虹膜识别技术在智慧城市身份认证中的应用研究

2018-11-08李晶晶童艳王迪

电子测试 2018年20期

李晶晶，童艳，王迪

（沈阳城市建设学院，辽宁沈阳，110167）

关键字：虹膜识别技术；多特征提取与融合；身份认证；MATLAB

1 虹膜识别技术研究意义

为了鼓励生物特征识别技术的迅速发展，快速占领该领域的技术高地，尽快形成一批具有自主知识产权的生物特征识别产品，我国在《国家中长期科学与技术发展规划(2006-2020年)》中明确提出要重点研究生物特征识别领域的系统和技术，为广大研究人员指明了研究方向。

目前虹膜识别的产品已经应用在门禁系统、金融领域、机场安检等一些需要高度安全的场所，但是由于其实际应用环境的多样性和复杂性，在目前的研究中仍然存在一些问题：目前的虹膜图像定位速度不理想，鲁棒性较差，同时虹膜特征编码规模较大，传统的编码配准方式也增大了模式匹配计算量[1]。这些因素限制了虹膜识别过程的速度与准确性，使得基于虹膜识别的身份认证方式难以应用到更广泛的领域中。因此，速度快，精度高，鲁棒性好的虹膜识别算法的研究成为一项重要研究课题。

虹膜识别技术最关键的问题就是识别算法，只有突破算法瓶颈才能推进产品商业化。虹膜识别核心算法在国内并未完全成熟，比如识别距离远近、复杂光线环境、睫毛遮挡等因素都会影响虹膜识别的精准度。因此，虹膜识别技术面临的最主要问题是如何提取稳定的特征并对其进行准确的匹配。所以本文以提高虹膜识别实际应用性能为目标，将虹膜识别作为研究对象，着重从虹膜特征提取和识别方法入手，致力于提高虹膜识别算法精度，同时改善虹膜图像的鲁棒性和易用性。

图1 虹膜识别技术原理框图

2 虹膜识别技术原理

2.1 虹膜图像采集及预处理

针对复杂场景下光照变化、遮挡和密集人群带来的虹膜图像采集不能满足识别条件的问题，本文将对采集到的原始虹膜图像首先进行预处理，如图2所示。采集图像质量的优劣会影响到后续的定位算法、特征提取与识别算法的选取问题以及最终的识别结果，因此虹膜图像预处理环节在整个识别系统中起着至关重要的作用。

图2 处理后的瞳孔图像

2.2 虹膜图像有效区域定位

对虹膜纹理区域进行有效定位，去除掉无效的信息是虹膜识别的中重要且关键的一步。如图3、图4所示为虹膜图像内外边缘提取。虹膜定位是虹膜识别中最重要的步骤之一，虹膜能否精准地定位，关系到下一步的虹膜纹理特征的提取，待准确定位后截取虹膜纹理特征突出的部分作为感兴趣区域，提高虹膜识别系统输入图像的质量。如图5、图6所示。

图3 内边缘提取

图4 外边缘提取

图5 分离出的虹膜结果

图6 去除眼睑后的结果

2.3 虹膜纹理图像归一化

虹膜图像的归一化过程是将环状虹膜区域调整到统一的位置和大小，从而减少人眼的瞳孔缩放、旋转和平移等对虹膜识别的影响，提高识别的准确率。增强后的归一化虹膜图像如图7所示。

图7 增强后的归一化图像

2.4 截取虹膜图像感兴趣区域（ROI）

在其后的虹膜特征提取的过程中，图像中存在的干扰信息就会对特征信息的编码造成影响，从而降低特征识别的准确度。消除影响虹膜识别结果的不利因素和冗余信息，最终将得到的虹膜图像输入到特征提取的环节中。

2.5 虹膜多特征提取与融合识别算法

通过SVR分类器模型将虹膜多种特征进行融合的虹膜识别方法，提取区分性高的虹膜特征，以达到最优的识别效果，最后通过MATLAB软件来实现算法并进行仿真实验。

3 虹膜识别技术的关键问题

虹膜识别作为身份认证的一种新技术，得到人们广泛的关注和研究，一个更加精确、稳定的虹膜识别系统可极大地降低错误识别的风险。在大数据、云计算和智能硬件发展的基础上，虹膜特征的采集精度、处理速度以及存储容量都得到了很大的提升，硬件方面已不再是限制虹膜识别技术发展的最主要瓶颈。目前，虹膜识别面临的最大问题在于如何通过优化识别算法来提升生物识别的鲁棒性、易用性和泛化性能。

为了弥补单一形式的虹膜特征描述不足以在复杂情况下保持鲁棒性，本文利用CPSO优化算法对改进的Gabor滤波器参数进行寻优，使Gabor能够根据不同虹膜库自适应改变参数，采用SVR分类器综合Gabor滤波器提取到的多局部特征匹配结果，对多特征用相应距离函数求得的相似度进行融合，求取多种特征共同作用下的融合相似度来判定虹膜的分类结果。使融合后的区分度高于任意单一特征的区分度，从而提取区分性高的虹膜特征，以达到最优的识别效果。

4 实验及结果分析

通过采用由中科院自动化研究所提供的CASIA虹膜图像数据库作为本算法实现的实验样本，利用MATLAB7.1编程实现了本文提出的算法，随机抽取了50组虹膜图片进行了小样本实验，每组图片是分为两个采集阶段构成的，每个采集阶段分别包含3幅和4幅同一只眼睛的虹膜图片，采集的虹膜图片为8位灰度图像，分辨率为320×280。结果如表1所示。与现有的经典算法相比，可以看出本文提出的算法虽然在正确识别率上与Daugman算法相比有所不足，但识别时间大大缩短，系统识别速度更快，与Boles算法相比，识别效果更好一些。