CN101246544A - 一种基于边界点搜索和susan边缘检测的虹膜定位方法 - Google Patents

Abstract

本发明涉及一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法，其首先采用投影法，对经过光斑填充得二值化虹膜图像进行水平和垂直灰度投影，得到瞳孔的粗略中心；通过对水平灰度曲线的扫描，找到灰度值大于某一阀值的一点作为虹膜的内边界点；对上述的一系列内边界点进行圆拟合，从而得到虹膜内缘的位置信息；再通过SUSAN边缘检测的方法，使虹膜外边缘特征不明显的状况得到了很好的解决，通过方向检测得到了虹膜的外边缘半径，准确地得到虹膜外缘的位置信息；利用SUSAN边缘检测的方法对虹膜区域外边缘进行定位是本发明的一个特色，与一般的两步虹膜定位方法相比，本发明的定位准确率要高5个百分点，并且速度提高40％。

Description

一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法

【技术领域】

本发明属于图像处理技术领域，主要涉及生物特征鉴别中的虹膜身份识别技术。

【背景技术】

在当今信息化时代，如何准确鉴定一个人的身份，保护信息安全是一个必须解决的关键社会问题。为此，生物特征鉴别技术悄然兴起，并成为目前世界信息安全管理领域的前沿研究课题。生物特征鉴别技术是指利用人体所固有的生理特征或行为特征来进行个人身份鉴定。虹膜身份识别技术是生物特征鉴别技术的一个分支，是计算机图像处理技术和模式识别技术在个人身份识别领域的应用，由于其高稳定性和高准确性，近年来已经成为生物特征鉴别的热门发展方向。虹膜身份自动识别技术，在银行、公安、机场、网络等方面应用广泛，具有巨大的经济价值和现实意义。现在它已经使用在边境检查、通关认证、银行提款、信息管理和建筑物安全管理等，还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。随着数字信号处理技术和图像处理技术的发展，虹膜身份识别系统已经日趋成熟。详见文献：John G.Daugman，“How Iris Recognition Works，”IEEETransaction on Circuits and Systems for Video Technology，Volume 14，Issue l，pp.21-30，2004和文献：John G.Daugman，“High ConfidenceRecognition of Persons by Iris Patterns，”The Proceeding of IEEE 35thInternational Carnahan Conference on Security Technology，pp.254-263，2001所述。

在虹膜身份识别技术中，虹膜定位是整个识别技术的关键。虹膜定位是虹膜识别的第一步，它的执行时间和精度将直接影响整个虹膜识别系统的速度和准确度。在实际中，由于虹膜区域常常受到眼睑和睫毛的遮挡，虹膜定位算法的准确性和有效性还有待进一步提高。如何在存在睫毛和眼睑遮挡问题的低质量虹膜图像中，快速精确地定位出虹膜，并对其边界或位置用数学模型进行描述是我们研究的主要问题。详见文献：John G.Daugman，“HighConfidence Visual Recognition of Persons by a Test of StatisticalIndependence，”IEEE Transaction on Pattern Analysis and MachineIntelligence，volume15，no.11，pp.1148-1161，1993。

现在通常使用的虹膜定位的方法有：

(1)基于灰度梯度的两步虹膜定位方法。它通过粗定位，寻找虹膜内外缘的大致位置，然后再在这个位置附近较小的范围内利用圆形检测器进行精定位，从而找到虹膜内外缘的精确位置。但是在实际应用中该方法需要反复迭代搜索，运算量较大，效率不高。详见文献：Li Qingrong，Ma Zheng，“AIris Location Algorithm，”Journal of UEST of China，volume 31，no.1，pp.7-9。

(2)基于哈夫变换的虹膜定位方法。它是通过一定的算子，提取出虹膜图像中的边缘点，从而搜索通过边缘点最多的圆曲线所在的位置。其缺点是在边缘点提取中常常会引入噪声，使得虹膜定位结果不准确。详见文献：Richard P.Wildes，“Iris Recognition：an Emerging BiometricTechnology，”Proceedings of the IEEE，volume85，pp.1348-1363，1997。

【发明内容】

本发明的任务是提供一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法，它具有在眼睫毛遮挡情况下定位准确，准确率要高，速度快的特点。

本发明的目的是这样实现的：

一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法，其特征在于其包括以下步骤：

步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，得到含有虹膜图像的原始灰度图像；

步骤2、选取一个固定的阈值V_b，将原始虹膜图像进行二值化，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤3、对步骤2中得到的二值图像，进行数学形态学中的闭合运算来消除二值图像中的小空洞，具体来说，闭合运算为：AB＝(AB)ΘB，即先对原始图像A用结构元素B进行膨胀运算，然后再进行腐蚀运算，结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0，为闭合运算符，为膨胀运算符，Θ为腐蚀运算符；

