新虹膜识别系统基于邻域二值模式的纹理分析和均值变化

© 2014.由Elsevier B.V.出版。由美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 9（2014）2 - 72014年AASRI电路与信号处理会议（CSP 2014）一种新的虹膜识别Izem Hamouchenea，Saliha Aouata，*aLRIA实验室/计算机科学系，USTHB大学，阿尔及尔，16111，阿尔及利亚ihamouchene@usthb.dz，saouat@usthb.dz摘要虹膜识别系统是一种重要的身份认证方法，它是基于人的虹膜进行身份认证的，本文提出了一种新的虹膜识别系统，该系统采用了一种新的特征提取方法。提出的方法，基于邻域的二进制模式，比较中心像素的每个邻居与下一个邻居，如果它大于中心像素则编码1，如果它小于中心像素则编码0。将获得的二进制码转换为十进制数以构造NBP图像。为了处理旋转问题，我们提出了一个编码过程，以获得旋转不变的图像。该图像被细分为几个块，并计算每个块的平均值。之后，通过二进制代码对平均值的变化进行编码。得到的二进制矩阵被认为是虹膜的特征描述符。在评估部分，CASIA虹膜数据库[10]已被用于评估所提出的IRS的性能。实验结果表明，该方法比LBP方法具有更好的识别率。实验结果也表明，所提出的系统，特别是特征提取方法给出了可喜的结果。© 2014作者。出版社：Elsevier B. V.这是CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。美国应用科学研究所科学委员会负责同行评议关键词：虹膜识别系统;基于邻域的二值模式;局部二值模式;纹理分析;均值变化1. I介绍计算机视觉是一个重要的研究领域，它为许多问题提供了有效的解决方案。模式识别主要用于从图像中自动识别不同的实体。的* 通讯作者。联系电话：+21321247187;传真：+21321247187。电子邮件地址：saouat@usthb.dz。2212-6716 © 2014作者出版社：Elsevier B.诉 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。美国应用科学研究所科学委员会负责的同行评审doi：10.1016/j.aasri.2014.09.002Izem Hamouchene和Saliha Aouat / AASRI Procedia 9（2014）23安全领域已经对计算机视觉特别是用于识别显示出真正的兴趣。每个人都有自己独特的个性，如性格、性格现代安全科学利用这些差异来控制对受限场所的访问，这是安全领域的基本问题之一。随着安全领域需求的不断增长，近年来出现了许多有效的认证系统，而传统的认证方法如密钥或密码在许多应用领域已经不能令人满意。这些传统的方法可以被遗忘，被盗或破解。对于这些弱点，最近的科学对自动识别系统感兴趣，是 基于生物识别技术[1]。生物识别是细分成 两 主要课程：生理特征，如指纹，虹膜（图1），和行为特征，如声音。对可靠和安全系统的需求涉及生物识别系统的出现。指纹识别、人脸识别和说话人识别已经得到了广泛的研究。在所有的生物识别系统中，虹膜识别系统（IRS）是最有效和可靠的真实性检查系统。虹膜识别由Flom和Aran提出[12]。虹膜识别算法的最新调查可以在[13]中找到。这是由于人类虹膜的稳定性，其随时间的不变性以及每个人的独特性。兄弟或双胞胎[4]。IRS是一种高精度的验证技术[5]，也是一种有效的个人身份识别生物识别方法。IRS已经被广泛研究[4]，尤其是在安全领域。因此，许多国家使用IRS来提高机场和政府大楼的安全性。虽然虹膜识别理论开始较早，但最近最重要的工作[6]受到John Daugman的作品的启发[7]。经典的虹膜识别系统包括一系列步骤：图像采集，虹膜预处理（包括定位和归一化），特征提取和匹配步骤[4]。这些步骤如图1所示收购过程是获取一个人使用特定的传感器[4]。的预处理过程允许从虹膜图像中去除无用的信息，并仅提取感兴趣区域（ROI），仅的 爱瑞丝 这包括分割和正常化。分割过程包括从虹膜图像中分离出虹膜环。该方法通过归一化处理产生一个不变的虹膜区域，将圆形虹膜区域转化为一个固定维数的矩形区域，实际上，虹膜区域的内外边界可以近似地看作是圆，但这两个圆并不同心。Daugman [7]提出应用积分-微分算子来检测内、外边界，外部边界。采集分割图1.典型的虹膜识别系统这种方法（积分-微分）用于将图像从笛卡尔（x，y）空间转换到极坐标（r，r）空间[4]。