JP2008538425A - 距離虹彩認識システム - Google Patents

Abstract

目の虹彩を虹彩マップに１次元セグメント化し、そのマップを、影響を受けていないエリア及び影響を受けているエリアに分類するためのシステム。また、そのシステムは、正規化するためにエリアを規則的な形状に当てはめること、及び影響を受けていないエリアを対称なセグメントとして特定することを可能にすることができる。さらに、そのシステムは、虹彩のマップ及び虹彩の登録されているマップ、並びに照合のために対応するビンの影響を受けていないエリア及び影響を受けているエリアに重みを割り当てることができる。
【選択図】図４

Description

本発明は、離れた場所から人を認識するために、生体計測技術を支援するような改善を施したシステムである。
本出願は、２００５年１月２６日に出願された米国仮特許出願第６０／６４７，２７０号の利益を主張する。本出願は、２００５年１月２６日に出願された米国特許出願第１１／０４３，３６６号の一部継続出願である。

２００５年１月２６日に出願された米国仮特許出願第６０／６４７，２７０号は、参照により本明細書に援用される。２００５年１月２６日に出願された米国特許出願第１１／０４３，３６６号は、参照により本明細書に援用される。

本発明は認識システムに関し、詳細には生体計測認識システムに関する。より詳細には、本発明は虹彩認識システムに関する。

本発明は、「ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅ（登録商標）」又は「Ｉｒｉｓ＠ａＤｉｓｔａｎｃｅ（登録商標）」（Honeywell International Inc.）システムを用いて、人々の識別及び検証を提供することができるものである。近頃、人間を識別する際の高い信頼性に起因して、虹彩認識が認められてきており、大きな注目を集めている。その非常に正確な生体計測技術としての適合性は、極めてデータが豊富な物理的構造を有すること、遺伝とは無関係であること（双子であっても、同じ目は２つとない）、経時的に安定していること、及び非接触の手段であること（対象者が協力的でない場合に重要な特徴）に由来する。本発明は、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの信頼性のある較正及び効率的なセグメンテーション（すなわち、位置特定）を提供するのを助け、結果として、最終的に数値コードに変換される虹彩特徴をより良好に抽出できるようにする。その虹彩コードは、検証及び／又は識別のために、予め生成されている虹彩コードと比較することができる。

先に述べられたように、虹彩特徴は信頼性があり／正確な生体計測指標である。しかしながら技術的な観点から、この精度は、虹彩及び瞳孔を如何にして最も良好にセグメント化し、抽出するかに大きく依存する。協力的な対象者の虹彩画像を解析するとき、セグメンテーション手法は、エッジ検出及び円の当てはめ（circular fitting）から成る比較的簡単な工程である。しかしながら、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅシステムでは、これに該当しない場合が多くあり、対象者の協力を受けられないことも多い。ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅシステムでは、大抵の場合に、たとえば、瞼を閉じることによる影響、並びに／又は睫毛及び瞼によって遮られることに起因して、虹彩の一部しか捕捉されない。さらに、対象者が典型的には協力するように求められないものと仮定すると、典型的には、首を傾げること、又は虹彩が回転することも考慮に入れられなければならない。

本発明は、これらの課題に取り組み、場合によっては、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅ環境において、特に虹彩縁部の正確なセグメントを抽出する。
１つの例示では、その工程は、以下のステップを含んでもよい。即ち、１）ＰＯＳＥ（登録商標）（すなわち、極座標セグメンテーション）技法を使用して、解析を実質的に直ちに極座標領域に移行し、虹彩縁部の１−Ｄセグメンテーションを実行するステップ；２）１つ又は複数の対称特性を使用して、虹彩の１つ又は複数の遮蔽されていないエリアを検出するステップ（対称でない領域は、睫毛、瞼等によって部分的に覆われている（それゆえ非対称な）エリアに相当する可能性があり、場合によっては、その解析を、虹彩及び強膜が検出される信頼性のあるセグメントだけに制限する可能性がある（対称に関する本明細書の説明において言及される））；３）配置が検出されると、たとえば、名目的な角度から楕円パラメータを推定し、較正係数を計算することによって、歪み（配置に起因して遮蔽されるか、又は変形している）の可能性が最も少ない名目的な角度を特定するステップ；４）重なり合う様々な円を用いる回転楕円検出技法を使用して、円ではなく、楕円又は不規則な形状としてモデリングされる虹彩縁部を検出するステップ、及び／又は最小二乗法による曲線の当てはめを使用して、楕円パラメータ及び配置を推定するステップ；及び５）混合モデリングを使用して、虹彩テクスチャ内の変化を処理するステップ。強膜は、角膜を除く眼球全体を覆う組織の強靭で白い繊維性の外被である。

本発明は、対象者の位置決め及び／又は配置を制御しにくい、高セキュリティの入出管理又は「離れた場所からの生体計測」の応用形態に非常に適している。そのような作業では、たとえば、対象者が収集デバイスから様々な範囲において捕捉されることがあり、且つ／又は対象者の目が画像形成装置と真直ぐに位置合わせされないことがある。通常、そのような応用形態では、信頼性のある虹彩認識を可能にするために、大部分の既存の技術によって必要とされる制御レベルを実施するのは難しい。本発明は、収集される虹彩画像の非対称性に対処するのを助けることができ、さらに、虹彩環状部のうちの一部が視認可能である限り、制御されない環境下での作業を容易にすることができる。

生体計測システムの開発における主な関心事は、有効な対象者を拒否する、又は不正者を有効であるとするのを如何に避けるかである。虹彩認識は、顔認識技法及び指紋認識技法を含む、他のタイプの生体計測よりも、はるかに正確に相違を見分ける生体計測を提供することによって、信頼性の解決策を提供することができる。

以下の望ましい特性によって、虹彩認識技術は、有望で信頼性が高い個人識別ツールとなる。たとえば、この技術は、以下の際立った特徴を有することができる。第一に、その技術は、ただ１つに特定することができ、遺伝には無関係である。目は、人間それぞれに固有である特別な構造を有する。顔面像、指紋等の他のよく知られている生体計測技術とは異なり、虹彩は各人に固有のものであり、遺伝的に双子であっても同一のものではない。一卵性双生児の顕著な視覚的類似性は、容姿の遺伝的浸透力を示すが、一卵性双生児の虹彩の比較は、虹彩パターンがまさに反対のものであることを示す。生物医学に関する文献は、虹彩特徴が、指紋又は網膜血管のパターンのように、各人毎に異なることを示唆する。第二に、その技術は極めてデータが豊富な物理的構造を有する。対象者間を十分に識別するだけの十分なテクスチャを有することができる。第三に、その技術は、老化による影響がなく、すなわち虹彩特徴の寿命にわたって安定している。第四に、その技術は非侵襲性を有する。虹彩は、内部の固有の器官と見なされるが、それでも外部から視認可能であり、或る距離をおいて測定することができる。

これらの全ての特性によって、虹彩認識は、顔認識のような他の既知の生体計測よりも信頼性が高い個人識別に適している。顔認識とは異なり、虹彩から抽出される相構造及び局所的特徴は純粋に後成的であるので、虹彩認識の性能は、一卵性双生児に適用しても、又は部分的に遺伝的関係が存在しても制限されない。

虹彩環状部画像を、容易に操作することができる数値コードに変換することは、虹彩認識には不可欠であろう。虹彩特徴を計算するために、対象者の虹彩に焦点を合わせ、その縁部を適切に抽出する、高品質のセグメンテーション工程を用いることができる。

ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの応用形態を支援するために、ＰＯＳＥ（登録商標）（Honeywell International Inc.）及び１−Ｄ極座標に基づく「セグメンテーション手法」を用いることができる。ＰＯＳＥは、極座標領域において１次元セグメンテーション工程を実施し、網羅的探索の代わりに幾何学的モデル（たとえば円）を利用し、１Ｄサイン（signatures）における簡単なピーク探索を単に実行することによって、費用のかかるエッジ検出及び曲線の当てはめを使用するのを避けるという点で、普通の最新技術とは異なる。本発明の手法は、最初から極座標領域に直にマッピングすることができる。画像から虹彩環状領域を取り出すために、ＰＯＳＥは、以前に行われた解析を早めの段階で極座標領域にマッピングすることができる。極座標領域においてセグメンテーションを実施することによって、結果として、符号化ステップのための特徴マップを生成するために、ただ１つのステップにおいて、セグメンテーションだけでなく、較正及び雑音除去も全て実行する、より効率的且つ迅速な工程をもたらすことができる。

この枠組みにおいて、目が遮断されること、目を閉じること、並びに傾げた首及び配置が画像平面内に透視投影されることに起因する捕捉された虹彩画像の歪みの副作用を低減するために、ＰＯＳＥを支援する特徴抽出技法を導入することができる。この技法は、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの応用形態の場合に、すなわち、対象者が監視下にあることに気が付かない場合に、若しくは混雑したエリアにいる場合に適していることがあり、又は対象者が虹彩制御に気が付いているが、非協力的な場合にも適していることがある。そのような作業では、対象者が収集デバイスから様々な距離において捕捉されることがあるか、又は対象者の目が画像形成装置と真直に位置合わせされないことがある。

ここで、これらの種類の応用形態のためにｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの生体計測システムを具体的に設計して実現することができ、そのシステムは、人々を認識して識別するための極めて信頼性が高いツールとして機能することができる。さらに、本発明のシステムは、対象者の協力が得られない場合の画像収集に関連する非対称性の問題を解決することができ、さらに、虹彩環状部の一部が視認できる限り、動作が制御されない状態で動作することができる。

虹彩認識の解決策を開発する際に、さらに、いくつかの問題が調査されることがある。較正問題に関連して、スネーク輪郭描写を用いて、虹彩の内側境界及び外側境界を、不規則な形状の複数の円ではなく、複数の楕円によって近似することができる。しかしながら、２つの楕円は通常、同心ではない。小斑点、冠状物、溝、小窩及び縞のような多数の交錯するブロックを有する虹彩の構造の形状及びテクスチャを特徴付けることができる。

カメラと目との間の距離が変化する結果として、同じ虹彩の大きさが変化することがある。特徴抽出手順を実行する前に、不均一な採光及び照明反射の副作用を低減するための事前処理が必要とされることがある。正反射（鏡面反射）、及び正反射によって暈された小点の処理が、セグメンテーション解析に影響を及ぼすことがある。

虹彩の外側境界は、瞼及び睫毛の存在に起因して不規則なエッジで捕捉されることがある。合わせて考えると、これらの観測は、虹彩位置特定が広範なエッジコントラストに影響されやすいことを示唆する。