步骤4、计算步骤3中得到图像的水平和垂直灰度投影，水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y),$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值；

步骤5、搜索步骤4中的水平灰度投影S_h(x)取最小值时的横坐标x_o和垂直灰度投影S_h(y)取最小值是的纵坐标y_o，将(x_o，y_o)视为瞳孔的粗略中心；

步骤6、在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索象素灰度值大于T的点，当搜索到象素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为瞳孔边界点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一边界点坐标(x_r，y_o)；

步骤7、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行瞳孔边界点的搜索，方法与步骤6中在y_o一行进行的搜索方法相同，最终可以得到一系列瞳孔边界点的坐标；

步骤8、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤7中得到的一系列瞳孔边界点进行圆拟合，具体来说：圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小；误差方差和的公式为； ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+c{x}_i+d{y}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤9、虹膜圆心和瞳孔圆心位置相近，可把瞳孔圆心作为虹膜圆心；限制SUSAN检测的范围，具体范围公式为：100＜x＜N-5，y_p+r_p＜y＜y_p+3*r_p。其中y_p表示坐标点(x_p，y_p)的垂直坐标值，r_p表示瞳孔的半径，该检测区域为一矩形区域；

步骤10、用半径为三个像素点的共37个像素的模板遍历整个检测区域；

模板形状如示例模板 $\begin{array}{ccccccc}0& 0& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 0& 0\end{array},$ 数字1表示位于模板内的像素点，

数字0表示不属于模板的像素点，模板中心的像素点就是所要检测的像素点；

统计出每个像素点的USAN值；

步骤11、把经过SUSAN检测的每个像素点的USAN值与USAN阈值作比较，如果该像素值大于USAN阈值，则把该像素点的灰度值设为255，否则保持像素点原来的灰度值不变；

步骤12、选取合适的二值化阈值T_u，二值化图像检测区域；整个检测区域中，灰度值大于T_u的像素点被赋值为1，灰度值小于T的像素点被赋值为0；

步骤13、运用方向检测，沿瞳孔圆心从瞳孔外边缘开始进行四个方向的检测，有检测公式公式1表示在检测方向-30°，-150°时水平方向和垂直方向的像素点检测时变化快慢的比例关系，公式2表示在检测方向-45°，-135°时水平方向和垂直方向的像素点检测时变化快慢的比例关系，方向检测中如遇像素点灰度值为1，则停止检测取该像素点作为虹膜外缘边界点，检测完毕后比较四个方向的虹膜外缘边界点，取四个外缘边界点据圆心距离的平均值为虹膜外边缘半径r_r；

步骤14、由于虹膜的外边缘也非常类似于一个圆，因此，通过步骤13中得到的虹膜外边缘边界点以及得出的虹膜外边缘半径r_r，再加上步骤8中得到的圆心(x_p，y_p)，通过画外圆，即可以得到虹膜的外边缘。

如上所述的一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法，其特征在于步骤4得到的一阶差分水平投影曲线毛刺很多，不利于方法的精确定位，采用高斯函数对投影值进行平滑处理。

本发明首先采用投影法，对经过光斑填充得二值化虹膜图像进行水平和垂直灰度投影，得到瞳孔的粗略中心；通过对水平灰度曲线的扫描，找到灰度值大于某一阀值的一点作为虹膜的内边界点；对上述的一系列内边界点进行圆拟合，从而得到虹膜内缘的位置信息；再通过SUSAN边缘检测的方法，使虹膜外边缘特征不明显的状况得到了很好的解决，通过方向检测得到了虹膜的外边缘半径，准确地得到虹膜外缘的位置信息；利用SUSAN边缘检测的方法对虹膜区域外边缘进行定位是本发明的一个特色，与一般的两步虹膜定位方法相比，本发明的定位准确率要高5个百分点，并且速度提高40％。

【具体实施方式】

采用本发明的方法，首先使用C和C++语言编写的虹膜定位程序；然后采用CMOS或者CCD摄像装置自动拍摄虹膜的原始图像；接着把拍摄到的虹膜原始图像作为源数据输入到VC++界面中的虹膜预处理程序中进行处理。采用4800张拍摄好的、包括不同人的不同光照条件、不同拍摄姿势的灰度虹膜图像作为源数据，定位准确率为97.33％，定位一幅图像仅需100ms。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：虹膜。眼珠的中心是黑色的瞳孔，瞳孔外缘间的环形组织即为虹膜。其呈现出相互交错的类似与斑点、细丝、条纹、隐窝的纹理特征。同一个人的虹膜在人的一生中几乎不会发生改变，不同人的虹膜是完全不一样的。