瞳孔的中心由绿点表示。虹膜中心在图2中用红点表示，我们可以注意到两个边界并不同心。图2说明了笛卡尔坐标系下的虹膜图像及其矩形变换结果。第三是特征。正常化匹配相似度值特征提取特征数据库4Izem Hamouchene和Saliha Aouat / AASRI Procedia 9（2014）2萃取步骤。目标是从图像中捕获相关信息。Daugman在矩形虹膜上应用了Gabor滤波器。他在获得的图像上使用了多尺度方形方法。该方法对Gabor系数的实部和虚部的符号进行编码。每个像素由两个二进制代码编码。生成的二进制代码称为虹膜图像矩形光圈虹膜代码图2.使用Daugman的橡胶片模型和虹膜代码的提取进行归一化图2示出虹膜图像及其虹膜代码的示例。正系数由白线表示，负系数由黑线表示。对于匹配步骤，计算生成的虹膜代码和存储的虹膜代码之间的距离度量。如果距离测量低于阈值，则查询虹膜被认为是真实的。Daugman考虑了虹膜图像的质量，从虹膜图像中提取了匹配模板。他用汉明距离（HD）来计算两个虹膜之间的距离。为了识别，Daugman将匹配的阈值固定在0.34左右[8]。Daugman提出的虹膜识别系统是目前常用的虹膜识别系统的基础。为了从虹膜图像中提取相关信息，我们提出了一种新的特征提取方法。该方法的灵感来自于局部二进制模式（LBP）方法。在提取虹膜局部信息和更好地描述虹膜纹理方面做了一些改进。本文的组织如下：在第二节中，我们提出的虹膜纹理分析方法进行了说明。第三节给出了部分实验结果，第四节给出了本文的结论。2. 该方法在本节中，我们将详细介绍所提出的纹理分析方法。该方法的灵感来自LBP方法。因此，对LBP方法进行了简要说明。之后，本文分两部分对所提出的方法进行了详细的介绍。第一部分解释了我们的NBP方法，第二部分说明了NBP的旋转不变性一个插图，局部二进制模式（LBP）算子是Ojala和Pietikainen在1996年提出的，并在最近的研究中得到应用[3][11]。中心像素的邻域由中心像素的值阈值化。如果相邻像素的值大于或等于中心像素值，则每个相邻像素被编码为1，否则被编码为0。二进制代码是从分析窗口中获得的，并转换为十进制数LBP数。通过对前面详细介绍的虹膜识别系统的研究，我们可以注意到识别的主要步骤是特征提取。提出了一种新的基于邻域的二值模式（NBP）变换来提取纹理的局部特征。2.1. 基于邻域的二进制模式NBP通过用下一个相邻像素（从左上方的相邻像素开始，顺时针方向）对中心像素的每个相邻像素进行阈值化来提取二进制模式。如果一个相邻像素的灰度值大于下一个相邻像素，则该相邻像素的二进制值等于1，否则等于0。第一相邻像素（4）的灰度值小于其下一相邻像素（6）。因此，其二进制代码等于0。之后，将所获得的二进制码（11010）转换为十进制数（26），并将其视为中心像素的值最后，原始图像（5）中的中心像素将具有Izem Hamouchene和Saliha Aouat / AASRI Procedia 9（2014）25NBP0001101026C原始图像NBP图像中的值26。NBP得到中心像素的每个相邻像素之间的相对连接图3。图3. NBP模式的提取。2.2. 基于旋转不变邻域的二值模式实际上，相同分析窗口的小旋转生成不同的NBP代码。为了解决NBP算法的旋转问题，提出了一种编码方法。该编码过程相对地从分析窗口的较高邻域开始。因此，即使图案被旋转，编码过程也给出相同的代码。该编码过程在图4中示出。NBP颂歌图4.旋转不变NBP方法为了描述NBP图像，我们提出了一种分解结构，首先将NBP图像分解成若干块。计算每个区组的平均值。之后，对均值的变化进行编码。如果一个块的平均值大于其右邻居的平均值，则用1编码，否则用0编码。提取变化均值的二进制矩阵并用作虹膜的模板（图5）。平均值的变化图5.均值变异编码过程。图5示出了变化编码处理。首先，将NBP方法应用于虹膜图像。将获得的NBP图像分解为红色的2 ×4块。计算每个区组的平均值。之后，对每个块的均值的变化进行编码。例如，第一块的平均值等于26，其大于其右相邻块24。因此，第一个变量被编码为1。对于匹配步骤，使用交叉点相似性度量。为了比较两个虹膜图像，在所提取的两个特征矩阵之间的相似性距离被计算如下（1）。ͳሻሺሻሺʹሻͳǡሺሻ ʹሺሻͳሺሻ ͳሺͲሻሺሻʹሺ（一）NBP图像意味6Izem Hamouchene和Saliha Aouat / AASRI Procedia 9（2014）21MBB其中，M1、M2是两幅虹膜图像的变异二进制码。如果来自M1和M2的第i个块相同，则S等于1，否则等于0。Nb是取决于虹膜图像的分解的块的数量。