專利名稱：用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及數(shù)字圖像處理、模式識(shí)別和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)領(lǐng)域，特 別是涉及一種用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法。
背景技術(shù)：
虹膜是人眼中介于黑色瞳孔和白色鞏膜之間的圓環(huán)狀區(qū)域，呈現(xiàn) 豐富的紋理。大量醫(yī)學(xué)和計(jì)算機(jī)科學(xué)的研究表明，虹膜具有唯一性高、 穩(wěn)定性強(qiáng)、非侵犯性等優(yōu)點(diǎn)。這些優(yōu)點(diǎn)使得虹膜特別適合用于人的身 份認(rèn)證和識(shí)別，并被成功地應(yīng)用于機(jī)場(chǎng)、海關(guān)、銀行等場(chǎng)合的身份鑒定。
虹膜識(shí)別通過對(duì)虹膜成像裝置獲取的虹膜圖像的分析完成對(duì)用戶 身份的認(rèn)證或識(shí)別。虹膜成像裝置在獲取虹膜圖像的同時(shí)，不可避免 地會(huì)釆集到瞳孔、鞏膜、眼皮、睫毛和陰影等。而虹膜識(shí)別需要的僅 僅是介于瞳孔和鞏膜之間且不被眼皮、睫毛和陰影遮擋的區(qū)域，這部 分區(qū)域稱為虹膜圖像中身份識(shí)別的有效區(qū)域。為了得到該有效區(qū)域， 就需要準(zhǔn)確定位虹膜的內(nèi)外邊界、上下眼皮邊界和睫毛、陰影等。
英國(guó)劍橋大學(xué)的Daugman在其專利U.S. Pat. No. 5291560中提出 了一種稱之為積分差分算子的技術(shù)用于虹膜分割。該技術(shù)通過計(jì)算圖 像中積分差分的最大值來確定虹膜內(nèi)外邊界以及上下眼皮邊界。
美國(guó)IriTech公司的Kim等人在其專利U.S. Pat. No. 6247813中采
用多段圓弧擬合的方法進(jìn)行虹膜有效區(qū)域的分割。該方法首先將虹膜 分割成多個(gè)扇區(qū)，然后在每個(gè)扇區(qū)上分別進(jìn)行虹膜內(nèi)外邊界的檢測(cè)。
雖然上述兩種虹膜分割方法取得了不錯(cuò)的分割效果，但是它們?nèi)?然存在很多缺陷。首先，它們都需要在一個(gè)三維的空間中進(jìn)行遍歷搜 索，因此時(shí)間復(fù)雜度很高，計(jì)算速度較慢。其次，它們都沒有給出有 效的抗噪模塊，因此容易受到噪聲的影響而得到局部最優(yōu)解。最后，兩種方法都沒有考慮睫毛和陰影的檢測(cè)，因此它們的分割結(jié)果中仍然 含有無效區(qū)域。
綜上所述，現(xiàn)有的虹膜分割算法仍然存在改進(jìn)的余地，如何快速 魯棒地實(shí)現(xiàn)虹膜圖像中身份識(shí)別有效區(qū)域的檢測(cè)和分割仍然是一個(gè)亟 待解決的難題。

發(fā)明內(nèi)容
(一) 要解決的技術(shù)問題
有鑒于此，本發(fā)明的主要目的是針對(duì)上述現(xiàn)有技術(shù)中存在的問題， 提供一種用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法，以快速魯棒 地實(shí)現(xiàn)虹膜圖像中身份識(shí)別有效區(qū)域的檢測(cè)和分割。
(二) 技術(shù)方案
為達(dá)到上述目的，本發(fā)明提供了一種用于虹膜識(shí)別的有效圖像區(qū) 域檢測(cè)和分割方法，該方法包括
51、 基于虹膜圖像中普爾欽斑分析的虹膜粗定位；
52、 基于彈性力模型的虹膜內(nèi)外邊界精定位；
53、 基于排序?yàn)V波和直方圖濾波的虹膜上下眼皮定位；
54、 基于圖像中睫毛陰影遮擋程度預(yù)測(cè)模型的睫毛和陰影檢測(cè)。 優(yōu)選地，所述步驟S1包括
511、 根據(jù)虹膜圖像中普爾欽斑的大小設(shè)計(jì)最優(yōu)的普爾欽斑檢測(cè)算
子；
512、 使用該普爾欽斑檢測(cè)算子對(duì)虹膜圖像中的高亮點(diǎn)進(jìn)行濾波；
513、 使用自適應(yīng)的閾值對(duì)濾波結(jié)果二值化，得到候選普爾欽斑點(diǎn) 并對(duì)其進(jìn)行聚類，每個(gè)聚類中心表示一個(gè)候選的普爾欽斑；
514、 根據(jù)普爾欽斑鄰域的灰度分布特性對(duì)候選普爾欽斑進(jìn)行驗(yàn)證 和排除，得到最佳普爾欽斑；
515、 根據(jù)最佳普爾欽斑周圍的灰度分布估計(jì)瞳孔的灰度值，并以 該灰度值為閾值得到該普爾欽斑周圍所有低于該閾值的點(diǎn)，以這些點(diǎn) 的重心作為瞳孔中心的估計(jì)，并利用點(diǎn)的數(shù)目估計(jì)瞳孔的大小。優(yōu)選地，步驟Sll中所述普爾欽斑檢測(cè)算子的大小通過統(tǒng)計(jì)虹膜 圖像中普爾欽斑的大小確定，并包括三個(gè)部分中心區(qū)域?yàn)槿≈嫡?數(shù)的正極，中間為取值為零的過渡帶，外圍為取值負(fù)整數(shù)的負(fù)極，所 述正極系數(shù)和負(fù)極系數(shù)的和為零。
優(yōu)選地，所述步驟S2包括
521、 以虹膜粗定位得到的虹膜中心為變換中心，將輸入的虹膜圖 像轉(zhuǎn)換到極坐標(biāo)系下；
522、 在極坐標(biāo)系下沿著虹膜圖像的半徑方向進(jìn)行邊界點(diǎn)的檢測(cè)， 并且每個(gè)半徑方向僅保留一個(gè)邊界點(diǎn)；
523、 在直角坐標(biāo)系下使用一種虛擬的彈簧線連接當(dāng)前中心和各個(gè) 邊界點(diǎn)，在胡克定律的作用下，每一條彈簧線會(huì)產(chǎn)生一個(gè)恢復(fù)力；
524、 各個(gè)恢復(fù)力之間相互作用產(chǎn)生的一個(gè)合力，沿著合力的方向 移動(dòng)虹膜中心，得到虹膜中心的一個(gè)新的、更為準(zhǔn)確的估計(jì)；
525、 基于虹膜中心的新估計(jì)不斷重復(fù)上述步驟S21至S24，迭代 地優(yōu)化瞳孔和虹膜邊界檢測(cè)結(jié)果，得到虹膜內(nèi)外邊界的精確位置。
優(yōu)選地，步驟S22中所述邊界點(diǎn)檢測(cè)在極坐標(biāo)系的半徑方向上進(jìn) 行，并且每個(gè)半徑方向上僅保留一個(gè)最有可能是邊界的點(diǎn)作為候選的 虹膜邊界點(diǎn)；
步驟S23和S24中所述恢復(fù)力及其合力通過下式計(jì)算
7 = -= 1,2,...,iV
其中，^表示第/個(gè)恢復(fù)力，^表示所有恢復(fù)力的合力，W是彈簧 線的條數(shù)，即邊界點(diǎn)的數(shù)目，* = 1/^是指每條虛擬彈簧線的彈性系數(shù)， 及是指所有彈簧線的平均長(zhǎng)度，^是第/條彈簧線的長(zhǎng)度，；表示直角坐 標(biāo)系下第/條彈簧線的方向，由當(dāng)前中心指向第/個(gè)邊界點(diǎn)。
