虹膜识别技术进展与趋势

李海青 孙哲南 谭铁牛 何召锋, 马 力

1(中国科学院自动化研究所 北京 100190)2(北京中科虹霸科技有限公司 北京 100190)(hqli@nlpr.ia.ac.cn)



虹膜识别技术进展与趋势

李海青1孙哲南1谭铁牛1何召锋1,2马 力2

1(中国科学院自动化研究所 北京 100190)2(北京中科虹霸科技有限公司 北京 100190)(hqli@nlpr.ia.ac.cn)

虹膜识别具有很高的精度和稳定性，已广泛应用在金融、边防和门禁等领域.经过20多年的发展，虹膜识别在成像装置和识别算法方面均取得了显著的进展.一方面，虹膜成像装置的成像距离越来越远、成像范围越来越大、重量体积越来越小，明显提高了虹膜识别系统的易用性.另一方面，大规模的应用促进了许多低质量虹膜图像处理、快速分类检索、跨设备识别和安全隐私保护方法的研究.未来几年，虹膜识别将在技术、应用和行业等方面呈现出以下六大发展趋势：从近红外到多光谱、从人工设计到数据驱动、从人配合机器到机器配合人、从固定设备到移动互联、从可控环境到复杂场景、从各行其是到标准规范.

虹膜识别；虹膜成像装置；虹膜分割；质量评价；特征分析；跨设备识别

在信息交互日益密切、人员流动愈发频繁的当今社会，身份识别与人们的生命和财产安全更加紧密地联系在一起.小到个人隐私保护，大到社会福利和稳定，身份识别都扮演着重要的角色.相对于传统身份特征信息，生物特征技术具有安全、稳定、便捷等优点，已被广泛应用于金融、边防、海关、电子商务、社会福利、门禁等重要领域.由于极高的精度和稳定性，虹膜识别技术受到用户的青睐，具有巨大的市场发展潜力.

1 原 理

虹膜是眼睛内的环状器官，位于透明的角膜和晶状体之间，可以根据外界光照自动调节瞳孔的大小，从而调节眼睛的进光量.虹膜主要由基质层和色素上皮层构成，其中富含黑色素细胞、血管、神经和肌纤维.这种复杂的结构造就了虹膜丰富的颜色和纹理图案，如斑点、条纹、细丝和隐窝等.虹膜纹理的形成不仅与基因有关，还与胚胎所处的母体环境有关，所以即使是同卵双胞胎的虹膜纹理也很不一样.

虹膜纹理具有很多适合用于身份识别的优良特性：

1) 唯一性.生理学研究表明，虹膜纹理的细节特征是由胚胎发育环境的随机因素决定的，这种纹理细节的随机分布特性为虹膜的唯一性奠定了生理基础.即使双胞胎、同一人左右眼的虹膜图像之间也具有显著的差异.

2) 稳定性.虹膜从婴儿胚胎期的第3个月开始发育，到第8个月其主要纹理结构已经形成.除非经历危及眼睛的外科手术，虹膜纹理几乎终生不变[1].同时，由于角膜的保护作用，发育完全的虹膜不易受到外界的伤害.

3) 非接触性.虹膜是外部可见的内部器官，通过非接触(甚至远距离)的采集装置就能获取合格的虹膜图像.相对于指纹等需要接触采集的生物特征更加卫生、方便.

4) 防伪性.清晰虹膜纹理的获取需要专门的虹膜成像装置和用户的配合，所以一般情况下(相对于指纹和人脸)很难盗取其他人的虹膜图像.

2 国内外研究进展

虹膜识别技术主要包括“感”和“知”两大部分.“感”是指通过成像装置获取虹膜图像；“知”是指通过图像处理和模式识别算法从虹膜图像中提取区分性特征，进而得到身份识别结果.20世纪90年代初美国的科研单位和企业开始研发虹膜识别技术，我国在20世纪90年代后期开始自主研发虹膜识别技术.经过20多年的发展，虹膜识别的“感”和“知”方面均取得了显著的进展.

2.1 虹膜成像装置

在“感”方面，虹膜成像装置的成像距离越来越远、成像范围越来越大、重量体积越来越小.

早期虹膜成像装置受限于低分辨的传感器，拍摄距离很近，例如日本OKI公司在2001年发布的IrisPass-H的有效成像距离仅4 cm.随着传感器和光学镜头的不断提升，主流虹膜成像装置的有效成像距离已提高到30 cm左右.最近10年，多种远距离虹膜成像装置进一步延伸了虹膜识别的可用距离，例如美国AOptix公司的InSight系统和中国科学院自动化研究所的虹膜成像系统分别可以实现1.5～2.5 m和2.4～3 m远的虹膜清晰成像，而美国卡耐基梅隆大学最近正在研制成像距离为12 m的装置.

