JP2007188504A

JP2007188504A - 画像中の画素強度をフィルタリングする方法

Info

Publication number: JP2007188504A
Application number: JP2007002498A
Authority: JP
Inventors: J Jones Michael; マイケル・ジェイ・ジョーンズ; Guodong Guo; グオドング・グオ
Original assignee: Mitsubishi Electric Research Laboratories Inc
Current assignee: Mitsubishi Electric Research Laboratories Inc
Priority date: 2006-01-11
Filing date: 2007-01-10
Publication date: 2007-07-26
Also published as: US20070160308A1

Abstract

【課題】画像中の画素強度をフィルタリングする方法を提供する。
【解決手段】隣接する画素領域を含むフィルタが定義され、それらの領域に演算子が関連付けられる。演算子は、総和演算子及び減算演算子である。フィルタは中心軸を中心に偶数対称及び奇数対称である。フィルタの適用による全強度値が求められる。全強度値は２値化される。
【選択図】図４

Description

本発明は、包括的には画像中のテクスチャの分類に関し、特にテクスチャ分類のための和差フィルタに関する。

多くのセキュリティシステムは、信頼できる個人識別又は個人認証を要求する。バイオメトリック技術は、鍵、ＩＤカード、及びパスワード等の従来の識別技法及び認証技法の欠点の多くを克服する。バイオメトリクスは、生理特性及び／又は行動特性を表す特徴に基づく個人の自動認識を指す。

ＤＮＡサンプル、顔形状、指紋マニューシャ、手形状、手書きスタイル、虹彩の外観、網膜静脈の構成、及び音声スペクトラム等のいくつもの生理特徴をバイオメトリックキューとして用いることができる。これら全ての特徴のうち、虹彩認識の精度は非常に高い。虹彩は弁別性の高い情報を持つ。一卵性双生児の虹彩であっても異なる。

虹彩の特定（Localization）
通常、虹彩分析は虹彩の特定から始まる。一つの従来技術の方法は微積分演算子（ＩＤＯ）を用いる（Daugman, J.G.著「High confidence visual recognition of persons by a test of statistical independence」（IEEE Trans. on Pattern Analysis and Machine Intelligence, Volume 15, pp. 1148-1161, 1993）（本明細書中に援用される））。ＩＤＯは、以下の最適化を用いて虹彩の内側境界及び外側境界を見つける。

ここで、Ｉ（ｘ，ｙ）は、目を含む画像である。ＩＤＯは画像Ｉ（ｘ，ｙ）を、画像Ｉ（ｘ，ｙ）の正規化された閉曲線積分の増大する半径ｒに関するぼけた（blurred）偏導関数の最大値について、半径ｒ及び中心座標（ｘ_０，ｙ_０）を有する円弧ｄｓに沿って探索する。記号「^＊」は畳み込みを示し、Ｇ_σ（ｒ）は標準偏差σのガウス関数等の平滑化関数である。

ＩＤＯは、円のエッジ検出器として働く。ＩＤＯは、３Ｄパラメータ空間を勾配の最大値について探索する。したがって、従来のCannyのエッジ検出器（Canny, J.著「A computational approach to edge detection」（IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 8, pp. 679-698, 1986））のように閾値を用いる必要はない。

別の方法はハフ変換を用いる（Wildes, R.著「Iris recognition: An emerging biometric technology」（Proc. IEEE 85, pp. 1348-1363, 1997））。この方法は、虹彩画像中のエッジを検出した後、円のハフ変換を行って虹彩の境界を特定する。ハフ変換は、以下の最適化の最適パラメータを探索する。

ここで、

であり、エッジ画素が

である場合、

である。

エッジ検出法及びハフ変換法の一つの問題は、エッジ検出中に閾値を用いることである。異なる閾値の値は異なるエッジを生じ得る。異なる閾値はハフ変換の結果に大きく影響を及ぼし得る（Proenca, H.、Alexandre, L.著「Ubiris: A noisy iris image database」（Intern. Confer. on Image Analysis and Processing, 2005））。

ほとんどの他の方法は本質的に、DaugmanのＩＤＯ又はWildeのエッジ検出とハフ変換との組み合わせの、パラメータ探索範囲を制約すること又は探索プロセスを最適化することによる些細な変形である。例えば、Ma他は、画素強度の投影及び閾値を用いて瞳孔位置のロケーションを大まかに推定する。これに続いて、Cannyのエッジ検出及び円のハフ変換を行う（Ma, L.、Tan, T.、Wang, Y.、Zhang, D.著「Personal identification based on iris texture analysis」（IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 25, pp. 1519-1533, 2003））。

Masekは、Cannyの検出器とわずかに異なるエッジ検出法を記載し、次に、虹彩の境界抽出のために円のハフ変換を用いている（Masek, L.、Kovesi, P.著「MATLAB Source Code for a Biometric Identification System Based on Iris Patterns」（The School of Computer Science and Software Engineering, The University of Western Australia 2003））。

Kim他は、３つのガウス分布の混合を用いて目の画像を暗い領域と、中間領域と、明るい領域とに粗く分割し、次にハフ変換を用いて虹彩を特定する（Kim, J.、Cho, S.、Choi, J.著「Iris recognition using wavelet features」（Journal of VLSI Signal Processing, vol. 38, pp. 147-156, 2004））。

Rad他は、様々な方向の勾配ベクトル対を用いて円の位置を粗く推定し、次にDaugmanのＩＤＯを用いて虹彩の境界を精緻化する（Rad, A.、Safabakhsh, R.、Qaragozlou, N.、Zaheri, M.著「Fast iris and pupil localization and eyelid removal using gradient vector pairs and certainty factors」（The Irish Machine Vision and Image Processing Conf., pp. 82-91, 2004））。

