本發(fā)明涉及計(jì)算機(jī)圖像領(lǐng)域，具體涉及基于中科院自動化所CAISA虹膜數(shù)據(jù)庫和C++圖像處理函數(shù)、圖像中指定檢測和定位以及結(jié)果的可視化顯示。

背景技術(shù)：

隨著網(wǎng)絡(luò)和信息化技術(shù)的飛速發(fā)展，信息安全問題日益凸顯。軟硬件技術(shù)的提升使計(jì)算機(jī)及智能電子設(shè)備得以普及和使用，加速了網(wǎng)絡(luò)技術(shù)對社會生活各個(gè)方面的滲透。通過網(wǎng)絡(luò)技術(shù)非法獲取用戶的個(gè)人信息的事情時(shí)有發(fā)生，防不勝防，這使得人們更多的關(guān)注個(gè)人信息安全。傳統(tǒng)的身份驗(yàn)證手段依據(jù)密碼口令、證件信息，但是，由于其易于丟失、竊取、遺忘、偽造的缺陷，弊端凸顯，也愈來愈滿足不了當(dāng)今信息化社會的安全需求，跟不上人們安全觀念的提升。這就需要更加可靠的身份識別手段提高信息安全級別，增加身份識別的難度。而生物特征以其穩(wěn)定、不易丟失、不易竊取和便捷性催生了基于生物特征的身份識別技術(shù)，使得生物特征識別技術(shù)成為當(dāng)前身份認(rèn)證技術(shù)領(lǐng)域的熱點(diǎn)。

虹膜的生物特征表現(xiàn)在：

(1)唯一性：自然界沒有兩個(gè)完全相同的虹膜，即使是雙胞胎或者同一個(gè)人的左右兩只眼睛，其虹膜特征是不相同的；

(2)穩(wěn)定性：虹膜特征在胚胎中形成，人三歲以后虹膜發(fā)育成熟，終身不變，一般的疾病很難對虹膜組織產(chǎn)生影響；

(3)非接觸性：虹膜是外部可見的，通過攝像頭就可以采集到可以使用的圖像；

(4)安全性：虹膜具備明顯的活體組織特性，死體虹膜與其有著較大的差別，所以具有很強(qiáng)的防欺詐性。

基于虹膜因其具有唯一性、穩(wěn)定性、可采集性、非侵犯性、防規(guī)避性等特性，尤其是防規(guī)避性，使得基于虹膜識別的身份認(rèn)證技術(shù)受到學(xué)術(shù)界與企業(yè)界的關(guān)注。傳統(tǒng)的虹膜識別由于算法復(fù)雜度高、虹膜定位時(shí)間過長、預(yù)處理后樣本噪聲點(diǎn)過多虹膜定位不夠精確等因素嚴(yán)重影響了虹膜識別的速度和精度，不利于虹膜識別的市場推廣。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提高虹膜識別系統(tǒng)的工作效率，在經(jīng)典的Hough變換上實(shí)現(xiàn)創(chuàng)新，提出了一種對虹膜樣本圖片預(yù)處理，并且快速準(zhǔn)確定位出人眼虹膜的一種方法。此方法不僅可以有效的過濾樣本閾值化過程中虹膜域產(chǎn)生的大量噪聲點(diǎn)，大幅度減少計(jì)算資源；而且能夠快速有效的定位出人眼樣本的環(huán)狀虹膜域顯著提高虹膜識別程序的工作效率。實(shí)驗(yàn)結(jié)果表明，在相同的硬件環(huán)境下，對于CAISA虹膜數(shù)據(jù)庫同一個(gè)人眼樣本，在傳統(tǒng)的虹膜定位方法輸入一張完整的虹膜樣本圖片需要931.37毫秒才能完成檢測過程，而通過該虹膜定位方法僅需要375.51毫秒即可完成檢測，并且在單樣本不同分類虹膜辨識率測試以及多樣本通分類虹膜辨識率測試中分別表現(xiàn)出96.53％和96.52％的識別率，完全可以勝任常規(guī)虹膜識別的應(yīng)用。

本發(fā)明采用的技術(shù)方案如下：一種虹膜采集過程中快速定位人眼虹膜的方法，包括虹膜樣本圖像預(yù)處理，對虹膜樣本進(jìn)行邊緣檢測、非極大值抑制與雙閾值化處理和Hough變換流程；具體的步驟如下：

