基於脈衝耦合神經網絡的虹膜特徵提取方法
2023-04-28 12:44:06 1
專利名稱：基於脈衝耦合神經網絡的虹膜特徵提取方法
技術領域：
本發明涉及人體身份生物特徵識別技術，虹膜識別技術。
背景技術：
虹膜是人眼中介於黑色瞳孔和白色鞏膜之間的直徑約為12mm，厚為0. 5mm的環型組織，該組織總體上呈現出一種由裡到外的放射狀結構，並且有許多相互交錯的類似斑點、 細絲、冠狀物、條紋、褶皺、地窖等形狀的細微特徵。一個典型的基於虹膜的人體身份識別系統通常包括虹膜採集、虹膜定位、眼皮與睫毛檢測、虹膜圖像歸一化、特徵提取和匹配識別等幾個關鍵部分組成。其中特徵提取是整個系統的關鍵，是整個匹配識別的核心，它直接影響著整個識別結果的好壞。所以特徵提取在基於虹膜的人體身份識別系統中扮演著重要的角色。虹膜紋理的形成過程中充滿了各種隨機因素，所構成的隨機斑塊形狀各異，大小不一，同時伴隨著瞳孔的縮放還會產生非線形的彈性形變，並且在不同的光照下各種隨機斑塊因其對光的反射程度不同而顯的深淺不一，甚至若隱若現，因而很難對其進行有效的描述。虹膜特徵提取的任務就是有效的提取和描述虹膜圖像中的那些不變的、能夠用於人體身份識別的物理量。自虹膜身份識別的概念提出以來，有很多虹膜特徵提取算法被提出。主要包括基於局部相位的方法、基於過零點表示的方法、基於紋理描述的方法，還有基於局部灰度強烈變化區域的方法。從使用的虹膜信息的維數來看，可以分為基於一維虹膜信號的特徵提取方法和基於二維虹膜信號的特徵提取方法。對於一維信號而言，其數據量小、處理速度快、 特徵明確等優勢；對於二維虹膜信號的特徵提取方法，大多數都是集中在虹膜紋理特徵的統計描述上。這種方法都沒有明確給出虹膜特徵的含義，算法含義不直觀。到目前為止，還沒有出現成熟的虹膜提取方法設計框架，對虹膜特徵也沒有明確、 統一的定義。在以往的虹膜特徵提取算法中，都是將虹膜圖像進行更高層次的抽象，運用數學變換、數學模型將視覺圖像抽象為一些一般信號來處理，進而得到虹膜特徵。這些方法都是從抽象的角度對虹膜圖像進行加工，只考慮虹膜圖像的信號屬性，而很少去關注虹膜圖像的視覺特徵和像素間的空間關係。也因為他們的抽象層次比較高，沒有考慮到虹膜圖像的一些低層次的視覺特性，沒有明確虹膜特徵的具體含義，算法的含義不明確、不直觀。可以看出，明確虹膜特徵是有意義的只有明確了什麼是特徵，或者說是相應的虹膜特徵提取算法所提出的特徵具有很直觀的物理含義，才能夠快速衡量這種提取算法的有效程度，以便於更好地調整參數，預測性能，甚至是在匹配識別之前做出特徵質量評價，從而減少錯誤識別率。而不必每次都要通過大量的匹配識別後，來評價一種特徵提取算法的好壞，且即便得出宏觀結果，也不能很容易地分析出問題之所在，當然也不能快速尋找到改進辦法，甚至是不知道做出什麼樣的改進，會得到什麼樣的結果
發明內容
本發明的目的是提供一種基於脈衝耦合神經網絡的虹膜特徵的提取方法。本發明是基於脈衝耦合神經網絡(PCNN，Pulse Couple Neural Network)的虹膜特徵提取方法，定義了具有明確直觀物理含義的局部不規則斑塊虹膜特徵，並基於此特徵分別利用脈衝耦合神經網絡和交叉皮層模型提取虹膜特徵，其具體步驟為(1)明確二維虹膜圖像中的特徵，即虹膜圖像中的不規則斑塊，即隱窩、犁溝，斑
