吉林大学学报(工学版) ›› 2021, Vol. 51 ›› Issue (2): 650-658.doi: 10.13229/j.cnki.jdxbgxb20191176

• 计算机科学与技术 • 上一篇    

基于多方向局部二值模式与稳定特征的虹膜识别

朱晓冬1,2(),张齐贤1,3,刘元宁1,2(),吴迪1,2,吴祖慷1,2,王超群1,3,李昕龙1,3   

  1. 1.吉林大学 符号计算与知识工程教育部重点实验室,长春 130012
    2.吉林大学 计算机科学与技术学院,长春 130012
    3.吉林大学 软件学院,长春 130012
  • 收稿日期:2019-12-23 出版日期:2021-03-01 发布日期:2021-02-09
  • 通讯作者: 刘元宁 E-mail:zhuxd@jlu.edu.cn;lyn@jlu.edu.cn
  • 作者简介:朱晓冬(1964-),男,教授,博士生导师.研究方向:虹膜识别.E-mail:zhuxd@jlu.edu.cn
  • 基金资助:
    国家自然科学基金项目(61471181);吉林省产业创新专项项目(2019C053-2)

Iris recognition based on multi⁃direction local binary pattern and stable feature

Xiao-dong ZHU1,2(),Qi-xian ZHANG1,3,Yuan-ning LIU1,2(), WU-di1,2,Zu-kang WU1,2,Chao-qun WANG1,3,Xin-long LI1,3   

  1. 1.Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education,Jilin University,Changchun 130012,China
    2.College of Computer Science and Technology,Jilin University,Changchun 130012,China
    3.College of Software,Jilin University,Changchun 130012,China
  • Received:2019-12-23 Online:2021-03-01 Published:2021-02-09
  • Contact: Yuan-ning LIU E-mail:zhuxd@jlu.edu.cn;lyn@jlu.edu.cn

摘要:

为抑制虹膜图像中的噪声以及有效提取局部纹理的特征,从而提高虹膜识别率,提出了基于多方向局部二值模式与稳定特征的虹膜识别算法。通过多种滤波处理算法,从存在光照及噪声干扰的不稳定状态的虹膜图像中提取足量的虹膜内部特征点作为有效虹膜信息,进而形成虹膜的稳定特征图像。然后基于局部二进制模式,提出多方向局部二值模式提取特征向量,该方法不仅能描述虹膜图像的整体空间信息,而且还能降低特征图像的维度。最后用Hamming距离进行虹膜识别。对CASIA、JLU-6.0等虹膜库进行了识别和评价,实验结果表明:该方法不仅可以保证稳定特征的有效性,而且能有效提取局部纹理特征,具有更高的识别率和鲁棒性。

关键词: 局部纹理, 虹膜识别, 局部二进制模式, 鲁棒性

Abstract:

To improve the iris recognition rate by suppressing the noise and extracting the feature of local texture effectively in iris image, an iris recognition algorithm based on multi-direction local binary mode and stable feature is proposed. First, applying a variety of filtering processing algorithms, sufficient iris internal features are extracted from the iris image in unstable state with illumination and noise interference, which are as effective iris information to form a stable iris feature image. Then, based on the local binary pattern, a multi-directional local binary pattern is proposed to extract the feature vectors. This method not only can describe the overall spatial information of the iris image, but also reduce the dimension of the feature image. Finally, the Hamming distance is used for iris recognition. This method is used to identify CASIA, JLU-6.0 database, and the results show that this method not only can guarantee the effectiveness of the stable feature, but also extract the local texture feature effectively with higher recognition rate and robustness.

Key words: local texture, iris recognition, local binary pattern, robustness

中图分类号: 

  • TP391.41

图1

质量合格图像及其定位"

图2

归一化及识别区域图像"

图3

4种不同的特征差异图像"

图4

稳定特征识别区域"

图5

MD-LBP算子"

图6

8个不同方向的加权灰度值"

图7

MD-LBP编码过程"

图8

计算虹膜特征向量"

表1

虹膜库的比较情况"

虹膜库

虹膜

类别

单类

数量

虹膜

总数

类内比较次数类外比较次数总匹配次数
JLU-6.0160203200315156398790

表2

4种情况的CRR和EER"

稳定特征处理算法CRR/%EER/%
不做处理95.213.23
高斯滤波97.721.74
高斯拉普拉斯滤波和中值滤波99.040.85
本文算法99.420.53

图9

实验结果的ROC曲线"

表3

JLU-6.0实验结果"

虹膜库项目4×816×832×832×1664×16

JLU-6.0

(T4)

识别率/%93.493.289.784.580.1
时间/s9.55.24.43.22.6

JLU-6.0

(T6)

识别率/%95.194.990.786.483.6
时间/s11.67.35.44.83.3

JLU-6.0

(T8)

