Afbeelding
Irislokalisatie is een van de belangrijkste processen bij irisherkenning. Door verschillende soorten ruis in het irisbeeld, kan het lokalisatieresultaat verkeerd zijn. Bovendien is het lokalisatieproces tijdrovend. Om deze problemen op te lossen, wordt in dit artikel een efficiënt iris lokalisatie algoritme ontwikkeld via een optimalisatie model. Ten eerste wordt het lokalisatieprobleem gemodelleerd door een optimalisatiemodel. Dan wordt SIFT kenmerk geselecteerd om de karakteristieke informatie van iris buitenste grens en ooglid voor lokalisatie te vertegenwoordigen. En SDM (Supervised Descent Method) algoritme wordt gebruikt om de uiteindelijke punten van de buitenste grens en oogleden op te lossen. Tenslotte wordt IRLS (Iterative Reweighted Least-Square) gebruikt om de parameters van de buitenste begrenzing en de bovenste en onderste oogleden te verkrijgen. Experimenteel resultaat geeft aan dat het voorgestelde algoritme efficiënt en effectief is.
1. Inleiding
Irisherkenning is een van de meest betrouwbare biometrie. Het wordt veel gebruikt in verschillende soorten toepassingen.
Een typische iris erkenning systeem bevat verschillende stappen, die iris beeld acquisitie, segmentatie, feature extractie, matching, en herkenning zijn. In deze stappen, segmentatie is de meest belangrijke en fundamentele proces. Deze stap voornamelijk lokaliseren vier grenzen van iris, die binnenste en buitenste grenzen van iris en bovenste en onderste oogleden.
In feite is het moeilijk om nauwkeurige en stabiele iris grenzen te verkrijgen onder verschillende omstandigheden, zoals variabele en niet-uniforme helderheid, occlusie van wimpers en oogleden, speculaire reflecties, en bril bedekking. Deze onbepaalde factoren maken iris segmentatie moeilijk. Segmentatie is een belangrijk knelpunt geworden in irisherkenningssystemen.
De bekendste twee iris lokalisatie algoritmen zijn integrodifferential (Itg-Diff) operator en edge detection gecombineerd met Hough transform . Zij worden op grote schaal goedgekeurd door verschillende publicaties. Deze twee methoden maken echter hoofdzakelijk gebruik van gradiëntinformatie, die gemakkelijk wordt beïnvloed door verschillende soorten ruis. Ze zijn waarschijnlijk niet efficiënt en genereren verkeerde lokalisatie onder sommige omstandigheden.
(1) Computation Complexity. De efficiëntie van de Itg-Diff operator wordt voornamelijk beïnvloed door het bereik van de grensparameters. Wanneer de zoekruimte van parameter groot is, heeft het lokalisatieproces een grote berekeningscomplexiteit. De efficiëntie van de Hough-transformatie wordt voornamelijk beïnvloed door de grootte van de parameterruimte en het aantal gedetecteerde randpixels. De gedetecteerde rand bevat over het algemeen veel ruis. Wanneer te veel ruis wordt opgenomen of een grote parameterruimte wordt gebruikt, is het berekeningsproces tijdrovend.
(2) Onnauwkeurige lokalisatie van de buitenste grens van de iris. Aangezien de Itg-Diff operator en het randdetectieproces alleen afhankelijk zijn van gradiëntinformatie, zijn ze kwetsbaar voor wimpers, lichtvlek, brilmontuur en andere ruis, wat resulteert in verkeerde lokalisatie.
(3) Onjuiste Segmentatie van de bovenste en onderste oogleden. Door de diversiteit van de apparatuur, de omgeving en de personen, verschillen de oogleden in de opgenomen beelden sterk. Dit leidt tot onjuiste segmentatie van oogleden.