Cui他は、ウェーブレット変換を求め、次に、ハフ変換を用いて虹彩の内側境界を見つける一方で、外側境界にはDaugmanのＩＤＯを用いる（Cui, J.、Wang, Y.、Tan, T.、Ma, L.、Sun, Z.著「A fast and robust iris localization method based on texture segmentation」（Proc. SPIE on Biometric Technology for Human Identification, vol. 5404, pp. 401-408, 2004））。

上記方法はいずれも、虹彩の境界抽出のために画像中のテクスチャを用いていない。Cui他の方法では、まつげ及び目蓋によって部分的に遮蔽されている画像中のエリアを粗く画定するためにのみテクスチャが用いられる。DaugmanのＩＤＯを用いて、放物線の弧がそのエリア内の目蓋に当てはめられてマスクが生成される。

考え得る目蓋による遮蔽のために、マスク画像を用いて目蓋を除去することができる（Daugman, J.著「How iris recognition works」（IEEE Trans. on Circuits and Systems for Video Technology, vol. 14, pp. 21-30, 2004））。通常の技法は、目の画像において目蓋の境界を検出する。

Daugmanは、弧の曲線をスプライン当てはめとともに用いて、目蓋の境界を明示的に見つける。上記のように、Cui他は、目蓋に放物線モデルを用いる。Masekは、直線を用いて目蓋の境界を近似する。これは、必要以上に大きなマスクを生じる。

ほぼ全ての従来技術の方法が、元の目画像中の目蓋の境界を明示的に推定する。これは直感的であるが、実際にはいくつかの問題がある。目蓋の探索範囲は通常大きく、探索プロセスを遅くし、最も重要なことには、目蓋が虹彩を遮蔽していない場合でも目蓋は常に推定される。

虹彩特徴の抽出
Daugmanは、微積分演算子を用いて虹彩を特定した後に円形画像を矩形画像にアンラップする。次に、虹彩特徴の抽出のために、アンラップした画像に２Ｄガボールフィルタのセットを適用して、量子化された局所位相角を得る。結果として得られる２値特徴ベクトルは「虹彩コード」と呼ばれる。２値虹彩コードはハミング距離を用いて当てはめられる。

Wildesは、虹彩特徴の抽出のためにガウシアンフィルタのラプラシアンを適用し、正規化相関を用いて虹彩を照合する別の虹彩認識システムを記載している。

１Ｄ虹彩輪のセットに対する様々なスケールでのウェーブレット変換の零交差が虹彩特徴の抽出に用いられている（Boles, W.、Boashash, B.著「A Human Identification Technique Using Images of the Iris and Wavelet Transform」（IEEE Trans. On Signal Processing, vol. 46, pp. 1185-1188, 1998））。

２Ｄウェーブレット変換が使用され、量子化されて８７ビットコードが形成された（Lim, S.、Lee, K.、Byeon, O.、Kim, T.著「Efficient iris recognition through improvement of feature vector and classifier」（ETRI J., vol. 23, pp. 61-70, 2001））。しかし、この方法は、虹彩の取り込みによく見られる目の回転問題を扱うことができない。

Masekは、２値虹彩コードの抽出のために１Ｄ対数ガボールフィルタを用いた虹彩認識システムを記載している。Ma他は、２つの円対称フィルタを用い、大きな特徴寸法を有する虹彩特徴の抽出のために小さなブロック内の平均及び標準偏差を計算した（Ma, L.、Tan, T.、Wang, Y.、Zhang, D.著「Personal identification based on iris texture analysis」（IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 25, pp. 1519-1533, 2003））。Ma他は、１Ｄウェーブレット変換を用いた局所変動解析に基づく方法も記載している（Ma, L.、Tan, T.、Wang, Y.、Zhang, D.著「Efficient iris recognition by characterizing key local variations」（IEEE Trans. on Image Processing, vol. 13, pp. 739-750, 2004）も参照）。

別の方法は、虹彩特徴の抽出のために局所勾配方向を特徴付ける（Sun, Z.、Tan, T.、Wang, Y.著「Robust encoding of local ordinal measures: A general framework of iris recognition」（ECCV workshop on Biometric Authentication, 2004））。この方法は計算量が多く、比較的大きな特徴ベクトルを生じる。

虹彩特徴を抽出する従来技術の方法はすべて、計算量が多く時間のかかるフィルタリングステップを使用する。バイオメトリック識別プロトコルにおける虹彩の照合について高精度を達成することができ、且つ計算量が少ない虹彩特徴の抽出方法が必要とされている。

バイオメトリクスはセキュリティ用途について重要である。多くの他のバイオメトリック特徴と比較して、虹彩認識は認識精度が非常に高い。虹彩認識の成功は、正確な虹彩特定によるところが大きい。

本発明の一つの実施の形態において、画像中の虹彩を特定する方法は、強度勾配とテクスチャの差との両方を用いる。

虹彩の境界検出精度を高めるために、楕円形モデルと円形モデルとの間で選択を行う方法が記載される。さらに、ドームモデルを用いてマスク画像を求め、アンラップされた画像中の目蓋による遮蔽を除去する。

虹彩の照合のために、画像中の虹彩の特徴を抽出する方法が記載される。アンラップされた虹彩画像は、画素強度の総和により積分画像に変換される。新規の和差フィルタバンクを用いて、従来技術の方法に見られるよりも遥かに少ない計算量で積分画像をフィルタリングする。フィルタリングされた出力は２値化されて、虹彩特徴ベクトルが生成される。虹彩特徴ベクトルは虹彩の照合に用いられる。

