一種人眼虹膜圖像分割方法
【專利摘要】本發(fā)明涉及一種人眼虹膜圖像分割方法，該方法具體步驟：步驟一：對訓(xùn)練集人眼圖像樣本逐個定位人眼眼角；步驟二：對訓(xùn)練集人眼虹膜圖像樣本逐個定位人眼中心；步驟三：采用基于稀疏和低秩分解的算法對訓(xùn)練集進行批量對齊；步驟四：對批量對齊后的訓(xùn)練集采用Canny邊緣檢測和霍夫變換結(jié)合的方法實現(xiàn)對訓(xùn)練集人眼圖像的虹膜分割；步驟五：對輸入的測試圖片實現(xiàn)人眼虹膜分割。該方法采用基于稀疏和低秩分解的算法對訓(xùn)練集樣本批量對齊，解決了大量樣本中的亮度不一致和人眼眼睫毛遮擋的問題，再采用Canny邊緣檢測和霍夫變換對去亮度變化和遮擋問題的圖像和測試圖像達到虹膜分割的目的。該方法可廣泛用于虹膜識別領(lǐng)域中。
【專利說明】一種人眼虹膜圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像模式識別領(lǐng)域，特別涉及一種人眼虹膜圖像分割方法。
【背景技術(shù)】
[0002]目前我們正處在一個高度信息化的社會，人們對信息需求越來越大，同時，對信息的安全性要求也越來越高，而身份識別技術(shù)就是一個提高信息安全性的方法，它在越來越多的領(lǐng)域中受到人們的高度重視。身份識別即是利用人體的某些唯一性特征，采用某些技術(shù)對這這特征進行判別，從而對人的身份進行識別。早先常用的身份識別技術(shù)是依靠人臉、指紋、手型、簽名等特征進行識別的，但是這些特征都是一些人體的外部特征，存在著很大的易改動性，使得依靠這些特征進行身份識別會變得不是很可靠。近幾年來，興起了虹膜識別技術(shù)，由于虹膜的唯一性、終身不變性、不能通過手術(shù)改變等獨特的特點，使之在科研和工業(yè)領(lǐng)域起到了越來越重要的作用。但是，由于虹膜的特殊結(jié)構(gòu)，在圖像采集過程中，我們不能拍攝出純粹的虹膜圖像，通常采集到的虹膜圖像中不僅包含虹膜，還包含眼睛的其他部分，如瞳孔、眼瞼、睫毛等，虹膜識別技術(shù)不能對這樣的圖片直接進行識別，只能對虹膜部分識別。因此虹膜識別技術(shù)的一個重要的預(yù)處理就是人眼虹膜圖像分割。
[0003]人眼虹膜圖像分割的結(jié)果通常是用于虹膜身份識別中，是虹膜身份識別技術(shù)的直接實施對象，分割的準確性嚴重影響到識別的準確度，因此虹膜分割方法是很重要的，是保障虹膜識別準確的預(yù)處理手段與關(guān)鍵技術(shù)之一。
[0004]人眼虹膜圖像分割主要是直接對人眼圖像進行檢測，分割出其中的虹膜部分。虹膜圖像分割方法主要利用虹膜內(nèi)外邊緣近似為圓形，采用虹膜內(nèi)外邊緣建?；驁D像中的圓形檢測方法進行。其中，虹膜內(nèi)外邊緣建模往往遵循以下步驟:邊緣檢測和邊緣建模。邊緣檢測通常是對高斯濾波后的圖像利用canny或sobel算子進行邊緣檢測。然后通常是通過數(shù)學(xué)的方法對邊緣檢測二值化的圖像中的邊緣進行建模。而圖像中的圓形檢測通常也是先采用邊緣檢測，再對邊緣檢測后的圖像采用霍夫變化檢測虹膜的內(nèi)外圓邊界，從而實現(xiàn)虹膜的分割。
[0005]上述這些算法雖然比較成熟，但是這些方法在都存在著相同的缺點。由于正常采集到的虹膜樣本中存在著亮度變化和人眼上下眼睫毛的遮擋，會使得虹膜的內(nèi)外邊界的圓形不明顯，造成分割錯誤。同時分割出的虹膜圖像中存在著亮度變化、人眼上下眼睫毛的遮擋、樣本圖像沒有對齊等缺點，會對后繼的虹膜識別造成很大的影響，使識別的準確度降低。

【發(fā)明內(nèi)容】

[0006]本發(fā)明提供一種人眼虹膜圖像分割方法，可以批量對齊待檢測的人眼圖像，除去人眼圖像中的亮度變化、上下眼皮中眼睫毛的遮擋，建立清晰、去遮擋的、批量對齊的人眼圖像樣本模型，再對這些樣本實現(xiàn)虹膜分割。
[0007]本發(fā)明解決上述問題的技術(shù)方案主要特征在于:其具體步驟如下: 步驟一:對已分類標(biāo)記的訓(xùn)練集人眼圖像樣本逐個進行人眼眼角定位，利用Harris角點檢測算法檢測人眼圖像中的角點，然后對這些角點進行檢索遍歷，選擇橫坐標(biāo)最小的點為人眼眼角；
