專利名稱：一種基于混合高斯模型的虹膜圖像分割算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于混合高斯模型的虹膜圖像分割算法。
背景技術(shù)：
生物特征識別(Biometrics)是指通過信息技術(shù)，利用人類自身的生理或行為特征實(shí)現(xiàn)個人身份認(rèn)定。這些特征包括虹膜、指紋、掌紋、人臉、聲音等人體的生理特征，以及簽名動作、行走步態(tài)、敲擊鍵盤的力度等行為特征。由于這些生理或行為特征因人而異且具有相當(dāng)?shù)姆€(wěn)定性，因此成為鑒別身份的可靠依據(jù)。近年來，生物特征識別技術(shù)已在信息安全、金融交易、社會安全、人員管理、醫(yī)療衛(wèi)生等領(lǐng)域獲得了廣泛應(yīng)用[I]。作為一項(xiàng)重要的生物特征識別技術(shù)，虹膜識別得到了科學(xué)界和工業(yè)界的高度關(guān)注[2，3]，原因在于與其他生物特相比，虹膜唯一性高、精度高、穩(wěn)定性好，適用人群廣泛。目前，一個典型的虹膜識別系統(tǒng)主要由虹膜圖像預(yù)處理、特征提取、歸一化和編碼幾部分組成。其中虹膜圖像預(yù)處理的主要任務(wù)是正確分割圖像中的虹膜區(qū)域，即定位虹膜內(nèi)外邊界、消除睫毛和眼瞼遮擋，從而為后續(xù)的特征提取和編碼過程提供有效信息。預(yù)處理是整個識別過程的基礎(chǔ)和關(guān)鍵，它會對最終的識別效果產(chǎn)生重要影響。最早的虹膜邊界定位方法由Daugman 提出，即經(jīng)典的積分 / 微分算子(Integro-differential operator)[4] ；ffildes 提出的算法將邊緣檢測與Hough變換相結(jié)合M ；Boles等采用一維三次樣條小波提取出的圖像過零點(diǎn)作為特征[6]。隨后，人們在虹膜圖像預(yù)處理階段引入了多種工具，如活動輪廓模型、傅里葉變換與幾何投影、統(tǒng)計(jì)方法、Gabor濾波器等[7’8]，取得了良好效果。近年來，考慮至蚍膜識別方法的實(shí)用性，人們開始更多的關(guān)注虹膜的識別[9，1(U1，12，13]。虹膜圖像由于存在反光、睫毛和眼瞼遮擋等干擾，圖像質(zhì)量大為降低，這為虹膜邊界的準(zhǔn)確定位帶來了很大困難。因此，虹膜識別的關(guān)鍵在于虹膜的內(nèi)外邊界定位?？紤]到虹膜識別系統(tǒng)的實(shí)用性，研究者已經(jīng)對虹膜預(yù)處理給予很大關(guān)注。由于存在反光、睫毛和眼瞼遮擋等干擾，虹膜邊界的準(zhǔn)確定位存在很大困難。為此，人們近年來提出了許多方法。例如，Proencat9]等提出利用k均值模糊聚類對虹膜圖像灰度的特征分類；Pundlik等_通過圖割分割虹膜，缺點(diǎn)是圖割依賴于像素間的統(tǒng)計(jì)關(guān)系，忽略了邊界信息，且迭代過程較長；He等[11]提出了一種混合分割方法，即首先利用線性插值技術(shù)消除反光，再由弦長均衡方法搜索瞳孔中心Jarjes等[12]利用snake模型和角積分投影進(jìn)行虹膜分割；Roy等M通過水平集演化實(shí)現(xiàn)虹膜邊界提取。需要指出，由于Snake和水平集方法均依賴于由偏微分方程控制的曲線演化模型，此類方法收斂速度慢，且對曲線的初始化位置非常敏感。此外，Verma等M提出利用圖像增強(qiáng)技術(shù)分割虹膜。參考文獻(xiàn):[I] A K Jain, A Ross, S Pankant1.Biometrics: a tool for informationsecurity[J].1EEE Trans.1nformation Forensics and Security,2006, I (2), 125-143.