頭及び目の配置の結果として、虹彩の円形が異なる透視図になることがある。虹彩の捕捉される形状は通常、配置、首を傾げる角度及び目が上下左右に動く（slant）角度に起因して、円又は楕円からかけ離れている。

虹彩画像の形成を照合することに対する基本的な手法を、虹彩認識のためのＤａｕｇｍａｎアルゴリズムを受け継ぐＩｒｉｄｉａｎ（すなわち、虹彩に関連する）解法に基づいて構築することができる。Ｉｒｉｄｉａｎ技術アルゴリズムは、リアルタイムで制御されない環境への虹彩認識の拡張性を制限することができる。作業の中には前提条件と一致するものもあるが、アルゴリズムによって要求される制御レベルを用いることなく、これらの既存の技術を実施することは難しい。

離れた場所での応用形態に拡張するために、網羅的な工程を必要とすることがあるアルゴリズム手順のうちの或るものは、ハフ（Hough）変換を含む。ハフ変換に伴ういくつかの問題には、エッジ検出のために閾値が選択される必要があることが含まれることがあり、その結果として、重要な情報（たとえば、エッジ点）が除去される／見落とされることがあり、それゆえ、虹彩又は瞳孔領域を検出し損なうことがある。ハフ変換は、力任せの手法であることに起因して、計算が大きな負担になり、リアルタイムの応用形態に適していないことがある。さらに、その方法は、局所的な空間的特徴に効果を発揮するので、画像が目の画像内の局所的な雑音を受ける場合に、失敗することがある。

Ｄａｕｇｍａｎ微積分演算子は、画像の導関数を利用し、虹彩及び瞳孔の円を特定する空間的パラメータを求める幾何学的情報を見つけるために探索を実行するように見えるので、ハフ変換の変形と見なすことができる。Ｄａｕｇｍａｎ演算子がハフ変換よりも優れている点は、未処理の導関数に基づいているので、閾値を必要としないことである。しかしながら、それは、画像が局所的な空間的雑音（たとえば、目の画像に沿った正反射、デジタル化に起因するスペックル等）を受けるときに失敗することがある。

瞼による遮蔽及びマスキングについては、瞼による遮蔽を取り扱う際の１つの手法は、画像の一部をマスクして、直線の当てはめを用いることができる。しかしながら、瞼境界は、さらに睫毛が存在することに起因して不規則になることがある。変化に富んだ遮蔽を取り扱う際の別の手法は、双曲線の曲がりで瞼をモデリングし、モデル成分の抽出された形状を用いて、画像強度導関数情報を微調整することである。代替の手法は、エッジ検出及び非直線的な曲線当てはめに基づくと、大量の計算を要することがある。

別の虹彩認識技法は、１Ｄ工程を基にすることができるが、セグメンテーション工程を簡単にするのではなく、虹彩特徴をより良好に表現するために符号化方式を改善するように主に調整される。セグメンテーション問題を１Ｄの枠組みの中に定式化する本発明の手法とは異なり、いくつかの方法は、２Ｄで構成される虹彩マップから分解される１組の１Ｄ強度信号を構成する。特徴ベクトルの１Ｄ表現に適用されるガウスモーメント（Gaussian moment）は、冠状物、縞、溝等に起因するテクスチャの変化を間接的に定量する局所的特徴の最良の表現として唱道されてきたのかもしれない。そのような技法は、さらに、２Ｄセグメンテーション工程に基づいて、虹彩の２Ｄ正規化極座標マップを構成することもできる。その後、その技法は、マップの複数の行のうちのいくつかのセグメントを単に平均することによって、２Ｄマップを１組の１Ｄ強度信号に分解することができる。とはいえ、この努力は、虹彩全体のセグメンテーションを実行し、１Ｄ領域に符号化することによって、本発明の結果を補うことができる。２Ｄ符号化方式は、２Ｄで符号化されたシグネチャにおいて２次元の関係空間特徴を引き継ぐので、１Ｄ工程よりもはるかに信頼性が高いように思えるかもしれない。

１Ｄ虹彩サインを生成することができる新たな１Ｄ符号化方式は、並進、回転、照明及びスケール不変量を含む。この方法の長所は、ユーザが低いレベルの虹彩画像品質でも符号化を実施できることである。このことから、その技法が２Ｄ符号化方式ほどの信頼性がないとされるかもしれない。しかしながら、その技法は、最終的に識別するために、限られた潜在的な対象者を２Ｄ符号化にかける前に探索モードを有するという概念を支え得るものである。再び、本発明の手法は、完全な１Ｄセグメンテーション及び虹彩符号化技法を実現することができる。

虹彩セグメンテーションは、留意すべき１つの要因である。虹彩認識の第１の段階は、目のデジタル画像の実際の虹彩領域を分離することである。他の方式では、多くの場合に、虹彩及び瞳孔の画像処理セグメンテーションを簡単にするために、虹彩領域は幾何学的モデル、すなわち２つの円によって近似されることがある。

多数の他の手法は、エッジの場所を指示し、虹彩の境界を表現するこれらの幾何学的モデルの縁部をセグメント化するために、画像強度の一次導関数を利用することがある。残念なことに、既存のアルゴリズムの大部分では、デジタル画像全体を通じて幾何学的モデルで探索するための手順にコストがかかることがある。

目の画像が種々の変形を受けるものとすると、正規化は、解析全体において極めて重大なステップであろう。その目的は、画像から切り取られた、抽出された虹彩領域を拡大縮小して、データベーステンプレートと正しく比較できるようにすることである。

捕捉された虹彩画像の中の寸法が一致しないのは、主に、種々のレベルの照明及び採光から瞳孔の拡張によって引き起こされる虹彩の伸長のような、多数の理由によることがある。

画像範囲に関しては、カメラが傾いたり、首を傾けたりすると、画像捕捉距離や画像形成装置の向きが変動することがある。眼球孔の中で目が局所的に回転することもあり得る。対象者又は対象者の顔が、収集デバイスと真直に位置合わせされないこともあり得る。

照明アーティファクト、すなわち、虹彩環状領域内の他のエリアよりも、或るエリアを強く照明する不均一な輝度を最小限に抑えるために、画像強調が適用されることがある。照明アーティファクトを低減することによって、後続の符号化ステップ及び特徴抽出ステップを改善することができる。特徴抽出を実施する前に、透視平面を位置決めすることができる。しかしながら、これは、システムにさらに大きな計算負荷をかけることがある。本発明のセグメンテーションアルゴリズムは、虹彩の正確な特徴を抽出するために、これらの事前処理ステップを必要としないと考えられる。

符号化について言及する。個々の虹彩の正確な認識又は識別を実現するために、抽出された虹彩の極座標表現の形で存在する、相違を最も正確に見分ける情報を抽出することが必要な場合がある。２人の対象者間を容易に比較できるように、虹彩パターンの有意な特徴だけが符号化される必要があるかもしれない。その符号化方式は、虹彩パターンの本質を捉える、数ビットから成る簡単なテンプレートを生成することができる。その後、抽出された数値コードを用いて、それを多数の格納されるコードと比較することができる。虹彩サインを符号化することは、後に列挙される、ウェーブレットフィルタ若しくはガボールフィルタ又は他の技法のような符号化アルゴリズムを適用して画像から虹彩の詳細なパターンのようなテクスチャ情報を抽出することを含み得るが、テクスチャ情報は、例えば、多数ビットの情報を含み、且つその虹彩パターン内のマスキングを用いて汚染されたエリアのいくつかを除外するビット形式のテンプレートを生成するための虹彩の詳細なパターンである。符号化フィルタの選択は、最良の認識率を達成すること、及び限られた生成されたビット形式のテンプレートにおいて虹彩パターンを保持することに基づいて行うことができる。

１つの符号化工程では、選択されたフィルタの種類に関係なく、３ビット以上によって表され、照合を実施する際に最下位ビットに優先して最上位ビットで優先順位を付けられる、さらに量子化された位相ベクトル情報を生成することができる。この方式の長所は、対象者を照合する迅速な方法を提供することができ、また、品質が良くない虹彩画像及び虹彩パターンに直面するときに、最も合うものではなく、最も合いそうなものを生成するための方法を提供することができることである。たとえば、任意の情報ダイバージェンス指標を用いて照合を実施するときに、数値コードにおいて平均重み付けを実施することができる。

符号化は、フィルタリング及び処理の種々の手段を用いて、抽出された特徴を実際に符号化することを含むことができる。符号化の仕組みは、セグメント化された虹彩画像（複数可）に１つ又は複数の選択されたフィルタを適用することを含むことができる。最新技法によって用いられるフィルタのうちのいくつかは、限定はしないが、おそらく多重分解解能技法（multi-resolution technique）の一部としても知られているウェーブレット／バンクフィルタのようなフィルタを含むことができる。ウェーブレット手法は、周波数データが突き止められるという点で、従来のフーリエ変換よりも優れていることがある。ガボールフィルタも、空間領域及び周波数領域における虹彩パターンの結合表現を提供することができる。対数（Log）ガボールフィルタリングは、ガボールフィルタリングよりも信頼性が高いことがある。Ｈａａｒフィルタは、ガボールフィルタよりも性能が優れている可能性があることが知られている。ラプラシアンフィルタは、信号の簡略化されたバージョンを得るために、ピラミッドに基づく分解を含むことがある。

情報理論指標を用いて実施することができる照合もあり、ハミング距離のメトリックが用いられる。この工程は、問い合わせサインと符号化されたサインとの間の照合を実行することができる。いくつかのタイプの情報指標は、限定はしないが、ハミング符号、ユークリッド符号、ジェフリ符号、カルバック符号、又は重み付けされた距離を与えるために用いることができる任意の他の標準的な情報ダイバージェンス指標を含むことができる。本発明の手法では、平均重み付けされた指標に重点が置かれることがある。下位ビットに対して最上位ビットにより大きな重みを割り当てることができる。結果として、位相ベクトル値は、他の符号におけるわずか２ビットではなく、８セグメント又は１６セグメント（２＾Ｎ）によって表すことができる。その重みは、ビット位置の上下に基づいて割り当てることができる。