1)虹膜樣本圖像預(yù)處理過程；

在虹膜樣本圖像預(yù)處理上，先對虹膜樣本圖像執(zhí)行高斯平滑再通過中值濾波處理樣本圖像，縮小中值濾波窗口大小，同時(shí)過濾掉睫毛，眼瞼等噪聲。

2)對經(jīng)過高斯平滑和中值濾波后的虹膜圖像檢測邊緣過程；

通過窗口滑動與邊緣檢測算子模板卷積，求得當(dāng)前窗口的中心像素梯度值，不斷滑動卷積窗口直到獲取到整個(gè)樣本圖像的灰度梯度圖像(由于虹膜樣本采集的規(guī)范性，樣本背景不復(fù)雜，本發(fā)明中采用執(zhí)行效率較高的各向同性Sobel邊緣檢測算子)，初步提出邊緣輪廓圖。

3)對各向同性Sobel邊緣檢測算子初步檢測出的虹膜內(nèi)外邊緣通過非極大值抑制與雙閾值化處理進(jìn)一步細(xì)化邊緣；

搜索虹膜樣本局部極大值時(shí)，將非極大值的像素點(diǎn)灰度值清零，極大值點(diǎn)設(shè)置灰度為255，使得大部分的邊緣點(diǎn)突出，細(xì)化邊緣，雙閾值化處理后，邊緣進(jìn)一步完善細(xì)化邊緣；

4)最后使用Hough變換精準(zhǔn)定位虹膜圓心、擬合內(nèi)邊緣以及外邊緣，把檢測的過程和定位的結(jié)果都顯示在該發(fā)明的可視化界面上。

先對雙閾值化處理后生成的二值圖像同比縮小0.6倍，對內(nèi)外邊緣進(jìn)行Hough變換，參數(shù)空間是三維的(內(nèi)邊緣點(diǎn)、外邊緣點(diǎn)、半徑)，圖像平面上每一個(gè)點(diǎn)對應(yīng)參數(shù)空間中的每個(gè)半徑下的一個(gè)圓，位于圓軌跡上的每個(gè)點(diǎn)響應(yīng)在累加空間對應(yīng)位置的累加結(jié)果。定位最亮的點(diǎn)即為定位到的邊緣圓心。

進(jìn)一步，所述步驟1中，運(yùn)用高斯平滑濾波輔助改進(jìn)的快速中值濾波對這一虹膜圖像預(yù)處理方法，先使用高斯平滑濾波(取具有標(biāo)準(zhǔn)sigma值的3*3窗口高斯濾波器)對虹膜樣本圖像進(jìn)行初次降噪和縮小中值濾波窗口，再采用3*3窗口大小的中值濾波，能夠有效抑制待檢測虹膜樣本圖像的睫毛、眼瞼等噪聲起到二次降噪的效果，提高后續(xù)的邊緣檢測和定位的工作效率。

進(jìn)一步，所述步驟3的具體過程為：非極大值抑制用于搜索局部極大值，將非極大值點(diǎn)灰度值置零，這樣可以提出一大部分邊緣點(diǎn)，細(xì)化邊緣；圖像像素點(diǎn)是離散的二維矩陣，對于中心像素點(diǎn)C，沿梯度方向兩側(cè)的點(diǎn)不一定存在，因而需要進(jìn)行插值來得到梯度方向兩側(cè)的梯度值，插值公式表示為

其中，g1、g2、g3、g4表示中心像素點(diǎn)8鄰域中的四個(gè)像素點(diǎn)；weight表示插值權(quán)重，dTemp1、dTemp2表示梯度方向插值；將中心像素點(diǎn)梯度值與dTemp1、dTemp2比較,若C梯度值最大則將其灰度值設(shè)為255，否則不為局部極大值，灰度值置0；對非極大值抑制處理得到的邊緣點(diǎn)進(jìn)行雙閾值化處理，進(jìn)一步細(xì)化邊緣；對灰度值高于高閾值的邊緣點(diǎn)直接標(biāo)記為邊緣點(diǎn)，對灰度值處于高、低閾值之間的邊緣點(diǎn)，若其鄰域內(nèi)存在邊緣點(diǎn)，則將其也標(biāo)記為邊緣點(diǎn)，這樣一直繼續(xù)下去，直至鄰域無邊緣點(diǎn)，而后其他點(diǎn)均標(biāo)記為非邊緣點(diǎn)。

