专利名称：基于虹膜分析的个体身份自动识别系统的制作方法
技术领域：
本发明涉及生物识别技术领域，特别是模式识别和计算机视觉的交叉领域。模式识别是AI(人工智能)的重要分支学科，目前已广泛应用于语音识别，字体识别等。计算机视觉是近儿年来研究的热点，其取得了极大成果。本质上识别系统应与生物视觉和理解系统相对比。基于生物模型本身的系统是该学科最终的目标。
背景技术：
Flom et al在1987年提出了基于虹膜识别的概念。眼睛中环状虹膜区域具有个体无依赖性的高度随机纹理特征(degrees-of-freedom)和终身稳定的特性。有关虹膜反映人体健康状况的”虹彩诊断说”已被证明是医学欺骗。
一个真实可行的系统由John Daugman开发完成。参见《基于虹膜分析的个体生物识别系统》，美国专利号5,291,560(Biometric Person IdentificationSystem Based On Iris Analysis”US Patent number5,291,560，May，1，1994)。其核心技术是采用2D Gabor子波簇提取纹理特征，具有威利-海森堡测不准理论(Weyl-Heisenberg Uncertainty Relation)下的最小分辨率，明显的它具有最佳时频结合分析精度。《2维皮层接收域轮廓频谱分析》《视觉研究》(“Two-DimensionalSpectral Analysis of Cortical Receptive Field Profiles”Vision Research 20，pp.847-856.John Daugman)再对特征在复平面上进行局部区域状态量化编码(也就是特征值实虚部符号编码)。相似度的度量采用不一致位编码的海明距离(Disagree Hamming Distance)。
R.P.Wildes et al(“自动无侵害的虹膜识别系统和方法”中国专利号95195628.0)，提出了基于Laplacian Pyramid Wavelet(拉普拉斯叠层小波)带通分解提取多尺度下的纹理特征。其相似度度量则采用Fisher线性统计数据相关性方法。
“虹膜识别方法”(王介生，中国专利号97104405.8)，所描述的系统本质上就是John Daugman系统在离散和细节层面上的表达。唯一区别处是其采用了上位概念化的2D子波代替下位概念化Gabor子波提取特征。但一般化的子波实质上更降低了纹理分析的精度。虹膜区域定位，编码和相似度度量也类似于John Daugman系统。
上述系统存在的以下缺陷a.John Daugman系统对图像成像质量标准要求很高。采用的成像平台必需能提供高清晰度(SNR高信噪比性能)，高对比度和优化的近红外(NIR)波段LED设计作为照明光源，其对背景环境要求很严格。控制质量标准包括随机CCD噪声，光线反射，运动模糊等。FRR将随环境变化而迅速增长。其不能被用于户外和高背景噪声的环境。b.R.P.Wildes系统采用的拉普拉斯叠层小波，其无任何方向选择性。对复杂的虹膜纹理特征分析，则应具有多尺度和多方向的结合选择性。Fisher统计数据相关性方法也使FAR和FRR没有共优表现。
发明内容
本发明要解决的是现有技术中存在的上述缺陷，提供一种改进型的个体身份自动识别系统。解决上述问题采用的技术方案是基于虹膜分析的个体身份自动识别系统，它包括以下步骤(1)图像焦点评估、高速搜索眼睛存在性和检测其位置偏移
a.计算图像在2D Fourier谱上的高频带的能量或S.Mallat的快速正交子波分解在高通子带(HH subband)上呈现的能量；b.通过能量来衡量图像焦点质量，系统将自动缩放镜头以获取最高的能量分布，即对应最佳的聚焦程度；c.采用自适应阈值迭代算法产生的最佳二值图像；d.通过计算二值图像的圆形面积重心方程确定瞳孔所覆盖的有效面积与真实阈值面积的对比；e.采用迭代算法产生最佳比例关系，以此对比作为眼睛存在的标准条件，相应的圆形面积的中心坐标和覆盖半径被用于评估眼睛的位置和偏移的尺度；(2)确定虹膜的内缘边界和外缘边界a)采用Canny算子在精细尺度模式下平滑获得虹膜与瞳孔的边界，通过全局Hough圆形变换获得该边界的圆参数；b)采用Canny算子在模糊尺度模式下平滑获得虹膜与巩膜的边界，通过Hough变换局部变形获得该边界的圆参数；(3)提取虹膜的纹理特征结构基于生物视觉皮层模型的多尺度、多方向性、旋转无关的结合选择性子波变换(MSMORI-wavelet)提取纹理特征结构；(4)产生虹膜模型的特征表达(Irisjet)在规范的局部区域中编码各个尺度和方向上的子带特征；(5)采用规范化点积函数的相似度度量方法评判模板间特征空间的相关性。
