專利名稱:一種虹膜圖像的采集方法
技術領域:
本發(fā)明涉及一種虹膜圖像的采集方法,屬生物特征識別和安全認證技術領域。
背景技術:
虹膜身份識別系統(tǒng)中,第一步重要的工作是虹膜圖像的采集,為了保證虹膜識別的質量,圖像采集階段一定要保證采集到的圖象中虹膜部份非常清晰?,F(xiàn)有的技術中,主要計算圖像邊緣灰度差或圖像頻域能量指標,根據這個指標選擇出候選的虹膜圖像,如《How iris recognition works》(John Daugman,http//www.cl.cam.ac.uk/users/jgd1000/irisrecog.pdf)、《一種序列虹膜型圖像的質量評價方法》(李連貴等,測控技術,20(5))、《A Emerging bio-metric Technology》(R.P.Wildes,Proceedings of IEEE,1997,85(9))與《基于小波包分解的虹膜圖像質量評價算法》(陳戟,,清華大學學報(自然科學版)2003年第43卷第3期)中所示,而這一清晰度指標一般指圖像的高頻分量指標或圖像的局部對比度指標。在實際使用中,常常會出現(xiàn)下面的問題1、運動拉絲的影響在采用隔行掃描攝像頭,運動圖像產生的運動拉絲現(xiàn)像,會產生很高的清晰度指標;對于快速運動的物體,由于攝像頭一次場掃速度的限制,也會產生拉絲現(xiàn)象。
2、噪聲的影響開放環(huán)境下,噪聲水平會隨不同的光照條件而產生明顯的變化。照明好的圖像噪聲水平低,照明差的圖像,噪聲水平就會變得很高,而攝像頭的自動均衡功能會使噪聲放大。這樣,在計算圖像清晰度時,低照度情況下,過大的噪聲將產生較高的高頻分量指標,使采用高頻分量判斷圖像清晰度失去作用。
3、計算量較大由于虹膜圖像清晰度的分析是建立在對圖像中虹膜位置計算的基礎上的,這使現(xiàn)有的圖像清晰度的計算量進一步增大,運算所需要的硬件性能過高,不利于硬件器材成本的降低,從而限制了虹膜識別系統(tǒng)的應用。現(xiàn)有的虹膜圖像采集方法都是在虹膜被均勻照明情況下實現(xiàn)的,如文獻《A System forAutomated Iris Recognition》(R.P.Wildes,et al,Proceedings of the Second IEEEWorkshop on Applications of Computer Vision,1994,p121)所述。
發(fā)明內容
本發(fā)明的目的是提出一種虹膜圖像的采集方法,通過對瞳孔中未彌散化的紅外參考光源成像的計算,評估虹膜圖像的清晰度,以減少圖象質量評估的計算量,加快圖像的采集速度,同時保證圖像質量的恒定。
本發(fā)明提出的虹膜圖像的采集方法,包括以下各步驟(1)實時采集多幅虹膜圖像;(2)對采集的多幅虹膜圖像分別進行虹膜內邊緣定位,以確定瞳孔位置;(3)設定一個灰度閾值,將處于上述瞳孔范圍內的各像素點灰度值與閾值進行比較,對于灰度值高于閾值的像素點進行計數,從而求出該計數值與整個瞳孔范圍內的像素點數的比值;(4)對上述比值從小到大進行實時排序,選擇排序結果中前n幅虹膜圖像,選擇該n幅圖像中最先通過虹膜特征檢測的圖像,即為最終的采集圖像。
上述方法中,虹膜內邊緣定位的方法包括如下步驟(1)設定一個灰度閾值,在圖象的每個列方向中找出灰度值低于閾值的序列;(2)從上述序列中選出最長的序列,則該序列的中點與待定瞳孔的中心處于同一水平線;(3)對上述水平線上的像素點進行測試,剔除灰度值高于上述設定閾值的像素,得到瞳孔的左、右邊界。