ＰＯＳＥは、最適下限の画像収集条件下で虹彩認識を実行することができる。その技法を、虹彩セグメンテーションのために用いて、画像虹彩の全ての境界（内側、外側、瞼及び強膜、並びに水平）を検出することができる。この技法は、対象者の位置決め及び配置に関してあまり制御が利かない、高セキュリティの入出制御又はｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの応用形態に非常に適していることがある。そのような作業では、対象者が収集デバイスから様々な範囲において捕捉されることがあるか、又は対象者の目が画像形成装置と真直に位置合わせされないことがある。通常、そのような応用形態の場合、信頼性のある虹彩認識作業を可能にするために、既存の技術の多くによって要求される制御レベルを実施するのが難しいことがある。虹彩認識に関する本発明の手法は、収集される虹彩画像の非対称性に対処することができ、虹彩環状部の一部が視認可能である限り、本発明のシステムは、任意の動作が制御されない状態で動作することができる。

中心を事前に推定することができる。以下の解析では、虹彩境界を円又は楕円として近似するのではなく、その境界は任意の他の不規則な形状をとることがある。それでも、その解析は、歪みに起因する任意の他の逸脱した形状の場合にも有効である。関連技術において他の方法で行われる方法よりも、本発明のより簡単で且つ一般性のある方法を用いて、虹彩を特定することができる。

ρ（ｘ，ｙ）が、画像の強度関数の関数としての小球領域Ｒにおける連続密度関数であると仮定する。その際、質量中心は、以下の式によって定義することができる。

ただし、Ｍは小球内の質量であり、両軸に関する質量モーメントは以下のようになる。

内側境界の中心の測定を対象とすることができる。セグメンテーション解析は必ずしも、両方の境界の中心の厳密な測定にはよらない。内側虹彩楕円の厳密な中心を抽出するための付加的なステップについて言及する。

図１には、虹彩中心の位置特定が示される。小球解析は必ずしも、瞳孔１１の正確な中心に導かないこともあろう。それゆえ、瞳孔中心を特定するためのさらに正確な指標を見つけ出すために、さらなる処理が必要とされることがある。中心１４は、以下のように表すことができる。

事前に推定された中心１２であるＣ（ｘ_０，ｙ_０）が瞳孔１１の円内にあるものと仮定すると、瞳孔の実際の中心が以下の式によって与えられることを容易に示すことができる。

それゆえ、以下の２つの式が成り立つ。

及び

ただし

詳細には、虹彩１３の形状が変形しない（すなわち概ね完全な円である）場合には、上記の式は、以下のように簡単にすることができる。

そのセグメンテーション工程は、１Ｄ ＰＯＳＥ技法を含むことができるが、他の手法を用いることもできる。セグメンテーション工程を簡単にするために、その解析を早期の段階において極座標領域にマッピングして、１Ｄ解析手順を用いてセグメンテーションを実行することを提案することができる。さらに、その解析は、虹彩１３を取り囲む画像のサブセクションにおいてのみ実施することができる。多数の他の技法では、極座標表現の抽出は、解析の終了間際になって行われる。

近似的な中心から早期に極座標変換することによって、極座標領域において迅速に１Ｄセグメンテーションを実施できることがある。極座標セグメンテーション（ＰＯＳＥ）は、１次元信号処理を用いて、明らかな瞳孔境界及び虹彩境界を迅速に抽出することができる。その解析は、非楕円境界（すなわち、幾何学的及び生物学的に歪んだ画像）を含む、全ての種類の境界を検出することができる。その手法は、大きく回転した頭、目及び／又は虹彩の遠い側から見通すことができる境界を取り扱うことができる。

瞳孔内の起点を検出すれば、極座標領域へのマッピングを開始するのに十分であるかもしれない。瞳孔中心をさらに調整することは、極座標領域内でのＰＯＳＥ技法の一部と見なすことができる。中心点推定は、任意の小球解析、閾値処理（瞳孔が目の画像の最も暗いコントラストで存在するものと仮定する）、又は他の手法に基づくことができる。既知の関連技術とは異なり、解析の基礎として瞳孔中心を用いることができる。虹彩領域は、同じ瞳孔中心に対して、同心となる／中心を成すようにさらに正規化することができる。

虹彩１３を取り囲む対象領域（ＲＯＩ）の瞳孔を中心とした極座標表現を迅速に計算することによって、その工程を開始することができる。ＲＯＩは、推定された瞳孔中心１２、Ｃ（ｘ_０，ｙ_０）に対する極座標領域にマッピングすることができる。

予め定義された／推定された中心に基づいて、近似的な虹彩１３の幅を推定することによって処理を続けることができる。その後、予め定義された中心及び虹彩幅を用いて、任意の実際のセグメンテーションが実行される直前に、マッピングを実行することができる。

図２は、画像領域から極座標領域にマッピングするために用いられる、参照されるパラメータを示しており、すなわち、その図は、画像極座標マッピングのための虹彩基準を示す。

その後、極座標領域において１Ｄ関数を構成することができ、その後、それを畳み込んで、目１０の瞳孔１１及び虹彩１３の境界を特定することができる。解析的な１Ｄ関数は、半径変数ｒの関数として、各角度において定義することができる。

中心１２であるＣ（ｘ_０，ｙ_０）に対する虹彩１３の推定された場所は、以下のように計算することができる。

ただし、ｕ（ｒ）は、関数ｆ（）のコントラスト変化を検出するために用いられるステップ関数である。
図３は、１Ｄ極座標セグメンテーションを示す。本発明の手法を、１Ｄ照合フィルタにさらに簡略化して、虹彩１３の境界の厳密なエッジを検出することができる。その後、全ての所望の予め定義された角度において、セグメンテーションを実施することができる。左から右へのピーク１５及び１６はそれぞれ、瞳孔１１及び虹彩１３の半径を表す。

図４は、例示するために正規化を省いた画像セグメンテーションを示す（正規化は通常、セグメンテーション工程において抽出される１Ｄ信号において実施されることに留意されたい）。この図に示されるように、瞼１７及び１８、並びに／又は睫毛１９は、虹彩１３の環状領域のある部分を覆い隠すことがある。関連技術による技法は、これらの不明瞭な部分を雑音として処理することができ、たとえば、多くの場合に、ハフ変換を用いて、上側及び下側の瞼に多数の直線的／非直線的な曲がり／線を当てはめることによって、最初に瞼／睫毛のエッジを検出することにより、覆い隠された領域を分離する傾向があり、それゆえ、既に複雑である手順に、さらに大きな計算負荷をかける。他の代替の技法は、ガボールフィルタと、強度の分散及び接続性判定基準に関する閾値処理とを利用して、推定された曲がりによって、睫毛表現の接続された点を導くようにする。これらの技法とは異なり、虹彩１３の影響を受けているエリアの本発明による分離は、予想される半径セグメント２０（推定されるセグメント２０の中央値であり、予想される長さは、歪み又は雑音の可能性が最も低い名目的な角度において得られた測定値だけに制限されることがある）を、測定された幅と比較することによって果たすことができる。測定された幅に著しい減少がある場合には、そのデータは雑音として処理され、個別に処理されることがある。

図５は、正規化、及び瞼１７、１８による遮蔽２１を処理することを示す。本発明には、瞼による遮蔽２１を処理することができる２つの代替形態がある。第一に、影響を受けている角度にある全ての対応するピクセル２２をマスクすることができる。この手法は、以下の手法よりも簡単であるが、相違を正確に見分けるために最終的に極めて重大な役割を果たすことがあるいくつかのピクセルを除去する傾向がある。第二に、虹彩１３の影響を受けている領域２３だけをマスクすることができる。瞼が上側部分を遮蔽している（２１）中で、図４において捕捉される領域は、予想される幅値（すなわち、測定値の中央値）に基づいて、その領域を正規化することによって評価することができる。したがって、図５に示されるように、瞼１８の下で遮蔽される虹彩１３に対応するピクセル２３だけがマスクされる。

虹彩１３の正規化について言及する。より正確な認識結果を達成するために、極座標データを符号化方式にかける前に、形状の変形を補正し、虹彩１３の形状を均一にすることが必要とされることもある。典型的な技法は、終了間際に正規化を実施する。本発明の技法では、正規化は、セグメンテーション工程において実施することができる。

少なくとも４つの主なアーティファクトがある結果として、虹彩１３の円形の形状が変形し、それにより、虹彩ピクセルをラバー極座標表現にマッピングするときに、正規化方式を必要とすることがあると予想される。第一に、範囲に差があることがある。異なる人々の虹彩は、制約された条件下であっても、カメラの異なる範囲において捕捉されることがある。第二に、虹彩が拡張することがある。照明の変化に起因して、虹彩の大きさが変化すると予想するのが当然であるかもしれない。通常、このタイプの変化は、環状の虹彩形状にわたって均一であるかもしれない。第三に、自然に虹彩が変形することがある。虹彩がもともと非対称である場合がこれに相当することがある。瞳孔１１の領域は必ずしも、虹彩１３の領域内で同心ではなく、わずかに外れることがある。これは、個人の相違を正確に見分ける付加的な特徴として用いることはできるが、簡単にするために、全てのテクスチャをただ１つの参照形状にすることができる。本発明の正規化方式は、変形した虹彩１３の相違を正確に見分ける特徴を保持しながら、新たな表現にすることができる。第四に、透視平面が、大きく回転した頭、目１０及び／又は虹彩１３の遠い側から見通すことができる任意の境界を含むことがあるように配置されることがある。

関連技術とは異なり、本発明の正規化工程は、ＰＯＳＥ技法から虹彩１３のセグメントが抽出されるのに応じて実施することができる。たとえば、以下の式を、角度θにおける極座標マップの１Ｄ表現であるとする。

簡単にするために、θ軸に沿って一様な積分が用いられるものと仮定することができる。その際、正規化された信号は、信号の補間／デシメーションに基づくことができる。正規化された出力は、以下のように表される。

Ｌは、虹彩１３のテクスチャの極座標表現のための所望の次元（すなわち、行の数）である。変数ｈは、変形タイプ及び劣化量に応じて異なることがある。図６は、同時に実施される虹彩１３のセグメンテーション及び正規化を示す。特徴抽出技法について言及する。

本発明の手法は、対象者にいかなる制約も加えることなく、多数の課題に対処し、信頼性のある虹彩システムの商業化に向けて進むことができる。空港搭乗ゲート、広場、潜在的な交差道路、細心の注意を要する検問所のような広い場所において対象者を認識／識別することに特に関心があることがある。これらの応用形態は、画像収集において全く制約が課されることなく、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅを構成することができ、本明細書では「ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅ」（ＩＡＤ）と呼ばれることもある。

包括的なｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅのシステムは主に、２つの異なる技術、すなわち光学設計及びコンピュータビジョンソリューションによることがある。このセクションでは、コンピュータビジョンソリューションに重点が置かれることがある。