虹彩の特定方法が記載される。この方法は、虹彩と強膜との間及び瞳孔と虹彩との間の強度勾配とテクスチャの差との両方を利用して、虹彩の内側境界及び外側境界を求める。境界を表現するモデルが選択され、このモデルは円形又は楕円形であり得る。この方法はまた、虹彩の画像をアンラップする手段及び遮蔽されたエリアをマスクする手段を提供する。

［好適な実施形態の詳細な説明］
図１は、本発明の一実施形態による画像中の虹彩を照合する方法及びシステム１００を示す。虹彩の特定は、目の画像１０２を取得すること（１１０）から開始することができる。目は虹彩１０３を含む。画質の評価（１２０）により、画像１０２が使用可能であるかどうかを判定する。目画像が十分な画質である場合、システムは、画像中の虹彩１０３を特定し（２００）、十分な画質でない場合（１１１）、別の画像を取得する（１１０）。特定された虹彩の画像（虹彩画像）１２１は、事前に定義された画素構成を有する「アンラップされた」画像と呼ばれる矩形画像１３１に正規化される（１３０）。判定（１４０）を行って、アンラップされた虹彩画像１３１中の目蓋による遮蔽を検出する。遮蔽がある場合、マスク１６１を生成し（１６０）、アンラップされた画像１３１に関連付ける。遮蔽がない場合、マスクなし（１７０）となる。アンラップされた画像から虹彩特徴１５１を抽出し（１５０）、マスク１６１（もしあれば）とともに用いて、記憶された虹彩ライブラリ１８１のために生成された特徴ベクトルと比較しての虹彩の照合（１８０）を行う。

虹彩画像の特定
図２Ａは、本発明の特定ステップ２００の詳細を示す。最初に、目画像１０２中の虹彩の強度勾配情報２２５及びテクスチャ情報２３５を求める（２２０〜２３０）。勾配情報２２５及びテクスチャ情報２３５を結合して（２４０）、画像中の虹彩の内側境界２４５及び外側境界２４６を生成する。境界の生成（２００）については以下でさらに詳述する。本発明の一実施形態によれば、円のセット２１５について勾配情報及びテクスチャ情報を求めて結合してもよい。結合（２４０）の最大値に関連する１つの円が虹彩の境界として選択される。上記の手順は、虹彩の内側境界及び外側境界の両方の特定に用いることができることに留意すべきである。

一実施形態に従って、円のセット２１５を定義する（２１０）。この円のセット２１５は円を含まなくても、１つの円を含んでも、又は任意数の円を含んでもよい。また、円のセット２１５は、画像の特徴に応じて制約する、例えば、円の中心が瞳孔の中心に近接するように制約することができる。

図２Ｂは、本発明の一実施形態によるマスクを生成する方法を示す。虹彩画像１２１は、上述のように特定された虹彩の内側境界２４５及び外側境界２４６に従って虹彩画像１２１をアンラップすること（１３０）によって正規化される。アンラップされた虹彩画像１３１中に目蓋による遮蔽があるかどうかについて判定（１４０）を行う。目蓋による遮蔽がある場合、マスク１６１を生成する（１６０）。目蓋による遮蔽がない場合、マスクは生成されない（１７０）。以下でさらに詳述するように、従来技術とは異なり、マスク画像１６１は、入力される目画像１０２ではなくアンラップされた画像１３１について生成される（１６０）。

図３に示すように、目３００において、虹彩３０４は瞳孔３０５よりも明るく強膜３０６よりも暗い。したがって、ほとんどの従来技術の虹彩特定方法は、強度勾配又はエッジ検出のいずれかを用いる。これらの方法は、瞳孔と虹彩との間、及び虹彩と強膜との間の強い強度コントラストに依存する。多くの場合、これらのコントラストは、信頼性の高い虹彩の特定には不十分である。

本発明では、虹彩３０４が瞳孔及び強膜と非常に異なるテクスチャを有することに着目する。瞳孔及び強膜はそれぞれ、むらのない黒及び白に見え、テクスチャが事実上ない。対照的に、虹彩は斑点又は線があるように見える。本発明では、このテクスチャの差が、特に強度コントラストが比較的小さい場合に、虹彩と瞳孔との間、又は虹彩と強膜との間の区別に有用であることを見出す。これにより、虹彩の特定を大幅に改良することができる。

本発明の一実施形態は、勾配情報とテクスチャの差との結合を用いる。虹彩の特定のための定式は、以下の最適化により表すことができる。

ここで、Ｃ（．）は実質的に虹彩画像中の円に沿った画素強度の勾配の大きさの測度を表し、Ｔ（．）は虹彩画像中の円の両側のテクスチャの差の測度を表し、λは重みパラメータ、例えば０．１である。円のセット２１５内の全ての円を調べて、画素強度の勾配の大きさとテクスチャの差との加重和を最大化する円を見つける。

テクスチャの差Ｔは、円（ｘ_０，ｙ_０，ｒ）３０３により分離される内側ゾーンＺ_ｉ３０１と外側ゾーンＺ_ｏ３０２との間のテクスチャの差を測定する。これらのゾーンは、調べている円に実質的に隣接する。本発明の一実施形態によるテクスチャの差は、虹彩の境界を求める際に使用されるものであり、従来技術による、虹彩の遮蔽領域を求めるためのテクスチャの使用と混同すべきでないことを理解すべきである。同一の定式を瞳孔と虹彩との間の内側境界と、強膜と虹彩との間の外側境界との両方に用いることができる。

内側境界及び外側境界に隣接する領域は、必ずしも均一又は均質でないため、境界の隣の狭いゾーンのみを用いてテクスチャの差を測定する。

虹彩の特定のために、勾配の大きさに加えて、テクスチャの差が内側ゾーンと外側ゾーンとの間で測定される。考え得る目蓋による遮蔽のために、探索は、左象限３１０及び右象限３２０、すなわち１３５°〜２２５°及び−４５°〜４５°の角度に制限することができる。図３は、瞳孔３０５及び虹彩３０４は同心でない場合があることも示す。

