虹膜识别技术的发展综述

2023-11-14马文杰黄彦天

现代计算机 2023年17期

马文杰，黄彦天

（1. 宁夏大学前沿交叉学院，银川 750000；2. 宁夏大学博雅书院，银川 750000）

0 引言

随着计算机技术理论的不断进步与计算机算力的逐步提升，对身份认证和识别的准确性要求越来越高。传统的采用身份证件、用户名和密码进行身份鉴别的方式已经显露出一些问题。在互联网信息化时代，个人身份信息的数字化表示成为一项重要特点，因此如何正确地识别个人身份成为一项关键问题。在应用需求的推动下，生物特征识别技术逐渐得以发展。虹膜作为许多生物特征中最持久且抗干扰性最强的特征之一，相较于其他特征而言，具有许多良好的特性： ①普遍性——人人都有虹膜；②独特性——研究显示［1］，任意虹膜图像都具有独特性，与其遗传基因无关；③稳定性——在信息主体的整个生命过程中，当虹膜完全形成之后，将终生保持稳定不变；④保护性——虹膜外侧有一层透明的角膜，使其与外界隔离，不会因外界的伤害而变化；⑤非入侵性——虹膜识别在检测过程中不要求有身体接触，属于无接触式识别；⑥良好的防欺骗性——瞳孔对光线的响应使得其能够分辨出虚假的虹膜，因此虹膜照片或死者的虹膜是很难被系统识别的；⑦良好的防伪性——人眼是一种很精细的组织，很难通过外科手术来改变虹膜的特征。

虹膜作为一种生物特征识别技术与其他生物特征识别技术的对比［2］见表1。

表1 各种生物特征识别的比较

虹膜是一种生物特征，在对多种特征识别进行综合分析的过程中，虹膜识别是一种更实用、更可靠的身份识别技术，因其具备良好的稳定性、唯一性、可收集性、非入侵性、防伪性等特点而被认为是一种极具发展潜力的识别技术，有着重要的经济与科研价值。

1 虹膜识别技术的发展历程

虹膜识别是一种将数学、光学、电子学、生理学和计算机科学结合在一起的高新技术，其通过对人眼虹膜图像的采集和处理，来实现对信息主体的身份认证［3］。其发展历程可分为以下几个时期：

（1）起步期（1990—1999 年）。上世纪九十年代，人们开始了对虹膜图像的获取和处理技术的探讨，并建立了虹膜图像库。在此基础上，美国约翰霍普金斯大学约翰·达夫教授发明了第一个虹膜识别系统［4］。

（2）中期（2000—2009 年）。随着社会的发展和技术的进步，人们对虹膜识别技术的认识也越来越多，其研究的重点已经从虹膜图像的采集与处理，逐渐转移到了对虹膜特征的提取、虹膜匹配算法、虹膜防伪等方面，并在准确度与稳定性上得到了不断的提高。

（3）晚期（2010 至今）。虹膜识别作为一种新兴的应用技术，其在公共安全、金融医疗、政府管理等多个行业中得到了广泛的应用。同时，它的安全性、实用性、用户体验等方面也在不断地提高。总体而言，我国的虹膜识别技术已日趋成熟，其技术层次与应用范围也在不断地扩大与提高。

2 虹膜识别的原理和方法

虹膜识别技术通过对获取到的虹膜图像进行分类、整理、编号、比对来判断要识别的身份。一般来讲，可将其分为两个阶段：一是身份注册，二是身份识别，其具体的工作流程如图1所示。

图1 虹膜识别系统的工作原理图

各个步骤的功能概括如下：

（1）虹膜图像采集：其主要功能是借助虹膜图像获取装置，以友好的人机接口、非物理接触的方式实现对虹膜图像的采集。

（2）虹膜图像质量评价：虹膜影像品质的优劣，对辨识系统的效能有相当重要的影响，这就要求选择出符合评判标准的影像作为辨识系统的输入，即对采集后的影像进行质量评估，其评估标准主要包括判断影像有无散焦、有无光照模糊、睫毛是否存在遮挡，瞳孔是否存在过度变形等。

