專利名稱：：在圖像中提取虹膜特征的方法
技術(shù)領(lǐng)域：
：本發(fā)明大體上涉及處理和識別生物測定參數(shù)，更具體地說，涉及在眼睛的圖像中提取虹膜特征。
背景技術(shù)：
：很多安全系統(tǒng)需要可靠的個人身份識別或驗證。生物測定技術(shù)克服了常規(guī)的身份識別和驗證技術(shù)(例如密鑰、ID卡和密碼)的很多缺點。生物測定學(xué)指的是基于表示生理和/或行為特性的特征的個體自動識別。諸多生理特征能夠用作生物測定信號(biormetriccue)，諸如DNA采樣、臉部拓?fù)?、指紋細(xì)節(jié)、手掌幾何特征、筆跡風(fēng)格、虹膜外觀、視網(wǎng)膜靜脈結(jié)構(gòu)以及語音譜。在所有這些特征中，虹膜識別具有非常高的準(zhǔn)確性。虹膜攜帶了非常特殊的信息。即使同卵雙胞胎的虹膜也是不同的。虹膜定位(Localization)通常，虹膜分析以虹膜定位開始。一種現(xiàn)有技術(shù)方法使用微積分算子(IDO，integro-differentialoperator)(Daugman，J.G.，"Highconfidencevisualrecognitionofpersonsbyatestofstatisticalindependence,"IEEETrans,onPatternAnalysisandMachineIntelligence,Volume15，pp.1148-1161，1993，本說明書結(jié)合其內(nèi)容)。IDO使用下面的最優(yōu)化定位虹膜的內(nèi)側(cè)和外側(cè)邊界maxa)其中/Oc,少)是包括眼睛的圖像。IDO在圖像/(x，力上找出圖像/",少)的歸一化閉曲線積分關(guān)于增大的半徑r的模糊(blurred)偏導(dǎo)數(shù)中沿著半徑r和中心的坐標(biāo)(x。，少P的圓弧^的最大值。符號表示巻積，且G,(。是諸如具有標(biāo)準(zhǔn)差ff的高斯(Gaussian)函數(shù)的平滑函數(shù)。IDO用作圓形邊緣檢測器。IDO在3D參數(shù)空間上搜索梯度最大值。因此，不需要使用常規(guī)Canny邊緣檢測器(Canny,J.，"Acomputationalapproachtoedgedetection,，，IEEETrans,onPatternAnalysisandMachineIntelligence,vol.8，pp.679-698，1986)中的閾值。另一種方法使用霍夫變換(Houghtransform)(Wildes，R.，"Irisrecognition:Anemergingbiometrictechnology，，，Proc.IEEE85，pp.348-1363,1997)。該方法檢測虹膜圖像中的邊緣且隨后進(jìn)行圓形霍夫變換以定位虹膜邊界?；舴蜃儞Q搜索如下最優(yōu)化的最適當(dāng)?shù)膮?shù)<formula>formulaseeoriginaldocumentpage4</formula>其中，,fe，y，。-仏J，w小o時且<formula>formulaseeoriginaldocumentpage4</formula>對于邊緣像素"〗，…''z。邊緣檢測和霍夫變換方法的一個問題是邊緣檢測過程中閾值的使用。不同的閾值能夠得出不同的邊緣。不同的閾值能夠顯著影響霍夫變換的結(jié)果(Proenca，H.，Alexandre,L.，"Ubiris:Anoisyirisimagedatabase,"Intern.Confer,onImageAnalysisandProcessing,2005)。大多數(shù)其他方法基本上是通過限制參數(shù)搜索范圍或優(yōu)化搜索過程對Daugman的IDO或Wildes的邊緣檢測和霍夫變換組合的微小變型。例如，Ma等人利用像素亮度的投影和閾值粗略地推測了瞳孔位置的定位。此后還要進(jìn)行Canny邊緣檢測和圓形霍夫變換(Ma，L.，Tan，T.,Wang，Y.，Zhang，D."Personalidentificationbasedoniristextureanalysis,，，IEEETrans,onPatternAnalysisandMachineIntelligence,vol.25,pp.1519-1533，2003)。Masek描述了一種與Canny檢測器稍微不同的邊緣檢測方法，然后利用圓形霍夫變換以用于虹膜邊界提取(Masek，L.，Kovesi，P.，"MATLABSourceCodeforaBiometricIdentificationSystemBasedonIrisPatterns,，，TheSchoolofComputerScienceandSoftwareEngineering,TheUniversityofWesternAustralia，2003)。Kim等人利用三種高斯分布的混合來粗略地將眼睛圖像分成暗、中度、明亮的區(qū)域，然后利用霍夫變換以用于虹膜定位(Kim，J.，Cho，S.，Choi，J."Irisrecognitionusingwaveletfeatures,"JournalofVLSISignalProcessing,vol.38，pp.147-156，2004)。