進(jìn)一步，所選步驟4的具體過程為：根據(jù)人眼虹膜環(huán)狀同心圓同比壓縮結(jié)構(gòu)不變的性質(zhì)提出通過對非極大值抑制和雙閾值化處理后的二值圖像同比壓縮為原圖的0.6倍的方法來降低Hough變換三維參數(shù)空間的計(jì)算量，定位完成后再同比放大圖像依然可以獲得準(zhǔn)確的定位效果；同時(shí)，通過大量的CASIA虹膜樣本圖像訓(xùn)練，提取出Hough變換中虹膜內(nèi)外邊緣搜索半徑范圍參數(shù)在[28,75],[90,150]，外邊緣Hough變換僅使用了參數(shù)角度在[0,60],[120,240],[300,360)方向，只檢測該范圍內(nèi)的參數(shù)點(diǎn)可以有效降低Hough變換的三維參數(shù)空間計(jì)算壓力，同時(shí)降低眼瞼、睫毛等殘留的噪聲點(diǎn)影響虹膜定位的精度。

進(jìn)一步，還包括運(yùn)用微軟C++平臺的GUI編程技術(shù)，將預(yù)處理、邊緣檢測、非極大值抑制及雙閾值化處理以及Hough變換在可視化的界面上清晰展示，方便使用者進(jìn)一步調(diào)試和改進(jìn)。同時(shí)也支持B2C的處理模式，解決了在不同操作系統(tǒng)平臺下對該方法的使用。

進(jìn)一步，所述高閾值為18.76、低閾值為14.35。

本發(fā)明是一種虹膜采集過程中快速定位人眼虹膜的方法，相對于目前已存在的主流的虹膜識別程序采用的虹膜定位方法，其主要創(chuàng)新點(diǎn)有以下幾部分：

1、提出高斯平滑濾波輔助改進(jìn)的快速中值濾波對這一虹膜圖像預(yù)處理方法并實(shí)現(xiàn)，能夠有效去除待檢測虹膜樣本圖像中的大量噪聲點(diǎn)，提高后續(xù)的邊緣檢測和定位的工作效率。

2、改進(jìn)雙閾值化虹膜樣本圖像的方法，進(jìn)一步細(xì)化了邊緣特征，也有效減少后續(xù)Hough變換的計(jì)算量，同時(shí)通過大量的CASIA虹膜樣本圖像訓(xùn)練，提取非極大值抑制與雙閾值化的閾值參數(shù)(高閾值為18.76、低閾值為14.35)，在該閾值參數(shù)下，虹膜樣本圖像的內(nèi)外邊緣細(xì)化效果相比傳統(tǒng)方式更為突出。

3、根據(jù)人眼虹膜環(huán)狀同心圓同比壓縮結(jié)構(gòu)不變的性質(zhì)提出通過對非極大值抑制和雙閾值化處理后的二值圖像同比壓縮為原圖的0.6倍的方法來降低Hough變換三維參數(shù)空間的計(jì)算量，定位完成后再同比放大圖像依然可以獲得準(zhǔn)確的定位效果。

4、通過大量的CASIA虹膜樣本圖像訓(xùn)練，提取出Hough變換中虹膜內(nèi)外邊緣搜索半徑范圍參數(shù)在[28,75],[90,150]，外邊緣Hough變換僅使用了參數(shù)角度在[0,60],[120,240],[300,360)方向，只檢測該范圍內(nèi)的參數(shù)點(diǎn)可以有效降低Hough變換的三維參數(shù)空間計(jì)算壓力，同時(shí)降低眼瞼、睫毛等殘留的噪聲點(diǎn)影響虹膜定位的精度。

5、采用C++平臺的GUI編程技術(shù)，將預(yù)處理、邊緣檢測、非極大值抑制及雙閾值化處理以及Hough變換在可視化的界面上清晰展示，方便使用者進(jìn)一步調(diào)試和改進(jìn)。同時(shí)也支持B2C的處理模式，解決了在不同操作系統(tǒng)平臺下對該方法的使用。