上述方法中虹膜特征檢測的方法包括如下步驟(1)對于位于瞳孔中心像素點所在水平線左側所有的像素點,求出它們的灰度梯度曲線,選出高于某一閾值的局部極大值點作為候選左側邊界點;(2)對于位于瞳孔中心像素點所在水平線右側所有的像素點,求出它們的灰度梯度曲線,選出高于某一閾值的局部極大值點作為候選右側邊界點;(3)從上述候選左邊界點隊列與右邊界點隊列中,分別任意選取一個點,由該兩個點組成一個虹膜外邊界;(4)計算上述虹膜外邊界上所有點的灰度平均值;(5)計算上述灰度平均值對當前虹膜半徑的偏微分值,最大偏微分絕對值所對應的虹膜邊界即為待定的虹膜的外邊界。
(6)將待定的虹膜外邊界和已知內邊界與經驗虹膜的內、外邊界特征相比較,符合經驗模型的,即通過特征檢測。
本發(fā)明提出的虹膜圖像的采集方法,通過對瞳孔中未彌散化的紅外參考光源成像的計算,評估虹膜圖像的清晰度,從而大大減少了質量評估的計算量,加快了圖像的采集速度,同時保證了圖像質量的恒定。通過采用未彌散的紅外燈照明,快速判斷圖像質量的好壞,避免了運動拉絲與噪聲水平不均產生的影響,同時顯著的降低了圖像清晰度評估的計算量,滿足了圖像實時處理的要求。
圖1是實時采集的虹膜圖像樣本。
圖2是虹膜內邊緣定位結果。
圖3是虹膜的灰度梯度曲線。
圖4是虹膜外邊緣定位結果。
圖5是失焦圖像與其經過所述算法處理的結果。
圖6是成焦圖像與其經過所述算法處理的結果。
具體實施例方式
本發(fā)明提出的虹膜圖像的采集方法,首先實時采集多幅虹膜圖像;對采集的多幅虹膜圖像分別進行虹膜內邊緣定位,以確定瞳孔位置;設定一個灰度閾值,將處于上述瞳孔范圍內的各像素點灰度值與閾值進行比較,對于灰度值高于閾值的像素點進行計數,從而求出該計數值與整個瞳孔范圍內的像素點數的比值;對上述比值從小到大進行實時排序,選擇排序結果中前n幅虹膜圖像,選擇該n幅圖像中最先通過虹膜特征檢測的圖像,即為最終的采集圖像。
上述方法中,虹膜內邊緣定位的方法為設定一個灰度閾值,在虹膜圖象(如圖1所示)的每個列方向中找出灰度值低于閾值的序列;從上述序列中選出最長的序列,則該序列的中點與待定瞳孔的中心處于同一水平線;對上述水平線上的像素點進行測試,剔除灰度值高于上述設定閾值的像素,得到瞳孔的左、右邊界,如圖2所示。
上述方法中,虹膜特征檢測的方法為對于位于瞳孔中心像素點所在水平線左側所有的像素點,求出它們的灰度梯度曲線,選出高于設定閾值的局部極大值點作為候選左側邊界點;對于位于瞳孔中心像素點所在水平線右側所有的像素點,求出它們的灰度梯度曲線,選出高于設定閾值的局部極大值點作為候選右側邊界點,圖3為虹膜左側像素的灰度梯度曲線,圖3中,Tg為設定的閾值,Z1,Z2,Z3為選出的左側邊界點。從上述選出的左邊界點隊列與右邊界點隊列中,分別任意選取一個點,由該兩個點組成一個虹膜外邊界;計算該虹膜外邊界上所有點的灰度平均值;計算該灰度平均值對當前虹膜半徑的偏微分值,最大偏微分絕對值所對應的虹膜邊界即為待定的虹膜的外邊界;將待定的虹膜外邊界和已知內邊界與經驗虹膜的內、外邊界特征相比較,符合經驗模型的,即認為通過特征檢測。
本發(fā)明方法中,虹膜內邊緣定位所依據的原理是通過分析圖像的灰度分布可以得知,瞳孔、虹膜、眼白、眼皮等不同部位的灰度值不相同。由于瞳孔通光,因此在圖像中瞳孔的灰度值很低,且灰度分布非常均勻,顯著區(qū)別于眼睛的其他部分。因此可以利用瞳孔的灰度分布特性,通過設定合適的閾值將瞳孔與虹膜分離開來。
本發(fā)明方法中,虹膜外邊緣定位時,在所得到的虹膜左邊界與右邊界的候選隊列中,各選取一個點組成一個虹膜外邊界。選取所有可能的組合,計算下述圓檢測器在這些虹膜外邊界上的值。使下述圓檢測器達到最大值的虹膜外邊界就是真正的虹膜的外邊界,圖4所示為虹膜外邊緣定位結果。
上式中,Gδ(r)為一個平滑函數,通常可以選用高斯函數,rk、xk、yk為當前虹膜外邊界的半徑與中心坐標。I(x,y)為原始圖像。