Rad等人使用各個方向的梯度向量對來粗略地推測圓周的位置，然后利用Daugman的IDO來精化虹膜邊界(Rad，A.,Safabakhsh，R.，Qaragozlou，N.，Zaheri，M."Fastirisandpupillocalizationandeyelidremovalusinggradientvectorpairsandcertaintyfactors,，，TheIrishMachineVisionandImageProcessingConf.，pp.82-91，2004)。Cui等人求出小波變換，然后利用霍夫變換來定位虹膜的內(nèi)側(cè)邊界，同時利用Daugman的IDO以用于定位外側(cè)邊界(Cui，J.，Wang，Y.，Tan，T.，Ma，L，Sun，Z.，"Afastandrobustirislocalizationmethodbasedontexturesegmentation,"Proc.SPIEonBiometricTechnologyforHumanIdentification,vol.5404，pp.401-408，2004)。上述方法中沒有一個利用圖像中的紋理來用于虹膜邊界的提取。在Cui等人的方法中，紋理僅用于粗略地限定睫毛和眼瞼部分遮蔽的圖像中的區(qū)域。利用Daugman的IDO，使拋物線弧擬合該區(qū)域中的眼瞼以生成掩模。因為可能的眼瞼遮蔽，使用掩蔽圖像(maskimage)能夠移除眼瞼(Daugman,J.，"Howirisrecognitionworks,"IEEETrans,onCircuitsandSystemsforVideoTechnology,vol.14，pp.21-30，2004)。通常的技術(shù)檢測眼睛圖像中的眼瞼邊界。Daugman利用具有樣條擬合(splinefitting)的弧形曲線來明確地定位眼瞼邊界。如上所述，Cui等人利用眼瞼的拋物線模型。Masek使用直線來近似眼瞼的邊界。這導(dǎo)致比所必需的掩模更大的掩模。幾乎所有的現(xiàn)有技術(shù)方法明確地推測了原始眼睛圖像中的眼瞼邊界。這是直觀的但在實際中卻具有某些問題。眼瞼的搜索范圍通常比較大，使得搜索過程慢，且更重要的是，即使當(dāng)眼瞼并不遮蔽虹膜時，眼瞼總是被推測。虹膜特征提取在利用微積分算子定位虹膜之后，Daugman將圓形圖像展開成矩形圖像。然后，一組2D加博濾波器(Gaborfilter)應(yīng)用于展開的圖像以獲得用于虹膜特征提取的量化的局部相位角。所得的二進(jìn)制特征向量被稱為"虹膜代碼"。該二進(jìn)制虹膜代碼使用漢明距離(Hammingdistance)匹配。Wildes描述了另一種虹膜識別系統(tǒng)，其中高斯濾波器的拉普拉斯算子被用于虹膜特征提取且利用歸一化相關(guān)匹配虹膜。在一組ID虹膜環(huán)上的各個比例的小波變換的零交叉已經(jīng)用于虹膜'持征提取(Boles，W.，Boashash，B.，"AHamanIdentificationTechniqueUsingImagesoftheIrisandWaveletTransform,，，IEEETrans,onSignalProcessing,vol.46，pp.ll85-1188，1998)。使用和量化2D小波變換以形成87位代碼(Lim，S.，Lee，K.，Byeon，O,，Kim，T."Efficientirisrecognitionthroughimprovementoffeaturevectorandclassifier,，，ETRI丄，vol.23，pp.61-70，2001)。然而，該方法不能處理在虹膜獲取中常見的眼睛旋轉(zhuǎn)問題。Masek描述了利用ID對數(shù)-Gabor濾波器以進(jìn)行二進(jìn)制虹膜代碼提取的的虹膜識別系統(tǒng)。Ma等使用了兩個圓形對稱濾波器針對大特征尺寸的虹膜特征提取計算小塊中的平均以及標(biāo)準(zhǔn)差(Ma，L.，Tan，T.，Wang，Y.，Zhang,D.，"Personalidentificationbasedoniristextureanalysis,，，IEEETrans,onPatternAnalysisandMachineIntelligence,vol.25，pp.l519-1533，2003)。Ma等人也描述了基于利用ID小波變換的局部變化分析的方法，還參見Ma，L.，Tan，T.，Wang，Y.，Zhang，D."Efficientirisrecognitionbycharacterizingkeylocalvariations,，，IEEETrans,onImageProcessing,vol,13，pp.739-750，2004。另一方法表征了用于虹膜特征提取的局部梯度方向(Sun，Z.，Tan，T.，Wang，Y."Robustencodingoflocalordinalmeasures:Ageneralframeworkofirisrecognition"ECCVworkshoponBiometricAuthentication,2004)。該方法在計算上是復(fù)雜的且得出相對大的特征^用于虹膜特征提取的所有現(xiàn)有技術(shù)方法采用了計算復(fù)雜且耗時的濾波步驟。需要一種虹膜特征提取方法，該方法能夠在生物測定識別協(xié)議中實現(xiàn)高精度虹膜匹配，且計算復(fù)雜性較小。