本発明のシステムは、不規則な収集された虹彩１３の画像のための信頼性のあるセグメンテーション段階を特徴とする唯一のシステムであるかもしれない。ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅのシステムを実地で使用する実用的な態様について言及する。適切に機能させ、商業的に実用可能にするために、監視システムが果たす必要がある多数の要件がある。睫毛１９及び瞼１７、１８による遮蔽問題は、複数の課題の一部であろう。ＰＯＳＥセグメンテーション技法を用いて、それらの課題のうちのいくつかを解決することができる。ＰＯＳＥは、空間的な閾値処理又はハフ空間に基づく技法のような機構よりも、信頼性が高い機構であることがわかっている。

空間的な閾値処理は、目の画像の全ての関連する虹彩ピクセルを分類するという、その価値が疑わしい作業を果たすかもしれない。エッジ検出及びハフ変換は、全ての必要なステップを実行し、虹彩１３のセグメンテーションを抽出するために、多大な計算負荷を必要とすることがある。さらに、虹彩を、円、楕円又は（睫毛を表す）予め定義された曲線のような予め定義された形状に当てはめることは、対象者の虹彩が、虹彩１３の完全な透視平面を描写するためのガイドラインの中に置かれる制約のある条件下でのみ、現実に最も近づくことができる。このシナリオは、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの手法では、現実からは程遠いように見える。

ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの場合、信頼性のある虹彩認識作業を可能にするために、関連技術の多くによって要求される制御レベルを実施するのが難しいことがある。制御されない動作へのそうした適用を取り扱う際に、捕捉された目１０が閉じていること、睫毛１９及び瞼１７、１８による遮蔽２１、並びに対象者の目が画像形成装置と真直に位置合わせされないことに起因するアーティファクトという、３つの大きな課題が生じることがある。図７に示されるように、睫毛１９、又は目が閉じていること、又は大きく回転した頭、目１０若しくは虹彩１３の遠い側から見通すことができる境界の影響の結果として、透視平面の配置に起因して、ある変形が生じることがある。

図７ａは、瞼を閉じること、睫毛１９及び片寄った虹彩１３の副作用の一例を示す。関連技術のアルゴリズムの多くは、画像収集において瞼を閉じること、遮蔽及び変形に直面する際に失敗する。

本発明のシステムは、ＰＯＳＥセグメンテーション手法に基づく特徴抽出技法を用いて、そのようなシナリオを取り扱うことができる。本発明の手法は、収集される画像内の非対称性に対処することができ、本発明のシステムは、動作が制御されない状態で動作することができる。図７ｂは、特徴抽出２４の結果が改善されている、本発明の手法の結果を示す。

透視平面変換について言及する。本発明の事前処理手法は、画像収集における変形のうちのいくつかに対処する透視平面の配置に基づくことができる。そのような作業では、対象者が収集デバイスから種々の角度で捕捉されることがあるか、又は対象者の目１０又は虹彩１３が、画像形成装置を真直に見ていないことがある。

画像形成角度から顔面の空間内の配置を推定するための本発明の事前処理手法は、これらの配置の角度のうちのいくつかが顔認識ツールによって与えられるという事実に基づくことができる。捕捉された画像、及び画像形成平面内のその個々の投影の正確なモデルを導出することができる。画像形成平面に対してではなく、顔に対する虹彩１３の位置を検出するために、透視投影は、本発明の事前処理作業において支配的且つ基本的な役割を担うことができる。透視投影の影響が除去される場合には、虹彩１３のセグメンテーションを著しく簡単にすることができる。位置合わせされた透視平面で再現された顔画像において一度だけ、ＰＯＳＥ技法を容易に適用することができる。視線の垂直な軸に対して角度を成してカメラが配置される場合には、配置の推定は不可欠であることがある。たとえば、最初に透視投影の影響が除去され、それゆえ、捕捉されるフレーム内の非対称性が緩和され、正確なセグメンテーションが生成される場合には、セグメンテーション及び特徴抽出２４の手順を著しく簡単にすることができる。

図８は、画像収集における透視平面の配置を示す。透視変換を解決するために、その解析は、高次偏微分方程式を含むことができる。以下の説明では、カメラ２５の透視平面から実際の顔の幾何学的画像の推定値を与えるために、ピンホール透視投影モデルを仮定することができる。カメラ平面又は画像形成平面２７に座標系

を割り当てることができ（画像形成平面座標）、実際の顔平面２６に座標

を割り当てることができる。顔の配置を表すために、顔法線の仰角を用いることができる。仰角αとして、顔法線とカメラシステム軸２８との間の角度を用いることができる。傾斜角βを用いて、ｘ軸と、画像形成平面２７上への顔法線の投影との間の角度を表すことができる。θを、上側瞼１８の中心と、顔平面２６上の画像傾斜ベクトル（ｃｏｓβ、ｓｉｎβ）の逆投影との間の角度とすることができる。傾斜ベクトルは、仰角に関連付けられることができ、顔の表面が画像形成平面２７の透視平面に対して如何に傾斜しているかを示すことができる。したがって、実際の顔から画像形成平面２７への座標変換は以下の式によって与えることができる。

ただし、以下の式が成り立つ。

画像形成平面２７において捕捉される点Ｐ（ｘ，ｙ）の実際の座標を抽出するために、透視逆投影に起因する、画像平面上の点から顔面平面２６上の点への逆変換として、元の座標を表すことができる。

改善された特徴抽出２４の手法を用いることができる。この努力の目的は、遮蔽２１及び不規則性が予想されるさらに多様な環境において、さらに制約のない虹彩捕捉に適用されるように、どのものが虹彩１３の認識におけるＰＯＳＥ技法の現在の能力を高めるかを探ることである。本発明の手法は、収集された画像において虹彩１３の環状部の一部が視認可能である限り、これらの制御されない条件下のいずれにおいても動作することができる。本発明の手法の全体的な考え方が図９に示される。

その手法は、ＰＯＳＥ技法を用いて、虹彩１３の領域をセグメント化するステップ３１によって開始することができる。その後、ステップ３２を実行して、虹彩領域を、影響を受けていない領域と影響を受けている領域とに分類することができる。ステップ３３では、規則的な虹彩形状、又は不規則な、すなわち楕円の虹彩形状に当てはめるように、影響を受けていない領域を処理することができる。これは、正規化のための楕円当てはめステップ３８を含むことができる。本発明の曲線当てはめ手法は、ＰＯＳＥを介してスネーク輪郭描写を用いる不規則な形状のための概ね全ての起こり得る事例を網羅するのに概ね十分であろう。その後、ステップ３４では、遮蔽の影響を緩和するために、抽出された形状のパラメータ、すなわち較正ステップ３７を用いて較正することができる任意の取り得る領域を覆うように、影響を受けている領域を処理することができる。ステップ３５では、虹彩１３が睫毛１８又は瞼１７及び１８で完全に覆われたエリアを、混合モデリング技法ステップ３６を用いてクラスタ化することができる。符号化ステップ３９のためにステップ３６、３７及び３８からの入力を用いることができ、符号化ステップにおいて、虹彩１３のマップをビット形式の数値コードに変換することができる。

虹彩認識の第１の段階は、デジタルの目の画像において、実際の虹彩領域を分離することである。最小限の計算で、すなわち１Ｄベース解析で虹彩領域を抽出するために、ＰＯＳＥ技法をうまく適用することができる。本発明のＰＯＳＥセグメンテーションの成功は、目の画像の画像形成品質によることがある。たとえば、画像を事前処理段階に通して、正反射又は任意の他のタイプの背景雑音に起因するアーティファクトを除去することができるであろう。さらに、ＰＯＳＥは、解析を瞳孔中心の周囲に局所化することができ、関連技術によって要求されることがある、虹彩中心に対して同心でないことを調整する工程を必要とすることなく、それを直ちに極座標領域にマッピングすることができる。

図９は、ＰＯＳＥ３１を用いる特徴抽出２４の手法を示す。虹彩分類ステップ３２は、ＰＯＳＥエッジの対称性を用いることができる。ＰＯＳＥ又は関連技術は、虹彩３１が視認可能である限り、それをセグメント化することができる。ＰＯＳＥは、虹彩の一部しか必要としないことがあり、必ずしも虹彩全体が視認可能である必要はない。たとえば、瞼１７及び１８並びに睫毛１９は通常、虹彩１３の領域の上側部分及び下側部分を遮蔽することがある。関連技術は、ハフ変換を利用して、上側１８及び下側１７の瞼を放物線の弧で近似して、睫毛１９又は瞼１７及び１８の抽出を解決することができる。関連技術のエッジ検出を実行する際に、瞼１７及び１８を検出するために、水平方向の導関数を調整することができる。これは、目１０又は頭が水平軸から傾けられていないときにうまくいくことがある。さらに、ハフ変換法は多数の問題を生じることがある。第一に、それは、エッジ検出のために閾値処理が選択される必要があり、この結果として、重要なエッジ点が除去されることがあり、そのため、弧（さらには虹彩境界のための円）を検出し損なうことがある。さらに、ハフ法は、その強引な手法に起因して、大きな計算負荷がかかることがあり、それゆえ、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅの応用形態には実用的でないことがある。

余分な工程を追加することなく、目１０の配置を検出するための手法を導入することができる。この手法は、ＰＯＳＥの結果として生じるエッジ点の対称性の検出に基づくことができる。図１０に示されるように、虹彩１３の対称な部分４１は、虹彩１３及び強膜の縁部が明確に視認可能である、遮蔽されていないエリアを表すことができる。非対称な領域は、瞼１７及び１８並びに睫毛１９を表すことが示される場合がある（非対称性は強膜の遮蔽に起因することは明らかである）。検出されたＰＯＳＥ画像内の非対称性を用いて、虹彩画像を分類することができる。この技法は、影響を受けているエリアから、最良の視認可能な虹彩エリアを識別するための方法を提供することができる。必要であると思われる場合には、影響を受けているエリアは、マスクすることができるか、又はさらに解析して、さらにテクスチャパターンを抽出することができる。

図９において言及され、図１１において導入されるように、楕円当てはめステップ３８に基づく正規化を用いることができる。初めに、角度全体にわたる径方向へのＰＯＳＥセグメンテーションによって、エッジマップを生成することができる。その後、正規化工程のために、エッジマップの対称な点４３を選択することができる。これらの対称な弧点４３から、対称な弧の各エッジ点４３を通る様々な円４２のパラメータを求めるために、ＰＯＳＥ空間（すなわち、ＰＯＳＥエッジマップによって予め定義される範囲）内で選出がなされ得る。その際、楕円４４の検出方式は、これらの様々な円４２の重なりに基づくことができる。これらのエッジ点４３は、これらの様々な円４２の中心座標として用いることができ、以下の式に従って任意の円を定義することができる。

