71、虹膜识别的最新趋势

虹膜识别的最新趋势

1 引言

如今，信息如汪洋大海般通过庞大的数据库被创建并可供人类获取。然而，当下所需的只是这海量信息中适用于特定事件的一小部分。随着数据库规模日益增大，从众多数据库中精准获取所需信息成为当前研究的热点。同时，电子系统中的网络战争促使人们对更安全的系统和数据保护的需求愈发迫切，边境安全问题也备受关注。因此，研究人员将目光投向了安全的生物识别系统。

常见的生物识别方式包括指纹、面部特征、语音模式、手部几何特征、视网膜图案、静脉图案、签名动态以及虹膜识别等。其中，虹膜识别自1994年起开始发展，其独特性备受瞩目。正如Daugman所言：“虹膜与指纹一样，其细节特征的形态发生具有混沌性。虹膜纹理具有混沌维度，因为其细节取决于胚胎基因表达的初始条件，而且部分基因外显率的限制（超出形态、功能、颜色和一般纹理质量的表达）确保了即使是同卵双胞胎的虹膜细节特征也不相关。因此，每个虹膜的独特性，包括个体所拥有的一对虹膜，与每个指纹的独特性相当。”

虹膜作为终身且唯一的“密码”，为个人身份识别提供了可靠保障，这也使得基于生物识别的个人身份识别方法近年来受到越来越多的关注。接下来，我们将深入探讨虹膜识别的相关内容。

2 虹膜识别的基本模块

虹膜识别主要围绕五个基本模块展开，分别是采集、分割、归一化、编码和匹配，具体流程如下：

graph LR
    A[采集] --> B[分割]
    B --> C[归一化]
    C --> D[编码]
    D --> E[匹配]

2.1 采集

在图像采集过程中，如果用户积极配合，虹膜识别相对容易实现。但当用户不配合或处于非理想情况时，工作难度会显著增加。许多研究人员针对这一问题开展了工作，提出了补偿非理想虹膜图像的新方法，以提高虹膜识别性能。部分研究人员采用扩展景深技术来避免图像恢复过程。此外，在图像采集后，对于大型模糊数据库，会使用快速搜索算法、级联分类器和复合分类器。

2.2 分割

分割模块的主要任务是识别瞳孔和角膜缘边界，同时检测和确定眼睑和睫毛遮挡角膜缘边界轮廓的区域。传统的检测机制是积分微分算子，近年来，主动轮廓的使用得到推广，以处理非圆锥边界属性。以下是一些相关的分割方法：
- Shah等人 ：提出使用测地主动轮廓（GACs）从周围结构中提取虹膜。
- Proenca ：提出一种能够处理在约束条件较少的情况下获取的退化图像的分割方法。
- Smereka ：提出一种能够可靠分割受镜面反射、模糊、光照变化、遮挡和斜视图像等多种因素影响的非理想图像的方法。
- Iskander等人 ：提出自适应模糊领导者聚类（AFLC）架构，这是一种混合神经模糊系统，能够稳定高效地在线学习。
- Vatsa等人 ：通过分割、质量增强、匹配分数融合和索引等方法提高识别性能。
- He等人 ：首次使用Adaboost级联虹膜检测器构建并提取虹膜中心的大致位置。

2.3 归一化

在分割模块估计出虹膜边界后，归一化模块会使用橡胶板模型将虹膜纹理从笛卡尔坐标转换为极坐标，这个过程通常被称为虹膜展开，也被称为Daugmans橡胶板模型。除少数情况外，大多数方法都基于归一化，归一化之后通常会进行编码。

2.4 编码

大多数系统首先使用特征提取程序对虹膜纹理内容进行编码。虽然识别系统可以直接使用展开后的虹膜，通过相关滤波器等滤波器来比较两个虹膜，但这种方法耗时且占用内存较多。编码算法通常通过应用小波滤波器对虹膜进行多分辨率分析，并检查其响应。常见的编码机制是使用二维Gabor小波提取虹膜纹理的局部相量信息，然后用两位信息对每个相量响应进行编码，生成虹膜代码。此外，Schmid和Nicolo还研究了基于主成分分析（PCA）和独立成分分析（ICA）的虹膜编码方法。