發(fā)明內(nèi)容生物測定學(xué)對于安全應(yīng)用是重要的。和很多其他生物測定特征相比，虹膜識別具有非常高的識別精度。成功的虹膜識別極大地依賴于正確的虹膜定位。在本發(fā)明的一個實施方式中，在圖像中對虹膜進(jìn)行定位的方法利用亮度梯度和紋理差二者。為提高虹膜邊界檢測精度，描述了在橢圓形和圓形模型之間進(jìn)行選擇的方法。此外，穹頂(dome)模型用于求得掩蔽圖像并移除展開圖像中的眼瞼遮蔽。對于虹膜匹配，描述了在圖像中提取虹膜特征的方法。展開的虹膜圖像通過像素亮度的求和被轉(zhuǎn)換成積分圖像。將一組新穎的和差濾波器用于對積分圖像進(jìn)行濾波，其計算復(fù)雜性遠(yuǎn)小于現(xiàn)有技術(shù)方法。濾波后的輸出被二值化以產(chǎn)生虹膜特征向量。該虹膜特征向量用于虹膜匹配。本發(fā)明的效果描述了用于虹膜定位的方法。該方法利用虹膜和鞏膜之間以及瞳孔與虹膜之間的強度梯度和紋理差二者來求得虹膜內(nèi)側(cè)和外側(cè)邊界。選擇用于表示邊界的模型；該模型可以是圓形或橢圓形的。該方法還提供了用于展開虹膜圖像和用于掩蔽遮蔽區(qū)域的方法。還描述了一種在圖像中提取虹膜特征的方法。通過像素強度求和將展開的虹膜圖像轉(zhuǎn)換成積分圖像。將一組和差濾波器用于對積分圖像進(jìn)行濾波。濾波后的輸出被二值化以產(chǎn)生虹膜特征向量。該虹膜特征向量用于虹膜匹配。圖1是根據(jù)本發(fā)明的一個實施方式的匹配圖像中的虹膜的方法的流程圖2A是根據(jù)本發(fā)明的一個實施方式的生成圖像中的虹膜邊界的方法的流程圖2B是根據(jù)本發(fā)明的一個實施方式的生成掩模的方法的流程圖；圖3是根據(jù)本發(fā)明的一個實施方式包括待定位的虹膜的眼睛區(qū)域的示意圖4是根據(jù)本發(fā)明的一個實施方式的4領(lǐng)域情況下的局部二值模式(LBP，localbinarypattern)算子的框圖5A是具有根據(jù)現(xiàn)有技術(shù)的霍夫變換檢測的虹膜邊界的圖像；圖5B是具有根據(jù)現(xiàn)有技術(shù)的微積分算子檢測的虹膜邊界的圖像；圖5C是具有根據(jù)本發(fā)明的一個實施方式檢測的虹膜邊界的圖像；圖5D是具有根據(jù)現(xiàn)有技術(shù)的霍夫變換檢測的虹膜邊界的圖像；圖5E是具有根據(jù)現(xiàn)有技術(shù)的微積分算子檢測的虹膜邊界的圖像；圖5F是具有根據(jù)本發(fā)明的一個實施方式檢測的虹膜邊界的圖像；圖6A是具有利用現(xiàn)有技術(shù)的霍夫變換檢測的圓形虹膜邊界的眼睛的圖像；圖6B是具有利用現(xiàn)有技術(shù)的微積分算子檢測的圓形虹膜邊界的眼睛的圖像；圖6C是具有根據(jù)本發(fā)明的一個實施方式檢測的橢圓形虹膜邊界的眼睛的圖像；圖7是根據(jù)本發(fā)明的一個實施方式歸一化或展開虹膜圖像的框圖；圖8A是根據(jù)本發(fā)明的一個實施方式的展開的虹膜圖像；圖8B是具有根據(jù)本發(fā)明的一個實施方式檢測的一個遮蔽眼瞼的展幵的虹膜圖像；圖8C是具有根據(jù)本發(fā)明的一個實施方式檢測的兩個遮蔽眼瞼的展開的虹膜圖像；圖9是根據(jù)本發(fā)明的一個實施方式的提取虹膜特征向量的方法的流程圖IO是根據(jù)本發(fā)明的一個實施方式的積分圖像的框圖；圖11A是根據(jù)本發(fā)明的一個實施方式的奇對稱濾波器的框圖；圖IIB是根據(jù)本發(fā)明的一個實施方式的偶對稱濾波器的框圖；圖11C是現(xiàn)有技術(shù)濾波器的框圖IID是根據(jù)本發(fā)明的一個實施方式的和差濾波器的框圖；以及圖12是根據(jù)本發(fā)明的一個實施方式的一組濾波器的框圖。具體實施例方式圖1示出了根據(jù)本發(fā)明的一個實施方式的匹配圖像中的虹膜的方法和系統(tǒng)100?？梢詮墨@取110眼睛的圖像102開始虹膜定位。該眼睛包括虹膜103。畫質(zhì)評估120判定圖像102是否可用。如果眼睛圖像具有足夠的畫質(zhì)，則系統(tǒng)定位200圖像中的虹膜103，否則111獲取110另一圖像。將虹膜的定位的圖像(虹膜圖像)121歸一化130為具有預(yù)定的像素配置的矩形圖像131(稱為"展開"圖像)。做出判定140以檢測展開的虹膜圖像131中的眼瞼遮蔽。如果為真，則生成160掩模161，且該掩模與展開圖像131相關(guān)聯(lián)。如果為否，則不生成掩模170。從展開的圖像提取150虹膜特征151且虹膜特征151與掩模161(如果有)一起用于當(dāng)與針對虹膜存儲庫181生成的特征向量比較時的虹膜匹配。虹膜圖像定位圖2A示出了本發(fā)明的定位步驟200的細(xì)節(jié)。首先，求出220-230眼睛圖像02中的虹膜的強度梯度信息225和紋理信息235。將梯度信息225和紋理信息235組合240以產(chǎn)生該圖像中的虹膜的內(nèi)側(cè)邊界245和外側(cè)邊界246。