所述第(4)～(5)步可采用竞争性神经网络和聚类性神经网络进行特征表达编码和相似度度量。
所述第(3)～(5)步可采用在2D泛函空间上用赋范函数(也称范数)进行编码和最佳函数一致逼近的度量方法。
所述第(3)～(5)步可采用在2D数据空间上用长度相关(卷积)进行编码和基于编码的相同长度统计的度量方法。
图1是MSMORI-wavelet子带分解表示，它用于产生在各个尺度和方向上的带通分解。
图2是MSMORI-wavelet频谱特征。
图3是MSMORI-wavelet与其它著名子波和变换的比较。
图4是子带特征编码图。
图5是Irisjet相应对间规范化的点积函数表。
图6是FAR统计表。
图7是FRR统计表。
图8是本发明的流程框图。
图9是神经网络的模型图。
具体实施例方式
图1-8是本发明的第一个实施例，它采用以下步骤(1)虹膜图像的采集通过近红外(NIR 700-900nm)波段的发光二极管(LED)作为照明光源。它能高清晰度成像虹膜的纹理结构。带缩放功能的单色电荷藕合摄像机(CCD Camera)和帧采集卡(Frame Grabber)被需求用于图像成像和采集。
(2)图像的焦点必须被评估以确保高质量的图像能用于后继处理。同时高速搜索眼睛存在性和检测其位置偏移也被需求用于有效的后继分析。本系统采用计算a.图像2D Fourier谱上的高频带的能量或通过S.Mallat的快速正交子波分解在高通子带(HH subband)上呈现的能量。
b.图像对比度和差异边缘是高频能量分布的决定因素。通过能量来衡量图像焦点质量，系统将自动缩放镜头以获取最高的能量分布，其对应最佳的聚焦程度。
c.如果未能满足精度需求，系统自动提示用户调整远近位置(Z光学轴)。
通过研究眼睛瞳孔与虹膜和巩膜组织间存在的边缘高对比度差异的特征。系统基于d.自适应阈值迭代算法产生最佳二值图像(黑白图像)。二值图像被描述为瞳孔与图像其它部分对比，二值化方法使它们的差异被区分为最大。自适应阈值迭代算法将保证适应于不同背景环境下的图像能呈现最佳对比度。
e.通过计算二值图像的圆形面积重心方程确定瞳孔所覆盖的有效面积与真实阈值(二值阈值)面积的对比。在这时对比被表示以中心坐标(x0，y0)和半径r0产生的有效覆盖圆形面积(既覆盖面积像素数量)与真实阈值面积的比例关系。
f.迭代e.算法产生最佳比例关系。以此最终对比作为眼睛存在的标准条件。相应的中心坐标和覆盖半径被用于评估眼睛的位置和偏移的尺度。
g.结果被用于自动提示用户调整适当的位置(X-Y光学轴)。
该算法具有高速性，可靠性，充足的评估精度。
(3)虹膜区域定位是利用其与瞳孔和巩膜间边缘差异实现。通过研究发现定位的精确度主要受边缘提取方法的影响。本系统采用了Canny算子在图像中精确提取边缘特征结合Hough变换或圆形参数方程来分别定位虹膜内外圆参数。“一种实现边缘检测的计算方法”<<IEEE模式分析与机器智能>>(“A computational approach to edge detection”IEEE Trans，Pattern Analysis andMachine Intelligencc，Vol.8，1986，Canny)a.虹膜与瞳孔边缘差异很明显，Canny算子可以平滑在精细尺度模式下，以获得精确的瞳孔边缘定位；Hough圆形变换参数应该控制全局圆形周长(取0到360度)。同时应保持周长有固定的采样点数，以避免周长随半径增长。
b.而虹膜与巩膜间边缘差异不很明显，归因于NIR LED照明光源产生的柔和比对和异色边缘组织的模糊过渡。
同时考虑(b.1)低象限的镜面反射和高象限眼睑、睫毛等干扰；(b.2)虹膜中存在同中心的圆环特征；因此Canny算子平滑在模糊尺度模式下，以平滑更大面积避免(b.2)情况下的干扰。
Hough变换也应避免(b.1)情况下的干扰而改变为仅控制两部分弧形区间(取+45到-45度和135到225度)。同样应保持面积有固定采样点数，以避免平滑的面积随半径增长。
(4)算法系统要实现对平移、旋转、缩放噪声的不变性，虹膜区域采用规格化极坐标系变换为直角坐标系的方法是适当的。部分噪声表现为低象限的镜面反射和高象限眼睑、睫毛等干扰。系统排除这两部分区域被用于特征分析。而其它噪声如CCD噪声，离散化采样，瞳孔弹性缩放等也被考虑。以等离散间隔的采样方式局部分区图像，这是精细分析所必须具备的前提。