识别率/%96.896.292.487.785.3
时间/s12.78.27.56.24.9

JLU-6.0

(T10)

识别率/%98.297.695.391.687.3
时间/s15.510.89.28.46.9

表4

CASIA-Interval实验结果"

虹膜库项目4×816×832×832×1664×16

CASIA-

Interval(T4)

识别率/%87.885.784.682.380.4
时间/s6.64.23.52.71.4

CASIA-

Interval(T6)

识别率/%89.886.485.682.981.1
时间/s7.54.94.63.82.1

CASIA-

Interval(T8)

识别率/%90.687.285.983.782.5
时间/s7.95.35.04.23.4

CASIA-

Interval(T10)

识别率/%92.290.387.885.483.6
时间/s9.26.65.75.04.1

图10

不同子块大小的识别率和计算时间"

表5

不同虹膜库匹配次数"

虹膜库

虹膜

类别

单类

数量

虹膜

总数

类内比较次数类外比较次数总匹配 次数
JLU-6.0160203 2003 40016 70020 100
Interval12056001 8008 50010 300
Lamp8075601 3507 8409 190

表6

各虹膜库的CRR与EER (%)"

识别算法JLU-6.0CASIA-Iris- IntervalCASIA-Iris-Lamp
CRREERCRREERCRREER
LBP94.522.3296.122.1791.343.94
MB-LBP94.272.5997.982.1494.932.25
CS-LBP96.671.6698.171.5395.252.45
SCCS-LBP97.530.9698.951.1696.430.98
MD-LBP99.280.4390.422.4898.260.67

图11

实验结果的ROC曲线"