6、為了能夠進(jìn)一步適應(yīng)現(xiàn)代計(jì)算機(jī)硬件多核化發(fā)展，實(shí)現(xiàn)編碼的體現(xiàn)多核并行運(yùn)算的設(shè)計(jì)思想，改變CPU性能過剩的特征。從硬件角度配合算法優(yōu)化，實(shí)現(xiàn)了虹膜定位系統(tǒng)執(zhí)行效率的進(jìn)一步改進(jìn)。

7、采用如2所述參數(shù)下的雙閾值化虹膜樣本圖像處理方法結(jié)合各向同性Sobel邊緣檢測算子，相互取長補(bǔ)短，各向同性Sobel算子簡單快速，效率極高但未能將圖像主體與背景嚴(yán)格分開(非常適用于采集方式嚴(yán)格，背景相對簡單的虹膜圖像)，即使在背景簡單的虹膜樣本圖像中依然會保留一定的噪聲影響邊緣的進(jìn)一步細(xì)化，而在本方法中，針對此類問題做了大量的樣本訓(xùn)練提取出更為精確的高低閾值來彌補(bǔ)這一缺陷，在保證能夠穩(wěn)定提取虹膜樣本內(nèi)外邊緣的同時(shí)進(jìn)一步提升執(zhí)行的速度。

8、采用如3所述的人眼虹膜環(huán)狀同心圓同比壓縮結(jié)構(gòu)不變性質(zhì)對二值圖像壓縮結(jié)合如4所述指定搜索半徑參數(shù)Hough變換的方法在保證Hough變換在定位圓形虹膜中表現(xiàn)出的優(yōu)秀準(zhǔn)確率和高魯棒性的同時(shí)進(jìn)一步改善了三維參數(shù)空間的高計(jì)算量。本方法在通過大量的樣本訓(xùn)練提取出Hough變換中虹膜內(nèi)外邊緣搜索半徑范圍參數(shù)在[28,75],[90,150]，外邊緣Hough變換參數(shù)角度在[0,60],[120,240],[300,360)。

9、本方法嘗試將如1所述的圖像預(yù)處理結(jié)合如7所述的改進(jìn)的Hough變換，表現(xiàn)出良好的兼容性，高斯平滑結(jié)合中值濾波可以在定位初期大量去除虹膜周邊噪聲，殘留的部分噪聲點(diǎn)可以通過改進(jìn)的Hough變換指定搜索范圍參數(shù)方法避除結(jié)合如3所述針對二值圖像同比壓縮以減少Hough變換三維參數(shù)空間計(jì)算的方法，3方法相輔相成，實(shí)現(xiàn)多角度多層次的提升虹膜內(nèi)外邊緣的定位，使得定位的效率明顯提升。

附圖說明

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明進(jìn)一步詳細(xì)說明。

圖1是本發(fā)明的方法實(shí)現(xiàn)原理流程圖。

圖2為本發(fā)明的中值濾波窗口模型圖。

圖3為本發(fā)明的虹膜樣本原圖。

圖4為本發(fā)明的3*3濾波窗口實(shí)現(xiàn)效果圖。

圖5為本發(fā)明的內(nèi)邊緣檢測(h＝1,v＝1)圖。

圖6為本發(fā)明的外邊緣檢測(h＝0,v＝1)圖。

圖7為本發(fā)明的內(nèi)邊緣顯示效果圖。

圖8為本發(fā)明的外邊緣顯示效果圖。

圖9為本發(fā)明的三維Hough變換模型圖。

圖10為本發(fā)明的內(nèi)邊緣Hough變換圖。

圖11為本發(fā)明的外邊緣Hough變換圖。

圖12為本發(fā)明的虹膜內(nèi)外邊緣定位結(jié)果圖。

具體實(shí)施方式

以下結(jié)合附圖對發(fā)明的實(shí)施做進(jìn)一步說明。

如圖1所示，本發(fā)明的一種虹膜采集過程中快速定位人眼虹膜的方法，包括以下步驟實(shí)現(xiàn)：

1)虹膜樣本圖像預(yù)處理過程；

在虹膜樣本圖像預(yù)處理上，先對虹膜樣本圖像執(zhí)行高斯平滑(取具有標(biāo)準(zhǔn)sigma值的3*3窗口高斯濾波器)再通過中值濾波處理樣本圖像，縮小中值濾波窗口大小，同時(shí)過濾掉睫毛，眼瞼等噪聲。