下面將更詳細(xì)地描述邊界生成200。根據(jù)本發(fā)明的一個實施方式，可以針對一組圓周215求出并組合梯度和紋理信息。與組合的最大值相關(guān)的圓周被選擇為虹膜邊界。應(yīng)當(dāng)注意，上述過程既能夠用于定位虹膜的內(nèi)側(cè)邊界也能夠用于定位其外側(cè)邊界。根據(jù)一個實施方式，定義210—組圓周215。該組圓周215能夠具有零個、一個或任意數(shù)目的圓周。而且，能夠根據(jù)圖像的特征限制該組圓215，例如，將圓周的中心限制為接近瞳孔的中心。圖2B示出了根據(jù)本發(fā)明的一個實施方式生成掩模的方法。根據(jù)如上所述的定位的虹膜的內(nèi)側(cè)和外側(cè)邊界245-246，通過展開130虹膜圖像121使虹膜圖像121歸一化。判定140展開的虹膜圖像131中是否存在眼瞼遮蔽。如果存在眼瞼遮蔽，則生成160掩模161。如果沒有，則不生成170掩模。如下面進(jìn)--步詳細(xì)描述的，與現(xiàn)有技術(shù)相反，對展開的圖像131而不是輸入的眼睛圖像102生成160掩蔽圖像161。如圖3所示，在眼睛300中，虹膜304比瞳孔305更亮且比鞏膜306更暗。因此，大多數(shù)現(xiàn)有技術(shù)虹膜定位方法或用強度梯度或用邊緣檢測。這些方法依賴于瞳孔和虹膜之間以及虹膜與鞏膜之間的強的強度對比。通常，這些對比不足以實現(xiàn)可靠的虹膜定位。注意到虹膜304具有與瞳孔和鞏膜大不相同的紋理。瞳孔和鞏膜分別均勻地呈現(xiàn)黑色和白色，而基本沒有紋理。與此形成對照，虹膜呈現(xiàn)斑點或條紋。本發(fā)明發(fā)現(xiàn)這種紋理差對于虹膜和瞳孔之間以及虹膜和鞏膜之間的區(qū)分是有用的，尤其當(dāng)強度對比相對小時。這能夠顯著改善虹膜定位。本發(fā)明的一個實施方式利用梯度信息和紋理差的組合。用于虹膜定位的公式能夠通過以下最優(yōu)化表示(廠*，々*,，*)=argmax(r,j4',0)C"(/，x0，》'0，r)+義r(&，Z。，x0，》'u，r)，(3)其中C(.)表示基本沿著該虹膜圖像中的圓周的像素強度的梯度幅值的度量。r(.)表示該虹膜圖像中圓周的每側(cè)的紋理差的度量，且A是加權(quán)參數(shù)，例如O.l。檢驗該組圓周215中的所有圓周以找出最大化像素強度梯度的幅度和紋理差的加權(quán)和的一個圓周。紋理差r測量被圓周Oc。，>。303分隔的內(nèi)側(cè)區(qū)域&301和外側(cè)區(qū)域Z。302之間的紋理差。所述區(qū)域基本與正在檢測的圓周相鄰。應(yīng)當(dāng)10注意，根據(jù)本發(fā)明的一個實施方式的紋理差用于求出虹膜邊界，而不應(yīng)與現(xiàn)有技術(shù)的用于求出虹膜的遮蔽區(qū)域的紋理使用相混淆?？蓪ν缀秃缒ぶg的內(nèi)側(cè)邊界以及鞏膜和虹膜之間的外側(cè)邊界使用同一公式。因為與內(nèi)側(cè)和外側(cè)邊界相鄰的區(qū)域不必是勻質(zhì)或均勻的，僅與邊界相鄰的窄的區(qū)域用于測量紋理差。對于虹膜定位，除了梯度幅值，還在內(nèi)側(cè)和外側(cè)區(qū)域之間測量紋理差。由于可能的眼瞼遮蔽，可以將搜索限制為左象限310和右象限320，即，135°225°以及-45°45°。圖3還示出了瞳孔305和虹膜304可以不是同心的。強度梯度式(3)的第一項C(/,x。，_y。，"表示強度梯度信息。利用沿著圓周的像素強度的梯度評價該項，例如能夠使用Daugman的微積分算子(IDO)(參照上文)。因此得到(4)其中J",7)是眼睛的圖像。IDO利用歸一化的閉曲線積分關(guān)于增大的半徑r的模糊偏導(dǎo)數(shù)沿著半徑r和中心坐標(biāo)(w,的圓周弧度^求出圖像/(x，7)的強度梯度信息。符號(*)表示巻積且&("是諸如具有標(biāo)準(zhǔn)差cj的高斯函數(shù)的平滑函數(shù)。為達(dá)到測量梯度幅值的目的，將像素強度歸一化到[O，l]的范圍。在一個實施方式中，將中心差近似用于具有兩個像素間隔的梯度推測。還可以使用檢驗和模擬諸如橢圓形的非圓形邊界的其他方法。式(3)中的第二項T(《，Z。，,。表示圓周內(nèi)側(cè)和外側(cè)的區(qū)域中的紋理的差異程度的度量。在一個實施方式中，Kullback-Leibler散度(KL-散度)測量分別從內(nèi)側(cè)和外側(cè)區(qū)域301-302得出的兩個概率密度函數(shù)的距離(差)。為有效地表達(dá)紋理信息而不減小虹膜定位的準(zhǔn)確性，本發(fā)明使用一種方法，該方法使局部二值模式(LBP)算子適用于最小鄰域，例如4個最近相鄰像素。局部二值模式(LBP)算子用于分析紋理(一般地，參見Mae叩aa，T.，Pietikainen，M."Textureanalysiswithlocalbinarypatterns"InChen，C.Wang，R，eds.，HandbookofpatternRecognitionandComputerVision，3lded.，WorkldScientific,pp.l97-216，2005，通過引用將其內(nèi)容結(jié)合于此)；以及Qjala，T.