[2] J Daugman.How iris recognition works[J].1EEE Trans.Circuits andSystems for Video Technology, 2004, 14(I):21-30.
[3]K W Bowyerj K Hollingsworth, P J Flynn.1mage-understanding for irisbiometrics:a survey[J].Computer Vision and Image Understanding，2008，110(2):281-307.
[4] J Daugman.High confidence visual recognition of persons by a test ofstatistical independence[J].1EEE Trans.Pattern Analysis and Machine Intelligence，1993，15(11):1148-1161.
[5]R P Wildes.1ris recognition:an emerging biometrics technology[A].Proc.1EEE [C]，1997，85 (9): 1348-1363.
[6]W Boles,B Boashah.A human identification technique using images ofthe iris and wavelet transform[J].1EEE Trans.Signal Processing，1998，46 (4):1185-1188.
[7] J Daugman.New methods in iris recognition [J].IEEE Trans.System, Man, and Sybernetics—Part B: Cybernetics，2007，37(5):1167-1175.
[8] L Yuj D Zhang, K Wang.The relative distance of key point based irisrecognition[J].Pattern Recognition, 2007，40 (2):423-430.
[9] H Proenga..L A Alexandre.1ris segmentation methodology fornon-cooperative recognition [A].1EE Proc.VISP[C]，2006，153(2):199-205.
[10] S J Pundlikj D L Woodard, S T Birchfield.Non-1deal iris segmentationusing graph cuts [A].Proc.1EEE CVPR[C], 2008:1-6.
[11]Z He，T Tan，Z Sun, X Qiu.Toward accurate and fast iris segmentationfor iris biometrics [J].1EEE Trans.Pattern Analysis and Machine Intelligence, 2009,31(9):1670-1684.
[12] A A Jarjesj K Wang, G J Mohammed.A new iris segmentation method basedon improved snake model and angular integral projection.Research Journal ofApplied Science, Engineering and Technology, 2011, 3(6):558-568.
[13]K Roy, P Bhattacharyaj C Y Suen.1ris segmentation using variationallevel set method.0ptics and Laser in Engineering，2011，49 (I):578-588.
[ 14] A Vermaj C Liuj J Jia.1ris recognition based on robustiris segmentation and image enhancement,International Journal ofBiometrics, 2012，4 (I): 56-75.