除拍摄距离近之外，早期虹膜成像装置的拍摄范围也很小，需要用户的高度配合，不能自动适应各种身高.为扩大成像范围，常用的技术包括自动变焦、自动对焦、PTZ云台和摄像机阵列等.IrisGuard公司的IG-AD100使用自动变焦和自动对焦技术扩大景深.OKI的IRISPASS-M和松下公司的BM-ET500采用了PTZ云台调节摄像机的俯仰角，从而适应不同身高的用户.摄像机阵列一般应用在远距离虹膜成像系统中，如Sarnoff公司的IOM系统和中国科学院自动化研究所的SIR系统.上述技术仅考虑成像而不考虑后续的图像处理，而新兴的计算成像方法(如波前编码和光场相机)同时考虑成像和图像处理，有望突破现有技术瓶颈，大幅提升成像范围.

得益于视觉传感和计算技术的飞速发展，虹膜成像装置逐渐改变了原有笨重的体型，变得越来越轻巧实用.2013年，AOptix开发了1款手机外置虹膜、人脸、指纹图像采集模块，可与iPhone进行无缝连接.2014年，EyeLock推出的myris产品仅鼠标大小，适合家居和办公使用.2015年5月，富士通发布了1款可使用虹膜识别解锁、登录网络账户和支付的智能手机，极大增强了手机数据的安全性.中科虹霸也将于2016年初正式发布多款集成了虹膜识别的手机和平板电脑.预计在未来几年，轻巧的虹膜成像装置将掀起虹膜识别智能移动设备的热潮.

2.2 虹膜识别算法

在“知”方面，虹膜识别算法针对当前复杂、大规模的应用场景，在低质量图像处理、快速分类检索、跨设备识别和安全隐私等问题上提出了许多新的解决方案.

复杂应用场景中的光照多变、用户配合度低，虹膜成像装置经常采集到低质量虹膜图像.当前虹膜识别算法主要从图像质量评价、虹膜区域分割和特征分析3个方面提高系统的鲁棒性和精度.图像质量评价算法从单因子(如离焦模糊、运动模糊和遮挡)评价发展到多因子综合评价[2].虹膜区域分割中使用的曲线模型由圆、椭圆等简单模型[3]发展到样条曲线[4]、水平集[5]等复杂模型.特征分析中的滤波器参数由依靠经验值设定发展到自动从训练数据中学习[6-7].大规模虹膜数据、先进机器学习算法和高性能计算平台正不断为图像质量评价、虹膜区域分割和特征分析提供新的思路和方法，使我们有望突破低质量虹膜图像处理的瓶颈，大幅提升现有虹膜识别系统的性能.

大规模的生物特征识别应用带来了许多新的挑战，例如快速检索和跨设备识别.截止2015年12月，由印度政府主导的UID身份识别项目已注册了超过9.4亿印度公民的虹膜数据.虽然虹膜识别一般使用二值特征，其检索速度远快于其他生物特征模态，但在上亿规模的数据库上依然难以实现实时检索.除设计更快的特征比对方法外，另一种可行的加速方法是根据虹膜的纹理特征将特征模板粗分类为若干个子集，识别时先将测试图像的特征模板与特定的子集进行比对[8].大规模虹膜识别项目必将使用多个厂商的虹膜成像装置，因此不同成像装置采集到的图像在对比度、分辨率和噪声含量等方面都有较大差异，增加了类内变化.为减少跨设备带来的精度下降，可以从图像层、特征层和编码层入手，即处理图像减小表观差异，或设计对不同设备均有效的特征描述子，实现多源异质虹膜图像的鲁棒识别[9].

随着虹膜识别在互联网环境中的广泛应用，数据的安全和隐私问题日益凸显.虹膜识别系统主要存在2个易攻击点: 图像源和特征模板.活体检测方法用于保证图像源的真实性.大部分活体检测采用基于纹理分析的方法，例如频域分析、局部二值模式和层次化视觉词典等[8].但是每种活体检测算法只能处理少数特定的攻击源，例如基于纹理分析的方法对打印和美瞳假体有效，但可能对高清视频回放攻击失效.不同于可以修改的密码，虹膜纹理是几乎终生不变的，所以对生物特征模板的保护比密码保护更重要也更具挑战.主要有2个指标用于衡量生物特征模板的隐私性和安全性，即不可逆性和不可链接性.不可逆性是指从保护后的生物特征模板无法反推出原始的生物特征模板.不可链接性是指保护后的不同特征模板之间具有很低的相关性.但是，现有的生物特征模板保护方法在满足不可逆性和不可链接性要求下，会对识别性能产生不利影响[10].因此，加强生物特征识别的隐私保护和数据安全还需要更多的理论研究和实践探索.

3 发展趋势

未来几年，虹膜识别技术将呈现出以下六大发展趋势：

1) 从近红外到多光谱：虹膜假体给虹膜识别系统带来了一定的安全隐患.多光谱成像分析可以从物理材质的光学特性上区分活体和假体，是虹膜活体检测技术的突破口之一.而且，多光谱成像挖掘了多层次的生物特征信息，有利于识别精度的提高.

