基于纹理图像局部特征的形变虹膜匹配方法

摘要

本发明是基于纹理图像局部特征的形变虹膜匹配方法，包括特征抽取和关键点匹配两个环节。特征抽取步骤包括：按照既定的多个方向，计算每幅归一化虹膜图像的方向梯度图；不同像素点方向梯度图的加权组合作为该图像的纹理图像局部特征；关键点匹配步骤包括：利用像素点的纹理图像局部特征选取关键点；每个关键点通过局部动态搜索，找到另一幅图像上和其特征欧氏距离最近的点，每个关键点的匹配值的平均为两幅图像的匹配结果。本发明抽取特征过程快速，且特征对于光照和噪声鲁棒。关键点匹配能动态地在局部区域找到匹配点，非常适合用于形变虹膜匹配，还能提高低质量虹膜图像匹配的精度和虹膜识别系统对复杂多变的应用环境的适应能力。

说明书

技术领域

本发明涉及计算机视觉、数字图像处理、模式识别等技术领域，特别是一种基于纹理图像局部特征的形变虹膜匹配方法(Deformable DAISYMatcher，简称DDM)。

背景技术

虹膜是人眼中外部可见的内部器官，在近红外光线下可以呈现出丰富的纹理，虹膜识别即通过分析人眼虹膜的纹理来识别人的身份。由于虹膜具有唯一性、稳定性和非侵犯性等多种优点，目前已经成功应用于煤矿、机场、银行等地的身份验证。

但是不同光照环境下，人眼瞳孔大小会随着光线而缩放。据统计，外界光线强时人眼瞳孔的直径会缩小至约1.5毫米，暗时会扩张至约7毫米。瞳孔直径的变化同时会引起虹膜的弹性形变。如图1所示是不同光照情况下同一个虹膜对比，图1中：

(a)是光照暗时的虹膜图像；

(b)是(a)的虹膜线性归一化结果；

(c)是光照亮时的虹膜图像；

(d)是(c)的虹膜线性归一化结果；

当同一个虹膜产生不同程度的形变时，其纹理也会有较大的差异，这是目前虹膜识别面临的一个严峻挑战。识别人在注册和识别时，外界光照环境通常会有很大的变化，不同时刻获取的虹膜图像形变程度也不一样。这给虹膜识别系统带来了很大的类内差异(intra-class difference)，使错误拒绝率增大，大大降低了系统的识别正确率、使用方便性和舒适度。

目前，国内外很多学者着眼于研究形变虹膜的匹配问题，以减小虹膜弹性形变给识别系统带来的不良影响。目前解决虹膜弹性形变的方法主要有两种。第一，非线性归一化，在虹膜预处理过程中，通常需要将圆环状的虹膜图像归一化成固定大小的长方形，以消除图像尺寸给识别结果带来的影响。在此过程中，可以根据虹膜的生理特点等先验知识，在归一化过程中矫正虹膜的形变；第二，抽取对形变鲁棒的虹膜特征，此种特征用于识别，也可以大大降低识别错误率。

但是由于现在还不能非常精确地模拟虹膜弹性形变的模型，因此通过非线性归一化的方法矫正虹膜弹性形变有一定的困难，因此目前算法效果不是很好。另外，很多学者着眼于研究对虹膜形变鲁棒的特征和匹配方法，即虹膜的弹性形变对抽取出的特征影响不大，以此来消除虹膜弹性形变给识别系统带来的不良影响。此类方法现在还不成熟，也只能在一定程度上解决形变问题，并不能完全消除影响。

目前已经有很多成熟的虹膜识别技术及专利，能够有效地应用于虹膜识别领域，例如虹膜图像的鲁棒特征抽取与识别方法。此方法利用多极子滤波器对归一化虹膜图像进行空域滤波，并将滤波结果进行二值编码，构建图像的特征向量，两幅图像特征向量的汉明距离即为二者的匹配值。此技术在计算图像特征向量的汉明距离时，采用固定点对点的匹配方法。这种方法容易受到形变和遮挡的影响。当虹膜形变非常严重时，相对应点的特征值对发生移位，因此固定点对点匹配方法容易匹配错误的特征值，从而降低系统性能。