優(yōu)選地，步驟S25中所述每次迭代優(yōu)化瞳孔和虹膜邊界檢測(cè)結(jié)果 過程中，以所有彈簧線合力^指向的新中心點(diǎn)作為虹膜內(nèi)外邊界的中
心，以所有彈簧線的平均長(zhǎng)度冗作為內(nèi)外邊界的半徑，其中》=2;>/^，
C是指第/個(gè)彈簧線的長(zhǎng)度，W是所有彈簧線的數(shù)目；迭代停止的條件
9是前后兩次迭代得到的內(nèi)外邊界的參數(shù)相差小于一定閾值。 優(yōu)選地，所述步驟S3包括
531、 離線地在一組訓(xùn)練虹膜圖像上對(duì)其上下眼皮的形狀進(jìn)行標(biāo)定
和統(tǒng)計(jì)聚類，分別學(xué)習(xí)得到上下眼皮的三個(gè)典型的形狀模型；
532、 使用一維排序?yàn)V波器對(duì)虹膜圖像進(jìn)行水平方向的濾波，消除 睫毛對(duì)眼皮邊界檢測(cè)的影響；
533、 在排序?yàn)V波后的圖像上沿豎直方向進(jìn)行邊界點(diǎn)檢測(cè)，得到待 測(cè)虹膜圖像中上下眼皮的粗略邊界；
534、 將得到的眼皮粗略邊界和學(xué)習(xí)得到的眼皮形狀模型進(jìn)行形狀 匹配，得到與該粗略邊界最相似的眼皮形狀模型；
535、 以最佳匹配模型為基礎(chǔ)對(duì)得到的粗略邊界進(jìn)行分析，排除與 該模型形狀不相一致的眼皮邊界點(diǎn)，只保留與最佳模型形狀分布一致 的點(diǎn)，得到一個(gè)準(zhǔn)確的眼皮邊界檢測(cè)結(jié)果；
536、 使用二次多項(xiàng)式曲線擬合的方法對(duì)通過了直方圖濾波驗(yàn)證的 邊界點(diǎn)進(jìn)行擬合，得到精確的上下眼皮邊界參數(shù)。
優(yōu)選地，步驟S31中所述眼皮形狀模型通過如下方式獲得首先 離線的標(biāo)定訓(xùn)練虹膜圖像中上下眼皮的邊界形狀，然后使用K均值聚 類的方法將上下眼皮形狀分別聚成三類作為上下眼皮的形狀模型；
步驟S32中所述排序?yàn)V波器為一維水平方向上的排序?yàn)V波器，且 濾波時(shí)以圖像中被濾波器覆蓋區(qū)域的較高灰度值作為濾波結(jié)果；
步驟S33中所述眼皮邊界點(diǎn)檢測(cè)在豎直方向上進(jìn)行，并且每個(gè)豎 直方向僅保留一個(gè)最優(yōu)的邊界點(diǎn)；
步驟S34中所述形狀匹配包括首先計(jì)算待檢測(cè)眼皮的粗略邊界 和各個(gè)眼皮形狀模型的差值，然后統(tǒng)計(jì)差值的直方圖，并以直方圖峰 值的高低作為匹配相似度的度量；
步驟S35中所述與最佳形狀模型一致的點(diǎn)，是指那些與最佳形狀 模型的差值在直方圖峰值附近的點(diǎn)。
優(yōu)選地，所述步驟S4包括
S41、在訓(xùn)練虹膜數(shù)據(jù)集上建立虹膜圖像中睫毛和陰影遮擋程度的 預(yù)測(cè)模型；542、 計(jì)算待測(cè)試圖像中不同區(qū)域的灰度直方圖，并計(jì)算直方圖之
間的差異；
543、 根據(jù)睫毛陰影遮擋程度的預(yù)測(cè)模型獲得該差異對(duì)應(yīng)的睫毛和 陰影遮擋程度； '
544、 根據(jù)遮擋程度得到自適應(yīng)的睫毛和陰影檢測(cè)閾值，并用該閾 值對(duì)圖像二值化，得到候選睫毛和陰影檢測(cè)點(diǎn)；
545、 分析候選檢測(cè)點(diǎn)與上眼皮的連通性，以排除虛假睫毛和陰影 點(diǎn)，得到漏檢的睫毛陰影點(diǎn)。
優(yōu)選地，步驟S41中所述待測(cè)試圖像的不同區(qū)域，是根據(jù)上眼皮 的定位結(jié)果將虹膜候選區(qū)域劃分為上下兩個(gè)區(qū)域，分別稱為 ES-candidate和ES-free， 二者的分界線以上眼皮的位置下移Z)個(gè)像素確 定，D通過下式確定
上式中《,,.、.和分別表示虹膜和瞳孔的半徑。 優(yōu)選地，步驟S41中所述睫毛和陰影遮擋程度的預(yù)測(cè)模型通過如 下方式得到
計(jì)算每幅訓(xùn)練圖像中ES-candidate區(qū)域和ES-free區(qū)域灰度直方圖 的差異以及該圖像中睫毛和陰影的遮擋比例，其中兩個(gè)直方圖、&之 間的差異通過下式計(jì)算
圖像中睫毛和陰影的遮擋比例可通過手工標(biāo)定方式獲得； 使用三次多項(xiàng)式擬合訓(xùn)練圖像集上灰度直方圖差異與遮擋比例的
對(duì)應(yīng)關(guān)系，所得的三次多項(xiàng)式曲線即作為虹膜圖像中睫毛和陰影遮擋
比例的預(yù)測(cè)模型。
優(yōu)選地，步驟S44中所述自適應(yīng)的睫毛和陰影檢測(cè)閾值采用以下
方法獲得
首先分別計(jì)算ES-candidate區(qū)域和ES-free區(qū)域灰度直方圖及其差 異，然后根據(jù)睫毛陰影遮擋程度預(yù)測(cè)模型估計(jì)圖像中睫毛陰影的遮擋 比例，最后從低到高累加ES-candidate區(qū)域的灰度直方圖，直到累加值超過該遮擋比例，以此時(shí)的灰度值作為睫毛和陰影的檢測(cè)閾值。 (三)有益效果
從上述技術(shù)方案可以看出，本發(fā)明提供的這種用于虹膜識(shí)別的有 效圖像區(qū)域檢測(cè)和分割方法，對(duì)于提高虹膜識(shí)別算法的精度和速度都 具有重要的意義，其主要優(yōu)點(diǎn)如下
1、 本發(fā)明充分利用了虹膜圖像中的普爾欽斑的灰度和位置分布特 性，提出自適應(yīng)的普爾欽斑檢測(cè)算子，使普爾欽斑變廢為寶，大大提 高了虹膜粗定位的準(zhǔn)度和速度，有效解決了常規(guī)虹膜識(shí)別算法中虹膜 粗定位速度慢、精度低的難題，并為后續(xù)虹膜有效區(qū)域的精確分割奠 ^了^石出。
2、 本發(fā)明提出的基于彈性力模型的虹膜內(nèi)外邊界精定位方法，充 分利用了虹膜特殊的類圓結(jié)構(gòu)，通過迭代的方式搜索得到內(nèi)外邊界的 準(zhǔn)確位置，大大提高了虹膜內(nèi)外邊界精定位的速度和精度。同時(shí)，由 于每一個(gè)候選邊界點(diǎn)都會(huì)貢獻(xiàn)自己的力量——恢復(fù)力，因此，該方法 對(duì)于瞳孔形變具有很強(qiáng)的抵抗力，有效解決了常規(guī)方法遇到瞳孔形變 出現(xiàn)局部最優(yōu)的難題。
3、 本發(fā)明提出的基于排序?yàn)V波和直方圖濾波的上下眼皮定位方 法，通過水平方向上的排序?yàn)V波消除了睫毛對(duì)眼皮邊界點(diǎn)檢測(cè)的影響， 同時(shí)每個(gè)豎直方向上僅保留一個(gè)邊界點(diǎn)的策略，進(jìn)一步排除了眼皮邊 界檢測(cè)過程中的噪聲點(diǎn)。另外，本發(fā)明提出的直方圖濾波器有效解決 了眼皮形狀的不規(guī)則難題，從而能夠快速準(zhǔn)確地對(duì)上下眼皮進(jìn)行定位。