點(2)對虹膜圖像進行眼皮和睫毛檢測、歸一化預處理，具體為以下兩步①接近眼睛鞏膜區域，受眼皮和睫毛影響比較大的一定比例的虹膜區域直接進行刪除，儘量減小眼皮和睫毛對虹膜區域的影響；②然後利用橡皮圈法將環型的虹膜區域轉換成矩形區域；(3)再對圖像進行增強操作，先利用塊操作得到背景亮度估計，將虹膜圖像中的背景亮度估計值從原虹膜圖像中減去，然後利用全局的直方圖均衡化對亮度均勻的虹膜圖像進行增強處理；(4)將增強後的虹膜圖像作為脈衝耦合神經網絡的刺激輸入，利用其同步脈衝發放和脈衝耦合特性對虹膜圖像進行特徵提取，以神經網絡輸出的一系列二值形式的脈衝圖像作為虹膜特徵碼；或者利用交叉皮層模型(ICM，Intersecting Cortical Model)神經網絡對虹膜圖像進行分割，其輸出作為虹膜特徵碼。本發明有效地分割出了虹膜圖像中的局部不規則斑塊，將其編碼後作為虹膜特徵，成功提取出了虹膜圖像中作為虹膜特徵的局部不規則斑塊信息。以此為特徵碼進行虹膜識別，得到了較高的識別率。同時由於PCNN或ICM神經網絡可輸出多幅包含圖像特徵信息的二值圖像，融合這些圖像有可能得出更多的特徵信息；另一方面，利用PCNN或ICM的輸出結果還可以對眼皮與睫毛檢測提供一定輔助作用。
圖1為本發明用於實踐和實施的虹膜識別系統圖，圖2為本發明所定義的虹膜特徵在虹膜片斷上的標示，圖3為虹膜定位結果圖，圖4為橡皮圈法虹膜歸一化方法圖示，圖 5為橡皮圈法虹膜歸一化前後的虹膜圖像，圖6為虹膜圖像增強過程每一步結果虹膜圖像。 圖6a為歸一化虹膜圖像，圖6b為分塊圖像，圖6c為背景亮度估計值，圖6d為背景均衡化後的虹膜圖像，圖6e為直方圖均衡化後的虹膜圖像，圖6f為均值濾波後的增強虹膜圖像，圖7 為利用PCNN的虹膜特徵提取過程示意圖，圖8為利用ICM神經網絡的虹膜特徵提取過程示意圖，圖9為PCNN神經元模型示意圖，圖10為ICM神經元模型示意圖，圖11為一幅虹膜圖像經過PCNN分割後的輸出結果。圖Ila為第五次迭代輸出，圖lib為第六次迭代輸出，圖 Ilc為第七次迭代輸出，圖Ild為第九次迭代輸出，圖12為一幅虹膜圖像經過ICM神經網絡分割後的輸出結果。圖12a為第四次迭代輸出，圖12b為第六次迭代輸出，圖12c為第七次迭代輸出，圖12d為第九次迭代輸出，圖13為不同虹膜圖像庫中的虹膜圖像經過PCNN提取的二維特徵圖，圖13a為CASIA vl. 0圖像庫，圖13b為MMUvl. 0圖像庫，圖13c為Bath圖像庫，圖14為不同虹膜圖像庫中的虹膜圖像經過ICM提取的二維特徵圖。圖14a為CASIA vl. 0圖像庫，圖14b為MMUvl. 0圖像庫，圖14c為Bath圖像庫。
具體實施例方式本發明是基於脈衝耦合神經網絡(PCNN，Pulse Couple Neural Network)和交叉皮層模型的虹膜特徵提取方法，定義了具有明確直觀物理含義的局部不規則斑塊虹膜特徵，並基於此特徵分別利用脈衝耦合神經網絡提取虹膜特徵，其具體步驟為(1)明確二維虹膜圖像中的特徵，即虹膜圖像中的不規則斑塊，即隱窩、犁溝、斑點(2)對虹膜圖像進行眼皮和睫毛檢測、歸一化預處理，具體為以下兩步①接近眼睛鞏膜區域，受眼皮和睫毛影響比較大的一定比例的虹膜區域直接進行刪除，儘量減小眼皮和睫毛對虹膜區域的影響；②然後利用橡皮圈法將環型的虹膜區域轉換成矩形區域；(3)再對圖像進行增強操作，先利用塊操作得到背景亮度估計，將虹膜圖像中的背景亮度估計值從原虹膜圖像中減去，然後利用全局的直方圖均衡化對亮度均勻的虹膜圖像進行增強處理；(4)將增強後的虹膜圖像作為脈衝耦合神經網絡的刺激輸入，利用其同步脈衝發放和脈衝耦合特性對虹膜圖像進行特徵提取，以神經網絡輸出的一系列二值形式的脈衝圖像作為虹膜特徵碼；或者利用交叉皮層模型(ICM，Intersecting Cortical Model)神經網絡對虹膜圖像進行分割，其輸出作為虹膜特徵碼。