In de afgelopen jaren zijn veel algoritmen voorgesteld op basis van de bovenstaande twee klassieke algoritmen. Cui et al. extract de lage frequentie informatie van iris beeld door wavelet transform. Zij gebruiken Itg-Diff operator om iris te segmenteren. Sundaram et al. verkleinen het zoekbereik van iris en pupil om de complexiteit te verminderen; vervolgens gebruiken zij Hough transform voor lokalisatie. Andere algoritmen zoals de wet van Hooke, actieve contour, en histogram analyse geven ook bevredigende resultaten. Meer iris segmentatie methoden zijn onderzocht door Jan.
In feite zijn deze voorgestelde iris segmentatie methoden voornamelijk afhankelijk van gradiënt informatie. Dus het lokalisatieproces wordt gemakkelijk beïnvloed door verschillende soorten ruis, het genereren van verkeerde segmentaties. Aan de andere kant maakt de bestaande ruis het moeilijk om het bereik van grensparameters in te schatten. Dit maakt het zoekproces berekening complexiteit.
Gezien het feit dat gradiënt informatie gemakkelijk wordt beïnvloed door ruis, proberen we meer robuuste kenmerken te selecteren om iris grens.
SIFT (schaal-invariante functies transformeren) is een robuuste en schaal-invariante lokale kenmerk descriptor vertegenwoordigen. Xiong en de la Torre voorgesteld om sleutelpunten van het gezicht met SIFT en SDM (Supervised Descend Methode) algoritme te lokaliseren. Geïnspireerd door dit artikel, proberen we SIFT te gebruiken om lokale kenmerken van de irisgrens te extraheren. Het lokalisatieproces wordt opgelost door SDM.
Figuur 1 toont het stroomschema van de voorgestelde iris lokalisatie methode. Ten eerste wordt de pupil grof gelokaliseerd door RST (Radial Symmetry Transform) en wordt de fijne grens bepaald door Itg-Diff operator. Vervolgens extraheren we de SIFT-kenmerken van de sleutelpunten op de buitengrens van de iris en de oogleden (boven en onder). Op basis van deze sleutelpunten wordt het ontwikkelde optimalisatiemodel opgelost door SDM. Daarna worden enkele sleutelpunten op de buitengrens van de iris en de oogleden (boven en onder) verkregen. De uiteindelijke oogleden en iris grens worden bepaald door IRLS (Iterative Reweighted Least-Square).
Figuur 2 illustreert de gehele procedure van het voorgestelde algoritme. Figuur 3 toont de vergelijking tussen het ideale en het verkregen lokalisatieresultaat door het voorgestelde algoritme.
(a)
(b)
(a)
(b)
De paper is als volgt georganiseerd: Sectie 2 illustreert het wiskundige model van het lokalisatie-algoritme. Sectie 3 presenteert de voorgestelde iris lokalisatie methode. Sectie 4 toont het experimentele resultaat en analyse. Sectie 5 concludeert de hele paper.
2.1. Mathematisch model van Iris lokalisatie
Laat een iris beeld en een vector van de coördinaten van pixels in het beeld, . is de vector van de grenzen van bestemming, die is samengesteld uit coördinaten van de belangrijkste punten, . Dan is de lokalisatie proces is gelijk aan het berekenen van , die wordt geïllustreerd in figuur 4.
(a) Beginvorm van de buitengrens van de iris
(b) Begin- en eindvorm van de buitengrens
(a) Initiële vorm van de buitengrens van de iris
(b) Initiële en definitieve vorm van de buitengrens
Definieer als de kenmerkvector van , die is samengesteld uit groepen kenmerken op . Hier is een feature extraction-functie, die pixels projecteert op hun overeenkomstige feature descriptor.
Met deze definitie is de feature vector van . Dan is het lokalisatieproces gelijk aan het zoeken naar de feature vector die het meest lijkt op . Idealiter, wanneer het verschil tussen de twee feature vectoren en klein is, zou dicht bij de doelvorm vector , dat is de verwachte lokalisatie.
