CN114582008A - 一种基于双波段的活体虹膜检测方法 - Google Patents

Abstract

本发明公开了属于生物图像处理技术领域的一种基于双波段的活体虹膜检测方法。包括在活体检测权限，进行活体虹膜检测、在摄像头的景深范围内采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段的人眼区域图像Ⅱ，对人眼区域图像进行预处理、得到灰度化虹膜图像；得到感兴趣虹膜和巩膜区域组织特征图I_f1和血管纹理特征图I_f2；利用哈希算法计算Ⅰ的组织和血管纹理特征图与Ⅱ的组织和血管纹理特征图的差异度，针对组织特征图I_f1与II_f1和血管纹理特征图I_f2与II_f2差异提取活体检测特征，输出虹膜真伪判断结果。本发明通过活体人眼中血管和组织与伪造样本仿真的生物纹理在不同波段的吸收反射率的差异来进行真伪区分，可以很好地防御伪造虹膜攻击。

Description

一种基于双波段的活体虹膜检测方法

技术领域

本发明属于生物图像处理技术领域，特别涉及一种基于双波段的活体虹膜检测方法。

背景技术

虹膜识别技术在概念上与指纹识别技术相似，都是根据人体特有的生理特征进行身份识别。但受制于虹膜图像的采集设备与方法，虹膜识别需要采集者配合度较高，其友好度不比指纹识别等方法，因此一直以来其商业化程度不及指纹识别和人脸识别。在CN201910101762.3，基于活体虹膜的防伪方法和装置专利中，采用可见光摄像头采集的用户第一人脸图像，获取所述用户的虹膜图像，判断所述虹膜图像是否来源于活体虹膜，若所述虹膜图像来源于活体虹膜，检测所述虹膜图像与所述用户预存的虹膜图像是否相匹配，若匹配，取得所述人脸图像为真；以此进行防伪判别。在如今数字信息化社会，人们不可避免的会因为各种原因留下自己的外貌特征、指纹纹理或者包含有虹膜纹理的图像。在此背景下，即使虹膜识别精度再高，如果无法对伪造样本的攻击进行防御，一旦这些生理特征被不法分子获取并以此来盗取财物或窃取资料，会带来社会秩序紊乱。为此，本发明提出一种基于双波段的活体虹膜检测方法，以解决上述背景技术中提到的问题。

发明内容

本发明的目的是提供一种基于双波段的活体虹膜检测方法，其特征在于，选取活体人眼与伪造样本纹理特征数量变化差异性最大的两个波段作为算法中的两个对照波段，通过活体人眼中血管内组织与伪造样本仿真的生物纹理在不同波段的吸收反射率的差异来进行真伪区分，包括如下步骤：

S1、管理员在后台开启活体检测权限，用户在客户端进行虹膜活体检测；

S2、照明模块在中央控制器的控制下开启工作，用户处于照明模块的工作范围内和摄像头的景深范围内；

S3、中央控制器控制光源分别发射两组不同波长的光，即530纳米和700纳米波长的光，使得摄像头分别采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段人眼区域图像Ⅱ，进行图像预处理操作以减少定位过程中的噪声干扰；

S4、对瞳孔、虹膜和巩膜进行定位，首先根据虹膜图像直方图使用自适应阈值分割法得到粗分割的瞳孔区域二值图像，利用具有瞳孔位置信息的二值图像确定瞳孔中心位置，根据该瞳孔中心的位置，设定虹膜区域搜索范围，然后在该搜索范围内利用Hough变换算法精准定位虹膜区域并分割出受干扰较小的巩膜区域，得到虹膜图像Ⅰ₁和巩膜图像Ⅰ₂；

S5、对虹膜图像Ⅰ₁和巩膜图像Ⅰ₂操作，得到感兴趣区域组织特征图I_f1和血管纹理特征图I_f2；

S6、对预处理后的人眼区域图像Ⅱ重复步骤S4-S5，得到感兴趣区域组织特征图II_f1和血管纹理特征图II_f2；

S7、针对双波段下组织特征图I_f1与II_f1和血管纹理特征图I_f2与II_f2差异提取活体检测特征，将该活体特征输入分类器进行真伪判断，输出虹膜真伪判断结果。