[15]N Shentalj A Bar-Hillelj T Hertz,D Weinshall.Computing Gaussianmixture models with EM using equivalence constraints.Advances in NeuralInformation Processing Systemsl6，2004， 16(8)，465-472.
[16]A Dempster, N Laird,D Robin.Maximum likelihood from incompletedata via the EM algorithm.Journal of the Royal Statistical Society,SeriesBj 1977，39(1):1-38.

發(fā)明內(nèi)容
本算法提出一種基于混合高斯模型[15] (Gaussian Mixture Model, GMM)的虹膜分割方法?；旌细咚鼓Ｐ屯ㄟ^多個高斯概率概率函數(shù)之和，在某種準(zhǔn)則下實(shí)現(xiàn)對圖像直方圖的最佳逼近。由于這一方法以圖像自身的統(tǒng)計(jì)特征(灰度的概率分布)為逼近對象，對不同圖像具有很強(qiáng)的適應(yīng)性，因此廣泛應(yīng)用于圖像分割。在本算法方法中，在內(nèi)邊界定位階段我們首先利用混合高斯模型實(shí)現(xiàn)對虹膜圖像的建模并對其進(jìn)行分割，從而實(shí)現(xiàn)對瞳孔的檢測?？紤]到瞳孔形狀經(jīng)常因?yàn)榻廾脱鄄€遮擋而不規(guī)則，我們由弦長均衡策搜索其中心(亦即虹膜中心)坐標(biāo)并確定內(nèi)圓(內(nèi)邊界)半徑。在外邊界定位過程中，我們根據(jù)虹膜外邊界灰度變化緩慢的特點(diǎn)，提出了基于區(qū)域灰度差的曲線演化策略，通過迭代搜索外邊界。為確保曲線能夠全局收斂，我們利用序統(tǒng)計(jì)濾波虹膜進(jìn)行處理。最后，我們利用二次曲線實(shí)現(xiàn)眼瞼檢測。為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案。一種基于混合高斯模型的虹膜圖像分割算法，包括內(nèi)邊界定位、外邊界定位和眼險檢測；所述內(nèi)邊界定位具體流程如下:(S1.1)對輸入的虹膜圖像進(jìn)行框架Laplace金字塔分解。(S1.2)基于混合高斯模型的瞳孔分割。(S1.3)基于形態(tài)學(xué)的反光區(qū)域消除。(S1.4)虹膜中心初始化。(S1.5)虹膜中心定位和內(nèi)邊界定位。作為本發(fā)明的進(jìn)一步改進(jìn)，所述虹膜中心定位為基于弦長均衡策略的虹膜中心搜索，具體步驟如下:第一步:虹膜中心的水平方向搜索；第二步:虹膜中心的垂直方向優(yōu)化；第三步:計(jì)算內(nèi)邊界半徑；所述外邊界定位是基于區(qū)域平均灰度差的曲線演化方法實(shí)現(xiàn)外邊界的定位，具體步驟如下:(S2.1)判斷虹膜中心與圖像左右邊界的距離，若與右邊界距離較大，則以虹膜中心為圓心、在角度|>，7 31 /6]范圍內(nèi)進(jìn)行極坐標(biāo)變換；否則在[11 π /6，2 31 ]范圍內(nèi)進(jìn)行極坐標(biāo)變換。此處變換所取半徑為虹膜中心與左右邊界距離的較大者。由此步驟得到的(極坐標(biāo)變換)圖像的瞳孔以外的部分，記為圖像I_rp ；(S2.2)將圖像I_rp按半徑方向等分三部分，對距瞳孔最近的部分進(jìn)行極大值濾波，最遠(yuǎn)的部分進(jìn)行極小值濾波，中間部分進(jìn)行中值濾波，得到圖像。(S2.3)在圖像中，基于區(qū)域平均灰度差的曲線演化實(shí)現(xiàn)外邊界的定位，(S2.4)將上述迭代得到的外邊界映射到原始圖像I_r，即為虹膜外邊界。所述(S2.3)中，基于區(qū)域平均灰度差的曲線演化實(shí)現(xiàn)外邊界的定位，其迭代過程為:a)將中值濾波區(qū)域中靠近最小值濾波區(qū)域的邊界設(shè)定為初始外邊界，記為Ctl,同時得到由C。劃分的兩個區(qū)域Ai (靠近瞳孔的區(qū)域)和A6 (遠(yuǎn)離瞳孔的區(qū)域)；b)計(jì)算由Ctl劃分的兩個區(qū)域的平均灰度，其中靠近瞳孔的記為Cltl，遠(yuǎn)離瞳孔的記為(V，即
]
權(quán)利要求