，Pietikinen，M.，Harwood，D."Acomparativestudyoftexturemeasureswithclassificationsbasedonfeaturedistributions,"(PatternRecognition,vol.29，pp.51-59，1996，通過引用將其內(nèi)容結(jié)合于此)。局部二值模式(LBP)算子如圖4所示，LBP的運算具有三個步驟，閾值處理410、加權(quán)420以及求和430。將中心像素402的強度(100)用作閾值對與像素402直接相鄰的所有像素401的像素強度(150，139，112，91)進(jìn)行閾值處理410。將具有比閾值大的強度的相鄰像素411賦值為1。將具有比閾值小的強度的相鄰像素412賦值為0。接下來，使用2的冪的權(quán)重加權(quán)420每個相鄰像素所賦的值"0"或"1"。最后，對相鄰像素的加權(quán)值求和430并將其賦值給中心像素402。對于考慮的每個像素執(zhí)行該處理。接下來，基于從上述LBP運算獲得的加權(quán)值，動態(tài)地對邊界區(qū)域求出像素值的直方圖。分別對內(nèi)側(cè)和外側(cè)區(qū)域求出概率密度函數(shù)p(x)和《(x)，其中x表示直方圖中每個格子(bin)的指數(shù)。例如，內(nèi)側(cè)區(qū)域的像素的P(x)能夠根據(jù)下式定義<formula>formulaseeoriginaldocumentpage12</formula>其中7V是一個格子中的加權(quán)像素值的集合，"是格子的數(shù)目，且xe{0，...，n}。對于外側(cè)區(qū)域中的像素的直方圖，類似地能夠定義概率密度函數(shù)《(x)。在一個實施方式中，加權(quán)的值在[O，15]的范圍內(nèi)。因此，每個直方圖具有16個格子。測量內(nèi)側(cè)和外側(cè)區(qū)域的直方圖的相應(yīng)格子的概率密度函數(shù)之間的差或"距離"作為KL散度。KL散度假設(shè)具有概率密度函數(shù)p(x)和《(x)的兩個直方圖，p和g之間的KL散度或相對熵被定義為r,.(5)當(dāng)且僅當(dāng)p二q時，KL散度D(pllq)是零，否則為正。盡管分布之間的距離不是真實的距離，因為該距離不對稱且不滿足三角不等式，但是它仍對將KL散度考慮為分布之間的"距離"是有用的。因此，在圓周邊界的情況下，可以通過KL散度求出式(3)中的第二項<formula>formulaseeoriginaldocumentpage13</formula>(6)其中Z,和Z。是被圓周(^，力，"303分隔開的內(nèi)側(cè)和外側(cè)區(qū)域。圖5A-5F比較了根據(jù)本發(fā)明的一個實施方式的邊界定位方法的性能與現(xiàn)有技術(shù)方法的性能。圖5A、5B、5D和5E用于現(xiàn)有技術(shù)方法且圖5C和5F用于根據(jù)本發(fā)明的一個實施方式的方法。模型選擇眼睛圖像中的虹膜的內(nèi)側(cè)和外側(cè)邊界能夠通過圓形或橢圓形建模。橢圓的離心率根據(jù)下式?jīng)Q定對于常規(guī)的橢圓<formula>formulaseeoriginaldocumentpage13</formula>理論上，離心率e滿足0《Wl，且在圓形的情況下，e二O。常規(guī)橢圓具有與x軸和少軸一致的長軸和短軸，而虹膜圖像中擬合的橢圓能夠相對于軸旋轉(zhuǎn)。圓形模型是橢圓形模型的一種特殊情況且計算起來更不復(fù)雜。用于虹膜定位的大多數(shù)現(xiàn)有技術(shù)/方法使用兩個圓周來模擬虹膜的內(nèi)側(cè)和外側(cè)邊界。圓周是容易求出的，但是由于視角的不正交透視，擬合可能不準(zhǔn)確。橢圓模型可以得出更好的擬合。這種搜索在4D空間進(jìn)行。盡管針對圓形邊界模型給出了上述描述，利用微小的修改，所述方法和步驟就能夠用來實現(xiàn)橢圓形模型。Camus和Wildes使用橢圓來模擬瞳孔/虹膜邊界并使用圓形來模擬虹膜/鞏膜邊界(Camus，T.，Wildes，R，."Reliableandfasteyefindinginclose-upimages,，，Inter,Conf.onPatternRecognition,pp.389-394，2002)。本發(fā)明利用圓形或橢圓來獲得所有情況下的最佳擬合。在本發(fā)明的一個實施方式中，模型選擇是一個具有兩個步驟的方法。首先，使用圓形模型來近似虹膜的內(nèi)側(cè)和外側(cè)邊界。其次，在比圓形邊界稍大的區(qū)域內(nèi)，執(zhí)行下面的步驟。如上所述獲得邊緣和紋理信息。利用8方連接(8-c薩ctivity)，即，所有的相鄰像素，為邊界點產(chǎn)生鏈碼。所有生成的鏈中的最長的輪廓被選擇以消除"偏離值(outlier)"的邊緣像素。利用直接橢圓擬合方法對所選的輪廓擬合橢圓，例如Fitzgibbon，A.,Pilu，M.，F(xiàn)isher,R.