強度勾配
式（３）の第１項であるＣ（Ｉ，ｘ_０，ｙ_０，ｒ）は強度勾配情報を表す。この項は、円に沿った画素強度の勾配を用いて評価され、例えばDaugmanの微積分演算子（ＩＤＯ）を用いることができる（上記を参照）。

したがって、次式が得られる。

ここで、Ｉ（ｘ，ｙ）は目の画像である。ＩＤＯは画像Ｉ（ｘ，ｙ）中の強度勾配情報を、Ｉ（ｘ，ｙ）の正規化された閉曲線積分の増大する半径ｒに関するぼけた偏導関数を用いて、半径ｒ及び中心座標（ｘ_０，ｙ_０）を有する円弧ｄｓに沿って求める。記号「^＊」は畳み込みを示し、Ｇ_σ（ｒ）は標準偏差σのガウス関数等の平滑化関数である。画素強度は、勾配の大きさを測定する目的で［０，１］の範囲に正規化される。一実施形態において、中心の差の近似を、２画素間隔での勾配推定のために用いる。楕円等の非円形の境界を推定及びモデル化する他の方法も用いることができる。

テクスチャの差
式（３）の第２項であるＴ（Ｚ_ｉ，Ｚ_ｏ，ｘ_０，ｙ_０，ｒ）は、円（ｘ_０，ｙ_０，ｒ）の内側のゾーン及び外側のゾーンにおけるテクスチャがどの程度違うかという測度を表す。一実施形態において、カルバックライブラーダイバージェンス（ＫＬダイバージェンス）により、内側ゾーン３０１及び外側ゾーン３０２からそれぞれ導出される２つの確率密度関数の距離（差）を測定する。虹彩の特定精度を低下させることなくテクスチャ情報を効率良く表現するために、本発明では、ローカルバイナリパターン（ＬＢＰ）演算子を最小近傍、すなわち４つの最近傍画素に適応させる方法を用いる。

ローカルバイナリパターン（ＬＢＰ）演算子はテクスチャを解析するために用いられる（概して、Maenpaa, T.、Pietikainen, M.著「Texture analysis with local binary patterns」（Chen, C.、Wang, P.編、Handbook of Pattern Recognition and Computer Vision. 3rd ed., World Scientific, pp. 197-216, 2005（参照により本明細書中に援用される））及びOjala, T.、Pietikinen, M.、Harwood, D.著「A comparative study of texture measures with classifications based on feature distributions」（Pattern Recognition, vol. 29, pp. 51-59, 1996（参照により本明細書中に援用される））を参照）。

ローカルバイナリパターン（ＬＢＰ）演算子
図４に示すように、ＬＢＰの演算は３つのステップ、すなわち、閾値処理（４１０）、重み付け（４２０）、及び総和（４３０）を有する。画素４０２に直に隣接する全ての画素４０１の画素強度（１５０、１３９、１１２、９１）を、中心画素４０２の強度（１００）を閾値として用いて閾値処理する（４１０）。閾値よりも大きい強度を有する近傍画素４１１に値１を割り当てる。閾値よりも小さい強度を有する近傍画素４１２に値０を割り当てる。

次に、近傍画素の割り当てられた値（「０」又は「１」のいずれか）のそれぞれを２のべき乗である重みにより重み付けする（４２０）。最後に、近傍画素の重み付けした値を総和して（４３０）中心画素４０２に割り当てる。このプロセスは、検討する各画素について実行される。

次に、上述したＬＢＰ演算から得られる重み付けした値に基づいて、境界ゾーンについて画素値のヒストグラムを動的に求める。内側ゾーン及び外側ゾーンについてそれぞれ確率密度関数ｐ（ｘ）及びｑ（ｘ）（ｘはヒストグラム中の各ビンのインデックスを表す）を求める。例えば、内側ゾーンの画素のｐ（ｘ）は次式に従って定義することができる。

ここで、Ｎは或るビンにおける重み付けされた画素値の集合であり、ｎはビン数であり、ｘ∈｛０，．．．，ｎ｝である。確率密度関数ｑ（ｘ）は、外側ゾーンの画素のヒストグラムについて同様に定義することができる。一実施形態において、重み付けされた値は［０，１５］の範囲である。したがって、各ヒストグラムは１６ビンを有する。内側ゾーン及び外側ゾーンのヒストグラムの対応するビンの確率密度関数の差すなわち「距離」はＫＬダイバージェンスとして測定される。

ＫＬダイバージェンス
確率密度関数ｐ（ｘ）及びｑ（ｘ）を有する２つのヒストグラムが与えられると、ｐとｑとの間のＫＬダイバージェンスすなわち相対エントロピーは次のように定義される。

ＫＬダイバージェンスＤ（ｐ‖ｑ）は、ｐ＝ｑである場合にのみ０であり、その他の場合は正である。分布間の距離は、対称でなく三角不等式を満たさないため、真の距離ではないが、ＫＬダイバージェンスを分布間の「距離」として考えることは依然として有用である。

結果として、式（３）の第２項は、円形の境界の場合に、ＫＬダイバージェンスにより次のように求めることができる。

ここで、Ｚ_ｉ及びＺ_ｏは、円（ｘ_０，ｙ_０，ｒ）３０３により分離される内側ゾーン及び外側ゾーンである。

図５Ａ〜図５Ｆは、本発明の一実施形態による境界特定方法の性能を従来技術の方法と比較する。図５Ａ、図５Ｂ、図５Ｄ及び図５Ｅは従来技術のものであり、図５Ｃ及び図５Ｆは本発明の一実施形態による方法のものである。