2)對經(jīng)過高斯平滑和中值濾波后的虹膜圖像檢測邊緣過程；

通過窗口滑動與邊緣檢測算子模板卷積，求得當(dāng)前窗口的中心像素梯度值，不斷滑動卷積窗口直到獲取到整個(gè)樣本圖像的灰度梯度圖像(由于虹膜樣本采集的規(guī)范性，樣本背景不復(fù)雜，本發(fā)明中采用執(zhí)行效率較高的各向同性Sobel邊緣檢測算子)，初步提出邊緣輪廓圖。

3)對各向同性Sobel邊緣檢測算子初步檢測出的虹膜內(nèi)外邊緣通過非極大值抑制與雙閾值化處理進(jìn)一步細(xì)化邊緣；

搜索虹膜樣本局部極大值時(shí)，將非極大值的像素點(diǎn)灰度值清零，極大值點(diǎn)設(shè)置灰度為255，使得大部分的邊緣點(diǎn)突出，細(xì)化邊緣，雙閾值化處理后，邊緣進(jìn)一步完善細(xì)化邊緣；

4)最后使用Hough變換精準(zhǔn)定位虹膜圓心、擬合內(nèi)邊緣以及外邊緣，把檢測的過程和定位的結(jié)果都顯示在該發(fā)明的可視化界面上。

先對雙閾值化處理后生成的二值圖像同比縮小0.6倍，對內(nèi)外邊緣進(jìn)行Hough變換，參數(shù)空間是三維的(內(nèi)邊緣點(diǎn)、外邊緣點(diǎn)、半徑)，圖像平面上每一個(gè)點(diǎn)對應(yīng)參數(shù)空間中的每個(gè)半徑下的一個(gè)圓，位于圓軌跡上的每個(gè)點(diǎn)響應(yīng)在累加空間對應(yīng)位置的累加結(jié)果。定位最亮的點(diǎn)即為定位到的邊緣圓心。

所述步驟1中，采用了基于灰度直方圖統(tǒng)計(jì)的快速中值濾波算法，當(dāng)濾波窗口沿著行移動一列時(shí)，窗口內(nèi)容的變化只是丟掉最左邊的列取代為一個(gè)新的右側(cè)列，對于m行n列的中值窗口，mn-2*m個(gè)像素沒有變化，并不需要重新排序。快速中值濾波算法計(jì)算當(dāng)前濾波窗口內(nèi)像素的直方圖間接得到中值，當(dāng)濾波從一列像素移動到相鄰像素時(shí)只更新部分信息。因此對于半徑為r的濾波器，每次更新灰度直方圖信息只需要完成2*r+1次加法和減法。該發(fā)明經(jīng)樣本訓(xùn)練后采用3*3中值濾波執(zhí)行效率最高，中值濾波窗口模型及實(shí)現(xiàn)效果如圖2、圖3、圖4所示。

所述步驟2的具體過程為：滑動窗口與各向同性Sobel邊緣檢測算子模板卷積，求得當(dāng)前窗口中心像素的梯度值。不斷滑動卷積窗口求得完整虹膜樣本圖像像素點(diǎn)的梯度值。生成原圖的梯度圖像，可以有效的凸顯出圖像的邊緣部分。該發(fā)明中各向同性Sobel算子卷積模板表示為：

其中S_x表示為水平方向的卷積模板，S_y表示為垂直方向的卷積模板，K[i,j]表示為濾波窗口。圖像像素點(diǎn)梯度值計(jì)算公式如式1：

其中G_x[i,j]代表水平方向梯度，G_y[i,j]表示垂直方向梯度，G[i,j]表示總的梯度。*代表卷積，h、v分別代表水平、垂直方向梯度權(quán)值，取值0或1。該發(fā)明中內(nèi)邊緣檢測參數(shù)(h＝1,v＝1)效果如圖5所示,外邊緣檢測參數(shù)(h＝0,v＝1)效果如圖6所示。

所述步驟3的具體過程為：非極大值抑制用于搜索局部極大值，將非極大值點(diǎn)灰度值置零，這樣可以提出一大部分邊緣點(diǎn)，細(xì)化邊緣。圖像像素點(diǎn)是離散的二維矩陣，對于中心像素點(diǎn)C，沿梯度方向兩側(cè)的點(diǎn)不一定存在，因而需要進(jìn)行插值來得到梯度方向兩側(cè)的梯度值，插值公式表示如式2。