，"Directleast-squarefittingofellipses,"(IEEETrans,onPatternAnalysisandMachineIntelligence,vol.21，pp.476-480，1999)，通過引用將其內(nèi)容結(jié)合于此。直接橢圓擬合方法解決了一般化的特征值系統(tǒng)的問題以推測橢圓的參數(shù)。求得擬合的橢圓的離心率e，且利用如下這樣的標(biāo)準(zhǔn)作出是使用橢圓還是圓形來模擬虹膜邊界的判斷如果e大于閾值^，選擇橢圓模型，否則，選擇圓形模型。例如閾值離心率印可以是0.19。圖6A-6C示出了用于虹膜圖像的圓形和橢圓擬合的效果。所有的圓形和橢圓畫成寬度為一個像素的白線。分別利用霍夫變換和IDO通過用于內(nèi)側(cè)邊界的圓形模型獲得圖6A和6B中的結(jié)果?？梢钥闯?，圓形沒有很好地擬合瞳孔和虹膜邊界。圖6C中的結(jié)果使用了根據(jù)本發(fā)明的一個實施例的直接橢圓擬合并且精確地擬合了邊界。掩蔽虹膜可能被上和/或下眼瞼遮蔽。對于虹膜特征提取和識別，某些現(xiàn)有技術(shù)方法排除了虹膜的頂部和底部部分。然而，當(dāng)存在很少或沒有眼瞼遮蔽時，這可能導(dǎo)致有用信息的丟失。和簡單地刪去虹膜的頂部和底部相比，對眼瞼的明晰的模擬應(yīng)該能夠更好地利用可用信息?？梢陨裳谀D像且可將其與展開的虹膜圖像相關(guān)聯(lián)，以模擬眼瞼遮蔽。穹頂模型(DomeModel)圖7示出了虹膜710以及矩形展開的虹膜720。在一個實施方式中，展開的圖像是512x64個像素的矩形排列。通過引用結(jié)合于此的DaugmanJ.G.的"Highconfidencevisualrecognitionofpersonsbyatestofstatisticalindependence,，，(IEEETrans,onPatternAnalysisandMachineIntelligence,vol.15,pp.1148-1161，1993)以及通過引用結(jié)合于此的Ma,L.，Tan，T.，Wang,Y.，Zhang，D.的"Personalidentificationbasedoniristextureanalysis,，，(IEEETrans,nPatternAnalysisandMachineIntelligence,vol.25，pp.l519-153，2003)描述了展開處理。如圖8A-8C所示，與現(xiàn)有技術(shù)不同，本發(fā)明在展開的矩形圖像中而不是原始的眼睛圖像中求出眼瞼遮蔽。提取的眼瞼可以通過圓周的上弧線(此后，稱為"穹頂")模擬。圖8A中沒有穹頂，因為沒有眼瞼遮蔽，圖8B中有一個穹頂是因為單個眼瞼遮蔽，且圖8C中有兩個穹頂是因為上和下眼瞼遮蔽。根據(jù)本發(fā)明的一個實施方式，從上眼瞼和下眼瞼進(jìn)行的遮蔽都能夠以相似的方式處理。根據(jù)本發(fā)明的--個實施方式的一種方法使用"最少確定策略(leastcommitmentstrategy),，。首先，判定是否存在眼瞼遮蔽。如果沒有遮蔽，例如圖8A中所示，則不需要生成掩模。當(dāng)存在遮蔽時，如8B和8C中，該方法求出要搜索多少個穹頂(1或2)，且然后找出相關(guān)的穹頂。該方法還具有后處理階段以減小可能誤檢的遮蔽。為提取穹頂，使用根據(jù)本發(fā)明的一個實施方式的圓形模型來近似眼瞼遮蔽，而不使用更加復(fù)雜的模型(例如仿樣(spline)、拋物線模型)或直線的粗糙模型。為檢測展開的圖像中的可能的眼瞼遮蔽，將可能出現(xiàn)眼瞼的展幵虹膜的區(qū)域與不能發(fā)生遮蔽的區(qū)域相比較。通過觀看原始像素值的相應(yīng)分布比較這些區(qū)域。卡方(chi-square)距離度量用于比較這兩個區(qū)域中的原始像素值的直方圖，即其中M和iV是待比較的兩個直方圖，每個直方圖具有B個格子。更詳細(xì)地，根據(jù)本發(fā)明的實施方式的掩蔽計算可以包括以下步驟-1.在展開的圖像中提取標(biāo)示為A，^和A的三個區(qū)域，這三個區(qū)域分別近似對應(yīng)于輸入的眼睛圖像中的如下區(qū)域上眼瞼的區(qū)域、確定沒有遮蔽的虹膜(例如圖3中135°225°的區(qū)域)的區(qū)域以及下眼瞼的區(qū)域。從圖像底部開始，獲得所述三個區(qū)域(例如面積為40x20像素)。2.求出每一區(qū)域中的原始像素值的直方圖，這些直方圖標(biāo)示為//,，/4和7/f。使用32個格子求出所述直方圖///，//,禾口私。4.通過檢查^〉r。且f(仏，//,.)>r。(其中，r。是閾值)確定是否存在遮蔽，如果是，有多少個穹頂。例如T^等于0.26。5.如有必要，使用式(3)搜索穹頂。注意現(xiàn)在圓心位于展開的圖像下面且僅使圓周的頂部弧線適合眼瞼。6.通過檢查所找出的穹頂?shù)淖畲笾凳欠駶M足C(/,x,少V"*)+atu,xv少V產(chǎn))>rc(其中z;是閾值，例如，將其設(shè)置為13.5，以及OcV少V")是找出的該穹頂?shù)膱A周)來移除故障警告。如果不滿足，提取的穹頂是故障警告虹膜特征提取圖9示出了用于在展開的虹膜圖像131中提供虹膜特征的方法900。根據(jù)本發(fā)明的實施方式，展開的虹膜圖像131能夠轉(zhuǎn)換910成積分圖像利用式(7)求出卡方距離JT2")和Z2(仏,915。