虹膜识别技术的最新进展综述

摘要：文章介绍了虹膜识别技术的历史、发展和现状，详细阐述了最新的虹膜识别技术文献的创新点及工作进展，最后得出结论：采取适当的方法会在较短时间内找到较为准确的虹膜内、外边缘，这对提高虹膜识别的效率有较为明显的影响。

关键词：虹膜识别；噪声；收敛算法；生物识别；效率

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2015）22-0117-02

Abstract： This paper introduces the history， development and present situation of iris recognition technology， and expounds the innovation points and work progress of the latest iris recognition technology. Finally， the conclusion is drawn that the appropriate method can find more accurate iris inner and outer edge， which can improve the efficiency of iris recognition.

Key words： iris recognition； noise； convergence algorithm； biometric； efficiency

生物识别技术是一种根据人的身体特征来进行身份识别的技术。一般来说，人体特征包括掌纹、声音、指纹、人脸、虹膜等，且这些特征具有唯一性、不可复制等特点。生物识别的过程就是指将所采集到的人体特征转变为数字信号，并利用有效的匹配机制来实现个人身份的识别。而且，生物识别技术是通过人体的固有特征来进行验证，不需要去死记硬背一些诸如账户、密码等难记的数字信息。因此，该技术为个人、企业及政府等在网上交易、隐私保护、反恐等诸多方面提供了方便和安全保障。在许多国家，生物识别技术已经处于安全议程讨论的最前沿[1]，因为该技术是一种高度准确的身份确认手段，这为许多安全性和身份管理问题提供了一个非常有效的解决方案。近十年，生物识别行业的市场份额在不断增加，主要原因包括：

1）技术上的进步；

2）成本的显著降低；

3）针对身份识别的立法要求的推动作用。

作为一种可行的替代方案，生物识别技术提升了地方、区域和国家的安全检查站的安全级别，它必将在未来的身份识别领域发挥越来越重要的作用。

在人体的许多生物特征中，虹膜是最持久、最具抗干扰性的特征之一。作为身份识别的特征，虹膜具有很多优点，如唯一性、稳定性、非侵犯性等。与人脸、声音等其他身份识别方法相比，虹膜识别具有更低的错误率[2]。虹膜识别技术被普遍认为是二十一世纪最具有发展潜力的生物识别技术，未来的安防、国防、电子商务等多种领域的应用，将会更多地依赖虹膜识别技术。这种趋势已经在世界各地的许多应用中逐渐显现出来，市场应用前景非常广阔。

1 虹膜分割的研究现状

虹膜识别技术根据对目标人物的约束程度可分为两种：有条件虹膜识别[3，4]和隐蔽式虹膜生物识别（Covert iris biometric recognition， CIBR）[5]。前者需要目标人物的积极配合，如目标人物需站在成像设备前，并保持大约三秒钟的注视时间。虽然通过这种方式获得的图像质量较高，但它却限制了虹膜识别技术的应用范围（如犯罪、恐怖活动等）。后者不能期望目标人物的合作，虽然以该方式获取的图像质量不高，但它却具有很强的应用性。因此，研究者已经把更多的兴趣和注意力放到了CIBR上。因为CIBR是在不可控的数据获取环境中进行的，所以它采集的虹膜图像具有以下的部分特征：

1）远距离拍摄、目标人物运动都会引起图像模糊。

2）当目标人物的头或身体没有位于垂直的位置时，会得到旋转的虹膜图像数据。

3）眼睑、眼睫毛、阴影的遮挡。

4）带有镜面反射的虹膜。

5）带有漫反射的虹膜。

6）目标人物戴眼镜时，眼镜经常会遮挡住人眼的一部分。

7）目标人物戴隐形眼镜时，隐形眼镜会遮挡虹膜纹理，并使之变形。

8）采集的图像只含有部分的虹膜信息或不含有虹膜信息。

与有条件虹膜识别相比，CIBR中的干扰因素更多，因此，适用于有条件虹膜识别的方法（虹膜分割、特征提取和匹配）不一定适用于CIBR。为了克服这些干扰因素的影响，研究者已经加大了对CIBR的研究力度。

虹膜分割是虹膜识别的一个关键环节，定位质量的高低将直接影响后续的特征提取和匹配。目前，研究者们已经针对CIBR提出了一些高性能的虹膜分割方法。这些方法将在以下作详细叙述。