モデル選択
目の画像中の虹彩の内側境界及び外側境界は円又は楕円によりモデル化することができる。楕円の離心率は従来の楕円

について

に従って求められる。

理論上、離心率ｅは０≦ｅ＜１を満たし、円の場合はｅ＝０である。従来の楕円は、ｘ軸及びｙ軸と一致する長軸及び短軸を有するが、虹彩画像に当てはめる楕円は、それらの軸に対して回転されることができる。円形モデルは、楕円形モデルの特別な場合であり、計算量が少ない。

ほとんどの従来技術の虹彩特定方法は、２つの円を用いて虹彩の内側境界及び外側境界をモデル化する。円は求めるのが簡単であるが、直交しない視点（perspectives of view）のために正確に当てはまらない場合がある。楕円形モデルがより良く当てはまる場合がある。この探索は４Ｄ空間で行われる。

上記の説明は円形の境界モデルについて提示されるが、説明した方法及び手順をわずかな修正により、楕円形モデルを実施するために用いることができる。Camus及びWildesは、楕円を用いて瞳孔／虹彩の境界をモデル化し、円を用いて虹彩／強膜の境界をモデル化した（Camus, T.、Wildes, R.著「Reliable and fast eye finding in close-up images」（Inter. Conf. on Pattern Recognition, pp. 389-394, 2002））。本発明では、全ての場合に最良の当てはめを得るために円又は楕円のいずれかを用いる。

本発明の一実施形態において、モデル選択は２段階のアプローチである。第１に、円形モデルを用いて、虹彩の内側境界及び外側境界を近似する。第２に、円形境界よりもわずかに大きな領域内で、以下のステップを行う。エッジ及びテクスチャ情報を上述のように得る。８連結、すなわち全ての隣接画素を用いて境界点についてチェーンコードを生成する。生成された全てのチェーンから最長の輪郭を選択し、「外れ値」のエッジ画素を排除する。

直接的な楕円当てはめ方法（例えば、Fitzgibbon, A.、Pilu, M.、Fisher, R.著「Direct least-square fitting of ellipses」（IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 21, pp. 476-480, 1999）（参照により本明細書中に援用される））を用いて、選択した輪郭に楕円を当てはめる。直接的な楕円当てはめ方法は、一般化固有値系を解き、楕円のパラメータを推定する。当てはめる楕円の離心率ｅを求め、虹彩の境界をモデル化するために楕円を用いるか又は円を用いるかという判定を、ｅが閾値ｅ_Ｔよりも大きい場合は楕円形モデルを選択し、その他の場合は円形モデルを選択するという基準により行う。閾値の離心率ｅ_Ｔは例えば０．１９とすることができる。

図６Ａ〜図６Ｃは、虹彩画像への円及び楕円の当てはめ効果を示す。全ての円及び楕円は、１画素幅の白線として描かれる。図６Ａ及び図６Ｂの結果はそれぞれ、ハフ変換及びＩＤＯを用いて内側境界について円形モデルにより得られる。見て分かる通り、円は瞳孔及び虹彩の境界に良く当てはまらない。図６Ｃの結果は、本発明の一実施形態による直接的な楕円当てはめを用い、境界は正確に当てはめられている。

マスキング
虹彩は、上目蓋及び／又は下目蓋によって遮蔽される可能性がある。いくつかの従来技術の方法は、虹彩特徴の抽出及び認識のために虹彩の上部及び下部を除外している。しかしこれは、目蓋による遮蔽がわずかであるか又は全くない場合に有用な情報を失うことになるかもしれない。目蓋の明示的なモデル化は、虹彩の上部及び下部を単純に省くよりも優れた、利用可能な情報の使用を可能にすべきである。マスク画像を生成し、アンラップされた虹彩画像に関連付けて、目蓋による遮蔽をモデル化してもよい。

ドームモデル
図７は、虹彩７１０及び矩形のアンラップされた虹彩７２０を示す。一実施形態において、アンラップされた画像は５１２×６４の画素の矩形配置である。アンラッピングプロセスは、Daugman, J.G.著「High confidence visual recognition of persons by a test of statistical independence」（IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 15, pp. 1148-1161, 1998（参照により本明細書中に援用される）及びMa, L.、Tan, T.、Wang, Y.、Zhang, D.著「Personal identification based on iris texture analysis」（IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 25, pp. 1519-1533, 2003）（参照により本明細書中に援用される））に記載されている。

図８Ａ〜図８Ｃに示すように、従来技術と異なり、本発明では、元の目画像ではなくアンラップされた矩形画像において目蓋による遮蔽を求める。抽出された目蓋は、円の上部の弧（以下「ドーム」と呼ぶ）によってモデル化することができる。図８Ａには目蓋による遮蔽がないためドームがなく、図８Ｂには片方の目蓋による遮蔽のために１つのドームがあり、図８Ｃには下目蓋及び上目蓋による遮蔽のために２つのドームがある。

本発明の一実施形態によれば、上目蓋及び下目蓋による遮蔽はいずれも同様に処理することができる。本発明の一実施形態による一方法は「最小決定（least commitment）戦略」を用いる。

まず、目蓋による遮蔽が存在するか否かの判定がある。図８Ａのように遮蔽がない場合、マスクを生成する必要はない。図８Ｂ及び図８Ｃのように遮蔽が存在する場合、この方法は、探索すべきドームがいくつあるか（１つ又は２つ）を求め、次に、関連するドームを見つける。この方法は、考え得る誤検出された遮蔽を低減する後処理段も有する。ドームを抽出するために、スプライン、放物線モデル、又は直線の大まかなモデル等のより複雑なモデルではなく、本発明の一実施形態による円形モデルを用いて、目蓋による遮蔽を近似する。