(5)本发明核心特点是开发基于生物视觉皮层模型的多尺度，多方向性，旋转无关的子波变换(MSMORI-wavelet)应用于提取纹理特征结构。本质上MSMORI-wavelet完成结合时频/空间频域多分辨率带通分析，能应用于各类计算机视觉模型处理。
纹理特征分析有很长的研究历史，从随机域模型到现在的多分辨率分析。
“子波变换，时频局部化和信号分析”<<IEEE信息理论学报>>
(“The wavelet transform，time-frequency localization and signal analysis”IEEETransactions on Information Theory，Vol.36，No.5，1990，I.Daubechies)“信号多分辨率分析理论子波表达”<<IEEE模式分析与机器智能>>(“A theory for multiresolution signal decompositionthe wavelet representation”IEEE Transactions on Pattern Analysis and Machine Intelligence.Vol.11，No.7，1989 S.Mallat)MSMORI-wavelet在研究中考虑到纹理特征在尺度和方向上的调谐能力，作为边缘，条状等检测器，同时也能给出局部区域的微特征统计表达。它能被用于图像分析，纹理分类，图像识别和图像跟踪等应用领域。
a.图1例示MSMORI-wavelet子带分解表示；它用于产生在各个尺度和方向上的带通分解。H，B，L，K标识分别表示高通子带，带通子带，低通子带和设计方向数。2↓和2↑标识分别表示二次亚采样(down-sample)和二次过采样(up-sample)。圈标识分别表示各子带变换系数。
b.图2例示MSMORI-wavelet频谱特征，在频谱域上清晰的表明其多尺度，多方向性，旋转无关的特征。图中阴影区例证具备同一方向和尺度的子带。
c.图3例示MSMORI-wavelet与其它著名子波和变换的比较。
John Daugman所采用2D Gabor wavelet本质上不提供旋转无关性能力，而R.P.Wildes使用的Laplacian Pyramid wavelet其无任何方向性分辨能力。生物视觉则具有多尺度和多方向的结合选择性。
(6)特征表达被编码作为用于区分个体的模板。系统采用子带特征编码方法，在规范的局部区域中编码各个尺度和方向上的子带特征。这样的设计来源于虹膜局部纹理特征具有高度随机分布和等方向性分布。编码所产生形成特征表达(Irisjet)。其将代表虹膜的特征提取模型。换句话说就是数字化的个体虹膜。很明显它的编码方式是不可逆转的，这可保证个体的特征表达不能逆转为图像本身。
尽管生物视觉细节机理尚未完全了解，但实验已证明生物视觉可能更多自动聚焦于局部特征区域和有选择性编码子带特征。对于虹膜特征纹理其本身也有一定的放射状相关性，因此选择其分布特性非常重要。应选择对跨众多个体间都具敏感性的模型参数。
该模型被例示为图4。其形象化的表示了子带特征编码过程。
(7)自动个体身份识别系统的基本功能是完成依靠已注册或编码的存储在数据库中的模板比对需求验证的个体模板。相似度度量方法被开发用于评判模板间特征空间的相关性。本方法描述为计算Irisjet相应对角度的COS函数(也就是Irisjet相应对间规范化的点积函数)。它本质上被度量为
的归一化相似度区间。0代表完全不相似，而1则代表完全相似。实际应用中在规范方向上旋转Irisjet可以等效为旋转图像区域本身。比对John Daugman采用Hamming Distance和R.P.Wildes的Fisher线性统计数据相关性方式本系统度量有更好的抗噪声能力。
该模型被例示为图5。
(8)通过基于统计数据分析确定相似度判决值，其被用于评判验证的标准。对应的相似度大于判决值系统给出接受信息，否则给出拒绝信息。判决值必须建立在统计分析的基础上以保证跨众多个体间的FAR性能的正确性。
(9)系统给出FAR和FRR性能数据统计分析。
作为比较仅有John Daugman系统给出相应数据。引用英国国家物理实验室“生物测定产品测试最终报告”(Biometric Product Testing Final Report”CESG contract X92A/4009309，Draft 0.6，19 March 2001，NPL(National Physical Laboratory)，UK)中其性能为FAR(0.0)％)，FRR(1.9％)。其成像平台为LG2200 Imager.背景环境变量也被严格控制。