定义2；灰度图像。图像中只包含亮度信息而没有任何其他颜色信息的图像。

定义3：二值化阈值。对图像进行二值化时所选用的灰度门限值。

定义4：二值化。把整幅图像的所有值转化成只有两种值的过程，一般这两种值为0和1或者0和255。当图像上的值大于等于二值化的阀值的时候，该点的值二值化为1(或255)；当图像上的值小于二值化阀值的时候，该点的值二值化为0。

定义5：数学形态学。用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别的目的。数学形态学的基本运算有4个：膨胀(或扩充)、腐蚀(或侵蚀)、开启和闭合。膨胀和腐蚀的运算公式为： $A\⊕B=\left\{x\right|{\left(\hat{B}\right)}_x\∩A\≠\mathrm{\φ}\}$ 和AΘB＝{x|(B)_xA}；开启操作的运算公式为：AоB＝(AΘB)B和AB＝(AB)ΘB。其中A为图像集合，B为结构元素，^表示做关于原点的映射，()_x表示平移x，∩表示交集，φ表示空集，表式全包含，为膨胀运算符，Θ为腐蚀运算符，о为开启运算符，为闭合运算符。

定义6：灰度投影。将二维空间中的灰度投影到一维空间，分为水平灰度投影和垂直灰度投影。水平灰度投影是指将二维图像中的灰度沿水平方向累加，转换到一维空间。转换函数为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y).$ 垂直灰度投影是指将二维图像中的灰度沿垂直方向累加，转换到一位空间。转换函数为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y).$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值。

定义7：瞳孔边界点。是指位于瞳孔外边缘虹膜内边缘上的点。

定义8：圆拟合。已知一系列点的坐标，建立一条最能反映这些坐标点位置的圆曲线方程。具体来说：圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小。误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+c{x}_i+d{y}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标。

定义9：SUSAN边缘检测。最小核值相似区简称SUSAN(Smallest UnivalueSegment Assimilating Nucleus)，它用圆形模板扫描整个图像，比较模板内每一像素与中心像素的灰度值，并给定阈值来判别该像素是否属于USAN区域。模板内属于USAN区域的像素的判别函数为 $c(\stackrel{\→}{r},\stackrel{\→}{r_0})=\left\{\begin{array}{cc}1& \mathrm{if}|I\left(\stackrel{\→}{r}\right)-I\left(\stackrel{\→}{r_0}\right)|\≤t\\ 0& \mathrm{if}|I\left(\stackrel{\→}{r}\right)-I\left(\stackrel{\→}{r_0}\right)|>t\end{array}\right.,$ I(r0)是模板中心像素(核)的灰度值，I(r)为模板内其他任意像素的灰度值，t是灰度差门限。

定义10：USAN。用一个圆形模板遍历图像，若模板内其他任意像素的灰度值与模板中心像素(核)的灰度值的差小于一定阈值，就认为该点与核具有相同(或相近)的灰度值，满足这样条件的像素组成的区域称为核值相似区(Univalue Segment Assimilating Nucleus，USAN)。图像中某一点的USAN区域大小可由公式 $n\left(\stackrel{\→}{r_0}\right)=\underset{\stackrel{\→}{r}}{\mathrm{\Σ}}c(\stackrel{\→}{r},\stackrel{\→}{r_0})$ 表示。

定义11：圆模板。算法实现的数学表达形式。圆模板以检测点为圆心，半径可随检测所需像素点个数的变化而变化。

定义12：USAN阈值。用来与像素点USAN值作比较的一个值。

定义13：虹膜外缘边界点。虹膜是一个环形区域，位于虹膜外边缘上的点称为虹膜外缘边界点。

定义14：方向检测。通过某几个特定方向进行虹膜外缘边界点的检测。从瞳孔外边缘开始沿-30°，-45°，-135°，-150°四个方向进行虹膜外缘边界点的检测。

定义15：画外圆。对所得到的虹膜外缘边界点进行处理，选择离虹膜圆心距离最近的点作为最终边界点，并依此画圆。

按照本发明的虹膜图像定位算法，它包含下列步骤：

步骤1、通过摄像装置，对入眼中的虹膜进行图像采集，得到含有虹膜图像的原始灰度图像；

步骤2、选取一个固定的阈值V_b，将原始虹膜图像进行二值化，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤3、对步骤2中得到的二值图像，进行数学形态学中的闭合运算来消除二值图像中的小空洞；具体来说，闭合运算为：AB＝(AB)ΘB，即先对原始图像A用结构元素B进行膨胀运算，然后再进行腐蚀运算；结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0，为闭合运算符，为膨胀运算符，Θ为腐蚀运算符；