综上所述，现有的方法还不能很好地消除虹膜弹性形变带来的影响，因此成为虹膜识别的瓶颈问题，如何又快又好地消除形变带来的影响是一个亟待解决的问题。

发明内容

(一)要解决的技术问题

现有的虹膜归一化、特征抽取和匹配算法并不能完全消除虹膜弹性形变给识别带来的影响，不能有效地满足实际应用中的需要。本发明的目的是针对现有技术中存在的问题，最大程度消除虹膜弹性形变带来的影响，提供一种快速有效的形变虹膜匹配方法，解决虹膜识别中的典型问题，提升系统识别正确率。

(二)技术方案

为了解决公开技术方案存在的那些技术问题，本发明提出一种基于纹理图像局部特征的形变虹膜匹配方法，即利用虹膜的局部特征找到虹膜关键点，用关键点局部动态匹配的方法实现形变虹膜匹配。本发明不需任何先验知识，可以快速有效地抽取特征并匹配，解决了虹膜在严重形变时无法精确配准的问题。

为了实现上述目的，本发明基于纹理图像的局部特征的形变虹膜匹配方法解决技术题的技术方案包括以下步骤：

步骤S1：对用于注册和识别的归一化虹膜图像计算不同方向的方向梯度图，并抽取虹膜纹理图像局部特征。

步骤S2：识别时，根据虹膜纹理图像局部特征，找到待识别和注册虹膜图像的关键点；用局部范围内动态搜索的方法对待识别图像上的每个关键点在注册图像中找到匹配点；所有关键点匹配值的平均为两幅图像的匹配值。

优选地，抽取虹膜纹理图像局部特征的步骤包括：

步骤S11：计算归一化虹膜图像的方向梯度图。

步骤S12：对不同方向的方向梯度图用不同大小的高斯核多次滤波，图像的纹理图像的局部特征由每次滤波结果组成。

优选地，抽取虹膜纹理图像的局部特征的每个像素点都有一个多维的特征矢量。

优选地，虹膜的纹理图像局部特征由该归一化虹膜图像的像素点和周围像素点的方向梯度加权组合而成。

优选地，利用高斯核滤波对虹膜图像去除噪声和特征加权。

优选地，关键点匹配步骤包括：

步骤S21：对于任意一幅虹膜图像，计算每一像素点的纹理图像局部特征能量，并据此选择该虹膜图像的关键点。

步骤S22：两幅图像匹配时，待识别图像的每个关键点在设定距离范围内找到在注册图像上和其特征最相似的点，作为其匹配点。

优选地，利用像素点每一维特征值的平方和作为该点的特征能量；在设定区域范围内，特征能量最大的像素点选作虹膜关键点。

优选地，两幅图像匹配时，待识别图像的所有关键点在注册虹膜图像局部范围内动态寻找特征最相似点，达到形变虹膜匹配目的。

本发明的有益效果：本发明利用虹膜的局部纹理图像的局部特征，选择虹膜关键点，并且利用局部特征动态选择关键点的匹配点。它解决了在虹膜识别中形变虹膜纹理难以配准的问题。它主要有以下优点是(1)纹理图像局部特征对光照和加性噪声鲁棒。由于在提取特征时用到梯度信息，因此光照对特征影响不大，并且在赋权值的时候用高斯滤波的方法，这样可以快速有效地去除加性白噪声并且对不同区域赋值；(2)纹理图像局部特征为虹膜局部特性，能够用多维矩阵详细描述虹膜纹理细节信息；(3)匹配时用到关键点局部动态匹配方法，所以即使虹膜形变非常严重，每一个关键点也能很好地找到其匹配点，并且匹配时不需要任何形变的先验知识或者模型，这也是本算法对比其他算法的优势所在。由于本发明高效率和高鲁棒性等特点，它对提高虹膜识别的系统性能有重要作用，非常适用于实际的虹膜识别系统，尤其是不同光照情况下的虹膜匹配问题，有很好的效果。

附图说明

图1是不同光照情况下同一个虹膜对比；

图2是基于纹理图像局部特征的形变虹膜匹配方法流程图；

图3是基于纹理图像局部特征的形变虹膜匹配方法组成说明；

图4是归一化虹膜图像抽取特征流程图；

图5是关键点匹配方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。但所描述的实施例子仅旨在便于对本发明的理解，而对其不起任何限定作用。