アンラップされた画像において考え得る目蓋による遮蔽を検出するために、アンラップされた虹彩の、目蓋が現れる可能性のある領域を、遮蔽が起こり得ない領域と比較する。これらの領域は、それぞれの生の画素値分布を観察することによって比較される。カイ２乗距離の測度を用いて、２つの領域における生の画素値ヒストグラムを比較する、すなわち、

であり、ここで、Ｍ及びＮは比較すべき２つのヒストグラムであり、それぞれＢビンを有する。

より詳細には、本発明の一実施形態によるマスクの算出は以下のステップを含み得る。
１．アンラップされた画像において、入力される目画像中の上目蓋、確実に遮蔽のない虹彩（例えば図３における１３５°〜２２５°の角度の領域）、及び下目蓋を含む領域にそれぞれほぼ対応するＲ_ｌ、Ｒ_ｍ、及びＲ_ｒとして示される３つの領域を抽出する。この３つの領域は例えば、画像の下部から開始して４０×２０画素のエリアで得られる。
２．Ｈ_ｌ、Ｈ_ｍ、及びＨ_ｒとして示される、各領域における生の画素値のヒストグラムを求める。ヒストグラムＨ_ｌ、Ｈ_ｍ、及びＨ_ｒは３２ビンを用いて求められる。
３．式（７）を用いてカイ２乗距離Χ^２（Ｈ_ｍ，Ｈ_ｌ）及びΧ^２（Ｈ_ｍ，Ｈ_ｒ）を求める。
４．Χ^２（Ｈ_ｍ，Ｈ_ｌ）＞Ｔ_０、且つΧ^２（Ｈ_ｍ，Ｈ_ｒ）＞Ｔ_０（ここで、Ｔ_０は閾値である）であるかをチェックすることによって、遮蔽があるか否か、ある場合にはいくつのドームがあるかを決定する。例えば、Ｔ_０は０．２６に等しい。
５．必要に応じて、式（３）を用いてドームを探索する。ここでは、円の中心はアンラップされた画像の下にあり、円の上部の弧のみが目蓋に当てはめられることに留意されたい。
６．見つかったドームの最大値がＣ（Ｉ，ｘ^＊ _０，ｙ^＊ _０，ｒ^＊）＋λＴ（Ｚ_ｉ，Ｚ_ｏ，ｘ^＊ _０，ｙ^＊ _０，ｒ^＊）＞Ｔ_ｃ（ここで、Ｔ_ｃは例えば１３．５に設定される閾値であり、（ｘ^＊ _０，ｘ^＊ _０，ｒ^＊）は見つかったドームの円である）を満たすかどうかをチェックすることにより誤警報を除去する。満たさない場合、抽出されたドームは誤警報である。

虹彩特徴の抽出
図９は、アンラップされた虹彩画像１３１において虹彩の特徴を抽出する方法９００を示す。本発明の一実施形態によれば、アンラップされた虹彩画像１３１は、積分画像９１５に変換することができる（９１０）。以下でさらに詳述する和差（ＤｏＳ）フィルタ９２１を用いて、アンラップされた虹彩画像１３１又は積分画像９１５をフィルタリングして（９２０）、フィルタリングされた出力９２５を生成する。フィルタリングされた出力９２５は２値化されて（９３０）、アンラップされた虹彩画像１３１の虹彩特徴ベクトル９３５を生じる。

積分画像
以下でさらに詳述するＤｏＳフィルタリングは、事前に計算された積分画像９１５を用いて行うことができる。Crowが、高速テクスチャマッピングのための「エリア総和テーブル」を最初に提案した（Crow, F.著「Summed-area tables for texture mapping」（Proceedings of SIGGRAPH, vol. 18, pp. 207-212, 1984））。Viola及びJonesは、顔検出における高速特徴抽出のために「積分画像」を用いる（Viola, P.、Jones, M.著「Rapid object detection using a boosted cascade of simple features」（IEEE Conference on Computer Vision and Pattern Recognition, vol. 1, pp. 511-518, 2001）（参照により本明細書中に援用される））。

積分画像において、各ロケーション（ｘ，ｙ）における値は、

を含むロケーション（ｘ，ｙ）の左上の全画素強度の和を含み、ここで、ｉｉ（ｘ，ｙ）は積分画像における積分画素強度値であり、ｉ（ｘ，ｙ）はアンラップされた虹彩画像における画素強度値である。アンラップされた虹彩画像１３１は、アンラップされた虹彩画像に対する１パスで積分画像９１５に変換することができる。図１０に示すように、矩形ＡＢＣＤ１０１０の角Ａ、Ｂ、Ｃ及びＤ１０１１〜１０１４における積分画像値を有する積分画像９１５の矩形エリア１０１０における画素強度の和は次のように求めることができる。

和差（ＤｏＳ）フィルタを用いたフィルタリング
ＤｏＳフィルタ
本発明の一実施形態によれば、和差（ＤｏＳ）フィルタを用いて、虹彩画像からテクスチャベースの特徴を抽出する。本発明のＤｏＳフィルタは、いくつかの特有の特性を有する。まず、ＤｏＳフィルタの成分は値ではなく演算子である。図１１Ｃは、典型的な従来技術のフィルタ１１０１を示す。このフィルタの９つの成分はそれぞれ、フィルタリングする画像中の画素に対応する。ほとんどの技法では、フィルタを画素にわたってラスタスキャン順に「移動」させて全画素をフィルタリングする。通常、成分は数値又は整数重みである（図４も参照）。フィルタリング中、各値に対応する画素強度を掛ける。次に、重み付けされた強度を用いて、「書き換え」ステップ中に中心画素値を割り当てる。