1.一種基于混合高斯模型的虹膜圖像分割算法，其特征是，包括內(nèi)邊界定位、外邊界定位和眼瞼檢測； 所述內(nèi)邊界定位具體流程如下: (S1.1)對輸入的虹膜圖像進(jìn)行框架Laplace金字塔分解； (S1.2)基于混合高斯模型的瞳孔分割； (S1.3)基于形態(tài)學(xué)的反光區(qū)域消除； (S1.4)虹膜中心初始化； (S1.5)虹膜中 心定位和內(nèi)邊界定位； 所述外邊界定位是基于區(qū)域平均灰度差的曲線演化方法實(shí)現(xiàn)外邊界的定位，具體步驟如下: (S2.1)判斷虹膜中心與圖像左右邊界的距離，以虹膜中心為圓心進(jìn)行極坐標(biāo)變換，變換所取半徑為虹膜中心與左右邊界距離的大者，由此步驟得到的極坐標(biāo)變換圖像的瞳孔以外的部分，記為圖像I_rp ； (S2.2)將圖像I_rp按半徑方向等分三部分，對距瞳孔最近的部分進(jìn)行極大值濾波，最遠(yuǎn)的部分進(jìn)行極小值濾波，中間部分進(jìn)行中值濾波，得到圖像; (S2.3)在圖像中，基于區(qū)域平均灰度差的曲線演化實(shí)現(xiàn)外邊界的定位； (S2.4)將上述迭代得到的外邊界映射到原始圖像I_r，即為虹膜外邊界； 所述眼瞼檢測對上下眼瞼定位采用相同的方法，即首先利用水平方向的序統(tǒng)計(jì)濾波和極大值檢測定位上下眼瞼，再通過二次曲線進(jìn)行擬合。
2.如權(quán)利要求1所述的基于混合高斯模型的虹膜圖像分割算法，其特征是，所述(S1.5)中，所述虹膜中心定位為基于弦長均衡策略的虹膜中心搜索，具體步驟如下: 第一步:虹膜中心的水平方向搜索； 第二步:虹膜中心的垂直方向優(yōu)化； 第三步:計(jì)算內(nèi)邊界半徑。
3.如權(quán)利要求1所述的基于混合高斯模型的虹膜圖像分割算法，其特征是，所述(S2.3)中，基于區(qū)域平均灰度差的曲線演化實(shí)現(xiàn)外邊界的定位，其迭代過程為: a)將中值濾波區(qū)域中靠近最小值濾波區(qū)域的邊界設(shè)定為初始外邊界，記為Ctl,同時得到由Ctl劃分的兩個區(qū)域靠近瞳孔的區(qū)域Ai和遠(yuǎn)離瞳孔的區(qū)域A6 ； b)計(jì)算由Ctl劃分的兩個區(qū)域的平均灰度，其中靠近瞳孔的記為Cltl，遠(yuǎn)離瞳孔的記為d0，，即 Id0 =Jnean(Aj) Irf0 = mean (^As) c)將C。向遠(yuǎn)離瞳孔的方向移動k個像素，得到新的邊界C1以及區(qū)域Ai1和A61,計(jì)算以C1劃分的區(qū)域的新的平均灰度d和Cl';這一過程表示為 \d = mem (A)) \d' = mean Ae1) d)按照Idc1-Ci!。|與|d-d ! I的大小關(guān)系確定邊界是否繼續(xù)移動，即若d0-d' ο I Id-d/ I ,令 Ctl = C1, dQ = d, d'。= d'并返回步驟 b),否則以 Ctl 作為外邊界定位結(jié)果。
4.如權(quán)利要求1所述的基于混合高斯模型的虹膜圖像分割算法，其特征是，所述眼瞼定位過程如下: (S3.1)對內(nèi)外邊界定位后的虹膜圖像進(jìn)行水平方向的序統(tǒng)計(jì)濾波，得到圖像I_e，消除睫毛對眼瞼的遮擋； (S3.2)在垂直方向上對I_e進(jìn)行差分，得到二值圖像I_ed ； (S3.3)對二值圖像I_ eb進(jìn)行二次曲線擬合，得到最終的眼瞼定位結(jié)果。
全文摘要
本發(fā)明公開了一種基于混合高斯模型的虹膜圖像分割算法，包括內(nèi)邊界定位、外邊界定位和眼瞼檢測的步驟；本發(fā)明本算法將混合高斯模型引入虹膜預(yù)處理，實(shí)現(xiàn)了對虹膜內(nèi)邊界的準(zhǔn)確定位。虹膜內(nèi)邊界定位的難點(diǎn)在于瞳孔的檢測。瞳孔在虹膜圖像中的灰度水平最低，一般采取閾值策略進(jìn)行檢測。本算法利用混合高斯模型所具有的對不同數(shù)據(jù)的自適應(yīng)統(tǒng)計(jì)特性，對原始虹膜圖像進(jìn)行分割，獲得灰度最低的瞳孔區(qū)域；然后在瞳孔內(nèi)部初始化虹膜中心，利用弦長搜索策略實(shí)現(xiàn)內(nèi)邊界定位。本算法在外邊界定位過程中，同樣在混合高斯模型分割的基礎(chǔ)上，通過使局部對比度最大化實(shí)現(xiàn)了對外邊界的準(zhǔn)確定位。
文檔編號G06T7/00GK103164704SQ201310128280
公開日2013年6月19日 申請日期2013年4月12日 優(yōu)先權(quán)日2013年4月12日
發(fā)明者萬洪林, 韓民 申請人:山東師范大學(xué)