4、 本發(fā)明建立了 一種新穎的虹膜圖像中睫毛和陰影遮擋程度的預(yù) 測(cè)模型，該模型能夠快速準(zhǔn)確地估計(jì)待測(cè)虹膜圖像中睫毛和陰影的遮 擋程度，進(jìn)而得到用于睫毛和陰影檢測(cè)的合適閾值。同時(shí)，睫毛和陰 影候選點(diǎn)與上眼皮連通性的分析進(jìn)一步提高了檢測(cè)的精確度。
5、 本發(fā)明提供的這種用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方 法，使魯棒、快速的虹膜識(shí)別中有效圖像區(qū)域的檢測(cè)和分割成為可能， 有效提高了虹膜識(shí)別的精度和速度，可廣泛應(yīng)用于使用虹膜進(jìn)行身份 認(rèn)證或者識(shí)別的系統(tǒng)中，比如虹膜機(jī)場(chǎng)安檢系統(tǒng)、虹膜出入境身份認(rèn)證系統(tǒng)、虹膜ATM機(jī)、虹膜門禁系統(tǒng)、虹膜手機(jī)、虹膜PC登錄系統(tǒng)等。


圖l是本發(fā)明提供的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割的
方法流程圖2是一幅典型的虹膜圖像及其有效圖像區(qū)域的分割結(jié)果，其中，
(a) 示出一幅典型的虹膜圖像；
(b) 示出了使用本發(fā)明所述方法得到的虹膜有效區(qū)域的分割結(jié)果； 圖3是大小為13xl3的普爾欽斑檢測(cè)算子的示例； 圖4是基于彈性力模型的虹膜內(nèi)外邊界定位算法的原理圖5是基于排序?yàn)V波和直方圖濾波的眼皮定位算法的流程框圖和 示例；
圖6是直方圖濾波的原理示意圖，其中，
(a) 示出學(xué)習(xí)得到的三個(gè)上眼皮形狀模型，以及一個(gè)待測(cè)試虹膜圖 像的上眼皮邊界檢測(cè)結(jié)果(如圖5(d)中圖像所示)；
(b) 待檢測(cè)上眼皮與三個(gè)上眼皮形狀模型的差值；
(c) 待檢測(cè)上眼皮與三個(gè)上眼皮形狀模型的差值的直方圖，根據(jù)直 方圖峰值高低可以判斷與待測(cè)眼皮形狀最相似的模型；
(d) —幅待測(cè)試虹膜圖像的上眼皮邊界檢測(cè)結(jié)果；
(e) 該待測(cè)虹膜圖像上眼皮邊界檢測(cè)結(jié)果經(jīng)過直方圖濾波之后的上 眼皮邊界點(diǎn)；
(f) 該待測(cè)虹膜圖像上眼皮的二次曲線擬合結(jié)果； 圖7是睫毛檢測(cè)時(shí)虹膜區(qū)域分割的方法和示意圖，其中ES-candidate
和ES-free分別表示睫毛和陰影遮擋可能性大的區(qū)域和可能性小的區(qū)
域，分割界限是從上眼皮開始下移大約0.5x(R^-Rp—), R^和Rpupi,分別
表示與虹膜和瞳孔邊界擬合度最好的圓的半徑大小；
圖8是圖7中圖像的ES-candidate區(qū)域和ES-free區(qū)域的灰度直方圖； 圖9是虹膜圖像中睫毛和陰影遮擋程度的預(yù)測(cè)模型，其中一個(gè)圓
點(diǎn)表示了一幅訓(xùn)練圖像中直方圖相似度f(、/^)和睫毛和陰影遮擋比
13例p的對(duì)應(yīng)關(guān)系，實(shí)線表示通過曲線擬合學(xué)習(xí)到的睫毛和陰影遮擋程 度的預(yù)測(cè)模型。
具體實(shí)施例方式
下面結(jié)合

本發(fā)明技術(shù)方案中所涉及的技術(shù)問題。應(yīng)指出 的是，所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何 限定作用。
基于虹膜的身份認(rèn)證系統(tǒng)通過對(duì)虹膜成像裝置獲取的虹膜圖像的 分析完成對(duì)用戶身份的認(rèn)證和識(shí)別。虹膜成像裝置在獲取虹膜圖像的
同時(shí)，不可避免地會(huì)采集到瞳孔、鞏膜、眼皮、睫毛和朋影等，如圖2 (a)所示。而虹膜識(shí)別需要的僅僅是介于黑色瞳孔和白色鞏膜之間且 不被眼皮、睫毛和陰影遮擋的區(qū)域，該區(qū)域稱為虹膜識(shí)別的有效圖像 區(qū)域。為了得到該有效區(qū)域，就需要準(zhǔn)確定位虹膜的內(nèi)外邊界、上下 眼皮邊界和睫毛、陰影等，如圖2 (b)所示。本發(fā)明提出一種用于虹 膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法，其流程框圖如圖1所示，包 括以下步驟
步驟Sl、基于虹膜圖像中普爾欽斑分析的虹膜粗定位；
步驟S2、基于彈性力模型的虹膜內(nèi)外邊界精定位；
步驟S3、基于排序?yàn)V波和直方圖濾波的虹膜上下眼皮定位；
步驟S4、基于圖像中睫毛陰影遮擋程度預(yù)測(cè)模型的睫毛和陰影檢
下面對(duì)本發(fā)明涉及的關(guān)鍵步驟進(jìn)行逐一說明。本發(fā)明所述方法中
各個(gè)基本步驟的具體形式如下所述
首先是步驟Sl，基于虹膜圖像中普爾欽斑分析的虹膜粗定位。 虹膜粗定位的目的是判斷虹膜成像裝置獲取的圖像中是否含有虹 膜。如果有，給出其大概的位置。為了得到清晰的虹膜紋理，虹膜成 像裝置中往往會(huì)使用紅外光源對(duì)人眼中的虹膜區(qū)域進(jìn)行照明。在虹膜 圖像采集的過程中，這些紅外光源經(jīng)過人眼的鏡面成像、虹膜照相機(jī)
的凸透鏡成像以及CCD的感光成像三個(gè)過程后會(huì)在所采集的虹膜圖像中形成普爾欽斑，如圖2 (a)所示。 一般來講，這些紅外光源形成的 普爾欽斑在圖像中亮度很高，且一般位于虹膜圖像的瞳孔區(qū)域(通常 也是圖像中亮度最低的區(qū)域)。因此，虹膜圖像中普爾欽斑與其周圍區(qū) 域的亮度對(duì)比度很高。上述的普爾欽斑的位置和灰度分布特性為魯棒 的虹膜粗定位提供了便利條件。本發(fā)明通過對(duì)虹膜圖像中普爾欽斑的
特性分析完成虹膜粗定位，具體過程如下
步驟Sll、根據(jù)虹膜圖像中普爾欽斑的大小設(shè)計(jì)最優(yōu)的普爾欽斑檢 測(cè)算子。其中，所述普爾欽斑檢測(cè)算子的大小通過統(tǒng)計(jì)虹膜圖像中普 爾欽斑的大小確定，并包括三個(gè)部分中心區(qū)域?yàn)槿≈嫡麛?shù)的正極， 中間為取值為零的過渡帶，外圍為取值負(fù)整數(shù)的負(fù)極，所述正極系數(shù) 和負(fù)極系數(shù)的和為零。圖3給出了所述普爾欽斑檢測(cè)算子的一個(gè)示例。
步驟S12、使用該普爾欽斑檢測(cè)算子對(duì)虹膜圖像中的高亮點(diǎn)進(jìn)行濾