利用下面進(jìn)一步詳細(xì)描述的和差(DoS)濾波器921，對展開的虹膜圖像131或積分圖像915進(jìn)行濾波920以產(chǎn)生濾波后的輸出925。濾波后的輸出925被二值化930以得出展開的虹膜圖像131的虹膜特征向量935。積分圖像能夠利用預(yù)計算積分圖像915執(zhí)行下面更詳細(xì)描述的DoS濾波。Crow首先提出了用于快速紋理映射的"面積求和表"(Crow，F(xiàn)."Summed-areatablesfortexturemapping,"ProceedingofSIGGRAPH，voU8，pp.207-212，1984)。Viola和Jones在面部檢測中利用快速特征提取的"積分圖像"(ViolaR,Jones，M.，"Rapidobjectdetectionusingaboostedcascadeofsimplefeatures,，,IEEEConferenceonComputerVisionandPatternRecognition,voU，pp.511-518，2001，此處通過引用并入其內(nèi)容)。在積分圖像中，每個位置"，_y)的值包含位置(x,_y)上方和左邊的所有像素強度之和，包括其中"少)是積分圖像中的積分像素強度值，且z'(x,力是展開的虹膜圖像中的像素強度值。展開的虹膜圖像131能夠在展開虹膜圖像相對的一個通道(pass)中被轉(zhuǎn)換成積分圖像915。如圖10所示，具有矩形ABCD1010的角A、B、C和D(1011-1014)處的積分圖像值的積分圖像915的矩形區(qū)域1010中的像素的強度和可以按下式求出八rea(ABCD)-A+D-B-C.利用和差(DoS)濾波器進(jìn)行濾波DoS濾波器根據(jù)本發(fā)明的實施方式，我們利用和差(DoS)濾波器來從虹膜圖像提取基于紋理的特征。本發(fā)明的DoS濾波器具有許多獨特的屬性。首先，Dos濾波器的元素是算子而不是值。圖11C示出了典型的現(xiàn)有技術(shù)濾波器1101。該濾波器中的9個元素其中每一個對應(yīng)于待濾波的圖像中的像素。在大多數(shù)技術(shù)中，濾波器以光柵掃描次序在像素上"移動"以對所有像素進(jìn)行濾波。典型地，元素是數(shù)值或整數(shù)權(quán)重，也參見圖4。在濾波過程中，每個值被相應(yīng)的像素強度相乘。加權(quán)的強度然后用于在"重寫"步驟中分配中心像素值。根據(jù)本發(fā)明圖HD中的濾波器1102中，濾波器的元素是函數(shù)或算子，例如，加法或減法。而且，算子應(yīng)用于像素區(qū)域。如圖所示，對像素的多個1x3的相鄰區(qū)域定義每個算子?；旧希阕討?yīng)用于相應(yīng)區(qū)域中的所有像素。例如，對區(qū)域1101和1103中的所有像素強度相加，且減去區(qū)域1102的像素強度。然后將所有相鄰區(qū)域的值總計在一起，并根據(jù)某一閾值換算為單個二進(jìn)制數(shù)字，即"0"或"1"。例如，如果總和為正，數(shù)字為"1"，否則數(shù)字為"0"。然后該二值化的值是對濾波器覆蓋的所有相鄰區(qū)域所賦的值。因此，該濾波器具有兩個效果。根據(jù)由相鄰區(qū)域大小設(shè)定的因子，像素數(shù)量的顯示大小被大幅度減小，且對于濾波器的每個應(yīng)用，最后的濾波器輸出是單一比特。因此，根據(jù)本發(fā)明的DoS濾波器提供了特征提取、壓縮和編碼。在具體的實施方式中，本發(fā)明用于虹膜編碼的矩形和差(DoS)濾波器具有兩個基本的橫截面形狀。圖IIA示出了"奇"對稱濾波器且圖IIB示出了"偶"對稱濾波器。奇對稱濾波器具有關(guān)于濾波器的中心軸的奇對稱性，且具有奇數(shù)個算子和相應(yīng)區(qū)域。偶對稱濾波器具有關(guān)于濾波器的中心軸的偶對稱性，以及偶數(shù)個算子和區(qū)域。濾波器只具有兩種可能的算子例如，(+)和(一)。因此以"信號"、例如圖像的矩形區(qū)域?qū)V波器求巻積來求出與濾波器的正部和負(fù)部相關(guān)的信號部分的和值之間的差。因此，該濾波器稱為和差(DoS)濾波器。本發(fā)明的DoS濾波器在幾個方面優(yōu)于現(xiàn)有技術(shù)濾波器。該DoS濾波器的設(shè)計在概念上非常簡單?，F(xiàn)有技術(shù)濾波器(例如Gabor濾波器)通常由整數(shù)值陣列表達(dá)，通常近似濾波中使用的一個函數(shù)或多個函數(shù)。作為一個優(yōu)點，根據(jù)本發(fā)明的實施方式的DoS濾波器由算子的矩形區(qū)域表達(dá)。此外，算子可以由單個比特表達(dá)。因此，即使對于覆蓋圖像中的很多像素的大區(qū)域，該濾波器也能夠具有非常緊湊的表達(dá)。不像對于算出利用涉及乘法并且因此需要更多計算時間的現(xiàn)有技術(shù)濾波器的濾波器響應(yīng)那樣，可以僅使用簡單的加(+)和減(一)運算來求出利用DoS濾波器的濾波器響應(yīng)。作為另一優(yōu)點，如上所述，能夠利用積分圖像實現(xiàn)利用本發(fā)明的矩形DoS濾波器的濾波。即通過在積分圖像中的簡單查詢，就能求出濾波器的輸出。