如果距离Dis高于阈值，则认为两个虹膜属于同一个人。3. 实验结果为了评估我们的系统性能，我们使用了公共虹膜数据库CASIA [10]，这是虹膜识别研究中最常用的基准。在评估过程中，每个人的三张图像作为参考，四张作为测试。为了比较LBP方法和提出的NBP方法，从数据库中随机抽取20人用于实验过程。因此，60个图像用作参考，80个图像用作测试图像。每个测试图像被认为是查询。提取LBP直方图，并提取NBP图像的平均方差。然后，计算查询的特征与从数据库的所有参考图像中提取的特征之间的汉明距离。将所获得的汉明距离与查询进行比较，从最相似到不相似排序。考虑前三个的多数投票，并且查询虹膜被分类为跟随多数。图6中示出了实验示例。查询虹膜NBP i 年龄特征向量图6.识别过程特征数据库决策人1多数票汉明距离排名前3人1人1人2两种方法的识别率（R.R）如图7所示LBP方法的全局速率为10080使用LP法6040使用NP法2002 3 4 56 7 8 9 10 11 12 13 14 15 16 17 18 19 20图7.使用LBP和NBP的Izem Hamouchene和Saliha Aouat / AASRI Procedia 9（2014）27从实验结果可以看出，NBP方法优于经典的LBP方法，因为LBP方法实际上是通过中心像素的邻域值来阈值化中心像素的邻域，从而得到每个邻域与中心像素之间的关系，但是，NBP方法通过像素邻域之间的关系来描述像素，实验结果表明，NBP方法能够更好地捕捉像素邻域之间的相关信息，实验结果表明了该方法的鲁棒性和有效性。4. 结论在本文中，我们提出了一种新的IRS系统。该系统采用了一种新的特征提取方法NBP。NBP方法提取相邻像素之间的相对连接。该算法首先对每个像素的相邻像素进行阈值化，然后进行编码，最后将NBP图像分解为若干块。计算每个区组的平均值。然后，对均值的变化进行编码。得到的二进制矩阵被用作虹膜的特征描述符。实验中使用了CASIA虹膜数据库。拟议的IRS已取得良好的业绩。我们可以总结出，提出的NBP方法是有趣的，因为它得到了像素的邻居之间的相对相关信息。在未来的工作中，我们将研究NBP方法与其他方法，如Gabor变换的结合。引用[1] 方斌，唐玉玉，“基于血管重建树的视网膜图像弹性配准”，IEEE生物医学工程学报，第53卷，第6期，第113页。1183[2] R. Szewczyk，K. Grabowski，M.纳皮耶拉尔斯卡湾Sankowski，M. Zubert，A. Napieralski，[3] 周树仁，尹建平，张建明，“基于Gabor滤波器的局部二值模式（LBP）和局部相位量化（LBQ）人脸表示”。116，pp. 260-264，2013。[4] J.G.陈文辉，[5] J.Daugman，C.Downing，268，第1737 -1740页2001年[6] Abidin，Z.Z.; Manaf，M.; Shibghatullah，A.S.; Anawar，S.;艾哈迈德河，“在虹膜识别系统中使用边缘检测从表观遗传性状中提取特征”，IEEE信号和图像处理应用国际会议（ICSIPA），第145 -149页，2013年。[7]J. Daugman，“虹膜识别如何工作”，IEEE视频技术电路和系统学报，第14卷，第1期，第10页。2004年12月21日至30日。[8] J. Daugman，“虹膜识别的新方法”，IEEE Trans. on System，Man，and Cybernetics，vol. 37，no.5，pp. 1167-1175，2007.[9] J. Daugman，“随机性的重要性：虹膜识别的统计原理”，模式识别，第36卷，第2期，第36页。279-291.2003.[10]CASIA虹膜图像数据库（v1.0），中国科学院自动化研究所模式识别国家重点实验室（NLPR），2006。[11] 阿穆谢内岛Aouat S，Lacheheb H.“New Segmentation Architecture for Texture Matching Using theLBP Method”. IEEE技术共同赞助SAI会议，英国伦敦，2013年。[12] L. Flom和A.Safir，专利4，641，349，1987。[13] 凯文·W Bowyer，Karen P. Hollingsworth，Patrick J. Flynn，“A Survey of Iris BiometricsResearch：2008-2010”，Handbook of Iris Recognition，pp. 15-54，2013.