波。用普爾欽斑檢測(cè)算子對(duì)圖像進(jìn)行濾波是指將算子在輸入的虹膜圖 像上漫游，同時(shí)把被算子覆蓋的圖像區(qū)域的灰度值和對(duì)應(yīng)位置上算子 的系數(shù)做點(diǎn)積后作為對(duì)應(yīng)算子中心的圖像像素的濾波結(jié)果。同時(shí)，為 了加快濾波速度，僅在圖像的高亮區(qū)域進(jìn)行濾波。
步驟S13、使用自適應(yīng)的閾值對(duì)濾波結(jié)果二值化，得到候選普爾欽 斑點(diǎn)并對(duì)其進(jìn)行聚類，每個(gè)聚類中心表示一個(gè)候選的普爾欽斑。如果 某個(gè)像素點(diǎn)濾波結(jié)果值大于我們?cè)O(shè)定的閾值，那么認(rèn)為這個(gè)點(diǎn)是一個(gè) 普爾欽斑點(diǎn)，否則認(rèn)為不是普爾欽斑點(diǎn)。同時(shí)，根據(jù)候選普爾欽斑點(diǎn) 相互之間的距離對(duì)其進(jìn)行聚類，得到候選普爾欽斑的位置。
步驟S14、根據(jù)普爾欽斑鄰域的灰度分布特性對(duì)候選普爾欽斑進(jìn)行 驗(yàn)證和排除，得到最佳普爾欽斑。對(duì)步驟S13中聚類得到的所有普爾欽 斑進(jìn)行統(tǒng)計(jì)分析和驗(yàn)證。如前所述，真實(shí)的普爾欽斑往往落在瞳孔或 虹膜區(qū)域，其周圍的灰度值較低，所以如果某個(gè)候選普爾欽斑周圍的 灰度大于一個(gè)設(shè)定閾值，那么就認(rèn)為這個(gè)候選普爾欽斑不是真實(shí)普爾 欽斑，并予以排除。
步驟S15、根據(jù)最佳普爾欽斑周圍的灰度分布估計(jì)瞳孔的灰度值， 并以該灰度值為閾值得到該普爾欽斑周圍所有低于該閾值的點(diǎn)，以這 些點(diǎn)的重心作為瞳孔中心的估計(jì)，并利用點(diǎn)的數(shù)目估計(jì)瞳孔的大小。
15對(duì)步驟S14中得到的普爾欽斑周圍八個(gè)方向上的灰度值進(jìn)行均勻采樣， 計(jì)算采樣點(diǎn)的灰度平均值作為該普爾欽斑周圍區(qū)域的灰度估計(jì)，選擇 周圍區(qū)域灰度最低的普爾欽斑作為最佳的普爾欽斑，最佳普爾欽斑周 圍的灰度作為當(dāng)前圖像中瞳孔區(qū)域的灰度估計(jì)。以該最佳普爾欽斑為 中心劃定一個(gè)區(qū)域，在該區(qū)域上使用瞳孔灰度的估計(jì)值對(duì)圖像二值化;
求取二值化圖像的中心和面積作為瞳孔的中心和大小估計(jì)。與此同時(shí)， 我們把檢測(cè)到的普爾欽斑在原始圖像上進(jìn)行填充，消除普爾欽斑對(duì)后
續(xù)定位的影響。圖1中T111示出了虹膜粗定位的結(jié)果，其中小十字表示 虹膜中心位置，方框表示瞳孔大小。同時(shí)，原始圖像T110的普爾欽斑 已經(jīng)被成功填充，避免了普爾欽斑對(duì)后續(xù)精定位的影響。
另外，通過步驟S11至步驟S15無法獲得粗定位結(jié)果的輸入圖像則
被認(rèn)為是非虹膜圖像予以丟棄，從而可以節(jié)省后續(xù)的計(jì)算時(shí)間。
其二是步驟S2，基于彈性力模型的虹膜內(nèi)外邊界精定位。
虹膜識(shí)別中有效圖像區(qū)域的分割需要對(duì)虹膜的內(nèi)外邊界進(jìn)行定 位。粗略地講，虹膜是一個(gè)圓環(huán)狀的區(qū)域，而圓的一個(gè)基本特性是圓 心與圓周各點(diǎn)的連線(即圓的半徑)長(zhǎng)度相同，即圓具有各向同性性。 本發(fā)明充分利用虹膜內(nèi)外邊界的類圓特性，通過一種彈性力模型對(duì)虹 膜的內(nèi)外邊界進(jìn)行精確定位。圖4示出了該方法的原理圖，其具體過 程如下(以內(nèi)邊界瞳孔邊界的定位為例)
步驟S21、以虹膜粗定位得到的虹膜中心為變換中心，將輸入的虹 膜圖像轉(zhuǎn)換到極坐標(biāo)系下。以虹膜粗定位步驟S1中得到的瞳孔中心估 計(jì)作為變換中心將虹膜圖像從直角坐標(biāo)系轉(zhuǎn)換到極坐標(biāo)系。
步驟S22、在極坐標(biāo)系下沿著虹膜圖像的半徑方向進(jìn)行邊界點(diǎn)的檢 測(cè)，并且每個(gè)半徑方向僅保留一個(gè)邊界點(diǎn)。在極坐標(biāo)系下沿著半徑方 向進(jìn)行邊界檢測(cè)，同時(shí)每個(gè)半徑方向僅保留一個(gè)最有可能是邊界的點(diǎn) 作為候選的邊界點(diǎn)，從而得到一組(N個(gè))邊界點(diǎn)。其中，所述邊界 點(diǎn)檢測(cè)在極坐標(biāo)系的半徑方向上進(jìn)行，并且每個(gè)半徑方向上僅保留一 個(gè)最有可能是邊界的點(diǎn)作為候選的虹膜邊界點(diǎn)。步驟S23、在直角坐標(biāo)系下使用一種虛擬的彈簧線連接當(dāng)前中心和
各個(gè)邊界點(diǎn)，在胡克定律的作用下，每一條彈簧線會(huì)產(chǎn)生一個(gè)恢復(fù)力。
將步驟S22中得到的邊界點(diǎn)映射回直角坐標(biāo)系中(如圖4中7VPw所 示)；使用一種虛擬的'彈簧線'連接中心和各個(gè)邊界點(diǎn),并根據(jù)圓的各向 同性性假定所有的'彈簧線'的物理特性相同。在胡克定律的作用下這些
'彈簧線'將產(chǎn)生一個(gè)個(gè)恢復(fù)力7::
7 = -0;,，"1,2，…,W (1) 上式中W是邊界點(diǎn)的數(shù)目，/^ = 1/^是指每個(gè)'彈簧線，的彈性系數(shù)，^是 第;個(gè)'彈簧線'當(dāng)前的長(zhǎng)度，》是指所有'彈簧線'的平均長(zhǎng)度，；表示第
/個(gè)'彈簧線'的方向(由當(dāng)前中心指向第/個(gè)邊界點(diǎn))。
步驟S24、各個(gè)恢復(fù)力之間相互作用產(chǎn)生的一個(gè)合力，沿著合力的 方向移動(dòng)虹膜中心，得到虹膜中心的一個(gè)新的準(zhǔn)確估計(jì)。步驟S23中 產(chǎn)生的各個(gè)恢復(fù)力相互作用的結(jié)果是一個(gè)合力
# = i7 (2)
如圖4所示，在戶的作用下，當(dāng)前估計(jì)的瞳孔中心將會(huì)被移向瞳孔中 心的真實(shí)位置，即由圖4中的0;移向^。
步驟S25、基于虹膜中心的新估計(jì)不斷重復(fù)上述步驟S21至S24， 迭代地優(yōu)化瞳孔和虹膜邊界檢測(cè)結(jié)果，得到虹膜內(nèi)外邊界的精確位置。 通過步驟S21至S24的作用之后，我們可以得到瞳孔中心的一個(gè)更加 準(zhǔn)確的估計(jì)?；谶@個(gè)新的瞳孔中心估計(jì)，不斷重復(fù)步驟S21至S24， 就可以迭代地得到瞳孔邊界的準(zhǔn)確位置。在迭代的過程中，以所有彈 簧線合力戶指向的新中心點(diǎn)作為瞳孔邊界的中心，以所有彈簧線的平
均長(zhǎng)度》作為瞳孔的半徑，其中及二s;v,/iv， ^是指第Z個(gè)彈簧線的長(zhǎng)
