基于改进小波函数的虹膜识别算法_王义.pdf

1引言虹膜是人体最重要的生物特征之一，具有丰富的细节和纹理特征。虹膜识别技术在各种生物识别技术当中具有明显的特点，比如唯一性、非侵入性和稳定性等等。在文献1的研究中，虹膜识别已经成为人体特征识别中具有研究意义的识别技术。在虹膜识别领域的研究中已经诞生出了许多经典算法，比如文献2中，Daugman 等人提出基于 Gabor 滤波的特征提取方法；文献3中，Boles 等人提出运用小波变换过零检测算法；Wildes 等人4提出利用拉普拉斯金字塔提取虹膜纹理特征的方法；国内研究者冯薪桦等人5提出使用加权 Hamming 距离来改进道格曼的方法；吕林涛等人6提出了一种利用奇数对称 2D log-Gabor 滤波器消除冗余特征的方法；姚立平研究团队7提出的利用 Harr 小波以及 log-Gabor变换特征来提取的方法；王琦等人8提出了一种利用小波包分解提取虹膜图像能量作为虹膜特征的算法；张雯雯等人9提出了一种基于小波包分解选择特定子带提取奇异值的方法；杨霞等人10提出了一种算法，先用周期小波变换提取高频信息，然后用反向传播神经网络进行分类。基于上述已有成果，本研究对小波包分解后的能量分布展开探讨，在此基础上对 Hamming 距离进行加权，并对算法进行改进，并通过仿真实验验证算法对识别精度提升的有效性。2虹膜识别方法对虹膜识别系统的设计一般分为三个个步骤:首先是虹膜图像预处理，主要包括虹膜区域定位和图像的归一化；其次是提取图像的文本特征并将其基于改进小波函数的虹膜识别算法*王义，田小情，郑悦（贵州大学大数据与信息工程学院，贵阳 550025）摘要:小波包分解变换作为传统小波变换方法的延展，能够实现更精细的分解并得到更多小波包子图。基于此方法，提出一种改进的虹膜识别算法。该方法先对虹膜内外边缘进行定位和归一化，再通过小波包分解得到小波包子图，计算每个子图的系数得到虹膜特征向量，最终根据不同子图计算两幅虹膜图像对应特征向量的 Hamming 距离。通过实验仿真，表明由加权 Hamming 距离分类器来识别计算的系数能有效提升虹膜的识别精度。关键词：虹膜识别;小波包;加权 Hamming 距离DOI：10.3969/j.issn.1002-2279.2023.02.011中图分类号:TP391.41文献标识码:A文章编号：1002-2279（2023）02-0044-04Iris Recognition Algorithm Based on Improved Wavelet FunctionWANG Yi,TIAN Xiaoqing,ZHENG Yue(College of Big Data and Information Engineering,Guizhou University,Guiyang 550025,China)Abstract:As an extension of the traditional wavelet transform method,wavelet packet decompositiontransform can achieve finer decomposition and get more subgraphs of wavelet packets.Based on themethod,an improved iris recognition algorithm is proposed.Firstly,the inner and outer edges of the irisare located and normalized,then the wavelet packet decomposition is used to get the subgraphs of waveletpackets,and the coefficients of each subgraph are calculated to get the iris feature vector.Finally,theHamming distance of the corresponding feature vectors of two iris images is calculated according todifferent subgraphs.The experimental simulation shows that the weighted Hamming distance classifier caneffectively improve the accuracy of iris recognition.Key words:Iris recognition;Wavelet packet;Weighted Hamming distance基金项目：贵州省自然科学基金(黔科合基础【2019】1064)作者简介：王义（1997），男，贵州省遵义市人，硕士研究生，主研方向：智能优化算法，小波分析。收稿日期：2022-08-10*微处理机MICROPROCESSORS第 2 期2023 年 4 月No.2Apr.，20232 期转化为特征向量；最后对提取到的特征来进行虹膜匹配。2.1虹膜图像预处理2.1.1虹膜定位虹膜定位就是搜寻虹膜的两个边界，其一是瞳孔和虹膜之间的边界，其二是巩膜和虹膜之间的边界。通常，只需要利用 Canny 边缘检测算子来边缘检测虹膜的原始图像即可，然后利用提取的边缘点通过霍夫变换找到虹膜的边界。虹膜定位的效果如图 1 所示。2.1.2虹膜图像归一化分割后的虹膜图像通常存在旋转、平移和缩放等影响因素，进行归一化是消除此类影响的必要步骤。鉴于找到的虹膜区域的两个边界都是圆形的，而所需要的虹膜区域是环形的，在此情况下需要将环形虹膜图像的极坐标转换成矩形图像，如下式：其中，I 为虹膜图像的强度，和 分别为归一化位置和夹角，当 0,1、0,2时，虹膜区域的两个边界的像素坐标为(xi(),yi()和(x0(),y0()。