ｒ^２＝（ｘ−ｘ_０）^２＋（ｙ−ｙ_０）^２
円の半径は、図１１に示されるように、最も外れたエッジ点から中心が如何に離れているか基づいて、異なることがある。対応する半径の変化は、以下のように計算することができる。

反復結果として生成される半径は、以下のように定義することができる。

ＰＯＳＥ空間の最大点は、構成される円の大部分の交点に、それゆえ、図１１に示されるように、楕円４４の対応する半径及び中心４５に対応することができる。
遮蔽の影響を緩和するために、較正を用いることができる。自動ＰＯＳＥセグメンテーションモデルは、瞼１７又は１８によって遮蔽されるエリア部分を含む、概ね全ての虹彩領域を検出するのに成功することがわかる。しかしながら、正確な正規化を実施し、解析を均一にし、データベース内のテンプレートに対して十分に正確な照合を行うために、完全な半径を表さないような検出された半径には基づかず、虹彩１３の実際に半径に基づいて、径方向の軸に沿って検出された点をリサンプリングする必要があるであろう。こうして、名目的なエリア（すなわち、対称なエッジ）において検出されたエッジマップ点への最良の楕円当てはめに基づいて、測定値を調整し、それに応じて拡大縮小し直すことができる。その手法は、以下のステップにおいて示すことができる。

第一に、以下の式に従って、名目的なマップエッジから楕円パラメータを推定することができる。

第二に、全ての角度θに対して、以下のように、較正係数を計算することができる。

ただし、ｒは以下の式によって与えられる。

第三に、較正係数に基づいて、そのマップを拡大縮小し直すことができる。
虹彩の径方向の経度の調整／較正を行うことができる。図１２及びその表記に注目されたい。

本発明の技法は、ｉｒｉｓ−ａｔ−ａ−ｄｉｓｔａｎｃｅに非常に適している。そのような作業では、対象者が収集デバイスから様々な範囲において捕捉されることがあるか、又は対象者の目が画像形成装置と真直に位置合わせされないことがある。通常、そのような応用形態では、信頼性のある虹彩認識動作を可能にするために、関連技術の大部分によって要求される制御レベルを実施するのは難しい。ここで、本発明の概念は、収集される虹彩画像形成における非対称性にうまく対処することができ、虹彩環状物の一部が視認可能である限り、本発明のシステムは、多数の任意の動作が制御されない状態で動作することができる。本発明のシステムの目的は、虹彩認識において、かなり多様な環境において、より制約のない虹彩捕捉に適用されるような能力を持つことである。本発明の解析は、不規則な境界及び非楕円の境界を含む、多数の種類の境界を検出することができ、すなわち、幾何学的及び生物学的に歪んだ画像を検出することができる。本発明の手法は、頭が大きく回転している場合の虹彩の遠い側において見通すことができる大部分の任意の境界を取り扱うことができる。瞳孔１１の領域は必ずしも虹彩１３の領域と同心ではなく、通常、わずかに外れていることがある。

信頼性のある虹彩認識技術を実現することができる。しかしながら、虹彩特徴を計算することは、虹彩境界抽出に焦点を合わせた高品質のセグメンテーション工程を必要とする。

関連技術では、通常、信頼性のある認識動作を可能にするために、その技術において要求される制御レベルを実施することが難しいことがある。そのような制御されない動作の応用形態を取り扱うときの主な課題は、目を閉じること、遮蔽、及び対象者の目１０が画像形成装置と位置合わせされないことに起因するアーティファクトを含むことがある。

本発明のシステムは、遮蔽及び不規則性が予想されるさらに多様な環境において全く制約を受けない虹彩１３の捕捉に適用するために、ＰＯＳＥの能力を改善することができる。ここで、事前処理手法は、画像収集におけるこれらの変形に対処する透視平面の配置に基づくことができる。カメラ透視平面から実際の顔の幾何学的画像の推定値を与えるために、透視投影モデルを仮定することができる。

ＰＯＳＥは、その解析を早期の段階において極座標領域にマッピングすることができる。極座標領域においてセグメンテーションを実施することによって、ただ１つのステップにおいて、セグメンテーション及び較正だけでなく、雑音除去も実行して、符号化方式のための特徴マップを生成するためのより効率的且つ迅速な工程をもたらすことができる。

虹彩当てはめステップのために、最小二乗解を用いることができる。以下のように定義すると、一般的な二次曲線の方程式ａｘ^２＋２ｂｘｙ＋ｃｙ^２＋２ｄｘ＋２ｆｙ＋ｇ＝０は楕円である。

簡単にするために、ｇ≠０と仮定して、定数をｇで割ることによって、その方程式を変形することができる。それゆえ、その式は以下のようになる。

ｇ＝１として、時点ｋの測定値を以下のように定式化することができる。

１→Ｎの任意の時点ｋの測定値として、測定値（Ｘ_ｋ，Ｙ_ｋ）に対して、以下の式を定義することができる。

Mを、Ｎ×５次元を有する以下の式で表されるものとする。

以下の式を用いて、楕円４４を解くことができる。

ただし、ベクトルｌは、Ｎ×１次元を有する以下の式で表されるものである。

Δ≠０、Ｊ＞０且つΔ／Ｉ＜０であると仮定する。その場合、楕円４４のための中心４５は（ｘ_０，ｙ_０）である。ただし、ｘ_０及びｙ_０は以下のとおりである。

回転の角度は以下のとおりである。

また半軸長は以下のとおりである。

以下は、図１３に関連して、楕円から円を表現するために適用可能であり、比ａ／ｂで拡大縮小されることがあるプログラムの草案である。
function ellipse = find_me_ellipse (edges, rmin, rmax, num)
%*************************************************************************************
%ellipse = find_me_ellipse (edges, rmin, rmax) -- returns the
coordinates
% of ellipse in an image using a simplified version
of Hough transform to detect overlapping circles at
the center.
% The image may be rescaled to transfer elliptic
shapes into circular shapes so that existing
technology of circular fitting can be applied to
locate elliptic center and eventually elliptic
parameters as illustrated herein.
%
%INPUTS :
% edges - the image in which to find ellipses
% rmin - lower radius to search for
% rmax - upper radius to search for
% num - number of points to search for the ellipse shape
%OUTPUTS :
% ellipse.x,.y.r - ellipse coordinates
**************************************************************************************
[rows, cols] = size (edges);
if ~exist('rmin'), rmin = 5; end;
if -exist ('rmax'), rmax = round ((min(cols, rows))/2); end;

amax = rmax(1);
ellipse.x = 1;
ellipse.y = 1;
ellipse.a = 0;
ellipse.b = 0;

ratioMax = amax/bmax;
ratioMin = amin/bmin;
ratio = ratioMin:(ratioMax-ratioMin)/(num-1):ratioMax;
nradii = (bmax-bmin+1);

% perform the circular Hough transform
hough = hough_circle (edges, bmin, bmax, ratio);
maxtotal = 0;

% find the maximum in the Hough space,
% and hence the parameters of the circle
for k=1:num,
scale = hough (:, :, n, k);
for n+1:nradii
layer = hough(:, :, n, k);
maxlayer = max2(layer);

if maxlayer > maxtotal
maxtotal = maxlayer
radius = bmin+n-1;
[row, col] = find(layer == maxlayer);
ellipse.y = row (1);
ellipse.x = round(col(1)*scale);
ellipse.b = radius;
ellipse.a = round(radius*scale);
end % if;
end, % for n
end; % for scale .
%=========================================================================
function hough = hough_circle (edges, rmin, rmax, ratio)
%=========================================================================
% h = hough_circle (edge__img, rmin, rmax)
% - takes an edge map image, and performs the Hough
transform
%
% INPUTS :
% edges: the edge map image
% rmin, rmax limit search to this minmax range.
%
% OUTPUTS :
% hough: Hough transform
==========================================================================

[rows, cols] = size(edges);
[rowList, colsList] = find (edges ~=0);
len = length (rowsList);
nradii = (rmax-rmin+1);
num = length (ratio);

hough = zeros (rows, cols, bradii, num);

% for each scale,
for k = 1:num
scale = ratio (k) ;
XList = round (colsList/scale);

%for each edge point, draw circles of different radii
for index=1:len,
circle.y = rowsList (index); % def circle coordinates
circle.x = XList (index);
for n=1:nradii
circle. r = n+rmin-1;
hough(:, :, n, scale) = add_circle(hough(:, :, n, scale),
circle);
end % for n
end % for index
end; %scale
%
混合モデリング（ＭＭ）技法を用いて、テクスチャセグメンテーションを達成することができる。セグメンテーションは、ピクセルレベルにおける正規分布表現の混合物に基づく関連技術に由来している。この方法は、シーンを識別する上ではるかに適応性が良いことを特徴としており、２つの様式の背景を有する場合であっても取り扱うことができる（すなわち、動的なシーンにおいて対象としていない動きのある物体を除去するための手段を有する）。言及されたばかりの手法によって要求される計算負荷を調停する目的で、ピクセルレベル解析の代わりに、ブロックレベル解析において適応的な混合モデリング手法を実施することができ、入力されるピクセル／ブロックの正規分布と既存のモデル分布との間に、簡略化されたダイバージェンス指標を導入することができる。いずれの代替形態とも、画像内容の変化にはるかに適応性が良いことを特徴とし、複雑なシーンを取り扱うことができる。

ここで、これらの２つの上記の代替形態の混合モデリング手法の変更形態を導入して、虹彩テクスチャの変化を取り扱い、統計的なＭＭ能力を利用することができる。本発明の手法は、ピクセルレベルにおける多重正規分布表現を用いることができる。しかしながら、本発明の手法では、必ずしも、経時的にピクセル／ブロックをモデリングしない。代わりに、虹彩エリアの対象部分の所定の領域において実行される初期化で、ピクセルのブロックを空間的にモデリングすることができる。

統計的分布を初期化するために、近似アルゴリズム又は期待値最大化（ＥＭ）アルゴリズムを伴う関連技術の代わりに、本発明のヒストグラムに基づく手法を用いることができる。ＥＭ及び近似の両方とは対照的に、本発明のヒストグラムアルゴリズムは、分布分類の迅速な収束及び安定した性能を促進にする、より信頼性の高い初期の統計的支援を提供することができる。