该统计是基于不同虹膜模板间在实际环境中差异的表现。未控制照明亮度和背景噪声。数据表明FRR具备高度抗噪声干扰能力和共优的FAR性能。测试样本共100人，实际环境中每人左右双眼各20对同一虹膜(在不同环境中采集)。
x-轴和y-轴分别表示测试数量和相似度的度量。
a.FAR统计被例示为图6。它被用于反映冒充者与真实者的相似度的度量。
数据统计分析表明相似度的判决值设置在62.0％时，FAR＝0.0％。测试样本大都分布在0.35到0.55的区间。
b.FRR统计被例示为图7。它被用于反映真实者间在不同环境中的相似度的度量。数据统计分析表明相似度的判决值设置在62.0％时，FRR＝1.01％。
测试样本大都分布在0.65到0.85的区间。
除了上述已描述的系统本发明还可以采用竞争性神经网络和聚类性神经网络算法对特征提取后编码表达和相似度的度量。它的模型结构被例示为图9，有输入层，隐含层，输出层构造。详细的实现过程包括1、特征表达被分组为训练集和测试集。
2、初始化神经网络迭代权重，可以采用随机初始化权重。同时采用归一化输出相似度的度量。
3、通过竞争性反馈算法和聚类性反馈算法，实现对训练集的权重迭代训练，使它完成收敛过程。
4、对测试集采用优胜者选择方法(Winner Selection Method)产生识别结果。
本发明还可以采用各类2D特征空间上数据相关性的方法对特征提取及特征取后编码表达和相似度的度量。详细的实现过程包括1、在2D泛函空间上采用赋范函数(也称范数)进行编码表达和最佳一致逼近函数的度量方法。
1.1利用2D虹膜特征纹理空间上相关性在2D泛函空间(范数空间)上表现特性最优的特点。采用比如切比雪夫(Tchebyshav)范数和Euclidean范数等编码表达。
1.2相似度的度量采用最佳一致逼近函数(如统计最小二次方差等)。
2、在2D数据空间上采用长度相关(卷积)法进行编码表达。
2.1利用虹膜特征纹理具有一定的在2D数据空间上的长度相关(卷积)特性。
2.2相似度的度量采用模板间编码的相同长度的统计方法。
权利要求
1.基于个体虹膜的身份自动识别系统，它包括以下步骤(1)图像焦点评估、高速搜索眼睛存在性和检测其位置偏移a.计算图像在2D Fourier谱上的高频带的能量或S.Mallat的快速正交子波分解在高通子带(HH subband)上呈现的能量；b.通过能量来衡量图像焦点质量，系统将自动缩放镜头以获取最高的能量分布，即对应最佳的聚焦程度；c.采用自适应阈值迭代算法产生的最佳二值图像；d.通过计算二值图像的圆形面积重心方程确定瞳孔所覆盖的有效面积与真实阈值面积的对比；e.采用迭代算法产生最佳比例关系，以此对比作为眼睛存在的标准条件，相应的圆形面积的中心坐标和覆盖半径被用于评估眼睛的位置和偏移的尺度；(2)确定虹膜的内缘边界和外缘边界a.采用Canny算子在精细尺度模式下平滑获得虹膜与瞳孔的边界，通过Hough圆形变换获得该边界的圆参数；b.采用Canny算子在模糊尺度模式下平滑获得虹膜与巩膜的边界，通过Hough变换获得该边界的圆参数；(3)提取虹膜的纹理特征结构基于生物视觉皮层模型的多尺度、多方向性、旋转无关的结合选择性子波变换(MSMORI-wavelet)提取纹理特征结构；(4)产生虹膜模型的特征表达(Irisjet)在规范的局部区域中编码各个尺度和方向上的子带特征；(5)采用规范化点积函数的相似度度量方法评判模板间特征空间的相关性。
2.如权利要求1所述的自动识别系统，其特征在于所述第(4)～(5)步可采用竞争性神经网络和聚类性神经网络进行特征表达编码和相似度度量。
3.如权利要求1所述的自动识别系统，其特征在于所述第(3)～(5)步可采用在2D泛函空间上用赋范函数(也称范数)进行编码和最佳函数一致逼近的度量方法。
4.如权利要求1所述的自动识别系统，其特征在于所述第(3)～(5)步可采用在2D数据空间上用长度相关(卷积)进行编码和基于编码的相同长度统计的度量方法。
全文摘要
本发明涉及生物识别技术领域，特别是模式识别和计算机视觉的交叉领域。它包括以下步骤图像焦点评估、高速搜索眼睛存在性和检测其位置偏移，确定虹膜的内缘边界和外缘边界，提取虹膜的纹理特征结构、产生虹膜模型的特征表达(Irisjet)和采用规范化点积函数的相似度度量方法评判模板间特征空间的相关性。它解决了现有技术无法在户外高背景噪声环境工作及Fisher统计数据相关性方法使FAR和FRR没有共优表现的问题。
文档编号G06K9/00GK1442823SQ0216036
公开日2003年9月17日 申请日期2002年12月30日 优先权日2002年12月30日
发明者倪蔚民 申请人:潘国平