1 王蕰红, 朱勇, 谭铁牛. 基于虹膜识别的身份鉴别[J]. 自动化学报, 2002, 28(1): 1-10.
Wang Wen-hong, Zhu Yong, Tan Tie-niu. Identification based on iris recognition[J]. Journal of Automation, 2002, 28(1): 1-10.
2 李星光, 孙哲南, 谭铁牛. 虹膜图像质量评价综述[J]. 中国图象图形学报, 2014, 19(6): 813-824.
Li Xing-guang, Sun Zhe-nan, Tan Tie-niu. Overview of iris image quality-assessment[J]. Journal of Image and Graphics, 2014, 19(6): 813-824.
3 Daugman J. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions, 1993, 15(11): 1148-1161.
4 Wildes R P, Asmuth J C, Green G L, et al. A machine-vision system for iris recognition[J]. Machine Vision & Application, 1996, 9(1): 1-8.
5 孙哲南. 虹膜图像特征表达方法研究[D]. 北京: 中国科学院自动化研究所研究生院, 2006.
Sun Zhe-nan. A study on iris feature representation[D]. Beijing: Graduate School, Institute of Automation, Chinese Academy of Sciences, 2006.
6 Liu J, Sun Z N, Tan T N. Distance metric learning for recognizing low-resolution iris images[J]. Neurocomputing, 2014, 144: 484-492.
7 Yang D T, Fan P C. Effective scale-invariant feature transform based iris matching technology for identity identification[C]∥In Proceedings of the IEEE International Conference on Consumer Electronics-Taiwan(ICCE-TW), Taichung, 2018: 19-21.
8 Redman A, Zainal N, Suandi S A. Automated segmentation of iris images acquired in an unconstrained environment using HOG-SVM and GrowCut[J]. Digital Signal Processing, 2017, 64: 60-70.
9 Han C Y, Kwon S H, Choi H I, et al. Seeded Ising model and the statistical nature of human iris templates[J]. Physical Review E, 2018, 98: 1-7.
10 Ojala T, Pietikainen M, Maenpaa T. Multi-resolution gray scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.
11 Zhang L, Chu R, Xiang S, et al. Face detection based on multi-block lbp representation[C]∥International Conference on Biometrics. Berlin: Springer, 2007: 11-18.
12 Heikkila M, Pietikainen M, Schmid C. Description of interest regions with local binary patterns[J]. Pattern Recognition, 2009, 42(3): 425-436.
13 李欢利, 郭立红, 李小明, 等. 基于统计特征中心对称局部二值模式的虹膜识别[J]. 光学精密工程, 2013, 21(8): 2129-2136.
Li Huan-li, Guo Li-hong, Li Xiao-ming, et al. Iris recognition based on SCCS-LBP[J]. Optics and Precision Engineering, 2013, 21(8): 2129-2136.
14 刘帅. 基于粒子群优化改进的虹膜特征提取与识别算法的研究[D]. 长春: 吉林大学软件学院, 2019.
Liu Shuai. Research on iris feature extraction and recognition algorithm based on improved particle swarm optimization[D]. Changchun: College of Software, Jilin University, 2019.
15 Daugman J G. How iris recognition works[J]. IEEE Transactions on Gircuits and System for Video Technology, 2004, 14(1): 21-30.
16 Liu S, Liu Y N, Zhu X D, et al. Iris double recognition based on modified evolutionary neural network[J].Journal of Electronic Imaging, 2017, 26(6): 1-11.
17 Zhang Q X, Zhu X D, Liu Y N, et al. Iris recognition based on adaptive optimization log-gabor filter and rbf neural network[C]∥14th Chinese Conference on Biometric Recognition. Cham: Springer, 2019: 312-320.
18 毛星云, 冷雪飞. OpenCV3编程入门[M]. 1版, 北京: 电子工业出版社, 2017.
19 de Souza J M, Gonzaga A. Human iris feature extraction under pupil size variation using local texture descriptors[J]. Multimedia Tools and Applications, 2019, 78(15): 20557-20584.
20 吉林大学生物识别与信息安全技术实验室. 虹膜库[EB/OL]. [2019-10-25].
21 中国科学院自动化研究所. 共享虹膜库[EB/OL]. [2019-10-25]. .
22 刘元宁, 刘帅, 朱晓冬, 等. 基于决策粒子群优化与稳定纹理的虹膜二次识别[J]. 吉林大学学报: 工学版, 2019, 49(4): 1329-1338.
Liu Yuan-ning, Liu Shuai, Zhu Xiao-dong, et al. Iris secondary recognition based on decision particle swarm optimization and stable texture[J]. Journal of Jilin University (Engineering and Technology Edition), 2019, 49(4): 1329-1338.
23 Liu S, Liu Y N, Zhu X D, et al. Unsteady state lightweight iris certification based on multi-algorithm parallel integration[J]. Algorithms, 2019, 12(9): 1-24.
[1] 刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[2] 胡云峰, 顾万里, 梁瑜, 杜乐, 于树友, 陈虹. 混合动力汽车启停非线性控制器设计[J]. 吉林大学学报(工学版), 2017, 47(4): 1207-1216.
[3] 顾万里, 张森, 胡云峰, 陈虹. 有刷直流电机非线性控制系统设计[J]. 吉林大学学报(工学版), 2017, 47(3): 900-907.
[4] 马蓓, 张海林, 张兆维, 钟鸣. 基于不完全信道信息的D2D功率分配算法[J]. 吉林大学学报(工学版), 2016, 46(4): 1320-1324.
[5] 邱春玲, 陶强, 范润龙, 王培智. 基于局部二进制描述SIFT特征的锆石图像配准方法[J]. 吉林大学学报(工学版), 2014, 44(6): 1793-1798.
[6] 李一兵, 常国彬, 叶方. 基于指数熵的认知无线电频谱感知算法[J]. 吉林大学学报(工学版), 2014, 44(5): 1506-1511.
[7] 王友卫, 刘元宁, 朱晓冬. 抵抗图像区域攻击的鲁棒性水印算法[J]. 吉林大学学报(工学版), 2014, 44(4): 1151-1158.
[8] 李欢利, 郭立红, 王心醉, 李小明, 董月芳, 方艳超. 基于加权Gabor滤波器的虹膜识别[J]. 吉林大学学报(工学版), 2014, 44(01): 196-202.
[9] 张元元, 李静, 姜树明, 杨子江, 张江州. 步态能量图的局部纹理特征分析方法[J]. 吉林大学学报(工学版), 2013, 43(增刊1): 193-198.
[10] 陈晨, 党敬民, 黄渐强, 王一丁. 高稳定、强鲁棒性DFB激光器温度控制系统[J]. 吉林大学学报(工学版), 2013, 43(04): 1004-1010.
[11] 李欢利, 郭立红, 陈涛, 杨丽梅, 王心醉, 董月芳. 基于改进的经验模态分解的虹膜识别方法[J]. 吉林大学学报(工学版), 2013, 43(01): 198-205.
[12] 尹奎英, 金林, 刘宏伟, 王英华. 基于局部纹理特征的合成孔径雷达变体目标自动识别算法 [J]. , 2012, (03): 743-748.
[13] 王洪, 戴明. 区域快速鲁棒特征跟踪电子稳像[J]. 吉林大学学报(工学版), 2012, 42(02): 451-458.
[14] 鲁珊, 雷英杰, 孔韦韦, 雷阳, 郑寇全. 基于模糊核聚类的鲁棒性基础矩阵估计算法[J]. 吉林大学学报(工学版), 2012, 42(02): 434-439.
[15] 葛连正,陈健,李瑞峰. 改 进 的 跟 踪 微 分 器 设 计[J]. 吉林大学学报(工学版), 2011, 41(05): 1439-1443.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!