這使得應(yīng)用DoS濾波器非?？臁O坐標(biāo)中的現(xiàn)有技術(shù)虹膜濾波器，例如2DGabor濾波器是更加復(fù)雜的=exp(-/w("—￡g)eXp(—(r一r。",'crr2)exp(—(《一0。)2且不能使用積分圖像。Dos濾波器本質(zhì)上對展開虹膜圖像中的錯誤源較不敏感。不像現(xiàn)有技術(shù)濾波器，奇和偶對稱DoS濾波器都具有零和，以消除對于絕對強度值的濾波器響應(yīng)的敏感度，并給出了微分對的效果?，F(xiàn)有技術(shù)Gabor濾波器的實數(shù)成分需要通過截斷而仔細(xì)地偏置，使得所得虹膜代碼中的位不依賴于像素強度。當(dāng)使用本發(fā)明的DoS濾波器時不需要截斷。對于虹膜紋理的特征提取，本發(fā)明使用一組二維DoS濾波器對。該組中的DoS濾波器都具有相同高度(例如8個像素)和各種寬度。圖12示出了用于虹膜特征提取的4對具有各種寬度的奇和偶對稱DoS濾波器1201—1204。根據(jù)本發(fā)明的實施方式，本發(fā)明使用8個濾波器的組對于12、24、36、48個像素寬度其中每一個使用奇對稱濾波器和偶對稱濾波器。所有的濾波器具有8個像素的高度。使用DoS濾波器濾波根據(jù)本發(fā)明的實施方式，通過將積分圖像分割成幾個(例如8個)水平帶，且然后在每個帶內(nèi)間隔地應(yīng)用濾波，將DoS濾波器組應(yīng)用于虹膜圖像。所述間隔可以重疊。濾波后的輸出成為實數(shù)。二值化符號函數(shù)用于將濾波后的輸出二值化成離散的整數(shù)，即l或0，)'=Sgn(x)=lo，比它(9)其中x是加法和減法的結(jié)果，且y是濾波器的輸出。二值化使得特征提取對于虹膜圖案中的噪聲較不敏感。例如，能夠以不同的視角獲取虹膜圖像。而且，光源的入射角可以改變，且虹膜定位可以并不完美。實際上，對于難以控制對象的姿態(tài)以及背景光條件的真實世界的應(yīng)用這是特別有利的。而且，在登錄過程中獲取的圖像與匹配后稍后獲取的圖像相比會受到完全不同的姿態(tài)和照明條件的影響。還注意，不同的照相機(jī)可能具有不同的響應(yīng)。使用一系列'T'和"O"比特位的二值化表達(dá)提高了精確特征匹配。虹膜特征向量可用于虹膜匹配。根據(jù)本發(fā)明的實施方式，利用對虹膜旋轉(zhuǎn)進(jìn)行補償?shù)南蜃蠛拖蛴业牧鶄€移位，求出測試虹膜特征向量和存儲在虹膜圖像數(shù)據(jù)庫中的虹膜特征向量之間的漢明距離。該漢明距離是兩個二進(jìn)制串之間不同的比特位的數(shù)目。更正式地，兩個特征向量A和B之間的距離是i:iArBii。本發(fā)明的效果描述了用于虹膜定位的方法。該方法利用虹膜和鞏膜之間以及瞳孔與虹膜之間的強度梯度和紋理差來求出虹膜內(nèi)側(cè)和外側(cè)邊界。選擇模型來表達(dá)邊界；該模型可以是圓形或橢圓形。該方法還提供了用于展開虹膜圖像以及用于掩蔽遮蔽區(qū)域的方法。還描述了用于提取圖像中的虹膜特征的方法。通過像素強度求和，將展開的虹膜圖像轉(zhuǎn)換成積分圖像。將一組和差濾波器用于對積分圖像濾波。濾波后的輸出被二值化以生成虹膜特征向量。虹膜特征向量用于虹膜匹配。盡管已經(jīng)通過優(yōu)選的實施方式的示例描述了本發(fā)明，應(yīng)當(dāng)理解，可以在本發(fā)明的精神和范圍內(nèi)做出各種其他調(diào)整和修改。因此，所附權(quán)利要求的目的是覆蓋落入本發(fā)明的真實精神和范圍內(nèi)的所有這些變型和修改。權(quán)利要求1.一種在圖像中提取虹膜特征的方法，該方法包括檢測圖像中的虹膜邊界；根據(jù)所述邊界，將表示所述圖像中的所述虹膜的像素映射到矩形圖像；對所述矩形圖像中的像素進(jìn)行濾波以生成濾波后的輸出，其中所述濾波利用和差濾波器；以及使所述濾波后的輸出二值化以生成表示所述虹膜的特征向量。2.根據(jù)權(quán)利要求1所述的方法，其中所述二值化依照其中_y是特征向量中的項，sgn()是符號算子且:c是所述濾波后的輸出o3.根據(jù)權(quán)利要求1所述的方法，該方法還包括針對已知虹膜的第一圖像生成第一特征向量；針對未知虹膜的第二圖像生成第二特征向量；以及測定所述第一特征向量和所述第二特征向量之間的漢明距離以求出所述已知虹膜和所述未知虹膜之間的相似度。4.根據(jù)權(quán)利要求1所述的方法，該方法還包括依^下式將所述矩形圖像轉(zhuǎn)換成積分圖像其中//&"是所述積分圖像中的積分后的像素強度值，且《x，^是所述矩形圖像中的像素強度值；以及利用所述積分圖像求出所述濾波后的輸出。全文摘要描述了一種在圖像中提取虹膜特征的方法。通過像素強度求和，將展開的虹膜圖像轉(zhuǎn)換成積分圖像。將一組新穎的和差濾波器用于對所述積分圖像進(jìn)行濾波。將該濾波后的輸出二值化以生成虹膜特征向量。該虹膜特征向量用于虹膜匹配。文檔編號G06K9/00GK101317184SQ20068004447公開日2008年12月3日申請日期2006年12月28日優(yōu)先權(quán)日2006年1月11日發(fā)明者邁克爾·J·瓊斯,郭國棟申請人:三菱電機(jī)株式會社