度，iV是所有彈簧線的數(shù)目。迭代停止的條件是前后兩次迭代得到的
瞳孔邊界的參數(shù)相差小于一定閾值。
最后，利用相同的方法可以得到虹膜外邊界的準(zhǔn)確位置。圖1中 T112示出了虹膜內(nèi)外邊界的定位結(jié)果示例。
其三是步驟S3，基于排序?yàn)V波和直方圖濾波的虹膜上下眼皮定位。 為了得到虹膜的有效區(qū)域，除了定位虹膜的內(nèi)外邊界外，還需要定位出虹膜的上下眼皮位置。虹膜上下眼皮的定位有兩個(gè)難點(diǎn)，第一 個(gè)是睫毛的遮擋，第二個(gè)是眼皮形狀的不規(guī)則性。睫毛的遮擋使得很 難得到眼皮的完整形狀，從而容易造成眼皮定位不準(zhǔn)確。眼皮形狀的 不規(guī)則性使得我們無法采用一種固定的形狀模型對(duì)眼皮進(jìn)行擬合。為 了有效解決上述兩個(gè)難點(diǎn)，本發(fā)明提出一種基于排序?yàn)V波和直方圖濾 波的上下眼皮定位方法，其流程圖如圖5所示，具體過程如下(以上 眼皮的定位為例，下眼皮定位方法類似)
步驟S31、離線地在一組訓(xùn)練虹膜圖像上對(duì)其上下眼皮的形狀進(jìn)行 標(biāo)定和統(tǒng)計(jì)聚類，分別學(xué)習(xí)得到上下眼皮的三個(gè)典型的形狀模型。雖 然不同虹膜圖像中的眼皮形狀各不相同，但經(jīng)過大量的觀察后我們發(fā) 現(xiàn)可以將所有上眼皮的形狀大致分成三類，即三個(gè)不同的上眼皮形
狀模型。圖6(a)中的M，-M3示出了三個(gè)典型的上眼皮形狀，他們通過 如下方式獲得選取虹膜數(shù)據(jù)庫(kù)(比如CASIA—IrisV3—Lamp虹膜圖像 數(shù)據(jù)庫(kù))中部分圖像作為訓(xùn)練集，使用手工定位的方法得到這些圖像 中上眼皮的形狀信息(即邊界點(diǎn))；利用K均值聚類算法將所有訓(xùn)練圖 像的眼皮形狀聚成三類，即得到圖6(a)中的M,-M3所示的三個(gè)上眼皮 形狀模型。在本步驟中所述眼皮形狀模型通過如下方式獲得首先離 線的標(biāo)定訓(xùn)練虹膜圖像中上下眼皮的邊界形狀，然后使用K均值聚類 的方法將上下眼皮形狀分別聚成三類作為上下眼皮的形狀模型。
步驟S32、使用一維排序?yàn)V波器對(duì)虹膜圖像進(jìn)行水平方向的濾波， 消除睫毛對(duì)眼皮邊界檢測(cè)的影響。如圖5中T510所示，根據(jù)步驟S2 的定位結(jié)果，截取虹膜圖像的感興趣區(qū)域。使用一個(gè)一維的、長(zhǎng)度為L(zhǎng) 的統(tǒng)計(jì)排序?yàn)V波器對(duì)感興趣區(qū)域進(jìn)行水平方向上的濾波，濾波時(shí)以圖 像中被濾波器覆蓋區(qū)域的較高灰度值作為濾波結(jié)果。因?yàn)榻廾诤缒?圖像中通常表現(xiàn)為垂直向下且細(xì)長(zhǎng)的黑色線條，因此排序?yàn)V波器可減 弱甚至消除大部分睫毛。圖5中T511示出了原始虹膜圖像T510經(jīng)過 排序?yàn)V波之后的結(jié)果，可以看出大部分睫毛都被成功的濾除了。
步驟S33、在排序?yàn)V波后的圖像上沿豎直方向進(jìn)行邊界點(diǎn)檢測(cè)，得 到待測(cè)虹膜圖像中上下眼皮的粗略邊界。在排序?yàn)V波后的圖像的上半 部分進(jìn)行豎直方向上的邊界檢測(cè)，邊界檢測(cè)可以使用簡(jiǎn)單的Sobel算子、拉普拉斯算子,也可以使用Canny算子等。另外，每個(gè)豎直方向上 只保留一個(gè)邊界點(diǎn)，從而有效地減少了噪聲邊界點(diǎn)的數(shù)量。圖5中T512 示出了一個(gè)眼皮邊界點(diǎn)檢測(cè)的例子。在本步驟中所述眼皮邊界點(diǎn)檢測(cè) 在豎直方向上進(jìn)行，并且每個(gè)豎直方向僅保留一個(gè)最優(yōu)的邊界點(diǎn)。
步驟S34、將得到的眼皮粗略邊界和學(xué)習(xí)得到的眼皮形狀模型進(jìn)行 形狀匹配，得到與該粗略邊界最相似的眼皮形狀模型。對(duì)步驟S33中 得到的邊界點(diǎn)，利用直方圖濾波的方式對(duì)所得的眼皮邊界點(diǎn)進(jìn)行濾波， 進(jìn)一步排除噪聲點(diǎn)。直方圖濾波的原理圖如圖6所示。首先計(jì)算得到 的邊界點(diǎn)(Eraw，如圖6 (a)和圖6 (d)所示)和統(tǒng)計(jì)學(xué)習(xí)得到的上 眼皮形狀模型(MPM3)在形狀上的差異(即計(jì)算E,與M,-M3的差 值，如圖6 (b)中D,-D3所示)。然后統(tǒng)計(jì)每個(gè)差異的直方圖(如圖6 (c)中Hist.D,——HistD3所示)。直方圖尖峰最高的那個(gè)模型被保留 為該眼皮的最佳形狀模型，如圖6(c)所示，本例中模型M2被保留為 最佳的候選形狀模型。
在步驟S34中所述形狀匹配包括首先計(jì)算待檢測(cè)眼皮的粗略邊 界和各個(gè)眼皮形狀模型的差值，然后統(tǒng)計(jì)差值的直方圖，并以直方圖 峰值的高低作為匹配相似度的度量。
步驟S35、以最佳匹配模型為基礎(chǔ)對(duì)得到的粗略邊界進(jìn)行分析，排 除與該模型形狀不相一致的眼皮邊界點(diǎn)，只保留與最佳模型形狀分布 一致的點(diǎn)，得到一個(gè)準(zhǔn)確的眼皮邊界檢測(cè)結(jié)果。只有與最佳模型的形 狀分布一致的點(diǎn)才被認(rèn)為是真實(shí)的上眼皮邊界點(diǎn)并保留，其他的點(diǎn)被 排除，即只有直方圖峰值附近的點(diǎn)才被認(rèn)為是真實(shí)的上眼皮邊界點(diǎn)， 如圖6 (c)所示。經(jīng)過噪聲點(diǎn)濾除后，可以得到一個(gè)準(zhǔn)確的上眼皮邊 界檢測(cè)結(jié)果，如圖5中T513和圖6 (e)所示。
在步驟S35中所述與最佳形狀模型一致的點(diǎn)，是指那些與最佳形 狀模型的差值在直方圖峰值附近的點(diǎn)。
步驟S36、使用二次多項(xiàng)式曲線擬合的方法對(duì)通過了直方圖濾波驗(yàn) 證的邊界點(diǎn)進(jìn)行擬合，得到精確的上下眼皮邊界參數(shù)。在步驟S35濾 波結(jié)果的基礎(chǔ)上，使用二次多項(xiàng)式曲線擬合的方法得到精確的上眼皮 邊界參數(shù)，最終的擬合結(jié)果如圖5中T514或圖6 (f)所示。
19同樣的方法可以得到下眼皮的定位結(jié)果。
其四是步驟S4，基于圖像中睫毛陰影遮擋程度預(yù)測(cè)模型的睫毛和 陰影檢測(cè)。
一個(gè)高效的虹膜有效區(qū)域的分割方法需要同時(shí)考慮睫毛和陰影的