2.5 匹配

匹配模块通过比较两个虹膜图像的特征集生成匹配分数。最常用的比较两个虹膜代码的技术是汉明距离，即两个虹膜代码中不同位的数量。在归一化模块中计算的二进制掩码确保只比较对应有效虹膜像素的位。在计算汉明距离之前，需要通过配准过程对两个虹膜代码进行对齐。虽然在大多数情况下简单的平移操作就足够了，但更复杂的方案可以考虑虹膜纹理的弹性变化。Feng等人提出了一种名为分类器组合的新方法及其在虹膜识别中的应用，在验证方面，匹配分数级别的信息融合方法可分为以下两类：
1. 分类方法 ：将从不同模态获得的匹配分数视为特征向量，并采用支持向量机等分类器将输入模式分配到特定类别。
2. 分数组合方法 ：将匹配分数组合生成单个分数，并根据该分数做出最终决策。他们的研究重点是后者，并研究了两种不同的组合规则（即最大规则和最小规则），得出最大组合分类器和最小组合分类器的性能是有条件的结论。

此外，研究人员还设计了基于离散余弦变换、序数特征、相位和尺度不变特征变换等其他类型的编码和匹配方案。

3 性能指标

虹膜识别中常用的性能指标如下表所示：
| 指标 | 含义 | 计算公式 |
| ---- | ---- | ---- |
| FAR（错误接受率） | 未注册个体的访问尝试被误判为匹配的比例 | (FAR = \frac{NFA}{NIVA})，其中 (NFA) 为错误接受的数量，(NIVA) 为冒名验证尝试的数量 |
| FRR（错误拒绝率） | 合法注册个体的访问尝试被错误拒绝的比例 | (FRR = \frac{NFR}{NEVA})，其中 (NFR) 为错误拒绝的数量，(NEVA) 为冒名验证尝试的数量 |
| ROC（接收者操作曲线） | 绘制所有可能系统操作点（即匹配阈值）下的真正接受率与错误接受率的关系，衡量系统的整体性能 | - |
| DET（错误权衡检测） | 改进的ROC曲线，在两个轴上绘制错误率，对两种类型的错误进行统一处理 | - |

3.1 错误接受率

错误接受率（FAR）必须极低，才能为该技术提供足够的可信度。它反映了生物识别安全系统错误接受未经授权用户尝试的可能性。

3.2 错误拒绝率

错误拒绝率（FRR）应足够低，以避免用户因频繁被拒而放弃使用该技术。它衡量了生物识别安全系统错误拒绝授权用户尝试的可能性。

3.3 接收者操作曲线

ROC曲线绘制了所有可能系统操作点下的真正接受率与错误接受率的关系，每个点代表一个特定的决策阈值。在理想情况下，FAR和FRR都应为零，冒名者分布应与合法者分布分离，此时理想的ROC曲线是在零FAR处的阶跃函数。如果合法者和冒名者分布完全相同，则ROC曲线是一条斜率为45°且终点在零FAR处的线段。在实际应用中，这些曲线介于这两种极端情况之间。当FAR和FRR相等时的操作点被定义为等错误率（ERR）。

3.4 错误权衡检测

DET曲线是改进后的ROC曲线，它在两个轴上绘制错误率，对两种类型的错误进行统一处理。

4 当前技术的局限性

多数研究聚焦于为正面视角的虹膜图像开发新的虹膜处理和识别算法。然而，虹膜研究也面临一些挑战，如非理想虹膜处理和远距离虹膜识别。以下是对非理想虹膜识别系统的分析：

Schukers等人描述了两种非理想虹膜识别系统并分析其性能。“非理想”指的是对斜视、遮挡的虹膜图像进行补偿。该系统分两步处理非理想虹膜图像：
1. 补偿斜视方向。
2. 处理和编码旋转后的虹膜图像。