所述步骤S3中控制器控制摄像头的光源分别发射两组不同波长的光，即530纳米和700纳米的光波，使得摄像头分别采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段人眼区域图像Ⅱ，对人眼区域图像进行灰度化、高斯滤波去噪，对滤波后的人眼区域图像进行非线性增强操作，以减少睫毛等噪声干扰。

所述步骤S3中对上述人眼区域图像进行灰度化、高斯滤波去噪，通过公式(1)对滤波后的人眼区域图像进行非线性增强操作，以减少睫毛干扰，其中I_g为对滤波后图像7*7邻域内像素取最大值操作，I_h为对I_g7*7邻域内像素取最小值操作；

所述步骤S4中使用自适应阈值分割法将瞳孔部分进行粗分割，获得具有瞳孔位置信息的二值图像I_b(x,y)，通过公式(2)重心法确定该二值图像中瞳孔中心位置(C_x,C_y)，其中I_b(x,y)为(x,y)点处的灰度值，根据该瞳孔中心的位置，设定搜索范围，在该搜索范围内利用Hough变换算法精准定位虹膜区域并分割出受干扰较小的巩膜区域，得到灰度化虹膜图像Ⅰ₁和灰度化巩膜图像Ⅰ₂；

所述步骤S5中利用基于梯度增强的血管和组织纹理分割算法，对从人眼区域图像I获取的虹膜图像和巩膜图像操作，得到组织和血管纹理特征图。

所述步骤S6中对人眼区域图像Ⅱ重复步骤S4-S5，得到感兴趣区域组织和血管纹理特征图。

所述步骤S7中利用哈希算法计算Ⅰ的组织和血管纹理特征图与Ⅱ的组织和血管纹理特征图的差异度，将此差异度作为本发明双波段活体虹膜检测特征，用该特征输入分类器进行真伪判断，输出虹膜真伪判断结果。

所述S5中对虹膜图像Ⅰ₁和巩膜图像Ⅰ₂操作，获取感兴趣区域组织特征图I_f1和血管纹理特征图I_f2，特征图I_fi(i＝1,2)通用计算方法如公式(3)所示，

其中t(x,y)是自适应系数，k、b为经验超参，这里选择k＝1,b＝0.05，G_max(x,y)是I_i(i＝1,2)5*5窗口内最大梯度值，G为图像全局最大梯度值，取G＝255，m(x,y)为I_i(i＝1,2)5*5窗口内平均灰度值，g(x,y)为该点处的局部梯度。

本发明的有益效果是：本发明以双波段光源下活体虹膜和巩膜的生物成像特性作为出发点，进行活体检测算法的研究和开发，可抵抗多种伪造样本攻击，具有普适性，并且只需采集两帧图像即可完成虹膜活体检测，大大缩短了检测时间，具有实时性。本发明的特点是选取活体人眼与伪造样本纹理特征变化差异性最大的两个波段作为算法中的两个对照波段，通过活体人眼中血管内组织与伪造样本仿真的生物纹理在不同波段的吸收反射率的差异来进行真伪区分。该方法可以很好的对打印翻拍、彩色隐形眼镜、树脂眼球模型等攻击手段进行防御。

具体实施方式

本发明提供一种基于双波段的活体虹膜检测方法，以选取活体人眼与伪造样本纹理特征数量变化差异性最大的两个波段作为算法中的两个对照波段，通过活体人眼中血管内组织与伪造样本仿真的生物纹理在不同波段的吸收反射率的差异来进行真伪区分。以下结合具体实施例对本发明做进一步详细说明。

所述基于双波段的活体虹膜检测方法包括如下步骤：

S1、管理员在后台开启活体检测权限，用户在客户端进行虹膜活体检测；

S2、照明模块在中央控制器的控制下开启工作，用户处于照明模块的工作范围内和摄像头的景深范围内；

S3、中央控制器控制摄像头的光源分别发射两组不同波长的光，即530纳米和700纳米的光，使得摄像头分别采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段人眼区域图像Ⅱ，对上述人眼区域图像进行灰度化、高斯滤波去噪，通过公式(1)对滤波后的人眼区域图像进行非线性增强操作，以减少睫毛干扰，其中I_g为对滤波后图像7*7邻域内像素取最大值操作，I_h为对I_g7*7邻域内像素取最小值操作；