2) 从人工设计到数据驱动：传统的虹膜识别算法多采用人工设计逻辑规则和算法参数，导致算法泛化性能欠佳，不能满足大规模应用场景.数据驱动的机器学习方法从大量训练样本中自动学习最优参数，可以显著提高算法精度、鲁棒性和泛化性能.

3) 从人配合机器到机器配合人：虹膜识别设备的人机交互智能化程度将进一步提升，用户体验明显改善，从而实现非干扰的虹膜识别, 使得更多用户愿意使用虹膜识别技术.

4) 从固定设备到移动互联：随着移动终端成为人们工作生活的重要平台，虹膜识别技术有望成为智能手机、平板电脑的标配，成为人们便捷进入金融支付、社保福利、证券服务、教育培训、信息系统等互联网应用的安全入口.

5) 从可控环境到复杂场景：在银行、门禁和考勤等可控场景中，虹膜可以取得很高的识别率，但在通关和监控等复杂场景下，其性能显著下降.如何解决复杂场景下光照变化、遮挡和密集人群带来的诸多挑战，是目前研究人员主要考虑的问题.

6) 从各行其是到标准规范：虹膜识别技术日渐成熟，国内外相关企业如雨后春笋般涌现.但不同产品的设备接口、图像质量、数据格式和测试方法等都千差万别.国际和国内正紧锣密鼓地开展标准制定工作.这将引导虹膜识别产业规范化发展，为虹膜识别的大规模应用扫清壁垒.

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

[2]Kalka N D, Zuo Jinyu, Schmid N A, et al. Estimating and fusing quality factors for iris biometric images[J]. IEEE Trans on Systems, Man and Cybernetics, Part A: Systems and Humans, 2010, 40(3): 509-524

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

[4]He Zhaofeng, Tan Tieniu, Sun Zhenan, et al. Toward accurate and fast iris segmentation for iris biometrics[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2009, 31(9): 1670-1684

[5]Shah S, Ross A. Iris segmentation using geodesic active contours[J]. IEEE Trans on Information Forensics and Security, 2009, 4(4): 824-836

[6]Liu Nianfeng, Zhang Man, Li Haiqing, et al. DeepIris: Learning pairwise filter bank for heterogeneous iris verification[J]. Pattern Recognition Letters, Available online 31 October 2015

[7]Sun Zhenan, Wang Libin, Tan Tieniu. Ordinal feature selection for iris and palmprint recognition[J]. IEEE Trans on Image Processing, 2014, 23(9): 3922-3934

[8]Sun Zhenan, Zhang Hui, Tan Tieniu, et al. Iris image classification based on hierarchical visual codebook[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2014, 36(6): 1120-1133

[9]Pillai J K, Puertas M, Chellappa R. Cross-sensor iris recognition through kernel learning[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2014, 36(1): 73-85

[10]Patel V M, Ratha N K, Chellappa R. Cancelable biometrics: A review[J]. IEEE Signal Processing Magazine, 2015, 32(5): 54-65

李海青

助理研究员，主要研究方向为生物特征识别、计算机视觉和机器学习.

hqli@nlpr.ia.ac.cn

孙哲南

研究员，主要研究方向为生物特征识别、人工智能和机器学习.

znsun@nlpr.ia.ac.cn

谭铁牛

研究员，主要研究方向为生物特征识别、图像与视频理解和信息取证与安全.

tnt@nlpr.ia.ac.cn

何召锋

副教授，主要研究方向为生物特征识别、计算机视觉和机器学习.

hezhf@irisking.com

马 力

教授级高级工程师，主要研究方向为生物特征识别、语义网和人工智能.

mali@irisking.com

Progress and Trends in Iris Recognition

Li Haiqing1, Sun Zhenan1, Tan Tieniu1, He Zhaofeng1,2, and Ma Li2

1(InstituteofAutomation,ChineseAcademyofSciences,Beijing100190)2(BeijingIrisKingCompanyLimited,Beijing100190)

Iris recognition is very accurate and stable and has been widely applied in finance, border control and access control, etc. Much progress has been achieved both in iris imaging and recognition algorithms in the past two decades. On one hand, iris imaging devices are with further standoff distance, larger capture volume and smaller size, which greatly improves the ease of use of iris recognition systems. On the other hand, large scale applications promote the research in low quality iris image processing, fast classification and retrieval, cross-sensor recognition, data security and privacy protection. In the next several years, iris recognition will present the following six trends in technology, application and industry: from near infrared to multispectral illumination, from rule based to data driven algorithm development, from passive to active user interaction, from fixed and standalone devices to mobile and connected devices, from constrained to complex applications, from disordered to standardized industry.

iris recognition; iris imaging devices; iris segmentation; quality assessment; feature analysis; cross-sensor recognition

2015-12-30

国家自然科学基金项目(61403389)；北京市新星计划基金项目(Z141101001814090)

TP391