檢測(cè)。如圖2 (a)所示，睫毛和陰影在虹膜圖像中通常表現(xiàn)為灰度值 較低的像素點(diǎn)，因此， 一個(gè)直觀的睫毛和陰影檢測(cè)方法是閾值法。然 而，實(shí)際虹膜成像系統(tǒng)獲取的虹膜圖像中睫毛和陰影的灰度和數(shù)量各 不相同，且相互之間差異很大，因而很難獲得一個(gè)準(zhǔn)確的檢測(cè)閾值。為 了得到一個(gè)準(zhǔn)確的睫毛和陰影檢測(cè)閾值，本發(fā)明首先將候選的虹膜區(qū) 域(即被虹膜內(nèi)外邊界、上下眼皮邊界包圍的區(qū)域)分成如圖7所示 的兩個(gè)區(qū)域ES-candidate和ES-free，其中ES-candidate對(duì)應(yīng)虹膜區(qū)域 中睫毛和陰影遮擋可能性大的區(qū)域，ES-free對(duì)應(yīng)睫毛和陰影遮擋可能 性小的區(qū)域。然后，分別統(tǒng)計(jì)ES-candidate區(qū)域和ES-free區(qū)域的灰度 直方圖。直觀地看，如果ES-candidate區(qū)域存在睫毛和陰影的遮擋，那 么這兩個(gè)區(qū)域的灰度直方圖將存在差異。圖8示出了圖7所示的 ES-candidate區(qū)域和ES-free區(qū)域的灰度直方圖，可以看出二者存在明 顯的差異。更進(jìn)一步，ES-candidate區(qū)域和ES-free區(qū)域灰度直方圖的 差異越大，表明ES-candidate區(qū)域中睫毛和陰影遮擋的程度越高。因此 我們可以通過計(jì)算ES-candidate區(qū)域和ES-free區(qū)域的灰度直方圖的差 異來估計(jì)ES-candidate區(qū)域中睫毛和陰影遮擋的比例，進(jìn)而得到一個(gè)合 理的睫毛和陰影檢測(cè)閾值。具體的睫毛和陰影的檢測(cè)過程如下
步驟S41、在訓(xùn)練虹膜數(shù)據(jù)集上建立虹膜圖像中睫毛和陰影遮擋程 度的預(yù)測(cè)模型，又包括如下四個(gè)子步驟
S411:虹膜區(qū)域的劃分。準(zhǔn)備一定數(shù)量的訓(xùn)練圖像，使用步 驟S2和步驟S3所述的方法對(duì)訓(xùn)練圖像的內(nèi)外邊界和上下眼皮進(jìn) 行定位；在定位基礎(chǔ)上把虹膜識(shí)別的有效圖像區(qū)域分成兩個(gè)部分 一部分對(duì)應(yīng)睫毛和陰影遮擋可能性大的區(qū)域ES-candidate,另一部 分對(duì)應(yīng)睫毛和陰影遮擋可能性小的區(qū)域ES-free。 二者的分割界線 是通過把上眼皮定位結(jié)果下移"個(gè)像素得到的，其中D = 0.5*(H,) (3)
上式中，&,,表示虹膜外邊界的平均半徑，i ，,表示虹膜內(nèi) 邊界的平均半徑。
步驟S412:統(tǒng)計(jì)兩個(gè)區(qū)域的灰度直方圖并計(jì)算其相似度。分 別統(tǒng)計(jì)兩個(gè)區(qū)域的灰度直方圖/^和&，并計(jì)算兩個(gè)直方圖的相似 度。兩個(gè)直方圖的相似度通過下式計(jì)算
ZW，) = Z("')2 (4)
步驟S413 :確定訓(xùn)練圖像中睫毛和陰影遮擋的比例。手工標(biāo) 定訓(xùn)練圖像中睫毛和陰影遮擋的區(qū)域，并統(tǒng)計(jì)遮擋面積在
ES-candidate區(qū)域中所占的比例p 。圖9中一個(gè)圓點(diǎn)表示了一幅訓(xùn)
練圖像中直方圖相似度/WA)和睫毛陰影遮擋比例P的對(duì)應(yīng)關(guān) 系。
步驟S414:睫毛和陰影預(yù)測(cè)模型的建立。根據(jù)步驟S413中 得到的訓(xùn)練圖像的直方圖相似度與睫毛陰影遮擋比例的對(duì)應(yīng)關(guān) 系，使用二次曲線對(duì)所有訓(xùn)練樣本點(diǎn)進(jìn)行擬合，擬合所得的曲線 就是睫毛和陰影的預(yù)測(cè)模型，如圖9中實(shí)線所示。
步驟S41得到睫毛和陰影遮擋程度的預(yù)測(cè)模型后，就可以對(duì)待測(cè) 試的虹膜圖像進(jìn)行睫毛和陰影的檢測(cè)了，具體的在線檢測(cè)過程如下面 的步驟S42至S45所示。
步驟S42、計(jì)算待測(cè)試虹膜圖像中不同區(qū)域的灰度直方圖，并計(jì)算 直方圖之間的差異。使用步驟S411所述的方法把待測(cè)試圖像劃分成兩 個(gè)部分ES-candidate區(qū)域和ES-free區(qū)域；使用步驟S412所述的方法 計(jì)算計(jì)算ES-candidate區(qū)域和ES-free區(qū)域的直方圖，并計(jì)算他們的差
異
步驟S43、根據(jù)睫毛陰影遮擋程度預(yù)測(cè)模型獲得步驟S42中所得 差異對(duì)應(yīng)的睫毛和陰影的遮擋比例。根據(jù)步驟S41得到的虹膜圖像中 睫毛和陰影遮擋比例的預(yù)測(cè)模型，可以得到步驟S42中所得的直方圖 差異對(duì)應(yīng)的遮擋程序，即遮擋比例。步驟S44、根據(jù)遮擋比例得到自適應(yīng)的睫毛和陰影檢測(cè)閾值，并用 該閾值對(duì)圖像二值化，得到候選的睫毛和陰影檢測(cè)點(diǎn)。得到該待測(cè)試 圖像中睫毛和陰影遮擋比例的估計(jì)后，從低灰度到高灰度累加
ES-candidate區(qū)域的灰度直方圖，直到累加的結(jié)果超過了步驟S43中估 計(jì)得到的睫毛和陰影遮擋比例，此時(shí)對(duì)應(yīng)的灰度值就是用于睫毛和陰 影檢測(cè)的檢測(cè)閾值。使用該檢測(cè)閾值對(duì)輸入的測(cè)試圖像進(jìn)行睫毛和陰 影檢測(cè)，得到候選的睫毛和陰影檢測(cè)點(diǎn)。
步驟S45、分析候選檢測(cè)點(diǎn)與上眼皮的連通性，以排除虛假睫毛和 陰影點(diǎn)，并得到漏檢的睫毛陰影點(diǎn)。通過步驟S41和S42的操作后， 大部分睫毛和陰影都能夠被檢測(cè)出來，但其中也包含了很多虛假的噪 聲點(diǎn)，同時(shí)也有部分睫毛和陰影點(diǎn)沒有檢測(cè)出來。為了濾除這些噪聲 點(diǎn)同時(shí)檢測(cè)漏掉的睫毛陰影點(diǎn)，我們提出一種噪聲點(diǎn)濾除機(jī)制通過 分析每個(gè)點(diǎn)與眼皮的連通特性來判斷該點(diǎn)是否為真實(shí)的睫毛和陰影 點(diǎn)。在分析過程中，那些與真實(shí)睫毛和陰影點(diǎn)相鄰并且灰度值相近的 點(diǎn)作為漏檢的點(diǎn)被檢測(cè)出來。因此，在濾除虛假檢測(cè)點(diǎn)的同時(shí)得到了 漏檢的睫毛陰影點(diǎn)。
實(shí)施例1:用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法在基于虹
膜識(shí)別的出入境人員核査系統(tǒng)中的應(yīng)用。