本發(fā)明方法所依據的原理是通常情況下,在進行虹膜圖像采集時,為了避免照明光源在視野中成像對虹膜圖像的影響,采用彌散光源。但是,如果巧妙安排點陣紅外光源的位置,可以使光源成像在瞳孔的內部,同時,適當選擇當光源的徑向位置合適時,可以使光源在瞳孔中的像與虹膜組織在最后攝像頭采得的圖像的清晰度保持一至。因此,對于虹膜圖像的清晰度的判斷,就轉化為對瞳孔中光源圖像清晰度的判斷。
當圖像處于在成焦平面附近的不同位置,由于對焦的原因,光源的像會發(fā)生模糊,光斑大小會發(fā)生變化,如圖5a、圖6a所示。將瞳孔范圍內的圖像進行二值化,二值化結果如圖5b、圖6b所示。對白色部分進行計數,就可以計算出光斑的大小。
當虹膜組織不在成焦面時,光斑范圍較大,二值化之后白色部分面積較大;當虹膜組織位于成焦面時,光斑范圍較小,二值化之后白色部分面積較??;本發(fā)明方法采用的虹膜圖像采集方法僅僅包含一個瞳孔定位過程和一個圖像二值化計數過程。在保證現(xiàn)有照明下,運算量大大簡化,不用涉及到較復雜的乘除運算,非常適合于手持式設備、單片機等低端的處理器,降低裝置的成本。本發(fā)明方法對于隱形眼鏡不敏感,仍然可以保持準確度。
權利要求
1.一種虹膜圖像的采集方法,其特征在于該方法包括以下各步驟(1)實時采集多幅虹膜圖像;(2)對采集的多幅虹膜圖像分別進行虹膜內邊緣定位,以確定瞳孔位置;(3)設定一個灰度閾值,將處于上述瞳孔范圍內的各像素點灰度值與閾值進行比較,對于灰度值高于閾值的像素點進行計數,從而求出該計數值與整個瞳孔范圍內的像素點數的比值;(4)對上述比值從小到大進行實時排序,選擇排序結果中前n幅虹膜圖像,選擇該n幅圖像中最先通過虹膜特征檢測的圖像,即為最終的采集圖像。
2.如權利要求1所述的方法,其特征在于其中所述的虹膜內邊緣定位的方法包括如下步驟(1)設定一個灰度閾值,在虹膜圖象的每個列方向中找出灰度值低于閾值的序列;(2)從上述序列中選出最長的序列,則該序列的中點與待定瞳孔的中心處于同一水平線;(3)對上述水平線上的像素點進行測試,剔除灰度值高于上述設定閾值的像素,得到瞳孔的左、右邊界。
3.如權利要求1所述的方法,其特征在于其中所述的虹膜特征檢測的方法包括如下步驟(1)對于位于瞳孔中心像素點所在水平線左側所有的像素點,求出它們的灰度梯度曲線,選出高于某一閾值的局部極大值點作為候選左側邊界點(2)對于位于瞳孔中心像素點所在水平線右側所有的像素點,求出它們的灰度梯度曲線,選出高于某一閾值的局部極大值點作為候選右側邊界點;(3)從上述候選左邊界點隊列與右邊界點隊列中,分別任意選取一個點,由該兩個點組成一個虹膜外邊界;(4)計算上述虹膜外邊界上所有點的灰度平均值;(5)計算上述灰度平均值對當前虹膜半徑的偏微分值,最大偏微分絕對值所對應的虹膜邊界即為待定的虹膜的外邊界;(6)將待定的虹膜外邊界和已知內邊界與經驗虹膜的內、外邊界特征相比較,符合經驗模型的,即通過特征檢測。
全文摘要
本發(fā)明涉及一種虹膜圖像的采集方法,屬生物特征識別和安全認證技術領域。本方法首先實時采集多幅虹膜圖像;對采集的多幅虹膜圖像分別進行虹膜內邊緣定位,以確定瞳孔位置;設定一個灰度閾值,將處于瞳孔范圍內的各像素點灰度值與閾值進行比較,對于灰度值高于閾值的像素點進行計數,從而求出該計數值與整個瞳孔范圍內的像素點數的比值;對比值從小到大進行實時排序,選擇排序結果中前n幅虹膜圖像,選擇該n幅圖像中最先通過虹膜特征檢測的圖像,即為最終的采集圖像。本方法,通過對瞳孔中未彌散化的紅外參考光源成像的計算,評估虹膜圖像的清晰度,從而大大減少了質量評估的計算量,加快了圖像的采集速度,同時保證了圖像質量的恒定。
文檔編號G06K9/00GK1543908SQ200310113569
公開日2004年11月10日 申請日期2003年11月18日 優(yōu)先權日2003年11月18日
發(fā)明者胡廣書, 馬烈天, 張輝 申請人:清華大學