基于支持向量机的虹膜识别方法

吴岸雄

（肇庆学院，广东 肇庆526061）

基于支持向量机的虹膜识别方法

吴岸雄

（肇庆学院，广东 肇庆526061）

提出了一种基于支持向量机的虹膜识别算法，通过对虹膜纹理采用小波变换来实现特征提取，最后通过支持向量机完成匹配。实验结果表明，该算法识别率高并可有效地应用于虹膜身份鉴别系统中。

虹膜识别；小波变换；支持向量机

随着大数据和互联网+走进大众的生活，公民个人信息的安全变得越来越重要，个人身份鉴别方法特别是对鉴别人体生物特征的有效方法具有极高的研究价值。据有关资料分析显示，至今，基于各种生物特征的身份鉴定技术，包括指纹、人脸、声音，鉴定错误率最低的是虹膜识别技术。因为人的虹膜有很多优点，例如具有独特性、唯一性、稳定性、采集可行性以及非侵犯性等优势，因此在当今生物识别技术领域被誉为“最具发展前途”的技术之一。利用虹膜识别身份的鉴定技术是走在世界前沿的先进技术。为了有效了解红膜识别身份鉴定技术，可从以下几种技术算法进行分析：

Daugman[2]虹膜识别算法速度快、准确度高，目前利用虹膜识别商用的系统采用的是这个算法，对虹膜进行量化和编码使用的是2D-Gabor滤波器。可是这种算法有缺点，即是会增加特征提取的运算时间，因为需要处理纹理的二维信息；Wildes[3]计算量比较大，因为这种算法是采用用高斯型滤波器分解采集到的虹膜图像，而且是在不同分辨率下，然后存储比较结果；Boles识别率比较低，因为这种算法对灰度值的变化比较敏感，这种算法是运用小波变换过零检测这种具有创新性的虹膜识别算法，且取得结果仅存在于几个有效的小样本内。

本文提出一种虹膜识别身份鉴定算法，运用的是支持向量机。通过分析仿真实验结果可知，本文所提出的这种虹膜识别身份鉴定算法具有安全性高、错误率低、社会适用性强以及识别率高等优势。

1 虹膜图像预处理方法的分析与探讨

虹膜识别系统是由虹膜内外边界定位、对采集虹膜进行图像预处理、认证识别以及特征提取这几个关键部分构成。详见虹膜识别系统示意图（见图1）.

图1 虹膜识别系统示意图

1.1 对虹膜定位进行分析

所谓“虹膜定位”是指对采集到的虹膜图像进行两个边界的定位，内边界和外边界，内边界虹膜于瞳孔二者存在的现实界限，而巩膜于虹膜的边界则称为外边界，为了方便研究人员进行研究，当今研究者将外边界、内边界客观存在的两条边界大致规定为两个圆的概念，要研究的就是找出这两个圆的半径和圆心，就可以确定这个圆了。用另一句话说就是：虹膜定位就是在人眼图像中确定两对圆心和半径。

1.2 对归一化的分析探讨

在进行虹膜采集时，通过对不同个体眼睛内虹膜图像进行采集，并施行虹膜定位，这时人们会发现不同人眼虹膜图像区域存在大小不一的客观现象，而若同个人在不同光线强度、环境因素或其他客观情况干扰下，均会呈现虹膜区域大小存在不同的结果。因此，为了达到方便之后的认证识别目的，必须按照相同的维数进行落实。通常情况下采集到的虹膜具有极坐标良好的特征，因此为了提高本文次论文的准确性、客观性以及真实性，笔者选用了极坐标转换方法。

沿着采集到的虹膜内边界向外，选取n个相同圆心的圆，n具有特定不变性质的。而后落实在同心圆上选取m个采样点的操作，并注意在每个同心圆上均进行m点选取采样，从而在选取结束后得到矩阵n乘以m，其中n与m均为常数，并在虹膜图像中呈现全部选取采样点从始至终保持一致的现象，按照这种方法便可以达到虹膜区域归一化目的。通过将瞳孔视为中心，将选取的 150°、210°、330°、390°，虹膜区域按照逆时针方向进行选取（如图2a）。之后把选取的虹膜区域展开，如下图2（b）。这样处理后会排除掉上眼皮部分遮挡虹膜区域。

图2 虹膜

2 对特征提取的分析与探讨

当今具有一定识别价值且研究较广的虹膜识别身份鉴定算法均采用Gabor小波变换算法来进行虹膜特征的提取。为了把编码的过程尽可能地简化，把编码的时间缩短，本论文采用最简单的Haar小波。