他们提出两种方法来处理虹膜图像的角度变化：
- 第一种方法 ：使用Daugmans积分微分算子作为目标函数来估计注视方向。估计角度后，斜视虹膜图像进行涉及估计角度的几何变换，再像正面视角图像一样处理。正面图像的编码技术基于全局独立成分分析的应用。
- 第二种方法 ：使用角度变形校准模型。

这种方法的主要局限性在于角度估计问题的线性化。由于眼睛的凸面形状以及眼睛内外折射率的差异，斜视拍摄的虹膜图案会经历高度非线性变换。该方法假设非线性失真可以线性近似，且在算法中对角度估计进行了初始猜测。在实际应用中，需要一种自动确定初始猜测的方法，而且该方法计算量大，可能不实用。不过，如果通过其他方式得知大致的注视方向，将限制最佳角度的搜索范围，使计算可行。

此外，Kalka等人提出了一种估计和融合虹膜生物特征图像质量因素的方法，但其主要局限在于需要进行分割。如果定位/分割失败，将导致质量分数不准确。但只有当应用于同一虹膜图像的匹配算法成功进行分割时，才会产生负面影响。因此，只要用于质量评估的分割算法与用于匹配的算法一样复杂，质量分数就不太可能产生误导。

同时，眼睑、睫毛和阴影是有效虹膜分割的三大挑战，而且目前关于虹膜光谱分析的研究较少。

5 未来展望

目前提出的算法大多基于在受控条件下获得的理想数据库，这些数据库是在用户配合、距离预先确定的理想条件下创建的。未来的挑战在于将虹膜采集范围从厘米扩展到米，即处理非理想条件下的情况。当前系统需要人工干预，未来虹膜识别系统的发展方向是实现无需人工干预的全自动训练系统，同时要尽可能降低计算成本。

如果图像采集相机支持彩色图像，可利用图像的所有光谱成分进行识别过程。Kalka等人的方法因需要在质量评估算法中进行分割，不适合实时应用，在实时应用中，质量因素用于从序列（如视频流）中选择“最佳”帧。未来的工作包括完善所描述的质量因素的估计技术，以及试验包含相关性的新质量分数。此外，他们提出的框架可以纳入通过进一步研究或放宽采集约束（如距离、运动和不均匀照明）而出现的新的虹膜质量因素。

He等人提出的非接触式自动反馈虹膜采集设计可从以下四个方面进一步改进：
1. 设计更美观的界面 ：提升用户体验，使系统更具吸引力和易用性。
2. 考虑眼睑和睫毛遮挡问题 ：在未来工作中考虑眼睑和睫毛遮挡可能导致的错误拒绝率（FRR），并将虹膜图像质量评估算法添加到设备中，以自动采集更好的虹膜图像。
3. 嵌入实时虹膜检测算法 ：增强系统的安全性和可靠性，防止使用照片等非真实虹膜进行欺诈。
4. 在多种环境下进行大量实验 ：在各种环境下对大量虹膜数据库进行实验，使系统更加稳定可靠。

总之，开发一个能在所有时间、所有环境下都能有效工作的虹膜识别系统是当前的迫切需求。

以下是一个mermaid格式流程图，展示非接触式自动反馈虹膜采集设计的改进流程：

graph LR
    A[非接触式自动反馈虹膜采集设计] --> B[设计更美观的界面]
    A --> C[考虑眼睑和睫毛遮挡]
    A --> D[嵌入实时虹膜检测算法]
    A --> E[多种环境大量实验]
    B --> F[改进后的系统]
    C --> F
    D --> F
    E --> F

综上所述，虹膜识别技术在不断发展，但仍面临诸多挑战。通过解决当前技术的局限性，探索新的研究方向，有望实现更高效、更安全、更稳定的虹膜识别系统，满足日益增长的安全需求。