步骤4、计算步骤3中得到图像的水平和垂直灰度投影，水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y),$ 垂直灰度投影的计算公式为； $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y);$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值；

步骤5、搜索步骤4中的水平灰度投影S_h(x)取最小值时的横坐标x_o和垂直灰度投影S_h(y)取最小值是的纵坐标y_o，将(x_o，y_o)视为瞳孔的粗略中心；

步骤6、在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索象素灰度值大于T的点，当搜索到象素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为瞳孔边界点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一边界点坐标(x_r，y_o)；

步骤7、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行瞳孔边界点的搜索，方法与步骤6中在y_o一行进行的搜索方法相同，最终可以得到一系列瞳孔边界点的坐标；

步骤8、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤7中得到的一系列瞳孔边界点进行圆拟合，具体来说：圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小；误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+c{x}_i+d{y}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是

已知点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤9、虹膜圆心和瞳孔圆心位置相近，可把瞳孔圆心作为虹膜圆心；限制SUSAN检测的范围，具体范围公式为：100＜x＜N-5，y_p+r_p＜y＜y_p+3*r_p。

其中y_p表示坐标点(x_p，y_p)的垂直坐标值，r_p表示瞳孔的半径。该检测区域为一矩形区域；

步骤10、用半径为三个像素点的共37个像素的模板遍历整个检测区域；

模板形状如示例模板 $\begin{array}{ccccccc}0& 0& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 0& 0\end{array},$ 数字1表示位于模板内的像素点，数字0表示不属于模板的像素点，模板中心的像素点就是所要检测的像素点；统计出每个像素点的USAN值；

步骤11、把经过SUSAN检测的每个像素点的USAN值与USAN阈值作比较，如果该像素值大于USAN阈值，则把该像素点的灰度值设为255，否则保持像素点原来的灰度值不变；

步骤12、选取合适的二值化阈值T_u，二值化图像检测区域。整个检测区域中，灰度值大于T_u的像素点被赋值为1，灰度值小于T的像素点被赋值为0；

步骤13、运用方向检测，沿瞳孔圆心从瞳孔外边缘开始进行四个方向的检测，有检测公式

公式1表示在检测方向-30°，-150°时水平方向和垂直方向的像素点检测时变化快慢的比例关系，公式2表示在检测方向-45°，-135°时水平方向和垂直方向的像素点检测时变化快慢的比例关系；方向检测中如遇像素点灰度值为1，则停止检测取该像素点作为虹膜外缘边界点；检测完毕后比较四个方向的虹膜外缘边界点，取四个外缘边界点据圆心距离的平均值为虹膜外边缘半径r_r；

步骤14、由于虹膜的外边缘也非常类似于一个圆，因此，通过步骤13中得到的虹膜外边缘边界点以及得出的虹膜外边缘半径r_r，再加上步骤8中得到的圆心(x_p，y_p)，通过画外圆，即可以得到虹膜的外边缘。

通过以上步骤，我们就从原始的含有虹膜的图像中定位出虹膜的内外边缘，并为接下来的其它工作打下了坚实的基础。

需要说明的是：

1.步骤2中进行二值化选取一个固定的阈值V_b，是通过大量试验得到的，并且这里选择一个固定的阀值是因为瞳孔区域的灰度值和虹膜区域的灰度值相差非常的大，即使在不同的光照条件下拍摄的虹膜图像也可以保证二值化的效果。

2.步骤5中定位瞳孔的粗略中心(x_o，y_o)是为了确定进行虹膜边界点搜索的范围。

3.步骤6中认为灰度值大于T的点就是瞳孔的边界点，是因为在瞳孔的边缘存在灰度值的明显递增，当大于某一值是就是瞳孔边缘。

4.步骤5中，由于步骤4得到的一阶差分水平投影曲线毛刺很多，不利于方法的精确定位，必须采用高斯函数对投影值进行平滑处理。

5.步骤9中，由于SUSAN检测对于边缘检测效果明显，因此限制检测范围可以提高运算速度且对定位精度不会造成影响。

6.步骤10中，对于圆模板的选取，一般在SUSAN检测中，半径为三个像素点的圆模板能得到最佳的效果。

7.步骤13中，对于方向检测的方向问题，本发明是通过大量的实验所得，在该四个方向上，虹膜噪声干扰较少，便于计算。

本发明采用边界点搜索和SUSAN边缘检测相结合的方法，首先通过二值化、腐蚀、膨胀和灰度投影实现了瞳孔圆心的粗略定位；然后通过搜索边界点并进行曲线拟合对虹膜内边缘进行了精确定位；然后通过SUSAN边缘检测，方向检测等方法对虹膜的外边缘进行准确定位。采用本发明提出的基于边界点搜索和SUSAN边缘检测相结合的方法，可以有效地提高虹膜定位精度。

