虹膜定位通常指确定虹膜的内、外边缘,上、下眼睑四个边界[1-4].
在虹膜识别中,稳定、准确地定位虹膜边界难度较大.这是因为采集到的虹膜图像是复杂多变的,如光的强弱变化,图像的对比度变化,睫毛、眼睑遮挡、光斑反射和眼镜等噪声的影响等,这些不可控的因素大大增加了分割虹膜区域的难度.事实上,虹膜分割算法已经成为影响虹膜识别系统性能的一个瓶颈.
微积分算子[1-3]、边缘检测与Hough变换相结合[4]是较为常见的两种虹膜定位算法.这两种算法在虹膜定位中主要有三个问题:①计算效率.微积分算子的定位效率主要受到边界参数范围的影响,初定位的准确性越差,搜索范围越大,则计算时间越长;Hough变换算法的定位效率主要受到边界点数量和参数搜索范围的影响,图像中的噪声越多、参数搜索范围越大,则定位时间越长.②虹膜外边缘定位容易出现错误.微积分算子和边缘检测都容易受到睫毛、光斑、眼镜框等各种噪声影响,导致定位错误.③上、下眼睑定位错误.由于成像设备、拍照环境和个人眼睑差异,导致不同人的眼睑在不同设备下成像差别较大,容易造成定位错误.虹膜边界和眼睑的定位错误将降低虹膜识别的准确率.
为了提高虹膜边缘与眼睑定位的定位效率和准确性,本文提出一种基于SIFT (scale invariant feature transform)[5-6]特征和SDM (supervised descend method)[7]算法的虹膜定位方法.该方法首先采用径向对称变换[8]和微积分算子定位瞳孔,然后采用SIFT特征描述虹膜边界的关键点,并采用SDM算法对虹膜定位的优化模型进行求解,得到虹膜内外边界和上下眼睑的关键点坐标,最后采用最小二乘法[9]确定上、下眼睑的边界和虹膜外边缘.
1 基于SIFT和SDM的虹膜定位算法 1.1 瞳孔定位在近红外设备拍摄的虹膜图像中,瞳孔与虹膜的灰度差别较大,边界梯度较大,易于定位,且定位的稳定性和效率均较高.因此本文在定位瞳孔时,采用“先粗后精”的原则:首先采用径向对称变换粗定位瞳孔,然后采用微积分算子精定位瞳孔.
微积分检测算子[1-3]是Daugman提出的一种虹膜定位算法,该算法计算虹膜图像圆环上的灰度差分,然后从所有差分结果中取最大值,得到最后定位结果.计算公式如下:
式中:Gσ(r) 为平滑函数;*为卷积运算;I(x, y) 为图像灰度矩阵;(a, b) 为圆心;r为圆的半径.
1.2 虹膜外边界的SIFT特征描述SIFT特征是一种常用的图像局部特征[5-6], 该特征信息量大,唯一性好,被广泛应用于多种计算机视觉问题[10].本文应用SIFT提取虹膜边界上关键点的特征向量.图 1给出了虹膜外边界上不同点的位置和它们的SIFT特征比较.
SDM采用有监督学习得到当前点到目标点的最优迭代向量.
该方法建立形状向量的偏移量Δx=x*-x和当前形状x的特征φ(I(x)) 之间的线性回归模型:
然后利用当前形状x和形变向量Δx迭代得到期望的位置向量x:=x+Δx.
为了降低搜索陷入局部最小的可能性,SDM进行多次迭代,学习得到一系列的{Rk}和{bk}.SDM学习的目标为
(1) |
式中:k为迭代次数;xk表示迭代到第k次时的形状向量;xki表示该形状向量中的第i个点的坐标;Δx*ki表示第k次迭代时,第i个点与实际边界点的真实偏差.所以,该式表示的是对所有图像上关键点的SIFT特征线性回归二范数误差最小.
1.3.2 SDM学习本文在虹膜外边界上取32个点作为虹膜的外边界关键点.其中,上、下眼睑各13个点,虹膜外边缘的左、右圆弧上各3个点,如图 2所示.图 2a为有上、下眼睑的虹膜图像的训练样本的标记点,其中1,13号点和14,26号点分别是上、下眼睑与虹膜外圆交点;图 2b为下眼睑不遮挡虹膜的样本标记点,这样的虹膜外边缘与下眼睑没有交点,14~26号点均取虹膜外边界上的最低点;图 2c为上眼睑不遮挡虹膜的样本标记点,其中,1~13号点均取虹膜外边界中最上侧的点.图 2d给出了所有训练样本上得到的平均形状.
对训练数据库中的每一幅图像,计算标记点的SIFT特征,并通过求解公式 (1) 得到Rk和bk,作为学习到的线性回归参数.
定位时,首先利用瞳孔定位的参数和虹膜外边缘的平均曲线初始化迭代曲线,得到训练参数Rk和bk.进行定位时,用平均形状对虹膜外边界进行初始化,如图 3a所示;图 3b,图 3c和图 3d分别给出了迭代1次、2次和3次的虹膜边界.
需要说明的是,本文方法的训练和测试过程都是在边长缩小为1/4的虹膜图像上进行.SDM算法的迭代次数设为3.