本發(fā)明可廣泛應(yīng)用于使用虹膜進(jìn)行身份認(rèn)證和識(shí)別的場(chǎng)景。 一個(gè) 典型的應(yīng)用是對(duì)機(jī)場(chǎng)(或海關(guān))出入境人員進(jìn)行身份認(rèn)證。假設(shè)在某 國(guó)際機(jī)場(chǎng)出入境檢查處安裝了一套虹膜識(shí)別系統(tǒng)，當(dāng)張先生從歐洲出 差回國(guó)時(shí)，機(jī)場(chǎng)需要對(duì)張先生的身份做一個(gè)認(rèn)證。此時(shí)，張先生只需 要注視一下虹膜識(shí)別釆集攝像頭，該虹膜識(shí)別系統(tǒng)就可把采集到的虹 膜圖像輸入到基于本發(fā)明開發(fā)的虹膜識(shí)別算法系統(tǒng)中。該算法系統(tǒng)首
先根據(jù)本發(fā)明的步驟Sl所述的方法確定該輸入圖像中是否含有虹膜， 如果該圖像含有一幅清晰的虹膜圖像，那么該系統(tǒng)就會(huì)快速地對(duì)虹膜 進(jìn)行檢測(cè)，得到虹膜在圖像中的大概位置。然后該系統(tǒng)根據(jù)本發(fā)明的 步驟S2至S4所述的方法精確定位虹膜的內(nèi)外邊界、上下眼皮邊界和 虹膜圖像中的睫毛和陰影區(qū)域。最后，識(shí)別系統(tǒng)在分割出的虹膜有效區(qū)域上進(jìn)行特征抽取，并同數(shù)據(jù)庫(kù)中的特征模板進(jìn)行比對(duì)，從而驗(yàn)證 張先生是否是以合法身份進(jìn)入我國(guó)。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍 并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)， 可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此， 本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1、一種用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法，其特征在于，該方法包括S1、基于虹膜圖像中普爾欽斑分析的虹膜粗定位；S2、基于彈性力模型的虹膜內(nèi)外邊界精定位；S3、基于排序?yàn)V波和直方圖濾波的虹膜上下眼皮定位；S4、基于圖像中睫毛陰影遮擋程度預(yù)測(cè)模型的睫毛和陰影檢測(cè)。
2、 根據(jù)權(quán)利要求1所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分 割方法，其特征在于，所述步驟S1包括511、 根據(jù)虹膜圖像中普爾欽斑的大小設(shè)計(jì)最優(yōu)的普爾欽斑檢測(cè)算子；512、 使用該普爾欽斑檢測(cè)算子對(duì)虹膜圖像中的高亮點(diǎn)進(jìn)行濾波；513、 使用自適應(yīng)的閾值對(duì)濾波結(jié)果二值化，得到候選普爾欽斑點(diǎn) 并對(duì)其進(jìn)行聚類，每個(gè)聚類中心表示一個(gè)候選的普爾欽斑；514、 根據(jù)普爾欽斑鄰域的灰度分布特性對(duì)候選普爾欽斑進(jìn)行驗(yàn)證 和排除，得到最佳普爾欽斑；、 根據(jù)最佳普爾欽斑周圍的灰度分布估計(jì)瞳孔的灰度值，并以 該灰度值為閾值得到該普爾欽斑周圍所有低于該閾值的點(diǎn)，以這些點(diǎn) 的重心作為瞳孔中的估計(jì)，并利用點(diǎn)的數(shù)目估計(jì)瞳孔的大小。
3、 根據(jù)權(quán)利要求1或2所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè) 和分割方法，其特征在于，步驟Sll中所述普爾欽斑檢測(cè)算子的大小 通過統(tǒng)計(jì)虹膜圖像中普爾欽斑的大小確定，并包括三個(gè)部分中心區(qū) 域?yàn)槿≈嫡麛?shù)的正極，中間為取值為零的過渡帶，外圍為取值負(fù)整 數(shù)的負(fù)極，所述正極系數(shù)和負(fù)極系數(shù)的和為零。
4、 根據(jù)權(quán)利要求1所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分 割方法，其特征在于，所述步驟S2包括521、 以虹膜粗定位得到的虹膜中心為變換中心，將輸入的虹膜圖 像轉(zhuǎn)換到極坐標(biāo)系下；522、 在極坐標(biāo)系下沿著虹膜圖像的半徑方向進(jìn)行邊界點(diǎn)的檢測(cè)，并且每個(gè)半徑方向僅保留一個(gè)邊界點(diǎn)； ,523、 在直角坐標(biāo)系下使用一種虛擬的彈簧線連接當(dāng)前中心和各個(gè) 邊界點(diǎn)，在胡克定律的作用下，每一條彈簧線會(huì)產(chǎn)生一個(gè)恢復(fù)力； ,524、 各個(gè)恢復(fù)力之間相互作用產(chǎn)生的一個(gè)合力，沿著合力的方向 移動(dòng)虹膜中心，得到虹膜中心的一個(gè)新的、更為準(zhǔn)確的估計(jì)； ,525、 基于虹膜中心的新估計(jì)不斷重復(fù)上述步驟S21至S24，迭代地優(yōu)化瞳孔和虹膜邊界檢測(cè)結(jié)果，得到虹膜內(nèi)外邊界的精確位置。
5、 根據(jù)權(quán)利要求4所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分 割方法，其特征在于，步驟S22中所述邊界點(diǎn)檢測(cè)在極坐標(biāo)系的半徑方向上進(jìn)行，并且 每個(gè)半徑方向上僅保留一個(gè)最有可能是邊界的點(diǎn)作為候選的虹膜邊界 點(diǎn)；步驟S23和S24中所述恢復(fù)力及其合力通過下式計(jì)算# = 2^其中，Z表示第/個(gè)恢復(fù)力，^表示所有恢復(fù)力的合力，7V是彈簧線的條數(shù)，即邊界點(diǎn)的數(shù)目，*=1/^是指每條虛擬彈簧線的彈性系數(shù)， 》是指所有彈簧線的平均長(zhǎng)度，r是第/條彈簧線的長(zhǎng)度，i,表示直角坐 標(biāo)系下第/條彈簧線的方向，由當(dāng)前中心指向第/個(gè)邊界點(diǎn)。
6、 根據(jù)權(quán)利要求4或5所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè) 和分割方法，其特征在于，步驟S25中所述每次迭代優(yōu)化瞳孔和虹膜 邊界檢測(cè)結(jié)果過程中，以所有彈簧線合力戶指向的新中心點(diǎn)作為虹膜 內(nèi)外邊界的中心，以所有彈簧線的平均長(zhǎng)度^作為內(nèi)外邊界的半徑， 其中R-S^/W， r是指第/個(gè)彈簧線的長(zhǎng)度，iV是所有彈簧線的數(shù)目； 迭代停止的條件是前后兩次迭代得到的內(nèi)外邊界的參數(shù)相差小于一定 閾值。