（3）虹膜定位分割：由于所获得的影像中包含了眼睑、睫毛、虹膜、瞳孔，所以必须采用某种运算方法来确定虹膜的具体位置，之后再根据已确定的虹膜位置来执行下一步的运算。

（4）虹膜归一化：瞳孔会随外部光线的强弱而膨胀或缩小，使虹膜的环状区域产生变形，针对这一问题，需要对虹膜进行归一化处理。

（5）图像增强：克服了外部照明不均匀对虹膜识别区域的影响。

（6）特征提取：利用某一算法，从虹膜影像中获取一种可以描述其特征的信息，并进行编码处理，进而储存到数据库中。

（7）特征比对识别：将所提取要识别的虹膜特征点与资料库中的特征点进行比较分析，进而判断要识别的身份。

3 虹膜分割的研究现状

虹膜分割是虹膜识别的一个关键环节，其确定的精度将直接影响后期的虹膜识别结果。所以，国内外学者把它视为预处理阶段工作的关键与难点。

目前，可以将虹膜的定位分割分为以下几类方法［5］：

（1）基于微积分的方法：将虹膜看作是一个接近圆环的物体，对虹膜进行定位，就是要确定诸如虹膜内、外边的大致中心位置以及虹膜内、外边的半径等信息。

为提高虹膜识别的效率，Daugman［4］采取了如下方式：首先，利用算法对图像进行高斯滤波处理，以消除噪声；接着，在积分图像的基础上引入了一种新的技术，以加快圆周灰度梯度的积分值的计算速度。该方法对图像进行了预处理，并将其储存起来，进而实现了对图像任意位置的快速提取。在此基础上，Daugman又提出了一种新的自适应控制和分步近似的方法，以进一步提高计算效率：首先，对一个很大的参量进行初始搜索，找出可能的中心位置，并找出其半径。接着对该初始区进行更细致的搜索，并采取较小的步幅和较高的解析度，准确地确定出虹膜内、外边缘的位置。该方法采用了逐级逼近的思想，经过多次迭代，使搜索区域不断缩小，最终准确地确定出虹膜内、外边缘的位置，不仅降低了算法的复杂度，而且也提高了检测的精度和效率，是当前国内外大部分商业虹膜识别系统中的一种核心算法。Zheng 等［6］提出了一种基于积分算子的“膨胀”与“收缩”相结合的虹膜定位方法，进一步提升了虹膜定位的准确率。Schuckers 等［7］提出了一种基于角度形变的椭圆积分算子的虹膜定位方法。Tan 等［8］使用两步的定位方法对虹膜进行定位分割：首先，算法使用了簇机制，得到虹膜的粗定位结果；接着通过积分星座结构的方法，精准地确定出虹膜和瞳孔的边界位置。

（2）基于灰度梯度的图像提取算法：虹膜纹理的灰度分布和梯度变化在个体之间是独特而具有区分度的。通过利用虹膜纹理的梯度信息，将虹膜图像转化为可比较的特征向量，并通过特征匹配过程来实现个体的识别。

Ma 等［9］根据影像灰度突变的原理，找到了不在一条线上的三个点，并利用三点成员成功地确定了虹膜的内外圆。Basit 等［10］提出了通过计算像素点的灰度强度值之间的梯度来确定虹膜的边界和位置的方法。Ling 等［11］提出了利用影像的灰度密度梯度来对虹膜内、外边缘进行定位的方法；Pundlik 等［12］提出了利用影像密度差分以及椭圆曲线拟合的虹膜定位分割算法；Labati 等［13］提出了使用积分操作符来对虹膜进行定位，这种方法具有操作简便、快速等优点，但由于其易受到光斑、图像模糊等噪声的影响，使得其稳健性较差。

（3）基于活动轮廓线或水平集的方法：利用曲线演化的方法，从初始轮廓线或水平集出发，逐步优化边界的形状来确定虹膜的边界，有效地将轮廓线或水平集模型应用于虹膜边界提取和识别的过程中。