圖2為本發明所定義的虹膜特徵在虹膜片斷上的標示，其中有色素褶皺1，瞳孔區 2，冠狀物3，纖毛區域4，地窖5，色素斑點6。本發明是通過以下方式實現其目的首先將由虹膜纖維組織的凹凸不平造成的虹膜圖像中的隱窩、犁溝、斑點等不規則斑點直接作為虹膜特徵，接著使用一種能夠有效快速地分割出虹膜圖像中這些不規則斑塊的方法，即基於PCNN或ICM的分割方法，將虹膜圖像中的不規則斑塊分割出來，然後用0和1去表示斑塊及非斑塊區域，得到虹膜特徵碼。本發明主要有下面4個步驟完成定義基於局部不規則斑塊的虹膜特徵、虹膜圖像預處理、PCNN和ICM模型參數設置、圖像分割和特徵提取。1.定義基於局部不規則斑塊的虹膜特徵要提取虹膜特徵，必須要明確特徵的具體含義，只有明確了什麼是特徵，使特徵具有很直觀的物理含義，才能快速衡量一種算法的有效程度，以便於更有效地採用合適的方法提取特徵，更好地調整參數，在匹配識別之前做特徵質量的評價，從而減少錯誤識別率。 這樣在對特徵進行提取，基於明確特徵的識別過程都是很有針對性的，減少了識別過程的盲目性。另外，明確了虹膜特徵，給予虹膜特徵明確的物理含義後，更適合了人類的視覺特性，更直觀的描述了特徵。考慮到上述問題，本設計中將虹膜纖維組織中的凹凸不平造成的虹膜圖像中的隱窩、犁溝、斑點等不規則斑點直接作為虹膜特徵，設計一種方法，用0、1去描述這些不規則斑點區域，這些0、1組合就是虹膜識別中的特徵，提取此特徵信息作為後面識別的依據。2.虹膜圖像預處理這部分主要包括虹膜內外邊緣的檢測，即虹膜定位，眼皮和睫毛檢測，虹膜圖像的歸一化處理，虹膜圖像的增 強，均衡背景照明，增強對比度，去除噪聲等處理。(1)在虹膜的定位中，本設計分別採用基於局部區域的方法去定位虹膜內邊緣，即瞳孔定位；用一種邊緣檢測算子尋找虹膜外邊緣，通過融合這兩種邊緣信息來定位虹膜的內外邊界，得到虹膜內外邊界圓心、半徑，劃分出一個環型的虹膜區域B。(2)在虹膜圖像的歸一化處理中，本設計採用橡皮圈模型展開的方法，將笛卡兒坐標下的虹膜區域轉換到極坐標系下具有固定大小的矩形區域C，方便後面的進一步操作。其方法如下。設0p，Os分別為瞳孔和虹膜圓心，Rp, Rs為其半徑，B(xb, yB)表示虹膜外邊緣上的像素點，&(Θ)為θ角度下瞳孔圓心到B的距離，a為兩圓心在水平方向的坐標差。如圖 4所示。虹膜區域中的像素點可通過式1在笛卡兒坐標系與極坐標系中互相轉換。r e [Rp, RL( θ )], θ e
Xi = xp+rXcos θYi = yp+rXsin θα 二 xs_xp=(Rr;Rl)Rl =\OpB\=axcos θ+yj Rs2 -α2 &\ηθ2(1)(3)虹膜圖像增強中，首先對虹膜圖像(如圖6a所示)進行分塊處理，計算出每個小分塊的亮度均值，然後將得到的每個小分塊的亮度均值進行插值處理，得到與原始圖像同樣大小的背景亮度估計(如圖6b、圖6c所示)，為了得到亮度一致的虹膜圖像，將背景亮度估計值從原虹膜圖像中減去(如圖6d所示)，然後利用全局的直方圖均衡化方法對亮度均勻的虹膜圖像進行增強處理(如圖6e所示)，最後利用均值濾波對增強後的圖像進行濾波處理去除噪聲，得到增強後的虹膜圖像(如圖6f所示)。