r、c 分别表示分解的子带图像的每行的值和每列的值，用获得的系数构造虹膜特征向量。r0和 c0分别为行和列的基向量。虹膜图像被归一化为均匀的像素图像，如图 2 所示。2.2虹膜文本特征提取2.2.1 小波包变换小波包技术可以看作是从小波变换延伸出来的一门学科，它在只分解低频子带图像的基础上分解高频子带图像11。小波包分解的每一层进一步分解高频子带和低频子带。由于图像的近似值是低频分量，细节是虹膜图像的高频分量，所以小波包变换可以有效地提取图像的纹理特征。从给定的函数 f0生成的小波包基函数fnn=0，如下式所示：f0(x)由正交比例函数 和小波函数 给出，小波包基由一组正交正规基组成：fn(2lx-k)。其中，lZ,kZ,nN；l 称为标度，k 代表频率因子，n 代表位移因子。在图像和其他二维信号中，两个一维小波包基沿垂直和水平方向的乘积可以用来表示二维小波包基函数，相应的滤波器也可以用低通滤波器和高通滤波器的乘积来表示，如下式：式中，L 为低通滤波器的小波包函数，H 为高通滤波器上的小波包函数。2.2.2小波包提取特征小波包变换可以将图像分解成多层。如果分解层数过低，会导致信号提取不足，但并不是分解的子带图像越多越好。随着子带图像数量的增加，计算量增加，子带图像包含的信息逐渐减少，对虹膜识别没有明显改善。本研究利用小波包变换中广泛使用的db4 小波基和香农熵将归一化虹膜图像分解为两层。第一层分解的结果是 4 个子带图像，第二层分解得到 16 个子带图像。分解示意图如图 3 所示。图中，子带(2,0)是通过分解获得的低频信息。由于虹膜图像的纹理特征主要包含在分解得到的中高频信息中，因此选取除(2,0)以外的第二层系数，即中高频信息，计算各子带的系数，如下式：图 2归一化后的虹膜图像图 1虹膜定位(a)虹膜原始图像(b)虹膜定位图像(1)()00(,),(,)(,)(,)(1)()()(,)(1)()()iiI rcIrrrccc|=-+|=-+221()2(2)()2(2)nknk Znknk Zfxh fxkfxg fxk+=-|=-|(2)LLHH(,)()()(,)()()(,)()()(,)()()l L r cl r l cl H r cl r h cl L r ch r l cl H r ch r h c=|=|=|=(3)(0,0)(1,0)(1,1)(1,2)(1,3)(2,4)(2,5)(2,6)(2,7)(2,0)(2,1)(2,2)(2,3)(2,8)(2,9)(2,10)(2,11)(2,12)(2,13)(2,14)(2,15)图 3小波包分解示意图211(,)MNrcExr c=(4)王义等：基于改进小波函数的虹膜识别算法45微处理机2023 年其中，E 为熵值，r、c 分别表示分解的子带图像的每行和每列的值，用获得的系数构造虹膜特征向量。2.3改进的模式匹配算法匹配是在构造特征向量后进行的。本研究在虹膜识别时，采用加权 Hamming 距离来表示两幅归一化虹膜图像的比较结果。加权 Hamming 距离由下式计算得出：其中，S 为 15，代表所选子带的数量；wi是两个虹膜图像的每个系数在 15 个系数之和中的比例的平均值。由此，子带图像的系数越大，权重越大。3实验结果与分析CASIA-Iris-Interval-V4 虹膜数据集包含 395个类别，2639 张虹膜图片，图片分辨率为 320240像素，非常适合研究虹膜图像的细节纹理特征12。本实验从中选取 200 类共 1600 幅虹膜图像进行仿真。由于小波包分解的子带系数不同，低频信号能量较大，高频信号能量相对较小，尤其是(2,12)、(2,13)、(2,14)、(2,15)包含的信息较少。如果这些子带图像包含噪声，则非常容易受到干扰。小波包分解后虹膜图像的系数分布如图 4 所示。通过对比未改进的 Hamming 距离算法，可验证加权 Hamming 距离的有效性。在未改进的获取虹膜Hamming 距离的算法中，随机选择若干计算数据加以对比，如表 1 所示。表中数据表明，利用加权 Hamming 距离进一步扩大了同类和异类图像的 Hamming 距离，可以更准确地对一些误分类图像进行分类。这是因为系数较小的子带图像容易计算 Hamming 距离。误差是由噪声和其他影响引起的。权重不设定时，可能对全局Hamming 距离的影响更大。对不同系数计算的Hamming 距离进行加权，可有效抵消这部分影响。本改进算法在识别精度上与其他算法的对比如表 2 所示。与小波包分解后的奇异值分解和特征压缩方法相比，本研究提出的算法不需要人工对小波包子带图像进行滤波，避免了一些有效信息的损失，降低了噪声的影响。4结束语通过分析不同系数与小波包分解总能量的比值对 Hamming 距离的影响，以及对不同 Hamming 距离赋予相应的权重，对虹膜识别算法进行了改进。由于虹膜识别系统需要比较两幅虹膜图像的小波包系数，进一步的工作可以分析每幅图像分解后的系数对所有能量比值的影响，并为不同的系数分配更有针对性的相应权重。除此之外，SVM 或结合神经网络和其他分类器也可以用来进一步改进识别系统的算法表现。参考文献：1李海青,孙哲南,谭铁牛,等.虹膜识别技术进展与趋势J.信息安全研究,2016,2(1):40-43.LI Haiqing,SUN Zhenan,TAN Tieniu,et al.Progress andtrends in iris recognitionJ.Journal of Information SecurityResearch,2016,2(1):40-43.2DAUGMAN J G.High confidence visual recognition ofpersons by a test of statistical independenceJ.IEEE Tran-sactions on Pattern Analysis and