S4、对瞳孔、虹膜和巩膜进行定位，根据虹膜图像直方图分布特点，使用自适应阈值分割法将瞳孔部分进行粗分割，获得具有瞳孔位置信息的二值图像I_b(x,y)，通过公式(2)重心法确定该二值图像中瞳孔中心位置(C_x,C_y)，其中I_b(x,y)为(x,y)点处的灰度值，根据该瞳孔中心的位置，设定搜索范围，在该搜索范围内利用Hough变换算法精准定位虹膜区域并分割出受干扰较小的巩膜区域，得到灰度化虹膜图像Ⅰ₁和灰度化巩膜图像Ⅰ₂；

S5、对虹膜图像Ⅰ₁和巩膜图像Ⅰ₂操作，获取感兴趣区域组织特征图I_f1和血管纹理特征图I_f2，特征图I_fi(i＝1,2)通用计算方法如公式(3)所示，其中t(x,y)是自适应系数，k、b为经验超参，这里选择k＝1,b＝0.05，G_max(x,y)是I_i(i＝1,2)5*5窗口内最大梯度值，G为图像全局最大梯度值，取G＝255，m(x,y)为I_i(i＝1,2)5*5窗口内平均灰度值，g(x,y)为该点处的局部梯度；

S6、对人眼区域图像Ⅱ重复步骤S4-S5，得到感兴趣区域组织特征图II_f1和血管纹理特征图II_f2；

S7、利用哈希算法计算组织特征图I_f1与II_f1差异度，血管纹理特征图I_f2与II_f2的差异度，将此差异度作为双波段活体虹膜检测特征，用该特征输入分类器进行真伪判断，输出虹膜真伪判断结果，以特征图I_f1与II_f1差异度为例，哈希算法伪代码如表1所示。

表1哈希算法伪代码

具体的，所述步骤S3中人眼区域图像Ⅰ和人眼区域图像Ⅱ的采集具体步骤包括：控制器控制摄像头的光源分别发射两组不同波长的光，即530纳米和700纳米的光波，使得摄像头分别采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段人眼区域图像Ⅱ，对人眼区域图像进行灰度化、高斯滤波去噪，对滤波后的人眼区域图像进行进行非线性增强操作，以减少睫毛等噪声干扰。

具体的，所述步骤S5中组织和血管纹理特征图获取具体步骤包括：利用基于梯度增强的血管和组织纹理分割算法，对从人眼区域图像Ⅰ获取的虹膜图像和巩膜图像操作，得到组织和血管纹理特征图。

具体的，所述步骤S6中对人眼区域图像Ⅱ重复步骤S4-S5，得到感兴趣区域组织和血管纹理特征图。

具体的，所述步骤S7中活体检测特征提取与判别具体步骤包括：利用哈希算法计算Ⅰ的组织和血管纹理特征图与Ⅱ的组织和血管纹理特征图的差异度，将此差异度作为本文双波段活体虹膜检测特征，用该特征输入分类器进行真伪判断，输出虹膜真伪判断结果。

综上所述：本发明提供的一种基于双波段的活体虹膜检测方法，与其他方法相比，本发明以双波段光源下活体虹膜和巩膜的生物成像特性作为出发点，进行活体检测算法的研究和开发，可抵抗多种伪造样本攻击，具有普适性，并且只需采集两帧图像即可完成活体虹膜检测，大大缩短了检测时间，具有实时性。

本发明选取活体人眼与伪造样本纹理特征数量变化差异性最大的两个波段作为算法中的两个对照波段，通过活体人眼中血管组织与伪造样本仿真的生物纹理在不同波段的吸收反射率的差异来进行真伪区分。该方法可以很好地防御伪造虹膜攻击。

Claims (8)

1.一种基于双波段的活体虹膜检测方法，其特征在于，选取活体人眼与伪造样本纹理特征数量变化差异性最大的两个波段作为算法中的两个对照波段，通过活体人眼中血管内组织与伪造样本仿真的生物纹理在不同波段的吸收反射率的差异来进行真伪区分，包括如下步骤：

S1、管理员在后台开启活体检测权限，用户在客户端进行虹膜活体检测；

S2、照明模块在中央控制器的控制下开启工作，用户处于照明模块的工作范围内和摄像头的景深范围内；

S3、中央控制器控制光源分别发射两组不同波长的光，即530纳米和700纳米波长的光，使得摄像头分别采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段人眼区域图像Ⅱ，进行图像预处理操作以减少定位过程中的噪声干扰；