1.4 最小二乘拟合本文采用最小二乘法对SDM算法得到的关键点进行了定位.其中虹膜的外边界采用圆形定位,上、下眼睑采用抛物线形定位.
1.4.1 虹膜外边缘定位设圆的标准方程为
式中:x, y分别表示圆上点的横、纵坐标;a, b, c分别为圆标准方程的参数.将圆方程变形如下:
令Y=x2+y2, X=[1 x y], β=[c, a, b]T,则圆函数可变为
对于标准的二次多项式目标函数
回归函数变为线性函数:
令Y=y, X=[1 x x2], β=[p, e, d]T,则抛物线函数变为
确定边界参数的最小二乘优化模型如下:
式中 (Xi, Yi) 为SDM定位得到的相应边界上第i个点的坐标.
图 4给出了最小二乘拟合得到的虹膜外边缘和上、下眼睑边界定位结果.
本文算法在北京天诚盛业科技有限公司的单目虹膜采集设备TCI 311拍摄得到的700张虹膜图像上进行实验.
实验从图像库中随机选择图像进行交叉检验,训练和验证的图像数量比为7:3.
评价算法定位精度的误差率ρceri, j和失败率ρcfrj定义如下:
(1) |
(2) |
式中:xt, ij和xT, ij分别表示第j个样本图像在第i个点的测试位置及真实位置;|·|为欧氏距离;Dhj和Dwj分别表示第j个样本的所有关键点的最小外接矩形的长和宽.由定义形式可知,ρceri, j度量样本点的误差,而ρcfrj度量样本的定位失败率.
按照式 (3)、式 (4) 计算累积误差率和累积失败率.累积误差率定义如下:
(3) |
累积失败率定义如下:
(4) |
这里,α与β控制评判标准的严格与松弛,函数I为示性函数,即
图 5给出了本文算法的累积误差率ρcer和累积失败率ρcfr曲线.
图 6给出了微积分检测算子 (Itg-Diff) 和本文方法的定位结果比较.对于有大光斑和眼镜框等噪声的虹膜图像,本文方法明显有着更好的稳定性.这是因为微积分算子计算的是3×3邻域的梯度信息,容易受到局部灰度突变的影响而导致定位错误.常见的影响定位的区域包括光斑边界、眼睑边界、睫毛边界和眼镜框边缘等.而本文所采用的SIFT特征计算的是一个相对较大的局部区域的稳定特征,对图像的旋转、亮度变化、尺度缩放、噪声等都有着很好的稳定性,保证了算法对虹膜图像定位的鲁棒性.
1) 对虹膜边界的特征描述进行了探索.本文没有采用传统的梯度、灰度等常用的虹膜边界特征,而是提取虹膜边界的SIFT特征用于定位.实验表明,基于SIFT特征的虹膜外边缘和眼睑边缘特征稳定性更强,对进一步拓展虹膜边界的特征描述具有启发意义.
2) 将SDM算法引入到虹膜定位中,实现了一种虹膜边缘关键点定位算法.
3) 实验结果表明,本文方法能够准确定位虹膜的外边界和上、下眼睑,定位速度快、准确率高.
[1] | Daugman J G. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1993, 15(11): 1148–1161. |
[2] | Daugman J G. How iris recognition works[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2005, 14(1): 21–30. |
[3] |
张祥德, 董晓鹏, 王琪, 等.
基于微积分算子的彩色虹膜图像定位算法[J]. 东北大学学报 (自然科学版), 2011, 32(11): 1550–1553.
( Zhang Xiang-de, Dong Xiao-peng, Wang Qi, et al. Location algorithm of RGB iris image based on integro-differential operators[J]. Journal of Northeastern University (Natural Science), 2011, 32(11): 1550–1553. ) |
[4] | Wildes R P, Asmuth J C, Green G L, et al. A machine-vision system for iris recognition[J]. Machine Vision & Applications, 1996, 9(1): 1–8. |
[5] | Lowe D G.Object recognition from local scale-invariant features[C]//The Proceedings of the Seventh IEEE International Conference on Computer Vision.New York:IEEE, 1999:1150-1157. |
[6] | Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91–110. DOI:10.1023/B:VISI.0000029664.99615.94 |
[7] | Xiong X H, De la Torre F.Supervised descent method and its applications to face alignment[C]// IEEE Conference on Computer Vision & Pattern Recognition.New York:IEEE, 2013:532-539. |
[8] | Zhang W, Li B, Ye X, et al.A robust algorithm for iris localization based on radial symmetry[C]// International Conference on Computational Intelligence and Security Workshops.New York:ACM, 2007:324-327. |
[9] |
Lay D C. 线性代数及其应用[M]. 3版. 刘深泉, 洪毅, 马东魁, 等译. 北京: 机械工业出版社, 2011.
( Lay D C.Linear algebra and its application[M].3rd ed.Translated by Liu Shen-quan, Hong Yi, Ma Dong-kui, et al.Beijing:China Machine Press, 2011. ) |
[10] | Zhou H, Yuan Y, Shi C. Object tracking using SIFT features and mean shift[J]. Computer Vision & Image Understanding, 2009, 113(3): 345–352. |