また、スペクトル情報ダイバージェンス（ＳＩＤ）指標及び相対エントロピー（ＲＥ）指標を変更したものとして、明らかに信頼性のあるダイバージェンス指標を導入することもできる。本発明のダイバージェンス指標として、走査されるピクセルの正規分布と既存のモデル正規分布との間の判定基準を照合するために用いられるＳＩＤ指標の簡略化されたものを用いることができる。その指標は、一定値（２標準偏差）よりもはるかに優れた指標であり、予め定義されたＳＴＤよりもはるかに信頼性が高い。その指標は、以下に説明されるように、二重の用途があり、すなわち、虹彩テクスチャのセグメンテーションのために、且つ虹彩シグネチャ間の類似度を判定するために用いることができる。

虹彩テクスチャ解析では、走査されるピクセル毎に、新たなダイバージェンス情報指標を用いて、一致又は不一致を検査することができる。一致することがわかったとき、モデル混合物の重みを更新しながら、先入れ先出し（ＦＩＦＯ）法を用いて、モデル更新を実行することができる。一致しないことがわかったときには、睫毛１９又は瞼１７、１８領域（非虹彩領域）に関連付けられる、外側の１組の分布の中の走査された分布の分類を保証するようにして、更新を実行することができる。

本発明の混合モデリングに基づく概念によれば、虹彩テクスチャの混合モデルの各種類の記述を更新しながら、各虹彩画像内の睫毛１９並びに瞼１７及び１８ピクセルを識別できるようになる。その後、照合されたピクセルは、汎用の連結成分アルゴリズムを用いて、連続したテクスチャに組み立てることができる。

初期化５１を実行することができる。初期化段階の目的は、その種類の分布を表す適切な値を有する虹彩１３の領域及び非虹彩５０の領域に対応するピクセルクラスタのための初期の統計パラメータを設定することである。これらの初期値は、虹彩１３の領域及び非虹彩５０の領域にわたるピクセル値の動的な変化のための起点として用いることができる。対称性に基づく分類器に基づいて、十分な数のピクセルを用いて虹彩１３の予め定義された領域５２を抽出し、その後、画像の残りの部分に拡張する前に、それらのピクセルを処理することができる。選択されたサブ領域Ｘの各ピクセル５４は、以下のように空間的に変化する３つの正規分布の混合物と見なすことができる。

ただし、ω_ｉは、以下の条件を満たす虹彩領域の透視平面内のX変量の混合比率の重みである。

表記Ｎ（μ_ｉ，Σ_ｉ）は、平均μ及び共分散行列Σを有する正規分布を表すことができる。簡単にするために、本発明の解析では、隣接するピクセルは互いに相関がなく、同じ標準偏差を有するものと見なすことができ、それゆえ、共分散行列は、恒等行列のスカラー倍に簡略化することができ、即ち、Ｎ（μ_ｉ，Σ_ｉ）は、Ｎ（μ_ｉ，σ_ｉ ²）と表される。

図１４の初期化５１は、６１、６２及び６３によってそれぞれ指示されるような虹彩分布

を示すことができる。走査されたピクセル５４から入力される形跡６７は、分布６１、６２及び６３にそれぞれ、ω_１（Ｉ）、ω_２（Ｉ）及びω_３（Ｉ）を与えることができる。６４、６５及び６６によってそれぞれ指示されるような非虹彩分布

も存在することがある。走査されたピクセル５４から入力される形跡６８は、分布６４、６５及び６６にそれぞれ、ν_１（ｔ）、ν_２（ｔ）及びν_３（ｔ）を与えることができる。

関連する混合モデリング方法は、ランダム数、近似アルゴリズム又はＥＭアルゴリズムのいずれかでピクセル値を開始することができる。関連技術の初期化方法は、時間依存性の分布に適用されるように思われ、さらには、結果として、それらの方法は全て学習（近似）が遅く、推定（ＥＭアルゴリズム（非常に計算負荷が重い技法））が粗いように見えるので、大部分のシナリオにおいて実用的であることを証明しているとは思われなかった。それらの方法の推定が粗い結果として、初期化段階を制御下に置くために多数のピクセルが考慮されない限り、通常は非常に偏った結果を生じることがある。関連技術とは対照的に、計算負荷を回避するために、現在、蓄積されたピクセルをそのヒストグラムに基づいてクラスタ化する、非常に簡単であるが、強力な方法を利用することができ、ヒストグラムコントラストの変化に基づいて、その分布を近似することができる。収集されたピクセルを３つのクラスにクラスタ化することによって、３つの分布の推定値を求めることができ、各クラスの中心は、３つのクラスタの中で最も大きな相違性を有する。蓄積されたピクセル全体に対する個々のクラスのピクセルの割合に基づいて、重みを線形に増減することができる。その結果は、初期重みを有する虹彩ピクセル当たり３つの正規分布のための混合モデルになる。これらの正規分布は、虹彩ピクセル毎の３つの潜在的な異なる状態を表すことができる。虹彩領域のある部分を覆う睫毛に起因して、示されるグレースケール虹彩ピクセルを分類するために少なくとも３つのクラスが予想されること、及び虹彩内のテクスチャが少なくとも３つのレベル又はクラスのコントラストに分類されることがあることを直観的に主張することができる。実験では、本発明によるヒストグラムに基づくクラスタリング技法は、虹彩セグメンテーションの後続の主な段階に対する迅速な学習及び非常に優れた安定性を提供する優れた初期化方法であることを立証しているように思われる。これは特に、初期化５１が予め明確に定義されていない虹彩初期領域において生じるときに当てはまるように思われる。

初期化５１及び後続の処理の両方において、１つのピクセルの各虹彩ピクセル成分を所定の数（たとえば実験を通じて３つを用いることができる）の正規分布の混合物として表すことを選ぶことができることに留意することが重要であろう。本発明の光学システム及び収集システムを用いて、結果として生成されたピクセルコントラストをクラスタ化して実験した後に、この選択（すなわち、Ｋ＝３）に至ることができる。しかしながら、他のシステム構成は、虹彩テクスチャコントラスト変動内の動的な変化を網羅するために、さらに多くの数のクラスを必要とすることがある。種々の実験から、虹彩当たり３つの正規分布が、自然なテクスチャ変化を捕捉する十分にデータが豊富な表現方式であることが明らかである。さらに正規分布を増やすと、セグメンテーションの品質を改善することなく、計算負荷が単に重くなるように見える。

混合モデルに基づく虹彩セグメンテーションを実施することができる。初期混合モデルは、画像全体を走査しながら、後に動的に更新することができる。更新の仕組みは、新たな形跡（新たに走査されたピクセル）を基にすることができる。既存の虹彩分布はいずれも、取り消されないか、又は置き換えられないことがある。しかしながら、動的に更新されるのに応じて、分布のパラメータを変更することができる。非虹彩分布６４、６５及び６６に関しては、一致しない場合には、既存の分布のうちの１つを取り消して、新たな分布で置き換えることができる。画像全体を走査しながら、空間内の全ての点において、最も強い形跡を有する分布が、ピクセルの最も確率が高い虹彩状態を表すものと見なすことができる。

図１４は、正規分布モデルの混合の視覚化を提供することができる。その図は、虹彩セグメンテーションに適用されるような混合モデリング手法も明らかにすることができる。本発明の手順を用いて、閾値又は学習パラメータを用いることなく、混合モデルの混合比率の重みを更新することができる。一致することがわかった場合には、モデル更新を実行することができ、適応的な重み付けを用いて、重みを更新することができる。一致しないことがわかった場合には、非虹彩分布セット内に入力される分布が含まれるのを保証するように、更新を実行することができる。最小の発生数に達すると、非虹彩の最小の重み付けされた分布が、新たな最も頻度の高い分布で置き換えられることがある。

そのアルゴリズムは、以下のように機能することができる。第一に、虹彩の所定の領域の既存の分布を初期化することができ、母集団セットの割合に基づいて、重みを求めることができる。第二に、そのアルゴリズムは、睫毛１９、瞼１７及び１８、縁及び他の起こり得る特徴を考慮に入れる第１のＫ_０個の分布を選択することができる。典型的には、３つの取り得る非虹彩領域（すなわち、睫毛１９、瞼１７、１８，縁等）に関連付けられるＫ_０＝３を設定することができる。第三に、その後、そのアルゴリズムは、任意の走査されたピクセル値が既存の正規分布のいずれかに起因するかを検査することができる。用いることができる照合判定基準は情報ダイバージェンス指標であり、それは、他の同様の手法から本発明の手法への重要な寄与であろう。本明細書において、ダイバージェンス指標が説明されることもある。

第四に、そのアルゴリズムは、分布及びそれらのパラメータの混合物を更新することができる。更新の性質は、照合動作の結果によることがある。虹彩又は非虹彩分布内で一致することがわかった場合には、一致した分布を、そのときの方法を用いて更新することができる。一致しないことがわかり、且つ最小数に達した場合には、非虹彩の最も弱い分布を、新たな分布で置き換えることができる。要求される最小数に達していない場合には、いずれの分布も置き換えることなく、カウンタをインクリメントすることができる。この場合に実行される更新は、非虹彩セットに新たな分布が含まれることを保証しながら、虹彩分布混合物の性質を保持することができ、それは本発明の方法の１つの態様とすることができる。照合及びモデル更新動作は大きく関連付けられることがあり、以下に詳細に説明される。情報ダイバージェンス指標を用いることができる。２つの分布

の間のＳＩＤ情報指標は、以下のように定義することができる。

ＳＩＤ指標は、相対エントロピー指標の対称性の指標として用いることができる。ＳＩＤ指標は、スペクトル角マッパ（ＳＡＭ）と組み合わせることができる。ＳＩＤ指標は共役である（すなわち、その偏角を中心にして対称である）ので、本発明のアルゴリズムの目的を果たすために、他の指標に優先して用いられる必要がある。通常、ダイバージェンス測定値の大部分における論理的選択である相対エントロピーは、この特性を満たすように見えないので、本発明の手法では必ずしも用いられない。ほとんど操作することなく、以下の式を示すことができる。

関連技術では、新たな走査されたピクセルデータ点は、応用形態及び動作条件とは無関係に、一定の予め定義された分布でモデリングされることがある。その分布は一定であると仮定されていることがあり、これらの定数はある実験的な観測に基づいている。分散は動作環境とともに変化するので、予め定義することはできないことを示すことができる。むしろ、現在の動作に依存する入力される分布のさらに良好な推定値を与えることができる。Ｊ（ｆ_ｉ，ｇ）ダイバージェンス指標を簡単にし、よりコンパクトであるが、結果としてＳＩＤ指標と同様の結果が生成されるようなＨ（ｆ_ｉ，ｇ）ダイバージェンス指標を導入するために、この近似を定式化することができる。本発明の指標は、入力される分布が以下のようにモデリングされるという事実に基づくことができる。