步驟二:對訓(xùn)練集人眼虹膜圖像樣本逐個定位人眼中心，先用閾值對待檢測樣本圖片進行二值化，然后利用canny邊緣檢測方法對二值化圖像進行邊緣檢測得到二值化的邊界圖，再利用霍夫變換對邊界圖檢測圓型，檢測到的圓初定為人眼虹膜的內(nèi)邊，并將此圓的中心選為人眼中心；
步驟三:利用訓(xùn)練集中檢測到的人眼眼角點和人眼中心，采用基于稀疏和低秩分解的(Robust Alignment by Sparse and Low-rank Decomposition)算法對訓(xùn)練集樣本進行批
量對齊；
步驟四:對批量對齊后的訓(xùn)練集進行分割，先用canny邊緣檢測技術(shù)將待檢測的人眼虹膜圖像轉(zhuǎn)化為二值化的邊界圖，利用霍夫變換在邊界圖中尋找半徑介于瞳孔最大半徑和虹膜最大半徑之間的一個圓形，將得出的圓形定義為虹膜外徑圓，然后再次繼續(xù)利用霍夫變換在找出的虹膜外徑圓區(qū)域中尋找另一個圓形，將得到的圓形定義為虹膜內(nèi)徑圓，這樣就可以將虹膜外徑圓和虹膜內(nèi)徑圓之間的區(qū)域定為虹膜區(qū)域，從而實現(xiàn)對訓(xùn)練集虹膜的分割;
步驟五:對輸入的人眼圖像重復(fù)步驟一和步驟二，找到輸入的人眼圖像的眼角和人眼中心，再利用眼角和人眼中心的連線將人眼圖像旋轉(zhuǎn)，使此連線調(diào)整至水平位置，最后對調(diào)整后的圖像重復(fù)步驟四，實現(xiàn)對輸入圖片的人眼虹膜分割。
[0008]本發(fā)明的有益效果是:本發(fā)明所述的是一種人眼虹膜圖像分割方法，該方法先自動選取了基于稀疏和低秩分解算法的兩個基準點，利用基于稀疏和低秩分解算法實現(xiàn)訓(xùn)練樣本批量對齊，具有很好的去噪效果，可以去除訓(xùn)練集中的亮度變化，上下眼皮中眼睫毛的遮擋；通過對測試樣本進行旋轉(zhuǎn)，使測試樣本與訓(xùn)練樣本對齊，這不僅提高的樣本圖像的質(zhì)量，而且可以提高后續(xù)虹膜識別的準確度。因此，該方法可廣泛用于虹膜識別領(lǐng)域中。
[0009]在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進。
[0010]進一步，所述的人眼眼角檢測是利用Harris角點檢測技術(shù)進行的。具體步驟如下:
1).采用canny算子計算圖像的方向?qū)?shù)，分別計算出水平方向和垂直方向上的方向?qū)?shù)；
2).計算每一個像素點的系數(shù)相關(guān)矩陣；
3).計算每個像素點的角點值；
4).找出所有角點值中最大值；
5).遍歷所有的角點值，如果檢測像素點的角點值大于0.01倍最大角點值，并在指定鄰近像素區(qū)域中為最大值，就將此像素點標(biāo)記為角點；
6).對所有角點進行遍歷，根據(jù)人眼眼角處于人眼中的最左邊位置，將橫坐標(biāo)最小的角點標(biāo)記為人眼眼角。
[0011]進一步，所述的人眼中心檢測是基于canny邊緣檢測和霍夫變換的。具體步驟如下:
I).將待分割的圖片基于閾值進行二值化，得到二值化圖像；2).將二值化圖像用高斯濾波器進行平滑濾波，使用canny算子計算濾波圖像梯度的幅值和方向；
3).沿著計算出的梯度方向進行檢測，把不是局部最大值的象素置O，即對梯度方向進行非極大值抑制，得到圖像只有一個象素寬度的邊緣；
4).選取兩個閾值m和th2qki=ih2 x0,4),對非極大值抑制圖像進行處理得到兩幅圖像。圖像I把梯度值小于thl的像素的灰度值設(shè)為O，大于閾值的像素值不變；圖像2把梯度值小于的像素的灰度值設(shè)為O，大于閾值的像素值不變。對圖像2進行掃描，當(dāng)遇到一個非零灰度的像素/7 & W時，跟蹤以為開始點的輪廓線，直到輪廓線的終點q(x, y)?？疾靾D像I中與圖像2中(7(? y)點位置對應(yīng)的點5.(? y)的8鄰近區(qū)域。如果在s&W點的8鄰近區(qū)域中有非零像素存在，則將其包括到圖像2中，作為r&W點。以W為開始點，重復(fù)對圖像2的掃描，直到對圖像I和圖像2中都無法繼續(xù)為止。當(dāng)完成對包含的輪廓線的連結(jié)之后，將這條輪廓線標(biāo)記為已訪問。繼續(xù)對圖像2掃描，尋找下一條輪廓線。重復(fù)跟蹤，直到圖像2中找不到新輪廓線為止；