文献[6]提出了一种有效的虹膜分割算法，该算法主要包括以下几个步骤：图像中反射的检测与消除、基于聚类和语义细化的虹膜位置粗定位、基于微积分星座法的虹膜边界精定位、眼睑定位、眼睫毛和阴影检测。其中，微积分星座法是对微积分算子[7，8]的一个改进，它首次引入了微积分环的概念，并选择三个不同的微积分环来构建微积分星座，该结构既增强了算法收敛到全局最优点的能力，又极大地提高了计算速度。另外，文献[6]进行眼睑定位、眼睫毛和阴影检测的目的是最大限度地找到虹膜的有用信息，减少噪声对特征提取和匹配的干扰。文献[9]提出了一种可靠的虹膜分割算法，该算法主要包括反射定位、反射填充、虹膜边界定位和眼睑边界定位等步骤。对于反射定位，首先采取了门限操作来获得反射区域，然后，再结合形态学的膨胀和闭包运算来增强该区域。在此基础上，通过四邻域插值法即可实现反射填充。在虹膜外边界定位中，文献[4]轻微地增加了微积分算子[7]的搜索范围，并将其应用于灰度图像以获得虹膜外边界。前者可以更充分、更准确地利用外边缘信息，后者进一步缩小了内边界定位的范围。与外边界定位不同，内边界定位是在红色分量图像中进行，因为红色分量图像特别有助于定位虹膜内边界[10]。最后，“二准则方法”和“三准则方法”被分别用于定位下眼睑和上眼睑建模。

文献[11]提出了一种基于知识的虹膜分割算法，该算法主要包括如下的步骤：图像预处理、瞳孔边界定位、虹膜边界定位、瞳孔和虹膜的组合、眼睑的检测以及反射的过滤。在实际的虹膜分割中，该基于知识的方法在两方面的改进是非常节约成本的。第一，对眼睑检测步骤的改进，主要是结合皮肤区域的检测、虹膜边界的检测来改进和提炼目前的方法。第二，减少算法的运行时间，主要对代码的全局性修复和对算法解决方案的优化。

文献[12]提出了一种抗干扰性强的、准确的虹膜分割方法，其主要贡献如下：第一，提出了一种边缘定位算法，该算法结合了基于灰度共生直方图的聚类法和一种改进的Hough变换。第二，引入了一种上眼睑检测方法，该方法结合了抛物线型微积分算子和一种随机采样一致性技术。第三，陈述了一种使用各种技术和不同图像信息的分割方法。

文献[13]提出了一种新的虹膜分割方法。文中主要有三个方面不同于先前的工作：第一，使用了一种AdaBoost眼睛检测法[14]以补偿由两个圆形边缘检测操作所引起的误差；第二，使用了一种颜色分割技术来检测由可见光的重影效应所引起的干扰；第三，根据角膜反射来判断一个图像是否是“闭眼”图像。

2 结束语

本文主要阐述了虹膜识别技术的相关内容，对不同的虹膜识别技术的优劣进行了分析。综述表明：采取适当的方法会在较短时间内找到较为准确的虹膜内、外边缘，这对提高虹膜识别的效率有较为明显的影响。在此基础上，将来的工作会重点研究虹膜识别的另外两个重要环节，它们分别是特征提取和模式匹配。这为进一步提高CIBR的精度和速度打下了坚实的基础。

参考文献：

[1] Al-Raisi A N， Al-Khouri A M. Iris recognition and the challenge of homeland and border control security in UAE[J]. Telematics and Informatics， 2008， 25（2）： 117-132.

[2] Zhu Y， Tan T N， Wang Y H. Biometric personal identification based on iris patterns[C]. 15th International Conference on Pattern Recognition， 2000， vol. 2， pp. 801-804，

[3] Phillips P J， Scruggs T， O’Toole A， Flynn P J， Bowyer K W， Schott C， Sharpe M. FRVT 2006 and ICE 2006 large-scale experimental results[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 32（5）： 831-846.

[4] Proenc H， Alexandre L A. NICE.I： Noisy iris challenge evaluation - Part I[C]. First IEEE International Conference on Biometrics： Theory， Applications， and Systems， 2007： 1-4.

[5] Proenca H， Alexandre L A. Toward covert iris biometric recognition： experimental results from the NICE contests[J]. IEEE Transactions on Information Forensics and Security， 2012， 7（2）： 798-808.

[6] Tan T， He Z F， Sun Z N. Efficient and robust segmentation of noisy iris images for non-cooperative iris recognition[J]. Image Vision Computing， 2010， 28（2）： 223-230.

[7] Daugman J. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1993， 15（11）： 1148-1161.

[8] Daugman J. How iris recognition works[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2004， 14（1）： 21-30.

[9] Sankowski W， Grabowski K， Napieralska M， Zubert M， Napieralski A. Reliable algorithm for iris segmentation in eye image[J]. Image Vision Computing， 2010， 28（2）： 231-237.

[10] Sankowski W， Grabowski K， Zubert M， Napieralska M. Iris finder-program for reliable iris localization in images taken under visible light[C]. XI Conference on Medical Informatics & Technologies， Poland， 2006.

[11] Almeida P. A knowledge-based approach to the iris segmentation problem[J]. Image Vision Computing， 2010， 28（2）： 238-245.

[12] Li P H， Liu X M， Xiao L J， Song Q. Robust and accurate iris segmentation in very noisy iris images[J]. Image Vision Computing， 2010， 28（2）： 246-253.

[13] Jeong D， Hwang J， Kang B， Park K， Won C， Park D， Kim J. A new iris segmentation method for non-ideal iris images[J]. Image Vision Computing， 2010， 28（2）： 254-260.

[14] AdaBoost OpenCV. ， 2009 （accessed 16.03.09）.