综上所述，本发明的方法充分利用虹膜图像的灰度信息，结合SUSAN边缘检测的方法，从而实现快速准确地从所提供的虹膜原始图像中定位虹膜区域。

Claims (2)

1、一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法，其特征在于其包括以下步骤：

步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，得到含有虹膜图像的原始灰度图像；

步骤2、选取一个固定的阈值V_b，将原始虹膜图像进行二值化，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤3、对步骤2中得到的二值图像，进行数学形态学中的闭合运算来消除二值图像中的小空洞，具体来说，闭合运算为：AB＝(AB)ΘB，即先对原始图像A用结构元素B进行膨胀运算，然后再进行腐蚀运算，结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0，为闭合运算符，为膨胀运算符，Θ为腐蚀运算符；

步骤4、计算步骤3中得到图像的水平和垂直灰度投影，水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y),$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的象素点的灰度值；

步骤5、搜索步骤4中的水平灰度投影S_h(x)取最小值时的横坐标x_o和垂直灰度投影S_h(y)取最小值是的纵坐标y_o，将(x_o，y_o)视为瞳孔的粗略中心；

步骤6、在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索象素灰度值大于T的点，当搜索到象素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为瞳孔边界点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一边界点坐标(x_r，y_o)；

步骤7、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行瞳孔边界点的搜索，方法与步骤6中在y_o一行进行的搜索方法相同，最终可以得到一系列瞳孔边界点的坐标；

步骤8、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤7中得到的一系列瞳孔边界点进行圆拟合，具体来说：圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小；误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+c{x}_i+d{y}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤9、虹膜圆心和瞳孔圆心位置相近，可把瞳孔圆心作为虹膜圆心；限制SUSAN检测的范围，具体范围公式为：100＜x＜N-5，y_p+r_p＜y＜y_p+3*r_p。其中y_p表示坐标点(x_p，y_p)的垂直坐标值，r_p表示瞳孔的半径，该检测区域为一矩形区域；

步骤10、用半径为三个像素点的共37个像素的模板遍历整个检测区域；模板形状如示例模板 $\begin{array}{ccccccc}0& 0& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 0& 0\end{array},$ 数字1表示位于模板内的像素点，数字0表示不属于模板的像素点，模板中心的像素点就是所要检测的像素点；统计出每个像素点的USAN值；

步骤11、把经过SUSAN检测的每个像素点的USAN值与USAN阈值作比较，如果该像素值大于USAN阈值，则把该像素点的灰度值设为255，否则保持像素点原来的灰度值不变；

步骤12、选取合适的二值化阈值T_u，二值化图像检测区域；整个检测区域中，灰度值大于T_u的像素点被赋值为1，灰度值小于T的像素点被赋值为0；

步骤13、运用方向检测，沿瞳孔圆心从瞳孔外边缘开始进行四个方向的检测，有检测公式

公式1表示在检测方向-30°，-150°时水平方向和垂直方向的像素点检测时变化快慢的比例关系，公式2表示在检测方向-45°，-135°时水平方向和垂直方向的像素点检测时变化快慢的比例关系，方向检测中如遇像素点灰度值为1，则停止检测取该像素点作为虹膜外缘边界点，检测完毕后比较四个方向的虹膜外缘边界点，取四个外缘边界点据圆心距离的平均值为虹膜外边缘半径r_r；

步骤14、由于虹膜的外边缘也非常类似于一个圆，因此，通过步骤13中得到的虹膜外边缘边界点以及得出的虹膜外边缘半径r_r，再加上步骤8中得到的圆心(x_p，y_p)，通过画外圆，即可以得到虹膜的外边缘。

2、根据权利要求1所述的一种基于边界点搜索和SUSAN边缘检测的虹膜定位方法，其特征在于步骤4得到的一阶差分水平投影曲线毛刺很多，不利于方法的精确定位，采用高斯函数对投影值进行平滑处理。