在不同光照环境下，人眼瞳孔大小会随着光线而缩放。由此引起的虹膜弹性形变给虹膜识别带来很大的挑战。这给虹膜识别系统带来了很大的类内差异(intra-class difference)，使错误拒绝率增大，大大降低了系统的识别正确率、使用方便性和舒适度。

虽然目前有很多种方法来消除形变带来的影响，例如非线性归一化矫正弹性形变、对形变鲁棒的特征抽取和匹配等，但这些方法不能完全消除形变带来的影响。

本发明提出用关键点局部动态匹配的方法解决形变虹膜匹配问题。抽取的局部特征可以有效地描述虹膜图像的细节信息，而且依据特征选出的关键点对光照和噪声鲁棒，而且即使在形变严重时，动态匹配的方法也可以使关键点快速有效地找到匹配点。因此这种方法具有对光照、噪声和形变鲁棒的特点，非常适用于形变虹膜匹配。

根据上述分析，本发明提出的一种基于纹理图像局部特征(DAISY)的形变虹膜匹配方法，其流程框图如图2及图3所示，包括特征抽取和关键点匹配两个步骤：

步骤S1：对用于注册和识别的归一化虹膜图像计算不同方向的方向梯度图，并抽取虹膜纹理图像局部特征。

步骤S2：识别时，根据已计算的虹膜纹理图像局部特征，找到待识别和注册虹膜图像的关键点；用局部范围内动态搜索的方法对待识别图像上的每个关键点在注册图像中找到匹配点；所有关键点匹配值的平均为两幅图像的匹配值。

下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述：

特征抽取步骤S1，此处抽取虹膜图像的纹理图像局部特征。计算纹理图像局部特征时有多个参数，下文将选择特定的参数来说明：梯度方向选择8，邻域点方向选择4，层数选择5。

纹理图像局部特征(DAISY特征)是一种密集的局部特征，每个像素点都有一个特征矢量。每一像素点的特征由该点和其邻域点的方向梯度组成，归一化虹膜图像抽取特征流程图如图4所示。

首先，确定参数设置的八个梯度方向，并计算归一化虹膜图像在这八个方向的方向梯度图G_o：

$G_o={\left(\frac{\partial I}{\partial o}\right)}^{+}$

其中I是归一化虹膜图像，o是已定义的八个梯度方向之一，(·)⁺表示和0的中较大的值。

计算出方向图后，用选定大小的高斯核对其滤波以去除噪声：

$G_o^{{\Sigma }_0}=G_{{\Sigma }_0}*G_o=G_{{\Sigma }_0}*{\left(\frac{\partial I}{\partial o}\right)}^{+}$

其中“*”表示卷积运算，其卷积结果为在o方向的卷积方向图，表示本层高斯滤波核函数，∑₀表示此高斯滤波核函数的尺度参数，可以取值为∑₀＝1。经过高斯滤波之后，图像中的噪声可以被有效地滤除。

为了快速地给不同级别的卷积方向图的赋不同的加权值，分别用不同大小的高斯核进行多次卷积，得到不同级别的方向图卷积结果：

$G_o^{{\Sigma }_i}=G_{{\Sigma }_i}*G_o^{{\Sigma }_{i-1}}(i=\mathrm{1,2},.,5)$

其中表示在o方向的第i级卷积方向图，表示在o方向的第i-1级卷积方向图，表示由第i-1级变换到第i级所用的高斯卷积核，∑_i表示滤波时所用高斯核参数，每一级的高斯核参数可根据实际需求自行设定，例如可以设定∑₁＝15；∑₂＝3；∑₃＝45；∑₄＝6；∑₅＝75；

在第i级(i＝1，2...5)，像素点(m，n)的方向梯度向量h_∑(m，n)由该点八个方向的卷积梯度值组成：

$h_{{\Sigma }_i}(m,n)=\mathrm{norm}\left(\right[G_1^{{\Sigma }_i}(m,n),.,G_8^{{\Sigma }_i}(m,n)\left]\right)$