经过大量具有时效性的样本实验分析可知，在尺度23上是虹膜问题特征分量较为集中的区域，因此可利用三层小波对归一化虹膜纹理图像（40×256）进行分解处理，并选择第三层对角细节HH3（5×32），并按照类似于1--60个特征的形式对虹膜特征进行编码。在进行有效的编码后，将虹膜纹理图像按照分解为八段并保持每段为40×32的形式对40×256的虹膜纹理进行分解，并按照三层小波分解方法对每一段纹理进行细分，而后按照每样四幅的要求对三层小波分解成果进行5×4大小均等的HL、LH的子图，从而达到将虹膜局部纹理特征有效表现并凸显的目的。同5×32HH分解量进行有机结合，由此达到共同构成320位（5×32+8×5×4+=320）特征码的目的。

3 对认证识别的分析与讨论

基于Haar可得到有效的虹膜特征编码，加之行之有效的分类算法以及科学有效的分析，并对得到的虹膜特征编码通过训练分类达到落实工作目的。随着社会的不断发展，以及科学技术的创新与进步，欧氏距离分类法、海明距离分类法是当今大部分虹膜识别身份鉴定算法研究应用较为广泛的方法。笔者对虹膜码训练分类是采取支持向量机（Support Vector Machine SVM）方法来进行分类研究的。这种结构风险最小化的两种分类方法，因为具有性能较好的优势，所以在虹膜识别模式等许多领域应用较广。

3.1 对支持向量机进行分析与探讨

以结构风暴最小化（Structural RiskMinimization，SRM）原理为学习依据，是支持向量机通用的学习方法，通过观察图3可知，线性可分两类样本可通过空心点与实心点进行表示。依据SRM的相关规定，具有最优超平面P的SVM学习结果，可有效将两类训练样本进行科学高效的分离，并可保持分离间隔最大化。其中支持向量（Suppott V ector）就是距离这两类样本中P最近的样本，从而在此基础上实现了最优分类超平面的正确性。

图3 支持向量机

假定训练集{xi，yi}，i=1，…，l，yiεRπ在线性可分情况下被一个超平面 ω × x+b=0 ωεRπ，bεR，分开，这样SVM可以看成是对如下问题的求解：

该约束优化问题可以用Lagrange方法求解可以解出：

3.2 对训练分类进行分析与探讨

解一个有大量约束的二次规划问题，其实就是SVM的虹膜码训练算法，这种训练算法较为高效，具有一定可行性，SVM参数就是通过训练得来。借鉴模式是当今现在对虹膜身份鉴定识别应用的最为广泛的模式方法，可以通过对判断声称是xi的x是否为真进行分析。其中，f（x）就是输入x的类别判别的函数式，若存在f（x）=1，就可以判定这是同一人的虹膜；而f（x）=-1，则可以判定这并不是同通过一个人的虹膜。

4 对实验结果的分析探讨

运用CASIA虹膜图像数据库是本论文主要的材料依据，选取男人62人、女人18人共80人形式108只眼睛上存在的不同虹膜图像样本，且每只眼睛均具有320×380分辨率的7幅、8位灰度图像。

为了确保虹膜识别的正确性，在虹膜系统身份鉴别系统内存在两个重要统计性指标即拒绝率FRR（漏报）、接受率FAR（虚警）。在系统中因其可将冒充者进行生物系统识别的生物特征拥有者作为错误接受，而被系统拒绝者则称为生物特征的错误拒绝。

径向基函数即RBF是本文SVM核函数选择基础函数，并对SVM与欧氏距离其他外部条件一样的前提下进行了必要的比较，并得出如图4所示的海明距离识别效果，从而得出SVM是最好的结果。

图4 EER基向量数目分布曲线

5 结束语

通过对以上试验结果的研究分析可知，文中所深入分析的虹膜识别法是在支持向量机基础上得出的，因此具有识别率高、识别速度快、识别较为精准等方面的极大优势，因此在对传统虹膜识别方法进行改进基础上，可较为高效的应用在虹膜身份鉴别相关系统内。

[1]T Mansfield，G Kelly，D Chandler et.Biometric Product Test ing Final Report[R].issue 1.0，National Physical Laboratory of UK，2001.

[2]J Daugman.High confidence recognition of person by rapid video analysis of iris texture[C].In European Convention on Security and Detection ，Brighton，UK:NSPEC，1995.

[3]P Wildes.Iris recognition：An emerging biometric technology[C].In Proceeding of the IEEE，1997.

A Recognition Method of Iris Based on SVM

WU An-xiong
（Zhaoqing University，Zhaoqing Guangdong 526061，China）

A algorithm based on the SVM of iris recongnition is proposed.Feature is extracted with an appropriate scale wavelet，then SVM is used to match two iris codes.Experinental results showed that developed system with high identificaltion rate could be used for a personal identification system in an efficient and effective manner.

iris recognition；wavelet transform；support vector machine（SVM）

TP391.4

A

1672-545X（2017）09-0135-03

2017-06-17

吴岸雄（1979-），男，湖南涟源人，硕士研究生，实验师，研究方向：图像处理和虹膜识别。