近几年，国内外学者相继提出了一系列的局域类型水平集合，其中最具代表性的是Chan等［14］提出的Chan-Vese（CV）水平集合。它基于水平集方法，通过最小化能量函数来实现分割，其优点在于能够处理具有不规则形状的物体，并且对于具有较强对比度的图像效果较好。Daugman［15］提出一种新的方法，即根据轮廓线建立虹膜内外边界的模型，并采用Snake算法建立出虹膜的内、外边界，通过对边界图像中灰度梯度的积分和平滑度的限制，来实现对虹膜边界的准确定位。Vatsa 等［16］将图像的灰度强度与主动轮廓相结合，确定了瞳孔与虹膜的边界。Shah 等［17］提出了利用测地活动轮廓线方法（GAC）对虹膜边界进行拟合，并获得了较好的结果。Barzegar等［18］提出了用逐点水平集对虹膜进行定位的方法。Chen 等［19］提出了一种自适应平均移动方法和主动轮廓模型来定位虹膜，通过使用图像梯度对瞳孔和虹膜进行粗定位，再结合主动轮廓的方法对其进行精定位。Roy等［20］提出了一种基于变分水平集的算法，首先利用最小二乘法对瞳孔和虹膜进行粗定位，随后结合变分水平集的曲线变换思想来对其进行精定位。

（4）基于Canny 算子和Hough 变换的方法：利用边缘检测和圆形检测技术，能够快速提取和定位虹膜边界，从而实现虹膜的识别。

Wildes 等［21］和Boles［22］利用边缘检测算子对虹膜图像的边缘点进行检测，接着再使用Hough 变换确定虹膜边缘的参数。在这之后，Masek［23］、Ma 等［24］、Sudha 等［25］分别使用了Canny边缘检测及霍夫变换对虹膜内、外边缘进行了精准定位。Dobes 等［26］提出了一种修改后的Hough变换算法，通过对虹膜特征进行建模，将虹膜区域的判别阈值确定为定位的依据，进而实现对虹膜区域的定位。Tan等［27］提出了改进的Canny 算子，首先通过差值积分确定瞳孔区域，接着根据临界点的灰度梯度值来确定眼皮区域，随后结合概率密度函数确定出眼睫毛的区域，进而定位出虹膜的位置。Li 等［28］采用K-means和修正后的霍夫变换来对虹膜内、外边缘进行定位。