図１１Ｄの本発明によるフィルタ１１０２では、フィルタの成分が関数又は演算子、例えば総和及び減算である。さらに、演算子は画素領域に適用される。図示のように、各演算子は、複数の１×３の隣接する画素領域について規定される。本質的に、演算子は、対応する領域の全画素に適用される。例えば、領域１１０１及び１１０３内の画素強度は全て総和され、領域１１０２内の画素強度は減算される。次に、全ての隣接領域の結果を合計し、何らかの閾値に応じて１つの２進数、すなわち「０」又は「１」に換算する。例えば、合計が正である場合に数は「１」となり、他の場合に数は「０」となる。

２値化した値はその場合、そのフィルタがカバーする全ての隣接領域に割り当てられる値である。したがって、フィルタは２つの効果を有する。画素数の表現のサイズは、隣接領域のサイズによって設定される係数によって大幅に低減され、フィルタの適用毎の最終的なフィルタ出力は単一ビットである。したがって、本発明によるＤｏＳフィルタは、特徴抽出、圧縮、及び符号化を行う。

特定の実施形態において、本発明の、虹彩を符号化するための矩形の和差（ＤｏＳ）フィルタは、２つの基本的な断面形状を有する。図１１Ａは「奇数」対称フィルタを示し、図１１Ｂは「偶数」対称フィルタを示す。奇数対称フィルタは、その中心軸を中心に奇数対称であり、奇数の演算子及び対応領域を有する。偶数対称フィルタは、その中心軸を中心に偶数対称であり、偶数の演算子及び領域を有する。フィルタは２つの可能な演算子、例えば（＋）及び（−）のみを有する。したがって、フィルタを「信号」、例えば画像の矩形領域で畳み込むことにより、フィルタの正の部分及び負の部分に関連する信号部分の総和の差が求められる。したがって、このフィルタは和差（ＤｏＳ）フィルタと呼ばれる。

本発明のＤｏＳフィルタは、いくつかの点で従来技術のフィルタよりも優れている。ＤｏＳフィルタの設計は概念的に非常に単純である。ガボールフィルタ等の従来技術のフィルタは通常、フィルタリングにおいて用いられる１つ又は複数の関数を近似することが多い整数値のアレイによって表される。利点として、本発明の一実施形態によるＤｏＳフィルタは、演算子の矩形領域により表現することができる。さらに、演算子は単一ビットで表すことができる。したがって、フィルタは、画像中の多くの画素をカバーする大きな領域に対しても非常にコンパクトな表現を有する。

乗算を伴うために長い計算時間を伴う従来技術のフィルタを用いたフィルタ応答の算出とは異なり、ＤｏＳフィルタを用いたフィルタ応答は、単純な加算（＋）演算及び減算（−）演算のみを用いて求めることができる。

さらなる利点として、本発明の矩形のＤｏＳフィルタによるフィルタリングは、上述のような積分画像を用いて実施することができる。すなわち、フィルタ出力は、積分画像における単純な参照によって求めることができる。これは、ＤｏＳフィルタの適用を非常に高速化する。

極座標における従来技術の虹彩フィルタ、例えば２Ｄガボールフィルタは、

のようにより複雑であり、積分画像には用いることができない。

ＤｏＳフィルタは本質的に、アンラップされた虹彩画像における誤差の原因の影響を受け難い。従来技術のフィルタとは異なり、奇数対称ＤｏＳフィルタ及び偶数対称ＤｏＳフィルタはともにゼロ和を有し、絶対強度値に対するフィルタ応答の感度を排除し、差動対効果を与える。従来技術のガボールフィルタの実数成分は、結果として得られる虹彩コードのビットが画素強度に依存しないように、切り捨てによって注意深くバイアスされなければならない。本発明のＤｏＳフィルタを用いる場合、切り捨ては不要である。

虹彩テクスチャの特徴抽出のために、２次元ＤｏＳフィルタ対のバンクを用いる。バンクのＤｏＳフィルタは全て同じ高さ（例えば８画素）及び様々な幅を有する。

図１２は、虹彩特徴の抽出のための、様々な幅を有する奇数対称ＤｏＳフィルタ及び偶数対称ＤｏＳフィルタの４つの対１２０１〜１２０４を示す。本発明の一実施形態によれば、８つのフィルタ（１２画素、２４画素、３６画素、及び４８画素の幅のそれぞれについて１つの奇数対称フィルタ及び１つの偶数対称フィルタ）から成るバンクを用いる。全てのフィルタは８画素の高さを有する。

ＤｏＳフィルタを用いたフィルタリング
本発明の一実施形態によれば、積分画像をいくつか（例えば８個）の水平ストリップに分割し、次に間隔を置いて各ストリップ内でフィルタを適用することによってＤｏＳフィルタバンクが虹彩画像に適用される。間隔は重複してもよい。フィルタリングされた出力は実数値である。

２値化
サイン関数を用いて、フィルタリングされた出力を不連続の整数値（１又は０）に２値化する。

ここで、ｘは総和及び減算の結果であり、ｙはフィルタ出力である。

２値化は特徴抽出を、虹彩パターン内のノイズに影響を受け難いものにする。例えば、虹彩の画像は、様々な視角で取得することができる。さらに、光源の入射角は変化してもよく、虹彩の特定は完璧でなくてもよい。

実際にこれは、被写体の姿勢及び周囲の照明条件を制御することが難しい実世界の用途に対して特に有利である。さらに、登録中に取得される画像は、後の照合のために後に取得される画像と全く異なる姿勢及び照明条件に支配され易い。また、異なるカメラは異なる応答を有し得ることに留意されたい。