ただし、ｘ_ｉは走査されるデータ点である。分散の選択は、スカラーとして表すことができる。この式を指標の式に代入する結果として、以下の式を得ることができる。

上記の仮定に基づいて、よりコンパクトな情報ダイバージェンス指標になるＳＩＤ指標を推定することができる。たとえば、α_ｉ＝１と仮定することができる。したがって、上記の指標の第１項は０になり、第２項のスカラー２の係数は消去され、評価される際に、全ての分布の中の本発明による比較に影響を及ぼさないであろう。この結果として、簡単な情報指標（ＩＭ）を生成することができ、それは以下のように与えられる。

全てのダイバージェンス指標が計算されると、以下の式について分布を求めることができる。

そして、Ｈ（ｆ_ｉ，ｇ）≧κの場合に限り、ｆ_０とｇが一致することがある。ただし、κは、予め定義されたカットオフ値である。これは、虹彩領域の照合のためだけに用いることができる。その一致が非虹彩領域内である場合には、閾値は用いられない。

一致する場合には、分布を更新することができる。入力される分布が既存の分布のうちの１つと一致する場合には、それらの分布を組み合わせて、１つの新たな正規分布にすることができる。この新たな正規分布は、一致した分布及びその関連するカテゴリに基づいて、虹彩領域又は非虹彩領域の現在の状態を表すものと見なすことができる。以下では、一致するｆ_０がある場合の、重み及び分布パラメータを更新するのに有効な手法が説明される。重みは以下のように更新することができる。

新たな重みの総計が依然として１になることを確認することができる。

分布パラメータを更新するために、学習パラメータεを導入することができ、それは以下のように表される。

２つの変数間の関係を定式化することなく、Ｋ_ｏｐｔが、学習パラメータを選択する際に、分母に入ることが直観的に述べられているが、ここで、学習パラメータの実際に動かす変数（driver）が、結果として生成されるダイバージェンス指標であること、及び入力される分布が一致したクラスに如何に類似しているかを示すことができる。定数Ｋ_ｏｐｔは、測定全体を偏らせないようにするために、変化すべきではない。ここで、２つの量の間にある関係を導入することができ、学習パラメータを設定する方法に関する指針を確立することができる。これも本発明の全般的なアルゴリズムの重要な貢献であり、多数の他の手法よりもはるかに効率的に機能する。現時点の方法を用いて、以下の式を得ることができる。

一方、一致しない分布は、先に設定されたのと同じパラメータを保持する。
一致しない場合には、分布を更新することができる。一致しないことがわかった場合、すなわち、全てのダイバージェンス指標が、Ｋ_ｏｐｔ値に対して著しく大きいことがわかった場合には、更新は実施されず、走査されたピクセルは、虹彩領域以外のピクセルの別のクラスタを表すものと見なされる。

実験及びその結果に対して、以下のことに言及することができる。図１５ａ、図１５ｂ及び図１５ｃは、混合モデリングに基づく解析を示す。ここで、図１５ａは、瞳孔１１に対して結果として生成されたラバーシートマップと見なすことができる。図１５ｂは、混合モデリングに基づくセグメンテーションを示す。例示するために、虹彩１３は赤で、瞼１７、１８は緑で、睫毛１９は青で表すことができる。その際、虹彩１３を覆う睫毛１９は、赤及び青の両方の混合物として紫色によって表すことができることに留意されたい。図１５ｂは、睫毛１９並びに瞼１７及び１８に対する虹彩１３のセグメンテーションを明らかにするものと見なすことができる。図１５ｃは、睫毛１９並びに瞼１７及び１８を表す、推定された（２値）マスク７１を示す。図１６ａ、図１６ｂ及び図１６ｃも、混合モデリングに基づく解析を示す。図１６ａは、虹彩１３の正規化されたラバーシートマップを示す。図１６ｂは、睫毛１９並びに瞼１７及び１８に対する虹彩１３のセグメンテーションを示す。図１６ｃは、睫毛１９並びに瞼１７及び１８を表す２値マスク７２を示す。

要するに、目の画像を収集し、瞳孔の中心を推定し、瞳孔の縁部を特定し、瞳孔の中心を調整し、瞳孔の縁部から少なくとも虹彩の外側縁部までの虹彩をセグメント化することができる。さらに、虹彩の形状を推定することができる。いくつかの例では、顔配置の角度に関して入手可能な情報に基づいて、目の画像の配置の透視平面を調整することができる。用語「領域」及び「エリア」は交換可能に用いることができることに留意されたい。これらの用語は、「セグメント」とともに、交換可能に用いることができる。

瞳孔の縁部は、虹彩の内側縁部とすることができる。虹彩の形状は、虹彩の内側縁部及び外側縁部の不規則な実際の形状を抽出しながら、規則的な形状として推定することができる。瞳孔の縁部及び虹彩の外側縁部を包含する、透視平面上で互いに向かい合った曲線からの２つの対称なセグメントが存在することがある。瞳孔の縁部及び虹彩の外側縁部のスネーク輪郭描写で、瞳孔の縁部を特定することができる。スネーク輪郭描写は、１次元セグメンテーションとともに実行することができる。１次元セグメンテーションは、瞳孔の概ね中心を原点とする極座標領域において実行することができる。瞳孔の縁部及び虹彩の外側縁部は不規則な形状になることがある。不規則な形状は、極座標マップにおいて正規化することができる。

虹彩の形状は、影響を受けていない領域及び影響を受けている領域に分類することができ、それらの領域は正規化することができる。影響を受けている領域の正規化のためのスケーリングは、影響を受けている領域が無関係な領域によって受けた遮蔽に基づいて異なることがある。影響を受けていない領域の対称なセグメントを特定することができる。影響を受けている領域は、覆い隠された影響を受けている領域と、覆い隠されていない影響を受けている領域とを有することがある。影響を受けている領域を、覆い隠された影響を受けている領域及び覆い隠されていない影響を受けている領域に分割するためにクラスタ化することができる。クラスタリングは、混合モデリングを用いるテクスチャクラスタリングである。覆い隠された影響を受けている領域はマスクすることができる。

覆い隠されていない影響を受けている領域は、当てはめ機構の一部にすることができる。不規則な実際の形状は、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、規則的な形状として推定することができる。不規則な実際の形状は、楕円二次曲線に適用される最小二乗当てはめ手法を用いて、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、規則的な形状として推定することができる。最小二乗当てはめ手法は、規則的な形状を楕円から円に変換すること、少なくとも１つのパラメータを求めるための変形を実行すること、及び円から楕円に変換し戻すことを含むことができる。

不規則な実際の形状は、重なり合う様々な円を用いる楕円当てはめで、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、規則的な形状として推定することができる。

不規則な実際の形状は、楕円当てはめ手法を円当てはめ手法に移行するためのスケーリング機構を用いて、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、規則的な形状として推定することができる。

影響を受けていない領域及び影響を受けている領域に重みを割り当てることができる。いくつかの手法のうちの１つとして、ハミング距離を用いることができる。影響を受けている領域及び影響を受けていない領域はそれぞれ、対称ビン及び非対称ビンに符号化することができる。その対称ビン及び非対称ビンを、他の虹彩の対称ビン及び非対称ビンと照合することができる。対称ビンの一致に適合する重みは、非対称ビンの一致に適合する重みよりも著しく大きいことがある。対称ビンと非対称ビンとの一致、又はその逆の一致に適合する重みは、対称ビンと対称ビンとの一致、又はその逆の一致に適合する重みよりも小さいことがあり、非対称ビンと非対称ビンとの一致に適合する重みよりも大きいことがある。

図１７は、本発明の或る例示的な事例とともに用いることができるコンピュータシステム例を示す。コンピュータシステム１００は、プロセッサ（複数可）１０２を有することができる。また、コンピュータシステム１００は、メモリユニット１３０、プロセッサバス１２２、及び入力／出力コントローラハブ（ＩＣＨ）１２４を備えることもできる。プロセッサ（複数可）１０２、メモリユニット１３０及びＩＣＨ１２４は、プロセッサバス１２２に接続されることがある。プロセッサ（複数可）１０２は、適切なプロセッサアーキテクチャを有することができる。コンピュータシステム１００は、１つ、２つ、３つ又は４つ以上のプロセッサを有することができ、それらのプロセッサのうちのいずれかが、本発明の例示的な事例による１組の命令を実行することができる。

メモリユニット１３０はオペレーティングシステム１４０を含むことができ、オペレーティングシステム１４０は、Ｉ／Ｏスケジューリングポリシーマネージャ１３２及びＩ／Ｏスケジューラ１３４を含む。メモリユニット１３０は、データ及び／又は命令を格納することができ、たとえば、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）のような任意の適切なメモリを含むことができる。コンピュータシステム１００は、ＩＤＥドライバ（複数可）１０８及び／又は他の適切な記憶デバイスを含むこともできる。グラフィックスコントローラ１０４が、本発明の例示的な事例に従って、ディスプレイデバイス１０６上の情報の表示を制御することができる。

入力／出力コントローラハブ（ＩＣＨ）１２４は、コンピュータシステム１００に、Ｉ／Ｏデバイス又は周辺装置へのインターフェースを提供することができる。ＩＣＨ１２４は、プロセッサ（複数可）１０２、メモリユニット１３０及び／又はＩＣＨ１２４と通信する任意の適切なデバイス若しくは構成要素への任意の適切な通信リンクを提供するために、任意の適切なインターフェースコントローラを備えることができる。本発明の１つの例の場合、ＩＣＨ１２４は、インターフェース毎に、適切な調停及びバッファリングを提供することができる。

本発明の１つの例の場合、ＩＣＨ１２４は、ハードディスクドライブ（ＨＤＤ）又はコンパクトディスクリードオンリーメモリ（ＣＤ ＲＯＭ）ドライブのような、１つ又は複数の適切な一体構成のドライブエレクトロニクス（ＩＤＥ）ドライブ１０８へのインターフェース、又は１つ又は複数のＵＳＢポート１１０を通じて、適切なユニバーサルシリアルバス（ＵＳＥ）デバイスへのインターフェースを提供することができる。１つの事例の場合、ＩＣＨ１２４は、１つ又は複数のファイヤワイヤポート１１６を通じて、キーボード１１２、マウス１１４、ＣＤ−ＲＯＭドライブ１１８及び１つ又は複数の適切なデバイスへのインターフェースも提供することができる。またＩＣＨ１２４は、ネットワークインターフェース１２０も提供することができ、ネットワークインターフェース１２０を通じて、コンピュータシステム１００は、他のコンピュータ及び／又はデバイスと通信することができる。