其中，g1、g2、g3、g4表示中心像素點(diǎn)8鄰域中的四個(gè)像素點(diǎn)。weight表示插值權(quán)重，dTemp1、dTemp2表示梯度方向插值。將中心像素點(diǎn)梯度值與dTemp1、dTemp2比較,若C梯度值最大則將其灰度值設(shè)為255，否則不為局部極大值，灰度值置0。對非極大值抑制處理得到的邊緣點(diǎn)進(jìn)行雙閾值化處理，進(jìn)一步細(xì)化邊緣。對灰度值高于高閾值(該發(fā)明中表示為18.76)的邊緣點(diǎn)直接標(biāo)記為邊緣點(diǎn)，對灰度值處于高、低閾值(該發(fā)明中表示為14.35)之間的邊緣點(diǎn)，若其鄰域內(nèi)存在邊緣點(diǎn)，則將其也標(biāo)記為邊緣點(diǎn)，這樣一直繼續(xù)下去，直至鄰域無邊緣點(diǎn)，而后其他點(diǎn)均標(biāo)記為非邊緣點(diǎn)。步驟2中虹膜樣本內(nèi)外邊緣非極大值抑制及雙閾值化處理后的內(nèi)外邊緣顯示效果如圖7、圖8所示。

所述步驟4的具體過程為：Hough變換可以在二值圖像(只有黑、白像素)中快速處理。創(chuàng)建一個(gè)和輸入二值圖像大小相當(dāng)?shù)睦奂涌臻g，在Hough變換的參數(shù)空間里，以二值圖像的每個(gè)邊緣點(diǎn)為圓心，未知半徑在三維(內(nèi)邊緣點(diǎn)、外邊緣點(diǎn)、半徑)參數(shù)空間畫圓。圓軌跡上的每個(gè)點(diǎn)響應(yīng)的在累加空間對應(yīng)位置累加結(jié)果，參數(shù)空間累加結(jié)果的峰值對應(yīng)參數(shù)即為便捷信息。由于半徑信息未可知，經(jīng)過大量的樣本訓(xùn)練我們設(shè)置Hough變換中虹膜內(nèi)外邊緣搜索半徑范圍參數(shù)分別為[28,75],[90,150]，外邊緣HoughCircle變換僅使用了角度在[0,60],[120,240],[300,360)方向的點(diǎn)以減少睫毛、眼瞼的干擾。該發(fā)明的Hough變換模型如圖9所示。

其中，a、b對應(yīng)圓心，r代表半徑。圖像平面上的每一個(gè)點(diǎn)就對應(yīng)于參數(shù)空間中每個(gè)半徑下的一個(gè)圓，改變半徑即形成一個(gè)圓錐。對于虹膜內(nèi)外邊緣的檢測需要設(shè)置不同的半徑搜索范圍。由于內(nèi)外邊緣呈同心圓結(jié)構(gòu)，只能檢測出其中的一個(gè)，Hough變換抗干擾性強(qiáng)，不受圖像旋轉(zhuǎn)影響，但是累加空間維數(shù)高，計(jì)算量相對較大，為了能夠滿足實(shí)時(shí)虹膜圖像處理的性能要求，該發(fā)明中將步驟3生成的二值圖像縮小為原圖的0.6倍，有效減輕三維累加空間帶來的性能壓力，完成虹膜定位后恢復(fù)原圖尺寸。對內(nèi)外邊緣進(jìn)行Hough變換處理效果分別如圖10、圖11所示，圖中最亮的點(diǎn)即為定位到的邊緣圓心。根據(jù)定位到的邊緣信息生成定位結(jié)果，如圖12所示。

本發(fā)明還包括從選擇待檢測的虹膜樣本文件，到預(yù)處理的過程，再到邊緣檢測的過程，非極大值抑制與雙閾值化處理，改進(jìn)Hough變換處理過程采用全程可視化處理，方便使用者觀察，和調(diào)試。