一連の「１」ビット及び「０」ビットを有する２値化された表現は特徴の照合精度を高める。虹彩特徴ベクトルを虹彩の照合に用いることができる。本発明の一実施形態によれば、テスト虹彩特徴ベクトルと、虹彩画像データベースに記憶される虹彩特徴ベクトルとの間のハミング距離が、虹彩の回転を補償するために左右に６シフトして求められる。ハミング距離は、２つの２進列間で異なるビット数である。より形式的には、２つの特徴ベクトルＡ及びＢの間の距離はΣ｜Ａ_ｉ−Ｂ_ｉ｜である。

[発明の効果]
虹彩の特定方法が記載される。この方法は、虹彩と強膜との間及び瞳孔と虹彩との間の強度勾配とテクスチャの差との両方を利用して、虹彩の内側境界及び外側境界を求める。境界を表現するモデルが選択され、このモデルは円形又は楕円形であり得る。この方法はまた、虹彩の画像をアンラップする手段及び遮蔽されたエリアをマスクする手段を提供する。

画像中の虹彩の特徴を抽出する方法も記載される。アンラップされた虹彩画像が画素強度の総和により積分画像に変換される。和差フィルタバンクが積分画像のフィルタリングに用いられる。フィルタリングされた出力は２値化されて、虹彩特徴ベクトルが生成される。虹彩特徴ベクトルは虹彩の照合に用いられる。

本発明を好適な実施形態の例として記載してきたが、本発明の精神及び範囲内で様々な他の適応及び修正を行ってもよいことが理解される。したがって、添付の特許請求の範囲の目的は、本発明の真の精神及び範囲に入るこのような変形及び修正をすべて網羅することである。

本発明の一実施形態による画像中の虹彩を照合する方法のフロー図である。本発明の一実施形態による画像中の虹彩の境界を生成する方法のフロー図である。本発明の一実施形態によるマスク生成方法のフロー図である。本発明の一実施形態による、特定すべき虹彩を含む目領域の概略図である。本発明の一実施形態による４近傍の場合のローカルバイナリパターン（ＬＢＰ）演算子のブロック図である。従来技術のハフ変換により虹彩の境界が検出された画像である。従来技術の微積分演算子により虹彩の境界が検出された画像である。本発明の一実施形態により虹彩の境界が検出された画像である。従来技術のハフ変換により虹彩の境界が検出された画像である。従来技術の微積分演算子により虹彩の境界が検出された画像である。本発明の一実施形態により虹彩の境界が検出された画像である。従来技術のハフ変換を用いて円形の虹彩境界が検出された目の画像である。従来技術の微積分演算子を用いて円形の虹彩境界が検出された目の画像である。本発明の一実施形態により楕円形の虹彩境界が検出された目の画像である。本発明の一実施形態による、虹彩の画像を正規化又はアンラッピングするブロック図である。本発明の一実施形態によるアンラップされた虹彩画像である。本発明の一実施形態による、片方の目蓋による遮蔽が検出された、アンラップされた虹彩画像である。本発明の一実施形態による、両方の目蓋による遮蔽が検出された、アンラップされた虹彩画像である。本発明の一実施形態による虹彩特徴ベクトルを抽出する方法のフロー図である。本発明の一実施形態による積分画像のブロック図である。本発明の一実施形態による奇数対称フィルタのブロック図である。本発明の一実施形態による偶数対称フィルタのブロック図である。従来技術のフィルタのブロック図である。本発明の一実施形態による和差フィルタのブロック図である。本発明の一実施形態によるフィルタバンクのブロック図である。

Claims

画像中の画素強度をフィルタリングする方法であって、
画像中の隣接する画素領域のセットをフィルタとして定義することであって、各画素は強度値を有する、定義すること、
演算子を前記セットの各領域に関連付けること、
各演算子を各対応領域の前記強度に適用して、前記領域のセットの全強度値を得ること、及び
前記全強度値を閾値処理して、２値化された強度値を、前記領域のテクスチャを表す単一ビットとして得ること
を含む、画像中の画素強度をフィルタリングする方法。
前記領域は矩形である、請求項１に記載の方法。
前記フィルタを繰り返し適用して、前記画像中の全画素をフィルタリングし、適用毎に対応する単一ビットを生成すること、及び
前記単一ビットを結合して、前記画像全体の前記テクスチャを表す特徴ベクトルにする、結合すること
をさらに含む、請求項１に記載の方法。
偶数の領域がある、請求項１に記載の方法。
奇数の領域がある、請求項１に記載の方法。
前記演算子は総和及び減算である、請求項１に記載の方法。
前記フィルタはその中心軸を中心に対称である、請求項１に記載の方法。
前記フィルタは前記中心軸を中心に偶数対称である、請求項７に記載の方法。
前記フィルタは前記中心軸を中心に奇数対称である、請求項７に記載の方法。
前記２値化された強度値は、前記全強度値が正である場合に１であり、その他の場合に０である、請求項１に記載の方法。
前記画像は積分画像である、請求項１に記載の方法。
複数のフィルタ対を含むフィルタセットを定義すること、及び
前記フィルタセットの各フィルタ対を前記画像中の全画素に適用することであって、該対の各フィルタは同一の画素領域に適用される、適用すること
をさらに含む、請求項１に記載の方法。
各フィルタ対の前記フィルタ同士は同一サイズである、請求項１２に記載の方法。
前記フィルタ対はそれぞれ、偶数対称の第１のフィルタ及び奇数対称の第２のフィルタを含む、請求項１３に記載の方法。
前記フィルタセットは４対のフィルタを含み、第１のフィルタ対のサイズは１２×８画素であり、第２のフィルタ対のサイズは２４×８画素であり、第３のフィルタ対のサイズは３６×８画素であり、第４のフィルタ対のサイズは４８×８画素である、請求項１４に記載の方法。