一例では、コンピュータシステム１００は、本明細書において説明されるオブジェクトモジュールを動的にロードするための方法のうちのいずれか１つ、又は全てを具現する１組の命令（たとえば、ソフトウエア）を格納する機械読取り可能媒体を含むことができる。さらに、ソフトウエアは、完全に又は少なくとも部分的に、メモリユニット１３０内に、及び／又はプロセッサ（複数可）１０２内に存在することができる。

本明細書では、別の態様又は時制において述べられることがあるが、内容のうちの或る部分は、仮説的又は予言的な性質を有することがある。
本発明は、少なくとも１つの例示的な事例に関して説明されてきたが、本明細書を読めば、多数の変形及び変更が当業者には明らかになるであろう。それゆえ、添付の特許請求の範囲は、全てのそのような変形及び変更を含むように、従来技術を鑑みてできる限り広範に解釈されることを意図している。

虹彩の中心位置を局在化させるための基本原理を示す。 画像を極座標にマッピングするための虹彩基準を示す。 １次元極座標セグメンテーションを示す。 例示するために正規化を省いている画像セグメンテーションを示す。 正規化及び瞼による遮蔽に対する処理を示す。 同時に実施されるセグメンテーション及び正規化を示す。 瞼を閉じること、睫毛及び片寄った虹彩の副作用のいくつかの例を示す。 特徴抽出を強化した結果のいくつかの例を示す。 画像収集における透視平面の配置を示す。 虹彩を種々の領域にセグメント化し、それらの領域を、影響を受けていない領域及び影響を受けている領域として分類する概要を示す。 虹彩及び強膜の縁部が視認可能である遮蔽されていないエリアを表す、虹彩の対称部分を示す。 複数の円の交点及び楕円当てはめ方式による、楕円の中心の判定を示す。 虹彩の径方向への経度の調整／較正に関する。 楕円から円を再生するためのプログラムに関連する。 虹彩セグメンテーションに適用されるような混合モデリング手法の視覚化を示す。 混合モデリングに基づく解析を示す。 混合モデリングに基づく解析を示す。 混合モデリングに基づく解析を示す。 別の混合モデリングに基づく解析を示す。 別の混合モデリングに基づく解析を示す。 別の混合モデリングに基づく解析を示す。 本発明の例示的な事例とともに用いることができるコンピュータシステムの例を示す。

符号の説明

１０ 目
１１ 瞳孔
１２ 推定された瞳孔中心
１３ 虹彩
１４ 中心
１７、１８ 瞼
１９ 睫毛
１０２ プロセッサ
１０４ グラフィックスコントローラ
１０６ ディスプレイデバイス
１０８ ＩＤＥ／ＡＴＡドライブ
１１０ ＵＳＢポート
１１２ キーボード
１１４ マウス
１１６ ファイヤワイヤポート
１１８ ＣＤ−ＲＯＭドライブ
１２０ ネットワークインターフェース
１２４ 入力／出力コントローラハブ
１３０ メモリユニット
１３２ Ｉ／Ｏポリシーマネージャ
１３４ Ｉ／Ｏスケジューラ
１４０ オペレーティングシステム

Claims (36)

1. 目の画像を収集するステップ、
   瞳孔の中心を推定するステップ、
   瞳孔の縁部を特定するステップ、
   瞳孔の前記中心を調整するステップ、及び
   虹彩を、瞳孔の前記縁部から該虹彩の少なくとも外側縁部までセグメント化するステップ
   を含む、方法。
2. 虹彩の形状を推定するステップをさらに含む、請求項１に記載の方法。
3. 顔配置の角度が入手可能な場合に、透視投影を用いて、目の画像の配置を調整することをさらに含む、請求項２に記載の方法。
4. 瞳孔の縁部は虹彩の内側縁部であり、
   前記虹彩の形状は、該虹彩の内側縁部及び外側縁部の不規則な実際の形状を抽出しながら、規則的な形状として推定される、請求項２に記載の方法。
5. 瞳孔の縁部及び虹彩の外側縁部を含む、透視平面上で互いに向かい合っている曲線から対称なセグメントを描くステップをさらに含む、請求項４に記載の方法。
6. 前記瞳孔の前記縁部を特定することは、該瞳孔の該縁部及び前記虹彩の前記外側縁部のスネーク輪郭描写（snake delineation）である、請求項５に記載の方法。
7. スネーク輪郭描写は、１次元セグメンテーションとともに実行される、請求項６に記載の方法。
8. １次元セグメンテーションは、瞳孔の概ね中心を原点とする極座標領域において実行される、請求項７に記載の方法。
9. 瞳孔の縁部及び虹彩の外側縁部は、解析において、規則的な形状にさらに近似することなく、不規則な曲線として配置され、
   前記不規則な形状は極座標マップにおいて正規化される、請求項８に記載の方法。
10. 形状は楕円形状として推定される、請求項９に記載の方法。
11. 形状を、影響を受けていない領域及び影響を受けている領域に分類するステップをさらに含む、請求項８に記載の方法。
12. 影響を受けていない領域及び影響を受けている領域を正規化するステップをさらに含み、
    前記影響を受けている領域の正規化のためのスケーリングは、該影響を受けている領域が無関係の物体によって受ける遮蔽に基づいて異なる、請求項１１に記載の方法。
13. 影響を受けていない領域の対称なセグメントを特定するステップをさらに含む、請求項１２に記載の方法。
14. 影響を受けているセグメントは、覆い隠された影響を受けている領域と、覆い隠されていない影響を受けている領域とを含む、請求項１３に記載の方法。
15. 影響を受けている領域を、覆い隠された影響を受けている領域及び覆い隠されていない影響を受けている領域に分割するためにクラスタリングするステップをさらに含む、請求項１３に記載の方法。
16. クラスタリングは、混合モデリングを用いるテクスチャクラスタリングである、請求項１５に記載の方法。
17. 覆い隠された影響を受けている領域をマスクするステップをさらに含む、請求項１５に記載の方法。
18. 覆い隠されていない影響を受けている領域は、当てはめ機構の一部であり、
    不規則な実際の形状が、前記影響を受けていない領域及び前記覆い隠されていない影響を受けている領域から、楕円形状又は規則的な形状として推定される、請求項１４に記載の方法。
19. 不規則な実際の形状が、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、楕円二次曲線に適用される最小二乗当てはめ手法を用いて、楕円の規則的な形状として推定される、請求項１４に記載の方法。
20. 不規則な実際の形状が、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、重なり合う様々な円を用いる楕円当てはめを用いて、楕円の規則的な形状として推定される、請求項１４に記載の方法。
21. 不規則な実際の形状が、影響を受けていない領域及び覆い隠されていない影響を受けている領域から、楕円当てはめ手法を円当てはめ手法に移行するためのスケーリング機構を用いて、楕円の規則的な形状として推定され、該推定された円は、楕円の規則的な形状に変換し戻される、請求項１４に記載の方法。
22. 影響を受けていない領域及び影響を受けている領域に重みを割り当てるステップをさらに含む、請求項１４に記載の方法。
23. 影響を受けている領域及び影響を受けていない領域をそれぞれ、対称ビン及び非対称ビンに符号化することをさらに含む、請求項２２に記載の方法。
24. 対称ビン及び非対称ビンを、必ずしもそれぞれではないが、他の虹彩の対称ビン及び非対称ビンと照合することをさらに含む、請求項２３に記載の方法。
25. 対称ビンの一致に適合する重みは、非対称ビンの一致に適合する重みよりもはるかに大きい、請求項２４に記載の方法。
26. 前記対称ビンと前記非対称ビンとの一致、又はその逆の一致に適合する重みは、該対称ビンと該対称ビンとの一致、又はその逆の一致に適合する重みよりも小さく、前記非対称ビンと該非対称ビンとの一致に適合する重みよりも大きい、請求項２５に記載の方法。
27. 虹彩捕捉の方法であって、
    虹彩を該虹彩のマップに１次元セグメント化するステップ、及び
    前記マップを、影響を受けていないエリア及び影響を受けているエリアに分類するステップ
    を含む、虹彩捕捉の方法。
28. 正規化するためにエリアを規則的な形状に当てはめるステップをさらに含む、請求項２７に記載の方法。
29. 影響を受けていないエリアを対称なエリアとして特定するステップをさらに含む、請求項２８に記載の方法。
30. 影響を受けているエリアを較正するステップをさらに含む、請求項２９に記載の方法。
31. 影響を受けているエリアをクラスタ化するステップをさらに含む、請求項３０に記載の方法。
32. 影響を受けていないエリア及び影響を受けているエリアに重みを割り当てるステップをさらに含む、請求項３１に記載の方法。
33. 影響を受けているエリアは、１つ若しくは複数の瞼及び／又は１つ若しくは複数の睫毛によって影響を受けている、請求項３２に記載の方法。
34. 虹彩のマップ及び該虹彩の登録されているマップの影響を受けていないエリア及び前記影響を受けているエリアに重みを割り当てるステップをさらに含み、
    大きな重みは、前記虹彩のマップ及び前記虹彩の登録されているマップの影響を受けていないエリアに起因し、
    小さな重みは、前記虹彩の前記マップ及び前記虹彩の登録されているマップの影響を受けているエリアに起因し、
    前記大きな重みと前記小さな重みとの間の重みは、前記虹彩のマップ及び前記虹彩の登録されているマップの前記影響を受けていないエリア及び前記影響を受けているエリアに起因する、請求項３３に記載の方法。
35. システムであって、
    虹彩を該虹彩のマップに１次元セグメント化するための第１の機構と、
    前記マップを、影響を受けていないエリア及び影響を受けているエリアに分類するための第２の機構と、
    正規化するために前記エリアを規則的な形状に当てはめるための第３の機構と、
    前記影響を受けていないエリアを対称なエリアとして特定するための第４の機構とを含む、システム。
36. 虹彩のマップ及び該虹彩の登録されているマップのビンの影響を受けていないエリア及び影響を受けているエリアに重みを割り当てるための第５の機構をさらに含み、
    大きな重みは、前記虹彩のマップ及び前記虹彩の登録されているマップの影響を受けていないエリアに起因し、
    小さな重みは、前記虹彩のマップ及び前記虹彩の登録されているマップの前記ビンの影響を受けているエリアに起因し、
    前記大きな重みと前記小さな重みとの間の重みは、前記虹彩のマップ及び前記虹彩の登録されているマップの前記ビンの前記影響を受けていないエリア及び前記影響を受けているエリアに起因する、請求項３５に記載のシステム。