Hier gebruiken we Euclidische afstand om de gelijkenis van twee feature vectoren te meten. Dan is de iris lokalisatie procedure is gelijk aan het minimaliseren van de volgende doelfunctie:
Let , waar is de initiële coördinatenvector, is de offset van tot , en (1) kan worden herschreven als
Wanneer de feature extracting functie is niet-lineaire, de minimalisatie van (2) is een niet-lineaire programmering probleem. De uiteindelijke vormvector kan worden verkregen door het volgende optimalisatieprobleem op te lossen:
Dan is de uiteindelijke lokalisatievormvector
2.2. SIFT kenmerk van grens
SIFT is een veelgebruikte beeld lokale kenmerk descriptor. Het wordt veel gebruikt in veel verschillende computer vision problemen. In dit document, nemen we een soortgelijke strategie als , extract SIFT kenmerk vectoren van de belangrijkste punten op iris grens voor lokalisatie. Figuur 5 illustreert de SIFT-kenmerken van verschillende punten op de iris grens. Deze figuur geeft aan dat de vier gegeven punten (gelabeld als 1-4) op de iris buitengrens vergelijkbare SIFT kenmerken hebben.
(a)
(b)
(a)
(b)
2.3. SDM-algoritme
Door de SIFT-kenmerkvector in het optimalisatieprobleem in (3) te substitueren, wordt een niet-lineair programmeringsprobleem verkregen. Het SDM-algoritme gebruikt leren onder toezicht om de optimale iteratieve vector van de huidige vormvector naar het doel te verkrijgen. Het is een iteratief algoritme voor het oplossen van het optimalisatieprobleem.
Dit algoritme stelt een lineair regressiemodel op tussen de offset van de vormvector en het kenmerk van de huidige vormvector
Dan kunnen de huidige vormvector en de offsetvector iteratief worden berekend, om de gewenste positievector te verkrijgen: .
Om de mogelijkheid te verkleinen dat men in een lokaal minimum terechtkomt, neemt SDM verschillende iteraties aan om een reeks van en te verkrijgen, waarbij het aantal iteraties is en de coördinaat van het derde punt van de vormvector bij de derde iteratie.
3. Voorgestelde Methode
3.1. Wanneer irisbeelden worden genomen door de nabij-infrarood apparatuur, is er een groot verschil tussen pupil en iris. Hier passen wij een “grof-naar-fijn” lokalisatiestrategie voor de pupil toe. Eerst wordt een ruwe positie van de pupil verkregen door RST; vervolgens wordt de nauwkeurige lokalisatie verkregen door Itg-Diff operator.
Itg-Diff operator is voorgesteld door Daugman. De formule is als volgt: waar is een gladde functie, is convolutie operator, is het beeld, is het centrum van de cirkelvormige grens, en is de radius.
De operator berekent ringvormige grijs verschil langs de radiale richting in iris beeld en zoekt de max difference.