（5）其他方法：Tan 等［27］还提出了微积分星座法，首次引入了微积分环的概念，并采用三种不同的微积分回路来构建微积分星座结构。在此基础上，利用图像中的虹膜轮廓信息，根据Adaboost 算法提取出虹膜的边缘并对其进行样条曲线拟合。该思想不仅可以提高算法的收敛性，更能有效提高其运算速度。Puhan等［29］首先使用傅里叶光谱的强度特性，通过一步一步的扫描得到自适应的阈值，实现对瞳孔和虹膜的初步定位，接着使用粗定位来判断瞳孔和虹膜的临界点，进而得到最终的定位结果。此外，基于对傅立叶谱密度的分析，Puhan等［29］又提出了一种新的滤波分割方法，首先应用傅立叶变换的频谱密度对图像进行滤波和平滑化，以消除噪声；随后采用阈值分割算法，在适当的阈值下将滤波后的光谱图像转换为二值化图像，并根据其频率特性将虹膜与背景、噪声等信息分离，最终完成对虹膜的分割。Sankowski 等［30］提出了一种更为可靠的虹膜分割算法，该算法包括反射定位、反射填充、虹膜边界定位和眼睑边界定位等步骤。在反射点定位方面，通过阈值运算得到反射点，并在此基础上利用形态学中的“扩张”与“闭包”相结合的方法对反射点进行加强，接着利用四邻域内插补的方法，即可完成对反射点的填充，进而实现对虹膜边界眼睑边界的精准定位。Almeida等［31］提出了一种以知识为基础的虹膜分割算法，它的主要内容有以下几个方面：影像预处理、瞳孔边界定位、虹膜边界定位、瞳孔和虹膜的融合、眼睑检测、反射过滤等。在实际应用中，这种基于知识的算法有两个优点：第一，在眼皮检测的基础上，对现有的眼睑检测算法进行了改进，并将其与皮肤区域检测、虹膜边缘检测相结合，进一步完善了现有的眼睑检测算法；第二，降低了算法的执行时长，减少了代码的冗余度，并对算法求解过程进行了优化。Li 等［32］提出了一种基于复式双树型小波的虹膜识别算法，该算法采用复式双树型小波对虹膜图像进行局部特征提取，并将其应用到虹膜图像中，使其更好地反映出虹膜的边缘与纹理特性，提高了虹膜识别的精度与稳健性。Zhang等［33］提出利用判别张量表示和稀疏编码的思想来对虹膜图像进行区分化处理：首先对虹膜的影响因子进行分类，构建出具有区分特征的高维区分化张量，实现对其高阶结构特征的分析，再利用稀疏编码技术，将待测样本转化为具有鉴别意义的稀疏系数的线性组合，并对其进行压缩与提取；接着利用支持向量机对稀疏系数进行分类和识别，进而实现虹膜识别的任务。Zhang等［34］提出了通过深度学习的方法对虹膜进行特征表达：其思想是采用多模态深度神经网络对两个模态图像进行特征提取与融合，并将其应用于虹膜识别，进而实现对人脸的稳健识别。该方法在虹膜识别任务中取得了较好的性能，具有较强的应用潜力。王义等［35］提出了一种基于小波包分解的新算法，该算法是对传统小波分解算法的一种扩展，它可以对图像进行更加细致的分解，从而获得更多的小波包。具体来说就是：首先对虹膜内、外边缘同时定位并进行归一化处理，再利用小波包分解获得子图，接着对子图中的每一个图进行系数计算，从而获得虹膜的特征矢量。在此基础上，再对虹膜图像中的特征矢量进行汉明距离计算。最终的实验模拟结果显示［35］，采用带权重的汉明距离分类算法所得到的特征值，可以有效地提高虹膜识别的准确率。

4 当前虹膜识别有待解决的问题和今后的发展方向

4.1 当前虹膜识别亟待解决的问题

本文分析了虹膜识别技术的研究热点，包括虹膜图像定位分割、边缘检测、质量改善、深度学习等方面的研究。同时，针对其便携化、人机交互性等特点，探讨了虹膜识别技术中亟待解决的硬件问题。其中，发展高性能的虹膜图像获取装置，特别是长距离获取装置，是目前虹膜识别领域迫切需要解决的硬件问题。当前的采集设备通常都是短距离收集，并且需要采集对象的配合，这限制了虹膜识别技术的应用范围和便利性。另外，虹膜识别系统的抗干扰能力也成为了研究的难点，虹膜识别装置应具有较强的抗干扰性和较高的识别精度，光线条件的改变、部分遮挡、眼镜等都会对虹膜的成像质量及识别精度产生影响。因此，研制具有较高抗干扰性的虹膜识别装置就显得尤为重要。

在软件方面需要提高算法的准确性和鲁棒性，虹膜识别软件需要具备高准确性和鲁棒性，能够在不同场景下保持稳定的识别性能。目前，针对已有的很多定位算法，其分割结果并没有排除睫毛和眼皮的干扰，极少数对应的算法虽然努力去除眼皮的干扰，但结果却减少了虹膜的有效区域，在分割程度方面仍存在进一步提升的空间。因此，进一步提高虹膜识别软件的准确性和鲁棒性仍然是一个挑战。其次，目前的虹膜识别需要使用者使用视觉透镜对目标进行扫描。但现实生活中，在不需要使用者积极配合的情况下，非协作模式的识别更加切实可行，也更加方便。因此，发展一种可进行准确、非协作的虹膜识别的软件算法，是当前亟待解决的软件问题。除此之外，关于虹膜图像的评估问题，以及如何评估一幅图像中的虹膜是否被准确地定位，也是一个需要解决的软件问题，这与判断虹膜识别系统是否能够自动识别身份有着密切的联系［36］。