S4、对瞳孔、虹膜和巩膜进行定位，首先根据虹膜图像直方图使用自适应阈值分割法得到粗分割的瞳孔区域二值图像，利用具有瞳孔位置信息的二值图像确定瞳孔中心位置，根据该瞳孔中心的位置，设定虹膜区域搜索范围，然后在该搜索范围内利用Hough变换算法精准定位虹膜区域并分割出受干扰较小的巩膜区域，得到虹膜图像Ⅰ₁和巩膜图像Ⅰ₂；

S5、对虹膜图像Ⅰ₁和巩膜图像Ⅰ₂操作，得到感兴趣区域组织特征图I_f1和血管纹理特征图I_f2；

S6、对预处理后的人眼区域图像Ⅱ重复步骤S4-S5，得到感兴趣区域组织特征图II_f1和血管纹理特征图II_f2；

S7、针对双波段下组织特征图I_f1与II_f1和血管纹理特征图I_f2与II_f2差异提取活体检测特征，将该活体特征输入分类器进行真伪判断，输出虹膜真伪判断结果。

2.根据权利要求1所述基于双波段的活体虹膜检测方法，其特征在于，所述步骤S3中控制器控制摄像头的光源分别发射两组不同波长的光，即530纳米和700纳米的光波，使得摄像头分别采集用户在530纳米波段的人眼区域图像Ⅰ和700纳米波段人眼区域图像Ⅱ，对人眼区域图像进行灰度化、高斯滤波去噪，对滤波后的人眼区域图像进行非线性增强操作，以减少睫毛等噪声干扰。

3.根据权利要求2所述基于双波段的活体虹膜检测方法，其特征在于，所述步骤S3中对上述人眼区域图像进行灰度化、高斯滤波去噪，通过公式(1)对滤波后的人眼区域图像进行非线性增强操作，以减少睫毛干扰，其中I_g为对滤波后图像7*7邻域内像素取最大值操作，I_h为对I_g 7*7邻域内像素取最小值操作；

4.根据权利要求1所述基于双波段的活体虹膜检测方法，其特征在于，所述步骤S4中使用自适应阈值分割法将瞳孔部分进行粗分割，获得具有瞳孔位置信息的二值图像I_b(x,y)，通过公式(2)重心法确定该二值图像中瞳孔中心位置(C_x,C_y)，其中I_b(x,y)为(x,y)点处的灰度值，根据该瞳孔中心的位置，设定搜索范围，在该搜索范围内利用Hough变换算法精准定位虹膜区域并分割出受干扰较小的巩膜区域，得到灰度化虹膜图像Ⅰ₁和灰度化巩膜图像Ⅰ₂；

5.根据权利要求1所述基于双波段的活体虹膜检测方法，其特征在于，所述步骤S5中利用基于梯度增强的血管和组织纹理分割算法，对从人眼区域图像I获取的虹膜图像和巩膜图像操作，得到组织和血管纹理特征图。

6.根据权利要求1所述基于双波段的活体虹膜检测方法，其特征在于，所述步骤S6中对人眼区域图像Ⅱ重复步骤S4-S5，得到感兴趣区域组织和血管纹理特征图。

7.根据权利要求1所述基于双波段的活体虹膜检测方法，其特征在于，所述步骤S7中利用哈希算法计算Ⅰ的组织和血管纹理特征图与Ⅱ的组织和血管纹理特征图的差异度，将此差异度作为本发明双波段活体虹膜检测特征，用该特征输入分类器进行真伪判断，输出虹膜真伪判断结果。

8.根据权利要求1所述基于双波段的活体虹膜检测方法，其特征在于，所述S5中对虹膜图像Ⅰ₁和巩膜图像Ⅰ₂操作，获取感兴趣区域组织特征图I_f1和血管纹理特征图I_f2，特征图I_fi(i＝1,2)通用计算方法如公式(3)所示，

其中t(x,y)是自适应系数，k、b为经验超参，这里选择k＝1,b＝0.05，G_max(x,y)是I_i(i＝1,2)5*5窗口内最大梯度值，G为图像全局最大梯度值，取G＝255，m(x,y)为I_i(i＝1,2)5*5窗口内平均灰度值，g(x,y)为该点处的局部梯度。