰度級的灰度圖像,分辨率為320*280［12］.

測試環(huán)境:Intel Core i5處理器(主頻為2.60 GHz),內存為4G華碩筆記本電腦,并使用MATLAB 7.0來實現(xiàn)本文的算法.

4.2 算法衡量指標

一般情況下,衡量算法的性能指標主要有:識別率、錯誤拒絕率(FRR)、錯誤接受率(FAR)、注冊時間和匹配時間等［13］.筆者主要采用識別率、識別時間、FRR和FAR來進行評價.

4.3 核函數(shù)的選擇

輸人數(shù)據(jù)之間的相似性一般由核函數(shù)來反映,因此必須針對所要解決的具體問題來構造相應的核函數(shù).多項式核函數(shù)、徑向基函數(shù)(RBF)和sigmoid函數(shù)是目前研究最多也最常用的核函數(shù).一般情況下,對于小樣本的模式識別問題,3種核函數(shù)都能達到較為精確的識別效果.但當樣本數(shù)目較大時,由于RBF和sigmoid函數(shù)的收斂機會明顯大于多項式核函數(shù),此時RBF和sigmoid函數(shù)能達到更好的識別效果.對于向量維數(shù)較高的模式識別問題,一般采用RBF函數(shù)或者多項式函數(shù)進行識別［14］.選擇RBF、sigmoid函數(shù)和多項式函數(shù)分別作為核函數(shù),計算識別率的詳細情況如表1所示.

表1 不同核函數(shù)時的識別率Tab.1 The recognition rate of different kernel functions

顯然,采用RBF作為SVM的核函數(shù)時能夠取得最佳的識別效果,這是因為相對于多項式函數(shù)與sigmoid函數(shù),RBF函數(shù)待確定的參數(shù)更少,這也是其優(yōu)勢所在.

4.4 實驗結果與分析

在采用Log-Gabor濾波器提取紋理特征的基礎上,分別采用SVM、Hamming距離以及二者結合的方法在中科院虹膜數(shù)據(jù)庫(版本1.0)上進行實驗,實驗結果如表2所示.

表2 不同識別方法時的識別率Tab.2 The recognition rate of different methods

由表2可知,本文方法比前兩種方法識別效果更好,這是由于傳統(tǒng)的虹膜識別方法側重于特征提取,特征的提取過程一般又比較復雜.相比之下,本文方法更加側重于特征提取后的識別過程,特征提取方法較為簡單,這也是采用單一識別方法時識別率較低的原因所在.此外,表3還將本文算法與傳統(tǒng)方法做了比較.

表3 與傳統(tǒng)算法的比較Tab.3 Compared with the traditional algorithm

顯然,本文算法跟Daugman算法相比,雖然識別率略有下降,但識別時間更短、速度更快;跟Boles算法相比,錯誤拒絕率和錯誤接受率更低,且識別率更高.所以從綜合性能上來看,本文算法比另外兩種算法更加實用.

5 結論

傳統(tǒng)的虹膜識別算法一般都側重于虹膜紋理的特征提取過程,筆者提出了一種側重于模式匹配過程的虹膜識別算法,即用SVM和Hamming距離的方法對提取的虹膜紋理特征進行識別與分類,并在數(shù)據(jù)庫上進行實驗.最后的實驗結果表明本文算法能有效地減少虹膜識別系統(tǒng)的識別時間,同時該算法的識別率也達到了99.63%,綜合性能相對更好.

［1］ DAUGMAN J.How iris recognition works［J］.IEEE Transactions on Circuits and Systems for Video Technology,2004,14(1):21-30.

［2］ W ILDES R P.Iris recognition:An emerging biometric technology［J］.Proceedings of the IEEE,1997,85 (9):1351-1362.

［3］ BOLES W,BOASHASH B.A human identification technique using images of the iris and wavelet transform［J］.IEEE Transactions on Signal Processing, 1998,46(4):1185-1188.

［4］ 陳芋文,向林泓,張星林.基于Log-Gabor濾波的虹膜識別系統(tǒng)［J］.計算機與現(xiàn)代化,2012,202(7): 100-103.

［5］ 朱瓊瑤.結合人眼特征與幾何方法的虹膜定位方法［J］.計算機工程與應用,2013,49(8):182-184,244.

［6］ 戚玲.小波變換與數(shù)學形態(tài)學相結合的虹膜識別算法研究［D］.濟南:山東大學控制科學與工程學院,2012.

［7］ 許威,權芳芳,姜媛媛,等.改進的算法在虹膜識別中的應用研究［J］.計算機技術與發(fā)展,2013,23 (3):34-37.

［8］ 趙冠男.基于Log-Gabor變換與DLPP算法的虹膜識別的研究［D］.長春:吉林大學計算機科學與技術學院,2012.

［9］ 陳振國,王樹,田立勤.基于核Fisher鑒別分析與支持向量機的虹膜識別方法［J］.山東大學學報:工學版,2011,41(5):53-56,68.

［10］段益群,劉國彥.基于EMD和SVM的虹膜識別方法［J］.計算機工程與應用,2010,46(30):188-190,194.

［11］岳學東,劉洋.基于Kaiser濾波及噪聲抑制優(yōu)化的虹膜識別［J］.鄭州大學學報:工學版,2010,37(3): 122-126.

［12］王明.基于MATLAB的虹膜識別系統(tǒng)研究［D］.武漢:武漢理工大學信息工程學院,2007.

［13］胡靚.虹膜識別的算法研究及系統(tǒng)實現(xiàn)［D］.哈爾濱:哈爾濱工業(yè)大學機電工程與自動化學院,2010.

［14］李盼池,許少華.支持向量機在模式識別中的核函數(shù)特性分析［J］.計算機工程與設計,2005,26(2): 302-304.

Iris Recognition Method Based on Support Vector Machine and Hamming Distance

ZHANG Zhen,ZHANG Ying-jie
(School of Electrical Engineering,Zhengzhou University,Zhengzhou 450001,China)

In order to solve the problem of traditional iris recognitions focusing on feature extraction,a new method focusing on pattern matching was proposed,which was named iris recognition method using support vector machine(SVM)and Hamm ing distance.Firstly,normalization was used to process the iris position which was located in the eye images.And then Log-Gabor filter was used to extract the features.After obtaining iris feature codes,SVM and Hamming distance were used to classify the iris features.Experiment results on the CASIA iris database showed that recognition rate of thismethod reached 99.63%,false acceptance rate and false rejection rate were reduced to 0.02%and 0.35%compared to the classical recognition methods.

iris recognition;support vectormachine;hamming distance;Log-Gabor filter

TP391

A

10.3969/j.issn.1671-6833.2015.03.006

1671-6833(2015)03-0025-05

2015-02-01;

2015-03-27

國家自然科學基金資助項目(61473266);河南省教育廳科學技術研究重點項目(13A510684).

張震(1966-),男,河南鄭州人,鄭州大學教授,博士,主要從事信號處理、圖像處理與模式識別研究,E-mail:zhangzhen66@126.com.