7、 根據(jù)權(quán)利要求1所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分 割方法，其特征在于，所述步驟S3包括S31、離線地在一組訓(xùn)練虹膜圖像上對(duì)其上下眼皮的形狀進(jìn)行標(biāo)定和統(tǒng)計(jì)聚類，分別學(xué)習(xí)得到上下眼皮的三個(gè)典型的形狀模型；532、 使用一維排序?yàn)V波器對(duì)虹膜圖像進(jìn)行水平方向的濾波，消除 睫毛對(duì)眼皮邊界檢測(cè)的影響 在排序?yàn)V波后的圖像上沿豎直方向進(jìn)行邊界點(diǎn)檢測(cè)，得到待 測(cè)虹膜圖像中上下眼皮的粗略邊界；534、 將得到的眼皮粗略邊界和學(xué)習(xí)得到的眼皮形狀模形狀 匹配，得到與該粗略邊界最相似的眼皮形狀模型；535、 以最佳匹配模型為基礎(chǔ)對(duì)得到的粗略邊界進(jìn)行分析，排除與 該模型形狀不相一致的眼皮邊界點(diǎn)，只保留與最佳模型形狀分布一致 的點(diǎn)，得到一個(gè)準(zhǔn)確的眼皮邊界檢測(cè)結(jié)果；536、 使用二次多項(xiàng)式曲線擬合的方法對(duì)通過了直方圖濾波驗(yàn)證的 邊界點(diǎn)進(jìn)行擬合，得到精確的上下眼皮邊界參數(shù)。
8、 根據(jù)權(quán)利要求7所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分 割方法，其特征在于，步驟S31中所述眼皮形狀模型通過如下方式獲得首先離線的標(biāo) 定訓(xùn)練虹膜圖像中上下眼皮的邊界形狀，然后使用K均值聚類的方法 將上下眼皮形狀分別聚成三類作為上下眼皮的形狀模型；步驟S32中所述排序?yàn)V波器為一維水平方向上的排序?yàn)V波器，且 濾波時(shí)以圖像中被濾波器覆蓋區(qū)域的較高灰度值作為濾波結(jié)果；步驟S33中所述眼皮邊界點(diǎn)檢測(cè)在豎直方向上進(jìn)行，并且每個(gè)豎 直方向僅保留一個(gè)最優(yōu)的邊界點(diǎn)；步驟S34中所述形狀匹配包括首先計(jì)算待檢測(cè)眼皮的粗略邊界 和各個(gè)眼皮形狀模型的差值，然后統(tǒng)計(jì)差值的直方圖，并以直方圖峰 值的高低作為匹配相似度的度量；步驟S35中所述與最佳形狀模型一致的點(diǎn)，是指那些與最佳形狀 模型的差值在直方圖峰值附近的點(diǎn)。
9、 根據(jù)權(quán)利要求1所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分 割方法，其特征在于，所述步驟S4包括S41、在訓(xùn)練虹膜數(shù)據(jù)集上建立虹膜圖像中睫毛和陰影遮擋程度的 預(yù)測(cè)模型；S42、 計(jì)算待測(cè)試圖像中不同區(qū)域的灰度直方圖，并計(jì)算直方圖之 間的差異；S43、 根據(jù)睫毛陰影遮擋程度的預(yù)測(cè)模型獲得該差異對(duì)應(yīng)的睫毛和 陰影遮擋程度；S44、 根據(jù)遮擋程度得到自適應(yīng)的睫毛和陰影檢測(cè)閾值，并用該閾 值對(duì)圖像二值化，得到候選睫毛和陰影檢測(cè)點(diǎn)；S45、 分析候選檢測(cè)點(diǎn)與上眼皮的連通性，以排除虛假睫毛和陰影 點(diǎn)，得到漏檢的睫毛陰影點(diǎn)。
10、 根據(jù)權(quán)利要求9所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和 分割方法，其特征在于，步驟S41中所述待測(cè)試圖像的不同區(qū)域，是 根據(jù)上眼皮的定位結(jié)果將虹膜候選區(qū)域劃分為上下兩個(gè)區(qū)域，分別稱 為ES-candidate和ES-free， 二者的分界線以上眼皮的位置下移D個(gè)像 素確定，D通過下式確定<formula>formula see original document page 5</formula> 上式中i ,,,,和分別表示虹膜和瞳孔的半徑。
11、 根據(jù)權(quán)利要求IO所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和 分割方法，其特征在于，步驟S41中所述睫毛和陰影遮擋程度的預(yù)測(cè)模型通過如下方式得到計(jì)算每幅訓(xùn)練圖像中ES-candidate區(qū)域和ES-free區(qū)域灰度直方圖 的差異以及該圖像中睫毛和陰影的遮擋比例，其中兩個(gè)直方圖、&之 間的差異通過下式計(jì)算圖像中睫毛和陰影的遮擋比例可通過手工標(biāo)定方式獲得； 使用三次多項(xiàng)式擬合訓(xùn)練圖像集上灰度直方圖差異與遮擋比例的對(duì)應(yīng)關(guān)系，所得的三次多項(xiàng)式曲線即作為虹膜圖像中睫毛和陰影遮擋比例的預(yù)測(cè)模型。
12、根據(jù)權(quán)利要求IO所述的用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法，其特征在于，步驟S44中所述自適應(yīng)的睫毛和陰影檢測(cè)閾值采用以下方法獲得首先分別計(jì)算ES-candidate區(qū)域和ES-free區(qū)域灰度直方圖及其差 異，然后根據(jù)睫毛陰影遮擋程度預(yù)測(cè)模型估計(jì)圖像中睫毛陰影的遮擋 比例，最后從低到高累加ES-candidate區(qū)域的灰度直方圖，直到累加 值超過該遮擋比例，以此時(shí)的灰度值作為睫毛和陰影的檢測(cè)閾值。
全文摘要
本發(fā)明公開了一種用于虹膜識(shí)別的有效圖像區(qū)域檢測(cè)和分割方法，該方法包括S1.基于虹膜圖像中普爾欽斑分析的虹膜粗定位；S2.基于彈性力模型的虹膜內(nèi)外邊界精定位；S3.基于排序?yàn)V波和直方圖濾波的虹膜上下眼皮定位；S4.基于圖像中睫毛陰影遮擋程度預(yù)測(cè)模型的睫毛和陰影檢測(cè)。利用本發(fā)明，能夠快速準(zhǔn)確地得到虹膜的邊界，有效解決了常規(guī)虹膜分割算法中速度慢、精度低的難題，為后續(xù)的虹膜特征分析提供快速可靠的定位和分割結(jié)果。本發(fā)明可廣泛用于使用虹膜識(shí)別進(jìn)行身份識(shí)別和安全性防范的諸多應(yīng)用系統(tǒng)中。
文檔編號(hào)G06K9/00GK101539991SQ200810102310
公開日2009年9月23日 申請(qǐng)日期2008年3月20日 優(yōu)先權(quán)日2008年3月20日
發(fā)明者何召鋒, 孫哲南, 譚鐵牛, 邱顯超 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所