其中表示同为第i级的八个卷积方向图在点(m，n)的值，norm(□)表示归一化向量□。

上文以提到，选择5层的纹理图像局部特征，并且邻域点方向数选择4，则在位置(m，n)的纹理图像局部特征为：

$\mathrm{Des}(m,n)={\left(\begin{array}{c}{h}_{{\Sigma }_1}(m,n),\\ h_{{\Sigma }_1}\left(l_1(m,n,R_1)\right),.,h_{{\Sigma }_1}\left(l_4(m,n,R_1)\right),\\ h_{{\Sigma }_2}\left(l_1(m,n,R_2)\right),.,h_{{\Sigma }_2}\left(l_4(m,n,R_2)\right),\\ h_{{\Sigma }_3}\left(l_1(m,n,R_3)\right),.,h_{{\Sigma }_3}\left(l_4(m,n,R_3)\right)\\ h_{{\Sigma }_4}\left(l_1(m,n,R_4)\right),.,h_{{\Sigma }_4}\left(l_4(m,n,R_4)\right)\\ h_{{\Sigma }_5}\left(l_1(m,n,R_5)\right),.,h_{{\Sigma }_5}\left(l_4(m,n,R_5)\right)\end{array}\right)}^T$

其中R_j(j＝1，2，...，5)表示在第j层距离中心点(m，n)的距离，可根据具体实施自行设定，例如可以分别取值为5、10、15、20、25。l_i(m，n，R_j)(i＝1，2，3，4；j＝1，2...5)表示在i方向距离中心点距离为R_j的像素点。经过计算，每一像素点都有一个168维的特征向量((1+4×5)×8＝168)。关键点匹配步骤S2，当抽取出纹理图像局部特征之后需要选择图像的关键点并进行匹配。每一个像素点都有一个168维的特征矢量，将每一维的值平方并求和，得到该点的特征能量。若某一点的特征能量在其八邻域中最大，则将其标记为关键点。

如图5所示为关键点匹配方法流程，待识别图像和注册图像已经根据上述方法选出关键点。任选待识别图像中的某一点，标记为M。注册图像上坐标距离和M最近的八个点被选作候选点，这些候选点与M的相似度由以下公式衡量

$D_i=|{\mathrm{Des}}_M-{\mathrm{Des}}_{C_i}|$

其中D_i表示点M和点C_i特征值的相似度，Des_*表示点*处的特征值。

M点的匹配值MS_M为

MS_M＝min(D_i)i＝1，2，...，8

同时，关键点被定义为点M的匹配点。待识别图像所有的关键点均按照此方法找到自己的匹配点，并且计算出匹配值，两幅图像的匹配值为所有关键点匹配值的平均。

实施案例1：基于纹理图像局部特征的形变虹膜匹配方法适用于手持式虹膜识别设备。

本发明可广泛应用到手持式虹膜识别系统。某些手持式设备自带光源，当用户使用设备时，设备距离人眼的远近不同使得照到眼睛上的光线有所变化，因此人的虹膜也会随着光照有不同程度的形变。当虹膜产生形变时，错误拒绝率会大大升高，即拒绝已经注册过的用户，严重影响用户使用设备的识别率和方便性。利用现有的识别算法，用户在使用设备时，需要在焦距范围内手动调节设备和眼睛之间的距离，使每一次识别的光照情况类似，从而保证采集到的虹膜形变差异不大。但是应用了此发明之后，只要在焦距范围内，手持设备和眼睛的距离可以随意设置，虽然每次虹膜都有弹性形变，且程度不一，但是每一次都能够很好的识别，系统的识别正确率也有所提升。

实施案例2：基于纹理图像局部特征的形变虹膜匹配方法在远距离虹膜识别系统中的应用。

本发明可广泛应用到远距离虹膜识别系统。虹膜识别系统为了使用户使用更加舒适，已经慢慢演变成机器配合人的形式，人在识别时不需要刻意地去配合机器，而机器可以自适应识别人的身高并自动获取虹膜图像。但是远距离设备获取虹膜图像时，受到外界环境光线干扰较大，且不方便调节光强，所以虹膜的弹性形变对此系统也会带来干扰。现有的方法并不能很好地识别人的身份，经常拒绝已注册的识别人，使得用户体验感大大下降。本发明可以在这种设备中发挥重要的作用。虽然存在外界光线干扰，使得识别人注册和识别时光照情况差异很大，每次虹膜形变的程度也不同，本发明还是可以有效地进行匹配。无论外界光照怎么变化，已注册的识别人还是可以很快地被机器识别，快速安全地通关。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。