本發(fā)明包括高斯平滑、中值濾波處理、邊緣檢測、非極大值抑制、雙閾值化處理、Hough變換流程。高斯平滑是對圖像每一個(gè)像素點(diǎn)執(zhí)行像素值加權(quán)平均的過程，它的優(yōu)勢在于：它能夠有效縮減中值濾波的窗口尺寸，一定程度上提高中值濾波的執(zhí)行效率。中值濾波是一種取中心像素的鄰域像素的灰度值中值取代中心像素的灰度值的過程，由于虹膜采集的規(guī)范性受環(huán)境影響因素較小而虹膜的上下外邊緣由于個(gè)人的虹膜結(jié)構(gòu)差異容易收到不同程度的睫毛，眼瞼的影響比較大，如果虹膜紋理特征明顯的樣本在閾值化后會在虹膜紋理域形成大量的噪聲點(diǎn)，中值濾波可以快速高效的去掉一些隨機(jī)噪聲，提高準(zhǔn)確度。邊緣檢測分為虹膜內(nèi)邊緣檢測和虹膜外邊緣檢測，分別使用了垂直與水平方向梯度的方法和垂直方向梯度的方法。非極大值抑制是在搜索虹膜樣本局部極大值時(shí)，將非極大值的像素點(diǎn)灰度值清零，極大值點(diǎn)設(shè)置灰度為255，使得大部分的邊緣點(diǎn)突出，細(xì)化邊緣。雙閾值化處理是一種對非極大值抑制得到的邊緣像素點(diǎn)進(jìn)一步細(xì)化的方法，對于灰度值高于高閾值的像素點(diǎn)識別為邊緣點(diǎn)，對灰度值處于高、低閾值之間的邊緣像素點(diǎn)，若其鄰域內(nèi)存在邊緣像素點(diǎn)，則將其也識別為邊緣點(diǎn)，這樣一直繼續(xù)下去，直至鄰域無邊緣像素點(diǎn)，而后其他點(diǎn)均識別為非邊緣點(diǎn)。Hough變換是一種圖像特征提取技術(shù)，該過程在一個(gè)參數(shù)空間中通過計(jì)算累計(jì)結(jié)果的局部最大值得到一個(gè)符合該特定形狀的集合作為Hough變換結(jié)果，多用于提取圓形或者橢圓形特征，非常適用于虹膜的定位。

本發(fā)明是結(jié)合了邊緣檢測與Hough變換實(shí)現(xiàn)高效定位人眼虹膜的方法。先對虹膜樣本圖像執(zhí)行高斯平滑(取具有標(biāo)準(zhǔn)sigma值的3*3窗口高斯濾波器)再通過中值濾波處理樣本圖像，縮小中值濾波窗口大小，同時(shí)過濾掉睫毛，眼瞼等噪聲。再通過窗口滑動與邊緣檢測算子模板卷積，求得當(dāng)前窗口的中心像素梯度值，不斷滑動卷積窗口直到獲取到整個(gè)樣本圖像的灰度梯度圖像(由于虹膜樣本采集的規(guī)范性，樣本背景不復(fù)雜，本發(fā)明中采用執(zhí)行效率較高的各向同性Sobel邊緣檢測算子)。然后搜索虹膜樣本局部極大值時(shí)，將非極大值的像素點(diǎn)灰度值清零，極大值點(diǎn)設(shè)置灰度為255，使得大部分的邊緣點(diǎn)突出，細(xì)化邊緣，雙閾值化處理后，邊緣進(jìn)一步細(xì)化。最后通過Hough變換檢測圓，對內(nèi)外邊緣進(jìn)行Hough變換，參數(shù)空間是三維的(內(nèi)邊緣點(diǎn)、外邊緣點(diǎn)、半徑)，圖像平面上每一個(gè)點(diǎn)對應(yīng)參數(shù)空間中的每個(gè)半徑下的一個(gè)圓，位于圓軌跡上的每個(gè)點(diǎn)響應(yīng)在累加空間對應(yīng)位置的累加結(jié)果。因此Hough變換后圖像中產(chǎn)生的明顯亮點(diǎn)即為定位到的邊緣圓心。Hough變換作為圓形邊緣檢測的經(jīng)典算法，具有很強(qiáng)的抗干擾性，不受圖片旋轉(zhuǎn)的影響，具有很強(qiáng)的魯棒性。

在本說明書的描述中，參考術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示意性實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。