3.2. SDM Learning
In dit document, selecteren we 32 belangrijke punten op de buitenste grens van iris. Figuur 6 illustreert de posities van deze punten. Onder hen, bovenste en onderste oogleden bevatten 13 punten afzonderlijk, en de linker en rechter bogen van de iris grens hebben 4 punten, respectievelijk. Figuur 6 (a) is het trainingsbeeld met gemarkeerde punten op zowel de bovenste en onderste oogleden, waar de punten 1e, 13e, 14e, en 26e zijn de snijpunten van de oogleden en de buitenste rand van de iris, respectievelijk; Figuur 6 (b) is het trainingsbeeld zonder snijpunt van de onderste oogleden en de iris, waar het laagste punt op de buitenste rand van de iris is gemarkeerd als de punten 14e tot 26e; Figuur 6 (c) is het trainingsbeeld zonder snijpunt van de bovenste oogleden en iris, waar het hoogste punt op de buitenste rand van de iris is gemarkeerd als de punten 1e tot 13e; Figuur 6 (d) toont de gemiddelde vorm vector van alle training monsters. De SIFT-eigenschappen van de gemarkeerde punten worden berekend voor elk beeld in de database en en , die worden opgeslagen als de geleerde parameters van lineaire regressie, worden verkregen door (6) op te lossen.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
3.3. Bij het lokalisatieproces wordt de buitengrens van de iris geïnitialiseerd op basis van de parameters voor de lokalisatie van de pupil en de gemiddelde vorm. Figuur 7 illustreert het veranderingsproces van de vorm na verschillende iteratiestappen. Figuur 7(a) toont de initiële kernpunten. Figuren 7(b), 7(c), en 7(d) tonen respectievelijk de gelokaliseerde vormen, die verkregen worden na één, twee, en drie iteraties.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Figuur 7
Illustratie van iteratiestappen. (a) Initialisatie van sleutelpunten. (b) Kernpunten na één iteratie. (c) Kernpunten na twee iteraties. (d) Kernpunten na drievoudige iteraties.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Het gebruikte irisbeeld is verkleind tot zijdelingse lengte. Het iteratiegetal .
3.4.
Met deze door SDM verkregen sleutelpunten wordt het IRLS-algoritme gebruikt om de grens van iris en oogleden te bepalen. De buitengrens van iris en oogleden (naar boven en naar beneden) wordt door cirkel- en paraboolvergelijkingen afzonderlijk bepaald
3.4.1. Linearisering van cirkelvergelijking
Een standaard cirkelvergelijking is waarbij en de horizontale en verticale coördinaten van het punt op de cirkel zijn en , , en de parameters zijn. De cirkelvergelijking kan geschreven worden als
Let , , ; dan kan de vergelijking van de cirkel geschreven worden als
3.4.2. Linearisering van parabolische functie
Een standaard parabolische functie kan als volgt worden gegeven:
Dan wordt de functie
Let , , ; dan kan de parabolische functie gegeven worden als
3.4.3. Wanneer de circulaire en parabolische functies worden geïllustreerd als (10) en (13), worden de oorspronkelijke niet-lineaire functies lineair. De parameters van deze functies kunnen worden opgelost met behulp van methoden die betrekking hebben op de kleinste kwadraten. Hier gebruiken wij IRLS om deze onbekende parameters te schatten.
Veronderstel dat de afwijking van het derde punt , is. Om de regressie robuust te maken, gebruiken wij bisquare functie als de gewichtsfunctie, die ; is bandbreedte. Dan zou het volgende optimalisatieprobleem worden verkregen door het minimaliseren van de gewogen vierkante foutwhere is de coördinaten van de th sleutelpunten verkregen door SDM.
Hier gebruiken we IRLS om (14) op te lossen. De iteratieve functie is
Het oplossingsproces wordt gerealiseerd door een ingebouwde functie in Matlab. Figuur 8 illustreert de sleutelpunten en de uiteindelijke gelokaliseerde grenzen. De sleutelpunten op de buitengrens van de iris en de bovenste en onderste oogleden worden verkregen door SDM. De continue grenzen worden berekend door IRLS.
4. Experimenteel resultaat en analyse
De voorgestelde algoritme werd getest op een monoculaire iris acquisitie apparaat TCI 311, die wordt vervaardigd door Techshino Technology Inc, Peking. Het is een dichtbijgelegen infrarode camera met hoofdlens. De opnameafstand is 8-10 cm. De resolutie van het irisbeeld is . We construeren een iris database met 700 beelden door dit apparaat.
Het experiment wordt uitgevoerd op een computer met Intel Core i5 CPU, 2 GB RAM, en het besturingssysteem is Windows 7 Professional 32-bit. Het algoritme is gecodeerd in Matlab 2014b en C++.
In ons experiment worden de trainings- en verificatiebeelden willekeurig geselecteerd uit de beelddatabase voor kruisvalidatie. De verhouding van training en geverifieerde beelden is 7 : 3.