3. PCNN模型簡化和設置這部分是對PCNN模型的說明、簡化和它的參數設置。(1)脈衝耦合神經網絡(PCNN，pulse couple neural network)是一種依據哺乳動物的大腦視皮層上的同步脈衝發放現象建立起來的模型。相比傳統的人工神經網絡，PCNN 具有無需訓練、網絡結構簡單等特點，網絡中的每個神經元可以對應圖像中的一個像素點， 因此很容易運用於圖像處理中。圖9為PCNN神經元模型示意圖。其數學迭代方程如公式(2)-(6)所示。每個神經元主要包括三個部分饋入單元、連接單元和脈衝產生單元。饋入單元的結果Fu和連接單元的結果Lij進行連接調製後產生神經元的最終輸入Uuo饋入單元主要由該神經元所對應的灰度值Sij及周圍神經元輸出Ykl之和決定，而連接單元結果主要受周圍神經元Ykl的影響。F就是第i、j個神經元的η次反饋輸入Fijn]，Sij為輸入刺激信號(在圖像處理中為圖像像素構成的矩陣中第i、j個像素的灰度值)，β為連接係數，L.jtn]是連接項，E.jtn] 為動態門限，YJn]是PCNN脈衝輸出值，UJn]為內部活動項。Fij [n] = exp (- α F) Fij [n_l] +Vf Σ MijklYkl [n-lJ+S^. (2)Lij [η] = exp (- α L) Lij [n_l] +Vl Σ WijklYkl [n_l] (3)Uij [n] = Fij [n] (1+ β Lij [η])(4)
權利要求
1.基於脈衝耦合神經網絡的虹膜特徵提取方法，其特徵是定義了具有明確直觀物理含義的局部不規則斑塊作為虹膜特徵，並基於此特徵分別利用脈衝耦合神經網絡和交叉皮層模型提取虹膜特徵，其具體步驟為(1)明確二維虹膜圖像中的特徵，即虹膜圖像中的不規則斑塊，即隱窩、犁溝、斑點；(2)對虹膜圖像進行眼皮和睫毛檢測、歸一化預處理，具體為以下兩步①接近眼睛鞏膜區域，受眼皮和睫毛影響比較大的一定比例的虹膜區域直接進行刪除，儘量減小眼皮和睫毛對虹膜區域的影響；②然後利用橡皮圈法將環型的虹膜區域轉換成矩形區域；(3)再對圖像進行增強操作，先利用塊操作得到背景亮度估計，將虹膜圖像中的背景亮度估計值從原虹膜圖像中減去，然後利用全局的直方圖均衡化對亮度均勻的虹膜圖像進行增強處理；(4)將增強後的虹膜圖像作為脈衝耦合神經網絡的刺激輸入，利用其同步脈衝發放和脈衝耦合特性對虹膜圖像進行特徵提取，以神經網絡輸出的一系列二值形式的脈衝圖像作為虹膜特徵碼；或者利用交叉皮層模型神經網絡對虹膜圖像進行特徵提取，其輸出作為虹膜特徵碼。
全文摘要
基於脈衝耦合神經網絡的虹膜特徵提取方法，屬於生物身份識別，計算機應用技術領域。將虹膜圖像中的隱窩、犁溝、斑點等不規則斑塊作為直觀的具有物理含義的虹膜特徵，通過一系列的虹膜增強技術後，利用脈衝耦合神經網絡(PCNN)或ICM的脈衝耦合特性對虹膜圖像中具有相似特性的像素集合進行分割，將不規則斑塊分割出來，得到二值的分割圖像，用1和0對斑塊和非斑塊進行表示，提取出了虹膜特徵碼。
文檔編號G06K9/00GK102306289SQ20111027782
公開日2012年1月4日 申請日期2011年9月16日 優先權日2011年9月16日
發明者張在峰, 徐光柱, 趙榮昌, 邵宇, 馬義德 申請人:蘭州大學