5).建立參數(shù)空間
【權(quán)利要求】
1.一種人眼虹膜圖像分割方法，其特征在于，該方法具體步驟如下: 步驟一:對訓(xùn)練集人眼圖像樣本逐個進行人眼眼角定位，利用Harris角點檢測算法檢測人眼圖像中的角點，然后對這些角點進行檢索遍歷，選擇橫坐標(biāo)最小的點為人眼眼角； 步驟二:對訓(xùn)練集人眼虹膜圖像樣本逐個定位人眼中心，先用閾值對待檢測樣本圖片進行二值化，然后利用canny邊緣檢測方法對二值化圖像進行邊緣檢測得到二值化的邊界圖，再利用霍夫變換對邊界圖檢測圓型，檢測到的圓初定為人眼虹膜的內(nèi)邊，并將此圓的中心選為人眼中心； 步驟三:利用訓(xùn)練集中檢測到的人眼眼角點和人眼中心，采用基于稀疏和低秩分解的(Robust Alignment by Sparse and Low-rank Decomposition)算法對訓(xùn)練集人眼虹膜圖像樣本進行批量對齊； 步驟四:對批量對齊后的訓(xùn)練集人眼虹膜圖像進行分割，先用Canny邊緣檢測技術(shù)將待檢測的人眼虹膜圖像轉(zhuǎn)化為二值化的邊界圖，利用霍夫變換在邊界圖中尋找半徑介于瞳孔最大半徑和虹膜最大半徑之間的一個圓形，將得出的圓形定義為虹膜外徑圓，然后再次繼續(xù)利用霍夫變換在找出的虹膜外徑圓區(qū)域中尋找另一個圓形，將得到的圓形定義為虹膜內(nèi)徑圓，這樣就可以將虹膜外徑圓和虹膜內(nèi)徑圓之間的區(qū)域定為虹膜區(qū)域，從而實現(xiàn)對訓(xùn)練集圖像中虹膜的分割； 步驟五:對輸入的人眼圖像重復(fù)步驟一和步驟二，找到輸入的人眼圖像的眼角和人眼中心，再利用眼角和人眼中心的連線將人眼圖像旋轉(zhuǎn)，使此連線調(diào)整至水平位置，最后對調(diào)整后的圖像重復(fù)步驟四，實現(xiàn)對輸入圖片的人眼虹膜分割。
2.根據(jù)權(quán)利要求1所述一種人眼虹膜圖像分割方法，其特征在于，人眼眼角的定位是利用人眼眼角處于人眼最左邊的位置信息進行的。
3.根據(jù)權(quán)利要求1所述一種人眼虹膜圖像分割方法，其特征在于，人眼眼角的定位是逐角點進行，對檢測出的角點進行全搜索遍歷，當(dāng)待比較的角點的橫坐標(biāo)小于已檢測過的角點的橫坐標(biāo)時，將當(dāng)前角點標(biāo)記為人眼眼角位置，依次遍歷直到所有角點全遍歷完。
4.根據(jù)權(quán)利要求1所述一種人眼虹膜圖像分割方法，其特征在于，所述的基于稀疏和低秩分解算法中的兩個基準點是由權(quán)利要求1所述的步驟一和步驟二計算出來的，而不是手動選取的。
5.根據(jù)權(quán)利要求1所述一種人眼虹膜圖像分割方法，其特征在于，在利用canny邊緣檢測和霍夫變換進行人眼虹膜內(nèi)外徑圓檢測之前，利用基于稀疏和低秩分解的算法進行訓(xùn)練樣本的批量對齊，去除了亮度變化、上下眼皮中眼睫毛和眼瞼的遮擋因素的干擾，降低了待分割樣本中的亮度和遮擋不利因素的干擾，提高了訓(xùn)練集樣本的質(zhì)量。
6.根據(jù)權(quán)利要求1所述一種人眼虹膜圖像分割方法，其特征在于，對訓(xùn)練集樣本采用基于稀疏和低秩分解的算法可以擺正人眼在圖像樣本中的位置，從而降低了圖像采集過程中采集設(shè)備相對于采集對象位置不一致的干擾。
7.根據(jù)權(quán)利要求1所述一種人眼虹膜圖像分割方法，其特征在于，對測試樣本進行旋轉(zhuǎn)，可以擺正測試樣本中人眼在圖像樣本中的位置，從而使測試樣本與訓(xùn)練集樣本對齊，提高了測試樣本的質(zhì)量。
【文檔編號】G06K9/62GK103632137SQ201310570892
【公開日】2014年3月12日 申請日期:2013年11月15日 優(yōu)先權(quán)日:2013年11月15日
【發(fā)明者】宋云, 曾葉, 李雪玉, 曹鵬, 朱晉 申請人:長沙理工大學(xué)