Het foutenpercentage en het uitvalpercentage van de lokalisatienauwkeurigheid worden als volgt gedefinieerd: waar en de testpositie en de ware positie van het i-de punt op het j-de monsterbeeld respectievelijk aanduiden. de Euclidische afstand vertegenwoordigt. en de lengte en breedte van de minimaal omgeschreven rechthoek van alle sleutelpunten op het th-monsterbeeld aanduiden. Volgens de definitie meet de steekproefpuntfout en is het plaatsfoutenpercentage.
Het cumulatieve foutenpercentage wordt als volgt gedefinieerd:
Het cumulatieve foutenpercentage wordt als volgt gedefinieerd:
Hierbij zijn en de evaluatiecriteria, en is een indicatorfunctie:
Figuur 9 toont en curven. Figuur 10 toont het lokalisatieresultaat volgens de voorgestelde methode. Tabel 1 illustreert de prestatievergelijking van irisgrens en oogleden lokalisatie door Itg-Diff en voorgestelde algoritme. Figuur 11 vergelijkt de resultaten verkregen door Itg-Diff operator en de voorgestelde methode, waarbij de eerste lijn het resultaat is van de Itg-Diff operator en de tweede lijn het resultaat is van de voorgestelde methode. Deze vergelijkingen tonen aan dat de voorgestelde methode stabielere lokaliseringsprestaties levert dan de Itg-Diff operator in een irisbeeld met veel ruis, vooral met grote lichte vlekken, brilmonturen, enzovoort.
|
||||||||||||||||||
(a)
(b)
(a)
(b)
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
Dat komt omdat de Itg-Diff operator vertrouwt op de gradiëntinformatie over de buurt. Hij is gevoelig voor lokale intensiteitsvariaties. Wanneer irisbeelden lichtvlek, ooglid, wimper, brilmontuur, enzovoort bevatten, produceert de Itg-Diff operator waarschijnlijk verkeerde segmentaties.
Want SIFT-kenmerk wordt gegenereerd op een relatief groot lokaal gebied, het is robuuster voor beeldrotatie, helderheidsvariatie, schaalvergroting, en ruis dan gradiëntinformatie. Dit verhoogt de robuustheid van lokalisatie algoritme.
Tabel 2 toont de run-time van de voorgestelde methode en de andere twee methoden. Het duurt een gemiddelde van 26,7 ms te lokaliseren een iris beeld in ons experiment, dat is veel efficiënter dan vergeleken algoritmen.
|
||||||||||||||||||||
5. Conclusies
In dit document wordt een efficiënt irislokalisatiealgoritme op basis van een optimalisatiemodel voorgesteld. Eerst worden RST en Itg-Diff operator gebruikt om de pupil te lokaliseren; vervolgens worden de belangrijkste punten op de buitengrens van de iris voorgesteld door SIFT-kenmerken en gelokaliseerd door SDM. Tenslotte worden de parameters van de buitengrens van de iris bepaald door IRLS.
De belangrijkste bijdrage van dit artikel kan als volgt worden samengevat. Een optimalisatie model is ontwikkeld voor iris lokalisatie. SIFT kenmerk wordt gebruikt voor iris grens representatie, die robuuster is dan gradiënt informatie. SDM algoritme wordt geïntroduceerd om de iris lokalisatie probleem op te lossen, die de belangrijkste punten van de buitenste grens van iris kan genereren.
Experimentele resultaten geven aan dat de voorgestelde methode kan de buitenste grens van iris en de bovenste en onderste oogleden efficiënt en robuust te lokaliseren.
Conflicts of Interest
De auteurs verklaren dat zij geen belangenconflicten hebben.
Acknowledgments
Dit werk wordt ondersteund door National Natural Science Funds of China, nr. 61703088, de Doctoral Scientific Research Foundation of Liaoning Province, nr. 20170520326, en “the Fundamental Research Funds for the Central Universities,” N160503003.